一種基于Filter Faster R-CNN的數字PCR液滴檢測技術

張一鵬，陳 波，李家奇，梁業東，張華劍，吳文明，張 煜

1南方醫科大學生物醫學工程學院，2廣東省醫學圖像處理重點研究室，3廣東省醫學成像與診斷技術工程實驗室，廣東 廣州 520515；4廣東省科學院生物與醫學工程研究所，廣東 廣州 510316；5五邑大學應用物理與材料學院，廣東 江門 529000；6五邑大學生物科技與大健康學院，廣東 江門529020

作為第3代PCR技術，數字PCR（dPCR）［1］具有高靈敏度、高準確性和可重復性的優點［2］，被廣泛應用于癌癥早篩［3］、無創產前檢測［4］、病毒檢測［5］、轉基因分析［6］等領域，具有廣泛的應用價值。根據樣本分散的方式，dPCR主要分為芯片式dPCR（cdPCR）［7］和液滴式dPCR（ddPCR）［8］。與cdPCR相比，ddPCR無需設計密集的微孔陣列，降低了微流控芯片的設計要求和成本，具有更高的靈活性。不同于cdPCR能夠直接獲取芯片上所有微室的總數、相對位置和體積，ddPCR實驗中液滴的數量、位置和體積均是隨機的，且實驗過程中更容易受灰塵影響，對陰性和陽性液滴位置和體積的預測提出了更高的要求。

ddPCR 檢測過程包括定位和分類兩個方面。ddPCR圖片通常包含數千至數萬個微滴，僅使用人工定位、分類并計數是非常困難且耗時的。目前已經有許多基于經典機器視覺的自動分析算法被應用于分析ddPCR圖片，例如，霍夫圓變換［9,10］、局部閾值分割［11］、分水嶺算法［12,13］、HOG特征分類［14］、基于形態學算法識別微流控芯片液滴［15］、基于大津分割的局部分割算法［16］等。盡管這些算法能夠自動分析ddPCR圖片，不同程度的提高了微滴識別的效率和準確性，但只能處理少量稀疏的液滴，而且容易將灰塵、芯片表面的劃痕以及微小凹陷形成的異常斑點錯誤地識別為液滴。

深度學習方法能夠自動學習圖片中的特征，實現更高的準確率，已開始應用于dPCR檢測中。Song等［17］基于DeepLabv3+網絡將類別標簽分配給dPCR圖像中的每個像素后，使用霍夫圓變換統計液滴的個數，實現了對失焦的dPCR圖像中形狀不規則液滴的預測。Yang等［18］使用霍夫圓變換檢測液滴位置，通過卷積神經網絡區分無效、陰性和陽性微滴。然而，由于霍夫圓變換無法同時檢測多尺度的液滴，導致模型在計數和預測時容易漏檢液滴融合形成的大液滴或液滴破裂產生的小液滴，增加了ddPCR實驗過程中的檢測誤差。為了避免霍夫圓變換的缺陷，Zhang等［19］提出了一種基于改進YOLOv3的少鏡頭學習算法，實現了光照不均勻和存在灰塵的情況下的液滴檢測，但只能同時處理微流控芯片中固定位置的少量液滴。為了提升dPCR檢測通量，Hu等［20］和孫劉杰等［21］使用Mask R-CNN實現了密集陣列微流控芯片中陽性液滴的預測，但在這兩種方法中，只考慮了陽性液滴的預測，陰性液滴的統計仍依賴于數字微流控芯片，均不能應用于ddPCR 圖像中液滴的預測。Lee等［22］不再使用微流控芯片，利用Mask R-CNN檢測ddPCR圖像中所有液滴，并用高斯混合模型對網絡預測結果進一步分類，降低了陰性液滴和陽性液滴的誤檢率，但網絡的準確率只有93.84%。由于ddPCR圖像中的液滴數目和位置均不固定，目前已有的dPCR檢測模型多用于cdPCR中，且不能兼顧高通量、高準確率和抗灰塵干擾這些優點，這將為dPCR的絕對定量引入較大的偏差。

