CN102359938A - 红细胞形态学分析装置及其方法 - Google Patents

Abstract

本发明公开了一种红细胞形态学分析装置及方法，其可将样本置于自动显微镜下放大后由CCD采取样本中各细胞形态学图像，并经图像数字转换器数字化后，进行图像分割定位和目标特征参数提取，通过建立在神经网络基础上的分类器分离出各红细胞的形态学特征参数，再通过建立在模糊聚类基础上的特征融合器对各类红细胞形态特征参数数据进行归一化处理、对得到的每一类归一化参数分别进行统计分析，或根据几类参数进行综合统计分析，并以图形或数表的方式表达出来，以此来判断红细胞的形态是否正常，通过对各类异常形态红细胞的检测可以鉴定红细胞来源和性质。

Description

红细胞形态学分析装置及其方法

技术领域

本发明涉及一种样本中红细胞形态学分析装置及其方法，特别是一种能够自动鉴定样本中所含红细胞的类型和来源的红细胞形态学分析装置及其方法。

背景技术

早在1852年就有人开始设计红细胞的计数方法，1855年发明了用于计数红细胞的计数板。1947年美国科学家库尔特(W.H.Coulter)发明了用电阻法计数粒子的专利技术。并在1956年将这一技术应用于红细胞计数获得成功。随着科学技术的日新月异，各种新的检测红细胞数目的手段不断涌现。目前应用的研究开发手段主要有：电容式、光电式与激光式、离心式、电阻式及各种方式的联合式。到目前为止已经有许多国家开始生产各种类型的红细胞分析仪，经过半个多世纪的发展，这种仪器已经有了非常明显的进步。红细胞的分类变得细致，计数变得越来越精确。但是，现有红细胞形态学分析的红细胞参数都是通过计算平均值来获得，比如用作贫血的形态学分类参数平均红细胞体积(mean corpuscular volume，MCV)、平均红细胞血红蛋白含量(mean corpuscular hemoglobin，MCH)、平均红细胞血红蛋白浓度(mean corpuscular hemoglobin concentration，MCHC)都是根据红细胞、血红蛋白浓度和红细胞比容结果，计算而得，不是实际测得的数值，这样红细胞数、血红蛋白含量、红细胞比容的测定数据必须准确，否则得到的形态学分类参数的误差很大。

人工镜检是经典的检测方法，其通过显微镜，使用目镜上的测微尺来人工测量每个红细胞直径大小，再对数据进行分析，进而作出判断。但人工镜检方法工作人员工作量大，由于疲劳容易引起误判；工作效率低，速度慢，有可能延误病人的诊断。

因此，如何使红细胞计数更快、更准、更节约成本，是目前医院临床检验中面临的问题。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种运用形态学特征参数及神经网络对样本中红细胞的来源和性质进行统计学方法表达，以供相关人员参考判断红细胞形态是否正常，辅助鉴定红细胞来源和性质的红细胞形态学分析装置及其方法。

为解决上述技术问题，本发明所采用的技术方案是：一种红细胞形态学分析装置，其包括：

a.一自动显微镜，该自动显微镜的低倍物镜头对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜的高倍物镜头对已标记区域进行扫描；

b.一摄像机或CCD元件，该摄像机或CCD元件对已标记区域进行图像信息采集；

c.一用以对上述图像进行分析处理的图像数字转换器，该图像数字转换器先将采集的图像根据所含的红细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各红细胞的大小、形状、色度及纹理四类形态学特征参数；

d.一建立在神经网络基础上的分类器，用于根据上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征参数，从各类细胞中分离出红细胞；

e.一建立在模糊聚类基础上的特征融合器，该特征融合器用于将上述步骤分离出的红细胞的大小、形状、色度及纹理四类多维形态学特征参数进行归一化降维处理得到大小、形状、色度及纹理4个特征值，再根据标本中所有红细胞的大小、形状、色度、纹理特征分别进行统计计算和统计图形表达，为分析样本中红细胞类别及来源提供真实客观依据；

f.一输出设备，用于直观显示检测结果；

g.一控制单元，该控制单元分别连接上述自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备，以控制该自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备动作。

该输出设备表达出各种类型红细胞所特有的代表红细胞中央区大小、形状、色度和纹理的特征参数数据组合，样本中红细胞的分析鉴定方法，是根据红细胞中央区特征的改变来判断样本中红细胞的来源或红细胞的类型。

样本中红细胞形态学分析方法，是参照临床确认的代表不同意义的各种类型红细胞具有不同的形态学特征参数数据，据此进行识别分类计数，再根据样本中各类型红细胞某一形态学特征参数数据组合占总红细胞的同类形态学特征参数数据组合的比例经统计学处理后以图形或数据方式表达。

作为其中的分析方法和检测手段，将样本中各类型红细胞的两种以上的红细胞形态学特征参数组合用统计学方法综合分析，得到样本中各类型红细胞多参数分析结果，根据其改变判断红细胞形态学变化，通过图形和数据直观的表达出样本中红细胞形态学变化类型。

