CN118090691A - 远程控制的自动荧光显微观测系统 - Google Patents
远程控制的自动荧光显微观测系统 Download PDFInfo
- Publication number
- CN118090691A CN118090691A CN202410481588.0A CN202410481588A CN118090691A CN 118090691 A CN118090691 A CN 118090691A CN 202410481588 A CN202410481588 A CN 202410481588A CN 118090691 A CN118090691 A CN 118090691A
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- light source
- layer
- fluorescent
- data
- 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.)
- Granted
Links
- 230000005284 excitation Effects 0.000 claims abstract description 67
- 239000003550 marker Substances 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000010791 quenching Methods 0.000 claims abstract description 4
- 230000000171 quenching effect Effects 0.000 claims abstract description 4
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000000799 fluorescence microscopy Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 239000007850 fluorescent dye Substances 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000008713 feedback mechanism Effects 0.000 claims description 4
- 238000002073 fluorescence micrograph Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001917 fluorescence detection Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000007431 microscopic evaluation Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 13
- 108010043121 Green Fluorescent Proteins Proteins 0.000 description 5
- 102000004144 Green Fluorescent Proteins Human genes 0.000 description 5
- 239000005090 green fluorescent protein Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 108010054624 red fluorescent protein Proteins 0.000 description 4
- 108091005957 yellow fluorescent proteins Proteins 0.000 description 4
- 238000001215 fluorescent labelling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011503 in vivo imaging Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012632 fluorescent imaging Methods 0.000 description 1
- 108091006047 fluorescent proteins Proteins 0.000 description 1
