CN114486841B - 一种微型荧光免疫分析仪及其图像处理方法 - Google Patents
一种微型荧光免疫分析仪及其图像处理方法 Download PDFInfo
- Publication number
- CN114486841B CN114486841B CN202210359581.2A CN202210359581A CN114486841B CN 114486841 B CN114486841 B CN 114486841B CN 202210359581 A CN202210359581 A CN 202210359581A CN 114486841 B CN114486841 B CN 114486841B
- Authority
- CN
- China
- Prior art keywords
- pixel
- fluorescence
- image
- value
- fluorescence image
- 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
- 238000003018 immunoassay Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000002073 fluorescence micrograph Methods 0.000 claims abstract description 101
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000000427 antigen Substances 0.000 claims abstract description 7
- 102000036639 antigens Human genes 0.000 claims abstract description 7
- 108091007433 antigens Proteins 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 125000004432 carbon atom Chemical group C* 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 4
- 238000004587 chromatography analysis Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 241001678559 COVID-19 virus Species 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000001215 fluorescent labelling Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000003317 immunochromatography Methods 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 230000036046 immunoreaction Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Hematology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Urology & Nephrology (AREA)
- Analytical Chemistry (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提出了一种微型荧光免疫分析仪及其图像处理方法，该方法包括：获取至少两帧荧光图像，分别进行滤波处理，获得第一荧光图像和第二荧光图像；根据荧光发光强度曲线，获得第一阈值；比对第一荧光图像和第二荧光图像上对应像素点的像素值，并根据第一阈值获得第三荧光图像；采用最大类间方差法对第三荧光图像进行处理，获得第二阈值，并基于第二阈值对第三荧光图像进行二值化分割，获得二值化图像；迭代扫描二值化图像上的所有像素点，标记其中的相似像素点并记录在标记矩阵中，获得目标区域；计算目标区域的平均灰度值，根据灰度值与荧光信号光强成正比关系，获得样本中抗原或抗体的浓度。本发明降低了检测误差，保证了检测结果的准确度。
Description
技术领域
本发明涉及免疫层析检测领域，具体而言，涉及一种微型荧光免疫分析仪及其图像处理方法。
背景技术
