一种AI辅助下的免疫侧流传感的解析方法与流程

一种ai辅助下的免疫侧流传感的解析方法
技术领域
1.本发明涉及生物医学检测和人工智能技术领域，尤其涉及一种ai辅助下的免疫侧流传感的解析方法。


背景技术：

2.上转换发光纳米材料(ucnps)凭借其独特的光学特性，现已广泛应用于即时检验(point-of-care testing，poct)、食品检测和环境危害检测等领域，其通过反斯托克斯过程将近红外激发光转换成高能的可见光或紫外光，近红外激发的特性可以有效地避免背景荧光和散射光的干扰，其不会造成能量受体的直接激发，同时由于掺杂的镧系元素具有较高的能级，因此ucnps具有诸多其他材料无法比拟的优异的光学和化学性质，例如，更好的光学和化学稳定性、发光可调性和细胞毒性低等，基于这些独有的优点，使得以ucnps作为能量供体的上转换荧光共振能量转移(uc-fret)技术在poct、生物传感和医学诊断等领域凸显出了具有巨大的应用前景，然而，发光效率低和环境噪声干扰等因素使得在广泛应用中面临主要挑战：缺乏一种兼具高准确率和适用于现场检测环境的通用ucnps定量检测策略。
3.现有的，专利号cn109447185a(基于深度学习的显微荧光图像分类方法)存在以下问题：
4.1.基于深度学习的网络前期需要大量的人工标注的训练数据，这将消耗大量的人力，并且定量检测的结果准确度取决于与人工标注的训练数据量成正比，并且传统的深度学习方法很容易产生过拟合现象，导致训练的网络泛化能力不强；
5.2.基于深度学的网络，在测试数据训练和推理的过程中，需要具有高运算力的计算单元，这意味着所设计的设备不具备便携式。
6.迁移学习，是一种人工智能的重要方法，其通过将在一种维度空间中学到的经验参数用在另一个领域中来提高它的泛化性能，比如，在计算机视觉任务中将预训练的模型作为新提出模型的起点，通常这些预训练的模型在构建神经网络的时候已经消耗了巨大的时间资源和计算资源，预训练模型已经基于大量的图像学习了丰富的特征表示，迁移学习可以将已习得的强大技能迁移到相关的问题上，并且与使用随机初始化的权重从头训练网络相比，通过迁移学习来训练微调网络要更快更简单，并且，不同于其他领域，生物医学领域的研究难点在于无法获取足够有效的医疗数据，而将迁移学习引入生物医学领域能很好解决大量数据与少量标注之间的矛盾，因此，本发明提出一种ai辅助下的免疫侧流传感的解析方法以解决现有技术中存在的问题。