- 102000034287 fluorescent proteins Human genes 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及荧光显微分析技术领域,具体涉及远程控制的自动荧光显微观测系统,包括:可调谐荧光激发光源模块:所述可调谐荧光激发光源模块包括多个波长的激光光源,根据荧光标记特性选择激发光源,配备光亮度调节机制,控制光源的亮度,避免过度曝光和荧光淬灭;智能光源控制单元:所述智能光源控制单元集成光谱分析工具,自动识别样品中荧光标记的最佳激发波长;远程操作与监控界面:允许用户通过远程界面实时监控和调整光源的波长和强度。本发明,准确地识别荧光标记的特性,并预测其最佳激发波长,使得系统能够智能化地适应不同的荧光标记。
Description
技术领域
本发明涉及荧光显微分析技术领域,尤其涉及远程控制的自动荧光显微观测系统。
背景技术
荧光显微镜技术是现代生物医学研究的一个重要工具,它利用荧光标记物质来观察生物样品中特定的细胞结构或分子,传统的荧光显微观测需要操作者直接对显微镜进行设置调整,这不仅操作繁琐,而且在某些情况下存在安全风险,特别是当处理具有潜在危险的样品时,此外,由于设备和技术限制,传统方法在特定荧光标记的识别和最佳激发波长的选择上往往缺乏精确性,这可能导致荧光图像的质量和准确性降低。
随着计算机视觉和深度学习技术的发展,自动化和智能化的荧光显微观测系统日渐成为研究领域的需求,这些技术使得可以通过自动化方法来提高荧光标记的识别精度和激发波长的选择效率,从而提高图像质量,尤其是在处理大量样品或进行长时间实验时,自动化系统可以显著提高效率和重复性。
然而,现有的自动化系统在实时图像质量监控和远程控制方面仍有不足。在一些高端系统中虽然集成了自动聚焦和图像分析功能,但在实时监控图像质量和根据实时数据自动调整激发波长方面尚未完全实现智能化,此外,对于需要在遥远或危险环境下操作的应用场景,如实验室安全和高通量荧光筛选,现有技术往往不能提供足够的灵活性和安全性。
因此,发展一种集成了先进图像处理技术、智能预测模型以及远程控制能力的自动荧光显微观测系统,以解决现有技术的这些限制,成为了该领域的迫切需求。
发明内容
基于上述目的,本发明提供了远程控制的自动荧光显微观测系统。
远程控制的自动荧光显微观测系统,包括:
可调谐荧光激发光源模块:所述可调谐荧光激发光源模块包括多个波长的激光光源,根据荧光标记特性选择激发光源,配备光亮度调节机制,控制光源的亮度,避免过度曝光和荧光淬灭;
智能光源控制单元:所述智能光源控制单元集成光谱分析工具,自动识别样品中荧光标记的最佳激发波长;
远程操作与监控界面:允许用户通过远程界面实时监控和调整光源的波长和强度,根据观测需要和反馈,微调光源设置,以优化荧光信号。
进一步的,所述激光光源具体包括紫外波段、蓝光波段、绿光波段、黄光至红光波段、近红外波段。
进一步的,所述可调谐荧光激发光源模块还包括预分析子模块,所述预分析子模块收集和分析荧光标记的基本物理和化学特性,通过引入荧光标记的已知数据评估并推荐激光光源,根据预分析模块的推荐,自动从多个激发光源中进行选择。
进一步的,所述光亮度调节机制具体包括使用图像分析算法分析捕获的荧光图像的荧光强度、均匀性和对比度;
基于分析结果,自动调整光源的强度,若荧光信号过强、过弱,将相应地减少、增加光源亮度。
进一步的,所述光谱分析工具具体包括:
光谱特征提取算法:采用基于机器学习的光谱特征提取算法,对采集的光谱数据进行分析,识别出样品中的荧光标记特征,通过训练数据集学习荧光标记的典型光谱特性,包括吸收峰和发射峰,区分不同类型的荧光标记;
最佳激发波长预测模型:结合光谱特征提取结果,使用最佳激发波长预测模型确定荧光标记的最佳激发波长,根据荧光标记的光谱特征,计算出最佳激发波长区间。
进一步的,所述光谱特征提取算法基于深度学习网络,所述深度学习网络的网络结构包括:
输入层:以光谱数据作为输入,若光谱数据是一维,将其转换为二维格式以适应深度学习网络;
卷积层:用于提取光谱数据中的特征,卷积操作的计算为:,其中,/>是第/>层在位置/>的特征图,/>是卷积核的权重,/>是前一层的输出,/>是偏置项,/>是激活函数;
池化层:用于降低特征图的维度,保留最重要信息,基于最大池化法;
全连接层:用于分类和回归任务,将前一层的输出映射到样本标签和目标值;
输出层:输出层的神经元数量与荧光标记的类别数相对应,对于分类任务,使用softmax函数来计算每个类别的概率。
进一步的,所述卷积层通过在输入数据上滑动小的窗口(卷积核),并应用卷积操作来提取特征,卷积核的权重和偏置/>通过训练学习得到,而激活函数/>用于引入非线性,增强网络的表达能力,池化层通常采用最大池化,选取特征图中某邻域内的最大值,以减少数据的空间尺寸,增强模型的泛化能力,所述全连接层的计算为:,其中,/>是输出,/>分别是全连接层的权重和偏置,是前一层的输出,所述输出层的Softmax函数用于将输出转换为概率分布,公式为:,其中,/>是给定输入/>样本属于类别/>的概率
进一步的,所述最佳激发波长预测模型基于灰色预测模型,使用深度学习网络输出的荧光标记特征作为输入,应用灰色预测模型GM(1,1);
