Cellular processes are governed by macromolecular complexes inside the cell. Study of the native structures of macromolecular complexes has been extremely difficult due to lack of data. With recent breakthroughs in Cellular Electron Cryo-Tomography (CECT) 3D imaging technology, it is now possible for researchers to gain accesses to fully study and understand the macromolecular structures single cells. However, systematic recovery of macromolecular structures from CECT is very difficult due to high degree of structural complexity and practical imaging limitations. Specifically, we proposed a deep learning-based image classification approach for large-scale systematic macromolecular structure separation from CECT data. However, our previous work was only a very initial step toward exploration of the full potential of deep learning-based macromolecule separation. In this paper, we focus on improving classification performance by proposing three newly designed individual CNN models: an extended version of (Deep Small Receptive Field) DSRF3D, donated as DSRF3D-v2, a 3D residual block-based neural network, named as RB3D, and a convolutional 3D (C3D)-based model, CB3D. We compare them with our previously developed model (DSRF3D) on 12 datasets with different SNRs and tilt angle ranges. The experiments show that our new models achieved significantly higher classification accuracies. The accuracies are not only higher than 0.9 on normal datasets, but also demonstrate potentials to operate on datasets with high levels of noises and missing wedge effects presented.

中文翻译：

---

改进的基于深度学习的大分子结构的电子冷冻断层图。

细胞过程由细胞内的大分子复合物控制。由于缺乏数据，对高分子复合物的天然结构的研究非常困难。随着细胞电子冷冻断层扫描（CECT）3D成像技术的最新突破，研究人员现在有可能获得全面研究和了解单细胞大分子结构的途径。然而，由于高度的结构复杂性和实际的成像限制，从CECT系统地恢复大分子结构非常困难。具体来说，我们提出了一种基于深度学习的图像分类方法，用于从CECT数据中进行大规模系统化大分子结构分离。然而，我们之前的工作只是迈向探索基于深度学习的大分子分离的全部潜力的第一步。在本文中，我们着重于通过提出三个新设计的单独的CNN模型来提高分类性能：（深小接收域）DSRF3D的扩展版本，捐赠为DSRF3D-v2； 3D基于残差块的神经网络，称为RB3D；以及基于卷积3D（C3D）的模型CB3D。我们将它们与我们先前开发的模型（DSRF3D）进行比较，该模型针对具有不同SNR和倾斜角范围的12个数据集。实验表明，我们的新模型实现了更高的分类精度。准确性不仅在正常数据集上高于0.9，而且还证明了在存在高水平噪声和缺少楔形效应的数据集上进行操作的潜力。在本文中，我们着重于通过提出三个新设计的单独的CNN模型来提高分类性能：（深小接收域）DSRF3D的扩展版本，捐赠为DSRF3D-v2； 3D基于残差块的神经网络，称为RB3D；以及基于卷积3D（C3D）的模型CB3D。我们将它们与我们先前开发的模型（DSRF3D）进行了比较，该模型针对具有不同SNR和倾斜角范围的12个数据集。实验表明，我们的新模型实现了更高的分类精度。准确性不仅在正常数据集上高于0.9，而且还证明了在存在高水平噪声和缺少楔形效应的数据集上进行操作的潜力。在本文中，我们着重于通过提出三个新设计的单独的CNN模型来提高分类性能：（深小接收域）DSRF3D的扩展版本，捐赠为DSRF3D-v2； 3D基于残差块的神经网络，称为RB3D；以及基于卷积3D（C3D）的模型CB3D。我们将它们与我们先前开发的模型（DSRF3D）进行了比较，该模型针对具有不同SNR和倾斜角范围的12个数据集。实验表明，我们的新模型实现了更高的分类精度。准确性不仅在正常数据集上高于0.9，而且还证明了在存在高水平噪声和缺少楔形效应的数据集上进行操作的潜力。DSRF3D的扩展版本（深小接收域），捐赠为DSRF3D-v2，3D基于残差块的神经网络，称为RB3D，以及基于卷积3D（C3D）的模型，CB3D。我们将它们与我们先前开发的模型（DSRF3D）进行了比较，该模型针对具有不同SNR和倾斜角范围的12个数据集。实验表明，我们的新模型实现了更高的分类精度。准确性不仅在正常数据集上高于0.9，而且还证明了在存在高水平噪声和缺少楔形效应的数据集上进行操作的潜力。DSRF3D的扩展版本（深小接收域），捐赠为DSRF3D-v2，3D基于残差块的神经网络，称为RB3D，以及基于卷积3D（C3D）的模型，CB3D。我们将它们与我们先前开发的模型（DSRF3D）进行了比较，该模型针对具有不同SNR和倾斜角范围的12个数据集。实验表明，我们的新模型实现了更高的分类精度。准确性不仅在正常数据集上高于0.9，而且还证明了在存在高水平噪声和缺少楔形效应的数据集上进行操作的潜力。实验表明，我们的新模型实现了更高的分类精度。准确性不仅在正常数据集上高于0.9，而且还证明了在存在高水平噪声和缺少楔形效应的数据集上进行操作的潜力。实验表明，我们的新模型实现了更高的分类精度。准确性不仅在正常数据集上高于0.9，而且还证明了在存在高水平噪声和缺少楔形效应的数据集上进行操作的潜力。