荧光免疫分析仪是建立在层析技术和抗原-抗体特异性免疫反应基础上的一项新兴免疫检测仪器。荧光免疫分析仪以固定有检测线(T线)和控制线(C线)的条状纤维层析材料为层析试纸，检测样本（如血清、血浆、全血、唾液等）通过毛细作用在层析试纸上移动，并且在移动的过程中，检测样本中的待测物与荧光标记第一抗体结合，形成待测物-第一抗体-荧光素结构，继续前行，经过NC膜的T线时，该待测物-第一抗体-荧光素结构中的待测物与设置于T线上的第二抗体发生特异性结合，被截留、聚集于T线区域，未与第二抗体发生结合的第一抗体-荧光素结构随着游离物继续前行至C线区域，与设置于C线的第三抗体特异性结合，被截留、聚集于C线区域。由于荧光发射强度与待测物浓度成正比，通过测量T线处和C线处荧光强度，结合荧光强度与浓度形成的函数预设关系，即可计算出检测样本中待测物的浓度。
目前，大部分荧光免疫分析仪都是通过图像采集模块获取层析试纸上反应区结合物被激发后的荧光图像，再利用图像处理算法进行处理分析，获得检测结果。然而，现有的图像处理算法仍然存在以下缺陷：普遍采用高斯滤波对荧光图像进行预处理，以去除图像噪声，但是该方法不能很好的保留荧光图像的边缘信息，造成轮廓模糊；此外，由于荧光素结合物发光时间较短，且易受到背景光干扰，无法在恰当时刻采集高质量荧光图像信号，造成检测结果精准度低、误差大的问题。
发明内容
本发明的目的在于提供一种微型荧光免疫分析仪及其图像处理方法，解决了现有技术中荧光图像的问题轮廓模糊，检测结果精准度低、误差大的问题。
为解决上述技术问题，本发明采用的技术方案是：一种微型荧光免疫分析仪，包括壳体，设于所述壳体内部的卡条槽组件、光源组件、图像采集模块和主控CPU，所述卡条槽组件用于放置检测条，所述光源组件用于产生荧光激发光源并照射在检测条的检测区，所述图像采集模块用于获取检测条上样本中抗原或抗体与试剂反应区的荧光图像，所述主控CPU用于根据图像处理算法对荧光图像进行分析处理，获得检测结果。
作为优选方案，所述壳体包括上壳体和下壳体，所述上壳体上表面设置有显示屏幕和检测按钮，所述显示屏幕和检测按钮均与主控CPU相连，分别用于显示数据和输入指令，所述下壳体底端部设置有电池盖，用于放置电池，所述上壳体或下壳体上设有与主控CPU相连的USB接口，用于实现外部供电。
本发明还提供了一种微型荧光免疫分析仪的图像处理方法，运行于如根据以上所述的微型荧光免疫分析仪上，包括如下步骤：获取至少两帧荧光图像，采用优化后的高斯滤波对所述两帧荧光图像分别进行滤波处理，获得第一荧光图像和第二荧光图像；根据所述第一荧光图像或第二荧光图像上反应区的荧光发光强度曲线，获得第一阈值；比对所述第一荧光图像和第二荧光图像上对应像素点的像素值，并根据所述第一阈值获得第三荧光图像；采用最大类间方差法对所述第三荧光图像进行处理，获得第二阈值，并基于所述第二阈值对第三荧光图像进行二值化分割，获得二值化图像；迭代扫描所述二值化图像上的所有像素点，标记其中的相似像素点并记录在标记矩阵中，获得连通区域，即目标区域；计算所述目标区域的平均灰度值，根据灰度值与荧光信号光强成正比关系，获得样本中抗原或抗体的浓度。
作为优选方案，所述采用优化后的高斯滤波对所述两帧荧光图像分别进行滤波处
理，包括：设
为利用双向滤波器计算荧光图像中像素点m的像素值，则：
上式中，
为归一化因数， 
、
分别为空间权值和像素权值，
为像素
点m和像素点n之间的空间距离，
为待计算像素点m的像素值，
为邻域内像素点n的像素
值，m＝(mx，my)为待计算的像素点的位置，n＝(nx，ny)为邻域内像素点的位置， n∈S表示
计算像素点m的像素值时，其结果由邻域范围S内的每个像素值的加权和决定，
为一维
高斯核。
作为优选方案，设所述第一阈值为thd1,则：
thd1=minGy+(maxGy-minGy)/k
上式中，minGy为荧光发光强度曲线上的最小像素值，maxGy为荧光发光强度曲线上的最大像素值，k为常数，根据实际情况调整。
作为优选方案，所述比对所述第一荧光图像和第二荧光图像上对应像素点的像素值，并根据所述第一阈值获得第三荧光图像，包括：若第一荧光图像和第二荧光图像上对应像素点的像素值的平均值小于所述第一阈值，则选取较小的像素值作为第三荧光图像的像素点像素值；若第一荧光图像和第二荧光图像上对应像素点的像素值的平均值大于所述第一阈值，则选取较大的像素值作为第三荧光图像的像素点像素值。
作为优选方案，采用最大类间方差法对所述第三荧光图像进行处理，获得第二阈值。该方式计算效率高，能够实现对第三荧光图像的实时处理。
具体为：建立类间方差表达式
，当
取得全局最大值时，对应的
thd2为第二阈值，此时目标区域和背景区域之间差别最大；
上式中，
为第三荧光图像上目标区域像素占比，其像素平均值为 
， 
为第三荧光图像上背景区域像素占比，其像素平均值为
，
为第三荧光图像
整体像素平均值。
作为优选方案，获取至少两帧荧光图像之后，还包括判断所述荧光图像是否合格，具体为：选取所述荧光图像上反应区的局部作为检验区域；计算所述检验区域上沿层析方向每一行的像素值总和，生成行像素曲线，其中，所述行像素曲线的横坐标为行序数，其纵坐标为每行像素值总和；选取与所述行像素曲线上波谷相对应的行作为检验行，所述检验行包括多个检验像素点；计算所述检验行中任意一个检验像素点与其他检验像素点之间的像素值差值的绝对值；若存在至少2个绝对值小于设定阈值，则判定该检验像素点为合格点，反之为异常点；根据所述异常点数量判断荧光图像是否合格。
