CN110490836B - dPCR微阵列图像信息处理方法 - Google Patents
dPCR微阵列图像信息处理方法 Download PDFInfo
- Publication number
- CN110490836B CN110490836B CN201910600118.0A CN201910600118A CN110490836B CN 110490836 B CN110490836 B CN 110490836B CN 201910600118 A CN201910600118 A CN 201910600118A CN 110490836 B CN110490836 B CN 110490836B
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- dpcr
- microarray
- processing method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002493 microarray Methods 0.000 title claims abstract description 72
- 238000011304 droplet digital PCR Methods 0.000 title claims abstract description 63
- 238000003672 processing method Methods 0.000 title claims abstract description 39
- 230000010365 information processing Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000005286 illumination Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 34
- 239000007850 fluorescent dye Substances 0.000 claims description 30
- 230000009466 transformation Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- BFMYDTVEBKDAKJ-UHFFFAOYSA-L disodium;(2',7'-dibromo-3',6'-dioxido-3-oxospiro[2-benzofuran-1,9'-xanthene]-4'-yl)mercury;hydrate Chemical compound O.[Na+].[Na+].O1C(=O)C2=CC=CC=C2C21C1=CC(Br)=C([O-])C([Hg])=C1OC1=C2C=C(Br)C([O-])=C1 BFMYDTVEBKDAKJ-UHFFFAOYSA-L 0.000 claims description 7
- CGNLCCVKSWNSDG-UHFFFAOYSA-N SYBR Green I Chemical compound CN(C)CCCN(CCC)C1=CC(C=C2N(C3=CC=CC=C3S2)C)=C2C=CC=CC2=[N+]1C1=CC=CC=C1 CGNLCCVKSWNSDG-UHFFFAOYSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- ABZLKHKQJHEPAX-UHFFFAOYSA-N tetramethylrhodamine Chemical compound C=12C=CC(N(C)C)=CC2=[O+]C2=CC(N(C)C)=CC=C2C=1C1=CC=CC=C1C([O-])=O ABZLKHKQJHEPAX-UHFFFAOYSA-N 0.000 claims description 3
- MPLHNVLQVRSVEE-UHFFFAOYSA-N texas red Chemical compound [O-]S(=O)(=O)C1=CC(S(Cl)(=O)=O)=CC=C1C(C1=CC=2CCCN3CCCC(C=23)=C1O1)=C2C1=C(CCC1)C3=[N+]1CCCC3=C2 MPLHNVLQVRSVEE-UHFFFAOYSA-N 0.000 claims description 3
- 238000000018 DNA microarray Methods 0.000 abstract description 10
