文献

J-GLOBAL ID：202102280753290954   整理番号：21A0385034

CDAE:単一粒子クライオEM画像のクラスタリングにおける雑音低減のための雑音除去オートエンコーダのカスケード【JST・京大機械翻訳】

CDAE: A Cascade of Denoising Autoencoders for Noise Reduction in the Clustering of Single-Particle Cryo-EM Images

著者 (3件)： Lei Houchao (Center for Brain-Like Computing and Machine Intelligence, Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, China) ,  Yang Yang (Center for Brain-Like Computing and Machine Intelligence, Department of Computer Science and Engineering, Shanghai Jiao Tong University, Shanghai, China) ,  Yang Yang (Key Laboratory of Shanghai Education Commission for Intelligent Interaction and Cognitive Engineering, Shanghai, China)
資料名： Frontiers in Genetics (Web)  (Frontiers in Genetics (Web))
巻： 11  ページ： 627746  発行年： 2020年 
JST資料番号： U7071A  ISSN： 1664-8021  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 新興技術として,低温電子顕微鏡(cryo-EM)は,多くの挑戦的な計算作業がクライオ-EM画像の処理に関与するので,構造生物学とコンピュータ科学の両方からますます多くの研究関心を集めている。重要な画像処理ステップは,それらの投影角度に従って2Dクライオ-EM画像をクラスタ化することであり,次に,クラスタ平均画像を次の3D再構成のために使用する。しかし,雑音がサンプルとハードウェアからの複雑な混合物であるので,クライオ-EM画像は非常に雑音があり,雑音除去は容易ではない。本研究では,効果的なクライオ-EM画像雑音除去モデル,CDAE,即ち,雑音除去オートエンコーダのカスケードを設計した。新しいモデルは,深層ニューラルネットワークの積層ブロックから成り,漸進的にノイズを低減する。各ブロックは畳込みオートエンコーダを含み,異なるSNRの模擬データで事前訓練し,ターゲットデータセットにより微調整した。3つの模擬試験セットと実際のデータセットでこの新しいモデルを評価した。CDAEは,最先端の画像雑音除去法の比較において,非常に競合するPSNR(ピーク信号対雑音比)を達成した。さらに,雑音除去画像は,元の画像特徴または他の深層ニューラルネットワークにより得られた高レベル抽象特性と比較して,クラスタリング結果を著しく強化した。定量的および可視化した結果は,クラスタ化単一粒子クライオ-EM画像における雑音低減のためのCDAEの良好な性能を示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  シミュレーション ,  畳込み ,  可視化 ,  画像処理 ,  クラスタ化 ,  画像特性 ,  *符号器 ,  *クラスタ ,  ハードウェア ,  二次元 ,  *雑音低減 ,  *雑音除去
準シソーラス用語： 画像雑音除去 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： クライオ-EM ,  自動エンコーダ ,  画像雑音除去 ,  クラスタリング ,  深層学習

分類 (2件)： 医用画像処理  (JE04020T) ,  図形・画像処理一般  (JE04010I)

引用文献 (30件)：

• ChengY.GrigorieffN.PenczekP.WalzT. (2015). A primer to single-particle cryo-electron microscopy. Cell 161, 438-449. doi: 10.1016/j.cell.2015.03.05025910204
• DabovK.FoiA.KatkovnikV.EgiazarianK. O. (2008). “Image restoration by sparse 3D transform-domain collaborative filtering,” in Image Processing: Algorithms and Systems VI (San Jose, CA). doi: 10.1117/12.76635517688213
• de la Rosa-TrevínJ.OtónJ.MarabiniR.ZaldívarA.VargasJ.CarazoJ. M.. (2013). XMIPP 3.0: an improved software suite for image processing in electron microscopy. J. Struct. Biol. 184, 321-328. doi: 10.1016/j.jsb.2013.09.01524075951
• DilokthanakulN.MedianoP. A. M.GarneloM.LeeM. C. H.SalimbeniH.ArulkumaranK.. (2016). Deep unsupervised clustering with Gaussian mixture variational autoencoders. arXiv. arXiv:1611.02648.
• DongW.ZhangL.ShiG.LiX. (2013). Nonlocally centralized sparse representation for image restoration. IEEE Trans. Image Process. 22, 1620-1630. doi: 10.1109/TIP.2012.223584723269751

タイトルに関連する用語 (7件)： 単一粒子 ,  クライオEM ,  クラスタリング ,  雑音低減 ,  雑音除去 ,  オートエンコーダ ,  カスケード