对深度学习网络提取的荧光标记特征进行一次累加(1AGO)操作,形成新的数据序列,累加序列的公式为:,其中,/>是原始数据序列,/>是累加后的数据序列;
建立GM(1,1)模型:对累加序列建立一阶微分方程:,其中a和b是待估计的模型参数,使用最小二乘法来估计参数a和b,参数的估计公式为:,B和Y是基于累加数据构建的矩阵和向量;
利用估计的参数,预测激发波长,预测模型公式为:,其中/>是预测的累加值。
进一步的,还包括实时反馈机制,所述实时反馈机制基于图像处理算法,根据图像处理算法结果调整激发波长,确保只激发目标荧光标记,减少非特异性荧光,所述图像处理算法还包括基于索贝尔算子的边缘检测,调整激发波长通过改变激光光源的输出波长以及使用不同的滤光片来实现。
进一步的,所述索贝尔算子通过计算图像亮度的空间梯度来检测边缘,使用两个的矩阵(卷积核),分别用于水平和垂直方向的边缘检测:
;;其中,*表示卷积操作,A是输入的图像;边缘强度G计算为:/>;过度曝光检测:若某区域的边缘强度过低(意味着整个区域亮度接近一致),表明该区域过度曝光;
非特异性荧光检测:若检测到其他高边缘强度区域(表明有清晰的亮暗对比),表明存在非特异性荧光。
本发明的有益效果:
本发明,利用CNN模型结合灰色预测模型,准确地识别荧光标记的特性,并预测其最佳激发波长,使得系统能够智能化地适应不同的荧光标记,确保以最合适的波长进行激发,大幅提高了实验的准确性,减少重复性,在实验条件变化或使用不同的荧光标记时,系统能够自动调整,保证了高质量的荧光成像效果。
本发明,通过实时边缘检测算法,能够监控荧光图像的质量,特别是识别过度曝光或非特异性荧光的问题,这种实时反馈机制允许系统自动调整激发波长和曝光设置,以优化图像质量,不仅减少了手动调整的需要,也保证了在自动化操作过程中能持续获得高质量的荧光图像,特别适用于长时间的实验观察。
本发明,远程控制功能为用户提供了极大的便利,尤其是在需要处理危险或难以接近的样本时,操作者可以在安全的环境中,通过远程界面监控实验进程,并在需要时进行调整,不仅提高了操作的安全性,也使得实验过程更加高效和灵活。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明,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为本发明实施例的系统功能模块示意图;
图2为本发明实施例的可调谐荧光激发光源模块运行原理示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1-2所示,远程控制的自动荧光显微观测系统,包括:
可调谐荧光激发光源模块:可调谐荧光激发光源模块包括多个波长的激光光源,根据荧光标记特性选择激发光源,配备光亮度调节机制,控制光源的亮度,避免过度曝光和荧光淬灭;
智能光源控制单元:智能光源控制单元集成光谱分析工具,自动识别样品中荧光标记的最佳激发波长;
远程操作与监控界面:允许用户通过远程界面实时监控和调整光源的波长和强度,根据观测需要和反馈,微调光源设置,以优化荧光信号。
激光光源具体包括紫外波段:大约在350-400纳米(nm)之间。用于激发某些特殊的荧光染料,如4',6-二亚胺基-2-苯基吲哚(DAPI),主要用于标记DNA、蓝光波段:大约在450-495 nm之间。常用于激发如绿色荧光蛋白(GFP)等荧光蛋白、绿光波段:大约在495-570 nm之间。用于激发如黄色荧光蛋白(YFP)等、黄光至红光波段:大约在570-700 nm之间。适用于激发如红色荧光蛋白(RFP)等荧光标记、近红外波段:大约在700-800 nm之间。用于激发特定的近红外荧光染料,这些染料通常用于活体成像,因为此波长的光能深入组织。
这些波长的选择取决于预期使用的荧光标记物质,理想情况下,可调谐荧光激发光源模块能够覆盖上述所有波长范围,以提供最大程度的灵活性和适用性,此外,为了实现更精细的控制和优化荧光信号,这些激光光源应具有能够调节光强度的功能。
可调谐荧光激发光源模块还包括预分析子模块,预分析子模块收集和分析荧光标记的基本物理和化学特性,通过引入荧光标记的已知数据评估并推荐激光光源,根据预分析模块的推荐,自动从多个激发光源中进行选择;
荧光标记特性以及激光光源选择包括:
DAPI(4',6-二亚胺基-2-苯基吲哚):
特性:用于标记DNA,具有在紫外光下激发的特性。
推荐光源:紫外波段激光光源(350-400 nm)。
绿色荧光蛋白(GFP):
特性:一种常见的生物荧光标记,主要在蓝光下激发。
推荐光源:蓝光波段激光光源(450-495 nm)。
黄色荧光蛋白(YFP):
特性:与GFP相似,但其激发和发射波长偏向绿色光。
推荐光源:绿光波段激光光源(495-570 nm)。
红色荧光蛋白(RFP):
特性:在黄光至红光波段下激发,用于需要较长波长的应用。
推荐光源:黄光至红光波段激光光源(570-700 nm)。
近红外荧光染料:
特性:用于活体成像,需要在近红外波段激发。
推荐光源:近红外波段激光光源(700-800 nm)。
