深度学习在电镜图像聚类中的应用与评价
本文综述了几篇关于使用深度学习方法，如自编码器和变分自编码器，进行单粒子cryo-EM图像聚类的研究。这些方法通过降噪、聚类和结构重建提高图像分析的准确性。评价标准包括PSNR、FMI和角度差异。研究展示了在不同数据集上，如5wth、5k0y、5flc和5gjq，这些算法如何改进聚类效果并影响重构的三维结构。
1.Lei H , Yang Y . CDAE: A Cascade of Denoising Autoencoders for Noise Reduction in the Clustering of Single-Particle Cryo-EM Images[J]. Frontiers in Genetics, 2021
本文设计了一个级联型降噪自编码器（CDAE），三个模块级联，每个模块包含一个卷积自编码器，由不同SNR的模拟数据进行预训练，并由目标数据集进行微调。
使用了PSNR(peak signal-to-noise ratio)来评价降噪效果，计算公式如下：
其中𝑀𝐴𝑋𝐼2其中为图片可能的最大像素值，例如255（8bit）。
数据集（PDB IDs）：5wth, 5k0y, 5flc, and 5gjq；
4个结构，每个结构4种角度，每个角度1000张图像。
2.
最低0.47元/天 解锁文章
扫一扫
150
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
