論文の概要: GenEM: Physics-Informed Generative Cryo-Electron Microscopy
- arxiv url: http://arxiv.org/abs/2312.02235v1
- Date: Mon, 4 Dec 2023 07:52:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 18:16:11.900503
- Title: GenEM: Physics-Informed Generative Cryo-Electron Microscopy
- Title(参考訳): GenEM:物理インフォームド・ジェネレーション・クライオ・エレクトロン顕微鏡
- Authors: Jiakai Zhang, Qihe Chen, Yan Zeng, Wenyuan Gao, Xuming He, Zhijie Liu,
Jingyi Yu
- Abstract要約: 物理インフォームド生成型低温電子顕微鏡(GenEM)を紹介する。
GenEMは、物理ベースのCryo-EMシミュレーションと生成的未ペアノイズ変換を統合して、現実的なノイズを生成する。
実験により、GenEMは現実的なCryo-EM画像を生成することができることが示された。
- 参考スコア(独自算出の注目度): 40.51069961987814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the past decade, deep conditional generative models have revolutionized
the generation of realistic images, extending their application from
entertainment to scientific domains. Single-particle cryo-electron microscopy
(cryo-EM) is crucial in resolving near-atomic resolution 3D structures of
proteins, such as the SARS-COV-2 spike protein. To achieve high-resolution
reconstruction, AI models for particle picking and pose estimation have been
adopted. However, their performance is still limited as they lack high-quality
annotated datasets. To address this, we introduce physics-informed generative
cryo-electron microscopy (GenEM), which for the first time integrates
physical-based cryo-EM simulation with a generative unpaired noise translation
to generate physically correct synthetic cryo-EM datasets with realistic
noises. Initially, GenEM simulates the cryo-EM imaging process based on a
virtual specimen. To generate realistic noises, we leverage an unpaired noise
translation via contrastive learning with a novel mask-guided sampling scheme.
Extensive experiments show that GenEM is capable of generating realistic
cryo-EM images. The generated dataset can further enhance particle picking and
pose estimation models, eventually improving the reconstruction resolution. We
will release our code and annotated synthetic datasets.
- Abstract(参考訳): 過去10年間で、深い条件付き生成モデルは現実的な画像の生成に革命をもたらし、エンターテイメントから科学分野への応用を拡大した。
単一粒子低温電子顕微鏡(cryo-EM)は、SARS-COV-2スパイクタンパク質のようなタンパク質の近原子分解能3D構造を解くのに重要である。
高精細化を実現するために,粒子抽出とポーズ推定のためのAIモデルが採用された。
しかし、高品質なアノテートデータセットがないため、パフォーマンスはまだ限られている。
物理インフォームドな生成型Cryo-EM顕微鏡 (GenEM) を導入し, 物理ベースのCryo-EMシミュレーションを生成不能ノイズ変換と統合し, 現実的な雑音を伴う物理的に正確な合成Cryo-EMデータセットを生成する。
GenEMは最初、仮想検体に基づいてCryo-EMイメージングプロセスをシミュレートした。
現実的な雑音を生成するために,新しいマスク誘導サンプリング方式を用いて,コントラスト学習による未ペア雑音変換を利用する。
大規模な実験により、GenEMは現実的なCryo-EM画像を生成することができることが示された。
生成されたデータセットは、さらにパーティクルピッキングとポーズ推定モデルを強化し、最終的に再構成の解像度を改善することができる。
コードと注釈付き合成データセットをリリースします。
関連論文リスト
- Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - CryoFormer: Continuous Heterogeneous Cryo-EM Reconstruction using
Transformer-based Neural Representations [49.49939711956354]
核電子顕微鏡(cryo-EM)は、タンパク質やその他の生体分子の3D構造を高分解能で再構築することを可能にする。
3次元構造の連続的な動きをノイズやランダムに配向した2次元Creo-EM画像から再構成することは依然として困難である。
我々はCryoFormerを提案する。CryoFormerは連続したヘテロジニアスCryo-EM再構成のための新しいアプローチである。
論文 参考訳(メタデータ) (2023-03-28T18:59:17Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳(メタデータ) (2023-01-10T19:00:12Z) - FSID: Fully Synthetic Image Denoising via Procedural Scene Generation [12.277286575812441]
低レベルの視覚タスクに適した手続き型合成データ生成パイプラインとデータセットを開発する。
我々のUnrealエンジンベースの合成データパイプラインは、ランダムな3Dオブジェクト、材料、幾何学的変換の組み合わせで、大きなシーンをアルゴリズムで生成します。
そこで我々は,CNNに基づく復調モデルの訓練と検証を行い,この合成データのみを用いてトレーニングしたモデルが競争性のある復調結果が得られることを示した。
論文 参考訳(メタデータ) (2022-12-07T21:21:55Z) - Amortized Inference for Heterogeneous Reconstruction in Cryo-EM [36.911133113707045]
低温電子顕微鏡(cryo-EM)は、タンパク質やその他の生命の構成要素の力学に関する洞察を提供する。
生物分子のポーズ、3次元構造、配座の不均一性を共同で推定するアルゴリズムの課題は未解決のままである。
この方法であるCryoFIREは、不動化フレームワークで未知のポーズを伴って、ab initioheregeneous Restructionを行う。
精度を損なうことなく、何百万もの画像を含むデータセットに対して、1桁のスピードアップを提供できることを示す。
論文 参考訳(メタデータ) (2022-10-13T22:06:38Z) - Differentiable Electron Microscopy Simulation: Methods and Applications
for Visualization [40.8023670606058]
そこで本研究では,微視的形態で原子モデルを記述することのできる新しい顕微鏡シミュレーションシステムを提案する。
このシステムはスケーラブルで、数十のウイルス粒子の電子顕微鏡シミュレーションを表現でき、以前の方法よりも高速に画像を合成できる。
論文 参考訳(メタデータ) (2022-05-08T12:39:04Z) - CryoAI: Amortized Inference of Poses for Ab Initio Reconstruction of 3D
Molecular Volumes from Real Cryo-EM Images [30.738209997049395]
粒子ポーズの勾配に基づく最適化と単一粒子Creo-EMデータからの電子散乱電位を用いた等質コンフォーメーションのためのアブイニシアト再構成アルゴリズムであるCreoAIを紹介する。
CryoAIは、シミュレーションデータと実験データの両方に対して、最先端のCryo-EMソルバと同等の結果を得る。
論文 参考訳(メタデータ) (2022-03-15T17:58:03Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。
この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。
生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文 参考訳(メタデータ) (2020-03-02T17:49:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。