利用本装置进行红细胞分析所表达的相同的结果，在不同的样本中具有不同的临床意义，如样本中出现小体积低色素红细胞时，本装置分析出的结果是单个红细胞体积小、色度低，总红细胞形态特征参数以表示大小的参数组合为横坐标，表示色度的特征参数数据为纵坐标的形态学分析图形表达为红细胞分布宽度增加往左偏移，红细胞分布区域向下移，表达为向左分散向下沉的红细胞形态分布图，此类图形在血液样本中出现提示一种类型贫血，如果在尿液样本中出现并占一定比例则意味着来源于肾性红细胞；如样本中出现大体积高色素红细胞时，本装置分析出的结果是单个红细胞体积大、色度高，总红细胞形态特征参数以表示大小的参数组合为横坐标，表示色度的特征参数数据为纵坐标的形态学分析图形表达为红细胞分布宽度增加往右偏移，红细胞分布区域向上移，表达为向右分散向上升的红细胞形态分布图，此类图形在血液样本中出现提示另一种类型贫血，如果在尿液样本中出现并占一定比例则意味着来源于非肾性红细胞。

本发明还公开了一种红细胞形态学分析方法，其包括下列步骤：

步骤1：用自动显微镜的低倍物镜头对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜的高倍物镜头对已标记区域样本进行扫描；

步骤2：用摄像机或CCD元件对已标记区域样本进行图像信息采集；

步骤3：用图像数字转换器对采集的图像先根据所含的细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各细胞的形态学特征参数，用大小、形状、色度以及纹理四类特征来描述各细胞；

步骤4：将上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征参数输入建立在神经网络基础上的分类器，由该分类器从各类细胞中分离出红细胞大小、形状、色度及纹理四类形态学特征参数；

步骤5：将步骤4分离出来的红细胞的大小、形状、色度以及纹理四类形态学特征参数输入建立在模糊聚类基础上的特征融合器，由该特征融合器将每一类多维形态学特征参数进行归一化处理，得到一维特征向量；

步骤6：将每个标本中所有红细胞的每一类归一化特征量经输出设备显示出来，即得出每一类归一化特征参数的统计学图表。

上述红细胞形态学分析方法，还包括步骤7：根据样本中各类型红细胞占总红细胞数的比例经统计学处理，以图形或数据方式表达，对样本中红细胞进行分析鉴定；

上述红细胞形态学分析方法，还包括步骤8：对每一类经过归一化的形态学特征向量，通过给出一个特征量阀值，计算高于或者低于阀值的红细胞占样本总红细胞同类形态学特征参数数据组合的比例，经统计学处理后以图形或数据方式表达，以提供对样本中红细胞进行分析鉴定的客观依据。

该建立在神经网络基础上的分类器包括一反馈过程，该反馈过程是对分类出来的可疑目标及识别错误目标进行细化、分类、补充特征参数，并建立相应的数学模型，对神经网络进行训练，神经网络自动学习并记忆该些细化、分类、补充的特征参数进入模型数据库，再返回基于神经网络的分类器进行细胞分类。

步骤6中得出的归一化的大小特征向量表达出各种类型红细胞所特有的代表大小的特征参数数据组合，样本中红细胞分析鉴定方法，可根据红细胞大小分布与正常的红细胞的大小分布进行比对，根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

步骤6中得出的归一化的形状特征向量表达出各种类型红细胞所特有的代表形状的特征参数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞形状特征参数的变化来判断样本中红细胞的来源或红细胞的类型。

步骤6中得出的归一化的色度特征向量表达出各种类型红细胞所特有的代表色度的特征参数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞色度与正常的红细胞色度进行比对根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

步骤6中得出的归一化的纹理特征向量表达出各种类型红细胞所特有的代表纹理的特征参数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞纹理特征参数的变化来判断样本中红细胞的来源或红细胞的类型。

对样本中红细胞的分析鉴定，单独采用其中任意一条来分析，或综合采用其中的多条来分析。

与现有技术相比，本发明所具有的有益效果为：本发明将样本(血、尿)置于显微镜下放大后由CCD采取样本中各细胞形态学图像并通过数字图像处理后得到各细胞的形态学特征参数，将参数输入建立在神经网络基础上的分类器分离出各红细胞，再通过建立在模糊聚类基础上的特征融合器对各类红细胞形态特征参数数据进行归一化处理、对得到的每一类归一化参数分别进行统计分析，或根据几类参数进行综合统计分析，以图形或数表的方式表达出来，以此来判断红细胞的形态是否正常，通过对各类异常形态红细胞的检测可以鉴定红细胞来源和性质。

本发明在原有尿液细胞识别基础上，考虑到软件对个别目标识别可能存在误差，我们引入了形态学参数及其统计分析方法，采用该方法，仪器可根据一个样本中所有目标参数的统计分析，自动分析血尿样本中的红细胞来源。这种方法由于采用样本内全体目标进行统计判断，降低了个别目标识别错误带来的误差影响。是统计学方法在尿液红细胞形态学参数分析上的一个应用创新。

