CN103608840B - 压缩全血样品分析的成像数据的方法及装置 - Google Patents

压缩全血样品分析的成像数据的方法及装置 Download PDF

Info

Publication number
CN103608840B
CN103608840B CN201280029177.3A CN201280029177A CN103608840B CN 103608840 B CN103608840 B CN 103608840B CN 201280029177 A CN201280029177 A CN 201280029177A CN 103608840 B CN103608840 B CN 103608840B
Authority
CN
China
Prior art keywords
sample
sample image
white blood
image
blood corpuscle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201280029177.3A
Other languages
English (en)
Other versions
CN103608840A (zh
Inventor
谢敏
王志洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Abbott Point of Care Inc
Original Assignee
Abbott Point of Care Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Abbott Point of Care Inc filed Critical Abbott Point of Care Inc
Publication of CN103608840A publication Critical patent/CN103608840A/zh
Application granted granted Critical
Publication of CN103608840B publication Critical patent/CN103608840B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10064—Fluorescence image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/167—Position within a video image, e.g. region of interest [ROI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

提供一种分析全血样品中白血细胞（WBC）的方法和装置，所述样品静置于腔室内。该腔室由至少一个透明板所限定，所述全血样品含有至少一种着色剂，该着色剂可用于区别地识别出所述样品中至少一种WBC类型与另一WBC类型。该方法包括以下步骤：a）生成静置于所述腔室内样品的至少一个图像；b）识别所述样品图像部分，每一部分具有单一WBC；c）使用第一压缩算法压缩所述样品图像部分；和d）使用第二压缩算法压缩样品图像的未包括在这些部分中的剩余部、或者丢弃剩余部。

Description

压缩全血样品分析的成像数据的方法及装置
申请人特此要求对2011年4月14日提交的美国专利申请号为13/087,037的专利的优先权，其公开的内容通过引用方式并入本文。
技术领域
本发明总体涉及通过显微图像对全血样品进行分析的方法和装置，尤其涉及用于压缩全血样品成像数据的方法和装置。
背景技术
医学诊断通常包括对患者全血样品的分析。更常见的一种诊断方法是全血细胞计数（称为“CBC”），全血细胞计数为一系列测试，除了列举细胞组分外，其还包括红血细胞测量、网状红细胞计数、和白细胞分类计数（“LDC”，有时也被称为“白血细胞分类”），白细胞分类计数指辨别和计数血液样品中的白血细胞（WBC）类型。
从历史上看，已经使用用于计数的方法中的不同方法执行CBC的分类。例如，在过去曾将少量未稀释血液涂抹在载玻片上，将干燥、定型的涂片染色，并在显微镜下检查该涂片，从而确定全血计数中的白细胞分类计数部分。可以从这种涂片获得合理的结果，但数据的准确性和可靠性在很大程度上取决于技术人员的经验和技术。血液涂片因下述原因存在多种问题，例如：必须杀死血细胞并定型，该过程阻碍了多种超活体染色以及结果依赖于活细胞的分析，并且血液涂片分析属于劳动密集型工作，成本高而且耗时。至少由于这些原因之一，使得血液涂片通常不为商业应用所偏爱。
