基于改进深度学习的电子冷冻断层图像大分子结构分类
定量方法
2018-06-12 v1
摘要
细胞过程受细胞内大分子复合物调控。由于缺乏数据，对大分子复合物的天然结构的研究一直极为困难。随着细胞电子冷冻断层扫描(CECT) 3D成像技术的最新突破，研究人员现在有可能充分研究和理解单细胞内的大分子结构。然而，由于高度的结构复杂性和实际成像限制，从CECT中系统恢复大分子结构非常困难。具体地，我们提出了一种基于深度学习的图像分类方法，用于从CECT数据中进行大规模系统的大分子结构分离。然而，我们之前的工作仅是探索基于深度学习的大分子分离全部潜力的非常初步的一步。在本文中，我们专注于通过提出三个新设计的独立CNN模型来改进分类性能：(Deep Small Receptive Field) DSRF3D的扩展版本，记为DSRF3D-v2；基于3D残差块的神经网络，命名为RB3D；以及基于卷积3D(C3D)的模型，CB3D。我们在具有不同信噪比(SNRs)和倾斜角度范围的12个数据集上将他们与我们先前开发的模型(DSRF3D)进行比较。实验表明我们的新模型实现了显著更高的分类准确度。准确度不仅在正常数据集上高于0.9，而且展示了在具有高水平噪声和缺失楔效应出现的数据集上运行的潜力。
引用
@article{arxiv.1707.04885,
title = {Improved deep learning based macromolecules structure classification from electron cryo tomograms},
author = {Chengqian Che and Ruogu Lin and Xiangrui Zeng and Karim Elmaaroufi and John Galeotti and Min Xu},
journal= {arXiv preprint arXiv:1707.04885},
year = {2018}
}
备注
Preliminary working report