肾小球滤过屏障(glomerular filtrinternal medicineation barrier,GFB)对人体血液的滤过起重要作用,通过透射电子显微镜可观察到GFB三层超微结构的病理改变,为病理医生诊断肾疾病提供重要依据。开发GFB自动分割算法,实现形态定量分析,可提升病理医生对肾疾病的诊断效率。目前,相关研究均侧重于设计新型深度模型结构以实现GFB的精准分割,但一定程度上忽视了标记数据稀缺对模型性能造成的限制。自监督表示学习是解决标记数据稀缺的一个有效方案,通过构建关键的自监督前置任务,使用大量无标记数据对模型进行预训练,使模型学习益于下游GFB分割任务的潜在表示。目前已提出的前置任务形式多样,可大致分为对比式、生成式和预测式三大类型,但它们均未考虑肾小球电镜图像的特点,在GFB分割任务中的有效性也尚未得到验证。本研究基于自监督表示学习方法,结合肾小球电镜图像的自身特点,构建了新的对比式前置任务——USRegCon。该任务包含三个创新点:(1)自适应区域划分:将图像中多种超微结构划入不同区域,所划分区域会随模型的训练不断优化,更能适应内容多样的肾小球电镜图像。(2)双层级区域表示提取:对每个区域提取一阶灰度区域表示和深S63845核磁度语义区域表示,鼓励模型学习更丰富的超微结构信息。(3)多对比策略构建:为不同层级区域表示构建专属对比策略,促进模型学习各区域中超微结构的相似或差异表示,提升模型的结构识别能力。考虑到GFB的分割步骤包含全局视野下的结构识别和局部视野下的精细勾画,本研究还提出了新的生成式前置任务——GCLR。该任务包含三个创新点:(1)子任务融合:GCLR融合了全局聚类和局部恢复两个子任务,在不增加计算资源消耗的前提下,更好地提升模型性能。(2)全局AY-22989生产商表示学习:全局聚类子任务要求模型生成全局视野下的聚类图像,使用了可调节视野的全局聚类损失,训练模型学习益于结构识别的全局上下文表示。(3)局部表示学习:局部恢复子任务要求模型恢复图像中的局部扰动区域,所使用的区块置换扰动操作可保持图像的全局像素分布,使模型学习益于精细分割的局部细节表示。为了验证有效性,本研究开展了 USRegCon与其他对比式前置任务以及GCLR与其他生成式前置任务的两组对比实验,二者在各自对比实验组中均获得最佳表现。此外,本研究还将预测式前置任务、多前置任务和全监督预训练任务也纳入对比实验中,其中GCLR在提升模型性能、增加标记效益、减少训练时间等多个方面获得最佳表现,具有潜力替代基于三个大型公开标记数据集MitoEM、COCO和ImageNet的传统全监督预训练任务。