[发明专利]一种基于CNN网络的DPCR液滴荧光检测方法

说明书

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。

技术领域

本申请涉及DPCR检测技术领域，特别是涉及一种基于CNN网络的DPCR液滴荧光检测方法。

背景技术

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。

申请公布号为CN112070711A的中国发明，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。

申请公布号为CN106399075A的中国发明，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。

发明内容

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。

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。

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。