[发明专利]基于深度学习的冷冻电镜颗粒挑选方法、装置和电子设备

说明书

本发明提供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，涉及图像识别技术领域，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。本发明可实现在真实的冷冻电镜断层图像中自动、高效、准确地挑选颗粒。

技术领域

本发明涉及图像识别技术领域，尤其涉及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。

背景技术

目前，对于复杂细胞环境中生物大分子的相互作用机理及功能的探究需在真实的细胞环境中进行。冷冻电子断层成像技术（cryo-ET）能够实现在接近亚纳米分辨率下观察大分子复合物的原始构象，从而进一步揭示它们的空间分布和组织关系。然而，由于冷冻电子断层图像的信噪比很低，且有限倾斜角度会使断层图中的三维颗粒的部分结构失真，使得手工挑选成千上万的颗粒费时费力，如何自动且准确地定位大分子颗粒是目前cryo-ET亟需解决的一个核心问题。

现有技术中，颗粒的挑选方法主要包括以下三种：

（1）、模板匹配方法（Template Matching，TM），其中，模板的位置和取向的最佳匹配是通过最大化模板与断层图的互相关来确定的，然而，模板匹配方法在挑选颗粒过程中，过度依赖模板质量，互相关阈值较难手动调节，每次只能挑选一种颗粒，颗粒挑选时间随类别数线性增长，且在低信噪比条件下会检测到较多假阳性颗粒，导致对颗粒的定位速度和定位精度降低。

（2）、高斯差分方法（Difference of Gaussians，DoG），使用带通滤波器去除高频和低频成分来挑选颗粒，但是，该方法的性能在很大程度上取决于选定的高斯滤波器。

（3）、基于深度神经网络的方法对冷冻电镜电子断层图像进行颗粒挑选，然而，采用深度神经网络进行颗粒挑选过程中，会存在如模型存在大量权重参数、真实掩码缺失、对大目标颗粒定位较佳而对小目标颗粒定位较差等问题，导致颗粒挑选精度较低的情况。

发明内容

本发明提供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，用以解决现有技术中颗粒挑选精度和速度较低的缺陷，实现在真实的冷冻电镜电子断层图像中自动、高效、准确地挑选颗粒。

本发明提供一种基于深度学习的冷冻电镜颗粒挑选方法，包括：

获取目标冷冻电镜图像；

将所述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，所述类别包括背景类别或颗粒类别；

对所述分割图像进行平均池化-非极大值抑制操作，确定操作结果，在所述操作结果包括至少一个局部最大值的情况下，基于所述至少一个局部最大值的位置坐标确定所述分割图像中颗粒的中心坐标。

根据本发明提供的基于深度学习的冷冻电镜颗粒挑选方法，所述将所述目标冷冻电镜图像输入颗粒分割模型，输出用于表征颗粒类别的分割图像，包括：

对所述目标冷冻电镜图像进行第一采样，获得子目标电镜图像，所述第一采样为利用预设尺寸的目标块，以预设步长对所述目标冷冻电镜图像采样；

将所述子目标电镜图像输入所述颗粒分割模型，确定用于表征类别的预分割图像；

基于所述预设步长，对所述预分割图像进行重叠分区，确定所述分割图像，所述分割图像以所述预设步长为边长。

根据本发明提供的基于深度学习的冷冻电镜颗粒挑选方法，所述对所述分割图像进行平均池化-非极大值抑制操作，确定操作结果，在所述操作结果包括至少一个局部最大值的情况下，基于所述至少一个局部最大值的位置坐标确定所述分割图像中颗粒的中心坐标，包括：