[发明专利]基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法

权利要求书

1.一种基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法，其特征在于，通过计算冷冻电镜单颗粒图片集的图片相似性矩阵以生成KNN网络；采用局部线性嵌入算法对每幅冷冻电镜单颗粒图像进行降维，将KNN网络和降维后的图片特征矩阵输入图卷积自编解码器中的编码器，将高维的结点特征嵌入到低维的隐藏层空间中，得到低维的隐藏层结点特征后通过图卷积自编解码器中的解码器进行K-means聚类处理得到冷冻电镜单颗粒图像的聚类结果，最后对每个聚类簇的图像取平均即可得到最终的类平均图像；

所述的KNN网络，根据图片相似性矩阵计算每个结点的K近邻结点，并连接任两个互为K近邻的结点得到；

所述的编码器由两层的图卷积神经网络组成，每层图卷积进行以下处理：其中：A为原始输入的KNN网络的拉普拉斯矩阵，W^(l+1)为网络的权值矩阵，H^(l)为图卷积层的输入，H^(l+1)为图卷积层的输出；

所述的解码器由内积函数解码器和两层逆图卷积神经网络组成，其中：内积函数解码器将低维结点特征重构为结点的邻接矩阵形式，学习结点间的关系信息；两层逆图卷积神经网络将低维的结点特征还原至输入的结点维度，学习结点的特征。

2.根据权利要求1所述的基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法，其特征是，所述的图片相似性矩阵，采用协方差作为图片相似性度量准则，由冷冻电镜单颗粒图片集中所有单颗粒图片之间的协方差组成，具体为：其中：P，Q为单颗粒图像对应的一维向量，μ_P和μ_Q为图像P和图像Q对应的期望，因为在实际场景中无法获得图像的期望，因此用单颗粒图片集的平均向量μ来近似图像P和图像Q的期望向量。

3.根据权利要求1所述的基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法，其特征是，所述的降维是指：将冷冻电镜单颗粒图片集中每张N×N的冷冻电镜单颗粒二维图像展开成一维向量并组合得到图片矩阵，其中：M为单颗粒图片总数，然后通过局部线性嵌入算法对图片矩阵从原始的图片维度N²降至1000，得到图片特征矩阵N＝1000。

4.根据权利要求1所述的基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法，其特征是，所述的内积函数解码器进行以下处理：其中：H⁽²⁾为图卷积自编码器的隐藏层结点特征，A′为内积函数解码器重构的网络，该内积函数解码器使用EMAN2的e2initial模块对得到的类平均图像进行重构得到初始模型。

5.一种实现上述任一权利要求所述方法的系统，其特征在于，包括：网络构建单元、结点特征获取单元、图卷积自编码器单元以及K-means聚类单元，其中：网络构建单元与图卷积自编码器单元相连并传输网络结构信息，结点特征获取单元与图卷积自编码器单元相连并传输结点特征信息，图卷积自编码器单元通过图卷积神经网络提取输入的图特征并以内积函数和逆图卷积神经网络作为解码器，同时学习输入网络的结构信息和输入结点的图像特征信息，得到低维结点特征并输出至K-means聚类单元，通过K-means聚类模块得到最终的聚类结果以及类平均图像。