- 230000004927 fusion Effects 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000007847 digital PCR Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 238000012408 PCR amplification Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000003102 growth factor Substances 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 108020004414 DNA Proteins 0.000 description 2
- 102000053602 DNA Human genes 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011529 RT qPCR Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000002299 complementary DNA Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012775 microarray technology Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于生物芯片技术领域，具体涉及一种dPCR微阵列图像信息处理方法。本发明提供的dPCR微阵列图像信息处理方法，包括先输入三个通道的dPCR微阵列图像：通道1图像、通道2图像、通道3图像，并对其中的通道2图像、通道3图像进行图像配准，再分别依次对通道1图像、经图像配准的通道2图像、经图像配准的通道3图像进行中值滤波、对比度增强、均值滤波处理，然后进行图像融合、去除光照不均匀影响、二值化修正处理，提取样点中心点坐标，选取每个样点的ROI区域，得到每个样点的信号结果。该方法以一种寻址定位方法，代替传统的网格化步骤，能够对非垂直正交排列的微阵列图像做准确、自动的样点信息提取和分析。
Description
技术领域
本发明属于生物芯片技术领域，具体涉及一种dPCR微阵列图像信息处理方法。
背景技术
20世纪末，Vogelstein等首次提出了“数字PCR(digitalPCR，dPCR)”的概念，该技术实现了核酸拷贝数绝对定量的突破。数字PCR的主要原理是将单个DNA分子置于独立的反应室中，并对其进行PCR扩增，利用
化学试剂及染料标记探针检测特定的靶序列，通过呈现两种信号类型的反应单元比例和数目进行统计学计算，实现样品的绝对定量，因此，数字PCR又称单分子PCR。数字PCR的检测过程主要包括两部分内容，即PCR扩增和荧光信号分析。在PCR扩增阶段，将样品分散至几万个单元(反应室)中，使每个单元中只存在单个DNA分子，其扩增程序、扩增体系与普通PCR相同；在荧光信号分析阶段，不同于实时荧光定量技术(qPCR)对每个循环进行实时荧光测定的方法，数字PCR技术是在扩增结束后对每个反应单元的荧光信号进行采集，然后直接计数或借用泊松统计得到样品的原始浓度或含量。
微阵列技术已经广泛应用于生物信息的同步检测，完整的微阵列生物芯片分析过程包括样本采集、芯片制备、扫描成像、图像处理和数据分析等几个部分。图像处理是定位图像中的微阵列点(样点)，将每个样点对应的形状和强度量化，主要包含图像预处理、网格定位、样点分割以及分割效果的评价、信号提取等；其中，样点分割是图像处理的难点，样点分割的好坏直接影响最终信号提取的结果。现有技术一“Image Gridding Algorithm forDNA Microarray Analyser(Maziidah Mukhtar,et al.2016,3RD INTERNATIONALCONFERENCE ON ELECTRONIC DESIGN(ICED):452-457.)”公开了一种DNA微阵列图像自动网格化分析方法，包括网格化、分割和强度提取三个步骤，但该网格化处理只能针对正交垂直分布的芯片图像，使用Otsu算法进行样点分割也需图像的亮度分布均匀。现有技术二“cDNAmicroarray image segmentation with an improved moving k-means clusteringmethod(Shao G,et al.2015,IEEE International Conference on SemanticComputing.)”公开了一种基于抽象聚类的图像分割策略，首先提出了一种自动对比度增强方法来提高图像质量，其次进行最大类间方差网格划分，将斑点分割成单独的区域，然后将K均值聚类算法与移动K均值聚类方法相结合，以获得更高的分割精度，但是该策略仍需要经过网格化这一步骤，不利于对其它排布样式的芯片图像，而且，对每个样本采用移动K均值聚类算法进行分割，计算成本非常高，不利于高通量的生物芯片的使用。
