[发明专利]一种微液滴图像检测法中微液滴的分析方法

说明书

本发明提供一种微液滴图像检测法中微液滴的分析方法，所述分析方法包括以下步骤：训练一个能对输入图像进行二分类的卷积神经网络分类器，利用霍夫变换处理待检测微液滴图像，得到所述微液滴图像中每个液滴疑似物的具体位置，将所有所述微液滴疑似物的图像提取出来；和每个微液滴疑似物图像送入S1训练好的分类器中，分类器判读该待测微液滴图像中液滴哪些是合格的液滴，哪些是不合格的液滴。本发明本法采用霍夫变换和深度学习的方法，相比于传统数字图像处理方法，不仅能够更准确的识别微液滴，而且能够对识别到的微液滴进行质检，避免不合格液滴对后续分析带来的干扰而带来的假阳性情况。

技术领域

本发明涉及微液滴领域，特别涉及一种微液滴图像检测法中微液滴的分析方法。

背景技术

微液滴数字PCR由于其极高的灵敏度与准确性，已经在生物医学检测领域取得了广泛的应用，该技术将DNA或者RNA样本稀释并分散在几万个甚至几百万个独立的微液滴中，每个反应单元中包含零个或一个或多个目标份子(DNA或者RNA模版)，在所有的微液滴完成扩增后，分析每个液滴中的荧光信号强度，并结合数学工具实现样本中核酸浓度的检测。

在对扩增后的微液滴进行检测时，成像法是一种成熟且优良的检测方法。然而在大视野成像中，一张图像中可能含有几十万甚至百万个微液滴，由于光照条件往往是不均匀的，处在边缘的液滴往往表现出与处在中央部分的液滴不同的特征。在传统的处理方法中，常常使用霍夫变换作为基本原理，这种方法需要预先设置霍夫变换的严格程度，如果采用标准严格的霍夫变换，往往会产生漏检现象，如果采用标准宽松的霍夫变换，往往会产生误检现象。

在液滴的生成、扩增过程中，可能会将不溶性的杂质引入微液滴中；在液滴的检测过程中，微流控芯片上也可能吸附空气中的灰尘，二者都使得原本的液滴图像被破坏，在后续的检测过程中，不合格的液滴往往具有极高的荧光强度，很有可能产生假阳性问题。

发明内容

本发明的目的是为了克服上述微液滴图像处理方法的不足，提供一种微液滴图像检测法中微液滴的分析方法，其特征在于，所述分析方法包括以下步骤：S1：训练一个能对输入图像进行二分类的卷积神经网络分类器，该网络用于识别和判断待检测微液滴图像中液滴哪些是合格的液滴，哪些是不合格的液滴；S2：利用霍夫变换处理待检测微液滴图像，得到所述微液滴图像中每个液滴疑似物的具体位置；S3：将所有所述微液滴疑似物的图像提取出来；S4：将每个微液滴疑似物图像送入S1训练好的分类器中，分类器判读该待测微液滴图像中液滴哪些是合格的液滴，哪些是不合格的液滴。

在一种实施方式中，所述S1包括以下步骤：S11：利用检测器在成像参数下拍摄一定数量的微液滴图像；S12：利用霍夫曼变换对S11中拍摄的微液滴图像进行识别，得到微液滴图像中所有微液滴疑似物在各自图像中的具体位置；S13：将S12中每一个微液滴疑似物的小型图像截取取出来，使微液滴疑似物的中心位于所述小型图像中心；S14：手动标记S13中得到的每一个液滴疑似物的小型图像，区分所述微液滴疑似物中哪些是合格的微液滴或者不合格的微液滴，将这些小型图像和手动标注的标签整合形成数据集；S15：搭建一个含有输入层、卷基层一、池化层一、卷基层二、池化层二、全链接层一、全链接层二、输出层的卷积神经网络；和S16：把S14中得到的所述数据集进行预处理，然后输入S15中搭建的卷积神经网络中训练，直到该神经网络成为对输入图像进行二分类的卷积神经网络分类器。

在一种实施方式中，S12中霍夫变换借助Matlab软件中的imfindcircle函数实现，该函数通过霍夫变换识别图像中的圆形物体。

在一种实施方式中，S16中把S14中得到的所述数据集进行预处理，包括将S14中数据集的每一张小型图像转化为灰度图，并对灰度图像进行归一化处理，使灰度值在0到1之间。

在一种实施方式中，S15中模仿“LeNet”网络结构搭建所述卷积神经网络。