概率 PolarGMM：未知姿态极噪声投影图像的无监督聚类学习
计算机视觉与模式识别
2022-06-28 v1 计算工程、金融与科学
机器学习
摘要
冷冻电子显微镜（Cryo-EM）单颗粒分析（SPA）中的关键步骤——二维分类与对齐，需从一组含噪声的颗粒图像推断取向并将相似图像归组。对这些已对齐并聚类的噪声图像取平均，可得到一组干净图像，以供如三维重建等进一步分析。傅里叶-贝塞尔可转向主成分分析（FBsPCA）实现了高效、可调、低秩的旋转算子。我们将 FBsPCA 扩展以额外处理平移。在此扩展的 FBsPCA 表示下，我们使用概率极坐标高斯混合模型，通过期望最大化（EM）算法以无监督方式学习软聚类。由此获得的旋转聚类因而对成对对齐缺陷的存在具有额外鲁棒性。来自模拟 Cryo-EM 数据集的多项基准测试表明，在多种聚类指标与对齐误差方面，概率 PolarGMM 相较于标准单颗粒 Cryo-EM 工具 EMAN2 与 RELION 具有更优性能。
引用
@article{arxiv.2206.12959,
title = {Probabilistic PolarGMM: Unsupervised Cluster Learning of Very Noisy Projection Images of Unknown Pose},
author = {Supawit Chockchowwat and Chandrajit L. Bajaj},
journal= {arXiv preprint arXiv:2206.12959},
year = {2022}
}
备注
13 pages, including appendices