发明内容
本发明要解决的技术问题在于克服现有的生物芯片图像处理方法无法对非垂直正交排列的微阵列芯片图像做准确、自动的样点信息提取和分析的缺陷，从而提供一种全新的dPCR微阵列图像信息处理方法，以寻址定位方法代替传统的网格化步骤，以达到对高通量dPCR微阵列图像的准确快速分割、提取和分析的目的。
为解决上述技术问题，本发明采用的技术方案是：
本发明提供的一种dPCR微阵列图像信息处理方法，包括以下步骤：
(1)输入至少三个荧光通道的dPCR微阵列图像，包括通道1图像、通道2图像、通道3图像，对所述通道1图像、所述通道2图像、所述通道3图像中任意两个进行图像配准处理；
(2)对步骤(1)中的三个所述dPCR微阵列图像分别进行对比度增强处理；
(3)将步骤(2)中的经对比度增强处理的所述通道1图像、所述通道2图像、所述通道3图像融合为RGB图像，去除所述RGB图像的光照不均匀影响，并进行二值化修正，得到面积大小均一的连通域；
(4)提取步骤(3)中所述连通域的中心点坐标，并以所述中心点为形心选取每个样点的ROI区域；
(5)提取步骤(4)中每个所述ROI区域的信号值作为所述样点的信号值，输出所述dPCR微阵列图像上每个所述样点的信号结果。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(1)中，所述图像配准处理的方法为：以其中一个所述dPCR微阵列图像作为参考图像，以另外两个所述dPCR微阵列图像利用互信息进行图像配准处理。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(1)中，三个所述dPCR微阵列图像所对应的荧光染料分别选自A类荧光染料、B类荧光染料、C类荧光染料、D类荧光染料中的任意一种，且三个所述dPCR微阵列图像所对应的荧光染料类不同；
其中，所述A类荧光染料选自FAM、SYBR Green I中的一种；
所述B类荧光染料选自VIC、HEX、JOE、TAMRA、TET、Cy3中的一种；
所述C类荧光染料选自TEXAS-Red、ROX中的一种；
所述D类荧光染料选自Cy5。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(1)中，以所述FAM荧光染料、所述VIC荧光染料、所述ROX荧光染料分别对应的所述dPCR微阵列图像依次作为所述通道1图像、所述通道2图像、所述通道3图像，对所述通道2图像、所述通道3图像进行图像配准处理。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(2)中，所述对比度增强处理的方法为：对所述通道1图像、所述通道2图像、所述通道3图像分别做顶帽变换和底帽变换，将每组所述顶帽变换的值以及对应的所述底帽变换的值分别乘以系数并求二者差值，从而分别得到所述通道1图像、所述通道2图像、所述通道3图像的对比度增强结果。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(3)中，将所述通道1图像、所述通道2图像、所述通道3图像分别放入R通道、G通道、B通道以融合得到所述RGB图像，并采用基于二维伽马函数的光照不均匀图像自适应校正算法对所述RGB图像去除光照不均匀的影响。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(3)中，所述二值化修正包括对二值图像填充、开运算以及去除面积过小和/或过大的连通域。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(4)中，采用regionprops函数获得所有所述连通域的中心点坐标。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(4)中，以所述连通域的中心点坐标为圆心，选取所述样点大小的多边形区域作为所述样点的ROI区域。
进一步优选地，该dPCR微阵列图像信息处理方法，步骤(1)和步骤(2)之间还包括对所述通道1图像以及经图像配准处理的所述通道2图像、所述通道3图像分别进行中值滤波的处理；
在步骤(2)和步骤(3)之间还包括对经对比度增强处理过的所述通道1图像、所述通道2图像、所述通道3图像分别进行均值滤波的处理。
本发明技术方案，具有如下优点：
1.本发明提供的dPCR微阵列图像信息处理方法，以一种寻址定位方法，代替传统的网格化步骤，能够对非垂直正交排列的微阵列芯片图像做准确、自动的样点信息提取和分析。
2.本发明提供的dPCR微阵列图像信息处理方法，改变了现有处理微阵列图像的步骤都需要对整幅图像做网格化操作的方式，自动化程度高，省时省力。
3.本发明提供的dPCR微阵列图像信息处理方法，相对于现有技术不能对六边形生物芯片做网格化处理的弊端，本发明提供的方法能够对六边形芯片做网格化处理。
