[發明專利]基于掩膜區域卷積神經網絡的熒光編碼微球圖像檢測方法

有效

• 申請號: 201811495516.2
• 申請日: 2018-12-07
• 公開（公告）號: CN109800631B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 史再峰;劉銘赫;曹清潔;李暉;任輝政
• 申請（專利權）人: 天津大學
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/25;G06V10/26;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

本發明涉及計算機視覺的圖像處理領域，為在懸浮芯片技術基礎上，針對分析方法中存在的成本較高、準確度不足等問題，結合顯微圖像采集技術，可準確檢測待檢物種類與濃度，具有操作簡單、靈活、成本低等優點，本發明，基于掩膜區域卷積神經網絡的熒光編碼微球圖像檢測方法,步驟如下：步驟1：微球圖像獲取；步驟2：圖像裁剪與標注；步驟3：訓練樣本集與測試集建立；步驟4：掩膜區域卷積神經網絡搭建；步驟5：網絡訓練和驗證，利用隨機梯度下降法進行訓練掩膜區域卷積神經網絡；步驟6：圖像采集與分析。本發明主要應用于計算機圖像處理場合。

技術領域

本發明涉及計算機視覺的圖像處理領域，尤其涉及一種基于掩膜區域卷積神經網絡(Mask Region Convolutional Neural Network,Mask R-CNN)的熒光編碼微球圖像檢測方法。

背景技術

自深度學習技術出現以來，其已經在很多領域，特別是計算機視覺、語音識別領域表現出強大的能力。卷積神經網絡是一種前饋神經網絡，由一個或多個卷積層及頂端的全連接層組成，在大型圖像處理領域有出色的表現。相比于其他深度前饋神經網絡結構如全連接神經網絡，卷積神經網絡的參數更少，訓練計算量更小，使其可以具有更深的深度，因而可以提取到圖像中更深層次的高維特征。目前卷積神經網絡已經在影像識別、視訊分析、自然語言處理等諸多領域中進行了應用。

區域卷積神經網絡(Region Convolutional Neural Network,R-CNN)是利用深度學習進行目標檢測的開山之作，由Ross Girshick于2014年首先提出。相比于傳統的可變型部件模型算法(Deformable Parts Models,DPM)，在PASCAL視覺物體分類(Visual ObjectClasses,VOC)競賽中將檢測率提高了20％以上。其主要流程包括四個步驟：候選區域生成、特征提取、類別判斷、區域修正。在區域卷積神經網絡的基礎上，各變種算法包括快速區域卷積神經網絡、Mask R-CNN等將區域神經網絡的訓練和應用速度大幅提高。

隨著生命科學的不斷發展，人們對生物檢測技術的精度和速度提出了更高的要求。熒光編碼微球是一種性質穩定、熒光靈敏度高的固相球體，已被廣泛應用于生物標志物檢測領域。典型的熒光編碼微球應用手段包括免疫層析試紙分析技術和懸浮陣列技術。對于前者，不僅需要針對不同種類的熒光編碼微球制備相應的試紙條，還需要設計對應的試紙分析儀以獲取標志物工作曲線進而檢測待檢物濃度；而后者目前存在無法檢測熒光光譜完整信息的局限性，且需要完成液態懸浮芯片儀及相關軟、硬件設備的設計。因此需提出一種分析準確度高、速度快、成本較低的熒光編碼微球分析方法。

發明內容

為克服現有技術的不足，本發明旨在提出一種基于掩膜區域卷積神經網絡的熒光編碼微球圖像檢測方法，在懸浮芯片技術基礎上，針對分析方法中存在的成本較高、準確度不足等問題，結合顯微圖像采集技術，利用本發明對熒光編碼微球圖像進行定性和定量分析，可準確檢測待檢物種類與濃度，與傳統方法相比具有操作簡單、靈活、成本低等優點。為此，本發明采取的技術方案是，基于掩膜區域卷積神經網絡的熒光編碼微球圖像檢測方法,步驟如下：

步驟1：微球圖像獲取：將多種攜帶已知編碼熒光信息的微球和對應待檢物質置入同一液相反應體系中，令微球表面探針分子與對應待檢物發生免疫反應相結合，反應一段時間后，利用陷阱芯片俘獲微球，將微球固定在陷阱芯片上，首先使用980nm波長激光對陷阱芯片進行掃描，激發微球內部熒光物質，利用電荷耦合器件(Charge-coupled Device,CCD)圖像傳感器獲得待檢物定性圖像；然后使用激光激發微球表面待檢物結合的熒光分子，利用CCD圖像傳感器獲得待檢物定量圖像；反復重復實驗過程，獲得多對定性和定量圖像，將定性圖像和定量圖像分開，分別構成熒光編碼微球定性圖像集和定量圖像集；