CN112560597B - 一种基于显微高光谱的covid-19检测识别方法 - Google Patents

一种基于显微高光谱的covid-19检测识别方法 Download PDF

Info

Publication number
CN112560597B
CN112560597B CN202011389116.0A CN202011389116A CN112560597B CN 112560597 B CN112560597 B CN 112560597B CN 202011389116 A CN202011389116 A CN 202011389116A CN 112560597 B CN112560597 B CN 112560597B
Authority
CN
China
Prior art keywords
detection
sample
image
hyperspectral
curve
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
Application number
CN202011389116.0A
Other languages
English (en)
Other versions
CN112560597A (zh
Inventor
李文军
龙伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202011389116.0A priority Critical patent/CN112560597B/zh
Publication of CN112560597A publication Critical patent/CN112560597A/zh
Application granted granted Critical
Publication of CN112560597B publication Critical patent/CN112560597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6844—Nucleic acid amplification reactions
    • C12Q1/686—Polymerase chain reaction [PCR]
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/70—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving virus or bacteriophage
    • C12Q1/701—Specific hybridization probes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Multimedia (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Virology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种基于显微高光谱的COVID‑19检测识别方法，涉及病毒检测领域。具体方法如下：由检测人员通过“咽拭子”的方法从待检测人员口中获得检测样本，通过分离装置分离并添加试剂配置成两份标准检测样本，然后分别通过PCR分析获得常规的诊断结果以及通过显微高光谱技术快速获得的检测识别结果，其中后者可以独立用于诊断检测，且部分检测流程全面兼容现有的PCR检测技术。在此基础上，上述所得的检测数据送入到大数据平台中，由大数据库平台给出比对分析结果，并对最终的结果进行显示。本发明是一种快速高效的方法，通常只需要15～20min的时间，扩展了现有的检测技术，提升了病毒检测的准确率，极大的提高了防疫工作的效率。