对全血样品的自动分析已取得某些成功，但通常存在严重的缺陷。例如，电阻抗式或光学流式细胞术仪器可用于执行LDC。流式细胞术包括使稀释的血液样品通过小的容器，在该容器中当血细胞连续通过该容器时，电阻抗式传感器或光学传感器可评估组成细胞。这些仪器通常需要流体处理设备并且需要稀释样品。
大尺寸图像文件会妨碍使用彩色图像分析生物流体试样。大图像文件会占用存储空间、妨碍远距离传输和/或减缓处理过程。
需要一种用于执行全血样品的自动分析（包括白细胞分类计数）并有助于处理并存储大图像文件的装置和方法。
发明内容
根据本发明的一方面，提供了一种用于分析静置在腔室中的全血样品的白血细胞（WBC）的方法。该腔室由至少一透明板所限定，所述全血样品含有至少一种着色剂，其可用于区别地识别所述样品中至少一种WBC类型与另一WBC类型。该方法包括以下步骤：a）生成静置于所述腔室内样品的至少一个图像；b）识别样品图像部分，其中每部分表示单一WBC；c）使用第一压缩算法压缩所述样品图像部分；和d）使用第二压缩算法压缩样品图像的未包括在所述部分中的剩余部，或者丢弃剩余部。
根据本发明的另一方面，提供了一种用于对静置在腔室中的全血样品内的WBC成像的方法。该腔室被至少一透明板确定。该方法包括以下步骤：a）生成静置于所述腔室内样品的至少一个图像；b）识别样品图像部分以及每一部分在样品图像中的位置，其中每部分表示单一WBC；c）使用第一压缩算法压缩所述样品图像部分；和d）使用第二压缩算法压缩样品图像的未包括在所述部分中的剩余部，或者丢弃剩余部；并且e）解压缩所述样品图像部分并全部显示这些部分，其中每一部分基于其在样品图像中的位置而相对定位。
根据本发明的另一方面，提供了一种用于分析静置在腔室中的全血样品的的装置。该装置包括物镜、样品照明器、析像管和可程控分析仪。样品照明器可提供荧光激发光和一种至多种透射光。析像管用于接收从样品发出的荧光和/或通过样品的透射光，并生成代表这些光的信号。可程控分析仪用于接收代表这些光的信号并生成静置于所述腔室内样品的至少一个图像。该分析仪进一步用于定量分析样品图像并识别该样品图像的部分，在该图像中每部分表示单一WBC。该分析仪进一步用于采用第一压缩算法选择性地压缩所述样品图像部分，以及使用第二压缩算法压缩样品图像的未包括在这些部分中的剩余部、或者丢弃剩余部。
根据下面提供的本发明的详细描述和附图的图示说明，本发明的这些以及其他目的、特征和优点将变得显而易见。
附图说明
参考以下附图可更加清晰地阐明本发明的原理，其中：
图1为腔室的剖面示意图。
图2为生物流体样品盒的俯视图，其类型为可包括如图1所示的腔室的类型。
图3为可用于分析腔室中样品的分析装置的示意图。
图4A-图4D为淋巴细胞（4A）、嗜中性粒细胞（4B）、嗜酸性粒细胞（4C）和单核细胞（4D）的合成图像。
图5A-图5D为淋巴细胞（5A）、嗜中性粒细胞（5B）、嗜酸性粒细胞（5C）和单核细胞（5D）的发红色荧光的图像。
图6A-图6D为淋巴细胞（6A）、嗜中性粒细胞（6B）、嗜酸性粒细胞（6C）和单核细胞（6D）的发绿色荧光的图像。
图7A-图7D为对于淋巴细胞（7A）、嗜中性粒细胞（7B）、嗜酸性粒细胞（7C）和单核细胞（7D）的在蓝光波长下具有红色曲线标记的细胞边界的光密度的图像。
图8A-图8D为细胞图像，其中对于淋巴细胞（8A）、嗜中性粒细胞（8B）、嗜酸性粒细胞（8C）和单核细胞（8D），表现出超过预定强度的红色荧光和绿色荧光的连续像素被遮蔽。
图9A-图9D为细胞图像，其中对于淋巴细胞（9A）、嗜中性粒细胞（9B）、嗜酸性粒细胞（9C）和单核细胞（9D），表现出超过预定强度的绿色荧光的连续像素被遮蔽。
图10A-图10D为对于淋巴细胞（10A）、嗜中性粒细胞（10B）、嗜酸性粒细胞（10C）和单核细胞（10D），包括一组或多组表现出绿色荧光通道内局部最大强度的连续像素的图像。
图11A-图11D是细胞的图像，其中对于淋巴细胞（11A）、嗜中性粒细胞（11B）、嗜酸性粒细胞（11C）和单核细胞（11D），具有超过预定阀值的蓝色光密度（OD）值的连续像素被遮蔽。
图12为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的样品图像的训练集（training set）采集的的经验数据（以概率密度函数，即pdf的形式）相对于叶数目的曲线图。术语“概率密度函数”用于描述某特征具有某一特定值的可能性。对于具有离散值的特征，如叶数，其概率密度函数与该特征具有某一特定值的频率一致。例如，图12显示出在总体内约83%的淋巴细胞有一个叶，约15%的淋巴细胞有两个叶。需注意的是，该叶数是从样品图像计算得出，由于图像缺陷和图像分析算法的限制，该值可能与实际生物成分不一致。对于图像计算的所有特征值与其对应的生物值大致相同，并且一定程度的不准确性是内在的。然而，在本发明中，在分析（例如LDC）期间通过利用多种特征，可大大减少这些内在的不准确性，从而导致高准确性的分析。
