[发明专利]一种冷冻电镜图像中胶体金颗粒的识别定位方法及系统

说明书

本公开提供了一种冷冻电镜图像中胶体金颗粒的识别定位方法及系统，所述方案包括：获取待识别的电子显微镜图像，并进行相应预处理；基于Atrous算法的小波变换对预处理后的图像进行处理，获得对应的小波图像；对于获得的小波图像依次进行二值化处理、噪声点去除以及聚类操作，获得二值化图像中胶体金颗粒所对应的若干簇；从所述若干簇中筛选出满足预设约束的簇，基于获得的满足预设约束的簇得到平均模板；利用所述平均模板与所述若干簇分别进行模板匹配，过滤掉匹配结果低于预设阈值的簇，剩余簇作为候选胶体金颗粒目标；将获得的候选胶体金颗粒目标与原始图像进行对应，获得候选胶体金颗粒的为位置与尺寸估计。

技术领域

本公开属于图像识别技术领域，尤其涉及一种冷冻电镜图像中胶体金颗粒的识别定位方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

冷冻电子断层扫描(Electron cryotomography,Cryo-ET)成像技术是可视化生物细胞中亚显微结构的一项技术，也是冷冻透射电子显微镜(Transmission electroncryomicroscopy,Cryo-TEM)技术的应用。Cryo-ET将生物分子放置在旋转的样品台上，通过旋转的样品台，得到样品多个角度的投影序列。在样品台旋转角度过大时，电子束在样品中的穿透路径变长，这会导致投影图像中几乎得不到什么有用信息，因此在Cryo-ET中样品台的旋转范围大多在-60°～60°之间,但是这会使大旋转角度的样本投影信息缺失，导致样本在成像结果中的信息不完整，也就是常说的缺失楔形；其次，由于电子束容易损坏生物样品，因此投影使用的电子束是低剂量的,由于仪器和生物样本的限制，各个方向投影图像中的信噪比(Singnal-Noise Ratio,SNR)很低，通常小于0.1，因此直接用投影图像序列进行重建存在困难，必须对更多同类生物大分子的图像进行校准平均才能达到可以接受的重建结构。而这个过程很重要的一步就是从图像中尽可能多的拾取胶体金颗粒。

胶体金颗粒是添加到生物样本中用于进行图像对齐操作的基准点，在电子显微镜图像中常显示为暗点。通过在每个投影图像上识别定位胶体金颗粒，实现各个投影图像之间的对齐，进而获得Cryo-ET的重建；在Cryo-ET中，胶体金颗粒的识别定位是非常重要的，并且很有可能成为限制Cryo-ET发展的瓶颈。

发明人发现，在早期，研究者多是手动选取胶体金颗粒，这使研究在胶体金颗粒挑选阶段所需的人力及时间成本巨大。随着算法研究的不断进展，一些半自动化以及自动化胶体金颗粒拾取方法相继出现，传统的颗粒拾取方法主要可以分为基于模板的方法以及基于特征的方法。模板匹配算法(Template Matching)基于线性图像形成模型，并且在理论上有很好的应用价值。该算法的主要缺点是：由于模板的限制，它只能识别已知结构的生物大分子，识别结果依赖于模板的选择，而且容易将背景误识别；其次，该算法容易受到数据集状态的影响(光线，噪声等)；基于特征的识别方法不需要提前准备模板图片，只需要粒子图像的小部分局部特征或全局显著特征即可，例如边缘特征等，该算法的主要缺点是在处理低对比度低信噪比图像时，可能会难以提取比较有辨识度的特征。

由于深度学习方法的提出，神经网络也被用于胶体金颗粒的识别与定位。使用神经网络方法进行胶体金颗粒的识别需要向模型中输入大量带胶体金颗粒标注的数据集，以保证训练得到的模型可以尽可能准确的识别定位图片中的胶体金颗粒。相对于传统方法，深度学习方法可以对胶体金颗粒有稳定且快速的识别与定位，有些神经网络在目标识别定位方面显现出优良的性质，如基于卷积神经网络(Convolutional neural network，CNN)、U-Net、Yolo的识别算法；然而，虽然深度学习方法在模型训练好之后可以稳定且快速的识别，但是需要很长的时间进行模型训练，并且在训练时需要提供大量的带标记的数据集。

发明内容