典型文献
多特征融合高通量dPCR荧光图像识别
文献摘要：
传统高通量dPCR荧光图像分析结果易因假阳性点与非特异性扩增而导致阳性点识别率较低,因而本文提出一种多特征融合高通量dPCR荧光图像识别方法(HDFINet),以提高阳性点识别准确性.首先,在特征融合部分引入自上而下结构,使得下层特征在顶层被更有效地利用.在自上而下结构中,使用通道注意力来分配荧光图像通道权重,并使用空间注意力来分配特征图中荧光图像像素相应权重,使得特征映射能够更好地响应荧光图像特征.然后,在RPN中使用自适应交并比IOU计算阳性点包围框置信度,减少阳性点信息丢失可能性.最后,ROI Align将荧光图像候选区域中阳性点特征重新固定尺寸后,输入至全连接层和全卷积层,进行类别与回归框回归,输出阳性点识别结果.本文提出的HDFINet网络具有较高识别率,可以有效地实现荧光图像阳性点识别,与YOLOv4、VF-Net、GROIE相比,本文方法综合指标F1最高,相比于经典的深度学习网络Mask R-CNN网络,本方法对阳性点识别真阳性率提高了1.13％,阳性预测值提高了0.36％,综合指标F1的值提高了0.75％.本文提出的HDFINet网络具有良好的识别性能,能够有效识别荧光图像阳性点,对其他荧光图像分析研究具有参考价值.
文献关键词：
dPCR;深度学习;荧光图像;阳性点
中图分类号：
作者姓名：
孙刘杰;刘丽;王文举
作者机构：
上海理工大学出版印刷与艺术设计学院,上海200093
文献出处：
引用格式：
[1]孙刘杰;刘丽;王文举-.多特征融合高通量dPCR荧光图像识别)[J].光学精密工程,2022(08):928-937
A类：
HDFINet,GROIE
B类：
多特征融合,dPCR,荧光图像,图像识别,图像分析,假阳性,阳性点,非特异性扩增,识别率,高阳,得下,通道注意力,空间注意力,分配特征,特征图,像素,特征映射,图像特征,RPN,应交,交并比,IOU,包围,置信度,少阳,信息丢失,Align,候选区域,中阳,点特征,定尺,全连接层,全卷积,卷积层,YOLOv4,VF,综合指标,深度学习网络,Mask,阳性预测值,识别性
AB值：
0.289768
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
