MGRD: Compact morphology-gated residual diffusion for variance-aware cross-domain neurite forecasting

📄 arXiv: 2609.23990v1 📥 PDF

作者: Tsung Yeh Hsieh, Cosmin Anitescu, Chunghwan Kim, Victoria A. Webster-Wood, Yongjie Jessica Zhang

分类: cs.LG, math.NA, physics.bio-ph

发布日期: 2026-09-21

💡 一句话要点

提出MGRD以解决神经突起形态预测中的不确定性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 神经突起预测 形态学 随机代理模型 深度学习 神经科学

📋 核心要点

  1. 现有的神经突起数字双胞胎模型无法有效表示未来形态的变异性，导致预测结果缺乏多样性和准确性。
  2. 本文提出的MGRD模型通过形态门控残差扩散方法，能够从少量观察帧中生成多个未来形态预测，提升了预测的随机性和准确性。
  3. 实验结果表明，MGRD在多个指标上显著优于现有方法，尤其在减少均方误差和提高F1分数方面表现突出。

📝 摘要（中文）

追踪神经突起形态变化有助于表征神经元发育和退化过程中的结构变化，但长期时间延续成像资源密集且难以扩展。预测未来形态可以减轻这一负担。现有的神经突起数字双胞胎模型如门控时空注意力（gSTA）只能生成单一确定性预测，未能表示未来可能性之间的变异性。本文提出了形态门控残差扩散（MGRD），一种紧凑的随机代理模型，能够从十个观察帧中联合预测二十个未来神经突起形态帧，同时基于最新观察提取的形态特征进行条件化。在控制相场轨迹上，MGRD相较于匹配对照减少了9.7%的轨迹均方误差（MAE），并更新了4.46倍更少的参数。在人类诱导多能干细胞（iPSC）衍生的神经元显微成像中，MGRD在所有四个报告指标上均优于gSTA，包括39.6%的轨迹均方误差减少和45.3%的骨架F1提升。MGRD还在小鼠皮层神经球显微成像中，无需重新训练或微调，改善了MAE和骨架F1，适用于10-40分钟的采样间隔和超过13小时的预测范围。重复采样提供了案例级变异评分，用于排名预测难度。保留约60%的最低变异案例在iPSC显微成像和仿真数据上分别减少了17.6%和16.8%的均方误差。MGRD使用了gSTA参数的1.01%，训练更新时间不到其十分之一，并在缓存形态特征时生成50步DDIM轨迹的速度提高了7.9%。这些结果确立了MGRD作为神经突起形态预测和案例优先级排序的紧凑随机代理。

🔬 方法详解

问题定义：本文旨在解决现有神经突起形态预测方法的不足，尤其是无法表示未来形态变异性的问题。现有方法如gSTA只能生成单一的确定性预测，缺乏多样性，限制了其应用。

核心思路：MGRD模型通过引入形态门控残差扩散机制，能够从有限的观察数据中生成多个未来形态预测。这种设计使得模型能够更好地捕捉形态变化的随机性，从而提高预测的准确性和可靠性。

技术框架：MGRD的整体架构包括数据输入模块、形态特征提取模块、残差扩散模块和输出预测模块。模型首先从观察帧中提取形态特征，然后通过残差扩散机制生成未来帧的预测。

关键创新：MGRD的核心创新在于其紧凑的随机代理设计，使用了极少的参数（仅1.01%），并且在训练和更新时显著减少了时间消耗。这使得MGRD在性能和效率上都优于现有方法。

关键设计：MGRD在参数设置上进行了优化，采用了特定的损失函数以平衡预测的准确性和多样性。此外，网络结构设计上引入了门控机制，以便更好地处理形态特征的影响。整体上，MGRD在技术细节上实现了高效的计算和准确的预测。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MGRD在多个实验中表现出色，尤其是在iPSC显微成像中，轨迹均方误差减少了39.6%，骨架F1分数提高了45.3%。此外，MGRD在小鼠皮层神经球显微成像中也表现出显著的性能提升，证明了其广泛的适用性和有效性。

🎯 应用场景

该研究的潜在应用领域包括神经科学研究、药物开发以及神经退行性疾病的监测与治疗。通过准确预测神经突起的形态变化，研究人员可以更好地理解神经元的发育过程及其在疾病中的变化，从而推动相关领域的进步。

📄 摘要（原文）

Tracking neurite morphology over time helps characterize structural changes during neuronal development and deterioration, but long-term time-lapse imaging is resource-intensive and difficult to scale. Forecasting future morphology could reduce this burden. Existing neurite digital-twin models such as gated spatiotemporal attention (gSTA) produce a single deterministic forecast without representing variability among plausible futures. We introduce Morphology-Gated Residual Diffusion (MGRD), a compact stochastic surrogate that jointly forecasts twenty future neurite-morphology frames from ten observed frames while conditioning on morphology features derived from the latest observation. On controlled phase-field trajectories, MGRD reduces trajectory-wise mean MAE by 9.7% relative to a matched control while updating 4.46 times fewer parameters. On human iPSC-derived neuron microscopy, MGRD improves all four reported metrics over gSTA, including a 39.6% reduction in trajectory-wise mean MAE and a 45.3% increase in skeleton F1. Without mouse-domain retraining or fine-tuning, MGRD also improves MAE and skeleton F1 on mouse cortical-neurosphere microscopy across 10-40-min sampling intervals and forecast horizons beyond 13 hours. Repeated sampling provides a case-level variance score for ranking forecast difficulty. Retaining approximately 60% of the lowest-variance cases reduces mean MAE by 17.6% on iPSC microscopy and 16.8% on simulation data. MGRD uses 1.01% of gSTA's parameters, requires less than one tenth of its training-update time, and generates a 50-step DDIM trajectory 7.9% faster when morphology features are cached. These results establish MGRD as a compact stochastic surrogate for neurite-morphology forecasting and case prioritization across simulation and microscopy datasets.