附图说明

图1为本发明红细胞形态学分析装置结构示意图。

图2为本发明红细胞形态学分析方法的操作流程示意图。

图3为PCA加权的特征融合算法原理图。

图4为本发明中提到的分布宽度、峰值示意图。

图5为数码CCD拍摄的正常形态红细胞图像。

图6.1为正常形态红细胞大小特征参数统计曲线图，其分布宽度a＜L，其峰值为b在正常范围内，D1＜b＜D2。

图6.2-图6.9为图6.1的另一种表示。

图7为正常形态红细胞形状特征参数统计曲线图，其分布集中，分布宽度小，峰值对应的频数值C＞H(60％)。

图8为正常形态红细胞色度特征参数统计曲线图，呈单一窄峰，其分布集中，峰值对应的频数值C＞H(60％)。

图9为正常形态红细胞纹理特征参数统计曲线图，其峰值对应X轴数值b在正常范围内，W1＜b＜W2。

图10为正常形态红细胞的大小和色度特征参数综合分析散点图，正常形态红细胞集中分布在75＜X＜125并且20＜Y＜40之间。

图11为数码CCD摄取的芽孢形红细胞图像，芽孢红细胞，在红细胞外膜有小泡突出或细胞呈霉菌孢子样改变。体积不均、有芽孢的变形状、色度通常浅。其特征参数统计图的表达，如图12-15所示。图中正常形红细胞以虚线方式表示以进行比较。

图12为芽孢形红细胞大小特征参数统计曲线图，与正常形红细胞比较，因为大小不均且因为芽孢而有偏大趋势，其大小特征参数统计图分布宽度a大，分布不集中；并形成1个以上峰值，峰值处频数相应降低。其分布宽度a＞L，从图上看宽度比正常形红细胞分布宽度a大，表示红细胞大小分布不均。b＞D2，部分红细胞大小偏大。

图13为芽孢形红细胞形状特征参数统计曲线图，其峰值对应频数值C小于正常形态红细胞，C＜H(60％)。

图14为芽孢形红细胞色度特征参数统计曲线图，其芽孢形红细胞色度均值显著降低，其峰值对应频数值C均明显小于正常形态红细胞，C＜H，且芽孢形红细胞色度分布宽度变化不大，细胞分布均匀呈较窄单峰。。

图15为芽孢形红细胞纹理特征参数统计曲线图，芽孢红细胞纹理较正常红细胞复杂，其纹理特征参数统计图，纹理峰值对应X轴数值b较大，b＞W2。

图16为芽孢形态红细胞的大小和色度特征参数综合分析散点图，其红细胞色度明显偏低，而且红细胞大小范围扩大，主要分布在80＜X＜160之间。

图17为数码CCD摄取的大小不均红细胞图像。大小不一形红细胞，指红细胞之间直径相差一倍以上的情况，常见于各种增生性贫血及巨幼细胞性贫血，体积大小不一，色度浅，形状正常。其特征参数统计图的表达，如图18-22所示。图中正常形红细胞以虚线方式表示以进行比较。

图18为大小不均形红细胞大小特征参数统计曲线图，其分布宽度a＞L，从图上看宽度比正常形红细胞分布宽度a大，表示红细胞大小分布不均。b＞D2，部分红细胞大小偏大。

图19为大小不均形红细胞形状特征参数统计曲线图，其峰值对应频数值C小于正常形态红细胞，C＜H(60％)。

图20为大小不均形红细胞色度特征参数统计曲线图。大小不均红细胞色度均值偏高，其峰值对应频数值C均明显小于正常形态红细胞，C＜H(60％)。其分布宽度往色度值较大方向明显增大。

图21为大小不均形红细胞纹理特征参数统计曲线图。

图22为大小不均形红细胞的大小和色度特征参数综合分析散点图，图中显示红细胞的色度和大小分布范围大，5＜X＜30且40＜Y＜150。

图23为小体积低色素红细胞(贫血或肾性)特征参数综合分析散点图。

图24为样本中各种细胞占总红细胞数的比例统计图。

图25为一样本色度特征参数统计图。

图26为图24的一个变化表达形式。

图27为以多图排列的方式表达的统计图。

具体实施方式

图1为本发明红细胞形态学分析装置的示意图。如图所示，本发明红细胞形态学分析装置包括：

a.一自动显微镜1，该自动显微镜1的低倍物镜头先对所设置区域的样本进行扫描，并对发现的目标区域予以标记，并同时由该自动显微镜1的高倍物镜头对已标记区域样本进行扫描；

b.一摄像机或CCD元件2，该摄像机或CCD元件2对已标记区域样本进行图像信息采集；

c.一用以产生上述图像的数字表示的图像数字转换器3，该图像数字转换器3先将采集的图像根据所含细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各细胞的大小、形状、色度及纹理四类形态学特征参数；

d.一建立在神经网络基础上的分类器，用于根据上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征参数，从各类细胞中分离出红细胞；

e.一建立在模糊聚类基础上的特征融合器4，该特征融合器用于将上述步骤取得的每一类多维形态学特征参数进行归一化处理，以提供红细胞统计分类依据；

f.一输出设备6，该输出设备6可包括监控器及打印机，用于直观显示检测结果；

g.一控制单元5，该控制单元5分别连接上述自动显微镜1、摄像机或CCD元件2、图像数字转换器3及输出设备6，以控制该自动显微镜1、摄像机或CCD元件2、图像数字转换器3及输出设备6动作。

在本实施例中，该分类器7中采用的神经网络是基于RDROP算法的BP三层神经网络，该三层神经网络包括一输入层，一输出层和一隐藏着的中间层。且该神经网络的数据可扩充，具有自记忆性。该神经网络用于专家系统训练和样本目标识别。当然，该分类器也可采用其他类型的神经网络。

关于神经网络，已经有很多资料对其进行了详细介绍，因而在此不作过多叙述。

本发明神经网络具有多个输入节点，每一输入节点表达待测细胞的某一形态学特征参数。该些形态学特征参数的提取方法及形态学特征参数分类状态说明如下：

1.特征提取方法

首先通过大量样本图片，由专家人工依据红细胞形态学特征对样本图片中的有形成分进行分类，依此建立分类语义模型，在此基础上建立分类数学模型，从而定义红细胞的各种形态学特征，一共有四大类特征，包括大小特征、形状特征、色度特征、纹理特征。

