基于深度学习的不平衡数据细胞电子断层成像大分子分类策略
图像与视频处理
2019-08-28 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
由不平衡数据训练的深度学习模型可能表现不佳，因为其可能被多数类主导，从而忽略数据量较少的类别。在本文中，我们首次将基于深度学习的不平衡数据分类应用于由冷冻电子断层成像（Cryo-ET）捕获的细胞大分子复合物。我们采用了一系列应对不平衡数据的策略，包括数据采样、bagging、boosting、基于遗传编程的方法等。特别地，受 Inception 3D 网络启发，我们提出了一种在多路径 CNN 模型上结合 focal loss 与 mixup 的 Cryo-ET 数据集扩充方法，其中每条路径针对每类数据具有最佳性能，并让网络学习各路径的组合以提升分类性能。此外，我们进行了大量实验以表明所提方法足够灵活，可通过调整多路径模型中的路径数量来应对不同数量的类别。据我们所知，本工作是深度学习处理不平衡数据方法在细胞大分子复合物内部组织分类中的首次应用，为计算生物学领域的细胞分类开辟了新路径。
引用
@article{arxiv.1908.09993,
title = {Deep Learning-Based Strategy for Macromolecules Classification with Imbalanced Data from Cellular Electron Cryotomography},
author = {Ziqian Luo and Xiangrui Zeng and Zhipeng Bao and Min Xu},
journal= {arXiv preprint arXiv:1908.09993},
year = {2019}
}
备注
13 pages. arXiv admin note: text overlap with arXiv:1710.09412, arXiv:1710.05381, arXiv:1708.02002 by other authors