基于CP-YOLOX的冷冻电镜图像蛋白质目标检测算法

doi:10.3969/j.issn.1006-2475.2023.11.018

摘要/Abstract

摘要： 摘要：针对现有的冷冻电镜图像蛋白质目标检测算法存在特征融合不充分、网络模型复杂、漏选、错选等问题，提出一种冷冻电镜图像目标检测算法(Cryo-Protein YOLOX, CP-YOLOX)。算法主要包含特征提取模块、特征融合模块、输出端。特征提取模块应用本文提出的B-ResBlockX模块，它使用分组的滤波器产生多条特征通道，提高了特征融合能力，从而捕捉更多细节特征。特征融合模块应用本文提出的FastHead模块，它利用多级的扩张卷积模块并且将输出端简化为单通道，可以在不损失精度的情况下，拥有更加轻量的网络结构。同时为进一步提升准确率与收敛速度，位置损失函数加入目标框与预测框的欧氏距离约束。在公开数据集EMPIAR-10028、EMPIAR-10081、EMPIAR-10089上的实验结果表明，对比YOLOX，所提算法的网络参数量仅为5.19×106，mAP(0.5)分别提升了2.4、3.3和2.5个百分点。

关键词: 关键词：冷冻电镜图像, 目标检测, 蛋白质颗粒检测, 轻量化

Abstract: Abstract： A cryo-electron micrograph target detection algorithm （Cryo-Protein YOLOX， CP-YOLOX） is proposed for the existing cryo-electron micrograph protein target detection algorithm with inadequate feature fusion and complex network model， missed detection and false detection. The algorithm mainly contains feature extraction module， feature fusion module， and output side. The feature extraction module applies the B-ResBlockX module proposed in this paper， which uses grouped filters to generate multiple feature channels to improve the feature fusion capability and capture more detailed features. The feature fusion module applies the FastHead module proposed in this paper， which uses multilevel dilated convolution module for feature fusion and simplifies the output to a single channel， which can have a more lightweight network structure without losing accuracy. In order to further improve the accuracy and convergence speed， the position loss function is added with the Euclidean distance constraint between the target frame and the prediction frame. Experimental results on public datasets EMPIAR-10028， EMPIAR-10081， and EMPIAR-10089 showed that the number of network parameters of the proposed algorithm was only 5.19×106， and the mAP（0.5） was improved by 2.4， 3.3 and 2.5 percentage points， respectively， compared with YOLOX.

Key words: Key words： cryo-electron micrographs, target detection, protein particle detection, lightweight

中图分类号:

TP389.41

欧嘉城, 曾安, 金亮. 基于CP-YOLOX的冷冻电镜图像蛋白质目标检测算法[J]. 计算机与现代化, 2023, 0(11): 113-119.

OU Jia-cheng, ZENG An, JIN Liang. CP-YOLOX-based Algorithm for Protein Target Detection in Cryo-electron Micrographs[J]. Computer and Modernization, 2023, 0(11): 113-119.

参考文献［27］

［1］	CHENG Y F， GRIGORIEFF N， PENCZEK P A， et al. A primer to single-particle cryo-electron microscopy［J］. Cell，2015，161（3）：438-439
［2］	ROSEMAN A M. Particle finding in electron micrographs using a fast local correlation algorithm［J］. Ultramicroscopy，2003，94：225-236.
［3］	HUANG Z， PENCZEK P A. Application of template matching technique to particle detection in electron micrographs［J］. Journal of Structural Biology， 2004，145（1/2）：29-40.
［4］	VOSS N R， YOSHIOKA C K， RADERMACHER M， et al. DoG Picker and TiltPicker： Software tools to facilitate particle selection insingle particle electron microscopy［J］. Journal of Structural Biology， 2009，166（2）：205-213.
［5］	GE Z， LIU S T， WANG F， et al. YOLOX： Exceeding YOLO series in 2021［J］. arXiv preprint arXiv：2107.08430，
	2021.
［6］	LIN T Y， DOLLAR P， GIRSHICK R， et al. Feature pyramid networks for object detection［J］. arXiv preprint arXiv：1612.03144， 2017.
［7］	ZHANG F， CHEN Y， REN F， et al. A two-phase improved correlation method for automatic particle selection in Cryo-EM［J］. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2017，14（2）：316-325.
［8］	PUNJANI A， RUBINSTEIN J L， FLEET D J， et al. cryo-SPARC： Algorithms for rapid unsupervised cryo-EM structure determination［J］. Nature Methods， 2017，14（3）：290-296.
［9］	TANG G， PENG L W， BALDWIN P R， et al. EMAN2： An extensible image processing suite for electron microscopy［J］. Journal of Structural Biology， 2007，157（1）：38-46.
［10］	FRANK J， RADERMACHER M， PENCZEK P， et al. SPIDER and WEB： Processing and visualization of images in 3D electron microscopy and related fields［J］. Journal of Structural Biology， 1996，116（1）：190-199.
［11］	DE LA ROSA-TREVIN J M， OTON J， MARABINI R， et al. Xmipp 3.0： An improved software suite for image processing in electron microscopy［J］. Journal of Structural Biology， 2013，184（2）：321-328.
［12］	WANG F， GONG H C， LIU G C， et al. DeepPicker： A deep learning approach for fully automated particle picking in cryo-EM［J］. Journal of Structural Biology， 2016，195（3）：325-336.
［13］	BEPLER T， MORIN A， RAPP M， et al. Positive-unlabeled convolutional neural networks for particle picking in cryo-electron micrographs［J］. Nature Methods， 2019，16（11）：1153-1160.
［14］	BODLA N， SINGH B， CHELLAPPA R， et al. Soft-NMS： Improving object detection with one line of code［C］// 2017 IEEE International Conference on Computer Vision（ICCV）. IEEE， 2017：5562-5570.
［15］	WAGNER T， MERINO F， STABRIN M， et al. SPHIRE-crYOLO is a fast and accurate fully automated particle picker for cryo-EM［J］. Communications Biology， 2019：218. DOI： 10.1038/s42003-019-0437-z.
［16］	SCHERES S H W， Semi-automated selection of cryo-EM particles in RELION-1.3［J］. Journal of Structural Biology， 2015，189（2）：114-122.
［17］	XIAO Y F， YANG G W. A fast method for particle picking in cryo-electron micrographs based on fast R-CNN［C］// Proceedings of the 1st International Conference on Applied Mathematics and Computer Science. 2017：020080-1-020080-11.
［18］	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［J］. arXiv preprint arXiv：1512.03385v1， 2015.
［19］	HE K M， ZHANG X Y， REN S Q， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［C］// 2014 Computer Vision-ECCV. 2014：346-361.
［20］	WANG C Y， MARK L H，WU Y H. et al. CSPNet： A new backbone that can enhance learning capability of CNN［C］// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops（CVPRW）. 2020：1571-1580.
［21］	GAO S H， CHENG M M， ZHAO K， et al. Res2Net： A new multi-scale backbone architecture［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021，43（2）：652-662.
［22］	WANG P Q， CHEN P F， YUAN Y， et al. Understanding convolution for semantic segmentation［C］// 2018 IEEE Winter Conference on Applications of Computer Vision （WACV）. 2018：1451-1460.
［23］	CHEN Q， WANG Y M， YANG T， et al. You only look one-level feature［J］. arXiv preprint arXiv：2103.09460， 2021.
［24］	ZHENG Z H， WANG P， LIU W， et al. Distance-IoU loss： Faster and better learning for bounding box regression［J］. arXiv preprint arXiv：1911.08287， 2019.
［25］	YU J H， JIANG Y N， WANG Z Y， et al. UnitBox： An advanced object detection network［J］. arXiv preprint arXiv： 1608.01471v1， 2016.
［26］	REZATOFIGHI H， TSOI N， GWAK J Y， et al. Generalized intersection over union： A metric and a loss for bounding box regression［C］// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2019：658-666.
［27］	REDMON J， FARHADI A. YOLOv3： An incremental improvement［J］. arXiv preprint arXiv：1804.02767， 2018.

