适应式可差分网格用于冷电子断层扫描重建和消噪
Yuanhao Wang1, Ramzi Idoughi1, Darius Rückert2
1Visual Computing Center (VCC), King Abdullah University of Science and Technology (KAUST), Thuwal 23955-6900, Saudi Arabia.
Bioinformatics advances
|October 9, 2023
概括
我们开发了一种基于自适应性学习的新方法,用于冷电子断层扫描重建. 这种方法提高了信号噪声比,并处理缺失的形数据,提高了3D结构分辨率.
科学领域:
- 结构生物学 结构生物学
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 低温电子断层扫描 (cryo-ET) 对3D结构生物学至关重要.
- 在冷ET中的重建面临着诸如缺失数据,低信号噪声比和运动文物等挑战.
研究的目的:
- 引入基于自适应式学习的表示,以改进冷ET密度场重建.
- 为了解决现有的冷ET重建方法的局限性.
主要方法:
- 为样本的密度场提出了一个基于八项的自适应学习表示.
- 为了优化,利用了具有规范化条款 (总变化,边界一致性,跨节点非局部约束) 的可微分图像形成模型.
- 通过插入学习密度网格来重建断层图像.
主要成果:
- 适应性表示有效地处理了化ET中缺少的数据.
- 重建断层扫描图的信号与噪声比显著改善.
- 与最先进的方法相比,实现了更高的重建质量,并减少了计算时间.
结论:
- 拟议的基于自适应学习的方法为冷ET重建提供了一个强大的解决方案.
- 这种方法提高了3D结构数据的分辨率和质量.
- 该方法对推进结构生物学研究有前途.
