FakET: Simulating Cryo-Electron Tomograms with Neural Style Transfer

要約

極低温電子顕微鏡法では、正確な粒子定位と分類が必須である。最近のディープラーニングソリューションは成功しているものの、膨大なトレーニングデータセットを必要とする。これらのデータセットを生成するためにしばしば採用される物理ベースのモデルは、生成に時間がかかるため、幅広い適用が制限される。我々は、あらゆる低温透過電子顕微鏡の順方向オペレータをシミュレートできる、ニューラル・スタイル・トランスファーに基づく手法であるFakETを紹介する。FakETは、高品質なシミュレーション顕微鏡写真または傾斜系列を生成する参照データに従って、合成トレーニングデータセットを適合させるために使用することができる。生成されたデータの品質を評価するために、我々はこのデータを用いて最先端のローカライゼーションと分類アーキテクチャを訓練し、ベンチマークデータで訓練された対応するものと性能を比較した。驚くべきことに、我々の技術は性能に匹敵し、データ生成速度を750倍向上させ、メモリ使用量を33倍削減し、典型的な透過型電子顕微鏡の検出器サイズにうまく対応した。GPUアクセラレーションと並列処理を活用している。ソースコードはhttps://github.com/paloha/faket。

要約(オリジナル)

In cryo-electron microscopy, accurate particle localization and classification are imperative. Recent deep learning solutions, though successful, require extensive training data sets. The protracted generation time of physics-based models, often employed to produce these data sets, limits their broad applicability. We introduce FakET, a method based on Neural Style Transfer, capable of simulating the forward operator of any cryo transmission electron microscope. It can be used to adapt a synthetic training data set according to reference data producing high-quality simulated micrographs or tilt-series. To assess the quality of our generated data, we used it to train a state-of-the-art localization and classification architecture and compared its performance with a counterpart trained on benchmark data. Remarkably, our technique matches the performance, boosts data generation speed 750 times, uses 33 times less memory, and scales well to typical transmission electron microscope detector sizes. It leverages GPU acceleration and parallel processing. The source code is available at https://github.com/paloha/faket.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL