深度学习辅助心脏素I的定量检测在层次的树突铜纳米结构侧流免疫试验
Shenglan Zhang1,2,3, Liqiang Chen1,2, YuXin Tan3
1Key Laboratory of Advanced Manufacturing and Automation Technology(Guilin University of Technology), Education Department of Guangxi Zhuang Autonomous Region, Guilin, 541006, China.
Analytical methods : advancing methods and applications
|September 11, 2024
概括
深度学习通过使用先进的传感器改善了在临床检测 (POCT) 中的光检测. 这种方法提高了疾病标志物检测的准确性,这对于快速诊断至关重要.
科学领域:
- 生物医学工程 生物医学工程
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
背景情况:
- 带有树突金属薄膜 (HD-纳米金属) 的侧流免疫试验 (LFIA) 传感器提供了灵敏,具有成本效益的临床检测 (POCT).
- 由于强度变化,在3D纳米结构图像中细分弱光信号存在挑战,阻碍了准确的定量检测.
研究的目的:
- 开发一种高效的深度学习方法,用于在高清纳米金属LFIA传感器图像中对目标区域进行细分.
- 提高POCT中疾病标志物的定量检测准确度.
主要方法:
- 提出了改进的UNet++深度学习网络,包括注意力和剩余模块.
- 使用IoU和Dice系数评估分段性能,与UNet,Deeplabv3和UNet++进行比较.
- 验证了使用HD-nanoCu-Ni LFIA传感器检测心脏素I (cTnI) 的方法.
主要成果:
- 拟议的深度学习方法实现了96.3%的IOU,超过了现有网络.
- 在特征量和cTnI度之间,R2为0.994的高准确性被证明.
- 在高清纳米金属LFIA图像中成功细分了不同的光强度,包括弱信号.
结论:
- 开发的深度学习方法显著提高了基于HD纳米金属LFIA的POCT定量检测的准确性和可靠性.
- 为分析先进传感器图像中的复杂光变异提供了强大的解决方案.
- 为扩大光免疫染色学在诊断中的应用提供了有价值的参考.
更多相关视频
08:58Fully Automated Centrifugal Microfluidic Device for Ultrasensitive Protein Detection from Whole Blood
Published on: April 16, 2016
10.5K
10:10Development of a Lateral Flow Immunochromatographic Strip for Rapid and Quantitative Detection of Small Molecule Compounds
Published on: November 13, 2021
7.8K