基于增强图卷积神经网络的病毒形态识别方法研究

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。