4.本发明提供的dPCR微阵列图像信息处理方法，能够解决现有数据库的单张微阵列芯片图像样点数少、通量低的问题。
5.本发明提供的dPCR微阵列图像信息处理方法，改变了现有不能一次获取完整的芯片图从而导致后期处理需要进行图像拼接的难题。
6.本发明提供的dPCR微阵列图像信息处理方法，提高了图像分割的精确度，减少了对后续的生物学分析的准确性的负面影响。
7.本发明提供的dPCR微阵列图像信息处理方法，也可以应用到常规排列的生物芯片图像的处理，基于实验室的96通道、2万孔/单元的微阵列芯片，每幅图像包含超大量的生物信息数据，使用本发明提供的方法可以同时处理整幅图像的样点，实现对高通量芯片的处理。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的dPCR微阵列图像信息处理方法流程图；
图2为本发明实施例1提供的通道1图像、通道2图像、通道3图像；
图3为本发明实施例1提供的基于互信息配准方法流程图；
图4为本发明实施例1提供的通道1图像中值滤波前与中值滤波后的对照图；
图5为本发明实施例1提供的通道2图像经中值滤波处理后效果图；
图6为本发明实施例1提供的通道3图像经中值滤波处理后效果图；
图7为本发明实施例1提供的通道1图像对比度增强效果图；
图8为本发明实施例1提供的通道1图像经均值滤波处理后效果图；
图9为本发明实施例1提供的通道2图像经均值滤波处理后效果图；
图10为本发明实施例1提供的通道3图像经均值滤波处理后效果图；
图11为本发明实施例1提供的通道1图像、通道2图像、通道3图像融合为RGB图像自动配准结果图；
图12为本发明实施例1提供的基于二维伽马函数的光照不均匀图像自适应校正算法流程图；
图13为本发明实施例1提供的去除光照不均匀影响前后对比图；
图14为本发明实施例1提供的二值化图像修正前后对比图；
图15为本发明实施例1提供的中心点坐标定位结果图；
图16为本发明实施例1提供的圈取ROI示意图；
图17为本发明实施例1提供的样点信息统计分类结果图；
图18为本发明实施例1提供的通道1图像样点荧光信号强度分布图；
图19为本发明实施例1提供的通道2图像样点荧光信号强度分布图。
具体实施方式
为了便于理解本发明的目的、技术方案和要点，下面将对本发明的实施方式作进一步详细描述。本发明可以多种不同的形式实施，而不应该被理解为仅限于在此阐述的实施例。相反，提供此实施例，使得本发明将是彻底的和完整的，并且将把本发明的构思充分传达给本领域技术人员，本发明将仅由权利要求来限定。
实施例1
本实施例提供一种的dPCR微阵列图像信息处理方法，如图1所示，包括以下步骤：
步骤一，输入三个荧光通道(通道1、2和3)的dPCR微阵列图像：
该三个dPCR微阵列图像所对应的荧光染料分别选自A类荧光染料、B类荧光染料、C类荧光染料、D类荧光染料中的任意一种，且三个dPCR微阵列图像所对应的荧光染料类不同：A类荧光染料选自FAM、SYBR Green I中的一种，B类荧光染料选自VIC、HEX、JOE、TAMRA、TET、Cy3中的一种，C类荧光染料选自TEXAS-Red、ROX中的一种，D类荧光染料选自Cy5。
具体地，如图2所示，输入三个荧光通道的dPCR微阵列图像：以FAM荧光染料、VIC荧光染料、ROX荧光染料分别对应的dPCR微阵列图像依次作为通道1图像(图2中(a))、通道2图像(图2中(b))、通道3图像(图2中(c))，且上述三张图像的规格大小相同。在荧光通道直接叠加时，为避免不同的通道存在错位现象，需将dPCR微阵列的相对位置设置细微差别。
步骤二，图像配准
为了使得不同条件环境下所获得的图像上特征点在同一视觉系统中更容易达到一对一映射，需对不同的图像进行校正相对位置平移、角度旋转和缩放尺度，以达到两张或多张图像在空间上对齐的目的。
基于互信息的医学图像配准方法，在配准之前设置配准参数：生长因子设为1.01；ε设为1.5×10-6；初始半径设为0.001；最大迭代次数设为300。使用Matlab自带的imregister函数对步骤一中的通道2图像、图像3图像进行图像配准处理，包括4个基本模块：几何变换、插值算法、相似性测度和优化方法。具体地，如图3所示，以通道1图像作为参考图像R，以通道2图像、通道3图像作为浮动图像F，浮动图像F先依次经过几何变换的初始变换T、差值算法，得到变换后的浮动图像T(F)，然后对变换后的浮动图像T(F)和参考图像R进行优化算法处理以判断互信息是否最大，若不是，则将几何变换进行更新变换T，重复插值算法、优化算法的过程，直至互信息最大，输出最优的图像配准参数。基于互信息对通道2图像、通道3图像进行图像配准处理无需预处理、配准精度高、鲁棒性好。
步骤三，中值滤波