Description

一种基于显微高光谱的COVID-19检测识别方法
技术领域
本发明涉及病毒检测技术领域，更具体地说，涉及一种基于显微高光谱的COVID-19检测识别方法。
背景技术
当前适用于大规模应用的检测手段是通过RT-PCR逆转录聚合酶链反应来实现对新型冠状病毒的检测，咽拭、鼻咽拭的核酸检测阳性率现在大概是30％～40％，而检测阴性是不能排除新型冠状病毒性肺炎的，即便多次检测阴性也不能排除，通常检测需要耗时4～6小时获得结果，检测准确率大致在80％～90％，需要使用较多昂贵的设备才能获得检测结果。
发明内容
为了进一步提高检测准确率，大幅缩短检测时间，本发明提供了一种基于显微高光谱的COVID-19检测识别方法。借助显微高光谱图像增强技术以及纳米试剂标定识别技术完成对新型冠状病毒的实时检测，是一种区别于传统检测又同时可以兼容现有检测体系的方法，极大的提高了COVID-19检测的工作效率。
本发明采用的技术方案如下：
一种基于高光谱的COVID-19检测识别方法，其特征在于：包括依次进行以下步骤：
S1、被检测人员使用生理盐水漱口，检测人员对被检测人员采用“咽拭子”的方法获取待检测样本。
S2、将待检测样本分离出样本A和样本B，样本A通过荧光试剂标记并配置成标准待检测样本，然后通过PCR荧光扫描仪扫描，由计算机分析获得扩增曲线并输出识别结果αA，其中α为小于1的正系数，A为布尔数。
S3、对分离出的样本B配置成标准待检测样本，并将所得的标准检测样本B送入到暗场高光谱显微分析检测装置中，由镜头对标准样本进行对焦识别，并获取高光谱数据。
S4、对S3所得的数据进行图像预处理和光谱处理，结合数据库中的样本，对光谱曲线进行识别分析处理，获得的结果设为βB,其中
Figure GDA0003699039870000021
i＝1,2,…N，βi为小于1的正系数，Bi为布尔数，N为选取的像素点个数。
S5、将S3、S4所得分析结果存入大数据库平台中，并将COVID-19检测结果进行显示。
进一步的，所述步骤S1获得检测样本的具体步骤如下：
S101、待检测人员使用生理盐水漱口，检测人员将拭子放入无菌生理盐水中并使之完全处于湿润状态，(在此期间严格禁止将拭子放入病毒保存液中)，待检测人员头部上仰并发出“啊”的声音，检测人员越过待检测人员舌根，在其两侧咽后壁上下擦拭至少3次。
S102、采样后，迅速折断拭子头并浸入无关核酸酶污染含2ml等渗盐溶液的EP管中，旋动闭合管盖并独立封装于带密封条的塑料袋，在15min～1h内送入检测装置中。
进一步的，所述步骤S2中的使用荧光标记样本并进行分析的具体步骤如下：
S201、通过分离装置将样本均等分为样本A和样本B，将样本A混匀后，加入20μL蛋白酶K,吸取离心后的标本悬液上清200μL,加入到预混的深孔板，于生物安全柜静置，再将其置于提取仪上提取病毒核酸。
S202、流程完毕，吸取核酸装置于1.5ml离心管，直接用于实时荧光RT-PCR。放在PCR荧光扫描分析仪检测，由计算机扫描获得扩增曲线并将识别输出结果设为αA，其中α为小于1的正系数，A为布尔数。
进一步的，所述步骤S3中使用暗场增强显微高光谱仪检测分析待检测样本B的具体步骤如下：
S301、将样本B制作成培养皿后，加入1ml的TRLzol试剂来直接裂解细胞，并仔细抽吸。
S302、使用标准检测试剂盒并从细胞裂解液中提取并纯化病毒RNA，将提取出的RNA放入到反义寡核苷酸修饰的金纳米粒子(ASO-AuNPs)溶液混合并进行5min的孵育获得金纳米粒子聚合物溶液，在65摄氏度下孵育5min，最终获得聚集性金纳米粒子标准混合检测样本。
S303、所述的显微高光谱仪是由显微镜和高光谱仪耦合而成，并将标准检测样本送入到该仪器中，仪器镜头对标准样本进行对焦识别并采用暗场增强技术(EDFM)，获取高光谱图像数据。
进一步的，所述步骤S4中分析处理具体步骤如下：
S401、镜头对准样本获得高光谱图像后，对每个像素点使用暗场增强(EDFM)技术,然后进行图像校正操作，包括灰度校正和几何校正。对所得彩色图像进行灰度化处理，选取G通道的灰度图像后，为了防止非标记观测区域的影响，需要对高光谱图像进行背景掩膜提取。具体背景掩膜提取算法如下：
(1)设此图像的灰度等级为Q，图像总均值为x：
