低温电镜显微图像清洗的深度学习
micrograph-cleaner-em的Python项目详细描述
微克清洁剂
micrograph cleaner（micrograph_cleaner_em）是一个python包，用于分割cryo em 显微照片成：
- 碳/高对比度或污染区域
- 好的地区
这样就可以很容易地排除错误选择的坐标
要获得完整的使用说明，请执行
cleanmics-h
示例
cleanmics-c path/to/inputcoords/-o path/to/outputcoords/-b 180-s 1 0.0-i/path/to/micrographs/--predictedmaskdir path/to/store/masks--deepthr 0.5
安装：
水蟒（推荐）
从https://www.anaconda.com/distribution/" rel="nofollow">https://www.anaconda.com/distribution/
安装anaconda python 3x版本为micrographcleaner创造一个环境
conda create-n env_micrograph_cleaner_em python=3.6激活环境（每次您想使用micrograph_清洁剂时，都需要激活它）
conda activate env_micrograph_cleaner_em从存储库安装micrograph\u cleaner\u em
conda安装-c rsanchez1369显微照片清洁剂em下载深度学习模型
cleanmics--下载- 准备好了！ < > >
- 安装CUDA和CUDNN时，应确保能够执行tensorflow（https://www.tensorflow.org/）。
micrograph_cleaner与cuda-8、cuda-9和cuda-10兼容。
TensorFlow版本将根据您的CUDA版本自动选择并在以后安装。
CUDA可在https://developer.nvidia.com/cuda-toolkit" rel="nofollow">https://developer.nvidia.com/cuda toolkit上获得，CUDNN可在
https://developer.nvidia.com/cudnn
使用python模块cudnnenv，可以在步骤2自动执行简单的cudnn安装 < > >1.1）（可选）创建虚拟环境
pip install virtualenv virtualenv --system-site-packages -p python3 ./env_micrograph_cleaner_em source ./env_micrograph_cleaner_em/bin/activate- 安装micrograph_cleaner_em < > >
下载深度学习模型
cleanmics--下载- 准备好了！ < > >
从http://scipion.i2pc.es/" rel="nofollow">http://scipion.i2pc.es/
安装scipion版本2.0+。从插件管理器或命令行安装xmipp
scipion安装-p scipion em xmipp从插件管理器或命令行安装deeplearningtoolkit
scipion installb deeplearningtoolkit- <准备好了！ < > >
- 一个选择的坐标所在的目录和另一个记录/清理坐标的目录将被保存。坐标将以POS格式或纯文本保存（列th header colnames x和y）位于。
每个显微照片必须有一个不同的坐标文件命名为显微照片，输出坐标将保留命名。
例如，-c path/to/inputcoordsdirectory/-o/path/to/outputcoordsdirectory/
允许的格式是xmipp pos和raw text tab，在头中用至少两个名为xcoor，ycoor的列分隔。 原始文本文件示例： < > > 保存预测掩码的目录（mrc格式）。 例如--predictedmaskdir path/where/predictedmaskswillbesaved/
如果从中选取坐标，则下采样因子（如果实际执行了上采样，则可以小于1） 不同比例的显微照片。
例如，-s 2会将坐标降低一个因子2，然后它将应用与输入显微照片一样大的预测掩模。这个 案例对应于一个例子，在这个例子中，我们用于采集原始显微照片，但我们使用的是带有下采样麦克风的显微照片清洁器以前选项的任意组合。
< > >
git clone https://github.com/rsanchezgarc/micrograph_cleaner_em.git cd micrograph_cleaner_em python setup.py install或
pip安装micrograph\u cleaner\u em2.1）如果CUDNN尚未安装，则安装CUDNNENV
pip安装cudnnenv执行
cudnnenv install[版本]，其中建议的版本是"v6-cuda8"用于cuda-8，"v7.0.1-cuda9"用于cuda-9和 CUDA-10的"V7.4.1-CUDA10"。scipion选项：
用法
micrographcleaner采用基于u-net的深度学习模型，将显微图像分割为好区域和坏区域。因此，它主要用作粒子拾取后的后处理步骤，其中排除在高对比度人工制品（如碳）中选择的坐标。此外，它还可用于生成二元掩模，以防止粒子选取器考虑问题区域。 因此，micrograph_cleaner使用一个（一些）micrograph文件名和以像素为单位的颗粒大小（相对于输入mic）。此外，它还可以作为输入接收：
micFname1.tab: ########################################### xcoor ycoor otherInfo1 otherInfo2 12 143 -1 0.1 431 4341 0 0.2 323 321 1 0.213 ###########################################可在http://campins.cnb.csic.es/micrograph\u cleaner/" rel="nofollow">http://campins.cnb.csic.es/micrograph\u cleaner/上获得经过培训的micrograph cleaner模型，并可自动下载执行