技术实现要素：

7.针对上述问题，本发明的目的在于提出一种ai辅助下的免疫侧流传感的解析方法，该方法能够使得基于迁移学习的人工智能模型更容易采取边缘计算的架构部署在本地物联网设备中，其提升免疫侧流传感器的定量检测结果预测的准确性，同时完美解决路边
检测和即时检验领域对传感器提出的实时本地响应、可靠服务和数据隐私等亟待解决的重大问题。
8.为了实现本发明的目的，本发明通过以下技术方案实现：一种ai辅助下的免疫侧流传感的解析方法，包括以下步骤：
9.步骤一
10.通过荧光检测设备收集上转换荧光纳米材料经过近红外激发后控制线周围的荧光图像，得到控制线周围三通道图像的宽高尺寸；
11.步骤二
12.通过荧光检测设备收集上转换荧光纳米材料经过近红外激发后测试线周围的荧光图像，得到测试线周围三通道图像的宽高尺寸；
13.步骤三
14.将步骤一和步骤二中同一张免疫侧流传感试纸条上控制线和测试线激发出的荧光线拼接在一起，得到拼接荧光线三通道图像的宽高尺寸；
15.步骤四
16.通过荧光检测设备收集图像序列逐帧对应重复步骤一至步骤三，获取到用于训练的荧光图像数据集，将荧光图像数据集中的数据划分为训练数据集和验证数据集；
17.步骤五
18.将步骤四中得到训练数据，通过训练数据的特征工程对训练数据进行扩增；
19.步骤六
20.基于特征工程扩增后的训练数据，利用迁移学习对预训练的图像分类网络进行再训练，得到训练后的图像分类网络；
21.步骤七
22.将经过迁移学习后的网络部署到本地检测设备中，基于步骤四获得的测试数据，通过以上训练后的图像分类网络获得待测数据的分类结果。
23.进一步改进在于：所述步骤四中，荧光图像数据集中80％的图像用于训练数据，剩余的20％的图像用于测试数据。
24.进一步改进在于：所述步骤五中，训练数据的特征工程方法包括以下步骤：
25.a1：将训练数据的训练图像依次进行添加高斯噪声、极坐标转换、水平翻转、高斯平滑、逆时针旋转15度和顺时针旋转15度，生成扩增后的训练图像，得到扩增后的训练数据；
26.a2：训练过程中，对训练数据采取防止过拟合的方法以增强模型泛化能力并避免模型过拟合；
27.a3：将步骤a2获得的训练数据输入预训练的图像分类网络。
28.进一步改进在于：所述防止过拟合的方法包括随机对训练数据进行随机缩小和放大以及对训练数据进行随机位置裁剪。
29.进一步改进在于：所述步骤六中，对预训练的图像分类网络进行再训练的具体方法包括以下步骤：
30.b1：加载预训练网络；
31.b2：替换最终层；
32.b3：冻结初始层，将较浅网络层的学习率设置为零，来冻结较浅网络层的权重；
33.b4：训练网络，保存网络训练后权重；
34.b5：部署训练后的图像分类网络。
35.进一步改进在于：对预训练的图像分类网络进行再训练的过程中采用绝对误差来作为模型的损失函数，表达式如下：
[0036][0037]
式中，l为损失函数，y为样本的标签，为模型的预测值，m为样本数量。
[0038]
进一步改进在于：所述步骤七中，利用检测设备捕获装置获取实际验证荧光图像，利用训练后的图像分类网络对结果进行实时推理，并计算分类准确度，最终显示在设备显示屏上。
[0039]
本发明的有益效果为：
[0040]
1.无须进行任何繁琐的图像预处理过程，大大提升检测方法的鲁棒性和简洁性；
[0041]
2.通过提出的特征工程，在提高上转荧光图像表征定量信息的同时，丰富了上转荧光图像数据集的多样性，其提升了人工智能模型预测实际检测结果的泛化能力和准确性；
[0042]
3.解决了生物医学领域与传统机器学习结合需要大量标注数据的矛盾，仅有少量数据集的条件下运用迁移学习可以建立一个极高准确率的定量检测人工智能模型；
[0043]
4.解决了生物医学领域与传统机器学习结合需要巨大计算成本的矛盾，使得普通设备进行模型训练成为可能；
[0044]
5.由于基于迁移学习的人工智能模型，区别于传统的图像处理来进行定量检测，使得基于人工智能的方法对环境噪声具有较高的容忍性，并且能够实时检测。
附图说明
[0045]
为了更清楚地说明本发明实施例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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1是本发明的方法流程图；
[0047]
图2是本发明实施例中的训练数据的特征工程方法的流程图；
[0048]
图3是本发明实施例中的对预训练的图像分类网络进行再训练的流程图；
[0049]