光亮度调节机制具体包括使用图像分析算法分析捕获的荧光图像的荧光强度、均匀性和对比度;
基于分析结果,自动调整光源的强度,若荧光信号过强、过弱,将相应地减少、增加光源亮度。
图像分析算法包括如下:
荧光强度分析基于灰度直方图分析,计算公式:,其中,是图像的平均灰度值,N 是图像中像素的总数,/>是第/>个像素的灰度值;这个公式计算整个图像的平均亮度,它反映了荧光强度的总体水平,在荧光显微观测中,这有助于确定样品的整体荧光发射强度。
荧光均匀性分析基于标准差或变异系数,计算公式:;/>其中SD是标准差,CV是变异系数;标准差和变异系数是衡量图像中荧光强度分布均匀性的指标。标准差越小,表示图像中的荧光强度分布越均匀。变异系数是标准差相对于平均值的比例,用于比较不同亮度水平下的均匀性。
荧光对比度分析基于对比度拉伸或直方图均衡化,计算公式:
对比度拉伸:,其中,/>是调整后的像素值,/>和/>分别是原始图像的最小和最大像素值,/>和/>是期望的最小和最大像素值范围。对比度拉伸,通过调整图像的灰度范围来增强对比度,将原始图像的灰度值映射到一个更大的范围,使图像的高亮和暗部细节更加明显。
光谱分析工具具体包括:
光谱特征提取算法:采用基于机器学习的光谱特征提取算法,对采集的光谱数据进行分析,识别出样品中的荧光标记特征,通过训练数据集学习荧光标记的典型光谱特性,包括吸收峰和发射峰,区分不同类型的荧光标记;
最佳激发波长预测模型:结合光谱特征提取结果,使用最佳激发波长预测模型确定荧光标记的最佳激发波长,根据荧光标记的光谱特征,计算出最佳激发波长区间。
光谱特征提取算法基于深度学习网络,深度学习网络网络结构包括:
输入层:以光谱数据作为输入,若光谱数据是一维,将其转换为二维格式(例如,通过将光谱数据与其导数拼接)以适应深度学习网络;
卷积层:用于提取光谱数据中的特征,卷积操作的计算为:,其中,/>是第/>层在位置/>的特征图,/>是卷积核的权重,/>是前一层的输出,/>是偏置项,/>是激活函数;
池化层:用于降低特征图的维度,保留最重要信息,基于最大池化法;
全连接层:用于分类和回归任务,将前一层的输出映射到样本标签和目标值;
输出层:输出层的神经元数量与荧光标记的类别数相对应,对于分类任务,使用softmax函数来计算每个类别的概率。
卷积层通过在输入数据上滑动小的窗口(卷积核),并应用卷积操作来提取特征,卷积核的权重和偏置/>通过训练学习得到,而激活函数/>用于引入非线性,增强网络的表达能力,池化层通常采用最大池化,选取特征图中某邻域内的最大值,以减少数据的空间尺寸,增强模型的泛化能力,全连接层的计算为:/>,其中,/>是输出,/>和/>分别是全连接层的权重和偏置,/>是前一层的输出,输出层的Softmax函数用于将输出转换为概率分布,公式为:/>,其中,是给定输入/>下样本属于类别/>的概率。
在训练过程中,CNN深度学习网络通过反向传播和梯度下降等算法调整网络权重,以最小化预测和实际标签之间的差异。这种深度学习模型特别适用于处理高维和复杂的数据集,如光谱数据,能够有效地识别和分类不同的荧光标记。
应用于本发明中,具体如下:
数据准备:收集多种荧光标记的光谱数据,包括其在不同条件下的光谱特征。这些数据将被用作模型训练和验证的数据集,将光谱数据标准化或归一化,以确保模型输入的一致性。
模型设计:光谱数据作为输入。假设光谱数据为一维向量,则可以通过将其转换为二维格式(例如,时间序列和其导数)来适配CNN的输入要求,使用多个卷积层来提取光谱数据的特征。例如,第一个卷积层可能使用大小为的卷积核,用于捕获光谱数据的基本特征。
卷积操作的公式:在这里被用于计算特征图,在卷积层之后添加最大池化层,用于减少特征图的维度并提取最显著的特征,最后几层为全连接层,将前面卷积层提取的特征映射到样品标签。这里使用的公式:,用于生成分类输出。
使用Softmax函数作为输出层,将输出转换为预测每种荧光标记的概率分布。
使用构建的数据集对CNN模型进行训练。在训练过程中,模型通过调整权重和偏置来最小化预测错误,使用一部分未参与训练的数据对模型进行验证,以评估其在实际应用中的表现。
训练好的模型被部署到远程控制的自动荧光显微观测系统中,当新的光谱数据输入时,模型将自动分析并识别荧光标记,根据识别结果,系统可以自动选择最适合的激光光源波长进行荧光激发。
CNN用于从复杂的光谱数据中提取关键特征,为灰色预测模型提供输入,灰色预测模型GM(1,1)模型通过分析这些特征与已知的最佳激发波长之间的关系,提供对未知荧光标记最佳激发波长的预测,考虑到实验条件和仪器的限制,预测的最佳激发波长周围设定一个区间,为实验提供灵活性。
最佳激发波长预测模型基于灰色预测模型,收集一系列荧光标记的光谱数据,数据包含不同荧光标记在特定激发波长下的响应,对于每种荧光标记,记录下实验确定的最佳激发波长,作为训练预测模型的目标变量数据集,使用深度学习网络输出的荧光标记特征作为输入,应用灰色预测模型GM(1,1);
