哈艳，袁伟珵，孟翔杰，田俊峰

    致病病毒严重威胁人类的生命健康，如新型冠状病毒肺炎全球大流行，造成了不可挽回的损失，但同时提高了人们对病毒传播、致病和治疗等的认知及重视程度。在病毒爆发的过程中，对病毒及时进行早期诊断则是遏制病毒传播的最佳手段。目前利用透射电子显微镜(transmission electron microscope，TEM)对病毒进行形态观察是对病毒早期诊断的重要检测方式，通过TEM可以获得病毒的高分辨率图像，能够表达病毒超微结构的更多细节[1-2]，因此TEM成为病毒形态学诊断的有力工具[3]。

    在临床检测中，传统的TEM检测方法常依靠专家手工识别，存在步骤繁琐、耗时长、效率低等缺陷，并且需要经验丰富的病毒专家才能进行精准判断。由于专业训练的病毒专家属于非常昂贵的人力资源，世界各地能够使用TEM进行病毒鉴定的机构非常少[4-5]，导致发展中国家和落后地区等无法对新型或变异病毒进行及时检测和诊断，严重影响了病毒传染疾病的诊治与防疫工作。近年来，随着计算机辅助诊断技术的发展，很多研究工作利用机器学习方法，通过手工设计的特征构建分类器以开展TEM图像中的病毒形态自动识别工作，有效缓解了病毒检测与诊断的压力[6]。但由于病毒结构多样、背景复杂和TEM图像中不可避免地出现噪声，上述方法在病毒识别方面受到特征依赖性和场景泛化能力差的影响，其效果不能满足实际应用的要求。

    目前，深度学习技术由于其卓越的性能已被广泛应用于医学图像识别任务，可以有效解决TEM病毒图像手工检测效率低和机器学习方法受背景噪声影响大等问题。但已有的深度学习方法大多关注图像像素级信息，使得提取的信息独立表示该图像的特征，忽略了不同病毒样本之间的关系，导致模型过于关注图像上的局部特征，而忽略了整体的形态特征差异关系，进而导致对病毒形态图像识别准确率不高。

    本文提出的增强图卷积神经网络(Enhanced Graph Convolutional Network，EGCN)用于透射电子显微镜下的病毒形态自动识别。该方法不仅关注图像的局部特征，而且指导模型学习不同病毒样本之间的关系，从其邻居样本中获得更全面的病毒形态信息。首先，利用卷积神经网络(CNN)提取病毒的像素级特征，获得的CNN特征主要集中于不同病毒样本的局部信息。然后使用K近邻(K-Nearest Neighbor，KNN)算法将图像之间的相关性融合到模型中。最后，在图卷积网络(GCN)分类器中引入群体超分类技术，从而提取到更全面的病毒结构特征，进行病毒形态的精准分类。

    1 相关工作 ......