[1]	王秋忆, 周浩, 郑婷婷. 改进RetinaNet的电力设备目标检测方法[J]. 计算机与现代化, 2024, 0(01): 47-52.
[2]	罗明杰, 冯开平. 基于沙漏结构与注意力机制的轻量级人脸表情识别方法[J]. 计算机与现代化, 2023, 0(11): 89-94.
[3]	闫子贤, 董宝良, 唐思谜. 针对复杂背景下低分辨率舰船目标的改进YOLOv7算法[J]. 计算机与现代化, 2023, 0(11): 120-126.
[4]	顾成伟, 丁勇, 李登华. 基于计算机视觉的工业厂区人员安全警戒系统[J]. 计算机与现代化, 2023, 0(09): 20-26.
[5]	刘昱杉, 刘卫康, 刘庆华, 者甜甜, 王家晨. 基于YOLOX结合DeepSort的船载车辆行人检测算法[J]. 计算机与现代化, 2023, 0(08): 60-67.
[6]	欧阳飞, 吴旭, 向东升. 基于改进YOLOX的垃圾分类检测方法[J]. 计算机与现代化, 2023, 0(08): 68-73.
[7]	胡睿杰, 车逗. 红外小目标检测方法综述[J]. 计算机与现代化, 2023, 0(08): 79-86.
[8]	罗伟, 刘思远, 徐健祥, 董天培. 基于改进YOLOv5s的太阳能电池缺陷检测算法[J]. 计算机与现代化, 2023, 0(07): 119-126.
[9]	叶力鸣, 陈蔚文. 一种结合语义分割和目标检测的级联式绝缘子缺陷检测方法[J]. 计算机与现代化, 2023, 0(06): 82-88.
[10]	王艺成, 张国良, 张自杰, . 基于改进YOLOv5的小目标检测方法[J]. 计算机与现代化, 2023, 0(05): 100-105.
[11]	邱地发, 于淑芳, 刘锦辉, 毕梦昭. 基于YOLOv5s的遥感图像的车辆小目标检测[J]. 计算机与现代化, 2023, 0(05): 122-126.
[12]	郭之栋, 刘筠, 杨凡, 周昕, 陈亮亮. 基于机器视觉的智慧交通灯控制系统[J]. 计算机与现代化, 2023, 0(04): 101-105.
[13]	范新南, 陈馨洋, 史朋飞, 孙奂儒, 鹿亮, 周仲凯. 水下声呐图像轻量级目标检测模型[J]. 计算机与现代化, 2023, 0(03): 16-22.
[14]	陈卓, 乔贵方, 柴鑫波, 杜一君, 沈重霖, 王远浩. 基于改进知识蒸馏的多天候车辆检测方法[J]. 计算机与现代化, 2023, 0(02): 50-57.
[15]	汤浩威, 姚军财, 姚聪颖, 孙颖, 裴星懿, 宋春晓. 基于改进YOLOv5的输电线路多目标检测[J]. 计算机与现代化, 2023, 0(02): 78-82.