x＝mB(t)xB(t)+mo(t)xo(t)
其中灰度阈值t将图像中的像素分为前景和背景两类，前景像素占图比例为mo(t)，均值为xo(t)，背景像素数占图像比例为mB(t)，均值为xB(t)。
(2)设图像最佳阈值为：
Figure GDA0003699039870000041
获得最佳阈值后，按照以下规则对图像进行阈值分割
Figure GDA0003699039870000042
其中Mask(i,j)为掩膜图像，,I(i,j)为像素点。分割完成后，为了消除金色纳米颗粒标记图像产生的畸变对分析处理的影响，采用多项式坐标变换法来对掩膜处理后的图像进行几何校正。
S402、对上述校正完后的图像使用Gabor滤波器来提取有用信息，然后使用top-hat对图像中的主干进行提取，最终将两种方法结合从而实现试剂标记图像的动态可调增强，使得图像细节更加清晰化。
S403、对上述步骤所获得的图像，随机选取N个像素点，对像素点上的高光谱曲线采取包络线去除法处理，减少环境噪声的干扰和增强反射光谱的吸收特性，并将所得的反射率归一化处理，进而将吸收特征归一化到相同光谱背景，方便后续特征波段的比较和提取。
光谱曲线预处理具体算法如下：
(1)光谱初始曲线起始点为(WL(1),X(1)),并见将此点作为包络线起点。
(2)设点(WL(j),X(j))为初始点(WL(i),X(i))在t处所寻找的点，并且该点到起点的方向与光谱线波长增长的负方向一致，在增长过程中需遵循以下规则：起点到当前点直线需高于光谱初始曲线，将当前点对应坐标加入包络线节点表，使得t＝t+1处节点为当前节点。
(3)重复过程2中的步骤在，直到遍历至第N个节点，将相邻点连接，获得反射率数组X(i)对应的折线段上的数据值为Z(i)。
(4)经过上述步骤处理后，设包络线去除反射率为：
Figure GDA0003699039870000051
S404、由实验验证得知，COVID-19阳性样本在400-700nm波段的光谱曲线与阴性样本有显著差异，以450-550nm为吸收峰区间，650nm附近为吸收峰最高点为基础提取以下6个特征参量，并将此作为网络输入向量。
(1)波峰位置PP:反射率最低的波长，即PP＝σ(θmin)，其中θ为反射率，以上结果均在进行包络线去除后获取。
(2)波峰深度PD:PD＝1-θPP，其中θPP为波峰位置处的反射率强度；
(3)波峰宽度PW:PD为最大值时一半处的光谱宽度。
(4)波峰面积PA:基线与波峰曲线围成的面积
Figure GDA0003699039870000061
(5)波峰对称性PS:以波峰的垂线为边界，右边区域积分为SR、左边区域积分为SL，即
Figure GDA0003699039870000062
(6)波峰指数SAI:波峰处基线值与反射率的比值，即
Figure GDA0003699039870000063
Figure GDA0003699039870000064
其中θM为波峰位置，θ1为θM对应波段扣除50～100nm处的反射率强度，θ2为θM对应波段加上50～100nm处的反射率强度；。
S405、对处理后的光谱曲线使用RBF进行识别，所用的高斯径向基核函数为：
Figure GDA0003699039870000065
其中σ为训练集方差；Ri为函数中心向量；Rk为训练向量。设其中训练集个数为100，将上述特征参数组成6维向量，由此获得6×50维矩阵数据为网络输入向量，扩展速度设为5.1，进行网络训练。由此对检测样本进行曲线识别，并最终获得的结果设为βB,其中
Figure GDA0003699039870000066
i＝1,2,…N,βi为小于1的正系数，Bi为布尔数，N为随机选取的像素点个数。
S406、设最终检测结果为C＝αA+βB,由于A和B均为布尔数，α和β均为小于1的正系数，所以有以下检测结果：
Figure GDA0003699039870000071
进一步的，所述步骤S5是将S3、S4的分析检测结果和所得数据送入到大数据平台中，由大数据库平台给出比对分析结果，对最终的结果进行显示。此外，步骤S3和步骤S4的检测结果可以单独显示输出，均可独立作为最终的检测结果。使用C＝αA+βB表达式可将常规核酸检测方法和显微高光谱检测方法综合起来，可大幅提高诊断的准确率，并且显微高光谱检测方法所需时间远小于常规核酸检测方法且输出结果同样可靠。
