CN102305758A

CN102305758A - 一种粒子快速自动分类方法及其实现装置

Info

Publication number: CN102305758A
Application number: CN201110129208A
Authority: CN
Inventors: 宋洁; 朱海波; 刘杨; 陈哲
Original assignee: Changchun Dirui Medical Technology Co Ltd
Current assignee: Dirui Medical Technology Co Ltd
Priority date: 2011-05-19
Filing date: 2011-05-19
Publication date: 2012-01-04
Anticipated expiration: 2031-05-19
Also published as: CN102305758B

Abstract

本发明提供一种粒子快速自动分类方法及其实现装置，属于粒子检测仪对粒子加以分类并进行个数统计的方法。包括以下步骤：形成散点图，进行滤波，得到二维向量所表示的投影直方图，对粒子进行两次划分，对分好的散点图的几部分进行修正，统计各区域粒子个数。优点是对粒子进行自动、准确、快速的分类，无论对于正常样本或是异常样本，都具有很强的适应性、实用性和稳定性。

Description

一种粒子快速自动分类方法及其实现装置

技术领域

本发明涉及一种粒子检测仪对粒子加以分类并进行个数统计的方法及装置，其用于血液细胞分析检测领域，特别涉及一种用于流式细胞法计数分析系统。

背景技术

血液细胞分析仪可以检测血液中的白细胞、红细胞、血小板、血红蛋白等参数的数量并能对白细胞进行分类。其中对白细胞进行分类是其基本的功能。血液细胞分析仪对发现和确诊一些血液疾病起到一定的参考作用，是临床检验不可缺少的仪器之一。现阶段血液细胞分析仪主要是采用电阻抗法或流式细胞技术进行计数、分类，也有仪器采用两种方法并存的方式。

其中流式细胞技术（Flow Cytometry, FCM）是一种自动分析细胞的技术，其原理为待测细胞被制备成单个细胞的悬液，经特异性染料染色后放入样品管中，由喷嘴进入流动室。鞘液在一定压力下充满流动室，细胞在鞘液的约束下，排成单列经过流动室的检测部（如图3），激光照射到单个细胞上，引发光散射场变化，可以提供细胞的大小、细胞核、细胞颗粒大小和复杂度信息。再通过光电转换和AD转换，得到对应细胞的一组二维数据，分别表示粒子的体积信息和内部复杂度信息。将该组二维数据映射到二维坐标系上，便得到该白细胞在二维坐标系中对应的位置。以此类推，可以得到二维白细胞散点图，如图1所示。二维白细胞散点图中，同类的粒子会聚集在一起，而不同类的粒子会相互分离。而一种粒子快速自动分类算法就是将散点图中同类粒子找到，分别计数，进而计算出所取样本中各部分粒子占该样本白细胞总数的百分比，用于临床分析。

已出现的粒子分类方法主要有固定边界分类法、聚类法等。例如专利US．Pat．No．4987086就描述了一种固定边界分类法，在由前向散射光和侧向散射光形成的散点图上，通过“设门”，即在散点图上划分出边界的方式从全血细胞中区分中性粒细胞、淋巴细胞和单核细胞。该方法不能对边界进行自适应调整，不具有普遍性，适应性差。US．Pat．No．5627040描述了一种“重心引力因子”法。该方法用一种优化算法根据每个引力因子来确立边界，用尺寸、形状和方位固定而位置不固定的边界在散点图上进行分类，该方法虽然边界可以自动调整，但是尺寸、形状和方位还是固定的，适应性较差。目前还出现了聚类方法来进行粒子的分类。聚类方法一般是计算所有有效细胞或离子的两两之间的距离，且距离越近，两个细胞或粒子之间的相似程度越高。将相似程度高的细胞或粒子聚集成一类。如此往复，将所有有效细胞或粒子聚集成类。该算法对于存在共性的一些样本具有较好的分类效果，但是对于异常样本则效果较差，同时该算法是以牺牲一定的效率为前提的。

发明内容

本发明提供一种粒子快速自动分类方法及其实现装置，以解决上述现有技术的缺陷，本算法能对粒子进行自动、准确、快速的分类，无论对于正常样本或是异常样本，都具有很强的适应性、实用性和稳定性。

