One-Shot Learning With Attention-Guided Segmentation in Cryo-Electron Tomography.
One-Shot Learning With Attention-Guided Segmentation in Cryo-Electron Tomography.
复制标题
DOI：
10.3389/fmolb.2020.613347
复制
发表时间：
2020
影响因子：
5
通讯作者：
Xu M
中科院分区：
文献类型：
--
作者：
Zhou B;Yu H;Zeng X;Yang X;Zhang J;Xu M
低温电子断层成像(CRYO-ET)可以生成细胞组织的3D可视化，使生物学家能够以纳米分辨率分析处于接近自然状态的细胞结构。近年来，深度学习方法在对CRYO-ET捕获的大分子结构进行分类和分割方面表现出了良好的性能，但训练单个深度学习模型需要从先前观察到的类中人工标记和分割大量数据。为了在野外(即有限的训练数据和看不见的类别)下进行分类和分割，需要开发一种新的深度学习模型来对Cryo-et捕获的看不见的大分子进行分类和分割。在本文中，我们开发了一个一次学习框架，称为低温单次网络(COS-Net)，用于同时对大分子结构进行分类和生成体素级别的三维分割，每类只使用一个训练样本。我们在22个大分子类上的实验结果表明，我们的COS-Net可以在小样本的情况下有效地对大分子结构进行分类，同时产生准确的3D分割。
Cryo-electron Tomography (cryo-ET) generates 3D visualization of cellular organization that allows biologists to analyze cellular structures in a near-native state with nano resolution. Recently, deep learning methods have demonstrated promising performance in classification and segmentation of macromolecule structures captured by cryo-ET, but training individual deep learning models requires large amounts of manually labeled and segmented data from previously observed classes. To perform classification and segmentation in the wild (i.e., with limited training data and with unseen classes), novel deep learning model needs to be developed to classify and segment unseen macromolecules captured by cryo-ET. In this paper, we develop a one-shot learning framework, called cryo-ET one-shot network (COS-Net), for simultaneous classification of macromolecular structure and generation of the voxel-level 3D segmentation, using only one training sample per class. Our experimental results on 22 macromolecule classes demonstrated that our COS-Net could efficiently classify macromolecular structures with small amounts of samples and produce accurate 3D segmentation at the same time.
登录
查看更多内容
影响因子：
3
作者：
Lu, Yongchun;Zeng, Xiangrui;Xu, Min
通讯作者：
Xu, Min
冷冻电子层析成像：原位进行结构生物学的挑战。
DOI：
10.1083/jcb.201304193
发表时间：
2013-08-05
期刊：
The Journal of cell biology
影响因子：
--
作者：
Lučič V;Rigort A;Baumeister W
通讯作者：
Baumeister W
影响因子：
4.3
作者：
Li R;Yu L;Zhou B;Zeng X;Wang Z;Yang X;Zhang J;Gao X;Jiang R;Xu M
通讯作者：
Xu M
影响因子：
3
作者：
Pei L;Xu M;Frazier Z;Alber F
通讯作者：
Alber F
DOI：
10.1093/bioinformatics/btx230
发表时间：
2017-07-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Xu M;Chai X;Muthakana H;Liang X;Yang G;Zeev-Ben-Mordehai T;Xing EP
通讯作者：
Xing EP