图13为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数，即pdf的形式）相对于上述各种WBC的确定的细胞面积的曲线图。
图14为描述细胞内的高蓝OD区域的图像。
图15为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的大颗粒比率的曲线图。
图16为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的核比率的曲线图。
图17为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的红-绿比的曲线图。
图18为描述与被遮蔽的细胞的核相关的像素的图像，其中一圆圈被用于该图像以估计被遮蔽的区域。
图19为图18所示图像的另一版本，只突出显示在被遮蔽的区域边界（即细胞核边界）上的那些像素，包括形心和在该形心和有关边界像素间伸出的一些示意性的定位线段。
图20为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的核形状的曲线图。
图21为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的细胞形状的曲线图。
图22为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的在413纳米处的平均细胞吸收的曲线图。
图23为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的核纹理的曲线图。
图24A和图24B为示出对于红色荧光图像和绿色荧光图像，位于细胞内部的一组像素的强度和位于细胞外部的一组像素的强度之间的差异的图像。图24B包含与图24A中的那些图像相似的图像，包括环绕线以有利于识别细胞的外部和细胞的内部。
图25为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的核凹陷度的曲线图。
图26为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的细胞质纹理的曲线图。
图27为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数，即pdf的形式）相对于上述各种WBC的细胞质凹陷度的曲线图。
图28为描述分别从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞的训练集采集的经验数据（以概率密度函数形式）相对于上述各种WBC的在413纳米处的细胞吸收纹理的曲线图。
图29是WBC类型以及与特定WBC类型相关的特征的表。
图30所示为加入一种或多种着色剂的全血样品图像，包含WBC和红细胞（RBC）。
图31为在图30所示的全血样品图像，其中，以方框标出WBC。
图32为在图30所示的全血样品图像，其中，以方框标出WBC，并已去掉图像中方框外的其他部分。
图33为在图30所示的全血样品图像，其中，已去掉以方框标出的白细胞，而示出了图像中方框外的其他部分。
图34为以集合（collective）视图示出的表示WBC的样品图像部分的集合视图。
具体实施方式
本发明的方法和装置旨在生成生物流体样品的图像并加以处理，以生成一或多个图像分析数据文件。处理过程采用一种或多种压缩算法，其可用于将图像分析数据文件压缩为较小的文件，同时保持可接受的较低水平的信息丢失。通常对静置于分析腔中的生物流体样品的图像加以分析，从而产生图像分析数据。分析包括识别和定位样品中的特定组分。
示例性的分析涉及对全血样品进行白细胞分类计数（“LDC”）。如上所述，LDC为识别和计数不同类型的WBC的分析。该结果可根据已识别出的WBC类型（例如：全血样品中的单核细胞、嗜酸性粒细胞、嗜中性粒细胞和淋巴细胞）所占的相对百分比表示。2010年8月6日递交的美国专利申请第61/371,020号的专利详细描述了对全血样品实施LDC的方法，该申请在此通过引用全部纳入文中。为了便于阐述用于处理图像分析数据文件的本发明的方法和装置，将根据通过对全血样品实施LDC而产生的图像分析数据阐述本发明的方法和装置。但本发明的方法和装置并不仅限于对该特定类型的分析应用，也可用于其他分析。