作为优选方案，还包括对所述异常点纠错，获取所述检验行上所有合格点的像素值的平均值，将所述平均值赋值给所述异常点。
与现有技术相比，本发明的有益效果包括：通过采用优化后的高斯滤波对荧光图像进行滤波处理，使得在去除了图像噪声的同时保护了图像荧光图像的边缘信息，轮廓清晰分明；根据荧光发光强度曲线计算获得第一阈值，并根据第一阈值比对多帧荧光图像上对应像素点的像素值，若其平均值小于第一阈值，说明该像素点处于背景区域，则选取较小的像素值，若其平均值大于第一阈值，说明该像素点处于目标区域，则选取较大的像素值，从而提高了背景区域和目标区域的对比度，便于后面对于二值化分割和对目标区域的提取操作，而且降低了由于个别荧光点消失对检测结果造成的影响，提高了检测精度。在获取到荧光图像后，首先判断其是否合格，若不合格则重新采集，若合格则将其中少数异常点纠错，进一步降低了检测误差，保证检测结果的准确度。
附图说明
参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制。在附图中，相同的附图标记用于指代相同的部件。其中：
图1为本发明实施例微型荧光免疫分析仪的结构示意图；
图2为本发明实施例微型荧光免疫分析仪的功能模块示意图；
图3为本发明实施例微型荧光免疫分析仪的图像处理方法的流程示意图；
图4为本发明实施例荧光图像的实物图。
图中标号：1下壳体、2上壳体、3检测条、4电池盖、5显示屏幕、6检测按钮。
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
根据本发明的一实施方式结合图1和2示出。一种微型荧光免疫分析仪，包括壳体，设于壳体内部的卡条槽组件、光源组件、图像采集模块和主控CPU，卡条槽组件用于放置检测条3，光源组件用于产生荧光激发光源并照射在检测条3的检测区，图像采集模块用于获取检测条3上样本中抗原或抗体与试剂反应区的荧光图像，主控CPU用于根据图像处理算法对荧光图像进行分析处理，获得检测结果。
本发明实施例中，壳体包括上壳体2和下壳体1，上壳体2上表面设置有显示屏幕5和检测按钮6，显示屏幕5和检测按钮6均与主控CPU相连，分别用于显示数据和输入指令，下壳体1底端部设置有电池盖4，用于放置电池，上壳体2或下壳体1上设有与主控CPU相连的USB接口，用于实现外部供电。
该微型荧光免疫分析仪体积小巧，尺寸为长 110mm×宽 70mm×高 45mm，重量轻，主机重量小于110g，方便携带。微型免疫荧光分析仪与SARS-CoV-2 银荧光快速检测盒（Swab）一起使用，能够实现对血清/血浆、全血、唾液等样本快速定性或定量的检测。使用时，将反应和孵育好的检测条3按照提示的方向插入仪器右侧的插口内，并且确保塞到底，置于卡条槽组件上。按下检测按钮6，仪器自动开始扫描条码和检测数据，如果检测完成，在显示屏幕上显示出相应的检测结果。
参见图3，本发明还提供了一种微型荧光免疫分析仪的图像处理方法，运行于如根据上述的微型荧光免疫分析仪上，包括如下步骤：
S101，获取至少两帧荧光图像，采用优化后的高斯滤波对两帧荧光图像分别进行滤波处理，获得第一荧光图像和第二荧光图像。荧光图像的实物如图4所示。优化后的高斯滤波函数如下所示：
设
为利用双向滤波器计算荧光图像中像素点m的像素值，则：
上式中，
为归一化因数， 
、
分别为空间权值和像素权值，
为像素
点m和像素点n之间的空间距离，
为待计算像素点m的像素值，
为邻域内像素点n的像素
值，m＝(mx，my)为待计算的像素点的位置，n＝(nx，ny)为邻域内像素点的位置， n∈S表示
计算像素点m的像素值时，其结果由邻域范围S内的每个像素值的加权和决定，
为一维
高斯核。
通过采用优化后的高斯滤波对荧光图像进行滤波处理，使得在去除了图像噪声的同时保护了图像荧光图像的边缘信息，轮廓清晰分明。
S102，根据第一荧光图像或第二荧光图像上反应区的荧光发光强度曲线，获得第一阈值。
设第一阈值为thd1,则：
thd1=minGy+(maxGy-minGy)/k
上式中，minGy为荧光发光强度曲线上的最小像素值，maxGy为荧光发光强度曲线上的最大像素值，k为常数，根据实际情况调整，本实施例中m=3。
S103，比对第一荧光图像和第二荧光图像上对应像素点的像素值，并根据第一阈值获得第三荧光图像。
具体的，若第一荧光图像和第二荧光图像上对应像素点的像素值的平均值小于第一阈值，则选取较小的像素值作为第三荧光图像的像素点像素值；若第一荧光图像和第二荧光图像上对应像素点的像素值的平均值大于第一阈值，则选取较大的像素值作为第三荧光图像的像素点像素值。该步骤提高了背景区域和目标区域的对比度，便于后面对于目标区域的提取操作，而且降低了由于个别荧光点消失对检测结果造成的影响，提高了检测精度。
S104，采用最大类间方差法对第三荧光图像进行处理，获得第二阈值，并基于第二阈值对第三荧光图像进行二值化分割，获得二值化图像。
