CN119438575A 基于全息成像模态转换与深度学习的免疫检测方法 （大连金石湾实验室）

基于全息成像模态转换与深度学习的免疫本发明公开了基于全息成像模态转换与深度学习的免疫检测方法，属于免疫分析检测领发明为便携式设备和复杂样品中痕量目标物的2米磁颗粒偶联物表面修饰了所述待测目标物的2@SiO2复合物溶解在盐酸和抗坏血酸钠中以释放铜步骤4：对所述步骤3所得的通过点击反应固定在功能步骤5：将等梯度稀释聚苯乙烯微球全息成像图像和等梯度稀释聚苯乙烯微球的显微训练好的深度学习模态转换模型对所述步骤4实验得到的全息成像图像进行模态转换，得步骤6：将所述模态转换后得到的显微模态图像与等梯度稀释聚苯乙烯微球的显微成像图像输入深度学习目标检测网络进行训练，其后利用训练好的深度学习目标检测网络，对所述步骤4实验并经过模态转换的显微模态图像进3.根据权利要求1所述的免疫检测方法，其特征在于，所述深度学习目标检测网络以3[0004]无透镜全息成像技术中使用相干光源会产生干涉和衍射图案，表现为同心圆条习模态转换的实际应用仍然具有相当大的挑战性。而非配对数据集算法不需要特殊的校4述纳米磁颗粒偶联物表面修饰了所述待测目标物的修饰的聚苯乙烯微球与叠氮化物超薄功能化载玻片之间发生叠氮化物一炔烃环加成反应，[0011]步骤5：将等梯度稀释聚苯乙烯微球全息成像图像和等梯度稀释聚苯乙烯微球的利用训练好的深度学习模态转换模型对所述步骤4实验得到的全息成像图像进行模态转[0012]步骤6：将所述模态转换后得到的显微模态图像与等梯度稀释聚苯乙烯微球的显[0027]可选的，所述聚苯乙烯微球一叠氮化物复合物在反应体系中的添加浓度为50μg/5[0032]本发明结合了全息非配对数据集超分辨率模态变换系统和基于点击化学的信号[0038]图1为本发明基于全息成像的非配对数据集模态变换免疫检测方法流程图。其中曲线图；(b)为物体检测损失曲线图；(c)为mAP@0.5，(d)为边界框损失曲线图；(e)为[0042]图5为本发明实施例中的原始全息图图像、滤波图像和模态变换图像在不同浓度[0043]图6为人工计数和本发明实施例中深度学习目标检测计数算法之间的一致性对比[0044]图7为本发明实施例中模态转换模型处理叠加衍射干扰现象的效果，左侧显示了模态转换模型的模态变换和深度学习对象检测在应对两个和三个聚苯乙烯微球叠加衍射[0045]图8为本发明实施例中用于检测氯霉素(CAP)的基于全息成像的非配对数据集模态变换免疫传感器的梯度信号响应标准曲线和线6[0047]图10为本发明实施例中基于全息成像的非配对数据集模态变换免疫传感器对不[0048]图11为本发明实施例中利用热图分布比较基于全息成像的非配对数据集模态变[0055]叠氮化物(Azide_PEG4_NH2)和2[0064]PBS缓冲液(10mM，pH＝7.4)：取8.00gNaCl，0.20gKCl，0.20gKH2PO4和7[0069]将CuCl22O(17mg)和聚乙烯吡咯烷酮PVP(1g)溶于10mL超纯水中，依次滴加NH3泡在4℃的PBS溶液中保存。LpH＝7.4,0.5％BSA)重悬并储存在4SiO2免疫结合的复合物分离出去，然后取上清液，在竞争免疫反应中，CAP浓度与剩余的后的CuO2@SiO2_CAP_Ab释放出铜离8传统有监督的模态生成对抗网络(GAN)只有一个生成器和一个鉴别器且需要一一映射，模态变换模型通过学习两个不同域(全息图像域与显微图像域)之间的映射关系实现两个域[0084]模态转换模型由两部分映射函数组成：生成器G：X(全息图像域)→Y(显微图像生成图像的差异，循环一致性损失LossCycle用于控制域间差异。模型判别器为70×70的的特征信息，再通过空间金字塔池化_跨阶段部分网络(SPPCSP)进一步提取特征并优化网9[0090]采用实施例1记载的免疫检测方法对预处理后的水产品样品进行氯霉素(CAP)含[0094]采用实施例1记载的免疫检测方法对预处理后的水产养殖废水样品进行氯霉素[0098]采用实施例1记载的免疫检测方法对预处理后的尿液样品进行氯霉素(CAP)含量