本发明的有益效果是：
1.本发明能够快速获取识别结果，且准确率可达93％～95％。
2.本发明能够兼容现有的检测流程，部署快速高效。
3.本发明是一种区别于传统检测手段的方法，采用金色纳米颗粒标定识别技术，可独立作为检测诊断结果。
附图说明
图1是本发明的总流程图。
图2是本发明提供实施例的暗场增强型显微高光谱图像。
具体实施方式
本发明是一种基于显微高光谱的COVID-19检测识别方法，总的工作流程图如图1所示。
本发明的具体实施方式如下：
S1、被检测人员使用生理盐水漱口，检测人员对被检测人员采用“咽拭子”的方法获取待检测样本。
S2、将待检测样本分离出样本A和样本B，样本A通过荧光试剂标记并配置成标准待检测样本，然后通过PCR荧光扫描仪扫描，由计算机分析获得扩增曲线并输出识别结果αA，其中α为小于1的正系数，A为布尔数。
S3、对分离出的样本B配置成标准待检测样本，并将所得的标准检测样本B送入到暗场高光谱显微分析检测装置中，由镜头对标准样本进行对焦识别，并获取高光谱数据。
S4、对S3所得的数据进行图像预处理和光谱处理，结合数据库中的样本，对光谱曲线进行识别分析处理，获得的结果设为βB,其中
Figure GDA0003699039870000081
i＝1,2,…N，βi为小于1的正系数，Bi为布尔数，N为选取的像素点个数。
S5、将S3、S4所得分析结果存入大数据库平台中，并将COVID-19检测结果进行显示。
进一步的，所述步骤S1获得检测样本的具体步骤如下：
S101、待检测人员使用生理盐水漱口，检测人员将拭子放入无菌生理盐水中并使之完全处于湿润状态，(在此期间严格禁止将拭子放入病毒保存液中)，待检测人员头部上仰并发出“啊”的声音，检测人员越过待检测人员舌根，在其两侧咽后壁上下擦拭至少3次。
S102、采样后，迅速折断拭子头并浸入无关核酸酶污染含2ml等渗盐溶液的EP管中，旋动闭合管盖并独立封装于带密封条的塑料袋，在15min～1h内送入检测装置中。
进一步的，所述步骤S2中的使用荧光标记样本并进行分析的具体步骤如下：
S201、通过分离装置将样本均等分为样本A和样本B，将样本A混匀后，加入20μL蛋白酶K,吸取离心后的标本悬液上清200μL,加入到预混的深孔板，于生物安全柜静置，再将其置于提取仪上提取病毒核酸。
S202、流程完毕，吸取核酸装置于1.5ml离心管，直接用于实时荧光RT-PCR。放在PCR荧光扫描分析仪检测，由计算机扫描获得扩增曲线并将识别输出结果设为αA，其中α为小于1的正系数，A为布尔数。
进一步的，所述步骤S3中使用暗场增强显微高光谱仪检测分析待检测样本B的具体步骤如下：
S301、将样本B制作成培养皿后，加入1ml的TRLzol试剂来直接裂解细胞，并仔细抽吸。
S302、使用标准检测试剂盒并从细胞裂解液中提取并纯化病毒RNA，将提取出的RNA放入到反义寡核苷酸修饰的金纳米粒子(ASO-AuNPs)溶液混合并进行5min的孵育获得金纳米粒子聚合物溶液，在65摄氏度下孵育5min，最终获得聚集性金纳米粒子标准混合检测样本。
S303、所述的显微高光谱仪是由显微镜和高光谱仪耦合而成，并将标准检测样本送入到该仪器中，仪器镜头对标准样本进行对焦识别并采用暗场增强技术(EDFM)，如具体实施例图2所示，获取高光谱图像数据。
其中，实施例图2中a代表的是反义寡核苷酸修饰的金纳米粒子的暗场增强显微高光谱图像，图2中e代表引入Vero RNA后的图像，图2中c代表引入SARS-Cov-2基因RNA后的图像，b、d、f代表各自处理后的光谱曲线。可以直观地发现，在加入病毒RNA后，样品的高光谱特征发生了显著的变化，并观察到一个尖峰，并且平均光谱特征变宽，光谱尾部出现红移。
进一步的，所述步骤S4中分析处理具体步骤如下：
S401、镜头对准样本获得高光谱图像后，对每个像素点使用暗场增强(EDFM)技术,然后进行图像校正操作，包括灰度校正和几何校正。对所得彩色图像进行灰度化处理，选取G通道的灰度图像后，为了防止非标记观测区域的影响，需要对高光谱图像进行背景掩膜提取。具体背景掩膜提取算法如下：
(1)设此图像的灰度等级为Q，图像总均值为x：
x＝mB(t)xB(t)+mO(t)xO(t)
