형광 현미경 (Fluorescence Microscopy, FM)에서 미토콘드리아의 형태학적 분석은 세포 건강, 에너지 생산 및 대사 조절을 이해하는 데 매우 중요합니다. Segment Anything Model (SAM)과 같은 파운데이션 모델 (Foundation Model)이 자연 이미지 분할 (Natural Image Segmentation) 분야에 혁신을 가져왔지만, 회절 한계 해상도 (Diffraction-limited resolution), 낮은 대비 (Low contrast), 그리고 복잡하게 겹쳐진 소기관 네트워크 (Organelle networks)로 특징지어지는 상당한 도메인 시프트 (Domain shift)로 인해 FM에 직접 적용하는 데 어려움이 있습니다. 또한, 강건한 모델의 개발은 미토콘드리아에 대한 고품질의 수동 주석 처리된 인스턴스 분할 (Instance Segmentation) 데이터셋의 심각한 부족으로 인해 병목 현상을 겪고 있습니다. 본 논문에서는 합성된 FM 데이터 (Synthetically generated FM data)로만 SAM을 미세 조정 (Finetuning)함으로써 이러한 데이터 부족 문제를 해결할 수 있는 확장 가능한 솔루션을 제안합니다. 우리는 현실적인 미토콘드리아 데이터를 시뮬레이션하고 형광 현미경의 광학적 특성을 모방하여 대규모 주석 데이터셋을 생성합니다. 우리는 수동으로 주석을 처리한 실제 FM 이미지로 구성된 큐레이션된 데이터셋을 통해 미세 조정된 모델을 평가합니다. 정성적 및 정량적 분석 결과, 우리의 합성 데이터 미세 조정 모델이 강력한 베이스라인 (Baselines) 모델들에 비해 정밀도 (Precision)와 평균 다이스 점수 (Average Dice score)를 향상시킨다는 것을 입증했습니다. 본 연구는 FM 인스턴스 분할을 위한 시뮬레이션 보조 학습 (Simulation-assisted training)의 잠재력을 확립합니다.