在图像的生成、扫描、传输等过程中，由于许多因素的影响，会产生各种类型的噪声，造成图像质量下降，因此减弱图像噪声、增强图像质量就显得很必要。dPCR微阵列图像中通常存在的噪声类型有：均匀分布噪声、高斯噪声、伽马噪声、椒盐噪声等。
具体地，分别对步骤一中的通道1图像以及步骤二中的经图像配准处理的通道2图像、通道3图像分别进行中值滤波处理。通道1图像经中值滤波处理后如图4所示，其中，图4中的(a)为中值滤波前，图4中的(b)为中值滤波后，对比图4中的(a)和图4中的(b)发现，椒盐噪声很明显地被消除；通道2图像经中值滤波后如图5所示，通道3图像经中值滤波后如图6所示，椒盐噪声已明显被消除。
步骤四，对比度增强
对比度增强是将图像中的亮度值范围拉伸或压缩成显示系统指定的亮度显示范围，从而提高图像全部或局部的对比度，增强原图中各部分的差异。
具体地，对步骤三中经过中值滤波处理的通道1图像、通道2图像、通道3图像分别做顶帽变换和底帽变换，得到通道1图像、通道2图像、通道3图像三组对应的顶帽变换的值和底帽变换的值，求每组顶帽变换的值和底帽变换的值乘以系数后的差值，从而分别得到通道1图像、通道2图像、通道3图像的对比度增强结果。通道1图像的对比度增强效果如图7所示，图7中的(a)为顶帽变换后，图7中的(b)为底帽变换后，图7中的(c)为差值效果，可见，通道1图像、通道2图像、通道3图像各自的对比度得到提高，原图中各部分的差异得到增强。
步骤五，均值滤波
在图像的生成、扫描、传输等过程中，由于许多因素的影响，会产生各种类型的噪声，造成图像质量下降，因此减弱图像噪声、增强图像质量就显得很必要。dPCR微阵列图像中通常存在的噪声类型有：均匀分布噪声、高斯噪声、伽马噪声、椒盐噪声等。
具体地，分别对步骤四中经对比度增强的通道1图像、通道2图像、通道3图像分别进行均值滤波处理，通道1图像经均值滤波处理后如图8所示，通道2图像经均值滤波处理后如图9所示，通道3图像经均值滤波处理后如图10所示，经均值滤波处理后，通道1图像、通道2图像、通道3图像整体更加平滑。
步骤六，图像融合
为提高图像信息的利用率、提升原始图像的空间分辨率和光谱分辨率，需对均值滤波处理的通道1图像、通道2图像、通道3图像融合为一张新的图像。
具体地，将通道1图像、通道2图像、通道3图像分别放入R通道、G通道、B通道经过粗配准、精配后以融合得到RGB图像。其中，粗配准采用默认参数：生长因子设为1.05；ε设为1.5×10-6；初始半径设为0.0063；最大迭代次数设为100；精配准是对上述初始参数进行了调整：生长因子设为1.01；ε设为1.5×10-6；初始半径设为0.001；最大迭代次数设为300。通道1图像、通道2图像、通道3图像自动配准的过程如图11所示，图11中的(a)为配准前状态，图11中的(b)为粗配准后状态，图11中的(c)为精配准后状态。经粗配准和精配准后使得通道1图像、通道2图像、通道3图像中对应于空间同一位置的点一一对应起来，从而达到信息融合的目的。
步骤七，去除光照不均匀影响
基于二维伽马函数的光照不均匀图像自适应校正算法对步骤六得到的RGB图像进行去除光照不均匀的影响。
如图12所示，具体流程如下：
1.输入RGB图像坐标F(x,y)，由RGB空间转到HSV空间；
2.保持色调H、饱和度S不变，对亮度V进行处理；
2.1对亮度V做多尺度高斯函数卷积，设置3个不同尺度，每个权重也不相同：
将F(x,y)代入公式(1)：
得到亮度的高斯函数值，将G(x,y)代入公式(2)：
得到亮度的光照分量值，其中，ω是权重，N＝3，λ是归一化常数，c是尺度因子；
2.2根据公式gamma校正处理
将I(x,y)代入公式(3)：
γ＝(1/2)(m-I(x,y))/m (3)
γ代入公式(4)：
其中，m是I(x,y)的均值(代码：m＝mean(I(:))；)，O(x,y)是新的亮度V’；
3.用新的亮度V’和原来的H、S合成新的图像，再转到RGB空间，得到最终的去除光照不均影响的结果F’(x,y)，其结果如图13所示，(a)为RGB原图，(b)为Otsu阈值分割结果图，(c)为光照分量图，(d)为去除光照不均影响后的分割结果图，通过(a)、(b)、(c)、(d)，尤其(b)和(d)各选取两处对比，RGB图像经过处理后，光照不均匀问题得到了消除，图像质量得到提高。
步骤八，二值化修正
将步骤七得到的图像进行二值化修正处理，得到二值图，对二值图填充，开运算，去除面积过小过大的连通域，对于二值图上过大和过小的光斑，我们认为是噪声和其它非样点的信号，留下面积范围较为均匀的连通域作为样点的荧光信号光斑。将处理前的图像(图14中的(a)所示)与处理后的图像(图14中的(b)所示)进行对比，经二值化修正处理后，样点的荧光信号光斑分布更加均匀。
步骤九，提取中心点坐标
采用regionprops函数获得步骤八中面积大小较为均匀的连通域的中心点坐标，如图15所示，并以中心点为形心选取每个样点大小的多边形区域为ROI区域，如方形、六边形、八边形等等。