对深度学习网络提取的荧光标记特征进行一次累加(1AGO)操作,形成新的数据序列,累加序列的公式为:,其中,/>是原始数据序列,/>是累加后的数据序列;
建立GM(1,1)模型:对累加序列建立一阶微分方程:,其中a和b是待估计的模型参数,使用最小二乘法来估计参数a和b,参数的估计公式为:,其中,B和Y是基于累加数据构建的矩阵和向量;
利用估计的参数,预测激发波长,预测模型公式为:,其中/>是预测的累加值。
根据预测的累加值,将其还原为原始的数据规模,基于预测结果,设定一个合理的波长区间,如果预测的激发波长是500 nm,考虑到实际操作的灵活性和仪器的精度,可以设定一个波长区间,如490 nm至510 nm。
还包括实时反馈机制,实时反馈机制基于图像处理算法,根据图像处理算法结果调整激发波长,确保只激发目标荧光标记,减少非特异性荧光,图像处理算法还包括基于索贝尔算子的边缘检测,调整激发波长通过改变激光光源的输出波长以及使用不同的滤光片来实现。
索贝尔算子通过计算图像亮度的空间梯度来检测边缘,使用两个的矩阵(卷积核),分别用于水平和垂直方向的边缘检测:,其中,*表示卷积操作,A是输入的图像;边缘强度G计算为:/>;过度曝光检测:若某区域的边缘强度过低(意味着整个区域亮度接近一致),表明该区域过度曝光;
非特异性荧光检测:若检测到其他高边缘强度区域(表明有清晰的亮暗对比),表明存在非特异性荧光。
还包括样品处理与调整,配合激光光源,调整样品在最佳位置进行观测,以充分利用调整后的激发光源,调节样品的位置和方向,以实现均匀照射和最佳荧光信号捕获,以上可以使用远程控制机械人、机械手臂进行。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.远程控制的自动荧光显微观测系统,其特征在于,包括:
可调谐荧光激发光源模块:所述可调谐荧光激发光源模块包括多个波长的激光光源,根据荧光标记特性选择激发光源,配备光亮度调节机制,控制光源的亮度,避免过度曝光和荧光淬灭;
智能光源控制单元:所述智能光源控制单元集成光谱分析工具,自动识别样品中荧光标记的最佳激发波长;
远程操作与监控界面:允许用户通过远程界面实时监控和调整光源的波长和强度,根据观测需要和反馈,微调光源设置,以优化荧光信号。
2.根据权利要求1所述的远程控制的自动荧光显微观测系统,其特征在于,所述激光光源具体包括紫外波段、蓝光波段、绿光波段、黄光至红光波段、近红外波段。
3.根据权利要求2所述的远程控制的自动荧光显微观测系统,其特征在于,所述可调谐荧光激发光源模块还包括预分析子模块,所述预分析子模块收集和分析荧光标记的基本物理和化学特性,通过引入荧光标记的已知数据评估并推荐激光光源,根据预分析模块的推荐,自动从多个激发光源中进行选择。
4.根据权利要求3所述的远程控制的自动荧光显微观测系统,其特征在于,所述光亮度调节机制具体包括使用图像分析算法分析捕获的荧光图像的荧光强度、均匀性和对比度;
基于分析结果,自动调整光源的强度,若荧光信号过强、过弱,将相应地减少、增加光源亮度。
5.根据权利要求4所述的远程控制的自动荧光显微观测系统,其特征在于,所述光谱分析工具具体包括:
光谱特征提取算法:采用基于机器学习的光谱特征提取算法,对采集的光谱数据进行分析,识别出样品中的荧光标记特征,通过训练数据集学习荧光标记的典型光谱特性,包括吸收峰和发射峰,区分不同类型的荧光标记;
最佳激发波长预测模型:结合光谱特征提取结果,使用最佳激发波长预测模型确定荧光标记的最佳激发波长,根据荧光标记的光谱特征,计算出最佳激发波长区间。
6.根据权利要求5所述的远程控制的自动荧光显微观测系统,其特征在于,所述光谱特征提取算法基于深度学习网络,所述深度学习网络网络结构包括:
输入层:以光谱数据作为输入,若光谱数据是一维,将其转换为二维格式以适应深度学习网络;
卷积层:用于提取光谱数据中的特征,卷积操作的计算为:,其中,/>是第/>层在位置/>的特征图,/>是卷积核的权重,/>是前一层的输出,/>是偏置项,/>是激活函数;
池化层:用于降低特征图的维度,保留最重要信息,基于最大池化法;
全连接层:用于分类和回归任务,将前一层的输出映射到样本标签和目标值;
输出层:输出层的神经元数量与荧光标记的类别数相对应,对于分类任务,使用softmax函数来计算每个类别的概率。
7.根据权利要求6所述的远程控制的自动荧光显微观测系统,其特征在于,所述卷积层通过在输入数据上滑动小的窗口,并应用卷积操作来提取特征,卷积核的权重和偏置通过训练学习得到,而激活函数/>用于引入非线性,增强网络的表达能力,池化层通常采用最大池化,选取特征图中某邻域内的最大值,以减少数据的空间尺寸,增强模型的泛化能力,所述全连接层的计算为:/>,其中,/>是输出,/>和/>分别是全连接层的权重和偏置,/>是前一层的输出,所述输出层的Softmax函数用于将输出转换为概率分布,公式为:/>其中,/>是给定输入/>下样本属于类别/>的概率。
