摘 要: 针对目前荧光免疫层析定量图像峰值点定位易受多种因素影响,导致物质定量准确度低的问题,本文提出了一种融合目标检测的级联卷积神经网络( CNN) 算法。
首先使用 AlexNet 算法对荧光免疫层析图像进行目标区域检测和提取,将含有 C 峰和 T 峰的图像区域提取出来,可以有效提高定位的准确率,降低图像的冗余度,提高定位效率;
然后将提取到含有 C 峰和 T 峰的图像数据输入两层级联卷积神经网络中,对 C 峰和 T 峰的位置进行准确定位,
同时使用并行卷积神经网络,对预测结果进行加权平均,进一步提高预测准确度
实验结果表明,提出的级联卷积神经网络算法,对荧光免疫层析图像峰值点的平均定位准确度达到了 96% 以上,提高了峰值点的定位准确度。
荧光免疫层析简介
荧光免疫层析检测技术主要是基于抗原抗体特异性免疫反应、借助荧光物质作为标记物以及专用扫描式荧光光度仪检测并保存标记物的荧光强度和荧光位置等参数,实现对样品的定量分析。
荧光免疫层析技术具有简单快速、支持现场筛查、灵敏度高、特异性好以及性价比高等优势。
荧光免疫层析定量检测流程主要包括待测物质试纸条反应和孵育、上机检测、光源激发、光电探测器检测、电信号处理、AD 转换处理、滤波算法处理、上位机数据曲线拟合、寻峰处理、浓度计算等步骤。
现阶段制约荧光免疫层析定量检测技术发展的主要因素在于对峰图的寻峰准确率较低。
由于荧光免疫层析定量图像中会出现干扰峰,传统算法易受异常峰干扰,错误识别质控 ( quality control,C) 峰和检测( test,T) 峰,进而无法计算待测物质准确的浓度。
荧光免疫层析峰值点定位
如图 1 所示,荧光免疫层析图像中出现的各类异常峰图存在原因归于以下 3 点:
1) 试剂加样的时候,操作人员的加样量大
2) 试纸条生产工艺问题
3) 与所检测样本的生物基质有关
图 1 3 种主要原因导致异常峰图出现
图 2 所示为荧光免疫层析定量检测得到的异常峰图,峰图中的横坐标代表扫描位置信息,纵坐标为检测到的荧光强度经过光电转换后的数值,分析发现异常峰图的主要特点在于检测峰并未形成完整的高斯峰峰形或存在多个异常峰。
图 2 常见异常峰图类型
峰图本质上属于一种特殊的图像数据,峰图的寻峰问题可以转化为图像的关键点定位问题。
本文采用三层级联结构对图像峰值点进行定位,如图 3 所示,第 1 层采用改进后的 AlexNet 对图像中峰值点区域进行检测和提取; 第 2 层算法对峰值点进行粗定位; 第 3 层算法分别对 C 峰和 T 峰使用两个并联算法进行定位,对结果进行加权平均,完成 C 峰和 T 峰的定位。
图 3 目标检测与级联卷积神经网络定位流程
结果验证
本研究提出的算法对荧光免疫层析图像峰值点定位的准确率超过传统算法 20% 以上,面对异常峰图中峰值点的定位,本文算法依旧可以保持相对较高的定位准确率。
如图 4 所示,其中各峰图中横坐标代表扫描位置信息,纵坐标为各采样点处荧光强度经过光电转换后的数值。
图 4( a ) 为原始峰图,图 4 b) 为人工标注图像,图 4( c ) 是使用传统算法定位结果,其中后两组异常峰图定位错误,图 4( d ) 是使用本文研究算法定位结果,准确度明显提升,定位准确。
其中: 实线箭头代表 C 峰,虚线箭头代表 T 峰。
图 4 算法定位结果展示
参考文献
[1] 基于级联卷积神经网络的荧光免疫层析图像峰值点定位方法研究_张栋
-- 尧灵
-- 2021.03.27
出处:链接