现在参考图1-图3，本发明的方法和装置包括提供自动分析装置62（在图3中示意性显示），该装置用于对静置于腔室50（见图1）中的样品进行成像、分析和处理。腔室50由第一平面构件52和第二平面构件54构成，平面构件52、54中至少一个是透明的。在一些实施方式中，腔室50包括设置在第一平面构件52和第二平面构件54之间的至少三个分隔器56。美国专利申请公开号为2007/0243117和美国临时专利申请号为61/287,955的专利中描述了可接受的腔室的例子，每个申请在此通过引用全部并入文中。图1示意性示出了可被设置在如图2所示的样品采集和分析盒60内的腔室50。
分析装置62（在图3中示意性显示）包含成像硬件和处理器（例如：可程控分析仪），用于捕获、分析和处理样品图像。分析装置62通常包括物镜64、腔室定位装置（例如：机动台）66、样品照明器68、析像管70和可程控分析仪72。物镜64以及腔室定位装置66之一或二者可朝向彼此移动和彼此远离，以改变分析装置62相对于腔室50和其中所置样品的相对焦点位置。
样品照明器68以预设波长的光照亮样品。例如，样品照明器可包括落射荧光源68A和透射光源68B。正如下面将阐述的一样，诸如吖啶橙（也称为“碱性橙15”）和碱性橙（也称为碱性橙21）之类的着色剂，当与全血样品混合并受到落射荧光源（该光源通常产生波长在450-490纳米的光）发出的激发波长，将发出特定波长的光。约470纳米的激发波长特别有用。透射光源用于产生波长与红色、绿色和蓝色光中一种或多种有关的光。通常产生红光的波长范围在约600-700纳米，波长约660纳米的红光最佳。通常产生绿光的波长范围在约515-570纳米，波长约540纳米的绿光最佳。正如下面将讨论的一样，通常产生蓝光的波长范围在约405-425纳米，波长约413纳米的蓝光最佳。穿透样品的光线或样品发出的荧光被析像管捕获，并且表征该捕获光线的信号被发送到可程控分析仪处理成图像。以这样的方式生成图像：允许在每单位基础上确定图像内所捕获的透光率或荧光强度；例如“每单位基础”为增加的单位，其中样品图像可被分割（例如像素）。为了便于清晰说明，本文所述的LDC算法以“每单位基础”描述。但每单位基础不仅限于像素。
可接受的析像管70的例子是电荷耦合器件（CCD）型图像传感器，其将穿过（或来自）样品的光转换为电子数据格式的图像。互补金属氧化物半导体（“CMOS”）型图像传感器是另一种可用的图像传感器的例子。来自析像管70的信号为图像的每一像素提供信息，这些信息包括或可被推导出包括：强度、波长和光密度。为强度值赋予例如0单位至4095单位（“IVU”）中的任意数值范围。光密度（“OD”）为相对于穿过基质传输的光量，所吸收的光量的度量；例如，“OD”值越高，则在透射期间所吸收的光量越大。可用光密度单位（“OD”）或其分数定量描述OD；例如：毫OD是OD的千分之一。一个“OD”单位降低90%的光强度。作为定量值的“OD”或“毫OD”可用于通过透射光所获得的图像或通过透射光所衍生的图像，例如在图7A至图7D中所示出的透射蓝光。来自析像管70的信息被分为多个通道。下文将来自析像管70的信息描述为三个通道，该数目对于确定四部分LDC提供了特定的作用。但本发明并不仅限于三通道的实施方式。三个通道中的第一通道用于提供与样品发出的第一波长（例如，540nm，呈现绿色）的光有关的信息。第二通道用于提供与样品发出的第二波长（例如，660nm，呈现红色）的光有关的信息。第三通道用于提供与穿过样品的第三波长（例如，413nm，该波长用于确定蓝光密度—“OD”）的光有关的信息。当对全血样品实施LDC时，这些波长和通道数量有特定作用。本发明并不仅限于这些特定的波长或通道数量。可采用额外的通道以收集处于不同波长和/或透射值的信息。反过来，该信息可用于评估样品内的附加组分和/或增加分析的精确度。例如，在期望进一步区别样品内的嗜碱性粒细胞的应用中，可添加第四通道和第五通道。第四通道可用于提供与穿过样品的第四波长（例如540nm）的光有关的信息，其用于确定绿色OD；而第五通道可用于提供与穿过样品的第五波长（例如660nm）的光有关的信息，该波长用于确定红色OD。反过来，这些OD值可用于识别嗜碱性粒细胞。
可程控分析仪72包括中央处理器（CPU）并且可与腔室定位装置66、样品照明器68、析像管70和显示器74通讯。可程控分析仪72适于（例如：被程控）发送和/或接收来自腔室定位装置66、样品照明器68、析像管70和显示器74中的一个或多个的信号。例如，该可程控分析仪72适于：1）发送和接收来自腔室定位装置的信号以相对于光学器件、照明器和析像管中的一个或多个而定位腔室50；2）将信号发送给样品照明器以产生规定波长（或可替选地多个波长）的光；和3）发送和接收来自析像管的信号以捕获规定的时间段的光。可程控分析仪72还适于与显示器74通讯，以允许查看样品图像。应注意，可程控分析仪72的功能可通过硬件、软件、固件或它们的混合方式实现。无需过多实验，本领域技术人员将能够程序控制处理单元以执行本文所描述的功能。