其中灰度阈值t将图像中的像素分为前景和背景两类，前景像素占图比例为mo(t)，均值为xo(t)，背景像素数占图像比例为mB(t)，均值为xB(t)。
(2)设图像最佳阈值为：
Figure GDA0003699039870000101
获得最佳阈值后，按照以下规则对图像进行阈值分割
Figure GDA0003699039870000111
其中Mask(i,j)为掩膜图像，,I(i,j)为像素点。分割完成后，为了消除金色纳米颗粒标记图像产生的畸变对分析处理的影响，采用多项式坐标变换法来对掩膜处理后的图像进行几何校正。
S402、对上述校正完后的图像使用Gabor滤波器来提取有用信息，然后使用top-hat对图像中的主干进行提取，最终将两种方法结合从而实现试剂标记图像的动态可调增强，使得图像细节更加清晰化。
S403、对上述步骤所获得的图像，随机选取N个像素点，对像素点上的高光谱曲线采取包络线去除法处理，减少环境噪声的干扰和增强反射光谱的吸收特性，并将所得的反射率归一化处理，进而将吸收特征归一化到相同光谱背景，方便后续特征波段的比较和提取。
光谱曲线预处理具体算法如下：
(1)光谱初始曲线起始点为(WL(1),X(1)),并见将此点作为包络线起点。
(2)设点(WL(j),X(j))为初始点(WL(i),X(i))在t处所寻找的点，并且该点到起点的方向与光谱线波长增长的负方向一致，在增长过程中需遵循以下规则：起点到当前点直线需高于光谱初始曲线，将当前点对应坐标加入包络线节点表，使得t＝t+1处节点为当前节点。
(3)重复过程2中的步骤在，直到遍历至第N个节点，将相邻点连接，获得反射率数组X(i)对应的折线段上的数据值为Z(i)。
(4)经过上述步骤处理后，设包络线去除反射率为：
Figure GDA0003699039870000121
S404、由实验验证得知，COVID-19阳性样本在400-700nm波段的光谱曲线与阴性样本有显著差异，以450-550nm为吸收峰区间，650nm附近为吸收峰最高点为基础提取以下6个特征参量，并将此作为网络输入向量。
(1)波峰位置PP:反射率最低的波长，即PP＝σ(θmin)，其中θ为反射率，以上结果均在进行包络线去除后获取。
(2)波峰深度PD:PD＝1-θPP，其中θPP为波峰位置处的反射率强度；
(3)波峰宽度PW:PD为最大值时一半处的光谱宽度。
(4)波峰面积PA:基线与波峰曲线围成的面积
Figure GDA0003699039870000122
(5)波峰对称性PS:以波峰的垂线为边界，右边区域积分为SR、左边区域积分为SL，即
Figure GDA0003699039870000123
(6)波峰指数SAI:波峰处基线值与反射率的比值，即
Figure GDA0003699039870000124
Figure GDA0003699039870000125
其中θM为波峰位置，θ1为θM对应波段扣除50～100nm处的反射率强度，θ2为θM对应波段加上50～100nm处的反射率强度；
S405、对处理后的光谱曲线使用RBF进行识别，所用的高斯径向基核函数为：
Figure GDA0003699039870000131
其中σ为训练集方差；Ri为函数中心向量；Rk为训练向量。设其中训练集个数为100，将上述特征参数组成6维向量，由此获得6×50维矩阵数据为网络输入向量，扩展速度设为5.1，进行网络训练。由此对检测样本进行曲线识别，并最终获得的结果设为βB,其中
Figure GDA0003699039870000132
i＝1,2,…N,βi为小于1的正系数，Bi为布尔数，N为随机选取的像素点个数。
S406、设最终检测结果为C＝αA+βB,由于A和B均为布尔数，α和β均为小于1的正系数，所以有以下检测结果：
Figure GDA0003699039870000133
进一步的，所述步骤S5是将S3、S4的分析检测结果和所得数据送入到大数据平台中，由大数据库平台给出比对分析结果，对最终的结果进行显示。此外，步骤S3和步骤S4的检测结果可以单独显示输出，均可独立作为最终的检测结果。使用C＝αA+βB表达式可将常规核酸检测方法和显微高光谱检测方法综合起来，可大幅提高诊断的准确率，并且显微高光谱检测方法所需时间远小于常规核酸检测方法且输出结果同样可靠。