建立类间方差表达式
，当
取得全局最大值时，对应的thd2为第二
阈值，此时目标区域和背景区域之间差别最大；
上式中，
为第三荧光图像上目标区域像素占比，其像素平均值为 
， 
为第三荧光图像上背景区域像素占比，其像素平均值为
，
为第三荧光图像
整体像素平均值。
图像二值化是将图像上的像素点的像素值设置为0(黑色)或255(白色)，具体为将像素值小于第二阈值的像素点的像素值更新为0,将像素值大于或等于第二阈值的像素点的像素值更新为一个非零数值(例如255)，也就是将整个图像呈现出明显的黑白效果的过程。
S105，迭代扫描二值化图像上的所有像素点，标记其中的相似像素点并记录在标记矩阵中，获得连通区域，即目标区域。
具体为：初始化标记矩阵和种子点，将种子点周围邻域的像素点与种子点进行比较，若为相似像素点，则进行合并，同时记录在标记矩阵中；反之，将其作为新的种子点，迭代进行，直到所有相似像素点都被标记为止。
S106，计算目标区域的平均灰度值，根据灰度值与荧光信号光强成正比关系，获得样本中抗原或抗体的浓度。
进一步的，在获取至少两帧荧光图像之后，还包括判断荧光图像是否合格，具体为：
1)选取荧光图像上反应区的局部作为检验区域。
2)计算检验区域上沿层析方向每一行的像素值总和，生成行像素曲线，其中，行像素曲线的横坐标为行序数，其纵坐标为每行像素值总和。
3)选取与行像素曲线上波谷相对应的行作为检验行，即选取像素值总和最小的行作为检验行，该检验行包括多个检验像素点。
4)计算检验行中任意一个检验像素点与其他检验像素点之间的像素值差值的绝对值。
5)若存在至少2个绝对值小于设定阈值M1，则判定该检验像素点为合格点，反之为异常点。
6)根据异常点数量判断荧光图像是否合格。若异常点数量超过设定阈值M2，则认为本次荧光图像不合格，需要重新采集。若异常点数量未超过设定阈值M2，则认为本次荧光图像合格，同时对该荧光图像中的异常点进行纠错。纠错过程为：获取检验行上所有合格点的像素值的平均值，将平均值赋值给异常点。
综上所述，本发明的有益效果包括：通过采用优化后的高斯滤波对荧光图像进行滤波处理，使得在去除了图像噪声的同时保护了图像荧光图像的边缘信息，轮廓清晰分明；根据荧光发光强度曲线计算获得第一阈值，并根据第一阈值比对多帧荧光图像上对应像素点的像素值，若其平均值小于第一阈值，说明该像素点处于背景区域，则选取较小的像素值，若其平均值大于第一阈值，说明该像素点处于目标区域，则选取较大的像素值，从而提高了背景区域和目标区域的对比度，便于后面对于二值化分割和对目标区域的提取操作，而且降低了由于个别荧光点消失对检测结果造成的影响，提高了检测精度。在获取到荧光图像后，首先判断其是否合格，若不合格则重新采集，若合格则将其中少数异常点纠错，进一步降低了检测误差，保证检测结果的准确度。
本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。
Claims (5)
1.一种微型荧光免疫分析仪的图像处理方法，运行于微型荧光免疫分析仪上，其特征在于，包括如下步骤：
获取至少两帧荧光图像，采用优化后的高斯滤波对所述两帧荧光图像分别进行滤波处理，获得第一荧光图像和第二荧光图像；
根据所述第一荧光图像或第二荧光图像上反应区的荧光发光强度曲线，获得第一阈值；设所述第一阈值为thd1,则：thd1=minGy+(maxGy-minGy)/k；上式中，minGy为荧光发光强度曲线上的最小像素值，maxGy为荧光发光强度曲线上的最大像素值，k为常数，根据实际情况调整；
比对所述第一荧光图像和第二荧光图像上对应像素点的像素值，并根据所述第一阈值获得第三荧光图像；
采用最大类间方差法对所述第三荧光图像进行处理，获得第二阈值，并基于所述第二阈值对第三荧光图像进行二值化分割，获得二值化图像；
迭代扫描所述二值化图像上的所有像素点，标记其中的相似像素点并记录在标记矩阵中，获得连通区域，即目标区域；
计算所述目标区域的平均灰度值，根据灰度值与荧光信号光强成正比关系，获得样本中抗原或抗体的浓度；
其中，所述采用优化后的高斯滤波对所述两帧荧光图像分别进行滤波处理，包括：设
为利用双向滤波器计算荧光图像中像素点m的像素值，则：
上式中，
为归一化因数， 
、
分别为空间权值和像素权值，
为像素点m
和像素点n之间的空间距离，
为待计算像素点m的像素值，
为邻域内像素点n的像素值，
m＝(mx，my)为待计算的像素点的位置，n＝(nx，ny)为邻域内像素点的位置， n∈S表示计算
像素点m的像素值时，其结果由邻域范围S内的每个像素值的加权和决定，
为一维高斯
核；
所述比对所述第一荧光图像和第二荧光图像上对应像素点的像素值，并根据所述第一阈值获得第三荧光图像，包括：若第一荧光图像和第二荧光图像上对应像素点的像素值的平均值小于所述第一阈值，则选取较小的像素值作为第三荧光图像的像素点像素值；若第一荧光图像和第二荧光图像上对应像素点的像素值的平均值大于所述第一阈值，则选取较大的像素值作为第三荧光图像的像素点像素值；
