[發(fā)明專利]基于深度學(xué)習(xí)的堿性磷酸酶濃度檢測方法及應(yīng)用軟件

在審

• 申請?zhí)枺?/td>: 202211450123.6
• 申請日: 2022-11-19
• 公開（公告）號: CN115937103A
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 李慧盈;趙勇行
• 申請（專利權(quán)）人: 吉林大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/048;G06T5/00;G06N3/08;G06V10/764;G01N21/84
• 代理公司: 長春中科長光知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 22218
• 代理人: 郭婷

本發(fā)明提供一種基于深度學(xué)習(xí)的堿性磷酸酶濃度檢測方法，基于深度學(xué)習(xí)對圖片進(jìn)行數(shù)據(jù)處理；建立深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練；將堿性磷酸酶濃度檢測圖像輸入訓(xùn)練完成的深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)模型即可獲得堿性磷酸酶的濃度值。基于深度學(xué)習(xí)的堿性磷酸酶濃度檢測方法設(shè)計了應(yīng)用軟件，采用Pytorch深度學(xué)習(xí)框架將深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)模型部署在手機(jī)端；并進(jìn)行功能設(shè)計。本發(fā)明實(shí)現(xiàn)了在電子產(chǎn)品上進(jìn)行堿性磷酸酶的濃度檢測，解決了目前堿性磷酸酶濃度檢測的不便，僅通過手機(jī)或其他電子設(shè)備進(jìn)行拍照上傳，即可得到堿性磷酸酶的濃度值，相比于現(xiàn)有的比色法等極大地節(jié)約了人力和物力，緩解了一些地區(qū)醫(yī)療資源匱乏的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及堿性磷酸酶的檢測領(lǐng)域，具體提供一種基于深度學(xué)習(xí)的堿性磷酸酶濃度檢測方法及應(yīng)用軟件。

背景技術(shù)

堿性磷酸酶(ALP)是一個非常重要的生物標(biāo)志物，人血清中高水平的堿性磷酸酶表達(dá)通常和一些骨類疾病以及肝類疾病有關(guān)，目前常用的方法是比色法，主要通過ALP參加反應(yīng)體系導(dǎo)致溶液顏色吸光度變化，通過對吸光度分析得到ALP濃度，但比色法靈敏度較低、抗干擾性差且比色法需要復(fù)雜的儀器以及專業(yè)的操作人員，尤其對一些醫(yī)療資源匱乏的區(qū)域不是很方便。

目前還有其他ALP的檢測方法，包括熒光法、電化學(xué)發(fā)光法、表面增強(qiáng)拉曼散射(SERS)法等，其中：

熒光法：通過合成與ALP有特異響應(yīng)性的熒光探針，ALP的存在導(dǎo)致熒光信號的變化(增強(qiáng)或減弱)，通過熒光信號分析ALP濃度，但熒光探針的設(shè)計復(fù)雜，合成過程耗時且可能有毒性。

電化學(xué)發(fā)光法：在電極表面由電化學(xué)引發(fā)的特異性化學(xué)發(fā)光反應(yīng)，包括了電化學(xué)和化學(xué)發(fā)光二個過程，通過發(fā)光信號實(shí)現(xiàn)對ALP檢測，這種方法不僅可以應(yīng)用于所有的免疫測定，而且還可用于DNA或RNA探針檢測。

表面增強(qiáng)拉曼散射(SERS)法：ALP存在時拉曼信號發(fā)生變化，通過金銀納米粒子的表面拉曼增強(qiáng)效應(yīng)，使得拉曼信號放大，從而實(shí)現(xiàn)檢測效果。

但上述方法都存在著費(fèi)用昂貴、檢測過程和操作條件要求高等缺點(diǎn)。因此，急需一種低成本、簡便、快捷、靈敏高的ALP即時檢測技術(shù)。

發(fā)明內(nèi)容

本發(fā)明為解決上述問題，提供了一種基于深度學(xué)習(xí)的堿性磷酸酶濃度檢測方法，并基于該方法設(shè)計了一款手機(jī)應(yīng)用軟件，目的就是解決目前檢測堿性磷酸酶的不便，無論是人力還是物力，僅通過手機(jī)拍照上傳，使用深度學(xué)習(xí)算法進(jìn)行計算，即可得到堿性磷酸酶的濃度值。

本發(fā)明提供的一種基于深度學(xué)習(xí)的堿性磷酸酶濃度檢測方法，包括以下步驟：

S1、基于深度學(xué)習(xí)對圖片進(jìn)行數(shù)據(jù)處理，具體過程如下：

S11、采用雙線性插值法對圖片的尺寸進(jìn)行縮放；

S12、對圖片進(jìn)行中心旋轉(zhuǎn)；

S13、調(diào)整圖片明亮度；

S14、對圖片采用高斯模糊進(jìn)行平滑處理；

S2、建立深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，具體過程如下：

S21、建立ResNet-34，并在其全連接層后添加sigmoid激活函數(shù)；

S22、采用均方損失函數(shù)最小化目標(biāo)值與預(yù)測值之間差值平方和均值，完成深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練；

S3、將堿性磷酸酶濃度檢測圖像輸入訓(xùn)練完成的深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)模型即可獲得堿性磷酸酶的濃度值。

優(yōu)選的，在S11中，雙線性插值法的具體過程如下：