Claims (6)

1.一种基于显微高光谱的COVID-19检测识别方法，其特征在于：依次包括以下步骤：
S1、被检测人员使用生理盐水漱口，检测人员对被检测人员采用“咽拭子”的方法获取待检测样本；
S2、将待检测样本分离出样本A和样本B，样本A通过荧光试剂标记并配置成标准待检测样本，然后通过PCR荧光扫描仪扫描，由计算机分析获得扩增曲线并输出识别结果αA，其中α为小于1的正系数，A为布尔数；
S3、对分离出的样本B结合TRLzol试剂、ASO-AuNPs金纳米粒子溶液混合配置成标准待检测样本，并将所得的标准检测样本B送入到暗场高光谱显微分析检测装置中，由镜头对标准样本进行对焦识别，并获取高光谱数据；
S4、首先，对S3所得的数据进行像素点暗场增强，并进行校正和掩膜提取；其次，使用Gabor滤波器和top-hat进行主特征提取，实现试剂标记图像的动态可调增强，使得图像细节更加清晰化；再次，对像素点上的高光谱曲线采取包络线去除法处理，减少环境噪声的干扰和增强反射光谱的吸收特性；然后，构造6个特征参量，并将此作为网络输入向量进行RBF光谱曲线识别；最后，获得的结果设为βB,其中
Figure FDA0003699039860000011
βi为小于1的正系数，Bi为布尔数，N为选取的像素点个数；
S5、将S2、S4所得分析结果存入大数据库平台中，并将COVID-19检测结果进行显示；
由实验验证得知，COVID-19阳性样本在400-700nm波段的光谱曲线与阴性样本有显著差异，以450-550nm为吸收峰区间，650nm附近为吸收峰最高点为基础提取以下6个特征参量，并将此作为网络输入向量；
(1)波峰位置PP:反射率最低的波长，即PP＝σ(θmin)，其中θ为反射率，以上结果均在进行包络线去除后获取；
(2)波峰深度PD:PD＝1-θPP，其中θPP为波峰位置处的反射率强度；
(3)波峰宽度PW:PD为最大值时一半处的光谱宽度；
(4)波峰面积PA:基线与波峰曲线围成的面积
Figure FDA0003699039860000021
(5)波峰对称性PS:以波峰的垂线为边界，右边区域积分为SR、左边区域积分为SL，即
Figure FDA0003699039860000022
(6)波峰指数PSAI:波峰处基线值与反射率的比值，即
Figure FDA0003699039860000023
Figure FDA0003699039860000024
其中θM为波峰位置，θ1为θM对应波段扣除50～100nm处的反射率强度，θ2为θM对应波段加上50～100nm处的反射率强度；
设最终检测结果为C＝αA+βB,由于A和B均为布尔数，α和β均为小于1的正系数，所以有以下检测结果：
Figure FDA0003699039860000031
2.根据权利要求1所述的一种基于显微高光谱的COVID-19检测识别方法，其特征在于：所述步骤S1获得检测样本的具体步骤如下：
S101、待检测人员使用生理盐水漱口，检测人员将拭子放入无菌生理盐水中并使之完全处于湿润状态，待检测人员头部上仰并发出“啊”的声音，检测人员越过待检测人员舌根，在其两侧咽后壁上下擦拭至少3次；
S102、采样后，迅速折断拭子头并浸入无关核酸酶污染含2ml等渗盐溶液的EP管中，旋动闭合管盖并独立封装于带密封条的塑料袋，在15min～1h内送入检测装置中。
3.根据权利要求1所述的一种基于显微高光谱的COVID-19检测识别方法，其特征在于：所述步骤S2中的使用荧光标记样本并进行分析的具体步骤如下：
S201、通过分离装置将样本均等分为样本A和样本B，将样本A混匀后，加入20μL蛋白酶K,吸取离心后的标本悬液上清200μL,加入到预混的深孔板，于生物安全柜静置，再将其置于提取仪上提取病毒核酸；
S202、流程完毕，吸取核酸装置于1.5ml离心管，直接用于实时荧光RT-PCR；放在PCR荧光扫描分析仪检测，由计算机扫描获得扩增曲线并将识别输出结果设为αA，其中α为小于1的正系数，A为布尔数。
4.根据权利要求1所述的一种基于显微高光谱的COVID-19检测识别方法，其特征在于：所述步骤S3中使用暗场增强显微高光谱仪检测分析待检测样本B的具体步骤如下：
S301、将样本B制作成培养皿后，加入1ml的TRLzol试剂来直接裂解细胞，并仔细抽吸；
S302、使用标准检测试剂盒并从细胞裂解液中提取并纯化病毒RNA，将提取出的RNA放入到反义寡核苷酸修饰的一种基于ASO-AuNPs金纳米粒子溶液混合并进行5min的孵育获得金纳米粒子聚合物溶液，在65摄氏度下孵育5min，最终获得聚集性金纳米粒子标准混合检测样本；
