SaSi：一种用于少样本Cryo-ET粒子检测的自增强与自解释深度学习方法
计算机视觉与模式识别
2025-05-27 v1 人工智能
机器学习
摘要
冷冻电子断层扫描（cryo-ET）已成为对近天然状态下的大分子复合物进行成像的强大技术。然而，由于低信噪比和缺失楔形伪影，在细胞环境中定位3D粒子仍然是一个重大挑战。深度学习方法已展现出巨大潜力，但需要海量数据，这在标注数据通常稀缺的cryo-ET场景中构成了挑战。在本文中，我们提出了一种新颖的自增强与自解释（SaSi）深度学习方法，用于3D cryo-ET图像中的少样本粒子检测。我们的方法建立在自增强技术之上以进一步提升数据利用率，并引入了自解释分割策略以减轻对标注数据的依赖，从而提高泛化能力和鲁棒性。正如在模拟和真实cryo-ET数据集上进行的实验所示，SaSi方法在粒子定位方面显著优于现有的SOTA方法。这项研究增进了对如何在cryo-ET中使用极少标签检测粒子的理解，从而为结构生物学中的少样本学习设定了新基准。
引用
@article{arxiv.2505.19948,
title = {SaSi: A Self-augmented and Self-interpreted Deep Learning Approach for Few-shot Cryo-ET Particle Detection},
author = {Gokul Adethya and Bhanu Pratyush Mantha and Tianyang Wang and Xingjian Li and Min Xu},
journal= {arXiv preprint arXiv:2505.19948},
year = {2025}
}