具体地，以中心点为形心选取每个样点大小的六边形区域作为ROI区域，如图16所示。
步骤十，提取样点的荧光信号值
提取样点的荧光信号值，得到dPCR微阵列图像所有样点的荧光信号值，由于通道1、通道2、通道3三个荧光通道的信息是相互独立的，因此在RGB图像上的任意某个区域都可以选取三个荧光通道各自的信息，本实施例中选取通道1和通道2荧光通道的信息，也即RGB图像的R通道和G通道的信息。
对于dPCR微阵列上通道1和通道2荧光通道的信息进行阴阳性分类，采用K-均值的聚类算法，通道1、通道2阴阳性两两组合，结果如图17所示的散点图，各类的样点数显示在图中右上角方框内，由图17看出(为显示清楚，在说明书附图中将图17左旋90°)，所有样点分为四类，左下角是通道1、通道2均为阴性的样点(即图17中“·”)，右下角是通道1为阳性、通道2为阴性的样点(即图17中“×”)，右上角是通道1、通道2均为阳性的样点(即图17中“+”)，左上角是通道2为阳性、通道1为阴性的样点(即图17中“○”)。
其中，K均值算法流程为：
(1)选取数据空间中的K个对象作为初始中心，每个对象代表一个聚类中心；
(2)对于样本中的数据对象，根据它们与这些聚类中心的欧氏距离，按距离最近的准则将它们分到距离它们最近的聚类中心(最相似)所对应的类；
(3)更新聚类中心：将每个类别中所有对象所对应的均值作为该类别的聚类中心，计算目标函数的值；
(4)判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回步骤(2)。
本实施例中，将通道1、通道2分别二分类，再两两组合。
拷贝数(m)：
泊松分布的均值和方差：
μ＝σ2＝λ (8)
E＝p(0)＝e-λ (9)
λ＝-ln(E) (10)
m＝nλ＝-nln(E) (12)
其中，n为分区数，m为样本数，λ为每个分区的平均目标数量，C为样本浓度，Vd为分区体积，p(k)为一个分区恰好包含k个样本的概率，E＝p(0)为空分区域概率，
m＝-nln(p(0))/14.55 (13)
通道1、通道2的拷贝数显示在X轴下方，分别如图18和图19所示。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种dPCR微阵列图像信息处理方法，其特征在于，包括以下步骤：
(1)输入至少三个荧光通道的dPCR微阵列图像，包括通道1图像、通道2图像、通道3图像，对所述通道1图像、所述通道2图像、所述通道3图像中任意两个进行图像配准处理；
(2)对步骤(1)中的三个所述dPCR微阵列图像分别进行对比度增强处理；
(3)将步骤(2)中的经对比度增强处理的所述通道1图像、所述通道2图像、所述通道3图像融合为RGB图像，去除所述RGB图像的光照不均匀影响，并进行二值化修正，得到面积大小均一的连通域；
(4)提取步骤(3)中所述连通域的中心点坐标，并以所述中心点为形心选取每个样点的ROI区域；
(5)提取步骤(4)中每个所述ROI区域的信号值作为所述样点的信号值，输出所述dPCR微阵列图像上每个所述样点的信号结果。
2.根据权利要求1所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(1)中，所述图像配准处理的方法为：以其中一个所述dPCR微阵列图像作为参考图像，以另外两个所述dPCR微阵列图像利用互信息进行图像配准处理。
3.根据权利要求2所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(1)中，三个所述dPCR微阵列图像所对应的荧光染料分别选自A类荧光染料、B类荧光染料、C类荧光染料、D类荧光染料中的任意一种，且三个所述dPCR微阵列图像所对应的荧光染料类不同；
其中，所述A类荧光染料选自FAM、SYBR Green I中的一种；
所述B类荧光染料选自VIC、HEX、JOE、TAMRA、TET、Cy3中的一种；
所述C类荧光染料选自TEXAS-Red、ROX中的一种；
所述D类荧光染料选自Cy5。
4.根据权利要求3所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(1)中，以所述FAM荧光染料、所述VIC荧光染料、所述ROX荧光染料分别对应的所述dPCR微阵列图像依次作为所述通道1图像、所述通道2图像、所述通道3图像，对所述通道2图像、所述通道3图像进行图像配准处理。
5.根据权利要求4所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(2)中，所述对比度增强处理的方法为：对所述通道1图像、所述通道2图像、所述通道3图像分别做顶帽变换和底帽变换，将每组所述顶帽变换的值以及对应的所述底帽变换的值分别乘以系数并求二者差值，从而分别得到所述通道1图像、所述通道2图像、所述通道3图像的对比度增强结果。
