幼虫斑马鱼脑显微成像的隐式神经表示：MapZebrain图谱上的可复现基准测试
计算机视觉与模式识别
2026-03-31 v1 人工智能
机器学习
神经元与认知
摘要
隐式神经表示（Implicit Neural Representations, INRs）为图谱配准、跨模态重采样、稀疏视图补全和神经解剖数据的紧凑共享提供了基于连续坐标的编码。然而，对于高分辨率幼虫斑马鱼显微成像，可复现的评估仍然缺乏，其中保留神经毡边界和精细神经元过程至关重要。我们为MapZebrain幼虫斑马鱼脑图谱提出了一个可复现的INR基准测试。在统一种子控制协议下，我们比较了SIREN、傅里叶特征、Haar位置编码和多分辨率网格在950张灰度显微图像上的表现，包括图谱切片和单神经元投影。图像使用从非保留列中10%像素估计的每图像(1,99)百分位数进行归一化，空间泛化通过沿X轴确定性40%列式保留进行测试。Haar和傅里叶在保留列上取得了最强的宏平均重建保真度（约26 dB），而网格表现中等。SIREN在宏平均上表现较差，但在全合一模式下的面积加权微平均上仍具有竞争力。SSIM和边缘聚焦误差进一步表明Haar和傅里叶更准确地保留了边界。这些结果表明，显式谱和多尺度编码比平滑偏差替代方案更好地捕捉高频神经解剖细节。对于MapZebrain工作流，Haar和傅里叶最适合边界敏感任务如图谱配准、标签迁移和形态学保持共享，而SIREN仍然是背景建模或去噪的轻量级基线。
引用
@article{arxiv.2603.26811,
title = {Implicit neural representations for larval zebrafish brain microscopy: a reproducible benchmark on the MapZebrain atlas},
author = {Agnieszka Pregowska},
journal= {arXiv preprint arXiv:2603.26811},
year = {2026}
}