面向三维神经元片段的骨架感知形态表征自监督学习

基于摘要分析。研究针对高分辨率显微成像产生的超大规模三维神经元数据，提出自监督方法 ConSkeletonNet，学习骨架感知的形态表征，以支持高效三维渲染、形态分析和基于形态的神经元分类。其主要研究对象是显微成像中的三维神经元片段，而非 EEG 等神经活动信号或 BCI 解码。 核心机制是通过多任务联合训练，将骨架感知的形状简化与基于形态的神经元分类联系起来，旨在增强所学形态表征的判别能力。摘要未说明三维数据的具体输入表示、自监督目标、分类监督来源、损失构成及训练流程，这些实现条件尚未验证。 作者报告，在完整果蝇脑电镜数据 FAFB-FFN1 的神经元片段及人类大脑皮层数据 H01 的一个数据体上，ConSkeletonNet 在神经元片段骨架提取和神经元分类所需的形态表征学习方面表现更优。作者还报告，在人造物体三维模型数据集 ShapeNet 上，该方法的骨架提取与形状抽象达到当时最先进水平。摘要未提供具体指标、数值、数据划分或对照方法，因此无法核实优势幅度，也不能将不同数据集与任务的结果直接比较。 复现时需核对输入片段的构建与预处理、骨架目标或伪标签的生成方式、多任务监督关系、数据划分及评价指标；实验协议、消融及统计信息尚未验证。现有材料未建立该三维形态学习机制与 EEG/BCI 任务之间的具体对应关系，不据此推导其具有 BCI 有效性。