三维重构体图像去噪软件 冷冻电子断层成像技术(Cryo-ET)适用于原位结构解析这一电镜成像领域研究最前沿的方向,是新冠病毒整体解析的主要技术,可进行大分子、病毒体的原位状态直接观测。受限于成像设备以及电子剂量等因素,冷冻电子断层重构体图像通常会表现出低信噪比以及低衬度的特性,从而会影响到下游任务的分析与计算。此外,不同于单颗粒电镜图像,断层图像的数据量通常是有限的,并且断层图像中缺乏明确的ground truth的定义,依赖大数据集的有监督深度学习算法将很难适配到断层图像去噪问题当中。为了解决以上问题,我们提出了一种稀疏约束的自监督冷冻电子断层图像去噪网络Sparsity Constrained Network (SC-Net)。通过结合盲点替换的自监督数据构造与基于一阶导数的稀疏性约束,SC-Net实现了单样本训练数据下的自监督深度去噪模型。在保证训练效率的同时也保证了相对可靠的结构恢复与噪声抑制。与最先进的Noise2Void方案相比,我们的方法有着更为可靠的结构恢复性能,与大数据驱动的Topaz相比,我们的方法在低数据量情形下取得了相近的性能。
Manual
环境要求:Linux系统(Ubuntu 18.04 或 CentOS7)
软件工具:使用软件工具为python3,配置的库版本为
Python 3.6.13
Pytorch 1.7.1
opencv-python 4.5.1
numpy 1.19.2
scikit-image 0.17.1
scikit-learn 0.24.2
mrcfile 1.3.0
topaz-em 0.2.4
numba 0.51.2
执行命令:
- 训练过程
python main.py --mode train \
--name_data [dataset_name] \
--dir_data [dataset_path] \
--dir_log [log_path] \
--dir_checkpoint [checkpoint_path] \
--batch_size 2 \
--num_epoch 15 \
--tilesize 128 \
--swap_region volume \
--swap_mode internal \
--lambda_exp 0.8 \
--lambda_grad 0.1 \
--lambda_TV 0.01 \
--lambda_median 0.0 \
--swap_ratio 0.1 \
--lr_G 0.0004 \
--train_continue on \
--dir_test_tomo ./Denoised_Vesicle \
--gpu_ids 0,1
- 测试过程
python main.py --mode test \
--name_data [dataset_name] \
--dir_data [dataset_path] \
--dir_log [log_path] \
--dir_checkpoint [checkpoint_path] \
--dir_result [result_path] \
--batch_size 2 \
--tilesize 128 \
--padding 32 \
--swap_region volume \
--dir_test_tomo [tomo_path] \
--gpu_ids 0,1