Wyszukiwarka
Abstrakt
Serial crystallography experiments at X-ray free-electron laser facilities produce massive amounts of data but only a fraction of these data are useful for downstream analysis. Thus, it is essential to differentiate between acceptable and unacceptable data, generally known as ‘hit’ and ‘miss’, respectively. Image classification methods from artificial intelligence, or more specifically convolutional neural networks (CNNs), classify the data into hit and miss categories in order to achieve data reduction. The quantitative performance established in previous work indicates that CNNs successfully classify serial crystallography data into desired categories [Ke, Brewster, Yu, Ushizima, Yang & Sauter (2018). J. Synchrotron Rad. 25, 655–670], but no qualitative evidence on the internal workings of these networks has been provided. For example, there are no visualization methods that highlight the features contributing to a specific prediction while classifying data in serial crystallography experiments. Therefore, existing deep learning methods, including CNNs classifying serial crystallography data, are like a ‘black box’. To this end, presented here is a qualitative study to unpack the internal workings of CNNs with the aim of visualizing information in the fundamental blocks of a standard network with serial crystallography data. The region(s) or part(s) of an image that mostly contribute to a hit or miss prediction are visualized.
Cytowania
-
3
CrossRef
-
0
Web of Science
-
3
Scopus
Autorzy (6)
-
Shahid Nawaz
- Deutsches Elektronen-Synchrotron DESY
-
Vahid Rahmani
- Deutsches Elektronen-Synchrotron DESY
-
David Pennicard
- Deutsches Elektronen-Synchrotron DESY
-
Shabarish Pala Ramakantha Setty
- Deutsches Elektronen-Synchrotron DESY
-
Heinz Graafsma
- Mid-Sweden University, Sundsvall
Cytuj jako
Pełna treść
- Wersja publikacji
- Accepted albo Published Version
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1107/S1600576723007446
- Licencja
-
otwiera się w nowej karcie
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Publikacja w czasopiśmie
- Typ:
- artykuły w czasopismach
- Opublikowano w:
-
Journal of Applied Crystallography
nr 56,
strony 1494 - 1504,
ISSN: 1600-5767 - Język:
- angielski
- Rok wydania:
- 2023
- Opis bibliograficzny:
- Nawaz S., Rahmani V., Pennicard D., Setty S. P. R., Klaudel B., Graafsma H.: Explainable machine learning for diffraction patterns// Journal of Applied Crystallography -,iss. 5 (2023), s.1494-1504
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1107/s1600576723007446
- Źródła finansowania:
-
- Publikacja bezkosztowa
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 71 razy
Publikacje, które mogą cię zainteresować
Machine Learning and Deep Learning Methods for Fast and Accurate Assessment of Transthoracic Echocardiogram Image Quality
- W. Nazar,
- K. Nazar,
- L. Daniłowicz-Szymanowicz
Study of Multi-Class Classification Algorithms’ Performance on Highly Imbalanced Network Intrusion Datasets
- V. Bulavas,
- V. Marcinkevičius,
- J. Rumiński