【技术实现步骤摘要】
使用卷积神经网络进行即时单粒子重建
本公开涉及如在生物粒子的低温电子断层扫描中的粒子选择。
技术介绍
电子显微镜已经被用来研究生物粒子的结构。通常，将粒子标本保持在低温下，并用低电子束剂量获得图像(尽管可以使用离子或其它带电粒子束(CPB)获得图像)，以避免改变标本。因此，含有此类粒子的图像具有低对比度和低信噪比，并且难以可靠地选择用于结构测定的图像中的预期粒子的实例。在许多情况下，用户通过繁琐、耗时的手动过程选择和研究大量粒子。在其它情况下，已经使用卷积神经网络(CNN)来识别期望的粒子。不幸的是，训练CNN通常需要识别和/或分类数百或数千个粒子，以产生用于建立特定CNN的合适的训练集。即使特定粒子的合适的训练集可用，仍难以开发用于识别和分类不同粒子的CNN。
技术实现思路
方法包括使用至少已部分训练的人工神经网络从多幅粒子图像中提取粒子图像子集。对所述粒子图像子集的粒子图像进行分类，以定义至少一组相似的粒子图像。至少基于所述经分类的粒子图像和所述至少一组相似的粒子图像，获得粒子的三维(3D)重建。基于...
【技术保护点】
1.一种方法，其包括：/n使用至少已部分训练的人工神经网络从多幅粒子图像中提取粒子图像子集；/n对所述粒子图像子集的粒子图像进行分类，以定义至少一组相似的粒子图像；/n至少基于所述经分类的粒子图像和所述至少一组相似的粒子图像，形成粒子的三维(3D)重建；以及/n基于所述经分类的粒子图像或所述粒子的所述3D重建的投影，更新粒子图像的训练集，其中所述训练集与所述至少已部分训练的神经网络相关联并且响应于对至少一幅粒子图像进行分类和定义至少一组相似的粒子图像，自动更新。/n
【技术特征摘要】
20190227 US 16/2879821.一种方法，其包括：
使用至少已部分训练的人工神经网络从多幅粒子图像中提取粒子图像子集；
对所述粒子图像子集的粒子图像进行分类，以定义至少一组相似的粒子图像；
至少基于所述经分类的粒子图像和所述至少一组相似的粒子图像，形成粒子的三维(3D)重建；以及
基于所述经分类的粒子图像或所述粒子的所述3D重建的投影，更新粒子图像的训练集，其中所述训练集与所述至少已部分训练的神经网络相关联并且响应于对至少一幅粒子图像进行分类和定义至少一组相似的粒子图像，自动更新。
2.根据权利要求1所述的方法，其中基于所述经分类的粒子图像或所述粒子的所述3D重建的投影，更新所述粒子图像训练集包括注解所述子集的所述粒子图像中每幅粒子图像的质量，其中基于所述经注解的粒子图像，更新所述粒子图像训练集。
3.根据权利要求2所述的方法，其中所述注解包括接受或拒绝表征。
4.根据权利要求1所述的方法，其中更新所述粒子图像训练集包括：
对每幅经分类的粒子图像的质量评分；
对每幅经分类的粒子图像加权，其中权重是学习权重；以及
将已评分和加权的经分类的粒子图像提供给所述粒子图像训练集。
5.根据权利要求4所述的方法，其进一步包括用接受或拒绝表征注解所述每幅经分类的粒子图像。
6.根据权利要求4所述的方法，其进一步包括：
基于所述粒子的3D重建的二维(2D)投影，将相应的3D质量匹配分数应用于每幅已提取的粒子图像，其中所述3D重建的每个2D投影与所述3D重建的不同取向相关联；以及
将每幅已提取的粒子图像及其相应的3D质量匹配分数提供给所述粒子图像训练集。
7.根据权利要求4所述的方法，其进一步包括：
基于自相似粒子的二维(2D)组平均数，将相应的2D质量匹配分数应用于每幅已提取的粒子图像；以及
将每幅已提取的粒子图像及其相应的2D质量匹配分数提供给所述粒子图像训练集。
8.根据权利要求1所述的方法，其中更新所述粒子图像训练集包括：
基于所述粒子的3D重建的二维(2D)投影，将相应的3D质量匹配分数应用于每幅已提取的粒子图像，其中所述3D重建的所述2D投影与所述3D重建的至少两个不同取向相关联；以及
将每幅已提取的粒子图像及其相应的3D质量匹配分数提供给所述粒子图像训练集。
9.根据权利要求1所述的方法，其中基于已表征的粒子图像或所述粒子的所述3D重建的已表征粒子投影对所述粒子图像训练集的更新包括：
基于所述粒子的所述3D重建，生成示例粒子的一幅或多幅合成粒子图像；以及
将所述一幅或多幅合成粒子图像提供给所述粒子图像训练集。
10.根据权利要求9所述的方法，其进一步包括：
注解每幅所述合成粒子图像；以及
将学习权重应用于每幅所述合成粒子图像。
11.根据权利要求1所述的方法，其中基于已表征的粒子图像或所述粒子的所述3D重建的已表征粒子投影对粒子图像训练集的立...
【专利技术属性】
技术研发人员：J弗拉纳根，E弗兰肯，M皮门，
申请(专利权)人：FEI公司，
类型：发明
国别省市：美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。