CN105844333A - 一种基于深信度网络的免疫层析试条定量检测方法 - Google Patents

Abstract

本发明公开了一种基于深信度网络的免疫层析试条定量检测方法，包括以下步骤：采集若干不同浓度样品液的免疫层析试条图像作为训练图像，预处理后提取包含检测线和质控线的目标区域；以像素作为样本单位，选取适当的网络输入特征量，计算出每个样本的输入量从而获得训练样本；构造基于受限玻尔兹曼机的深信度网络，输入训练样本，完成深信度网络的训练；将待测样品液试条图像进行预处理，计算输入特征量，得到测试样本；将测试样本输入到已训练的深信度网络得到待测样品液的图像分割结果；根据图像分割结果计算特征量得到定量检测浓度值。本发明可以获得较好的图像分割效果，提高了待测样品液浓度辨识的准确率，具有较强的应用性和鲁棒性。

Description

一种基于深信度网络的免疫层析试条定量检测方法

技术领域

本发明涉及免疫层析试条定量测试技术领域，特别是涉及一种基于深信度网络的免疫层析试条定量检测方法。

背景技术

免疫层析测定法是一种快速诊断技术，在层析过程中完成抗原抗体的特异性反应，从而达到检测的目的。免疫层析测定法由于符合现代医学倡导的“床边检验”的发展潮流，具有特异性强，操作方法简单、效率高、可以单人份检测及无污染等特点而成为最常用的一种侧流免疫层析快速检测方法。

在目前应用中，由于试条背景受待测液中的水、血、标记物纳米金以及渗透不均匀的干扰，大多仅适用于定性或半定量检测，且普遍采用直接肉眼判读，使其应用范围受到一定限制。而且定性或半定量的检测结果提供的信息较少，无法满足实际应用的要求。因此，本专利采用图像处理和人工智能等相关技术，提出了一种基于深信度网络的免疫层析试条定量检测方法。

发明内容

本发明为了克服现有技术存在的不足之处，提供一种基于深信度网络的免疫层析试条定量检测方法。所述方法能够有效克服内外部干扰因素的影响，准确提取试条的检测线和质控线，计算特征量从而得出待测样品液的浓度，实现免疫层析试条的定量检测。

本发明采用的技术方案是：一种基于深信度网络的免疫层析试条定量检测方法，包括以下步骤：

1、采集若干不同浓度样品液的免疫层析试条图像作为训练图像，对它们进行预处理，提取出包含检测线和质控线的目标区域。

2、以像素作为样本单位，选取适当的网络输入特征量，计算出每个样本的输入量从而获得训练样本。

3、构造基于受限玻尔兹曼机的深信度网络，确定深信度网络的层数以及各层节点数，输入训练样本，根据图像分割效果来调节网络参数，完成深信度网络的训练。

4、与训练图像相同，将待测样品液试条图像进行预处理，计算输入特征量，得到测试样本。

5、将测试样本输入到已经训练好的深信度网络里，得到待测样品液的图像分割结果。

6、根据得到的图像分割结果计算待测样品液试条图像的特征量。

7、根据样品液浓度与特征量之间的特定关系，得出待测物样品液的定量检测浓度值。

本发明为基于深信度网络的免疫层析试条定量检测方法，以像素作为样本单位，输入特征量考虑了三个方面的因素，所述步骤2具体包括：

21)因素一：邻域像素点的灰度值。取邻域窗口大小为n，将其展开维度为n×n的一维向量，其中边界像素点可使用镜像的方法补齐。

22)因素二：距离值。计算像素点到中心点的距离。

23)因素三：对比值。表征检测线或质控线与背景位置像素点灰度值的差值，取目标区域中的第一行与最后一行的灰度平均值和灰度最小值的差值。

24)分别对各个输入特征量进行归一化处理，使其数值都处于区间[0,1]内，避免单位和数量级的影响。

所述步骤3具体包括：

31)构建基于受限玻尔兹曼机的四层深信度网络，包括一个输入层、两个隐含层和一个输出层，其中，输入层节点数与训练样本的输入特征量的维数一致，输出层节点数与像素点的分类类别数一致。