可在分析装置62中包含显示器74（例如：液晶显示屏）和/或将外部显示器连接到分析装置62，以便用户查看样品图像。
如上所述，可程控分析仪72将来自析像管70的信号处理为静置样品的图像，该图像由相当多的像素共同表示。每一像素提供的信息包括或可推导包括：捕获光的强度、波长和光密度。该样品图像可作为单个图像被查看和/或处理，或以图像的被称为“帧”的部分而分段查看和/或处理。可将以帧表示的图像部分组合在一起以生成单个图像。可程控分析仪72还适于根据一个或多个分析算法处理自析像管70接收的信号，分析算法包括本文描述的LDC算法，从而提供与该图像相关的分析数据。
为了执行LDC，算法利用了一组识别特征，每一识别特征可区别于其他特征，且每一识别特征是可根据样品的图像定量确定的。每一WBC的特征可在于存在或不存在某些识别特征，和/或与某些特征相关联的定量信息。在文中依据一组示例性的识别特征描述该算法，该识别特征可用于选择性识别和区别WBC。该算法不限于该特定的组的特征。
对于WBC分析，一组示例性的识别特征包括那些已命名的特征：细胞、核、叶数目、细胞面积、核面积、大颗粒比率、核比率、红-绿比、核形状、细胞形状、核亮度、细胞质亮度、特定波长下平均细胞吸收、核纹理、细胞质纹理、特定波长下细胞吸收纹理、核凹陷度和细胞质凹陷度；下文对每一特征进行描述。
在一些例子中，某些特征直接提供了关于特定细胞的信息（例如，核形状）。在另一些例子中，可使用特征（例如，细胞面积）来间接提供关于特定细胞的信息（例如核面积与细胞面积的比率-上文称作“核比率”，等）。
识别特征基于以下的特征，例如光强度、光颜色、OD、面积和相对像素位置（例如像素簇的形状）。通过一种或多种着色剂与样品混合而形成颜色，当在与特殊颜色相关联的特定波长下受到激发时，着色剂发射荧光。当对全血样品执行LDC时，可使用的可接受的着色剂的一个示例为吖啶橙（“ACO”）。ACO为荧光染料，当其与全血样品混合时，选择性地对样品内的组分（例如，白血细胞、血小板、网状细胞、和有核的红血细胞）染色。关于WBC，ACO穿过各个WBC传输且对其DNA和RNA进行染色。在WBC内染料发出的颜色随着许多因素而变化，包括：染料内的RNA和DNA的量、组分中染料的浓度、以及组分的pH值。本发明不限于使用ACO；可使用其它染料（例如碱性橙）代替ACO，或者结合ACO使用其它染料。以ACO和白血细胞作为示例，如果样品经受在470nm波长或大约470nm波长的激发光照射，则与白血细胞核内的物质（例如DNA）结合的ACO将发射大约540nm的光（呈现绿色），而与白血细胞的细胞质内的物质（例如RNA）结合的ACO将发射大约660nm的光（呈现红色）。
如上所述，样品内的OD值通过细胞内自然存在的物质（例如血红蛋白）而随着在预定波长处的光的吸收率而变化，和/或可通过样品内的组分而随着所吸收（或未吸收的）的着色剂而变化。。
如下将阐述的一样，像素组的特征可为识别某些类型的白血细胞提供有用的信息。使用各种不同的技术可进行在一个或多个限定的波长下特定组的像素的识别。例如，可使用分割技术产生被遮蔽的图像，该图像只描绘图像中符合定义标准（例如：强度和颜色）的像素。本发明并不仅限于任何特定分割技术，鉴于即将进行的应用选用具体的技术。本发明也不仅限于使用分割技术，可使用选择（即“拾取”）像素或者区别具有特定属性的像素的其它技术。
下文中每一识别特征的描述将提供清晰的示例：诸如与波长和强度相关的定量数据如何能够为将一种WBC与另一种WBC区分提供依据。
术语“细胞”指这样的识别特征：包括图像内的一组基本上连续的像素，该连续的像素相对于整个图像的强度表现出在高强度（即，在预定的IVU阈值处或大于预定的IVU阈值）下发射绿光和/或发射红光。因此，定量值限定了在预定的强度下或高于预定的强度下具有预定的颜色（例如红色和绿色）的那些像素。例如，图4A至图4D示出呈现绿光和红光的样本图像内包含WBC的区域。图8A至图8D示出处于阈值强度或高于阈值强度的区域，即在界定细胞的上述图像内的一组基本连续的像素。
术语“核”指这样的识别特征：包括图像内的一组连续的像素，其相对于整个图像的强度表现出在高强度下发射绿光。如上所述，分割技术可用于生成遮蔽的图像，该图像仅描述该图像内在预定的强度阈值下或高于预定的强度阈值下满足发射绿光的标准的那些像素。因此，描述在IVU阈值下或高于IVU阈值下发射绿光的图像内的每组连续的像素的特征为“核”特征。如上文所示，图9A至图9D显示了示出核特征的遮蔽的图像。
