冷冻电子断层扫描中同时去噪和补偿缺失角重建的深度学习方法
本文介绍了一种利用图像的非局部冗余性进行电子断层成像和稀疏图像插值的算法,该算法使用一种名为“插入即可运行”的方法框架,以正则化反演设置来解决这些成像问题。
Dec, 2015
本文介绍了如何将深度学习中的图像去噪方法应用于冷冻透射电子显微镜(cryo-TEM)数据中,实现了对每个投影和整个图像容量的去噪,并通过自动化下游处理的方式证明了去噪后数据的可解释性和提高的分割结果。
Oct, 2018
本文提出了一种基于模拟图像的去噪方法, 即模拟图像去噪(SBD)框架,该框架使用卷积神经网络(CNNs)在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色,同时也分析了SBD的泛化能力和CNNs的视野对其性能的影响。
Oct, 2020
本文介绍了为了促进计算方法的创新,生成了一个新的模拟数据集,用于评估在 cryo-电子断层扫描中蛋白质的定位和分类的不同方法。我们评估了七种不同的方法,包括基于学习的方法和传统方法,结果表明学习方法比传统方法具有更好的定位和分类性能,并且所有方法的性能与粒子大小之间存在负相关关系。
Mar, 2022
本文提出一种基于加性噪声和神经风格迁移技术的电子显微镜前向算子模拟方法,加速了数据生成过程,同时利用 GPU 加速和并行处理,可作为数据增强技术或单独使用以适应数据集,其在粒子定位和分类任务上的表现与基准相当,并且需要的训练数据集要少 33 倍。
Apr, 2023
该论文提出了一种基于梯度下降与降噪相结合的噪声重建方法,可以高精度地重建电子显微学的层析成像问题,结果表明相对于传统方法和更复杂的扩散方法,该方法具有更高的精度和更快的计算速度。
Jul, 2023
一种基于深度学习的方法,使用10维特征向量表示方向,并应用二次约束二次规划推导出预测的方向作为单位四元数,附加不确定度指标,提出了一种考虑方向之间的成对距离的独特损失函数以提高方法的准确性,在文献中全面评估了编码器网络的设计选择。我们的数值分析证明了我们的方法在端到端的方式从2D冷冻电子显微镜图像中有效地恢复方向。重要的是,包括不确定度量化,允许在3D级别直接清理数据集。最后,我们将我们提出的方法打包到一个名为cryo-forum的开发者易于访问的软件套件中。
Jul, 2023
本研究提出了第一种针对冷冻电镜亚原子体分割的基于体素的无监督领域自适应方法Vox-UDA,通过噪声生成模块对源数据进行噪声模拟,以实现跨噪声级别自适应,并且提出了一种基于改进双边滤波的去噪伪标记策略来缓解领域漂移问题,实验证明了该方法相对于最先进的无监督领域自适应方法的优越性。
Jun, 2024
CryoSAM是一个无需训练的新型框架,利用现有的二维基础模型,通过基于提示的三维分割系统和分级特征匹配机制,能够高效地完成单颗粒实例分割和全断层语义分割,其中使用更少的注释,在粒子拾取方面表现出色。
Jul, 2024