S303、所述的显微高光谱仪是由显微镜和高光谱仪耦合而成，并将标准检测样本送入到显微观察区；显微镜头对标准样本进行对焦识别并采用暗场增强技术，获取高光谱图像数据。
5.根据权利要求1所述的一种基于显微高光谱的COVID-19检测识别方法，其特征在于：所述步骤S4中分析处理具体步骤如下：
S401、镜头对准样本获得高光谱图像后，对每个像素点使用暗场增强技术,然后进行图像校正操作，包括灰度校正和几何校正；对所得彩色图像进行灰度化处理，选取G通道的灰度图像后，为了防止非标记观测区域的影响，需要对高光谱图像进行背景掩膜提取；具体背景掩膜提取算法如下：
(1)设此图像的灰度等级为Q，图像总均值为x：
X＝mB(t)XB(t)+mO(t)XO(t)
其中灰度阈值t将图像中的像素分为前景和背景两类，前景像素占图比例为mo(t)，均值为xo(t)，背景像素数占图像比例为mB(t)，均值为xB(t)；
(2)设图像最佳阈值为：
Figure FDA0003699039860000051
获得最佳阈值后，按照以下规则对图像进行阈值分割
Figure FDA0003699039860000052
其中Mask(i,j)为掩膜图像，I(i,j)为像素点；分割完成后，为了消除金色纳米颗粒标记图像产生的畸变对分析处理的影响，采用多项式坐标变换法来对掩膜处理后的图像进行几何校正；
S402、对上述校正完后的图像使用Gabor滤波器来提取有用信息，然后使用top-hat对图像中的主干进行提取，最终将两种方法结合从而实现试剂标记图像的动态可调增强，使得图像细节更加清晰化；
S403、对上述步骤所获得的图像，随机选取N个像素点，对像素点上的高光谱曲线采取包络线去除法处理，减少环境噪声的干扰和增强反射光谱的吸收特性，并将所得的反射率归一化处理，进而将吸收特征归一化到相同光谱背景，方便后续特征波段的比较和提取；
光谱曲线预处理具体算法如下：
(1)光谱初始曲线起始点为(WL(1),X(1)),并将此点作为包络线起点；
(2)设曲线中点(WL(j),X(j))为初始点(WL(i),X(i))在d处所寻找的点，并且该点到起点的方向与光谱线波长增长的负方向一致，在增长过程中需遵循以下规则：起点到当前点直线需高于光谱初始曲线，将当前点对应坐标加入包络线节点表，使得d＝d+1处节点为当前节点；
(3)重复过程(2)中的步骤，直到遍历至第N个节点，将相邻点连接，获得反射率数组X(i)对应的折线段上的数据值为Z(i)；
(4)经过上述步骤处理后，设包络线去除反射率为：
Figure FDA0003699039860000061
S404、对处理后的光谱曲线使用RBF进行识别，所用的高斯径向基核函数为：
Figure FDA0003699039860000062
其中σi为训练集方差；Ri为函数中心向量；Rk为训练向量；设其中训练集个数为100，将S404中的所有特征参量组成6维向量，由此获得6×50维矩阵数据为网络输入向量，扩展速度设为5.1，进行网络训练；由此对检测样本进行曲线识别，并最终获得的结果设为βB,其中
Figure FDA0003699039860000063
i＝1,2,…N,βi为小于1的正系数，Bi为布尔数，N为随机选取的像素点个数。
6.根据权利要求1所述的一种基于显微高光谱的COVID-19检测识别方法，其特征在于：所述步骤S5是将S2、S4的分析检测结果和所得数据送入到大数据平台中，由大数据库平台给出比对分析结果，对最终的结果进行显示；此外，步骤S2和步骤S4的检测结果能单独显示输出，均可独立作为最终的检测结果；使用C＝αA+βB表达式可将常规核酸检测方法和显微高光谱检测方法综合起来，可提高诊断的准确率。
CN202011389116.0A 2020-12-02 2020-12-02 一种基于显微高光谱的covid-19检测识别方法 Active CN112560597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011389116.0A CN112560597B (zh) 2020-12-02 2020-12-02 一种基于显微高光谱的covid-19检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011389116.0A CN112560597B (zh) 2020-12-02 2020-12-02 一种基于显微高光谱的covid-19检测识别方法