在本研究中，我們設計了一種包含3個過濾分支的異常點過濾模塊，并將其與Faster R-CNN相結合，稱之為Filter Faster R-CNN，以檢測熒光微滴。利用異常點與陽性液滴之間的差異，剔除由Faster R-CNN預測的陽性液滴中誤檢的異常點，從而實現高通量、穩定和準確的ddPCR檢測。實驗結果表明，在少塵和多塵的環境中，Filter Faster R-CNN 的召回率分別為99.10%和99.13%，準確率分別為99.20%和99.15%，陽性液滴準確率分別達到了98.23%和88.35%，F1 分數分別為99.15%和99.14%，高于其他網絡模型。使用Filter Faster R-CNN對4組不同濃度樣本進行絕對定量實驗，將其結果與商業化流式檢測設備的結果進行比較，得到的回歸線斜率為1.0005，截距為-0.025，決定系數達到0.99969，表明兩者結果高度一致。

1 材料和方法

1.1 實驗環境

本文中用來采集圖片的熒光顯微鏡為基恩士（中國）有限公司的BZ-X800E，測量試劑濃度的流式ddPCR設備是新羿制造科技（北京）有限公司的數字PCR平臺TD-2。本文實驗在Linux操作系統中進行，使用了顯存為11G的NVIDIA GeForce RTX 2080Ti顯卡，編程語言為Python3.6，基于PyTorch深度學習框架。

1.2 ddPCR實驗

1.2.1 試劑準備利用Primer Express（Applied Biosystems）軟件，從GenBank（NC_039476.1）序列的基因保守序列中設計含有諾如病毒片段的質粒、引物和探針（生工生物）。其中正向引物序列為5'-CTGTGCT CATCAAACGCCC-3'，反向引物序列為5'-CAACATA CCCATCTGTCCGC-3'，探針序列為5'-FAM-ACCGG AGAGCTCATGCCTCTTGCAG-BHQ1-3'。本文實驗使用20 μL的ddPCR反應體系中包含：0.9 μL模板質粒，0.5 μL 探針（10 μmol），1.8 μL 正、反引物（10 μmol），10 μL 預混合液（BIO-RAD，ddPCR Supermix for Probes No dUTP）。使用液滴生成儀（廣州永諾生物科技有限公司，MicroDrop-20A）將20 μL的反應體系在微滴生成油（BIO-RAD，Droplet Generation Oil for Probes）中生成含微滴的50 μL樣本，隨后會被收集到PCR 管送入基因擴增儀（BIO-GENER,RePure）進行PCR擴增。擴增后，陽性微滴和陰性微滴在樣本試劑中隨機均分分布。

1.2.2 圖像采集 將獲得的樣本試劑均勻滴在帶有凹槽的玻璃載玻片或聚碳酸酯（PC）片上。這些載玻片的凹槽尺寸為15 mm×15 mm×0.1 mm。實驗中，考慮了少塵和多塵兩種環境條件。使用熒光顯微鏡采集微滴在FAM通道的熒光圖像，這些圖片的尺寸為640×480像素，每個像素的邊長為5.66 μm/pixel。通過上述實驗方法，我們收集了140張ddPCR圖片。這些圖片中，有55張含有不同程度的異常斑點。為了進行后續分析，數據集被隨機劃分為104張訓練集和36張驗證集。

1.3 圖像標注與預處理

采用霍夫圓變換對微滴的位置進行預標注，同時收集預標注圓內的平均灰度信息，利用高斯混合模型，基于這些灰度值，進行了二分類，以區分陽性和陰性微滴。對于位置獨立圓形目標，霍夫圓變換能夠準確的獲得其圓心和半徑，然而，當液滴存在邊緣模糊或擠壓等情況時，可能會出現漏標和錯標的情況。本研究進一步使用Labelme［23］標注工具，對一些錯誤分類和遺漏液滴進行矯正，并添加異常斑點的標簽（圖1A～D）。通過上述標注方式，將標注時間平均縮短到了5 min，顯著降低了標注工作的工作量。

圖1 ddPCR圖像預處理Fig.1 ddPCR image preprocessing(Scale bar=300 μm).A:Original ddPCR image.B:Local portion of the ddPCR image.C: Pre-annotation using Hough Circle Transform,with yellow arrows indicating missed and mislabeled areas. D:Manual label correction and addition of anomaly point labels.E:Image with Gaussian blur.

