[發明專利]基于深度學習分析暗場顯微鏡中納米探針捕獲病毒的方法

有效

• 申請號: 202011297415.1
• 申請日: 2020-11-18
• 公開（公告）號: CN112597797B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 周昕;陳銘煜;袁嘉晟
• 申請（專利權）人: 揚州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T5/30;G06T7/90;G16H50/80
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了基于深度學習分析暗場顯微鏡中納米探針捕獲病毒的方法，包括如下步驟：(1)基于Opencv的金納米探針提取和去噪模型設計；(2)ResNet50為納米探針夾心結構判定的模型設計；(3)使用訓練好的基于ResNet50的夾心結構分辨模型和基于Opencv的金納米顆粒提取去噪模型對暗場顯微鏡成像原圖進行實時分析和判斷。該方法基于OpenCV的金納米探針提取模型有效地去除背景的干擾，基于ResNet50的夾心結構判定模型正確識別金、銀雙納米探針與病毒結合形成的“銀納米探針@病毒@金納米探針”夾心結構，從而保證納米探針捕獲病毒后在暗場中計數的效率和準確性，使以納米顆粒為信號探針，以暗場顯微鏡為平臺的靶標分子和微生物檢測中具備真正的應用價值。

技術領域

本發明涉及生物影像分析與計算機視覺技術領域，特別涉及基于深度學習分析暗場顯微鏡中納米探針捕獲病毒的方法。

背景技術

以不同納米顆粒為雙信號探針，暗場顯微鏡為平臺，構建針對微生物和各分子靶標的生物檢測方法之文章層出不窮。但在最終的計數環節中，大都挑選視野內雜質較少，顆粒較清晰的圖片；或借助圖像分析軟件去過度處理以達到刻意去除雜質和美化結果的目的；或是利用高端儀器去測散射光譜。這些方法避輕就重，耗時耗費。結合我們之前的研究分析，造成最終成像結果并不如理想狀態那么完美的原因有三。(1)利用暗場顯微鏡對目標分子的檢測大都直接在普通載玻片上進行，由于常規清洗(100％無水乙醇浸泡后超聲)和滴加樣品的過程中，易受周圍復雜環境中顆粒性雜質的干擾。所以，難免在最終視野內出現星星點點的雜質顆粒。(2)未與靶標分子結合的納米顆粒在洗脫過程中也難以被全部去除，造成最終視野內出現過量的納米顆粒，導致以散射光譜定量的方法并不是很具說服力。(3)由于納米顆粒的各向異性所導致對光源的散射角度不同，從而使不同納米顆粒在暗場顯微鏡下的成像結果有些許色差。

OpenCV是計算機視覺處理庫，包含很多模塊化的圖像處理算法，使用者可以自由便捷地通過計算機編程語言Python導入后對目標圖片進行處理。近些年來，由于基于深度學習的計算機視覺技術的飛速發展，致使其在極其復雜的醫學影像判讀中成績斐然，在醫療診斷和病情分析中表現卓越，并在其他領域也展現出非凡的應用潛力。卷積神經網絡(Convolutional Neural Networks，CNN)是深度學習的代表算法之一，其被廣泛應用于圖像處理中。傳統的CNN模型隨著卷積層的疊加(Stacked Layers)，由于非線性激活函數的存在，使每次信息在卷積層之間傳播都存在損失，導致深層傳遞的低維數據坍塌(Collapse)和此處神經元“死亡”。ResNet模型提出殘差學習的思想，一定程度上解決了梯度消失的問題，保護了信息的完整性。在處理復雜圖像時，需要更深層的網絡來提取圖像特征時，ResNet模型便脫穎而出。

發明內容

發明目的：本發明目的是提供一種可以避免背景干擾和由于納米探針自身各向異性所致的散射色差帶來的計數困難的基于深度學習分析暗場顯微鏡中納米探針捕獲病毒的方法，提高了計數和分析的精確度。同時，本發明的方法也可以為暗場顯微鏡成像分析提供新的思路，具有很強的泛化能力和實際價值。

技術方案：本發明提供一種基于深度學習分析暗場顯微鏡中納米探針捕獲病毒的方法，包括如下步驟：

(1)基于Opencv的金納米顆粒提取和去噪的模型設計；

(2)基于ResNet50作為納米顆粒夾心結構判定的模型設計；

(3)使用訓練好的基于ResNet50的夾心結構分辨模型和基于Opencv的金納米顆粒提取去噪模型對暗場顯微鏡成像原圖進行實時分析和判斷。

進一步地，所述步驟(1)的模型設計方法如下：

a、獲取暗場顯微鏡成像原圖；

b、將原圖由RGB三通道轉換為HSV三通道；

c、確定金納米顆粒紅色特征HSV上下界，創建掩膜；