【技术实现步骤摘要】
一种基于卷积神经网络的三维颗粒类别检测方法及系统
本专利技术属于结构生物学冷冻电子断层成像
,并特别涉及一种基于卷积神经网络的三维颗粒类别检测方法及系统。
技术介绍
冷冻电子断层技术配合子区域平均技术可以获得更高分辨率的生物大分子的原位结构,其中的一个关键步骤是从电子断层重构中挑选大量的三维颗粒,目前挑选三维颗粒的方法分为手工挑选和自动挑选两大类。一些软件包提供了从电子断层三维重构的视图中手工挑选的功能。通常做法是,在垂直于z轴的投影平面上选取颗粒中心点,在该点所在YZ截面和XZ截面中进一步标记颗粒的三维坐标,可以通过对电子断层重构进行滤波、去噪和增强对比度等操作以提高颗粒挑选的准确率。一套电子断层重构图像中存在着成千上万的颗粒,因此手工挑选是费时费力的,并且会受到研究人员主观判断的影响。自动颗粒挑选分为基于模板匹配的方法和不依赖模板的方法,前者更为常见。模版匹配通过计算模版和待匹配局部图像的互相关值,来确定匹配的程度,超过阈值的对象被视为颗粒。模版可以是结构简单的三维体,可以是经过低通滤波的已知结构,也可以是人工挑选以生成的初始模型。为了对模版匹配的结果进一步优化,基于支持向量机的方法被提出。该方法首先利用模版匹配产生候选对象,计算它们的相应特征,再使用SVM对候选对象进行二分类,该方法的特征构造会对结果产生很大影响。不依赖模板的方法有基于高斯差分图像变换的方法,该方法对两个高斯滤波后的图像做减法得到新的密度图,峰值表示潜在的颗粒,该方法的效果很依赖高斯差分变换的缩放因子的大小。近几年 ...
【技术保护点】
1.一种基于卷积神经网络的三维颗粒类别检测方法,其特征在于,包括:/n步骤1、构建包括混合尺度的三维扩张卷积层、稠密连接和损失函数的三维混合尺度密集卷积神经网络,用已标注颗粒坐标的三维冷冻电子断层图像训练该卷积神经网络,得到颗粒挑选模型,用已标注颗粒类别的三维冷冻电子断层图像训练该卷积神经网络,得到颗粒分类模型;/n步骤2、通过滑动窗口采集三维冷冻电子断层图像,得到待检测三维重构的子区域,通过该颗粒挑选模型对每个该子区域进行预测,合并子区域的预测结果得到该三维冷冻电子断层图像中各颗粒的坐标;/n步骤3、根据各颗粒的坐标,提取颗粒的三维图像,将每个颗粒的三维图像输入至该颗粒分类模型,得到各颗粒的所属类别。/n
【技术特征摘要】 【专利技术属性】
1.一种基于卷积神经网络的三维颗粒类别检测方法,其特征在于,包括:
步骤1、构建包括混合尺度的三维扩张卷积层、稠密连接和损失函数的三维混合尺度密集卷积神经网络,用已标注颗粒坐标的三维冷冻电子断层图像训练该卷积神经网络,得到颗粒挑选模型,用已标注颗粒类别的三维冷冻电子断层图像训练该卷积神经网络,得到颗粒分类模型;
步骤2、通过滑动窗口采集三维冷冻电子断层图像,得到待检测三维重构的子区域,通过该颗粒挑选模型对每个该子区域进行预测,合并子区域的预测结果得到该三维冷冻电子断层图像中各颗粒的坐标;
步骤3、根据各颗粒的坐标,提取颗粒的三维图像,将每个颗粒的三维图像输入至该颗粒分类模型,得到各颗粒的所属类别。
2.如权利要求1所述的基于卷积神经网络的三维颗粒类别检测方法,其特征在于,该三维混合尺度密集卷积神经网络包括6层三维扩张卷积层,扩张率∈[1,3]。
3.如权利要求1所述的基于卷积神经网络的三维颗粒类别检测方法,其特征在于,该步骤1包括:
步骤11、基于下式构建三维扩张卷积层,对于C个通道的输入I,经过扩张率为s的三维扩张卷积输出单一通道特征图O:
其中(x,y,z)遍历输入三维冷冻电子断层图像的每个位置,卷积核w包含33×C个训练参数,s为扩张率;
步骤12、通过对该三维扩张卷积层添加混合尺度,得到该混合尺度的三维扩张卷积层,该混合尺度的三维扩张卷积层具体包括:
三维扩张卷积层中第i层第j通道的扩张率为sij=(i+j)mod16,Zi-1表示层i-1的输出特征图,对每个输入通道k使用不同的卷积核进行三维扩张卷积,层i通道j输出的特征图
其中表示层i的通道j图像的每个像素增加一个恒定偏置,σ为激活函数;
步骤13、将该混合尺度的三维扩张卷积层的多尺度特征图{X,Z1,…,Zi-1}稠密连接在一起计算层i的通道j的输出特征图
步骤14、所有特征图的所有通道进行线性组合,应用激活函数σ'得到该三维混合尺度密集卷积神经网络最终的输出图像y,输出图像y的k通道:
其中b'k是输出图像y的k通道的恒定偏置,最后一层的激活函数σ'采用了soft-max函数,wijk是在k通道的权重;
步骤15、长宽高分别为mi,ni,pi的三维冷冻电子断层图像Xi(i=1,2,…,N)及对应的的真实标注Yi,该三维混合尺度密集卷积神经网络的损失函数为负对数似然损失NLL函数:
其中F(·):F(Xi;Θ)j,k,l是一个C维概率向量,表示体素Xij,k,l被预测为各类的概率,Θ={(w1,b1),(w2,b2),…,(wn,bn)}表示训练参数,通过最小化F(X)和Y之间的NLL得到该训练参数。
4.如权利要求1所述的基于卷积神经网络的三维颗粒类别检测方法,其特征在于,步骤2中还包括对合并子区域的预测结果中寻找所有的三维连通分量的中心点,作为初始颗粒坐标,将初始颗粒坐标作为种子点,采用均值漂移方法对分割结果进行聚类,每个子类表示一个三维颗粒。
技术研发人员:张法,郝语,万晓华,刘志勇,李锦涛,
申请(专利权)人:中国科学院计算技术研究所,
类型:发明
国别省市:北京;11
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。