[發(fā)明專利]一種基于ResUNet神經(jīng)網(wǎng)絡(luò)的化學(xué)結(jié)構(gòu)式分割方法

有效

• 申請?zhí)枺?/td>: 202010419502.3
• 申請日: 2020-05-18
• 公開（公告）號: CN111709293B
• 公開（公告）日: 2023-10-03
• 發(fā)明（設(shè)計(jì)）人: 王毅剛;邵錦濤
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V30/413;G06V30/148;G06V10/26;G06V30/19;G06V10/764;G06N3/0464;G06V10/82;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發(fā)明公開了一種基于ResUNet神經(jīng)網(wǎng)絡(luò)的化學(xué)結(jié)構(gòu)式分割方法。本發(fā)明步驟如下：步驟(1)構(gòu)造訓(xùn)練集T，訓(xùn)練集T包括手動標(biāo)注訓(xùn)練集T?1和自動生成訓(xùn)練集T?2兩部分；步驟(2)將訓(xùn)練集T送入ResUNet神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到訓(xùn)練指定次數(shù)或者Loss曲線不再下降且精度不再提高為止，將訓(xùn)練好的ResUNet神經(jīng)網(wǎng)絡(luò)模型保存；步驟(3)使用步驟(2)中訓(xùn)練好的ResUNet神經(jīng)網(wǎng)絡(luò)模型對化學(xué)結(jié)構(gòu)式進(jìn)行分割。本發(fā)明在ResUNet神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，提出一種改進(jìn)的ResUNet神經(jīng)網(wǎng)絡(luò)，同時，提出一種自動生成大量化學(xué)結(jié)構(gòu)式訓(xùn)練集的方法進(jìn)行訓(xùn)練集的生成，從而使ResUNet神經(jīng)網(wǎng)絡(luò)能夠?qū)瘜W(xué)結(jié)構(gòu)式進(jìn)行分割，達(dá)到以大量數(shù)據(jù)提升神經(jīng)網(wǎng)絡(luò)識別精度的目的。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)檢測技術(shù)領(lǐng)域，具體涉及一種基于ResUNet神經(jīng)網(wǎng)絡(luò)的化學(xué)結(jié)構(gòu)式分割方法，本發(fā)明在ResUNet神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，提出一種改進(jìn)的ResUNet神經(jīng)網(wǎng)絡(luò)，同時，提出一種自動生成大量化學(xué)結(jié)構(gòu)式訓(xùn)練集的方法進(jìn)行訓(xùn)練集的生成，從而使ResUNet神經(jīng)網(wǎng)絡(luò)能夠?qū)瘜W(xué)結(jié)構(gòu)式進(jìn)行分割，達(dá)到以大量數(shù)據(jù)提升神經(jīng)網(wǎng)絡(luò)識別精度的目的。

背景技術(shù)

科學(xué)實(shí)驗(yàn)通常至關(guān)重要的一部分是快速處理和吸收新獲得的數(shù)據(jù)。此外，新的研究方法也離不開收集、分析和利用先前發(fā)表的實(shí)驗(yàn)數(shù)據(jù)。這對于小分子藥物的發(fā)現(xiàn)尤其適用，其中實(shí)驗(yàn)測試的分子集合用于虛擬篩選程序、定量結(jié)構(gòu)活性/性質(zhì)關(guān)系(QSAR/QSPR)分析或基于物理建模方法的驗(yàn)證。由于產(chǎn)生大量實(shí)驗(yàn)數(shù)據(jù)的難度和費(fèi)用，許多藥物發(fā)現(xiàn)項(xiàng)目被迫依賴于相對較小的內(nèi)部實(shí)驗(yàn)數(shù)據(jù)庫。解決藥物發(fā)現(xiàn)中普遍缺乏適當(dāng)?shù)挠?xùn)練集數(shù)據(jù)的一個有希望的解決方案是利用目前正在發(fā)表的數(shù)據(jù)。Medline報告每天發(fā)表超過2000多篇新的生命科學(xué)論文，鑒于新的實(shí)驗(yàn)數(shù)據(jù)以如此高的速度進(jìn)入公共文獻(xiàn)，解決與數(shù)據(jù)提取和管理相關(guān)的問題，并盡可能地自動化這些過程變得越來越重要。生命科學(xué)中從公開的來源，如期刊文章和專利文件中提取化學(xué)結(jié)構(gòu)仍然是困難和非常耗時的。