8.根据权利要求5所述的远程控制的自动荧光显微观测系统,其特征在于,所述最佳激发波长预测模型基于灰色预测模型,使用深度学习网络输出的荧光标记特征作为输入,应用灰色预测模型GM(1,1);对深度学习网络提取的荧光标记特征进行一次累加操作,形成新的数据序列,累加序列的公式为:其中,/>是原始数据序列,/>是累加后的数据序列;建立GM(1,1)模型:对累加序列建立一阶微分方程:/>,其中a和b是待估计的模型参数,使用最小二乘法来估计参数a和b,参数的估计公式为:/>,其中,B和Y是基于累加数据构建的矩阵和向量;利用估计的参数,预测激发波长,预测模型公式为:,其中/>是预测的累加值。
9.根据权利要求4所述的远程控制的自动荧光显微观测系统,其特征在于,还包括实时反馈机制,所述实时反馈机制基于图像处理算法,根据图像处理算法结果调整激发波长,确保只激发目标荧光标记,减少非特异性荧光,所述图像处理算法还包括基于索贝尔算子的边缘检测,调整激发波长通过改变激光光源的输出波长以及使用不同的滤光片来实现。
10.根据权利要求9所述的远程控制的自动荧光显微观测系统,其特征在于,所述索贝尔算子通过计算图像亮度的空间梯度来检测边缘,使用两个的矩阵,分别用于水平和垂直方向的边缘检测:/>其中,*表示卷积操作,A是输入的图像;边缘强度G计算为:/>;过度曝光检测:若某区域的边缘强度过低,表明该区域过度曝光;
非特异性荧光检测:若检测到其他高边缘强度区域,表明存在非特异性荧光。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410481588.0A CN118090691B (zh) | 2024-04-22 | 远程控制的自动荧光显微观测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410481588.0A CN118090691B (zh) | 2024-04-22 | 远程控制的自动荧光显微观测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118090691A true CN118090691A (zh) | 2024-05-28 |
CN118090691B CN118090691B (zh) | 2024-06-28 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253025A (zh) * | 2011-06-22 | 2011-11-23 | 中国人民公安大学 | 应用于法庭科学物证检测的复合荧光成像系统及其方法 |
CN113827192A (zh) * | 2021-10-08 | 2021-12-24 | 北京大学 | 无线微型荧光显微成像装置及其应用 |
CN116448687A (zh) * | 2023-02-21 | 2023-07-18 | 三峡大学 | 基于灰色神经网络的消落区植被冠层氮磷含量反演方法 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253025A (zh) * | 2011-06-22 | 2011-11-23 | 中国人民公安大学 | 应用于法庭科学物证检测的复合荧光成像系统及其方法 |
CN113827192A (zh) * | 2021-10-08 | 2021-12-24 | 北京大学 | 无线微型荧光显微成像装置及其应用 |
CN116448687A (zh) * | 2023-02-21 | 2023-07-18 | 三峡大学 | 基于灰色神经网络的消落区植被冠层氮磷含量反演方法 |
Non-Patent Citations (4)
Title |
---|
DAN YANG等: "Design of high-performance photonic crystal fiber polarization filter by Grey Wolf Optimizer with convolutional neural network", OPTIK, 29 April 2023 (2023-04-29), pages 1 - 16 * |
叶红云;熊黑钢;包青岭;王宁;马利芳;: "基于灰度关联-极限学习机的土壤有机质含量高光谱多尺度反演", 江苏农业科学, no. 24, 31 December 2019 (2019-12-31), pages 297 - 303 * |
程宇琼;卢伟;罗慧;洪德林;党晓景;: "基于连续偏振光谱技术与嵌入型灰色神经网络的稻种发芽率检测方法研究", 光学学报, no. 12, 10 December 2015 (2015-12-10), pages 296 - 304 * |
许雯雯;王帅;孟宪生;包永睿;: "神经网络结合灰色关联度法对气滞胃痛颗粒复方药材抗炎活性谱效关系研究", 中国中药杂志, no. 11, 1 June 2013 (2013-06-01), pages 163 - 168 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11158049B2 (en) | Methods and systems for assessing histological stains | |