术语“叶”指这样的识别特征：包括图像内的在绿色荧光通道（例如540nm）中为局部最大强度的一组连续的像素。术语“局部最大强度”指具有基本上相同的强度值的一组像素，该值显著地高于周围的像素。图10A示出具有单个叶75的WBC，其可由显示出局部最大发射强度的单一组的像素识别。图10C和图10D示出具有一对叶75的WBC。图10B示出具有三个叶75的WBC。图12用曲线图表示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关联的叶数目的差异。例如，与嗜中性粒细胞相关联的叶75的数目使该叶数目作为可用于区别嗜中性粒细胞的识别特征。
“细胞面积”是这样的识别特征：其指图像内的确定为特定细胞的面积。由于每一像素代表图像的已知面积，因此给定细胞或其他组分或成分的面积可通过像素的数目来确定。图13示意性地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的细胞面积的差异。例如，与淋巴细胞相关联的细胞面积使细胞面积作为可用于区别淋巴细胞的识别特征。
“核面积”是这样的识别特征：其指图像内的被认为特定核的面积。
“大颗粒比率”是这样的识别特征：其为细胞内的高蓝OD面积的总和与细胞面积的比率。术语“高蓝OD面积”-也称为“大颗粒”指图像内的一组连续的像素，该像素的蓝色OD值高于预定的阈值。使约413nm波长的蓝光穿过样品而产生蓝色OD值。用于确定蓝色OD值的传输蓝光可在约405nm至425nm的范围内。因为血红蛋白（HGB）在波长为413nm或大约413nm时具有峰值吸收率，因此传输约413nm的蓝光是有利的。每个大颗粒表现为在OD图像内的一组明亮像素，并且每个大颗粒通过OD图像内的分割技术被检测，从而遮蔽了全部像素，除了那些具有高于预定阈值（例如>300毫OD）的OD的像素外。图14示出细胞内的高蓝OD区域的示例（即嗜酸性粒细胞内的大颗粒）。图11A至图11D还示出在不同类型WBC中具有高蓝OD的像素。至今为止，本研究指出相对于LDC内的所考虑的细胞，在细胞内只有嗜酸性粒细胞具有大量的高强度蓝色OD区域。图15图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关联的大颗粒比率的差异。如可在图15中看到，识别特征的大颗粒比率易于将嗜酸性粒细胞与LDC内的其他组分区别。
“核比率”是这样的识别特征：如上文限定，“核比率”为核面积与细胞面积的比率。图16图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的核比率的差异。例如，与淋巴细胞相关联的核比率使核比率作为可用于区别淋巴细胞的识别特征。
“红-绿比”是这样的识别特征：在已识别的细胞内表现出红色荧光的那些像素（或区域）的平均强度值与在已识别的细胞内表现出绿色荧光的那些像素（或区域）的平均强度值的比率。图5A和图6A（或图5B和图6B、或图5C和图6C、或图5D和图6D）示出特殊类型的细胞的组合的红色荧光和绿色荧光。图5A（或图5B、图5C或图5D）示出的图像是仅仅描述来自红色荧光的成分的部分图像，而图6A（或图6B、图6C或图6D）示出的图像是仅仅描述来自绿色荧光的成分的相同细胞的部分图像。红-绿比是各个颜色的平均强度值的比率。图17图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的红-绿比的差异。例如，与淋巴细胞相关的红-绿比使红-绿比作为可用于区别淋巴细胞的识别特征。
“核形状”是描述核圆度的识别特征。可使用多种几何学方法来确定样本图像内的核的圆度，其中，在图像内该核表现为二维体。例如，对于单一细胞，可使用分割技术来识别与细胞核相关的那些像素（即，那些显示绿色的像素）。一旦核像素被识别，则位于核边界的像素被识别。核的形心（即，被核所覆盖的区域的形心）可通过平均所有的边界像素的位置而被确定。与像素限定的主体接近且以形心为中心的圆被应用于像素主体。图18示出在遮蔽的图像内由像素限定的核的示例，以及应用到像素主体上的圆。图19示出相应的边界像素。边界像素的位置被共同地用于确定核的圆度；例如来自接近的圆的边界像素的偏差值。例如，每个边界像素的位置可通过使边界像素的半径（rBP）与圆的半径（rc）的差值除以圆的半径用标准化术语进行描述：
如果边界像素位于圆上，则分子（rBP-rc）等于0且偏差为0。来自圆度的偏差（r标准化的）可被作为形状的圆度、例如核的圆度的度量。图20描述了比较统计上大量的淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞的核的圆度的曲线图。该曲线图清晰地示出淋巴细胞内的核的圆度与嗜中性粒细胞、单核细胞和嗜酸性粒细胞的圆度显著不同，从而使核形状成为可用于区别淋巴细胞的识别特征。上文所描述的用于确定核的圆度的技术是可接受的技术的一个示例且出于可行的目的而提供，但本发明不限于该特定的技术。
“细胞形状”是这样的识别特征：该特征评估细胞边界的形状，即图像的二维平面内的细胞的边界像素的分布。上文所描述的用于确定核的圆度的技术可用于确定细胞形状。关于细胞形状，优选地使用该技术以确定细胞与形状、诸如椭圆形的偏差，椭圆形较接近于自然存在的细胞形状。本发明不限于上述技术，或者不限于使用椭圆形状作为近似形状。图21图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的细胞形状的差异。例如，与嗜中性粒细胞相关的细胞形状使细胞形状成为可用于区别嗜中性粒细胞的识别特征。
“核亮度”是这样的识别特征：其量化核内的平均绿色荧光强度值。图6A至图6C示出淋巴细胞、嗜中性粒细胞和嗜酸性粒细胞的核比单核细胞的核（图6D）具有更大的强度（即显得更亮）。上述的强度差异是由于淋巴细胞核、嗜中性粒细胞核和嗜酸性粒细胞核内的染色质的相对密集分布相对于单核细胞核内的染色质的稀疏分布而造成的。在本发明的一些实施方式中，相对于核内的平均绿色荧光强度值的标准化值而确定核亮度。该标准化的值有助于解释样品的内的多变性，例如样品内的不均匀染色。用于使强度值标准化的准确的技术可变化以适合即将进行的应用，并且本发明不限于任何特定的标准化方法。例如，在一些例子中，核内的平均绿色荧光强度值的强度值可相对于相邻细胞的强度值或者相对于整个样品的细胞的强度值而被标准化。
“细胞质亮度”是量化细胞质内的平均红色荧光强度值的识别特征。图5A至图5D示出某些细胞的细胞质区域发出的红色荧光的强度。淋巴细胞的细胞质发出的红光强度低于单核细胞的细胞质发出的红光强度。而单核细胞的细胞质发出的红光强度低于嗜中性粒细胞和嗜酸性粒细胞的细胞质发出的红光强度。如上所指出，在本发明的一些实施方式中，相对于标准化值、例如细胞内的标准化的平均红色荧光强度值，来确定亮度值。用于使强度值标准化的准确的技术可变化以适合即将进行的应用，并且本发明不限于任何特定的标准化方法。
“在给定波长下的平均细胞吸收”是这样的识别特征：其量化与穿过细胞传输的给定波长的蓝光相关的细胞的平均OD（例如“平均蓝色OD强度”）。如上文所指出，传输的蓝光可在约405nm至425nm的范围内，并且，因为在波长为413nm或约413nm时血红蛋白具有峰值吸收，因此约413nm的传输蓝光是有利的。为了量化细胞的平均蓝色OD强度，约413nm波长的蓝光传输通过各个细胞。基于每一像素确定与蓝光相关的OD。图8A至图8D分别描述各个细胞的遮蔽形式，其中除了具有大于预定阈值的红色荧光强度值或绿色荧光强度值的那些像素外，全部被遮蔽。各个细胞的遮蔽部分内的OD的平均值（即，与413nm波长相关的OD）被确定。图7A至图7D示出由穿过各个细胞传输的上述光产生的蓝色OD的图像。为了促进图7A至图7D的评估，在每一图像中绘出环绕线，该线指示外部区域和内部区域之间的边界（此处平均细胞吸收被确定）。图22图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的在413nm下的平均细胞吸收的差异。例如，与嗜酸性粒细胞相关的在413nm下的平均细胞吸收使在413nm下的平均细胞吸收成为可用于区别嗜酸性粒细胞的识别特征，这在图7A至图7D中也是明显的。
“核纹理”是这样的识别特征：其量化细胞的核区域内发出的绿色荧光的“纹理”。术语“纹理”用于指通常基于每一像素的细胞的核内的绿色荧光的变化性。可使用数个不同的技术以量化核纹理。例如，每一像素的标准化绿色强度值的标准偏差可被用于量化核纹理。通过识别细胞内的发射绿色荧光的全部像素且将具有最低强度的像素赋予任意值0且将具有最高强度的像素赋予值1，可确定标准化的绿色荧光强度值。可使用已知技术从那些值计算强度值的标准偏差。图23图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的核纹理的差异。例如，与淋巴细胞相关的核纹理使核纹理成为可用于区别淋巴细胞的识别特征。
“核凹陷度（hollowness）”是附加于核纹理或者替代核纹理使用的识别特征。核凹陷度是绿色荧光图像中的位于细胞内部的一组像素的强度与位于细胞外部的一组像素的强度的比率。“外部”和“内部”的定义可例如基于经验数据被改变以适合即将进行的应用。例如，外部可被限定为位于细胞的边界处的一些像素的带，例如当像素尺寸为大约0.5μm时在细胞的边界处三个像素的带。因此，内部可为细胞内与外部不同的区域。图24A包括绿色通道中的细胞核以示出核的内部与核外部之间的强度的差异。图24B包含相似的图像，且包括环绕线以促进内部和外部的识别。内部组和外部组的像素的相对强度使得在一些嗜中性粒细胞中内部像素的强度在数量上通常小于外部像素的强度。图24A和图24B示出绿色通道图像和红色通道图像，其中图24A示出核中出现的像孔一样的暗淡部分。图25图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的“核凹陷度”的差异。例如，与嗜中性粒细胞相关的“核凹陷度”具有比其他类型的细胞大的值，其使“核凹陷度”成为可用于区别嗜中性粒细胞的识别特征。
