胶体金纸条检测算法概览及在POCT应用领域

本文主要是介绍胶体金纸条检测算法概览及在POCT应用领域，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

侧向流免疫层析技术是一种快速有效的检测手段，已应用于许多检测领域，特别是在资源贫乏或实验室外的环境中。

如图 1 所示，它在生物医学上的应用也引起了研究人员的兴趣，如在临床诊断、农副产品中的毒素检测、环境监测和生物战中的应用。

当应用于 POCT 时，该技术具有显着的优势，如短的分析时间以及高特异性和灵敏度。

在体外检测的所有数据分析策略中，合适的信号处理技术在试纸条分析中起着至关重要的作用。

为优化测试结果，不同的试纸条数学模型和算法已被研究人员提出。

目前，图像分割算法已引起研究人员的关注，如 OTSU 阈值分割算法，传统的模糊 C 均值（FCM，Fuzzy C-means ）算法和遗传 FCM 聚类算法。

传统的边缘检测和信号处理算法也被应用于纸条检测中，如在时域空域中具有良好定位特性的小波变换和基于光强度和反应物之间关系的光密度方法。

另一个需要及时解决的问题是被噪声污染了的信号。由温度，湿度和颗粒运动引起的噪声可能会污染纸条图像的检测。因此，梯度投影算法和直方图均衡算法相结合已被用以改善这种情况，该方法可以执行准确的检测，已被广泛应用在医院，诊所，医生办公室和医院中。

另外，为提高检测的灵敏度和特异性，已有研究人员提出了对反应过程进行分析建模的有效方法。广泛应用的模型有 PAR 模型和基于非线性的状态空间模型。

当反应发生时，目标分析物和探针会在不同时间进入NC膜，这会进一步影响生成的标记物和测试结果的浓度。

为解决这个现象，有学者使用了不同的 PAR 模型代表不同非线性条件下的报告物颗粒，目标分析物和捕获探针，以确定目标分析物和报告物颗粒的适当大小和浓度。

由于试纸条反应过程存在信号传输延迟情况。许多研究人员开发了具有延迟信息和自适应切换的算法，以识别影响延迟的参数，包括传统粒子群优化 (PSO) 算法，切换延迟 PSO 算法和其他改进的 PSO 算法。

如图 2 所示，常用机器学习分类算法也被应用于纸条检测中。如 K 近邻 (KNN)、支持向量机 (SVM) 和决策树 (DT)。

另外，深度学习也被用于纸条检测中。

如图 3B 所示，应用基于边缘分割的边缘检测算子和基于区域分割的模板匹配算法对测试图像进行分割。

传统边缘检测算法的关键是梯度算子的获取。算子在小区域内的卷积可用于计算每个像素的位置并获得边缘梯度。

通常选择 n×n 权重矩阵作为梯度算子。常用的梯度算子有 Sobel 、Roberts、Laplacian、Kirsch 和 Prewit。

图像分割的一般流程如图 3C 所示。

如图 4A 所示，Chowdhury 等分析了侧向免疫荧光试纸条。 其 CV 在 1.1％–2.9％，HbA1c 测试结果为 0.6％–2.9％。

如图 4B-C 所示，k-均值聚类算法也被应用于试纸条图像分割中。 将图像分为具有相似特征的几个非重叠区域来分隔 T 、C 线。

图像表示的结果在不同的分析领域有很大的不同。

如，在时域中，图像中的边缘和噪声灰度差异很大。 在频域中，图像含有难以检测和忽略的高频成分。

小波变换在时域和频域中具有良好的特性已被用于解决上述问题。

在改进材料并优化检测仪器的性能之后，对于基于图像的系统来说，增强图像处理技术至关重要。

如图 5AB 所示，在机器学习领域，SVM是一种有效的分类方法，它利用核函数将数据从输入空间引入到高维特征空间。

Sumonphan 利用 FCM 聚类算法更新聚类中心的大小和距离并计算RGB平均值来确定 T 和 C 线。

如图 5C 所示，Yan 等采用基于 SVM 的模型和波形重构方法自动检测弱磁信号。使用 SVM 方法时，他们选择测试线的波形作为特征向量，选择 linear 内核作为核函数。此外，为了进一步检测弱信号，采用了一种波形重构方法来恢复失真的波形。

尽管在检测方法中已经应用了 KNN 和不同的 SVM 结构，但是需要考虑特征的有限分类问题。

深度学习可以自动，快速地学习隐式特征，对于试纸条的应用非常重要。

如图 6A 所示，与其他标准学习算法相比，采用卷积神经网络 CNN 算法，图像可以很容易地导入到网络中，避免了特征提取过程。

另外，如图 6 BCD 所示，本篇综述对其它深度学习技术也做了简要概述。如循环神经网络 RNN， 用于虚拟样本生成的对抗神经网络 GAN 等。

如图 7 所示，机器学习算法与深度学习技术在试纸条检测领域中的对比。

参考文献

10.1039/c9an00964g

这篇关于胶体金纸条检测算法概览及在POCT应用领域的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！