中国全科医学2022，Vol.25Issue(14) ：1749-1756.DOI:10.12114/j.issn.1007-9572.2022.0123

基于增强图卷积神经网络的病毒形态识别方法研究

Research on Virus Morphology Recognition Method Based on Enhanced Graph Convolutional Network

哈艳 袁伟珵 孟翔杰 田俊峰
中国全科医学2022，Vol.25Issue(14) ：1749-1756.DOI:10.12114/j.issn.1007-9572.2022.0123
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于增强图卷积神经网络的病毒形态识别方法研究

Research on Virus Morphology Recognition Method Based on Enhanced Graph Convolutional Network

哈艳 1袁伟珵 2孟翔杰 3田俊峰4
扫码查看

作者信息

  • 1. 071002 河北省保定市,河北大学管理学院;071002 河北省保定市,河北省高可信信息系统重点实验室
  • 2. 050017 河北省石家庄市,河北医科大学基础医学院
  • 3. 071002 河北省保定市,河北大学数学与信息科学学院
  • 4. 071002 河北省保定市,河北省高可信信息系统重点实验室;071002 河北省保定市,河北大学网络空间安全与计算机学院
  • 折叠

摘要

背景 透射电子显微镜(TEM)是检测病毒的重要手段,传统TEM检测常依靠专家手工观察,操作步骤繁琐,且已有机器学习方法易受到背景、噪声的影响,导致病毒检测方法准确率差、效率低且耗时长.目的 探讨增强图卷积神经网络(EGCN)对TEM图像中的病毒形态自动识别问题,以提高TEM病毒检测的效率.方法 EGCN模型利用卷积神经网络(CNN)提取像素间的局部特征信息,并结合样本特征之间的最近邻关系利用图卷积网络(GCN)进行图特征学习.在模型优化中联合优化群体超分类损失和分类交叉熵损失以提高EGCN模型对病毒类别信息特征的提取能力,较CNN对TEM病毒图像特征具备更强的特征提取能力.结果 通过不同方法在15类TEM病毒图像数据集上开展实验,EGCN达到3.40％的top-1错误率、1.88％的top-2错误率、96.65％的精确度和96.60％的召回率,并通过一系列对比实验表明EGCN模型可以有效避免TEM图像中背景、噪声等的影响,提高对病毒识别的准确率.结论 EGCN可以有效解决病毒形态识别任务,为病毒的诊断提供重要的参考价值.

关键词

病毒形态分类/神经网络,计算机/卷积神经网络/图卷积网络/增强图卷积神经网络

引用本文复制引用

基金项目

国家自然科学基金(61802106)

河北省自然科学基金(F2021201049)

出版年

2022
中国全科医学
中国医院协会

中国全科医学

CSTPCD北大核心
影响因子：2.04
ISSN：1007-9572
被引量3
参考文献量29
段落导航相关论文