采用最大类间方差法对所述第三荧光图像进行处理，获得第二阈值，包括：建立类间方
差表达式
，当
取得全局最大值时，对应的i为第二阈值，此时目标区域和背景区域
之间差别最大；
上式中，
为第三荧光图像上目标区域像素占比，其像素平均值为 
， 
为
第三荧光图像上背景区域像素占比，其像素平均值为
，
为第三荧光图像整体像素平
均值。
2.根据权利要求1所述的微型荧光免疫分析仪的图像处理方法，其特征在于，获取至少两帧荧光图像之后，还包括判断所述荧光图像是否合格，具体为：
选取所述荧光图像上反应区的局部作为检验区域；
计算所述检验区域上沿层析方向每一行的像素值总和，生成行像素曲线，其中，所述行像素曲线的横坐标为行序数，其纵坐标为每行像素值总和；
选取与所述行像素曲线上波谷相对应的行作为检验行，所述检验行包括多个检验像素点；
计算所述检验行中任意一个检验像素点与其他检验像素点之间的像素值差值的绝对值；
若存在至少2个绝对值小于设定阈值，则判定该检验像素点为合格点，反之为异常点；
根据所述异常点数量判断荧光图像是否合格。
3.根据权利要求2所述的微型荧光免疫分析仪的图像处理方法，其特征在于，还包括对所述异常点纠错，获取所述检验行上所有合格点的像素值的平均值，将所述平均值赋值给所述异常点。
4.一种微型荧光免疫分析仪，其特征在于，包括壳体，设于所述壳体内部的卡条槽组件、光源组件、图像采集模块和主控CPU，所述卡条槽组件用于放置检测条，所述光源组件用于产生荧光激发光源并照射在检测条的检测区，所述图像采集模块用于获取检测条上样本中抗原或抗体与试剂反应区的荧光图像，所述主控CPU用于根据图像处理算法对荧光图像进行分析处理，获得检测结果，所述图像处理算法采用如权利要求1至3任一项所述的一种微型荧光免疫分析仪的图像处理方法。
5.根据权利要求4所述的微型荧光免疫分析仪，其特征在于，所述壳体包括上壳体和下壳体，所述上壳体上表面设置有显示屏幕和检测按钮，所述显示屏幕和检测按钮均与主控CPU相连，分别用于显示数据和输入指令，所述下壳体底端部设置有电池盖，用于放置电池，所述上壳体或下壳体上设有与主控CPU相连的USB接口，用于实现外部供电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210359581.2A CN114486841B (zh) | 2022-04-07 | 2022-04-07 | 一种微型荧光免疫分析仪及其图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210359581.2A CN114486841B (zh) | 2022-04-07 | 2022-04-07 | 一种微型荧光免疫分析仪及其图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114486841A CN114486841A (zh) | 2022-05-13 |
| CN114486841B true CN114486841B (zh) | 2022-06-24 |
Family
ID=81488401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210359581.2A Active CN114486841B (zh) | 2022-04-07 | 2022-04-07 | 一种微型荧光免疫分析仪及其图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114486841B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433671B (zh) * | 2023-06-14 | 2023-08-25 | 广州万孚健康科技有限公司 | 一种基于图像识别的胶体金检测方法、系统和存储介质 |
| CN116596925B (zh) * | 2023-07-17 | 2023-09-19 | 广州盛安医学检验有限公司 | 一种基于荧光扫描影像技术的妇科阴道菌群估算系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844683A (zh) * | 2017-10-17 | 2018-03-27 | 华东医药（杭州）基因科技有限公司 | 一种数字pcr液滴浓度的计算方法 |
| CN108133481A (zh) * | 2017-12-22 | 2018-06-08 | 必欧瀚生物技术（合肥）有限公司 | 一种针对荧光免疫层析试条成像系统的图像处理算法 |
| CN113313109A (zh) * | 2021-05-13 | 2021-08-27 | 中国计量大学 | 一种荧光免疫层析试纸的半定量分析方法 |
