本申请涉及一种基于CNN网络的DPCR液滴荧光检测方法，包括如下步骤：采用光学设备采集液滴图像和液滴荧光图像；收集液滴图像数据，并将收集到的液滴图像数据按照一定的比例划分成训练集、测试集；搭建及训练ResUnet++网络模型，并将训练好的ResUnet++网络模型对液滴图像进行分割；对分割出来的Mask图像进行形态学处理去除小对像的干扰，生成液滴轮廓图像；搭建及训练荧光液滴辨识网络模型，并将训练好的荧光液滴辨识网络模型对液滴荧光图像进行阳性、阴性的识别。本发明专利技术能够有效的从干扰图像、模糊图像中分离出阳性与阴性液滴，提高了浓度计算的准确度，解决了因污染导致假阳性造成结果偏差很大的问题。成结果偏差很大的问题。成结果偏差很大的问题。
【技术实现步骤摘要】
一种基于CNN网络的DPCR液滴荧光检测方法
[0001]本申请涉及DPCR检测
，特别是涉及一种基于CNN网络的DPCR液滴荧光检测方法。
技术介绍
[0002]在DPCR技术中包括了两种。第一种是以流式液滴技术为代表的分子诊断技术，通过气路、液路及物理加压的方式生成液滴，然后通过指定的管路来实现对扩增后的液滴荧光进行检测，并进行对应实验浓度计算。这种方法虽然可以取得较为准确的DPCR浓度值，但实现成本比较高、技术整合较为繁琐、对应开发周期也长。第二种是以生物芯片为载体，使液滴平铺于芯片内，然后进行扩增，再通过拍照形成图像序列，对图像序列进行分析来达到计算相关实验浓度的目的。这种方法虽然对相关设备及结构要求并不高，但是最后计算实验浓度的精度完全取决于图像算法。
[0003]申请公布号为CN112070711A的中国专利技术，公开了一种微液滴图像检测法中微液滴的分析方法，其采用采用霍夫变换和深度学习的方法来实现相关实验浓度计算。首先利用霍夫变换处理待检测微液滴图像，得到微液滴图像中每个液滴疑似物的具体位置，将所有微液滴疑似物的图像提取出来，再使用训练好的分类器判读合格与不合格液滴，实现相关实验浓度计算。由于而霍夫变换是一个常规的图像处理算法，随着光源使用久之后发生的衰减及液滴之间的间隔不明显的情况下，通过霍夫变换分离出来的液滴数量是有较大的减少，同时也导致了后面使用深度学习进行分类时，分离出来的阳性液滴数量与实际数量偏少。跟据泊松分布计算浓度的原理，阳性液滴数少、阴性液滴数少，最终导致整个浓度值与实际值就有较大的偏差。
[0004]申请公布号为CN106399075A的中国专利技术，公开了一种基于反射镜的荧光定量PCR的检测系统，该检测系统利用反射镜原理，通过反射镜、样品试管架模块、光电探测器、光源、光纤及样品试管架等模块，组成一套荧光液滴反射系统。虽然该检测系统结构简单且紧凑、收集荧光能力强。但是对样本受到污染导致的假阳没法辩别及有效的处理。
技术实现思路
[0005]基于此，有必要针对现有技术中DPCR浓度计算的结果偏差很大的问题，提出一种基于CNN网络的DPCR液滴荧光检测方法。
[0006]为了实现上述目的，本申请实施例提供了一种基于CNN网络的DPCR液滴荧光检测方法，包括如下步骤：采用光学设备采集液滴图像和液滴荧光图像；收集液滴图像数据，并将收集到的液滴图像数据按照一定的比例划分成训练集、测试集；搭建及训练ResUnet++网络模型，并将训练好的ResUnet++网络模型对液滴图像进行分割；
对分割出来的Mask图像进行形态学处理去除干扰，生成液滴轮廓图像；搭建及训练荧光液滴辨识网络模型，并将训练好的荧光液滴辨识网络模型对液滴荧光图像进行阳性、阴性的识别。
[0007]优选地，所述ResUnet++网络模型包括：在Unet网络模型向下采样和向上采样进行特征提取的过程中，将卷积层加Relu层的特征提取模块替换成残差模块，在残差模块的每一个卷积层后面加入一个BN层，BN层后面再加入一个Scale层；下采样层和上采样层的数量都有5个加深到7个，7个下采样层输出的特征数据分别与7个上采样层输出的特征数据进行拼接融合。
[0008]优选地，每个所述下采样层都包括4个卷积层、1个池化层、2个BN层及2个Scale层，每个所述卷积层的卷积核大小为5*5，所述池化层的卷积核大小为2*2，每个所述卷积层的卷积核的数量分别为32、 64、128、128、128、128、128；每个所述上采样层都包括1个上采样反卷积层、4个卷积层、4个BN层及4个Scale层，所述上采样反卷积层的卷积核大小为2*2，每个所述卷积层的卷积核的大小为5*5，每个所述上采样反卷积层的卷积核的数量分别为128、128、128、128、128、64、32。
[0009]优选地，所述Unet网络模型在上采样进行反卷积操作之前，还有4个卷积核大小均为5*5的卷积层；所述Unet网络模型在下采样进行至最后一个池化层之前加入一个Dropout层；所述Unet网络模型在首次进行上采样之前加入一个Dropout层；Relu层使用的激活函数为Relu函数。
[0010]优选地，训练ResUnet++网络模型包括：将训练集的液滴图像转换成Mask图像；将液滴图像的RGB值和Mask图像作为ResUnet++网络模型的输入数据；采用分批次的方法对ResUnet+++网络模型使用训练集数据进行训练。
