一种基于深度学习的冷冻电镜图像去噪方法及系统技术方案

本发明专利技术涉及图像处理技术领域，公开了一种基于深度学习的冷冻电镜图像去噪方法及系统，包括以下步骤：S1.获取原始冷冻电镜图像数据集，并进行预处理，得到训练样本集；S2.构建一个包括噪声映射模块和去噪模块的冷冻电镜图像去噪模型；S3.将训练样本集输入噪声映射模块中，进行噪声映射学习，得到噪声映射图；S4.将噪声映射图输入去噪模块中，得到去噪后的冷冻电镜图像；S5.根据去噪后的冷冻电镜图像，训练冷冻电镜图像去噪模型；S6.通过训练好的冷冻电镜图像去噪模型对冷冻电镜图像进行去噪。本发明专利技术解决了现有技术去噪训练难度大，过程繁琐的问题，且具有信噪比高，效率高的特点。效率高的特点。效率高的特点。

【技术实现步骤摘要】
一种基于深度学习的冷冻电镜图像去噪方法及系统


[0001]本专利技术涉及图像处理
，更具体的，涉及一种基于深度学习的冷冻电镜图像去噪方法及系统。

技术介绍

[0002]冷冻电子显微镜(cryo
‑
EM)广泛应用在生物和疫苗研发等方面，蛋白质结构解析是其中最重要领域。蛋白质的高分辨率三维结构是通过傅里叶中心切片定理对大量二维冷冻电镜图像计算确定的。这一过程需要挑选图像中的颗粒，根据挑出颗粒图像的构象状态确定颗粒的方向，然后进行分类和迭代，最后用于三维重建。这些步骤的成功主要取决于冷冻电镜图像的信噪比(SNR)。由于过长时间的电子束照射会对样品原本的功能结构造成辐射损伤，所以在照射的过程中，会控制电子束的强度来避免这个问题。但过低的电子束强度会导致获得的冷冻电镜图像的信噪比非常低，其典型信噪比仅为0.1。如此低的信噪比会降低结构的置信度并导致粒子方向丢失等问题，也会使蛋白质颗粒难以与噪音区分开来，影响后续操作。
[0003]之前对冷冻电镜图像去噪大多采用传统方法，例如：低通滤波、维纳滤波和基于块匹配和滤波的BM3D等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的冷冻电镜图像去噪方法，其特征在于：包括以下步骤：S1.获取原始冷冻电镜图像数据集，并对原始冷冻电镜图像数据集进行预处理，得到训练样本集；S2.构建一个包括噪声映射模块和去噪模块的冷冻电镜图像去噪模型；S3.将训练样本集输入噪声映射模块中，进行噪声映射学习，得到噪声映射图；S4.将噪声映射图输入去噪模块中，得到去噪后的冷冻电镜图像；S5.根据去噪后的冷冻电镜图像，训练冷冻电镜图像去噪模型；S6.通过训练好的冷冻电镜图像去噪模型对冷冻电镜图像进行去噪。2.根据权利要求1所述的基于深度学习的冷冻电镜图像去噪方法，其特征在于：所述的步骤S1中，对原始冷冻电镜图像数据集进行预处理，得到训练样本集，具体为：对原始冷冻电镜图像数据集中偶数帧和奇数帧叠加合成信号相同但噪声不相关的冷冻电镜图像对，并通过水平、垂直翻转和旋转实现数据集扩增，得到训练样本集。3.根据权利要求1所述的基于深度学习的冷冻电镜图像去噪方法，其特征在于：所述噪声映射模块为全卷积神经网络，用于学习图像的噪声映射；所述的步骤S3中，将训练样本集输入噪声映射模块中，进行噪声映射学习，得到噪声映射图，具体为：将训练样本集输入噪声映射模块中，经过四层全卷积层进行卷积；每个卷积层的特征通道的数量为32，卷积核的大小为3
×
3，并设置padding等于1；训练样本集通过每层卷积核卷积后，通过ReLU作为激活函数激活，得到噪声映射图。4.根据权利要求3所述的基于深度学习的冷冻电镜图像去噪方法，其特征在于：噪声映射模块学习噪声映射的计算公式为：其中，代表噪声映射图，y代表输入的噪声图像，W
N
代表噪声估计网络的参数。5.根据权利要求1所述的基于深度学习的冷冻电镜图像去噪方法，其特征在于：所述去噪模块由三层U
‑
Net型编码器
‑
解码器结构构成；所述编码器加入了多尺度联接；所述编码器
‑
解码器结构的每个下采样层和上采样层的卷积块都由宽激活密集残差块代替；所述的步骤S4中，将噪声映射图输入去噪模块中，得到去噪后的冷冻电镜图像，具体为：噪声映射图输入去噪模块，经过PixelUnShuffle下采样后，与其对应编码器层次经过Bilinear下采样的特征图相级联，到去噪后的冷冻电镜图像。6.根据权利要求5所述的基于深度学习的冷冻电镜图像去噪方法，其特征在于：去噪模块采用的去噪公式为：其中，代表去噪后的图像，y代表输入的噪声图像，代表噪声水平映射图，W
D
代表去噪网络的参数。7.根据权利要求6所述的基于...

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