一种基于卷积神经网络的单分子定位方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113838132A(43)申请公布日2021.12.24(21)申请号202111105737.6(22)申请日2021.09.22(71)申请人中国计量大学地址310018浙江省杭州市学源街258号中国计量大学(72)发明人吴豪李旸晖李润坤黄泽钿王乐(51)Int.Cl.G06T7/73(2017.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书1页说明书3页附图3页(54)发明名称一种基于卷积神经网络的单分子定位方法(57)摘要本发明公开了一种基于卷积神经网络的单分子定位方法。包括：1)计算仿真出三维粒子图像，将三维粒子图像中的粒子编码为二维矩形，得到二维矩形的参数信息。2)将步骤1)中计算仿真出的三维粒子图像和对应的二维矩形参数信息组成数据对作为训练集输入到卷积神经网络中进行学习训练，构建出三维粒子图像与二维矩形参数信息之间的映射关系，生成训练好的两者之间的映射关系的卷积神经网络模型。3)测试过程中将单分子图像输入到步骤2)中训练好的网络中，得到预测的二维矩形参数信息。4)将步骤3)中预测的二维矩形的参数信息转换为单分子图像中粒子的信息，利用单分子图像中粒子的信息进行三维重建达到单分子定位的目的。CN113838132ACN113838132A权利要求书1/1页1.一种基于卷积神经网络的单分子定位方法，其特征在于，该方法包括如下步骤：1)随机生成三维粒子图像；2)将步骤1)中随机生成的三维粒子图像中的粒子编码为二维矩形，得到二维矩形的参数信息，将三维粒子图像与对应的二维矩形的参数信息组成数据对；3)将步骤1)随机生成的三维粒子图像和步骤2)中编码后的二维矩形的参数信息数据对作为训练集输入到卷积神经网络中进行学习训练，构建出三维粒子图像与二维矩形参数信息之间的映射关系，生成训练好的两者之间的映射关系的卷积神经网络模型；4)将测试的单分子图像输入到步骤3)中训练好的卷积神经网络中进行测试，得到预测的与单分子图像中粒子所对应的二维矩形的参数信息；5)将步骤4)中预测得到的二维矩形的参数信息中的中心坐标，灰度值和四边边长进行转换，获得每个粒子的(x,y,z,R)信息，实现对单分子的定位目的。2.根据权利要求1所述的一种基于卷积神经网络的单分子定位方法，其特征在于，步骤2)中所述的二维矩形的参数信息由中心坐标，灰度值和四边边长构成，其中中心坐标为三维粒子图像中粒子的质心坐标，灰度值由三维粒子图像中粒子的轴向深度通过公式C＝(255×z)/750计算得到，其中C为灰度值，z为每个粒子的轴向深度，四边边长由三维粒子图像中粒子的半径表示。3.根据权利要求1所述的一种基于卷积神经网络的单分子定位方法，其特征在于，步骤3)中所述的卷积神经网络是由编码网络部分和解码网络部分组成，在编码网络部分和解码网络部分的对应位置处加入了跳跃连接结构。4.根据权利要求3所述的一种基于卷积神经网络的单分子定位方法，其特征在于，所述的卷积神经网络中的编码网络部分由2层卷积层、4个密集块和4个最大值池化构成，卷积神经网络中的解码网络部分由1个卷积层、1个辍学层、4组上采样层和4个密集块构成。5.根据权利要求4所述的一种基于卷积神经网络的单分子定位方法，其特征在于，所述的卷积神经网络中的密集块都是由4个密集层构成，每一个密集层都由依次连接的批标准化层、ReLU函数激活层和卷积层组成，每个密集层都从前一密集层获取输入，并通过跳跃连接结构将自己的特征信息传递给所有后续的密集层。2CN113838132A说明书1/3页一种基于卷积神经网络的单分子定位方法技术领域[0001]本发明涉及图像处理技术领域，具体涉及一种基于卷积神经网络的单分子定位方法。背景技术[0002]单分子定位超分辨成像(SMLM)技术突破了衍射极限的限制，通过对单分子的定位和多次采集叠加就可实现超分辨的功能，为在生命科学、生物医学、化学科学、材料科学等需要对微小目标物质结构研究的领域提供了有效方法，并被广泛应用。[0003]单分子定位超分辨成像(SMLM)技术一般由上千乃至上万帧的原始图像得到一幅超分辨图像。图像处理速度成了限制该技术发展的重要因素。SimonGazagnes等人在《ISBI2017‑IEEEInternationalSymposiumonBiomedicalImaging》中发表的《Highdensitymoleculelocalizationforsuper‑resolutionmicroscopyusingCEL0basedsparseapproximation》，通过加速稀疏恢复的方法来进行单分子的定位，该方法使用了FISTA算法，在保证精度的同时实现了对高密度分子