對數據集中的ddPCR圖片進行有重疊的隨機采樣，采樣圖片大小為160×160，之后將尺寸統一調整為800×800像素。以液滴圓心位置為依據，拋棄位于圖片外的微滴標簽。本研究對每張圖像都使用了5、9、13、17、21中的隨機一種高斯卷積核進行卷積處理，得到了每張圖像對應的模糊圖像（圖1E）。在去除無液滴圖像后，本研究最終得到2462張訓練集圖片和672張驗證集圖片。

1.4 Filter Faster R-CNN框架

Filter Faster R-CNN的模型框架由Faster R-CNN和異常點過濾模塊兩個部分組成（圖2）。ddPCR圖片經過Faster R-CNN 后，會輸出初步預測的液滴預測框。然后，保留陰性液滴預測框信息，僅將陽性液滴預測框輸入異常點過濾模中，去除其中不屬于陽性液滴的異常點，最終輸出所有液滴預測框的坐標和分類標簽作為檢測結果。

圖2 Filter Faster R-CNN模型框架，其中橙色虛線為Faster R-CNN部分，藍色虛線為異常點過濾模塊Fig.2 Filter Faster R-CNN model framework,in which the orange dotted line is the Faster R-CNN and the blue dotted line is the Filter module.

1.4.1 Faster R-CNN模塊 Faster R-CNN負責ddPCR圖片中的微滴的初步識別，包含backbone、RPN、RoI Align和分類器。本研究將ResNet50與FPN［24］結合作為Faster R-CNN的backbone，并為FPN中的特征圖分配了單一尺度的錨框，分別為{16、32、64、128、256}，錨框比例設置為{1∶2、1∶1、2∶1}，這些預選錨框能夠涵蓋數據集中所有液滴的尺寸。ddPCR圖片經過Faster RCNN后產生初步預測的類別和微滴位置預測框。

1.4.2 異常點過濾模塊 在ddPCR圖片中，由于各種原因，如灰塵附著、氣泡、液滴破裂、表面劃痕、凹陷等，常會出現異常光斑（圖3）。這些異常斑點在熒光顯微鏡下呈現出與陽性微滴相近的熒光強度，它們的位置是隨機的，且形狀各異。在進行微滴預測時，神經網絡常常會誤將這些異常點識別為陽性微滴，這可能導致計算得到的樣本濃度偏高，特別是在低濃度試劑檢測時，其影響尤為顯著。降低這些異常點的影響可以進一步提高對試劑檢測的準確性。

圖3 常見異常斑點Fig.3 Representative anomalous spots (Scale bar=300 μm). A: Fuzziness or scratches. B: Bubbles within droplets. C: Dust particles between droplets.D:Dust outside the grooves.

由于異常點與陽性微滴在形態上具有差異，這使我們能夠通過陽性液滴預測框內的信息，判斷這些預測框內的液滴是否為異常點?；贔aster R-CNN模型輸出的微滴位置預測框和類別信息，本研究提出了一種去除異常點的過濾網絡。該網絡的主要作用是刪除包含灰塵且不屬于陽性微滴的預測框。該網絡有3個并聯的分支組成：哈希過濾分支、分類過濾分支和相減過濾分支，過濾模塊結構如圖2中Filter部分所示。最終，3條支路的投票結果被作為異常點過濾模塊的最終輸出。

1.4.2.1 哈希過濾分支 把所有微滴預測框縮放至邊長為平均直徑的正方形，再將它們相加取平均，得到平均微滴圖像。對所有陽性微滴圖片和平均微滴圖片進行均值二值化處理，將大于均值的像素點標記為1，反之標記為0。接下來，將陽性液滴預測框調整至與平均微滴圖像相同，用于獲取預測框的哈希值。與計算平均微滴圖像時的方法不同，對于尺寸與平均直徑Rˉ不同的微滴，在調整過程中，先將長邊調整至平均直徑，接著對短邊Ri等比例縮放，使用0來填充剩余的區域。通過將二值化的預測框和平均微滴圖像取異或，得到了每個陽性微滴的哈希值，公式如下：