[0011]优选地，所述训练所用的损失函数为交叉熵损失函数；在训练之前设定基础学习率和权重衰减值；计算训练过程中Mask图像中真实值和预测值的交叉商值，并采用自适应矩估计梯度下降法进行优化及反向传播更新参数。
[0012]优选地，采用收集好的测试集图像数据对ResUnet++网络模型进行效果测试，当相似度IOU>0.97时，将该训练好的ResUnet++网络模型用于分割液滴图像。
[0013]优选地，所述将训练集的液滴图像转换成Mask图像包括：将训练集的液滴图像通过二值化算法处理到液滴图像的二值图像；对二值图像进行形态学开运算、闭运算处理，去除干扰杂质和噪点；对形态学开运算、闭运算处理后的图像进行调整，使得每个液滴图像与其对应的Mask图像大小一致，且液滴图像与Mask图像的最大偏差不能超过5个像素，并将Mask图像做为液滴图像的标签数据；对收集到的液滴图像数据进行镜像处理并增加训练集的数据，同时对训练集的液滴图像进行高斯模糊处理，高斯模糊半径为3个像素以上；对训练集的液滴图像进行gamma拉伸增强处理。
[0014]优选地，所述对分割出来的Mask图像进行形态学处理去除干扰，生成液滴轮廓图像包括：使用Opencv中的getStructuringElement()函数，选择开运算模式创建一个10*10算子，并返回指定变量；使用Opencv中的erode()函数通过返回的指定变量来实现对Mask图像的侵蚀，从而达到去除干扰的目的；使用Opencv中的dilate()函数，创建一个11*11的算子进行形态学膨胀，使Mask图像恢复原来大小；使用Opencv中的Robert算子提取Mask图像的边缘图像，并通过二值化算法对形成的边缘图像进行增强，从而形成完整的液滴轮廓图像。
[0015]优选地，所述荧光液滴辨识网络模型包括2个卷积层、2个池化层、2个全连接层，第一个卷积层与第一个池化层之间有ReLU激活函数和LRN层，第二个卷积层与第二个池化层之间有ReLU激活函数，两个全连接层之间有ReLU激活函数和Dropou层。
[0016]本专利技术所提供的一种基于CNN网络的DPCR液滴荧光检测方法具有如下优点和有益效果：通过ResUnet++网络模型及荧光液滴辨识网络模型可以有效的从干扰图像、模糊图像中分离出阳性与阴性液滴，提升DPCR实验最终浓度计算的准确度，有效的解决了因污染导致假阳性造成结果偏差很大的问题。
附图说明
[0017]图1为本申请基于CNN网络的D本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于CNN网络的DPCR液滴荧光检测方法，其特征在于，包括如下步骤：采用光学设备采集液滴图像和液滴荧光图像；收集液滴图像数据，并将收集到的液滴图像数据按照一定的比例划分成训练集、测试集；搭建及训练ResUnet++网络模型，并将训练好的ResUnet++网络模型对液滴图像进行分割；对分割出来的Mask图像进行形态学处理去除小对像的干扰，生成液滴轮廓图像；搭建及训练荧光液滴辨识网络模型，并将训练好的荧光液滴辨识网络模型对液滴荧光图像进行阳性、阴性的识别。2.根据权利要求1所述的基于CNN网络的DPCR液滴荧光检测方法，其特征在于，所述ResUnet++网络模型包括：在Unet网络模型向下采样和向上采样进行特征提取的过程中，将卷积层加Relu层的特征提取模块替换成残差模块，在残差模块的每一个卷积层后面加入一个BN层，BN层后面再加入一个Scale层；下采样层和上采样层的数量都有5个加深到7个，7个下采样层输出的特征数据分别与7个上采样层输出的特征数据进行拼接融合。3.根据权利要求2所述的基于CNN网络的DPCR液滴荧光检测方法，其特征在于，每个所述下采样层都包括4个卷积层、1个池化层、2个BN层及2个Scale层，每个所述卷积层的卷积核大小为5*5，所述池化层的卷积核大小为2*2，每个所述卷积层的卷积核的数量分别为32、 64、128、128、128、128、128；每个所述上采样层都包括1个上采样反卷积层、4个卷积层、4个BN层及4个Scale层，所述上采样反卷积层的卷积核大小为2*2，每个所述卷积层的卷积核的大小为5*5，每个所述上采样反卷积层的卷积核的数量分别为128、128、128、128、128、64、32。4.根据权利要求3所述的基于CNN网络的DPCR液滴荧光检测方法，其特征在于，所述Unet网络模型在上采样进行反卷积操作之前，还有4个卷积核大小均为5*5的卷积层；所述Unet网络模型在下采样进行至最后一个池化层之前加入一个Dropout层；所述Unet网络模型在首次进行上采样之前加入一个Dropout层；Relu层使用的激活函数为Relu函数。5.根据权利要求1所述的基于CNN网络的DPCR液滴荧光检测方法，其特征在于，训练ResUnet++网络模型包括：将训练集的液滴图像转换成Mask图像；将液滴图像的RGB值和Mask图像作为ResUnet++网络模型的输入数据；采用分批次的方法对ResUnet+++网络模型使用训练集数...
【专利技术属性】
技术研发人员：赵赛赛，梁业兴，陈东伟，
申请(专利权)人：深圳市中科先见医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。