cleanmics--下载注意，如果使用pip/source安装micrograph_cleaner，那么cuda和cudnn库应该是 在执行之前可用，因此如果未找到CUDA，请在执行之前导出其路径
export LD_LIBRARY_PATH=/path/to/cuda/cuda-9.0/lib64:$LD_LIBRARY_PATH然后执行
cleanmicsprogram示例
#Donwload deep learning model cleanMics --download #Compute masks from imput micrographs and store them cleanMics -b $BOX_SIXE -i /path/to/micrographs/ --predictedMaskDir path/to/store/masks #Rule out input bad coordinates (threshold<0.5) and store them into path/to/outputCoords cleanMics -c path/to/inputCoords/ -o path/to/outputCoords/ -b $BOX_SIXE -s $DOWN_FACTOR -i /path/to/micrographs/ --deepThr 0.5 #Compute goodness scores from input coordinates and store them into path/to/outputCoords cleanMics -c path/to/inputCoords/ -o path/to/outputCoords/ -b $BOX_SIXE -s $DOWN_FACTOR -i /path/to/micrographs/ --deepThr 0.5原料药：
微光清洁器中使用的基本类别是maskpredictor，一个用于预测污染/碳的类别 给面具一张显微照片。
类显微照片清洁剂
用法：假设一个代表显微照片的HXW形状的Numpy数组，预测HXW形状的掩模。 掩码值的范围为0。到1，等于0。与清洁区域和1相关。污染。
建筑商
micrograph_cleaner_em.MaskPredictor(deepLearningModelFname, boxSize , gpus=[0], strideFactor=2) :param deepLearningModelFname (str): a path where the deep learning model will be loaded :param boxSize (int): estimated particle boxSize in pixels :param gpus (list of gpu ids (ints) or None): If None, CPU only mode will be employed. :param strideFactor (int): Overlapping between windows. Micrographs are divided into patches and each processed individually. The overlapping factor indicates how many times a given row/column is processed by the network. The bigger the better the predictions, but higher computational cost.方法
predictMask(self, inputMic): Obtains a contamination mask for a given inputMic :param inputMic (np.array shape HxW): the micrograph to clean :return: mask (np.array shape HxW): a mask that ranges from 0. to 1. -> 0. meaning clean area and 1. contaminated area.getDownFactor(self): MaskPredictor preprocess micrographs before Nnet computation. First step is donwsampling using a donwsampling factor that depends on particle boxSize. This function computes the donwsampling factor :return (float): the donwsampling factor that MaskPredictor uses internally when preprocessing the micrographs close(self): Used to release memory示例
以下几行显示了如何计算给定显微照片的遮罩
from micrograph_cleaner_em import MaskPredictor deepLearningModelFname="/path/to/deepLearningModel.keras" boxSize=128 mic= loadMic("do whatever you need") # mic is a np.array with MaskPredictor(deepLearningModelFname, boxSize , gpus=[0]) as mp: mask= mp.predict(mic)欢迎加入QQ群-->： 979659372
推荐PyPI第三方库