其中Ai為二值化的陽性液滴預測框，Aaverage為二值化的平均微滴圖像?？紤]到異常點的直徑通常小于正常微滴、圖像拉伸會引起一定程度的失真等因素，在計算哈希值時，本研究引入一個參數K，滿足公式（2），本文中我們將參數K中的p值設定為1.5：

若哈希值為T，代表預測框與平均微滴有T%不相同，本文中閾值T設定為22，超過閾值的預測框將被作為異常點。

1.4.2.2 分類過濾分支 基于異常點與正常微滴形態上的直觀差異，我們將輸入的預測框通過映射的方式實現微滴分類。在這個分支中，我們使用兩個全連接層來構建模型。預測框圖像通過展平層轉換為一維向量，第一個全連接層將輸入圖像的一維向量映射到一個隱藏層，這個隱藏層可以提取圖像的特征表示。第二個全連接層將隱藏層的輸出映射到最終類別，即預測框是否為異常點。

1.4.2.3 相減過濾分支 考慮到試劑類型、光照條件、芯片材質、曝光時間等外界環境的影響，不同圖片中微滴圖像也存在不同，本文還設計了一個相減過濾分支，這個分支是利用同一張ddPCR圖內預測框與平均微滴的相似程度進行異常點的劃分。相似程度具體表現為預測框與平均微滴像素值之差的絕對值，這個絕對值矩陣將被作為分支的輸入，通過對相似度分類實現對異常點的檢測。相減過濾分支后續網絡結構與分類過濾分支均相同。

在異常點過濾模型中，將陽性液滴標記為1，異常點則標記為0。本文采用了二分類交叉熵損失函數，用于比較模型的分類預測與實際標簽，從而計算損失。

1.5 實驗設置

為了訓練Filter Fast R-CNN，本研究首先訓練其中Faster R-CNN部分。本文將batch size設置為8，并使用SGD優化器，將初始學習率設置為0.01，每3輪衰減一次，衰減倍率為1/3。訓練150個epoch后，凍結Faster R-CNN部分權重，利用網絡對ddPCR圖片進行預測可以得到包含誤檢異常點的液滴預測框、標簽以及置信度。去除低置信度（＜0.5）的預測框后，將其中陽性液滴預測框作為輸入開啟異常點過濾模塊的訓練。在異常點過濾模塊中，使用了Adam優化器，初始學習率設置為0.001，β1=0.9，β2=0.999，共訓練500個epoch。

訓練結束后，利用最終的權重對ddPCR圖片進行預測可以獲得陰性液滴和陽性液滴的預測框。為了評估模型的性能，本文通過比較預測框與真實標簽計算召回率、精確率和F1分數評估網絡對液滴的預測性能，更進一步，Filter Faster R-CNN還會被用于ddPCR絕對定量實驗，通過與流式檢測設備的結果比較，驗證模型對樣本試劑的檢測性能。

1.5.1 評估指標 本文使用召回率、精確率和F1分數評價模型對ddPCR圖片中液滴的預測性能，對應的公式如下：

其中，TP代表正確預測的微滴數，即ddPCR圖片中與液滴真實框IoU大于0.5，且標簽相同的預測框個數；FP代表誤檢的微滴個數，包含與所有液滴真實框IoU均小于0.5的預測框和錯誤分類的預測框；FN代表模型漏檢的微滴數。此外，在本文中還使用了一種準確率的修改式，不考慮TN項，僅對陽性液滴的檢測性能進行評估，稱為陽性準確率。陽性準確率反映了模型對陽性液滴的檢測性能，陽性準確率越高，核酸片段數量的統計就更精確，更有利于低濃度的樣本的檢測，其公式如下：

