近日，国际计算机视觉顶级会议International Conference on Computer Vision (ICCV) 2025，接收了rabey雷竞技武汉光电国家研究中心生物医学光子学研究部、rabey雷竞技生物医学光子学教育部重点实验室的研究论文“MorphoGen: Efficient Unconditional Generation of Long-Range Projection Neuronal Morphology via a Global-to-Local Framework”。这项工作提出了一种从全局到局部的长程神经元形态生成方法，与之前方法相比不仅具备更高质量的生成效果且训练与推理时间也大幅缩短。
大脑中神经元的形态复杂多样，准确捕获神经元形态的潜在分布，不仅有助于定量刻画神经元形态的生长模式，也能够为脑网络建模等任务提供可用的形态学数据。然而，目前的神经元形态生成方法主要采用分支层面建模，即将单个神经元形态拆分为不同级别分支的集合，借助基于序列的模型学习分支的分布，然后采样新的分支来生成新的神经元形态。如此虽能将错综复杂的形态数据拆分为规整的序列形式，但当神经元分支级数较多时，例如复杂的长程神经元，所需处理的分支数量呈指数级增长；并且，神经元分支过长，也存在误差积累的风险。这个问题可以类比为“树的生长”，现有方法一级级地生成树的分支，那么当分支数量过多时，计算成本自然大大提高。
针对这一问题，研究团队提出了一种全局到局部的形态学生成框架MorphoGen：基于扩散模型生成点云形式的神经元全局形态，再从中提取骨架点并打磨局部纤维。在生成神经元形态时，不仅考虑了点级别的几何关系使得（？什么精度）精度更高，而且复杂的形态也只需一次生成，避免了随分支级数增长的计算成本。
图1 MorphoGen框架图
该神经元形态生成方法对三种不同复杂程度的真实长程神经元数据集进行了测试和评估，包括intratelencephalic (IT)，corticothalamic (CT)，和pyramidaltract (PT)神经元数据集。结果显示，MorphoGen的训练与推理时间随着神经元复杂程度增长而保持平稳，显著少于已报道的最好方法，并且生成新数据的过程中也不依赖参考形态。同时，MorphoGen在MMD、COV、JSD与1-NNA等生成任务定量指标，以及多个形态学参数上的总体得分也优于已有方法。
图2 不同方法生成的三种长程神经元形态的可视化结果
这项研究得到了国家自然科学基金的资助。rabey雷竞技武汉光电国家研究中心生物医学光子学研究部博士生朱天放、硕士生周宏杨为共同第一作者，李安安教授为通讯作者。这项工作的研究基础来自该团队2023年发表在IEEE Transactions on Medical Imaging上的单神经元形态特征表示方法“Data-Driven Morphological Feature Perception of Single Neuron With Graph Neural Network”。
文章链接：
1.https://iccv.thecvf.com/virtual/2025/poster/49
2.https://ieeexplore.ieee.org/abstract/document/10123059