32)预训练阶段：训练样本输入到第1层受限玻尔兹曼机(RBM)的可见层，通过逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含层输出作为上一层的RBM的可见层的输入。

33)微调阶段：采用有监督学习方式对最后一层的反向传播(BP)网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对深信度网络的权值进行微调。

34)根据图像分割效果调节和优化网络参数，完成深信度网络的训练。

本发明的有益效果：1)选择了含多个隐含层的深信度网络，具有非常优异的特征表达能力；2)有效克服了内外部干扰因素的影响，可以获得较好的图像分割效果，提高了待测样品液浓度辨识的准确率，具有较强的应用性和鲁棒性；3)实现了免疫层析试条的定量检测，具有重要的理论意义和应用前景，可为现场测定如临床诊断、环境检测、农业、食品安全检测及一些新兴领域比如分子诊断等提供一种新的、快速准确而有效的检测手段。

以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种基于深信度网络的免疫层析试条定量检测方法不局限于实施例。

附图说明

图1是本发明的方法流程图；

图2是基于深信度网络的免疫层析试条定量检测图像分割结果图，其中左侧为提取出的目标区域，右侧为通过本方法的图像分割结果；

图3是基于深信度网络的免疫层析试条定量检测实例结果图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明，如图1所示，一种基于深信度网络的免疫层析试条定量检测方法，包括以下步骤：

1、采集若干不同浓度样品液的免疫层析试条图像作为训练图像，对它们进行预处理，分别提取出包含检测线和质控线的目标区域，目标区域的大小为180×90。

2、将目标区域分成两个部分，一部分为检测线及其背景，另一部分为质控线及其背景，大小均为50×90。以像素作为样本单位，选取适当的网络输入特征量，计算出每个样本的输入量，输入特征量考虑三个方面的因素，包括以下步骤：

21)因素一：邻域像素点的灰度值。取邻域窗口大小为13，将其展开维度为13×13的一维向量，其中边界像素点可使用镜像的方法补齐。

22)因素二：距离值。计算像素点到中心点的距离。

23)因素三：对比值。表征检测线或质控线与背景位置像素点灰度值的差值，取目标区域中的第一行与最后一行的灰度平均值和灰度最小值的差值。

24)分别对各个输入特征量进行归一化处理，使其数值都处于区间[0,1]内，避免单位和数量级的影响。

25)对于每个样本，输入向量的维度为171，像素点个数为4500。选择18张图片作为训练样本，则训练样本的个数为18×4500×171。

3、构造基于受限玻尔兹曼机的深信度网络，输入训练样本，完成深信度网络的训练，包括以下步骤：

31)构建基于受限玻尔兹曼机的四层深信度网络，包括一个输入层、两个隐含层和一个输出层，其中，输入层节点数为171，第一层隐含层节点数为100，第二层隐含层节点数为100，输出层节点数为2(背景部分用0表示，检测线或质控线部分用1表示)。

32)预训练阶段：训练样本输入到第1层受限玻尔兹曼机(RBM)的可见层，通过逐层训练的方式对各层中的RBM进行训练，低一层RBM的隐含层输出作为上一层的RBM的可见层的输入。随机初始化模型参数θ＝(w_ij,a_i,b_j)，w_ij表示可见层节点v_i与隐含层h_j之间的连接权值，a_i和b_j分别表示v_i和h_j的偏置值。采用对比散度算法，各参数的更新规则如下：

Δw_ij＝ε(＜v_ih_j＞_data-＜v_ih_j＞_recon) (1)

Δa_i＝ε(＜v_i＞_data-＜v_i＞_recon) (2)

Δb_j＝ε(＜h_j＞_data-＜h_j＞_recon) (3)