1.5.2 統計學方法 本文使用獨立樣本t檢驗來進一步評估過濾模塊在不同環境中分別對SSD 和Faster RCNN檢測性能的影響，比較原網絡和添加過濾模塊后網絡的預測性能，若Ρ＜0.05，則認為二者的均值差異具有統計學意義。

1.5.3 ddPCR絕對定量 為了評估模型對樣本試劑的檢測性能，模型將用于檢測4組不同濃度的ddPCR實驗圖片，利用輸出預測框中的信息，我們可以得到所有陰性液滴和陽性液滴的像素級直徑，從而進行ddPCR的絕對定量實驗。

ddPCR產生微小液滴中含有的目標核酸片段數量符合泊松分布，只需要統計陰性液滴和陽性液滴的數量就可以計算待測樣本中核酸片段濃度。泊松分布的概率函數為：

采集到的ddPCR圖像中，包含N個微滴，各微滴的半徑對應的像素為ri，圖片中每個像素對應的真實長度為k，則微滴的平均體積為：

當k=0時，P(0)代表不含有核酸片段的陰性微滴在總液滴數的占比，根據泊松分布，單個微滴中含有核酸片段的期望λ：

最終樣本試劑的濃度可以通過單個微滴中含有核酸片段的期望除以液滴的平均體積得到：

2 結果

2.1 算法收斂性分析

圖4 展示了650 個epochs 中訓練Filter Faster RCNN在驗證集上的Loss函數曲線。前150個epochs為訓練Faster R-CNN部分，迭代25個epochs后趨近于收斂。從151 個epoch 開始，凍結Faster R-CNN 部分權重，僅訓練Filter模塊，重新迭代250個epochs后模型重新收斂。相比第一次收斂，模型總損失下降了0.003。

圖4 Loss函數收斂性能分析Fig.4 Convergence performance analysis of Loss function.

2.2 異常點過濾模塊消融實驗

本文選擇Faster R-CNN作為基線，保持所有實驗數據和參數設置不變，將Faster R-CNN分別與分類過濾分支、相減過濾分支、哈希過濾分支以及整個異常點過濾模塊結合后，對驗證集中的ddPCR 圖片進行預測。相比作為基準的Faster R-CNN，添加過濾分支后不會導致模型預測的召回率的降低，且能不同程度的提升模型預測的精確率、陽性液滴準確率和F1參數。僅添加單個過濾分支時，相減過濾分支性能優于其他兩類過濾分支。此外，異常點過濾模塊通過綜合3條分支的預測結果，實現除召回率外其他各項指標均達到最佳。相比Faster R-CNN，本文提出的Filter Faster R-CNN的精確率提升了0.25%，陽性液滴準確率提升了1.16%，F1分數提升了0.13%（表1）。

表1 驗證集中以Faster R-CNN為基準模型的消融實驗對比Tab.3 Comparison of ablation experiments using Faster R-CNN as the benchmark model in the validation set

2.3 與其他檢測算法比較

將Filter Faster R-CNN與其他ddPCR檢測算法在少塵和多塵的條件下比較，這些作為對比的方法包含霍夫圓變換與全局閾值二分類、Yang等［18］提出的霍夫圓變換與卷積神經網絡（CNN）結合（以下稱作Hough-CNN）、目標檢測網絡SSD、Faster R-CNN以及SSD與本文提出的過濾模塊相結合的Filter SSD（表2）。與真實標簽的IOU值大于0.5的預測框作為正確預測，本研究分別計算了在不同環境中各算法的召回率、精確率、陽性準確率和綜合F1分數，網絡在少塵和多塵環境中部分預測結果（圖5、6）。

表2 模型在少塵和多塵環境中性能對比Tab.3 Performance comparison of the model in low-dust and dusty environments

圖5 少塵環境中ddPCR圖像測試結果Fig.5 Test results of ddPCR images in a low-dust environment,where red boxes represent positive droplets,blue boxes represent negative droplets,and yellow boxes represent anomaly points (A and B are both representative cases).

圖6 多塵環境中ddPCR圖像測試結果Fig.6 Test results of ddPCR images in a dusty environment,where red boxes represent positive droplets,blue boxes represent negative droplets,and yellow boxes represent anomaly points.A and B are both representative cases.