6.根据权利要求5所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(3)中，将所述通道1图像、所述通道2图像、所述通道3图像分别放入R通道、G通道、B通道以融合得到所述RGB图像，并采用基于二维伽马函数的光照不均匀图像自适应校正算法对所述RGB图像去除光照不均匀的影响。
7.根据权利要求6所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(3)中，所述二值化修正包括对二值图像填充、开运算以及去除面积过小和/或过大的连通域。
8.根据权利要求7所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(4)中，采用regionprops函数获得所有所述连通域的中心点坐标。
9.根据权利要求8所述的dPCR微阵列图像信息处理方法，其特征在于，步骤(4)中，以所述连通域的中心点坐标为圆心，选取所述样点大小的多边形区域作为所述样点的ROI区域。
10.根据权利要求9所述的dPCR微阵列图像信息处理方法，其特征在于，在步骤(1)和步骤(2)之间还包括对所述通道1图像以及经图像配准处理的所述通道2图像、所述通道3图像分别进行中值滤波的处理；
在步骤(2)和步骤(3)之间还包括对经对比度增强处理过的所述通道1图像、所述通道2图像、所述通道3图像分别进行均值滤波的处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910600118.0A CN110490836B (zh) | 2019-07-04 | 2019-07-04 | dPCR微阵列图像信息处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910600118.0A CN110490836B (zh) | 2019-07-04 | 2019-07-04 | dPCR微阵列图像信息处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110490836A CN110490836A (zh) | 2019-11-22 |
| CN110490836B true CN110490836B (zh) | 2023-03-24 |
Family
ID=68546583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910600118.0A Active CN110490836B (zh) | 2019-07-04 | 2019-07-04 | dPCR微阵列图像信息处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110490836B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113462760A (zh) * | 2020-03-12 | 2021-10-01 | 京东方科技集团股份有限公司 | 生物芯片的检测方法、装置及设备 |
| CN112016552B (zh) * | 2020-11-02 | 2021-02-12 | 矿冶科技集团有限公司 | 基于泡沫颜色的混合浮选工况识别方法和系统 |
| CN113160074A (zh) * | 2021-03-30 | 2021-07-23 | 广州万孚倍特生物技术有限公司 | 微阵列芯片图像分析方法、装置、计算机设备和存储介质 |
| CN114262733A (zh) * | 2022-01-10 | 2022-04-01 | 深圳麦科田生物医疗技术股份有限公司 | 一种微滴式数字pcr荧光信号处理方法 |
| CN114720681A (zh) * | 2022-05-11 | 2022-07-08 | 深圳市帝迈生物技术有限公司 | 一种样本分析仪及其多联检滤波的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2445698C2 (ru) * | 2006-12-01 | 2012-03-20 | Конинклейке Филипс Электроникс Н.В. | Способ автоматического декодирования изображений микроматрицы |
| CN102354398A (zh) * | 2011-09-22 | 2012-02-15 | 苏州大学 | 基于密度中心与自适应的基因芯片处理方法 |
| CN107330899A (zh) * | 2017-06-21 | 2017-11-07 | 新疆大学 | 一种生物芯片反射光图像的分割方法及装置 |
-
2019