EP3005293B1 (en) | Image adaptive physiologically plausible color separation | |
US9128055B2 (en) | Information processing apparatus, information processing method, program, and method of correcting intensity of fluorescence spectrum | |
US11347000B2 (en) | Micro-plate reader for ELISA testing | |
JP2023098911A (ja) | 分析システム | |
US8244021B2 (en) | Quantitative, multispectral image analysis of tissue specimens stained with quantum dots | |
CN105378538B (zh) | 用于多频谱成像的自动聚焦方法和系统 | |
KR102222913B1 (ko) | 정보 탐색 시스템 및 프로그램 | |
US8649580B2 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
JP2018180635A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
JP5461630B2 (ja) | 合焦位置を決定する方法及びビジョン検査システム | |
WO2016107896A1 (en) | Systems and methods for co-expression analysis in immunoscore computation | |
AU2015265811A1 (en) | An image processing method and system for analyzing a multi-channel image obtained from a biological tissue sample being stained by multiple stains | |
EP3506165A1 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
US20220012884A1 (en) | Image analysis system and analysis method | |
CN115032196B (zh) | 一种全划片高通量彩色病理成像分析仪器及方法 | |
CA3026633C (en) | Information search system, information search method, and information search program | |
CN118090691B (zh) | 远程控制的自动荧光显微观测系统 | |
CN118090691A (zh) | 远程控制的自动荧光显微观测系统 | |
Verma et al. | Recent advancements in image-based prediction models for diagnosis of plant diseases | |
CN114236804A (zh) | 用于生成概览图像的显微镜系统和方法 | |
Santos et al. | Classification of biological colonization on concrete surfaces using false colour HSV images, including near-infrared information | |
US20230175963A1 (en) | Method of analyzing a mixed fluorescence response of a plurality of fluorophores, fluorescence analyzer, fluorescence microscope and computer program | |
Tran et al. | Mobile Fluorescence Imaging and Protein Crystal Recognition | |
WO2020054080A1 (ja) | 染色体異常判定装置、染色体異常判定システム、測定装置及び解析装置 |
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 |