目前，大量書籍和其它出版物依然只有紙質(zhì)版或掃描版可得，造成重用上的困難。一方面，紙質(zhì)版或掃描版的材料不便于進(jìn)行檢索，導(dǎo)致分散在大量文獻(xiàn)中的信息不容易被發(fā)現(xiàn)，從而得不到充分利用。另一方面，對這些材料進(jìn)行進(jìn)一步處理涉及繁瑣和易誤的重新輸入工作。

化學(xué)結(jié)構(gòu)式識別的研究進(jìn)展緩慢，主要原因是：一、在文檔中公式被自然語言環(huán)繞，難以定位；二，由于化學(xué)結(jié)構(gòu)式結(jié)構(gòu)復(fù)雜,符號種類繁多且字體多樣、大小不一,具有非規(guī)則性，邏輯性，復(fù)雜性等特征。

目前的化學(xué)結(jié)構(gòu)式的識別方法都分為兩個步驟：一、將化學(xué)結(jié)構(gòu)式從自然語言中定位并分割出來；二、將分割出的化學(xué)結(jié)構(gòu)式送入識別引擎中進(jìn)行識別。其中，當(dāng)前的化學(xué)結(jié)構(gòu)式分割方法基本上是基于傳統(tǒng)圖像處理方法來完成的，其分割準(zhǔn)確度較低，并無法處理一些如自然語言和化學(xué)分子式距離較近等特殊情況。

發(fā)明內(nèi)容

基于此，為了提高化學(xué)結(jié)構(gòu)式的定位與分割準(zhǔn)確度，本發(fā)明在 ResUNet神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，提出一種改進(jìn)的ResUNet神經(jīng)網(wǎng)絡(luò)，同時，提出一種自動生成大量化學(xué)結(jié)構(gòu)式訓(xùn)練集的方法進(jìn)行訓(xùn)練集的生成，從而使ResUNet神經(jīng)網(wǎng)絡(luò)能夠?qū)瘜W(xué)結(jié)構(gòu)式進(jìn)行分割，達(dá)到以大量數(shù)據(jù)提升神經(jīng)網(wǎng)絡(luò)識別精度的目的。

一種基于ResUNet神經(jīng)網(wǎng)絡(luò)的化學(xué)結(jié)構(gòu)式分割方法，包括如下步驟：

步驟(1)構(gòu)造訓(xùn)練集T，訓(xùn)練集T包括手動標(biāo)注訓(xùn)練集T-1和自動生成訓(xùn)練集T-2兩部分。其中，手動標(biāo)注出版物中的化學(xué)式作為部分訓(xùn)練集T-1，并使用一種自動生成化學(xué)結(jié)構(gòu)式訓(xùn)練集的方法生成訓(xùn)練集T-2，訓(xùn)練集T-1和訓(xùn)練集T-2的容量比例為1：50；

步驟(2)將訓(xùn)練集T送入改進(jìn)的ResUNet神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到訓(xùn)練指定次數(shù)或者Loss曲線不再下降且精度不再提高為止，將訓(xùn)練好的ResUNet神經(jīng)網(wǎng)絡(luò)模型保存；

步驟(3)使用步驟(2)中訓(xùn)練好的ResUNet神經(jīng)網(wǎng)絡(luò)模型對化學(xué)結(jié)構(gòu)式進(jìn)行分割。