NeMoCo：面向超微结构三维神经科学形态的自监督对比学习框架

《Graphical Models》：NeMoCo: Self-supervised contrastive learning for ultrastructural 3D neuroscience morphologies

　　

体积电子显微镜(EM)目前能够实现神经组织纳米级分辨率的二维切片堆叠重建为三维结构，为超越单纯连接组学的定量、形态驱动神经科学打开了大门。先前研究依赖手工描述符与经典机器学习进行形态分析，而近期三维形状理解深度学习进展提供了直接从几何数据学习鲁棒、任务特定表示的新机会。本文提出NeMoCo，一种几何学习框架，针对连接组学与超微结构分析中的关键实践瓶颈：长尾神经突与细胞器表型稠密专家标注的稀缺与高成本。NeMoCo以自监督动量对比(Momentum Contrast, MoCo)风格表述EM衍生神经突网格的表示学习。研究人员采用DiffusionNet(Sharp等人, 2022)作为网格编码器，配以内在谱描述符热核签名(HKS)，并以动量更新的教师编码器与大规模负样本记忆库训练。为学习实践中必备的不变性，研究人员通过受控仿射变换与分辨率变化（含网格抽取）生成配对几何视图，促使嵌入在干扰变异性下稳定且保持判别性。研究人员对增强强度与温度进行了广泛研究，并通过冻结检索与非参数分类（冻结kNN）及有限标签下下游监督微调评估所学表示。NeMoCo证明MoCo风格自监督在EM网格上产生鲁棒神经突形态嵌入，提升标签效率，并为超微结构神经科学中的检索、聚类与表型发现提供可扩展基础。NeMoCo所用全部数据与代码发布于https://github.com/Uzshah/NeMoCo。

研究背景方面，体积电子显微镜(EM)使神经组织纳米级三维重建成为可能，可量化分析细胞核、神经突、突触、线粒体等亚细胞结构形态，形态本身承载发育、特化、组织与病理信息。然而现代分割与重建流程虽能生成大量三维网格，可靠语义标注仍依赖专家监督，成本高、耗时长且存在歧义，尤其细粒度神经突与细胞器表型类界微妙，采集与网格化引入朝向、尺度、采样密度、网格分辨率等变异，纯监督学习难以覆盖长尾表型。研究人员此前会议论文NeuroShape已证明深度神经形状分析在EM网格上的可行性，但暴露了监督识别依赖大规模可靠标注的局限。为此，研究人员开展NeMoCo研究，将范式从纯监督基准转向自监督表示学习。

关键技术方法上，研究人员构建三个队列：Nuclei Envelopes数据集源自出生后14天幼鼠体感皮层Serial Block-Face EM(SBEM)重建的173个核膜网格，分6类；Neurites and Organelles数据集源自6只小鼠（3成3老）体感皮层Ⅰ层FIB-SEM神经毡重建的600个网格，分轴突、树突棘、突触小体、线粒体、突触后密度(PSD)等6类；Whole Mice无标注预训练语料含4235个小鼠脑EM网格。骨干采用DiffusionNet网格编码器，输入为热核签名(HKS, 16个对数间距时间尺度)内在谱特征，配128阶Laplace–Beltrami特征向量；自监督阶段采用MoCo风格双分支，基编码器经反向传播更新，动量编码器以系数0.999指数滑动平均更新，使用类CLIP双向对比损失（温度τ=0.05），批次16，训练200轮；下游以冻结检索、冻结kNN及线性探测/全微调评估。

研究结果部分，第1节引言指出研究动机与贡献：给出自监督对比框架、标签高效协议、形态感知增强与扩展实验四类增量贡献。第2节相关工作梳理超微结构形态分析、三维形状深度学习、动量对比及三维几何自监督脉络，指出NeMoCo相较TreeMoCo等骨架方法的差异在于直接学EM网格而非树/图抽象。第3节背景介绍连接组超微结构、球谐(SH)、Laplace–Beltrami谱与热核签名(HKS)数学定义，以及DiffusionNet离散化无关扩散块与Laplacian2Mesh谱投影U-Net结构。第4节方法详述数据集几何统计（顶点数267–421352、水密性0%–71%、退化三角形等）、双标注集与无标注Whole Mice集构建、监督设置（DiffusionNet 4块宽128、k_eig=128；Laplacian2Mesh三谱层32/16/8；DeltaConv与DGCNN点云对照）、自监督双编码器架构、HKS特征计算、受控仿射T=RSH与网格抽取增强、双向CLIP损失与训练超参（Adam lr=10^-3，StepLR×0.5/50轮，6–8小时单RTX 4090）。第5节结果显示：监督下DiffusionNet在核膜全集81.13%、神经突集82.1%优于Laplacian2Mesh；自监督预训练后冻结kNN与有限标签微调均较从头监督提升标签效率，消融表明中等强度仿射+抽取增强、τ=0.05最优，HKS内在稳定性辅以离散鲁棒性使嵌入对位姿与分辨率变异常稳定。

讨论与结论翻译：研究人员得出结论，自监督预训练可从无标注EM网格中学得信息丰富的几何感知嵌入，并在下游神经突与细胞器分类中改善标签效率。尽管研究聚焦超微结构神经科学，所提公式亦适用于更广图形与生物医学形状分析场景——即不规则网格丰富但专家标注有限的情境。该工作发表于《Graphical Models》，为连接组学长尾表型检索、聚类与发现提供可扩展基础。

（注：全文未引文献标记、未嵌图示标识，上标下标以呈现，作者名Calì、Sharp等保留原文与重音符号，专业术语首现附英文缩写释文。）