Page 89 - 中国全科医学2022-14

·1750· http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn

learning methods are easily affected by background and noise，resulting in poor virus detection methods，low efficiencyand
time consuming. Objective In order to improve the efficiency of TEM virus detection，an Enhanced Graph Convolution
Network （EGCN） is proposed to solve the problem of automatic identification of virus morphology in TEM images. Methods
In this model，Convolutional Neural Network （CNN）was used to extract the local feature information between pixels，
and GCN was used for graph feature learning combined with the nearest neighbor relationship between sample features. In the
model optimization，the group super classification loss and classification cross entropy loss were introduced to improve the
feature extraction ability of the model for virus category information，and further improve the robustness of TEM virus image
features compared with convolution neural network. Results Experiments were carried out on 15 types of TEM virus image
datasets through different methods，and EGCN achieved a top-1 error rate of 3.40%，a top-2 error rate of 1.88%，a precision
of 96.65%，and a recall rate of 96.60%. A series of comparative experiments demonstrated that the EGCN can effectively solve
the influence of background and noise in TEM virus recognition. Conclusion By using the enhanced graph convolutional
neural network，the task of virus morphology recognition can be effectively solved，providing important reference value for virus
diagnosis.
【Key words】 Virus morphological classification；Neural networks，computer；Convolutional neural network；Graph
convolutional network；Enhanced graph convolutional network

致病病毒严重威胁人类的生命健康，如新型冠状病 征，而忽略了整体的形态特征差异关系，进而导致对病
毒肺炎全球大流行，造成了不可挽回的损失，但同时提 毒形态图像识别准确率不高。
高了人们对病毒传播、致病和治疗等的认知及重视程 本文提出的增强图卷积神经网络（Enhanced Graph
度。在病毒爆发的过程中，对病毒及时进行早期诊断则 Convolutional Network，EGCN）用于透射电子显微镜下
是遏制病毒传播的最佳手段。目前利用透射电子显微镜 的病毒形态自动识别。该方法不仅关注图像的局部特征，
（transmission electron microscope，TEM）对病毒进行形 而且指导模型学习不同病毒样本之间的关系，从其邻居
态观察是对病毒早期诊断的重要检测方式，通过 TEM 样本中获得更全面的病毒形态信息。首先，利用卷积神
可以获得病毒的高分辨率图像，能够表达病毒超微结构 经网络（CNN）提取病毒的像素级特征，获得的 CNN
的更多细节 ［1-2］ ，因此 TEM 成为病毒形态学诊断的有 特征主要集中于不同病毒样本的局部信息。然后使用 K
力工具 ［3］ 。 近邻（K-Nearest Neighbor，KNN）算法将图像之间的相
在临床检测中，传统的 TEM 检测方法常依靠专家 关性融合到模型中。最后，在图卷积网络（GCN）分类
手工识别，存在步骤繁琐、耗时长、效率低等缺陷，并 器中引入群体超分类技术，从而提取到更全面的病毒结
且需要经验丰富的病毒专家才能进行精准判断。由于专 构特征，进行病毒形态的精准分类。
业训练的病毒专家属于非常昂贵的人力资源，世界各地 1 相关工作
能够使用 TEM 进行病毒鉴定的机构非常少 ［4-5］ ，导致 1.1 显微图像分类 目前，与人工智能相关的显微镜
发展中国家和落后地区等无法对新型或变异病毒进行及 图像识别算法因其高效和效果良好而被广泛应用 ［6-12］ 。
时检测和诊断，严重影响了病毒传染疾病的诊治与防疫 比如，ABDALLA 等 ［7］ 采用 K 近邻和人工神经网络算
工作。近年来，随着计算机辅助诊断技术的发展，很多 法来识别显微图像数据中的细胞和寄生虫。MARC 等 ［8］
研究工作利用机器学习方法，通过手工设计的特征构建 提出了对利什曼原虫的深度学习自动分割和识别算法。
分类器以开展 TEM 图像中的病毒形态自动识别工作， 除此之外，LI 等 ［9］ 设计了深度循环迁移学习模型来识
有效缓解了病毒检测与诊断的压力 ［6］ 。但由于病毒结 别多种寄生虫显微图像，通过引入寄生虫相似样本的宏
构多样、背景复杂和 TEM 图像中不可避免地出现噪声， 观目标样本促进寄生虫图像的特征提取，由此提高了寄
上述方法在病毒识别方面受到特征依赖性和场景泛化能 生虫显微图像的识别效果。
力差的影响，其效果不能满足实际应用的要求。 在病毒形态识别领域，也有一些基于电子显微镜的
目前，深度学习技术由于其卓越的性能已被广泛应 研究。XIAO 等 ［6］ 提出了用于病毒形态学诊断的残差混
用于医学图像识别任务，可以有效解决 TEM 病毒图像 合注意力网络，将残差结构和三个注意力模块集成到一
手工检测效率低和机器学习方法受背景噪声影响大等问 个端到端的模型中，完成了对电子显微镜中病毒识别任
题。但已有的深度学习方法大多关注图像像素级信息， 务。SINTORN 等 ［10］ 提出了一种精细化的模板匹配方法
使得提取的信息独立表示该图像的特征，忽略了不同病 来识别巨细胞病毒颗粒。ONG 等 ［11］ 提出了一种基于双
毒样本之间的关系，导致模型过于关注图像上的局部特 谱特征的识别方法，通过获取轮廓和纹理信息来识别胃