Математическая биология и биоинформатика
RUS  ENG    ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB  
Общая информация
Последний выпуск
Архив
Импакт-фактор

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Матем. биология и биоинформ.:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


Математическая биология и биоинформатика, 2017, том 12, выпуск 2, страницы 411–434
DOI: https://doi.org/10.17537/2017.12.411
(Mi mbb303)
 

Эта публикация цитируется в 2 научных статьях (всего в 2 статьях)

Интеллектуальный анализ данных

Сравнительный анализ подходов к классификации дифракционных изображений биологических частиц, получаемых в экспериментах по когерентной рентгеновской дифракционной микроскопии

С. А. Бобков

Национальный исследовательский центр “Курчатовский Институт”, Москва, Россия
Список литературы:
Аннотация: Метод когерентной рентгеновской дифракционной микроскопии дает возможность определения трехмерной структуры наноразмерных объектов, в том числе таких биологических частиц, как белки и вирусы, с разрешением до 1 Å. В таких экспериментах излучение лазера на свободных электронах рассеивается на изучаемых объектах. На основе собранных дифракционных изображений можно определить исходную структуру объекта. Однако далеко не все дифракционные изображения, получаемые в экспериментах, подходят для восстановления структуры. Большинство изображений бывают пустыми, многие изображения относится к частицам примеси, другие содержат дифракционную картину от нескольких частиц. Таким образом, классификация изображений по типу структуры становится важным этапом первичной обработки данных. В работе сравниваются несколько подходов к классификации изображений по типу структуры. Сравнение проведено на разных наборах экспериментальных данных. В 2017 году начал работу новый лазер на свободных электронах European XFEL, который позволит регистрировать до 27000 дифракционных изображений в секунду. В статье представлены результаты исследования возможности применения разных подходов для классификации изображений в экспериментах на European XFEL в потоковом режиме.
Ключевые слова: когерентная рентгеновская дифракционная микроскопия, биологические частицы, корреляционные коэффициенты, метод опорных векторов, метод к-средних, метод спектральной кластеризации, многослойный перцептрон, свёрточная нейронная сеть.
Финансовая поддержка Номер гранта
Министерство образования и науки Российской Федерации RFMEFI61614X0003
Работа была выполнена при поддержке соглашения о предоставлении субсидии № 14.616.21.0003 (уникальный идентификатор научных исследований RFMEFI61614X0003).
Материал поступил в редакцию 01.11.2017, опубликован 29.11.2017
Тип публикации: Статья
УДК: 004.02, 004.94
Образец цитирования: С. А. Бобков, “Сравнительный анализ подходов к классификации дифракционных изображений биологических частиц, получаемых в экспериментах по когерентной рентгеновской дифракционной микроскопии”, Матем. биология и биоинформ., 12:2 (2017), 411–434
Цитирование в формате AMSBIB
\RBibitem{Bob17}
\by С.~А.~Бобков
\paper Сравнительный анализ подходов к классификации дифракционных изображений биологических частиц, получаемых в экспериментах по когерентной рентгеновской дифракционной микроскопии
\jour Матем. биология и биоинформ.
\yr 2017
\vol 12
\issue 2
\pages 411--434
\mathnet{http://mi.mathnet.ru/mbb303}
\crossref{https://doi.org/10.17537/2017.12.411}
Образцы ссылок на эту страницу:
  • https://www.mathnet.ru/rus/mbb303
  • https://www.mathnet.ru/rus/mbb/v12/i2/p411
  • Эта публикация цитируется в следующих 2 статьяx:
    Citing articles in Google Scholar: Russian citations, English citations
    Related articles in Google Scholar: Russian articles, English articles
    Статистика просмотров:
    Страница аннотации:260
    PDF полного текста:60
    Список литературы:32
     
      Обратная связь:
     Пользовательское соглашение  Регистрация посетителей портала  Логотипы © Математический институт им. В. А. Стеклова РАН, 2024