一种抗噪的轻量冷冻电镜颗粒挑选方法及系统技术方案

本发明专利技术涉及冷冻电镜技术领域，公开了一种抗噪的轻量冷冻电镜颗粒挑选方法及系统，包括以下步骤：S1.得到冷冻电镜图像的序列化文件；S2.对冷冻电镜图像的序列化文件进行预处理；S3.构建并通过预处理后的数据训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型；S4.通过训练好的轻量冷冻电镜颗粒挑选模型进行冷冻电镜颗粒挑选。解决了现有技术区分噪音和待挑选颗粒的能力较弱的问题，具有训练方便，结构简单，准确率高的特点。准确率高的特点。准确率高的特点。

【技术实现步骤摘要】
一种抗噪的轻量冷冻电镜颗粒挑选方法及系统


[0001]本专利技术涉及冷冻电镜
，更具体的，涉及一种抗噪的轻量冷冻电镜颗粒挑选方法及系统。

技术介绍

[0002]冷冻电镜是测定蛋白质结构的常用工具。一张冷冻电镜图像可以包含数百个方向随机的蛋白质颗粒。通过对冷冻电镜图像进行颗粒挑选，再对它们进行数字对齐、分类、平均和反向投影，从而获取蛋白质的三维结构。因此蛋白质颗粒挑选的效率以及颗粒识别的完整性和准确性对于三维重建有着重要的作用。
[0003]起初阶段，对蛋白质颗粒的形状、投影视图的分布知之甚少的情况下，只能采用手动挑选颗粒的方式，但是人工挑选颗粒会将注意力集中在更熟悉和更易于识别的颗粒上。现如今，已经开发出基于传统计算机视觉的方法，包括基于边缘分割和图像分割，高斯差分，模拟退火等的传统算法。随着深度学习的发展，深层的网络能够提取图像更抽象的特征并且给冷冻电镜图像研究领域带来了不少便利与方便。其中包括：基于滑动窗口的方法对划过的图像区域进行分类的方法；基于Faster
‑
RCNN网络的自动拾取颗粒方法；基于yolo的目标挑选方法。但是对于噪音非常多的冷冻电镜图像，传统的计算机视觉的方法很难从图像中准确的挑选出正确的蛋白质粒子用于三维重建。而传统的深度学习方法需要训练前的步骤比较复杂并且不能直接实现网络的端对端输出，同时会受到噪音的影响准确率大打折扣。
[0004]现有技术有一种基于深度学习的冷冻电镜颗粒挑选方法、装置和电子设备，涉及图像识别
，所述方法包括：获取目标冷冻电镜图像；将目标冷冻电镜图像输入颗粒分割模型，输出用于表征类别的分割图像，类别包括背景类别或颗粒类别；对分割图像进行平均池化
‑
非极大值抑制操作，确定操作结果，在操作结果包括至少一个局部最大值的情况下，基于至少一个局部最大值的位置坐标确定分割图像中颗粒的中心坐标。
[0005]然而现有技术存在区分噪音和待挑选颗粒的能力较弱的问题，因此如何专利技术一种抗噪的轻量冷冻电镜颗粒挑选方法，是本
亟需解决的问题。

技术实现思路

[0006]本专利技术为了解决现有技术区分噪音和待挑选颗粒的能力较弱的问题，提供了一种抗噪的轻量冷冻电镜颗粒挑选方法，其具有训练方便，结构简单，准确率高的特点。
[0007]为实现上述本专利技术目的，采用的技术方案如下：
[0008]一种抗噪的轻量冷冻电镜颗粒挑选方法，包括以下步骤：
[0009]S1.得到冷冻电镜图像的序列化文件；
[0010]S2.对冷冻电镜图像的序列化文件进行预处理；
[0011]S3.构建并通过预处理后的数据训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型；
的卷积层用于降低通道维数，3
×
3的卷积层用于细化降低通道维数后的图像的语义上下文；
[0031]所述的3个扩张卷积模块均包括有依次相连的第一1
×
1卷积层、3
×
3卷积层、第二1
×
1卷积层；
[0032]所述的输出端为一条32倍下采样通道。
[0033]更进一步的，3个扩张卷积模块分别堆叠三个具有不同膨胀率的连续膨胀残余块，膨胀率分别是2,4,8；随着膨胀率的增大，感受野的大小也增大，以生成具有多个感受野的输出特征，覆盖所有对象的尺度，从而达到多尺度融合效果。
[0034]更进一步的，训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型时，采用的位置损失函数为Loss
diou
：
[0035][0036]其中，B和B
gt
分别代表预测框和真实框，ρ(B,B
gt
)表示预测框与真实框两个中心点之间的欧式距离；C代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。
[0037]一种抗噪的轻量冷冻电镜颗粒挑选系统，包括图像获取模块、图像预处理模块、模型构建模块、颗粒挑选模块；
[0038]所述的图像获取模块用于得到冷冻电镜图像的序列化文件；
[0039]所述的图像预处理模块用于对冷冻电镜图像的序列化文件进行预处理；
[0040]所述的模型构建模块用于构建并通过预处理后的数据训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型；
[0041]所述的颗粒挑选模块用于通过训练好的轻量冷冻电镜颗粒挑选模型进行冷冻电镜颗粒挑选。
[0042]本专利技术的有益效果如下：
[0043]本专利技术公开了一种抗噪的轻量冷冻电镜颗粒挑选方法，通过得到冷冻电镜图像的序列化文件，构建并通过预处理后的数据训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型，本专利技术解决了现有技术区分噪音和待挑选颗粒的能力较弱的问题，提供了一种抗噪的轻量冷冻电镜颗粒挑选方法，且具有训练方便，结构简单，准确率高的特点。
附图说明
[0044]图1是本专利技术抗噪的轻量冷冻电镜颗粒挑选方法的流程示意图。
[0045]图2是本专利技术抗噪的轻量冷冻电镜颗粒挑选方法的完整流程处理流程示意图。
[0046]图3是本专利技术抗噪的轻量冷冻电镜颗粒挑选方法的B
‑
ResBlockX模块具体实施示意图。
[0047]图4是本专利技术抗噪的轻量冷冻电镜颗粒挑选方法的FastHead模块的具体实施示意图。
[0048]图5是本专利技术抗噪的轻量冷冻电镜颗粒挑选方法的预处理示意图。
[0049]图6是本专利技术抗噪的轻量冷冻电镜颗粒挑选方法与主流目标检测方法的对比示意图。
[0050]图7是本专利技术抗噪的轻量冷冻电镜颗粒挑选方法与主流冷冻电镜颗粒挑选方法的
对比示意图。
具体实施方式
[0051]下面结合附图和具体实施方式对本专利技术做详细描述。
[0052]实施例1
[0053]如图1所示，一种抗噪的轻量冷冻电镜颗粒挑选方法，包括以下步骤：
[0054]S1.得到冷冻电镜图像的序列化文件；
[0055]S2.对冷冻电镜图像的序列化文件进行预处理；
[0056]S3.构建并通过预处理后的数据训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型；
[0057]S4.通过训练好的轻量冷冻电镜颗粒挑选模型进行冷冻电镜颗粒挑选。
[0058]实施例2
[0059]如图2所示，一种抗噪的轻量冷冻电镜颗粒挑选方法，包括以下步骤：
[0060]S1.得到冷冻电镜图像的序列化文件；
[0061]S2.对冷冻电镜图像的序列化文件进行预处理；
[0062]S3.构建并通过预处理后的数据训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型；
[0063]S4.通过训练好的轻量冷冻电镜颗粒挑选模型进行冷冻电镜颗粒挑选。
[0064]本实施例中，将轻量冷冻电镜颗粒挑选模型命名为AF
‑
YOLOX。
[0065]在一个具体实施例中，所述的步骤S2中，对用于训练的图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抗噪的轻量冷冻电镜颗粒挑选方法，其特征在于：包括以下步骤：S1.得到冷冻电镜图像的序列化文件；S2.对冷冻电镜图像的序列化文件进行预处理；S3.构建并通过预处理后的数据训练基于YOLOX模型的轻量冷冻电镜颗粒挑选模型；S4.通过训练好的轻量冷冻电镜颗粒挑选模型进行冷冻电镜颗粒挑选。2.根据权利要求1所述的抗噪的轻量冷冻电镜颗粒挑选方法，其特征在于：所述的步骤S2中，对用于训练的图像进行预处理，具体为：S201.读取每一张冷冻电镜图像的序列化文件，转化为数张可视化图像；S202.对每一张冷冻电镜图像转化的数张可视化图像进行叠加，然后进行漂移校正；S203.对校正后的图像进行图像去噪；S204.切割去噪后的图像为片段；S205.去除切割的片段的框信息，将最后得到的片段信息整理为训练集、测试集、验证集。3.根据权利要求1所述的抗噪的轻量冷冻电镜颗粒挑选方法，其特征在于：基于YOLOX模型的轻量冷冻电镜颗粒挑选模型的特征提取模块采用新型残差模块B
‑
ResBlockX模块；B
‑
ResBlockX模块包括第1图像处理分支、第2图像处理分支、Concat层、3
×
3的卷积层；第1图像处理分支和第2图像处理分支的通道数分别为输入的通道数的一半；第1图像处理分支设置有依次相连的1个1
×
1的卷积层、1个3
×
3的卷积层、1个ResXBlock模块，用于得到第1图像特征；第2图像处理分支设置有1个1
×
1的卷积层，用于提取第2图像特征；B
‑
ResBlockX通过Concat层将第1图像特征和第2图像特征进行拼接，最后通过3
×
3的卷积层提取特征后输出最终提取的特征。4.根据权利要求3所述的抗噪的轻量冷冻电镜颗粒挑选方法，其特征在于：B
‑
ResBlockX模块的第1图像处理分支的1
×
1的卷积层和3
×
3的卷积层用于依次基于下采样模式提取特征，细化语义信息；ResXBlock模块用于补充卷积层提取特征后损失的信息。5.根据权利要求4所述的抗噪的轻量冷冻电镜颗粒挑选方法，其特征在于：ResXBlock模块的具体流程为：经过第1图像处理分支的1
×
1的卷积层卷积后，特征映射备均匀分割成s个特征子集，x
i
表示第i个特征子集，用K
i
()表示第1图像处理分支的3
×<...

【专利技术属性】
技术研发人员：曾安，欧嘉城，潘丹，金亮，赵靖亮，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：