- 2019-07-04 CN CN201910600118.0A patent/CN110490836B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110490836A (zh) | 2019-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490836B (zh) | dPCR微阵列图像信息处理方法 | |
| US10783641B2 (en) | Systems and methods for adaptive histopathology image unmixing | |
| US20040033485A1 (en) | Feature extraction and normalization algorithms for high-density oligonucleotide gene expression array data | |
| CN106855951A (zh) | 一种基于计算机视觉的粮种品质检测方法 | |
| CN107169497A (zh) | 一种基于基因影像学的肿瘤影像标记物提取方法 | |
| US7136517B2 (en) | Image analysis process for measuring the signal on biochips | |
| Belean et al. | Low-complexity PDE-based approach for automatic microarray image processing | |
| CN117252786A (zh) | 一种基因检测数据增强处理方法 | |
| US10614571B2 (en) | Object classification in digital images | |
| CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
| CN104616264B (zh) | 基因芯片图像的自动对比度增强方法 | |
| CN113624973A (zh) | 一种链格孢霉毒素荧光免疫层析快速检测方法 | |
| US10733707B2 (en) | Method for determining the positions of a plurality of objects in a digital image | |
| Bergemann et al. | A statistically driven approach for image segmentation and signal extraction in cDNA microarrays | |
| Giannakeas et al. | An automated method for gridding in microarray images | |
| CN109658382A (zh) | 基于图像聚类和灰度投影的舌体定位方法 | |
| Margaritis et al. | Improved Microarray Spot Segmentation by Combining two Information Channels | |
| CN114300047A (zh) | 一种基因测序信号强度获取的方法 | |
| US20200190562A1 (en) | Method for detecting copy number variation | |
| Shi et al. | Fluorescence in Situ Hybridization Cell Image Segmentation Method | |
| KR20050048727A (ko) | 바이오칩 촬영영상 분석 시스템 및 그 방법 | |
| Jatti et al. | A Review on Segmentation & Intensity Extraction of cDNA Microarray Images | |
| Meyenhofer et al. | Automatic analysis of microRNA Microarray images using Mathematical Morphology | |
| Yu-Ping et al. | Automated segmentation of microarray spots using fuzzy clustering approaches | |
| Podila et al. | 24 Microarray Data Collection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |