CN102331393A

CN102331393A - 一种对人体血液中细胞进行自动分类计算的方法

Info

Publication number: CN102331393A
Application number: CN201110191793A
Authority: CN
Inventors: 楚建军
Original assignee: WUXI RONGXING TECHNOLOGY Co Ltd
Current assignee: WUXI RONGXING TECHNOLOGY Co Ltd
Priority date: 2011-07-08
Filing date: 2011-07-08
Publication date: 2012-01-25

Abstract

本发明涉及一种对人体血液中细胞进行自动分类计算的方法，其包括以下步骤：(1)从两个一维数据上生成一个二维散点图；(2)对上述的二维散点图进行平滑处理，以使本类边界处的点和本类的主体部分连续，并消除远处的离散点；(3)以平滑处理后的二维散点图为基础，聚类并查找类中心，将细胞分类并标号；(4)对上述具有同样标号的位置上的细胞个数进行计数，计算各类占总细胞的百分比。本发明可以基于数据特征进行自适应分类，能够根据血液样本的散点图特征自动调整各个类别的边界，克服了固定分类不能根据血液特征进行调整的缺陷，并且克服了手动调整边界效率低的缺陷，可用于快速分析的自动化血液细胞分析仪中。

Description

一种对人体血液中细胞进行自动分类计算的方法

技术领域

本发明涉及一种血液分析技术，具体是一种对人体血液中细胞进行自动分类计算的方法。

背景技术

人体血液中的血液细胞有三类，分别为红细胞、白细胞和血小板。其中白细胞分为五类，分别是嗜酸性粒细胞、中性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞。早期对血液细胞进行分析都是依靠人工在显微镜下通过形态学进行人工识别，后来Coulter发明了一种能够对血液细胞进行自动分析的仪器，其分析原理是：粒子流过一个充满液体小孔的时候会导致此孔两端的电导率发生变化，电导率的变化率和粒子的体积成正比关系。因为血液细胞体积存在差异性，白细胞体积比红细胞大，红细胞体积比血小板大，这样就可以利用将血液的血液细胞分成白细胞、红细胞和血小板三类。但由于白细胞的五个子类在体积上有重叠，它们的差异主要是在内部结构上，利用Coulter原理就无法将白细胞的五个子类分开。

在Becton Dikinson公司发明了流式细胞仪之后，利用光学散射的原理能够将细胞的内部结构区分出来，上世纪90年代很多公司纷纷将流式细胞仪技术引入到血液细胞分析中，形成了将白细胞进行五分类的现代五分类血液细胞分析仪，著名的公司有Beckman Coulter，ABBOTT，Sysmex，Siemens，ABX，Mindray。

专利US6228652揭露了一种基于流式细胞仪的血液细胞分析仪器，其利用前向低角度散射(LMALS)和前向高角度散射光(UMALS)对白细胞进行部分分类。专利US2009310122揭露了另外一种血液细胞分析仪，利用前向散射光、侧向散射光和荧光对白细胞进行五分类。专利US5631165揭露了另外一种五分类血液细胞分析仪，利用了多角度偏振和消偏振散射光进行白细胞五分类。

基于流式细胞技术的五分类血液细胞分析仪一般都是在一个二维数据上，根据不同细胞的二维信号特征的不同进行分类的，如图1引用了专利US2009310122的图11，其利用侧向散射光和侧向荧光将白细胞分成了五类，同一类细胞在二维散点图上聚集在一起，成为一个群落；不同类别细胞的群落在散点图上有明显的边界。分类算法就是在二维或者多维的数据上将不同类细胞的边界找出来，达到对不同类别细胞分别计数的目的，例如US4987086中揭露了一种在由前向散射光和侧向散射光所形成的散点图上通过“设门”的方式从全血细胞中区分粒细胞、单核细胞和淋巴细胞的方法，所谓“设门”其实就是在散点图上划分出边界，落在某边界内部的细胞被认为是同一类细胞。US 4727020,US 4704891,US 4599307,US 4987086和US6014904都揭露了一些用“设门”的方式识别和分类计数血液样本中的细胞的方法。

用事先划分好的边界可以在散点图上生成不同的区域代表着不同的粒子类别，然而这些离散的区域可能会有些重叠，那些落在重叠区域的粒子可能就会被错误的识别分类。US 5627040用一种“重心引力因子(gravitationalattractor)”的方法解决了此问题。这种方法用尺寸、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，用一种优化算法根据每个类的引力因子将这个类的边界位置确定下来。

无论是电子设门还是在散点图上手动设门其实都是用固定边界对粒子进行分类，上述US 5627040专利中描述的方法虽然边界的位置可以自动调整，但是尺寸、形状和方位还是固定的，利用这些固定边界对粒子进行分类尤其是对人的血液细胞进行分类的时候，无法解决样本的个体差异问题(将在本发明的具体实施方式中说明)，也就是说这些固定边界只是针对大多数样本的共性而言的，而人的血液样本会存在一些个体的差异，比如某些人的单核细胞、淋巴细胞在经过试剂处理之后会比通常人的要大，这个时候如果还用通用的固定边界来分类的话就会出现误差。当出现个体差异的时候，可以通过在散点图上手动重新划边界的方法来解决，这是一般的流式细胞仪的作法，但这会造成效率下降，对于高度自动化、对速度要求很高的血液细胞分析仪来说并不适合。

发明内容

本发明的目的在于克服现有技术中存在的不足，提供一种对人体血液中细胞进行自动分类计算的方法，该方法可以基于数据特征进行自适应分类，能够根据血液样本的散点图特征自动调整各个类别的边界，克服了固定分类不能根据血液特征进行调整的缺陷，并且克服了手动调整边界效率低的缺陷，可用于快速分析的自动化血液细胞分析仪中。

按照本发明提供的技术方案：一种对人体血液中细胞进行自动分类计算的方法，其特征在于：包括以下步骤：

(1)从两个一维数据上生成一个二维散点图；

(2)对上述的二维散点图进行平滑处理，以使本类边界处的点和本类的主体部分连续，并消除远处的离散点；

(3)以平滑处理后的二维散点图为基础，聚类并查找类中心，将细胞分类并标号；

(4)对上述具有同样标号的位置上的细胞个数进行计数，计算各类占总细胞的百分比。

作为本发明的进一步改进，所述步骤(1)中的两个一维数据包括光散射数据。更进一步地，所述步骤(1)中的两个一维数据是指侧向散射光信号(SSC)和侧向荧光信号(SFL)。

作为本发明的进一步改进，所述步骤(2)中的平滑处理采用的是中值滤波的方法。

作为本发明的进一步改进，所述步骤(3)中的聚类并查找类中心采用的是梯度比较的方法。

本发明与现有技术相比，优点在于：本发明可以基于数据特征进行自适应分类，能够根据血液样本的散点图特征自动调整各个类别的边界，克服了固定分类不能根据血液特征进行调整的缺陷，并且克服了手动调整边界效率低的缺陷，可用于快速分析的自动化血液细胞分析仪中。

附图说明

图1为五分类血液细胞分析仪二维散点图。

图2为本发明的算法流程图。

图3为本发明采用的分析系统组成示意图。

图4为本发明的分析仪产生并传输至计算机上的两个一维数据。

图5为散点图生成过程示意图。

图6为一个样本中的所有细胞检测完毕时形成的二维散点图。

图7为图6二维散点图的三维显示图。

图8为对二维散点图进行平滑处理的原理图。

具体实施方式

下面结合附图对本发明进一步说明。

本发明提供了一种对人体血液中细胞进行自动分类计算的方法，其通过计算机软件来实施，算法流程如图2所示，其主要包括如下步骤：

(1)从两个一维数据上生成一个二维散点图；

(4)对具有同样标号的位置上的细胞个数进行计数，累加在一起就是该类中的细胞个数值；散点图内所有有效值累加起来就是本样本的总细胞数，计算各类细胞占总细胞数的百分比。

上述各步骤具体如下：

步骤(1)：生成二维散点图

所述二维散点图通过分析系统生成，所述分析系统的组成如图3所示，其包括分析仪和计算机，分析仪和计算机通过连接线相连。所述分析仪产生侧向散射光信号(SSC)和侧向荧光信号(SFL)两个一维数据，如图4所示。当一个细胞P通过分析仪的检测流动室并被照射时，会在侧向散射光信号(SSC)产生一个峰值为s_p的脉冲5，在侧向荧光信号(SFL)上分别产生一个峰值为f_p的脉冲4；这个细胞P则会在一个以侧向散射光信号(SSC)为X轴、侧向荧光信号(SFL)为Y轴的二维直角坐标系上的(s_p，f_p)位置相对应，如图5所示。每个细胞经过检测流动室时都会在这个坐标系上的某个位置与此细胞相对应，当一个样本中的所有细胞都检测完毕时则会形成一个二维散点图，如图6所示。在上述的二维散点图上增加一个参数z，即生成一个三维显示图，三维显示图中的任一点(x，y，z)表示在本次测量中共有z个侧向散射光信号(SSC)为x且侧向荧光信号(SFL)为y的细胞。

步骤(2)：对二维散点图进行平滑处理：

从图6所示的二维散点图上可以看到，在群落的外围有些离散点，它们可以作为某一类的一部分；距离类中心更远的地方分布非常稀疏，这里的离散点不属于某一类，而是信号噪声或者被测样本中的某些异常细胞，不能将它们归为某一类。本步骤的目的就是对上述的二维散点图进行平滑处理，以使本类边界处的点和本类的主体部分连续，并消除远处的离散点。

本发明采用中值滤波的方式来达到上述目的。如图7所示，使二维散点图中某个点(i，j)上对应的细胞个数值z(i，j)等于该点前后左右各k个点上对应的细胞个数值的中间值，即：

z(i，j)＝mid{z(i-k，j-k)，z(i-k，j-k+1)，......，z(i+k，j+k)}

其中，z(i，j)表示侧向散射光信号(SSC)为i且侧向荧光信号(SFL)为j的细胞个数值，运算符mid{.}为求得一个序列的中间值。

对整个二维散点图中的数据进行中值滤波处理后可以使图像平滑化，让远离类主体的离散点消失掉，并且使类主体周围的点连续。

步骤(3)：聚类并查找类中心

各个类的聚类中心为本类的极大值点，本发明采用梯度比较的方法找到二维数据上的各个极大值点。具体如下：在经过平滑处理的二维散点图上考察一个点(x_i，y_i)，以此点为中心，根据二维散点图的分布取一个区域，设该区域内有s个数据点，在这个区域内计算这个点(x_i，y_i)到周边任意点(xx，y_j)的梯度g_j：

g_{j} = \frac{z_{j} - z_{i}}{\sqrt{{(\begin{matrix} x_{j} & x_{i} \end{matrix})}^{2} | {(\begin{matrix} y_{j} & y_{i} \end{matrix})}^{2}}},

j＝1，2，...，3

其中，z_i表示侧向散射光信号(SSC)为x_i且侧向荧光信号(SFL)为y_i的细胞个数值；z_j表示侧向散射光信号(SSC)为x_j且侧向荧光信号(SFL)为y_j的细胞个数值；

如果一个点与其周边任意点的梯度g都是负值，则这个点就是极大值点，认为是本类的聚类中心，给它标上一个号，与此极大值点相连的各个点标上同样的号，所有同样号码的点成为一类，这样，以极大值点为中心的一簇就形成同一类；以此类推，直到考察完整个二维散点图上的所有点，每个点都会与周围的某个极大值点连接并标号，在散点图上有几个极大值点就有几类，这样就完成了聚类。