图4是本发明实施例中的vgg16预训练网络示意图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0052]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0053]
参见图1，本实施例提供了一种ai辅助下的免疫侧流传感的解析方法，包括以下步骤：
[0054]
步骤一
[0055]
通过荧光检测设备收集上转换荧光纳米材料经过近红外激发后控制线周围的荧光图像，得到控制线周围三通道图像的宽高尺寸分别为112px和224px；
[0056]
步骤二
[0057]
通过荧光检测设备收集上转换荧光纳米材料经过近红外激发后测试线周围的荧光图像，得到测试线周围三通道图像的宽高尺寸分别为112px和224px；
[0058]
步骤三
[0059]
将步骤一和步骤二中同一张免疫侧流传感试纸条上控制线和测试线激发出的荧光线拼接在一起，得到拼接荧光线三通道图像的宽高尺寸分别为224px和224px；
[0060]
步骤四
[0061]
通过荧光检测设备收集图像序列逐帧对应重复步骤一至步骤三，获取到用于训练的荧光图像数据集，将荧光图像数据集中的数据划分为训练数据集和验证数据集，将80％的图像用于训练数据，剩余的20％的图像用于测试数据，具体以冰毒定量检测0.1ng/ml、1ng/ml、10ng/ml、100ng/ml四个浓度为例，构建的数据集包括40张图片，其中训练数据共有32张，测试数据共有8张；
[0062]
步骤五
[0063]
将步骤四中得到32张训练数据，通过训练数据的特征工程对训练数据进行扩增；
[0064]
参见图2，训练数据的特征工程方法包括以下步骤：
[0065]
a1：将32张训练数据的训练图像依次进行添加高斯噪声、极坐标转换、水平翻转、高斯平滑、逆时针旋转15度和顺时针旋转15度，生成扩增后的训练图像，得到扩增后的192张训练数据；
[0066]
a2：在训练过程中，为了增强模型泛化能力避免模型过拟合，还采取一种防止过拟合的方法，随机对192张训练数据进行随机缩小和放大、随机位置裁剪2种方法；
[0067]
a3：将步骤a2获得的训练数据输入预训练的图像分类网络
[0068]
步骤六
[0069]
基于特征工程扩增后的训练数据，利用迁移学习对预训练的图像分类网络进行再训练，得到训练后的图像分类网络；
[0070]
参见图3，对预训练的图像分类网络进行再训练的具体方法包括以下步骤：
[0071]
b1：加载预训练网络，参见图4，以vgg16预训练网络为例，本步骤的预训练网络结构的选取不仅局限于如vgg16、googlenet、resnet50和mobilenet v2等一种网络，只要该深度学习网络已基于大量图像学习了丰富的特征表示，都属于预训练的网络，选择任意一种经过预训练的网络皆可达到本发明的检测结果；
[0072]
b2：替换最终层，网络的卷积层会提取最后一个可学习层和最终分类层用来对输入图像进行分类的图像特征，以vgg16为例，随机初始化三层全连接(fc)层(图4中fc6、fc7和fc8)的权值，最后再将最后一层全连接层softmax，将此全连接层替换为新的全连接层，其中输出数量等于新数据集中类的数量，在本实施实例中为4；
[0073]
b3：冻结初始层，将较浅网络层的学习率设置为零，来冻结较浅网络层的权重，以vgg16为例，加载预训练的vgg16网络“conv1”、“conv2”、“conv3”、“conv4”和“conv5”层的权值，并将这些浅网络层的权重固定；
[0074]
b4：训练网络，保存网络训练后权重；
[0075]
b5：部署训练后的图像分类网络；
[0076]
本实施实例中采用绝对误差来作为模型的损失函数，其表达式如下：
[0077][0078]
式中，l为损失函数，y为样本的标签，为模型的预测值，m为样本数量；
[0079]
步骤七
[0080]
将经过迁移学习后的网络部署到本地检测设备中，基于步骤四获得的测试数据，通过以上训练后的图像分类网络获得待测数据的分类结果，或利用检测设备捕获装置，获取实际验证荧光图像，利用训练后的图像分类网络对结果进行实时推理，并计算分类准确度，最终显示在设备显示屏上。
[0081]
本发明构造了一种针对免疫测流传感的特征工程(包括很多人工选择的特征维度)，且不同于传统的机器学习训练的流程，本发明是通过将已有已经经过大量图像数据训练后的网络模型通过迁移学习将一些层冻结，一些层初始化，再用免疫测流传感中的数据集进行训练。
[0082]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。