[发明专利]基于深度学习分析暗场显微镜中纳米探针捕获病毒的方法

说明书

本发明公开了基于深度学习分析暗场显微镜中纳米探针捕获病毒的方法，包括如下步骤：(1)基于Opencv的金纳米探针提取和去噪模型设计；(2)ResNet50为纳米探针夹心结构判定的模型设计；(3)使用训练好的基于ResNet50的夹心结构分辨模型和基于Opencv的金纳米颗粒提取去噪模型对暗场显微镜成像原图进行实时分析和判断。该方法基于OpenCV的金纳米探针提取模型有效地去除背景的干扰，基于ResNet50的夹心结构判定模型正确识别金、银双纳米探针与病毒结合形成的“银纳米探针@病毒@金纳米探针”夹心结构，从而保证纳米探针捕获病毒后在暗场中计数的效率和准确性，使以纳米颗粒为信号探针，以暗场显微镜为平台的靶标分子和微生物检测中具备真正的应用价值。

技术领域

本发明涉及生物影像分析与计算机视觉技术领域，特别涉及基于深度学习分析暗场显微镜中纳米探针捕获病毒的方法。

背景技术

以不同纳米颗粒为双信号探针，暗场显微镜为平台，构建针对微生物和各分子靶标的生物检测方法之文章层出不穷。但在最终的计数环节中，大都挑选视野内杂质较少，颗粒较清晰的图片；或借助图像分析软件去过度处理以达到刻意去除杂质和美化结果的目的；或是利用高端仪器去测散射光谱。这些方法避轻就重，耗时耗费。结合我们之前的研究分析，造成最终成像结果并不如理想状态那么完美的原因有三。(1)利用暗场显微镜对目标分子的检测大都直接在普通载玻片上进行，由于常规清洗(100％无水乙醇浸泡后超声)和滴加样品的过程中，易受周围复杂环境中颗粒性杂质的干扰。所以，难免在最终视野内出现星星点点的杂质颗粒。(2)未与靶标分子结合的纳米颗粒在洗脱过程中也难以被全部去除，造成最终视野内出现过量的纳米颗粒，导致以散射光谱定量的方法并不是很具说服力。(3)由于纳米颗粒的各向异性所导致对光源的散射角度不同，从而使不同纳米颗粒在暗场显微镜下的成像结果有些许色差。

OpenCV是计算机视觉处理库，包含很多模块化的图像处理算法，使用者可以自由便捷地通过计算机编程语言Python导入后对目标图片进行处理。近些年来，由于基于深度学习的计算机视觉技术的飞速发展，致使其在极其复杂的医学影像判读中成绩斐然，在医疗诊断和病情分析中表现卓越，并在其他领域也展现出非凡的应用潜力。卷积神经网络(Convolutional Neural Networks，CNN)是深度学习的代表算法之一，其被广泛应用于图像处理中。传统的CNN模型随着卷积层的叠加(Stacked Layers)，由于非线性激活函数的存在，使每次信息在卷积层之间传播都存在损失，导致深层传递的低维数据坍塌(Collapse)和此处神经元“死亡”。ResNet模型提出残差学习的思想，一定程度上解决了梯度消失的问题，保护了信息的完整性。在处理复杂图像时，需要更深层的网络来提取图像特征时，ResNet模型便脱颖而出。

发明内容

发明目的：本发明目的是提供一种可以避免背景干扰和由于纳米探针自身各向异性所致的散射色差带来的计数困难的基于深度学习分析暗场显微镜中纳米探针捕获病毒的方法，提高了计数和分析的精确度。同时，本发明的方法也可以为暗场显微镜成像分析提供新的思路，具有很强的泛化能力和实际价值。

技术方案：本发明提供一种基于深度学习分析暗场显微镜中纳米探针捕获病毒的方法，包括如下步骤：

(1)基于Opencv的金纳米颗粒提取和去噪的模型设计；

(2)基于ResNet50作为纳米颗粒夹心结构判定的模型设计；

(3)使用训练好的基于ResNet50的夹心结构分辨模型和基于Opencv的金纳米颗粒提取去噪模型对暗场显微镜成像原图进行实时分析和判断。

进一步地，所述步骤(1)的模型设计方法如下：

a、获取暗场显微镜成像原图；

b、将原图由RGB三通道转换为HSV三通道；

c、确定金纳米颗粒红色特征HSV上下界，创建掩膜；