2.特征分类

本发明提取了多达一百多维目标特征，以下仅为代表性特征描述：

2.1大小特征，包括面积、周长、等效直径、长轴、短轴、平均半径等；

2.2形状特征：形状特征用于描述目标的形态，主要包括圆率、离心率、区域重心、曲率、区域弦分布形态描述子相关特征、边界拟合多边形形态描述子、傅里叶系数形态描绘特征矢量、基于凸包的形态描述相关特征、基于外接矩形的特征描述、基于不变距特征的形状特征描述和基于区域骨架提取的形状特征共26个特征。其中区域弦分布形态描述子、基于凸包的形态描述相关特征、基于外接矩形的特征描述、基于不变距特征的形状特征描述和基于区域骨架提取的形状特征等几类特征是本发明中提出的描述形态的新方法；

2.3色度特征：包括基于HSV目标区域颜色直方图、基于概率窗的区域目标主色特征提取、色彩距离；

2.4纹理特征，是基于小波变换域的多尺度纹理特征：其包括多尺度小波能量比例、多尺度小波标准差、综合共生矩阵的纹理特征、融合纹理谱的Zernike矩特征描述。

具体来说，如图2所示，本发明红细胞形态学分析方法的操作步骤为：

步骤1：用自动显微镜1的低倍物镜头先对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜1的高倍物镜头对已标记区域进行扫描；

步骤2：用摄像机或CCD元件2对已标记区域进行图像信息采集，图5、图11、图17即为采集到的红细胞图像；正常形态红细胞，细胞大小较为一致，胞体正常或偏大，血红蛋白丰富，无芽孢形成，细胞膜完整。各类参数统计曲线图基本上为正态分布，分布区域较集中。

步骤3：用图像数字转换器3对采集的图像先根据所含细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各细胞的形态学特征参数，用大小、形状、色度以及纹理四类特征来描述各细胞

步骤4：将步骤3取得的各细胞的大小、形状、色度及纹理四类形态学特征参数输入建立在神经网络基础上的分类器，由该分类器从各类细胞中分离出红细胞；下表为不同种类的某一个红细胞的部分特征参数举例表：

该建立在神经网络基础上的分类器包括一反馈过程，该反馈过程是对分类出来的可疑目标及识别错误目标进行细化、分类、补充特征参数，并建立相应的数学模型，对神经网络进行训练，神经网络自动学习并记忆该些细化、分类、补充的特征参数进入模型数据库，再返回基于神经网络的分类器进行细胞分类。

步骤5：将步骤4分离出的红细胞的形态学特征参数输入建立在模糊聚类基础上的特征融合器，由该特征融合器进行归一化处理，得到一维特征向量；

该特征融合器的具体操作实际就是将初始得到的每一类特征参数通过基于PCA加权的特征融合算法计算得出一个归一化的特征值。

下面具体说明介绍该PCA加权的特征融合算法：

1.图3为该PCA加权的特征融合算法原理图。首先，输入训练样本n维特征向量，该n维特征向量可以是大小、形状、纹理、色度特征向量。然后，通过PCA算法进行特征抽取，特征抽取分为K-L特征压维和主分量特征选择。在特征抽取后得到的主分量特征向量空间中分别选出大小特征、形状特征、纹理特征、色度特征。接着对这些特征子空间进行特征向量归一化，再联合各维向量的权重进行加权融合，各特征子空间通过加权融合后得到相应的一个特征量，再将其融为一维特征向量。

2.具体而言，基于PCA的特征选择算法原理为：

设输入原始特征空间F＝{f₁，f₂，…，f_n}，将其通过K-L正交变换得到对应特征值从大到小排列的正交特征向量空间{x₁，x₂，…，x_n}，各特征向量分别对应特征值(λ₁，λ₂，…，λ_n)。通过累加贡献率得到压维后的特征向量空间，累加贡献率如式(1)：

$e_m=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_j}---\left(1\right)$

若e_m＞e(e为贡献率阈值，0＜e≤1)则选择满足条件的最小m(m≤N)。取{x₁，x₂，…，x_n}前m压维后的特征向量作为特征向量空间V＝{x₁，x₂，…，x_m}。

PCA的目标就是通过该正交向量矩阵V来提取出原始特征空间F的m维主分量特征向量。其原理是将原始特征向量{f₁，f₂，…，f_n}沿着x_j方向投影时，PCA将使得到的f₁能量最大，这时f₁称为第一主分量；在与x₁正交的条件下，原始特征空间在x₂上的投影，使得f₂能量最大，这时称为第二主分量，以此类推可得到主分量特征空间Y＝{f₁，f₂，…，f_m}。

3.特征归一化

在主分量特征空间Y分别选出色度、纹理、形状、大小特征子空间Y_c、Y_t、Y_s、Y_e，子空间表达式如式(2)：

$\left\{\begin{array}{c}{Y}_c=\{f_{1c},f_{2c},...,f_{\mathrm{kc}}\}\\ Y_t=\{f_{1t},f_{2t},...,f_{\mathrm{lc}}\}\\ Y_s=\{f_{1s},f_{2s},...,f_{\mathrm{bs}}\}\\ Y_e=\{f_{1e},f_{2e}...,f_{\mathrm{qe}}\}\\ k+l+b+q=m\end{array}\right.---\left(2\right)$

分别对色度、纹理、形状、大小特征子空间内的各维特征向量归一化，归一化公式如式(3)：

$f_{\mathrm{pni}}=\frac{(f_{p\max }-f_{p\min })\×f_{\mathrm{pi}}}{f_{p\max }+f_{p\min }}---\left(3\right)$

其中f_pi为第p维特征向量中第i个特征值，f_pmax和f_pmin分别为第p维特征向量中最大和最小特征值。通过式(3)得到归一化后的特征子空间Y_cn、Y_tn、Y_sn、Y_en。

4.基于权函数的特征融合

由于归一化的特征子空间是在主分量特征空间中提取出来的，可知每一维特征向量的贡献能力有大小之分，因此所占权重也有所不同。可计算特征向量的均值和标准方差来描述特征向量的贡献能力，计算公式如式(4)：

$\left\{\begin{array}{c}{\mathrm{\μ}}_p=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{f}_{\mathrm{pni}}\\ {\mathrm{\σ}}_p=\sqrt{\frac{1}{m-1}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{(f_{\mathrm{pni}}-{\mathrm{\μ}}_p)}^2}\end{array}\right.---\left(4\right)$

式中μ_p和σ_p分别表示第p维向量的均值和标准方差。

可利用|μ_p|和σ_p定义下面的代价函数评估特征的鉴别能力，评估函数如式(5)：

J_p＝|μ_p|/σ_p                                                (5)

J_p越大表明该特征的鉴别能力越强，可用J_p来表示各向量的权重。则各个向量对应的权重向量为(J₁，J₂，…，J_d)，d为某一特征子空间的特征维数。可通过矩阵变换将特征子空间融合得到一维特征值。矩阵变换如式(6)：

$\left(\begin{array}{cccc}{f}_{1n1}& f_{2n1}& ...& f_{\mathrm{dn}1}\\ f_{1n2}& f_{2n2}& ...& f_{\mathrm{dn}2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ f_{1\mathrm{nm}}& f_{2\mathrm{nm}}& ...& f_{\mathrm{dnm}}\end{array}\right)\×{(J_1,J_2,...,J_d)}^T=\left(\begin{array}{c}{a}_1\\ a_2\\ .\\ .\\ .\\ a_m\end{array}\right)---\left(6\right)$

(a₁，a₂，…，a_m)^T中的元素a_i表示第i个训练样本对应与某一特征子空间降维后的特征值。该特征值都归一化到0～1之间，可分段表示各类型的特征。

通过该方法可得到融合后的归一化色度、纹理、形状、大小特征的一维特征向量空间(a_c，a_t，a_s，a_e)^T。

步骤6：将每个标本中所有红细胞的每一类归一化特征量经输出设备显示出来，即得出每一类归一化特征参数的统计学图表；

步骤6.1

分别得出样本大小、形状、色度、纹理四类特征参数统计学图表；根据作出的四类特征参数统计学分布图与正常的红细胞的大小分布进行比对，根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

样本大小、形状、色度、纹理四类特征参数统计学数据图表达方式不限定，可以是直方图、分布图、散射图、曲线图、直方图、面积图、饼图、散点图、环形图、雷达图、气泡图、圆柱图等。

步骤6.1.1使用融合后的归一化的大小特征向量，作出红细胞大小分布特征曲线，如图6.1-图6.9、图12及图18所示。横坐标为大小值，纵坐标为对应大小值出现的频数。

红细胞大小特征主要反映样本中红细胞的大小分布情况。红细胞大小分布特征曲线左移为小红细胞性改变，曲线右移为大红细胞性改变，曲线出现多个峰值即表明红细胞有大有小，存在不均一性。若峰值小，则细胞体积小；峰值大，细胞体积大。在出现多个峰值的情形下，则表示有明显大小不均混合的细胞，通过将多峰值与参考值比较可以得出细胞大小分布情况。频数的分布宽度的大小表明细胞大小的集中程度。根据样本红细胞大小分布与正常的红细胞的大小分布进行比对根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

如图6.1，为一个包含正常红细胞的尿液样本的大小特征参数的统计图，这里以曲线的方式显示。但特征参数统计曲线图可以以多种形式的统计图表达，如图6.2-图6.9所示，均为正常形态红细胞大小特征参数统计图。

为了更方便说明统计图，如图4所示，a表示统计图中的分布宽度。就大小特征统计曲线而言，当红细胞大小越相近，分布宽度a越小。红细胞大小越不均一，分布宽度a越大。设定分布宽度阀值L，当分布宽度a＞L的时候，可以判定该样本红细胞为大小不均红细胞，系统提示样本疑似大小不均红细胞。

b为统计图分布峰值对应的X轴数值，当b值变化时，在统计图用曲线表达的情况下，表现为曲线的左移或右移。设峰值最小阀值D1，最大阀值D2。当D1＜b＜D2时，红细胞大小在正常范围内。当b＜D1，曲线左移，系统提示样本疑似小红细胞；当b＞D2，曲线右移，系统提示样本疑似大红细胞。

图12、图18为红细胞大小特征统计图例图。图12表述芽孢形红细胞大小特征，在芽孢形红细胞外膜有小泡突出或细胞呈霉菌孢子样改变。图18表述大小不均红细胞大小特征。2个图的红细胞大小分布宽度a＞L，从图上看宽度比正常形红细胞分布宽度a大，表示红细胞大小分布不均。b＞D2，部分红细胞大小偏大。

步骤6.1.2使用融合后的归一化的形状特征向量，作出红细胞形状分布特征曲线，如图7、图13及图19所示。横坐标为形状特征值，纵坐标为对应特征值出现的频数。

红细胞形状分布特征指标主要反映畸形红细胞分布情况。使用代表形状的特征参数数据组合(如圆率、方框率、弦分布对称、凸孢、内切等)来分析。正常红细胞的形态是双凹圆盘状，畸形红细胞的形态是芽孢样、口型状等。根据红细胞形状特征参数的变化来判断样本中红细胞的来源或红细胞的类型。

如图7，为一个包含正常红细胞的尿液样本的形状特征参数的统计图，此处以曲线的方式显示。

就形状特征统计曲线而言，当红细胞形态越接近理想标准红细胞形态，分布越集中，分布宽度越小，峰值对应的频数值C越大(0＜C＜100％)。设形状特征统计曲线的峰值对应频数阀值为H，此处以H＝60％为例，当C＜H时，系统提示样本形态疑似较多偏离理想红细胞形态。

图13及图19为红细胞形状特征统计图例图。图13是芽孢形红细胞形状特征图，在芽孢形红细胞外膜有小泡突出或细胞呈霉菌孢子样改变。图19表述大小不均红细胞形状特征。两图的红细胞形状分布宽度与正常红细胞相比变化不大。而峰值对应频数值C均小于正常形态红细胞，C＜H。

步骤6.1.3使用融合后的归一化的色度特征向量，作出红细胞色度分布特征曲线，如图8、图14及图20所示。横坐标为色度值，纵坐标为对应色度值出现的频数。

红细胞色度分布特征主要反映红细胞血色素丢失情况。使用代表色度的特征参数数据组合(如色调、饱和度等)来分析。根据红细胞色度与正常的红细胞色度进行比对根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

红细胞失血色素后色度会变浅，此类情况红细胞色度分布特征频数直方图曲线会发生左移，峰值变小；红细胞在高渗尿液中易失水形成皱缩红细胞，色度会变深，此类情况色度频数直方图曲线会发生右移，峰值变大。这类情况不属于异常范围，需注意鉴别判断。

如图8，为一个含有正常红细胞的尿液样本的色度特征参数的统计图，此处以曲线的方式显示。就色度特征统计曲线而言，当红细胞色度越接近正常红细胞色度，分布越集中，峰值对应的频数值C越大(0＜C＜100％)。设色度特征统计曲线的峰值对应频数阀值为H，此处以H＝60％为例，当C＜H时，系统提示样本中红细胞色度较多偏离理想红细胞色度。就色度特征统计曲线而言，当红细胞色度分布越接近，分布宽度越小。

图4中的b为统计图分布峰值对应的X轴数值，当b值变化时，在统计图用曲线表达的情况下，表现为曲线的左移或右移，也就是红细胞色度的深浅变化。色度越深，b值越大；色度越浅，b值越小。设峰值对应X轴最小阀值S1，最大阀值S2。当S1＜b＜S2时，红细胞色度在正常范围内。当b＜S1，曲线左移，表示细胞色度偏低，当b＞S2，曲线右移，表示细胞色度偏高。

图14、图20为红细胞色度特征统计图例图。虚线表示正常红细胞色度，呈单一窄峰，说明细胞的色度非常均匀，没有细胞浆的丢失。红细胞的色度与血红蛋白含量有相关性。图14表述芽孢形红细胞色度特征。图20表述大小不均红细胞色度特征。两图的红细胞色度均值与正常形态红细胞相比均有变化。图14芽孢形红细胞色度均值显著降低，图20大小不均红细胞色度均值偏高。其峰值对应频数值C均明显小于正常形态红细胞，C＜H。图14芽孢形红细胞色度分布宽度变化不大，细胞分布均匀呈较窄单峰。图21大小不均红细胞分布宽度往色度值较大方向明显增大。

步骤6.1.4使用融合后的归一化的纹理特征向量，作出红细胞纹理分布特征曲线，如图9、图15及图21所示。横坐标为纹理值，纵坐标为对应纹理值出现的频数。

红细胞纹理分布特征使用代表红细胞中央区色梯(如中央苍白区扩大、中央苍白区消失、中央区色度增强等)及代表纹理的特征参数数据组合(如出现不规则纹理、皱缩等)来分析。根据红细胞纹理与正常的红细胞纹理进行比对根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

如图9，为一个包含正常红细胞的尿液样本的纹理特征参数的统计图，此处以曲线的方式显示。就纹理特征统计曲线而言，当红细胞的纹理越丰富，其纹理值越大。如图4所示，a表示统计图中的分布宽度。当样本中细胞的纹理变化差别越小，统计图的分布宽度a越小；细胞的纹理变化差别越大，统计图的分布宽度a越大。

图4中的b为统计图分布峰值对应的X轴数值，当b值变化时，在统计图用曲线表达的情况下，表现为曲线的左移或右移，也就是红细胞纹理的强度变化。纹理越强，其能量越大，b值越大；纹理越浅，b值越小。设峰值对应X轴最小阀值W1，最大阀值W2。当W1＜b＜W2时，红细胞纹理在正常范围内。当b＜W1，表示样本纹理细弱，曲线左移；当b＞W2，表示样本纹理较粗，曲线右移。

图15表述芽孢形红细胞纹理特征。图21表述大小不均红细胞纹理特征。两图的红细胞纹理均值与正常形态红细胞相比均有变化。

步骤6.2将二种以上类别的归一化特征向量组合，用统计学方法综合分析，得到多参数分析图表；

以红细胞大小和色度这两种归一化特征向量组合进行综合分析为例，如图10、图16、图22及图23所示。横坐标为红细胞大小值，纵坐标为对应红细胞色度值，作出散点图。

图10为正常形态红细胞的大小和色度综合分析图中，正常形态红细胞集中分布在75＜X＜125并且20＜Y＜40之间。

图16为芽孢形态红细胞的大小和色度综合分析图中，红细胞色度明显偏低，而且红细胞大小范围扩大，主要分布在80＜X＜160之间。在图22大小不均形红细胞综合分析图中，红细胞的色度和大小分布范围更大，5＜X＜30且40＜Y＜150。

利用本装置进行红细胞分析方法所表达的相同的结果，在不同的样本中具有不同的临床意义，如样本中出现小体积低色素红细胞时，本装置分析出的结果是单个红细胞体积小、色度低，总红细胞形态特征参数以表示大小的参数组合为横坐标，表示色度的特征参数数据为纵坐标的形态学分析图形表达为红细胞分布宽度增加往左偏移，红细胞分布区域向下移，表达为向左分散向下沉的红细胞形态分布图，此类图形在血液样本中出现提示贫血，如果在尿液样本中出现并占一定比例则意味着来源于肾性红细胞。

如图23所示，当血液样本中P％(50≤P≤100)的红细胞分布在X＜75并且Y＜20区间，系统提示样本疑似贫血；当尿液样本中P％(50≤P≤100)的红细胞分布在X＜75并且Y＜20区间，系统提示样本疑似肾病。

步骤7根据样本中各类型红细胞占总红细胞数的比例经统计学处理，以图形或数据方式表达，对样本中红细胞进行分析鉴定。

如图24所示，通过对样本中细胞进行识别后分类计数，得出样本中各种细胞占其中总红细胞数的比例。在通过图形或数据的表达情形下，方便操作者以此数据为依据，对样本情形作出判断。此处以统计学饼图的方式表达为例。

步骤7根据样本中各类型红细胞的一个归一化的一维形态学特征向量，通过给出一个特征量阀值，计算高于或者低于阀值的红细胞占样本总红细胞同类形态学特征参数数据组合的比例，经统计学处理后以图形或数据方式表达。

图25为一样本色度特征参数统计图。图中，使用融合后的归一化的色度一维特征向量，设色度给定阀值为H来判断低色素红细胞，样本中细胞色度低于阀值H的比例为40％。也就是说，该样本中低色素红细胞占样本中总红细胞数的40％。图26为图25的一个变化表达形式。

上述图形或数据方式表达在输出装置上显示，供相关人员参考。该输出装置可以是本发明红细胞形态学分析装置上的显示窗口，也可以是与装置相连接的显示器，及与网络连接用于远程会诊的显示器，或者是以打印的方式表达出来，以便于医生分析。

该统计图可以以多图排列的方式表达，如图27所示。也可以转换为单图方式显示。

另外，本发明涉及样本可以是尿液样本、血液样本。这里需要特别指出的是，血液样本不做涂片处理，而是以一定的倍数进行稀释后进行分析，这样就不会因为涂片而破坏样本中的部分细胞。本发明要求样本新鲜，最好是取得样本2小时内进行检查，样本无须染色，但不限于不染色，这样在检验中不需用到昂贵的试剂，因而经济节约，无污染，有利于环保。

Claims (14)

1.一种红细胞形态学分析装置，其特征在于包括：

a.一自动显微镜，该自动显微镜的低倍物镜头对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜的高倍物镜头对已标记区域进行扫描；

b.一摄像机或CCD元件，该摄像机或CCD元件对已标记区域进行图像信息采集；

c.一用以对上述图像进行分析处理的图像数字转换器，该图像数字转换器先将采集的图像根据所含的细胞进行分割定位，再对分割后的图像进行数字化处理，提取各细胞的大小、形状、色度及纹理四类形态学特征参数；

d.一建立在神经网络基础上的分类器，用于根据上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征参数对细胞进行分类，以从各类细胞中分离出红细胞；

e.一建立在模糊聚类基础上的特征融合器，该特征融合器用于将上述步骤分离出的红细胞的大小、形状、色度及纹理四类多维形态学特征参数进行归一化降维处理得到大小、形状、色度及纹理4个特征值，再根据标本中所有红细胞的大小、形状、色度、纹理特征分别进行统计计算和统计图形表达，为分析样本中红细胞类别及来源提供真实客观依据；

f.一输出设备，用于直观显示检测结果；

g.一控制单元，该控制单元分别连接上述自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备，以控制该自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备动作。

2.根据权利要求1所述的红细胞形态学分析装置，其特征在于，该输出设备表达出各种类型红细胞所特有的代表红细胞中央区色梯、纹理的特征参数数据组合，该样本中红细胞的分析鉴定方法是根据红细胞中央区的特征改变来判断样本中红细胞的来源或红细胞的类型。

