【技术实现步骤摘要】
一种基于机器学习的免疫层析浓度检测方法及系统
本专利技术涉及免疫层析浓度检测领域，特别是涉及一种基于机器学习的免疫层析浓度检测方法及系统。
技术介绍
免疫层析是一种将纳米颗粒作为标记物的快速检测方法，主要应用于医学检测、食品安全检测、农牧业等多个领域中。免疫层析检测作为常用的快速检测方法，将层析法和免疫检测的优点有效的结合在一起，同时免疫层析法具有操作简单、检测快速、重复性好、特异性和敏感性高、取样量少的优点，在试纸条检测过程中无需复杂的仪器或仅需简单的仪器，操作人员无需专业培训，因此免疫层析检测非常适合现场快检和大规模筛查之用，具有广阔的应用前景。纳米粒子具有生物专一性的优点，可以保证粒子的特异性结合和识别。其中胶体金纳米粒子具有高电子密度、介电特性和催化作用，能与多种生物大分子结合，在免疫层析领域已经取得了重大进展。利用胶体金纳米粒子作为生物标记物具有单一试剂，单步操作的显著优点，同时全部试剂可在室温长期保存，在现场技术中应用广泛。传统的对于胶体金检测信号提取的方法包括基于特征提取的小波变换方法、边缘算子...
【技术保护点】
1.一种基于机器学习的免疫层析浓度检测方法，其特征在于，包括：/n获取人绒毛膜促性腺激素HCG和心梗三项的免疫层析试纸条图像；/n对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像；/n根据所述预处理后的免疫层析试纸条图像构建U-Net语义分割网络；/n将待测样本输入到所述U-Net语义分割网络，以前景和背景分割的方式，输出目标检测区域；所述待测样本为待测的人绒毛膜促性腺激素HCG和心梗三项的免疫层析试纸条图像；/n将所述目标检测区域内的像素点强度划分为RGB三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别；所述浓度类别...
【技术特征摘要】
1.一种基于机器学习的免疫层析浓度检测方法，其特征在于，包括：
获取人绒毛膜促性腺激素HCG和心梗三项的免疫层析试纸条图像；
对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像；
根据所述预处理后的免疫层析试纸条图像构建U-Net语义分割网络；
将待测样本输入到所述U-Net语义分割网络，以前景和背景分割的方式，输出目标检测区域；所述待测样本为待测的人绒毛膜促性腺激素HCG和心梗三项的免疫层析试纸条图像；
将所述目标检测区域内的像素点强度划分为RGB三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别；所述浓度类别包括高浓度类别、中浓度类别以及低浓度类别。
2.根据权利要求1所述的基于机器学习的免疫层析浓度检测方法，其特征在于，所述对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像，具体包括：
对所述免疫层析试纸条图像进行去噪和归一化处理，将所述免疫层析试纸条图像的尺寸调整为256*256，确定调整后的免疫层析试纸条图像；
利用形态学方法对所述调整后的免疫层析试纸条图像进行扩充，确定预处理后的免疫层析试纸条图像；所述形态学方法包括平移扩充方法以及翻转扩充方法。
3.根据权利要求1所述的基于机器学习的免疫层析浓度检测方法，其特征在于，所述U-Net语义分割网络具体包括：压缩路径以及扩展路径；
所述压缩路径包括多层卷积层以及最大池化层；所述卷积层包括两个3x3卷积核，相邻的两层卷积层之间通过激活函数模块相连接，所述卷积层用于对输入的图像数据进行卷积计算，并完成卷积输出；最后一层卷积层与所述最大池化层相连接，所述最后一层卷积层的输出数据作为所述最大池化层的输入数据输入至所述最大池化层；其中，对每一层的所述卷积层内的图像数据进行下采样操作，以获取压缩图像数据；
所述扩展路径包括多层反卷积层；所述反卷积层包括一个3×3卷积核，相邻的两层反卷积层之间通过激活函数模块相连接，所述反卷积层用于对输入的所述压缩图像数据进行反卷积计算，并完成反卷积输出；其中，对每一层的所述反卷积层内的压缩图像数据进行上采样操作，以获取还原图像数据。
4.根据权利要求1所述的基于机器学习的免疫层析浓度检测方法，其特征在于，所述将所述目标检测区域内的像素点强度划分为RGB三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别，之前还包括：
构建随机森林树模型；
以RGB三通道向量强度为输入，以类标签为输出，训练随机森林树模型，构建所述分类网络；所述类标签对应所述浓度类别。
<...
【专利技术属性】
技术研发人员：王侃，秦琪，徐昊，崔大祥，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31
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。