在灰塵較少的環境中，霍夫圓變換的陽性準確率為88.16%，Hough-CNN去除了灰塵的影響，將陽性準確率提升至97.16%。使用傳統目標檢測網絡時，相比SSD，Faster R-CNN的準確率更高，與異常點過濾模塊相結合后，Filter Faster R-CNN能夠獲得最佳預測性能，其召回率為99.10%，精確率為99.20%，陽性液滴準確率為98.23%，綜合F1分數為99.15%。

在灰塵較多的環境中，霍夫圓變換的陽性液滴準確率下降了8.85%。Hough-CNN 依賴于霍夫圓檢測結果，在多塵環境中的分類性能與全局閾值分類相近，其陽性準確率為79.09%。SSD和Faster 的陽性準確率相比少塵環境大幅下降，但與過濾模塊結合后，Filter SSD和Filter Faster R-CNN 的陽性準確率分別提升至80.91%和88.35%。綜合來看，Filter Faster R-CNN在多塵環境中取得了最佳檢測性能，通過犧牲少量召回率，將準確率、陽性微滴準確率和F1參數提升至99.15%，88.35%和99.14%。

通過T 檢驗評估過濾模塊在不同環境中分別對SSD和Faster R-CNN檢測性能的影響的結果如表3所示。在少塵環境中，添加異常點過濾模塊后網絡與原網絡的檢測性能沒有明顯差異（Ρ＞0.05）。在多塵環境中，過濾模塊能顯著提升網絡的陽性準確率。特別的，對于Filter Faster R-CNN相比原網絡的精確率有顯著提升（Ρ=0.044）。

表3 添加Filter模塊后的T檢驗的ΡTab.3 P values of t-tests after adding the Filter module

2.4 ddPCR驗證

本研究分別運用SSD、Filter SSD、Faster R-CNN和Filter Faster R-CNN，對測試集中的4組不同濃度的完整ddPCR圖像進行檢測。4組ddPCR圖像都繪制了相應的箱型圖，并根據預測濃度的均值繪制了回歸曲線，圖中橫坐標為商業化設備的檢測結果。相比未添加過濾模塊的網絡模型，Filter SSD和Filter Faster R-CNN預測結果的各濃度間具有良好的線性關系，R2分別為0.99904和0.99969，與試劑的標準濃度具有良好的一致性，回歸線斜率分別為0.992和1.005。Filter Faster RCNN的檢測結果中沒有離群值，能夠很好地抑制異常斑點帶來的影響（圖7）。

圖7 SSD與Faster R-CNN添加Filter模塊前后預測結果比較Fig.7 Comparison of prediction results before and after adding the Filter module for SSD and Faster R-CNN.

3 討論

在ddPCR實驗中，樣本被分割成多個液滴，形成獨立的反應單元。在擴增完成后，通過統計陰性和陽性液滴，可以對目標核酸進行絕對定量［27］。然而，ddPCR圖像中可能出現的異常點，如灰塵和劃痕等因素，極大地影響了陽性微滴識別的準確性。尤其是在檢測低濃度試劑時，異常點的誤檢可能導致檢測結果明顯偏高，超過真實樣本濃度。目前常用的液滴檢測算法存在一些問題，包括只能處理稀疏且無塵的液滴圖片［9-16］、不能同時識別多尺度液滴［18,28］、僅適用于基于芯片的液滴圖像［17,19-21］、準確率不高［22］等。為了解決這些問題，本研究提出了Filter Faster R-CNN。針對ddPCR圖像中的異常點，通過引入Filter模塊，成功減少了異常點對結果的影響。為了應對多尺度液滴，本研究設置了5個尺度的錨框，涵蓋了所有液滴融合或破裂后的尺寸。此外，該方法能夠對密集的液滴圖像進行精確檢測，避免了對芯片液滴圖像的依賴。

