摘要。了解神经结构在个体之间的差异对于描述疾病、学习和衰老对大脑的影响至关重要。然而，解开导致个体差异的不同因素仍然是一项艰巨的挑战。在本文中，我们介绍了一种深度生成建模方法来发现许多个体之间的不同变化模式。为此，我们首先在 25 微米分辨率的 1,700 多只小鼠大脑的自发荧光图像集合上训练变分自动编码器。然后，为了利用学习到的因素并验证模型的表现力，我们开发了一种新颖的双向技术来解释潜在空间——通过对网络的高维输入以及瓶颈中的低维潜在变量进行结构化扰动。我们的结果表明，通过将生成建模框架与结构化扰动相结合，可以探测潜在空间以深入了解深度神经网络中形成的大脑结构表征。