二维冷冻电镜图像去噪软件 冷冻电子显微镜 (cryo-EM) 是一种广泛使用的超微结构测定技术,它通过一组 2D 显微照片构建蛋白质和大分子复合物的 3D 结构。然而,受电子束剂量的限制,冷冻电镜中的显微照片通常具有极低的信噪比 (SNR),这会影响下游分析的效率和有效性。特别是cryoEM中的噪声不是简单的加性或乘性噪声,其统计特性与自然图像中的噪声有很大不同,极大地束缚了传统去噪方法的性能。在这里,我们提出了 Noise-Transfer2Clean (NT2C),这是一种用于冷冻电镜的去噪深度神经网络 (DNN),用于增强图像对比度和恢复标本信号,其主要思想是通过正确学习冷冻电镜图像的噪声分布并将噪声的统计性质转移到降噪器中来提高去噪性能。特别是针对cryo-EM中复杂的噪声模型,我们设计了一种对比度引导的噪声和信号重加权算法,实现了干净噪声的数据合成和数据增强,使我们的方法真正实现了基于噪声真实属性的信号恢复。 我们的工作验证了基于直接从噪声补丁中挖掘复杂的冷冻电镜噪声模式的去噪的可行性。在模拟数据集和真实数据集上的综合实验结果表明,与常用方法相比,NT2C 在图像去噪方面取得了显着的进步,尤其是在背景噪声去除方面。此外,对真实数据集的案例研究表明,NT2C 可以极大地缓解 SNR 对粒子拾取造成的障碍,简化粒子的识别。

Manual

环境要求:Linux系统(Ubuntu 20.04.4 LTS /GNU/Linux 5.8.0-53-generic x86_64)

软件工具:使用软件工具为python3,配置的库版本为

tensorflow==2.5.0

torch==1.8.1

matplotlib

numpy

torchvision==0.9.1

scipy

scikit_learn

mrcfile == 1.3.0

执行命令:

  1. noise extraction

(1)coarse denoiser training

python3 denoise_cmd.py  -d  8 --num-epochs 30 -c 320 --save-prefix model_result_path -a noisy_dataset_dir -b clean_dataset_dir --batch-size 8

(2)noise locating

python3 extract_noise_std_crop320.py initial_denoised_micrograph_path raw_micrograph_path noise_patches_path draw_noise_path

(3)GAN_noise_synthesizer

CUDA_VISIBLE_DEVICES=2 python3 main_savemrc_128.py --dataset custom --batch_size 64 --model WGAN-GP --dataroot noise_path --cuda True

  1. noise re-weighting

python3 add_norm_noise_320.py clean_singal_path noise_path noisy_path reweighted_res_path

  1. Fine denoiser training

python3 denoise_cmd.py  -d  8 --num-epochs 30 -c 320 --save-prefix model_result_path -a noisy_dataset_dir -b clean_dataset_dir --batch-size 8 --checkpoint checkpoint_path