其中，ε为预训练的学习率，＜＞_data为训练数据集所定义的分布上的数学期望，＜＞_recon为重构后的模型所定义的分布上的数学期望。

33)微调阶段：采用有监督学习方式对最后一层的反向传播(BP)网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对深信度网络的权值进行微调。对于输出层，第i个节点的灵敏度δ为：

δ_i＝o_i(1-o_i)(d_i-o_i) (4)

其中，o_i为第i个节点的实际输出，d_i为期望输出。

对于第l个隐含层，灵敏度δ为：

${\mathrm{\δ}}_i^l=y_i^l(1-y_i^l)\underset{j}{\mathrm{\Σ}}{w}_{ij}^l{\mathrm{\δ}}_j^{l+1}---\left(5\right)$

其中，为第l个隐含层中第i个节点的灵敏度，为第l个隐含层中第i个节点的输出，为第(l+1)个隐含层中第j个节点的灵敏度，表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值；

得到各层的δ之后，DBN的网络权值按下式进行更新：

$w_{ij}^l=w_{ij}^l+{\mathrm{\ϵ}}_{fine-turning}\×y_i^l{\mathrm{\δ}}_j^{l+1}---\left(6\right)$

$b_j^l=b_j^l+{\mathrm{\ϵ}}_{fine-turning}\×{\mathrm{\δ}}_j^{l+1}---\left(7\right)$

其中，ε_fine-turning为微调的学习率，为第(l+1)个隐含层中第j个节点的灵敏度，为第l个隐含层中第i个节点的输出，表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值。

34)根据图像分割效果来调节优化网络参数，完成深信度网络的训练。网络参数最终确定为：预训练和微调阶段的学习率均为1，mini-batch的大小分别为100和50，迭代次数设置为20。

4、与训练图像相同，将待测样品液试条图像进行预处理，计算输入特征量，得到测试样本。

5、将测试样本输入到已经训练好的深信度网络里，得到待测样品液的图像分割结果。

6、根据得到的图像分割结果计算待测样品液试条图像的特征量。

7、根据样品液浓度与特征量之间的特定关系，得出待测物样品液的定量检测浓度值。

为了验证本发明方法在免疫层析试条定量检测领域的效果，对多种浓度的hCG(人绒毛膜促性腺激素)样品液纳米金免疫层析试条图像进行检测，结果如表1和图2、3所示。

表1纳米金免疫层析试条的特征量

hCG浓度(mIU/ml)	35	75	100	150
					特征量	0.4686	0.6241	0.9697	1.0803
hCG浓度(mIU/ml)	200	300	400	500
					特征量	1.8766	2.0895	2.8828	3.8213

从表1可以看出，随着hCG样品液浓度的增加，试条的特征值量也逐渐增加。图2中，由提取出的目标区域及通过本方法的图像分割结果两者明显地可以看出，本方法具有较准确的图像分割效果。图3为通过最小均方误差拟合得到的hCG-特征量直线，可以看出拟合直线的相关度很好(R²＝0.97681)，从而验证了本方法的准确性和实用性。

上述实施例仅用来进一步说明本发明的一种基于深信度网络的免疫层析试条定量检测方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。

Claims (7)

1.一种基于深信度网络的免疫层析试条定量检测方法，其特征在于包括以下步骤：

1)、采集若干不同浓度样品液的免疫层析试条图像作为训练图像，对它们进行预处理，分别提取出包含检测线和质控线的目标区域；

2)、以所述训练图像的像素作为样本单位，选取适当的网络输入特征量，计算出每个样本的输入量从而获得训练样本；

3)、构造基于受限玻尔兹曼机的深信度网络，确定深信度网络的层数以及各层节点数，输入所述训练样本，根据图像分割效果来调节网络参数，完成深信度网络的训练；

4)、与训练图像相同，将待测样品液试条图像进行预处理，计算输入特征量，得到测试样本；

5)、将测试样本输入到已经训练好的深信度网络里，得到待测样品液的图像分割结果；

6)、根据得到的图像分割结果计算待测样品液试条图像的特征量；

7)、根据样品液浓度与特征量之间的特定关系，得出待测物样品液的定量检测浓度值。

2.根据权利要求1所述的基于深信度网络的免疫层析试条定量检测方法，其特征在于：步骤1中，所述目标区域分成两个部分，一部分为检测线及其背景，另一部分为质控线及其背景，像素大小相同。

