[发明专利]基于掩膜区域卷积神经网络的荧光编码微球图像检测方法

说明书

本发明涉及计算机视觉的图像处理领域，为在悬浮芯片技术基础上，针对分析方法中存在的成本较高、准确度不足等问题，结合显微图像采集技术，可准确检测待检物种类与浓度，具有操作简单、灵活、成本低等优点，本发明，基于掩膜区域卷积神经网络的荧光编码微球图像检测方法,步骤如下：步骤1：微球图像获取；步骤2：图像裁剪与标注；步骤3：训练样本集与测试集建立；步骤4：掩膜区域卷积神经网络搭建；步骤5：网络训练和验证，利用随机梯度下降法进行训练掩膜区域卷积神经网络；步骤6：图像采集与分析。本发明主要应用于计算机图像处理场合。

技术领域

本发明涉及计算机视觉的图像处理领域，尤其涉及一种基于掩膜区域卷积神经网络(Mask Region Convolutional Neural Network,Mask R-CNN)的荧光编码微球图像检测方法。

背景技术

自深度学习技术出现以来，其已经在很多领域，特别是计算机视觉、语音识别领域表现出强大的能力。卷积神经网络是一种前馈神经网络，由一个或多个卷积层及顶端的全连接层组成，在大型图像处理领域有出色的表现。相比于其他深度前馈神经网络结构如全连接神经网络，卷积神经网络的参数更少，训练计算量更小，使其可以具有更深的深度，因而可以提取到图像中更深层次的高维特征。目前卷积神经网络已经在影像识别、视讯分析、自然语言处理等诸多领域中进行了应用。

区域卷积神经网络(Region Convolutional Neural Network,R-CNN)是利用深度学习进行目标检测的开山之作，由Ross Girshick于2014年首先提出。相比于传统的可变型部件模型算法(Deformable Parts Models,DPM)，在PASCAL视觉物体分类(Visual ObjectClasses,VOC)竞赛中将检测率提高了20％以上。其主要流程包括四个步骤：候选区域生成、特征提取、类别判断、区域修正。在区域卷积神经网络的基础上，各变种算法包括快速区域卷积神经网络、Mask R-CNN等将区域神经网络的训练和应用速度大幅提高。

随着生命科学的不断发展，人们对生物检测技术的精度和速度提出了更高的要求。荧光编码微球是一种性质稳定、荧光灵敏度高的固相球体，已被广泛应用于生物标志物检测领域。典型的荧光编码微球应用手段包括免疫层析试纸分析技术和悬浮阵列技术。对于前者，不仅需要针对不同种类的荧光编码微球制备相应的试纸条，还需要设计对应的试纸分析仪以获取标志物工作曲线进而检测待检物浓度；而后者目前存在无法检测荧光光谱完整信息的局限性，且需要完成液态悬浮芯片仪及相关软、硬件设备的设计。因此需提出一种分析准确度高、速度快、成本较低的荧光编码微球分析方法。

发明内容

为克服现有技术的不足，本发明旨在提出一种基于掩膜区域卷积神经网络的荧光编码微球图像检测方法，在悬浮芯片技术基础上，针对分析方法中存在的成本较高、准确度不足等问题，结合显微图像采集技术，利用本发明对荧光编码微球图像进行定性和定量分析，可准确检测待检物种类与浓度，与传统方法相比具有操作简单、灵活、成本低等优点。为此，本发明采取的技术方案是，基于掩膜区域卷积神经网络的荧光编码微球图像检测方法,步骤如下：

步骤1：微球图像获取：将多种携带已知编码荧光信息的微球和对应待检物质置入同一液相反应体系中，令微球表面探针分子与对应待检物发生免疫反应相结合，反应一段时间后，利用陷阱芯片俘获微球，将微球固定在陷阱芯片上，首先使用980nm波长激光对陷阱芯片进行扫描，激发微球内部荧光物质，利用电荷耦合器件(Charge-coupled Device,CCD)图像传感器获得待检物定性图像；然后使用激光激发微球表面待检物结合的荧光分子，利用CCD图像传感器获得待检物定量图像；反复重复实验过程，获得多对定性和定量图像，将定性图像和定量图像分开，分别构成荧光编码微球定性图像集和定量图像集；