| CN113689396A (zh) * | 2021-08-20 | 2021-11-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
-
2022
- 2022-04-07 CN CN202210359581.2A patent/CN114486841B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107844683A (zh) * | 2017-10-17 | 2018-03-27 | 华东医药（杭州）基因科技有限公司 | 一种数字pcr液滴浓度的计算方法 |
| CN108133481A (zh) * | 2017-12-22 | 2018-06-08 | 必欧瀚生物技术（合肥）有限公司 | 一种针对荧光免疫层析试条成像系统的图像处理算法 |
| CN113313109A (zh) * | 2021-05-13 | 2021-08-27 | 中国计量大学 | 一种荧光免疫层析试纸的半定量分析方法 |
| CN113689396A (zh) * | 2021-08-20 | 2021-11-23 | 深圳先进技术研究院 | 细胞荧光图像阈值化方法、系统、终端及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| "免疫荧光图像定量分析研究";龚志文;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20170615;全文 * |
| "基于改进Canny算法的工件边缘检测方法";刘克平 等;《广西大学学报( 自然科学版)》;20171231;第42卷(第6期);第2022-2029页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114486841A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114486841B (zh) | 一种微型荧光免疫分析仪及其图像处理方法 | |
| CN105606608B (zh) | 基于图像灰度处理的数据计算方法及其在检测领域的应用 | |
| JP5920994B2 (ja) | マイクロプレートのウェル壁境界を識別するための方法及びシステム | |
| EP3798619B1 (en) | Colour measurements of test strips using a smartphone | |
| JP3093270B2 (ja) | 光学的試料分析装置及び方法 | |
| CA2508846C (en) | Imaging device | |
| JP2013526717A5 (zh) | ||
| CN113504238B (zh) | 一种玻璃表面缺陷采集装置及检测方法 | |
| CN112345759B (zh) | 一种用于荧光强度峰检测的方法 | |
| CN104198695A (zh) | 一种对胶体金试纸条显色结果分析的方法 | |
| CN108204979B (zh) | 用于试纸检测设备中光源校准的方法和装置 | |
| CN107167594B (zh) | 一种免疫层析试条定量检测装置及方法 | |
| CN108197564A (zh) | 一种画钟试验的评估系统及方法 | |
| CN115656053B (zh) | 岩石矿物含量测试方法及系统 | |
| US20230177680A1 (en) | Assay reading method | |
| CN108335310B (zh) | 一种便携式粒形粒度检测方法及系统 | |
| CN114965409A (zh) | 基于图像边缘检测特征提取的三维荧光光谱有机污染物识别方法 | |
| JP5411756B2 (ja) | 呈色解析装置および方法ならびにプログラム | |
| CN115100273A (zh) | 一种基于图像处理的免疫层析试纸条定量分析系统及检测方法 | |
| US20230304977A1 (en) | Chromatographic reader devices for biodetection | |
| CN115128061A (zh) | 一种电化学发光分析仪 | |
| CN111597503B (zh) | 一种多模式下胶体金峰值的计算方法 | |
| CN115345863A (zh) | 生物芯片检测方法、系统及存储介质 | |
| US20240027355A1 (en) | Chromatographic reader devices for biodetection | |
| US20230266232A1 (en) | Chromatographic reader devices for biodetection |
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 |