3.根据权利要求1所述的基于深信度网络的免疫层析试条定量检测方法，其特征在于：步骤2中，所述输入特征量包括领域像素点的灰度值、距离值及对比值，其中所述距离值是像素点到中心点的距离，所述对比值是所述检测线或质控线与背景位置像素点灰度值的差值。

4.根据权利要求3所述的基于深信度网络的免疫层析试条定量检测方法，其特征在于：步骤2具体包括以下子步骤：

2.1取领域窗口大小为n，将其展开维度为n×n的一维向量，其中边界像素点通过镜像的方法补齐；

2.2计算像素点到中心点的距离；

2.3取所述目标区域中的第一行与最后一行的灰度平均值和灰度最小值的差值；

2.4分别对各个输入特征量进行归一化处理，使其数值都处于区间[0,1]内。

5.根据权利要求1或4所述的基于深信度网络的免疫层析试条定量检测方法，其特征在于：所述步骤3)具体包括以下子步骤：

3.1构建基于受限玻尔兹曼机的四层深信度网络，包括一个输入层、两个隐含层和一个输出层，其中，输入层节点数与训练样本的输入特征量的维数一致，输出层节点数与像素点的分类类别数一致；

3.2预训练阶段：训练样本输入到第1层受限玻尔兹曼机的可见层，通过逐层训练的方式对各层中的受限玻尔兹曼机进行训练，低一层受限玻尔兹曼机的隐含层输出作为上一层的受限玻尔兹曼机的可见层的输入；

3.3微调阶段：采用有监督学习方式对最后一层的反向传播网络进行训练，并将实际输出与预期输出的误差逐层向后传播，对深信度网络的权值进行微调；

3.4根据图像分割效果调节和优化网络参数，完成深信度网络的训练。

6.根据权利要求5所述的基于深信度网络的免疫层析试条定量检测方法，其特征在于：所述步骤3.2中，随机初始化模型参数θ＝(w_ij,a_i,b_j)，其中w_ij表示可见层节点v_i与隐含层h_j之间的连接权值，a_i和b_j分别表示v_i和h_j的偏置值；采用对比散度算法，各参数的更新规则如下：

Δw_ij＝ε(＜v_ih_j＞_data-＜v_ih_j＞_recon)

Δa_i＝ε(＜v_i＞_data-＜v_i＞_recon)

Δb_j＝ε(＜h_j＞_data-＜h_j＞_recon)

其中，ε为预训练的学习率，＜＞_data为训练数据集所定义的分布上的数学期望，＜＞_recon为重构后的模型所定义的分布上的数学期望。

7.根据权利要求5所述的基于深信度网络的免疫层析试条定量检测方法，其特征在于：步骤3.3中，

对于输出层，第i个节点的灵敏度δ为：

δ_i＝o_i(1-o_i)(d_i-o_i)

其中，o_i为第i个节点的实际输出，d_i为期望输出；

对于第l个隐含层，灵敏度δ为：

其中，为第l个隐含层中第i个节点的灵敏度，为第l个隐含层中第i个节点的输出，为第(l+1)个隐含层中第j个节点的灵敏度，表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值；

得到各层的δ之后，DBN的网络权值按下式进行更新：

其中，ε_fine-turning为微调的学习率，为第(l+1)个隐含层中第j个节点的灵敏度，为第l个隐含层中第i个节点的输出，表示第l个隐含层中第i个节点和第(l+1)个隐含层中第j个节点之间的连接权值。