Filter Faster R-CNN的消融實驗結果顯示，相比作為基準的Faster R-CNN［26］，添加過濾分支后不會導致模型預測的召回率的降低，且能不同程度的提升模型預測的精確率、陽性液滴準確率和F1參數。僅添加單個過濾分支時，相減過濾分支性能優于其他兩類過濾分支。此外，異常點過濾模塊通過綜合三條分支的預測結果，實現了最佳預測性能。

與其他ddPCR檢測算法［18,25,26］的比較結果顯示，相比使用霍夫圓檢測定位液滴，使用SSD 和Faster RCNN能夠實現多尺寸的液滴檢測，輸出的預測框邊長更接近標簽中液滴的直徑，使用異常點過濾模塊還能有效的避免陰性液滴的誤檢。Filter Faster R-CNN的預測性能與Filter SSD相近，且能夠有效去除圖片中的異常斑點，但Filter SSD對于部分邊緣不清晰的液滴存在漏檢的情況。在少塵的環境下，Filter Faster R-CNN的精確率、陽性微滴準確率和F1分數均優于其他ddPCR檢測算法。而在多塵的環境中，改進后的網絡召回率下降了0.04%，這是由少量陽性微滴被誤判為異常點導致，但相對的，陽性微滴準確率大幅提升，從61.08%提升至88.35%。相比其他ddPCR 檢測算法，Filter Faster RCNN能夠實現最佳預測性能，這反映了本文模型能夠很好的抑制灰塵對ddPCR檢測引入的影響。

通過對Filter SSD和Filter Faster R-CNN與未添加過濾模塊的原網絡預測性能進行t檢驗顯示，在少塵環境中二者檢測性能相同，不具有統計學意義，而在多塵環境中，過濾模塊的召回率相同，陽性準確率的差異具有統計學意義，這很好地證明過濾模塊能夠抑制異常點誤檢帶來的影響，從而提升了模型對低濃度樣本的檢測性能。

本文還測試了SSD、Filter SSD、Faster R-CNN 和Filter Faster R-CNN對實際樣本的檢測性能。在多組實驗預測結果繪制的相關回歸線中，Filter Faster RCNN得到了更大的決定系數，預測結果與標準濃度高度一致，且檢測結果中沒有離群值。相比SSD，過濾模塊與Faster R-CNN 相結合后檢測性能更好，這是由SSD漏檢了部分液滴導致。ddPCR檢測實驗說明過濾模塊能夠有效的解決預測過程中異常點帶來的影響，體現了較強的抗干擾能力，可以降低ddPCR實驗對無塵環境的依賴，減少實驗對芯片設計的要求，為實現低成本的ddPCR檢測提供一個新的思路。

使用本文模型預測液滴時，對采集ddPCR圖片的曝光時間具有較嚴格的要求。攝像頭的曝光時間要求在1～1.2 s之間，若曝光時間超出范圍會增加液滴的錯誤分類的風險，未來準備在預處理環節進一步調節圖像的對比度，從而減少曝光時間對網絡預測的影響。此外本文采集的ddPCR圖片輪廓相對清晰，圖片內光照條件相對均勻，噪聲較少，后續研究將使用低分辨率攝像頭替代熒光顯微鏡采集ddPCR圖像，進一步實現設備的低成本化。屆時圖片中會引入更多噪聲信號，這會為后續工作帶來一定挑戰。

綜上所述，本研究設計一種高通量、穩定和準確的ddPCR液滴檢測技術，通過將Faster R-CNN與異常點過濾模塊結合，有效的解決了ddPCR圖片中灰塵、劃痕等因素帶來的影響。本研究通過收集了不同濃度樣本試劑的ddPCR圖片，建立了一個數據集，憑借芯片材質將圖片區分為少塵環境和多塵環境，并在霍夫圓變換的輔助下完成圖片標注。本文比較了Filter Faster RCNN與其他檢測算法在不同環境下的性能差異，并將網絡對樣本試劑的檢測結果與流式檢測設備的檢測結果進行了比較。最終證明Filter Faster R-CNN在有塵環境中，能夠準確識別陰性與陽性液滴，且檢測結果與商業化設備給出的標準濃度一致，是一種準確、可靠的ddPCR檢測方式。