CALHippo 用 1 微米/像素 BigBrain 切片构建覆盖 CA1–CA4 的三类细胞标注库，并训练 UNet 密度模型推断全 CA 复合体细胞密度
核心概要
该工作基于新发布的 1 微米/像素右海马 BigBrain 切片，构建了 CALHippo——一个覆盖全部 Cornu Ammonis（CA1–CA4）亚区、带兴奋性神经元、抑制性中间神经元和胶质细胞三类显式标签的专家校验细胞级标注数据集，并配套一个低分辨率介观细胞点云图；高分辨率细胞实例通过结合基础模型分割、迭代专家修正与模型集成的人机协同流程获得，随后被投影到 20 微米/像素的低分辨率 BigBrain 空间生成类别特异监督图，用于训练基于 UNet 的密度估计模型，从而支持对整个 CA 复合体逐切片推断并采样生成类别分辨的介观细胞点云。
深度剖析
CALHippo 提供了首个覆盖全部 CA1–CA4 亚区、带显式三类标签（兴奋性神经元、抑制性中间神经元、胶质细胞）并经专家校验的细胞级标注数据集。 此前海马重建依赖低分辨率数据且缺乏显式的细胞类型分辨标注，限制了兴奋性神经元、抑制性中间神经元与胶质细胞的定量图谱；该数据集首次在细胞级别补齐了这一标注缺口。 证据来自新发布的 1 微米/像素右海马 BigBrain 切片，标注经专家校验，并明确覆盖 CA1–CA4 全部亚区与三类标签。
高分辨率细胞实例由人机协同流程产出，该流程结合基础模型分割、迭代专家修正与模型集成。 相比单纯自动分割，迭代专家修正与模型集成把专家判断嵌入标注回路，使细胞实例与三类标签的产出过程可被追溯。 方法描述明确列出基础模型分割、迭代专家修正与模型集成三个环节，并说明实例被分类为三类细胞。
通过把稀疏高分辨率标注投影到 20 微米/像素低分辨率 BigBrain 空间生成类别特异监督图，训练出基于 UNet 的密度估计模型，实现对整个 CA 复合体的逐切片推断。 该步骤把稀疏的高分辨率标注扩展到全体积，使原本局限于局部的高分辨率信息可用于全 CA 复合体的类别分辨密度推断。 文本说明监督图来自高分辨率标注向 20 微米/像素空间的投影，模型为 UNet 密度估计，输出为逐切片密度图。
预测密度图经采样生成类别分辨的介观细胞点云，代码与数据集已公开释放以支持可复现性。 除标注数据外，该工作同时提供介观尺度点云图与公开的代码与数据集链接，使资源可被复用与复现。 文本给出代码仓库与数据集两个公开链接，并说明点云由预测密度图采样得到。
启示与展望
该资源面向需要细胞类型分辨海马图谱的研究者，适用于右海马 CA 复合体这一设定：高分辨率标注覆盖 CA1–CA4 亚区，密度推断在 20 微米/像素低分辨率 BigBrain 空间逐切片进行。它使后续工作可以在类别分辨的介观点云与密度图上开展回路建模与定量分析，并借助公开的代码与数据集复现或扩展流程。
文本为摘要级内容，未给出标注规模、细胞计数、密度估计的定量精度或验证指标，也未说明专家修正的迭代次数与一致性评估方式；这些细节需查阅原文与公开数据集才能确认。此外，密度推断依赖高分辨率标注向 20 微米/像素空间的投影，该投影对最终点云的影响程度在文本中未量化。