本发明采取的技术方案是：包括下列步骤：

（1）通过收集粒子检测仪散射光信号获得粒子分类信息，将粒子的体积信息和内部复杂度信息分别映射为二维向量，形成散点图；

（2）对得到的二维向量进行平滑滤波；

（3）在二维坐标系中得到滤波后的所有粒子的二维向量所表示的投影直方图；

（4）利用投影直方图确立波峰波谷对粒子进行初步划分；

（5）对初步划分后的剩余粒子进行二次划分；

（6）利用边界特征曲线对分好的散点图的几部分进行修正，使分类更加准确；（7）根据步骤（4）（5）（6）划分的各区域的结果，统计各区域粒子个数。

本发明所述步骤（1）包括以下步骤：收集粒子体积信息和内部复杂度信息，从而形成二维向量，进而形成散点图，对于散点图上的每个点P，可以用（x,y）来表示，其中x为点P在X轴方向的坐标，y为点P在Y轴方向的坐标。

本发明所述步骤（2）和（3）中，对得到的二维向量，即散点图中的所有的点进行Savitzky-Golay filtering滤波，从而在二维坐标系中得到滤波后的所有粒子的二维向量所表示的投影直方图。

本发明所述步骤（4）在各方向投影直方图中寻找波峰波谷，最后根据波谷位置来确立各区域分界线。

本发明所述步骤（5）是对步骤（4）中划分完毕后的剩余粒子再次进行划分，主要依据是：所剩余粒子到各个已划分区域的距离的远近，区域i的中心设为

，则剩余粒子点p(x,y)到达区域i的距离

为：

其中：

，

。

本发明所述步骤（6）是通过寻找边界特征点形成边界特征曲线对分好的散点图的几部分进行修正，从而光滑各区域边界，并使分类更加准确，而边界特征点的形成是通过寻找该区域在邻近区域的K-nearest neighbors形成的，最后形成光滑曲线，就是两相邻区域的边界线；

建立K-nearest neighbors的算法描述如下：

其中P为原始点数据，O_i为每个K-nearest neighbors的中心点，k取值范围为：0<k<0.05n（n为原始点数据的个数）；

Input P, k;

Create (KD_Tree);

Compute O_i in each K-nearest neighbors;

For (i=1;i<=num(O_i);i++)

{create K-nearest neighbors according each O_i;}

Output all K-nearest neighbors。

本发明一种粒子快速自动分类方法的实现装置，其特征在于：由以下模块构成：

二维向量信息读取模块：借助光学散射理论，收集粒子体积信息和内部复杂度信息，从而形成二维向量，进而形成散点图，对于散点图上的每个点P，可以用（x,y）来表示，其中x为点P在X轴方向的坐标，y为点P在Y轴方向的坐标；

噪声滤波平滑模块：对得到的二维向量，即散点图中的所有的点进行Savitzky-Golay filtering滤波，从而在二维坐标系中得到滤波后的所有粒子的二维向量所表示的投影直方图；

对粒子区域进行初步划分模块：在各方向投影所得的二维投影直方图上寻找波谷位置，从而完成各区域的初步划分；

二次划分模块：按照首次划分所剩余粒子到各个已划分区域的距离的远近进行再次划分，区域i的中心设为

，则剩余粒子点p(x,y)到达区域i的距离

为：

其中：

，

；

边界特征曲线提取模块：通过寻找边界特征点形成边界特征曲线对分好的散点图的几部分进行修正，从而光滑各区域边界，并使分类更加准确，而边界特征点的形成是通过寻找该区域在邻近区域的K-nearest neighbors形成的，最后形成光滑曲线，就是两相邻区域的边界线；

分类计数模块：统计各区域的粒子个数。

而本发明提出的一种粒子快速自动分类算法及实现，本发明的优点在于：本算法不仅在步骤（4）和步骤（5）中克服了专利US．Pat．No．4987086的固定边界分类方法的不能自动调整边界，适应性差的缺点，而且在步骤（6）中克服了专利US．Pat．No．5627040提到的边界尺寸、形状和方位固定的缺点，同时本算法利用KD-Trees进行最近邻的搜索，大部分最近点的搜索都在树的底层完成，所以运用KD-Tree查找最近邻的时间效率大约在O(nlogn)级的，具有较高的效率，克服了聚类算法效率低下的缺点，本发明在对粒子进行自动、准确的分类的同时兼顾了算法的效率。

