单颗粒冷冻电镜(cryo-electron microscopy,cryo-EM)技术是当下测定生物大分子高分辨率结构与解析其功能机制的重要手段。颗粒选取对于单颗粒冷冻电镜技术是至关重要的步骤,且对单颗粒生物大分子三维重构来说更是关键的第一步,选择颗粒的质量直接影响了单颗粒大分子三维结构测定的效率和最终分辨率。冷冻电子显微镜图像的低信噪比,低对比度,背景噪声严重、杂质多等特点,使得颗粒自动识别同时保证效率与可靠性较困难。高分辨率的冷冻电镜图像三维重构通常需要收集万级的颗粒图像,因此,如何自动地提取冷冻电镜颗粒并提高用于三维重构的颗粒图像质量成为了冷冻电镜结构测定的主要瓶颈之一。针对此问题,本文提出了一种基于U-Net与残差密集神经网络的深度学习网络模型(URDnet),它能实现从冷冻电镜图像中准确地自动定位并提取颗粒。具体内容总结如下:1.针对冷冻电镜图片低信噪比、背景强度不均衡等特点造成图像中颗粒识别精度不高的问题,本文提出了提升冷冻电镜原始图像质量的数据预处理方法,应用直方图均衡和维纳滤波算法提高对比度,调整整体强度,削弱背景噪声。预处理后的图像更有利于网络模型对冷冻电镜图像的特征提取。在网络模型设计中选取图像语义分割领域的流行深度学习网络U-Net作为基础网络框架,以实现全局特征融合,在使用少量训练图像的情况下能从嘈杂的背景噪声中准确的检测出颗粒。在U-Net架构的编码器部分嵌入残差密集模块不仅实现局部残差特征学习,而且增强了局部密集特征融合,从而提升电镜图像中伪影的分割精度。2.针对冷冻电镜图片中颗粒数目过大造成的人工标注负担,以及碳膜、冰渣、解离或堆叠粒子等杂质对颗粒提取的干扰,本文设计了一种结合点级标签和像素级标签的注释方法以构造训练网络的数据集,对冷冻电镜图像中不同的目标使用不同强弱级别的监督,大程度地提高了图像标注效率,避免了从杂质区域中选取颗粒。在颗粒框取步骤引入了连通域分析法,得到标记为“颗粒”的所有连通域的信息以定位待选颗粒,并根据单连通域面积均值等参数设定一定的阈值以剔除不符合要求的假阳性颗粒,大大提升了选取颗粒的精度。本文的方法训练并测试了80S核糖体、HCN1通道、Tcd A1毒素亚基和KLH(钥孔血蓝蛋白)的公共数据集。实验结果与其他的主流方法相比显示了出色的颗粒选取性能,对多种蛋白质数据具有高度的适用性,且能以更高分辨率获取提取颗粒的3D结构。