3.根据权利要求1所述的红细胞形态学分析装置，其特征在于，该样本中红细胞形态学分析方法是参照临床确认的代表不同意义的各种类型红细胞具有不同的形态学特征参数数据，据此进行识别分类计数，再根据样本中各类型红细胞某一形态学特征参数数据组合占总红细胞的同类形态学特征参数数据组合的比例经统计学处理后以图形或数据方式表达。

4.根据权利要求1所述的红细胞形态学分析装置，其特征在于，该样本中红细胞形态学分析方法是将样本中各类型红细胞的两种以上的红细胞形态学特征参数组合用统计学方法综合分析，得到样本中各类型红细胞多参数分析结果，根据其改变判断红细胞形态学变化，通过图形和数据直观的表达出样本中红细胞形态学变化类型。

5.根据权利要求1所述的红细胞形态学分析装置，其特征在于，利用本装置进行红细胞分析所表达的相同的结果，在不同的样本中具有不同的临床意义，如样本中出现小体积低色素红细胞时，本装置分析出的结果是单个红细胞体积小、色度低，总红细胞形态特征参数以表示大小的参数组合为横坐标，表示色度的特征参数数据为纵坐标的形态学分析图形表达为红细胞分布宽度增加往左偏移，红细胞分布区域向下移，表达为向左分散向下沉的红细胞形态分布图，此类图形在血液样本中出现提示一种类型贫血，如果在尿液样本中出现并占一定比例则意味着来源于肾性红细胞；如样本中出现大体积高色素红细胞时，本装置分析出的结果是单个红细胞体积大、色度高，总红细胞形态特征参数以表示大小的参数组合为横坐标，表示色度的特征参数数据为纵坐标的形态学分析图形表达为红细胞分布宽度增加往右偏移，红细胞分布区域向上移，表达为向右分散向上升的红细胞形态分布图，此类图形在血液样本中出现提示另一种类型贫血，如果在尿液样本中出现并占一定比例则意味着来源于非肾性红细胞。

6.一种红细胞形态学分析方法，其特征在于，包括下列步骤：

步骤1：用自动显微镜的低倍物镜头对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜的高倍物镜头对已标记区域样本进行扫描；

步骤2：用摄像机或CCD元件对已标记区域样本进行图像信息采集；

步骤3：用图像数字转换器对采集的图像先根据所含的细胞进行分割定位，再对分割后的图像进行数字化处理，提取各细胞的形态学特征参数，用大小、形状、色度以及纹理四类特征来描述各细胞；

步骤4：将上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征参数输入建立在神经网络基础上的分类器，由该分类器从各类细胞中分离出红细胞；

步骤5：将步骤4分离出来的红细胞的大小、形状、色度以及纹理四类形态学特征参数输入建立在模糊聚类基础上的特征融合器，由该特征融合器将每一类多维形态学特征参数进行归一化处理，得到一维特征向量；

步骤6：将每个标本中所有红细胞的每一类归一化特征量经输出设备显示出来，即得出每一类归一化特征参数的统计学图表。

7.根据权利要求6所述的红细胞形态学分析方法，其特征在于，还包括步骤7：根据样本中各类型红细胞占总红细胞数的比例经统计学处理，以图形或数据方式表达，对样本中红细胞进行分析鉴定。

8.根据权利要求6所述的红细胞形态学分析方法，其特征在于，还包括步骤8：对每一类经过归一化的形态学特征向量，通过给出一个特征量阀值，计算高于或者低于阀值的红细胞占样本总红细胞同类形态学特征参数数据组合的比例，经统计学处理后以图形或数据方式表达，以提供对样本中红细胞进行分析鉴定的客观依据。

9.根据权利要求6所述的红细胞形态学分析方法，其特征在于，该建立在神经网络基础上的分类器包括一反馈过程，该反馈过程是对分类出来的可疑目标及识别错误目标进行细化、分类、补充特征参数，并建立相应的数学模型，对神经网络进行训练，神经网络自动学习并记忆该些细化、分类、补充的特征参数进入模型数据库，再返回基于神经网络的分类器进行细胞分类。

10.根据权利要求6记载的红细胞形态学分析方法，其特征在于，步骤6中得出的归一化的大小特征向量表达出各种类型红细胞所特有的代表大小的特征参数数据组合，样本中红细胞分析鉴定方法，可根据红细胞大小分布与正常的红细胞的大小分布进行比对，根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

11.根据权利要求6记载的红细胞形态学分析方法，其特征在于，步骤6中得出的归一化的形状特征向量表达出各种类型红细胞所特有的代表形状的特征参数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞形状特征参数的变化来判断样本中红细胞的来源或红细胞的类型。

12.根据权利要求6记载的红细胞形态学分析方法，其特征在于，步骤6中得出的归一化的色度特征向量表达出各种类型红细胞所特有的代表色度的特征参数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞色度与正常的红细胞色度进行比对根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。

13.根据权利要求6记载的红细胞形态学分析方法，其特征在于，步骤6中得出的归一化的纹理特征向量表达出各种类型红细胞所特有的代表纹理的特征参数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞纹理特征参数的变化来判断样本中红细胞的来源或红细胞的类型。

14.根据权利要求10～13记载的红细胞形态学分析方法，其特征在于，对样本中红细胞的分析鉴定，单独采用其中任意一条来分析，或综合采用其中的多条来分析。

Images