附图说明

图1是白细胞散点图；

图2a二维空间 KD-Tree搜索示意图一；

图2b二维空间 KD-Tree搜索示意图二；

图3表示流式细胞技术示意图；

图4为本发明设计及实现流程图；

图5是Savitzky-Golay filtering滤波后X轴投影方向直方图；

图6是Savitzky-Golay filtering滤波后Y轴投影方向直方图；

图7是影细胞分割图；

图8为X轴投影方向波谷位置；

图9为Y轴投影方向波谷位置；

图10为初次划分区域分割图；

图11为最终分类结果图。

具体实施方式：

本发明的具体实施方式将结合本发明在血液细胞分析仪中的应用来说明。

血液细胞分析仪可以检测血液中的白细胞、红细胞、血小板、血红蛋白等参数的数量。对于白细胞的检测，有两个独立的白细胞检测通道。而淋巴细胞（Lym）、单核细胞（Mono）、嗜酸性细胞（Eos）和中性粒细胞（Neut）可以显示同一个散点图上，并对其分别计数。在这张散点图上，也存在着影细胞（Ghost）。本发明具体实施内容就是对以上提到的5种粒子细胞进行分类。以图1显示的散点图的数据为基本原始数据。具体实施步骤如下：

（1）通过收集粒子检测仪散射光信号获得粒子分类信息。将粒子的体积信息和内部复杂度信息分别映射为二维向量，形成散点图。对于散点图上的每个点P，可以用（x,y）来表示，其中x为点P在X轴方向的坐标，y为点P在Y轴方向的坐标。则散点图上所有的点可描述为点集

,其中i,j

(0,n)。

（2）对（1）中得到的点集

进行变换，变化成256×256图像内的点，并对X轴方向和Y轴方向的投影直方图分别进行平滑滤波，这里用到的滤波方法是Savitzky-Golay filtering，滤波系数采用的是对称的形式。

（3）对经过Savitzky-Golay filtering滤波后的X轴投影方向的数据画出其二维直方图，如图5所示。对经过Savitzky-Golay filtering滤波后的Y轴投影方向的数据画出其二维直方图，如图6所示。

（4）对各区域粒子进行初步划分。首先处理影细胞数据，影细胞数据划分如图7所示，主要是根据针对部分数据得到其投影直方图寻找其波谷位置而划分的。然后找X轴投影方向波谷，如图8所示，图8中的画竖线的位置为X轴投影方向的波谷位置。继续寻找Y轴投影方向波谷，如图9所示，图9中的画竖线的位置为Y轴投影方向的波谷位置。找完X和Y投影方向波谷，对所有部分数据进行侧投影。到此步骤为止，分割完毕的数据如图10所示。在图10中，将散点图初步划分为：1、2、3、4、5、6共六个区域。其中：区域1为单核细胞（Mono）区域，区域2为中性粒细胞（Neut）区域，区域3为嗜酸性细胞（Eos）区域，区域4为淋巴细胞（Lym）区域，区域6为影细胞（Ghost）区域，而区域5则为未分类区域，这里注意，区域5中数据可能是未分类的血细胞数据，也可能是我们不感兴趣的数据，具体是否是有用的血细胞数据依具体情况判断，本示例中区域5中的数据为有用的血细胞数据，需继续分类。

（5）是对步骤（4）中划分完毕后的剩余粒子再次进行划分。这里主要是对步骤（4）中得到的图10所示的区域5中的数据进行划分。步骤主要依据是：所剩余粒子到各个已划分区域的距离的远近。区域i的中心设为

，则剩余粒子点p(x,y)到达区域i的距离

为：

其中：

，

根据上述公式，分别求出已划分区域的中心，并计算图10所示的区域5中的点到各中心的距离d，最后按距离远近进行排序并归类。至此，二次分类结束。

（6）对已分类的各区域（除区域6）进行边界特征线提取。寻找边界特征点形成边界特征曲线对分好的散点图的几部分进行修正，从而光滑各区域边界，并使分类更加准确。而边界特征点的形成是通过寻找该区域在邻近区域的K-nearest neighbors形成的，最后形成光滑曲线，就是两相邻区域的边界线。

本发明中数据点集中的一点的K-nearest neighbors的建立是通过KD-Tree搜索的方法实现的。KD- Tree的方法通常用来查找距离最近的两点，它是一种便于二维空间中点搜索的数据结构，同时也适合多维空间点搜索。KD-Tree是很有特点的一种数据结构，它的每个节点代表一个矩形区域，同时每个节点对应一个坐标抽上的划分。它的子节点就对应着这个划分，并且节点所对应的分割线与深度对应。KD-Tree同时还具有点分布均匀的特点，所以搜索的效率比较高。图3描述了二维空间生成KD-Tree的过程，首先按X轴寻找分割线，就是计算所有点的x值的平均值。以此平均值将空间分成两部分; 然后在分成的子空间按y值划分，分割好的子空间再按x值分割。依此类推，最后直到分割的区域内只有一个点，这样的分割过程就对应于一个二叉树。二叉树的分支节点就对应于一条分割线，而二叉树的每个叶子节点就对应一个点。因为大部分最近点的搜索都在树的底层完成，所以运用KD-Tree查找最近的时间效率大约在O(nlogn)级的。

首先求得各区域的中心点，这里求中心点方法可选，可以用高斯滤波、求平均点的方法或者直接确定某些具有明显特征的点（如某一区域的最左侧点）为中心点，依具体样本而定。并建立各区域数据点的KD- Tree。利用K-nearest neighbors算法寻求各区域边界点，这里k取0<k<0.05n（n为五分类散点图中所有点的个数）范围内的值，具体大小依具体样本而定。从而确立边界特征曲线。经过步骤（6）修正各区域边界后，我们得到图11，图11此时已经是各类粒子细胞区域的精确划分图。

（7）统计各区域粒子个数。

以上所述为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

一种粒子快速自动分类方法的实现装置，由以下模块构成：

，则剩余粒子点p(x,y)到达区域i的距离

为：

其中：

，

；

分类计数模块：统计各区域的粒子个数。

Claims

1.一种粒子快速自动分类方法，其特征在于包括下列步骤：

（2）对得到的二维向量进行平滑滤波；

（4）利用投影直方图确立波峰波谷对粒子进行初步划分；

（5）对初步划分后的剩余粒子进行二次划分；

2.如权利要求1所述的一种粒子快速自动分类方法，其特征在于：所述步骤（1）包括以下步骤：收集粒子体积信息和内部复杂度信息，从而形成二维向量，进而形成散点图，对于散点图上的每个点P，可以用（x,y）来表示，其中x为点P在X轴方向的坐标，y为点P在Y轴方向的坐标。

3.如权利要求1所述的一种粒子快速自动分类方法，其特征在于：所述步骤（2）和（3）中，对得到的二维向量，即散点图中的所有的点进行Savitzky-Golay filtering滤波，从而在二维坐标系中得到滤波后的所有粒子的二维向量所表示的投影直方图。

4.如权利要求1所述的一种粒子快速自动分类方法，其特征在于：所述步骤（4）在各方向投影直方图中寻找波峰波谷，最后根据波谷位置来确立各区域分界线。

5.如权利要求1所述的一种粒子快速自动分类算法及实现特征在于：所述步骤（5）是对步骤（4）中划分完毕后的剩余粒子再次进行划分，主要依据是：所剩余粒子到各个已划分区域的距离的远近，区域i的中心设为

Figure 201110129208X100001DEST_PATH_IMAGE002

，则剩余粒子点p(x,y)到达区域i的距离

Figure 201110129208X100001DEST_PATH_IMAGE004

为：

Figure 201110129208X100001DEST_PATH_IMAGE006

其中：

Figure 201110129208X100001DEST_PATH_IMAGE008

，

Figure 201110129208X100001DEST_PATH_IMAGE010

。

6.如权利要求1所述的一种粒子快速自动分类方法，其特征在于：所述步骤（6）是通过寻找边界特征点形成边界特征曲线对分好的散点图的几部分进行修正，从而光滑各区域边界，并使分类更加准确，而边界特征点的形成是通过寻找该区域在邻近区域的K-nearest neighbors形成的，最后形成光滑曲线，就是两相邻区域的边界线；

建立K-nearest neighbors的算法描述如下：

Input P, k;

Create (KD_Tree);

Compute O_i in each K-nearest neighbors;

For (i=1;i<=num(O_i);i++)

{create K-nearest neighbors according each O_i;}

Output all K-nearest neighbors。

7.如权利要求1所述的一种粒子快速自动分类方法的实现装置，其特征在于：由以下模块构成：

，则剩余粒子点p(x,y)到达区域i的距离

为：

其中：

，；

分类计数模块：统计各区域的粒子个数。