Publications (2)

Publication Number Publication Date
CN112560597A CN112560597A (zh) 2021-03-26
CN112560597B true CN112560597B (zh) 2022-07-22

Family

ID=75047476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011389116.0A Active CN112560597B (zh) 2020-12-02 2020-12-02 一种基于显微高光谱的covid-19检测识别方法

Country Status (1)

Country Link
CN (1) CN112560597B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354465A (zh) * 2021-12-22 2022-04-15 南京大学 一种建立细胞内化纳米材料高光谱库的方法
CN116128982B (zh) * 2022-12-26 2023-09-26 陕西科技大学 基于高光谱图像的颜色分级/测色方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106226247A (zh) * 2016-07-15 2016-12-14 暨南大学 一种基于高光谱显微成像技术的细胞检测方法
CN111896456A (zh) * 2020-06-19 2020-11-06 北京凡谱科技有限公司 一种基于微流控和高光谱成像的单细胞分析方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI493171B (zh) * 2013-06-27 2015-07-21 Univ China Medical System and method for analyzing tissue cells by using hyperspectral image
JP7062652B2 (ja) * 2016-07-29 2022-05-06 ノヴァトランス グループ ソシエテ アノニム 鶏胚の卵内雌雄鑑別システムおよび方法
US20200323484A1 (en) * 2017-12-14 2020-10-15 Vocalis Health Method and system for screening for covid-19 with a vocal biomarker
CN111208114A (zh) * 2020-03-07 2020-05-29 浙江大学 表面增强拉曼散射/荧光结合spr传感的检测方法及装置
CN111850166A (zh) * 2020-07-10 2020-10-30 中国人民解放军总医院第五医学中心 一种大规模筛查新型冠状病毒感染人群的核酸检测方法及应用
CN111832477A (zh) * 2020-07-13 2020-10-27 华中科技大学 一种新型冠状病毒的检测方法及系统
CN111815617B (zh) * 2020-07-22 2023-11-17 吉林大学 一种基于高光谱的眼底图像检测方法
CN111982838A (zh) * 2020-08-25 2020-11-24 吉林大学 一种基于高光谱的煤岩识别检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106226247A (zh) * 2016-07-15 2016-12-14 暨南大学 一种基于高光谱显微成像技术的细胞检测方法
CN111896456A (zh) * 2020-06-19 2020-11-06 北京凡谱科技有限公司 一种基于微流控和高光谱成像的单细胞分析方法

Also Published As

Publication number Publication date
CN112560597A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112560597B (zh) 一种基于显微高光谱的covid-19检测识别方法
US10783641B2 (en) Systems and methods for adaptive histopathology image unmixing
EP3251087B1 (en) Dot detection, color classification of dots and counting of color classified dots
WO2024032623A1 (zh) 细胞核图像中荧光染色信号点的识别方法和装置
US11853396B2 (en) Inter-cluster intensity variation correction and base calling
EP4049007A1 (en) Systems and methods of particle identification in solution
Somasekar et al. An image processing approach for accurate determination of parasitemia in peripheral blood smear images
JP2002541438A (ja) 混合細胞個体群内の希少な細胞型の同定及び分析用システム及び方法
EP1267305B1 (en) Cell lineage extracting method
CN111753713B (zh) 基于稀疏表示和深度级联的心电信号身份识别方法和系统
CN116596925A (zh) 一种基于荧光扫描影像技术的妇科阴道菌群估算系统
WO2023087791A1 (zh) 一种识别黄绿卷毛菇原产地的dna条形码、引物组及应用
Caldwell et al. Simple quantification of multiplexed quantum dot staining in clinical tissue samples
CN116121384A (zh) 一种用于宫颈高级别病变筛查的基因甲基化标记物组合及筛查模型
Gai et al. Effective classification of melting curve in real-time PCR based on dynamic filter-based convolutional neural network
Harikiran et al. Edge detection using mathematical morphology for gridding of microarray image
CN112634338A (zh) 基于灰度共生矩阵的脑脊液细胞特征提取方法
CN105063027B (zh) Ssr引物组及利用该引物组进行麦芽品种鉴定的方法
Deepa et al. Automatic segmentation of DNA microarray images using an improved seeded region growing method
CN116168761B (zh) 核酸序列特征区域确定方法、装置、电子设备及存储介质
CN113846149B (zh) 一种微孔阵列芯片的数字pcr实时分析方法
KR20030030471A (ko) 바이오칩 이미지 분석 시스템 및 그 방법
US20240218463A1 (en) Dna barcode for screening floccularia luteovirens with high total polysaccharide content
CN101565747B (zh) 一种提取多种基因集合特征表达模式的方法
CN118262171A (zh) 一种tp53基因预测方法及系统

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