需要指出的是，上述聚类完成后的各类并没有真正意义上的连续的几何边界，而只有各个位置上的类别标号，也就是说本发明并不生成一个连续的几何边界，并且每次测量都要重新对区域进行聚类标记。

步骤(4)：对各个类中的细胞进行计数

对上述具有同样标号的位置上的细胞个数进行计数，计算各类占总细胞的百分比。需要指出的是，所述具有同样标号的位置上的细胞个数是指未平滑处理之前的该位置上的实际细胞个数，是原始采集的数值而不是平滑之后的数值，将具有同样标号的位置上的细胞个数累加在一起，就是该类中的细胞个数值；散点图内所有有效值累加起来就是本样本的总细胞数，各类的细胞个数值除以总个数就是本类细胞所占的百分比。总细胞数以及各类细胞的百分比有着非常重要的临床意义，是本发明主要输出的参数。

Claims

1.一种对人体血液中细胞进行自动分类计算的方法，其特征在于：包括以下步骤：

(1)从两个一维数据上生成一个二维散点图；

2.如权利要求1所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述步骤(1)中的两个一维数据包括光散射数据。

3.如权利要求1所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述步骤(1)中的两个一维数据是指侧向散射光信号(SSC)和侧向荧光信号(SFL)。

4.如权利要求1所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述二维散点图通过分析系统生成，所述分析系统包括分析仪(1)和计算机(2)，所述分析仪(1)产生侧向散射光信号(SSC)和侧向荧光信号(SFL)两个一维数据，当一个细胞P通过分析仪(1)的检测流动室并被照射时，会在侧向散射光信号(SSC)产生一个峰值为s_p的脉冲(5)，在侧向荧光信号(SFL)上分别产生一个峰值为f_p的脉冲(4)；这个细胞P则会在一个以侧向散射光信号(SSC)为X轴、侧向荧光信号(SFL)为Y轴的二维直角坐标系上的(s_p，f_p)位置相对应；每个细胞经过检测流动室时都会在这个坐标系上的某个位置与此细胞相对应，当一个样本中的所有细胞都检测完毕时则会形成一个二维散点图；在上述的二维散点图上增加一个参数z，即生成一个三维显示图，三维显示图中的任一点(x，y，z)表示在本次测量中共有z个侧向散射光信号(SSC)为x且侧向荧光信号(SFL)为y的细胞。

5.如权利要求1所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述步骤(2)中的平滑处理采用的是中值滤波的方法。

6.如权利要求5所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述中值滤波的方法具体为：使二维散点图中某个点(i，j)上对应的细胞个数值z(i，j)等于该点前后左右各k个点上对应的细胞个数值的中间值，即：

z(i，j)＝mid{z(i-k，j-k)，z(i-k，j-k+1)，......，z(i+k，j+k)}

7.如权利要求1所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述步骤(3)中的聚类并查找类中心采用的是梯度比较的方法。

8.如权利要求7所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述梯度比较的方法具体为：在经过平滑处理的二维散点图上考察一个点(x_i，y_i)，以此点为中心，根据二维散点图的分布取一个区域，设该区域内有s个数据点，在这个区域内计算这个点(x_i，y_i)到周边任意点(x_j，y_j)的梯度g_j：

g_{j} = \frac{z_{j} - z_{i}}{\sqrt{{(\begin{matrix} x_{j} & x_{i} \end{matrix})}^{2} | {(\begin{matrix} y_{j} & y_{i} \end{matrix})}^{2}}},

j＝1，2，...，3

9.如权利要求8所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述聚类完成后的各类并没有真正意义上的连续的几何边界，而只有各个位置上的类别标号。

10.如权利要求1所述的对人体血液中细胞进行自动分类计算的方法，其特征在于：所述具有同样标号的位置上的细胞个数是指未平滑处理之前的该位置上的实际细胞个数。