“细胞质纹理”是量化细胞的细胞质内发射的红色荧光的“纹理”的识别特征。术语“纹理”用于指通常基于每一像素的细胞的细胞质内的红色荧光的变化性。可使用多个不同的技术量化细胞质纹理。例如，每一像素的标准化红色强度值的标准偏差可被用于量化细胞质纹理。通过识别细胞内的发射红色荧光的全部像素且将具有最低强度的像素赋予任意值0而将具有最高强度的像素赋予值1，可确定标准化的红色荧光强度值。使用已知技术从那些值可计算强度值的标准偏差。图26图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的细胞质纹理的差异。例如，与嗜中性粒细胞相关的细胞质纹理使细胞质纹理成为可用于区别嗜中性粒细胞的识别特征。
以与上文所描述的关于核纹理和核凹陷度类似的方式，“细胞质凹陷度”是可附加于细胞质纹理或者替代细胞质纹理使用的识别特征。细胞质凹陷度是红色荧光图像中的位于细胞质内部的一组像素的强度与位于细胞质外部的一组像素的强度的比率。内部组和外部组的像素的相对强度使得在嗜中性粒细胞和嗜酸性粒细胞中内部像素的强度在数量上通常小于外部像素的强度。图27图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的“细胞质凹陷度”的差异。例如，与嗜中性粒细胞相关的“细胞质凹陷度”大于与淋巴细胞和单核细胞相关的细胞质凹陷度，但是小于与嗜酸性粒细胞相关的细胞质凹陷度，从而使“细胞质凹陷度”成为可用于区别嗜中性粒细胞的识别特征。
“在给定波长下的细胞吸收纹理”是这样的识别特征：其量化与穿过细胞传输的给定波长的蓝光相关的细胞的OD值的纹理，该OD是基于每一像素进行感测的。如上文所指出，传输的蓝光可在约405nm至425nm的范围内，并且，因为在波长为413nm或约413nm时血红蛋白具有峰值吸收，因此约413nm的传输蓝光是有利的。“纹理”指细胞内的OD值的变化性。也如上文所指出，可使用多个不同的技术量化纹理，例如，与413nm的蓝光相关的OD值的标准偏差。图28图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的在413nm下的细胞吸收纹理的差异。例如，与嗜酸性粒细胞相关的在413nm下的细胞吸收纹理使在413nm下的细胞吸收纹理成为可用于区别嗜酸性粒细胞的识别特征。
如上所述，在用于识别图像内的特定WBC从而执行LDC的算法内，可程控分析仪72适于利用识别特征，例如上文所述描述的那些识别特征。通过上述特征而提供的定量信息可以多种不同的方式进行处理以提供与LDC相关的信息。
例如，在一些实施方式中，可程控分析仪72适于包括基于规则的分类器，其相对于一个或多个特征评估样品图像且使用这种评估对样品内的细胞进行分类。每一特征是可根据定量值描述的。根据特征评估样品图像内的一些细胞或全部细胞，即确定该特征的定量值。然后，使所确定的定量值与用于该特征的基准值对比，以确定该细胞是否是WBC的特定类型。随后，对于所考虑的每一种类型的特征，进行该过程。例如，为了评估特定的细胞图像，分类器可首先考虑细胞面积特征。如果所确定的细胞面积值低于预定的细胞面积值，则分类器所应用的规则可规定排除某些WBC类型（例如单核细胞）而包括其他WBC类型（嗜酸性粒细胞、淋巴细胞和嗜中性粒细胞）。然后，基于规则的分类器可评估细胞图像以确定叶的数目。如果所确定的叶的数目等于或大于预定值（例如2），则分类器所应用的规则将说明某些WBC类型（例如淋巴细胞）被排除而其他WBC类型（例如嗜中性粒细胞和嗜酸性粒细胞）被包括在内。然后，基于规则的分类器可评估细胞图像以确定在给定波长下平均细胞吸收的定量值。如果所确定的在给定波长下（例如413nm）的平均细胞吸收值高于预定的阈值，则分类器所应用的规则将说明某些WBC类型（例如嗜中性粒细胞）被排除在外而其他WBC类型（例如嗜酸性粒细胞）被包括在内。因此，通过将某些规评估则应用至细胞图像，基于规则的分类器对WBC类型（即嗜酸性粒细胞）做出确定。
用于评估样品图像的特征的顺序是可变的，以适应即将进行的应用。例如，可程控分析仪72可首先用于评估样品图像，以在LDC分析中确定细胞的存在性。一旦识别出细胞，即可将样品图像的剩余部遮蔽，只对那些已被确认为细胞的样品图像部分使用LDC算法。但本发明并不仅限于该排序的示例。
在来自特定对象的样品总体内，WBC类型的每一识别特征的定量值可在某种程度上发生定量变化，且还也在对象之间发生变化。例如，LDC算法通过利用多个特征评估细胞图像，来解释这种变化性。通过使用多于一个特征来评估和识别细胞，本方法降低了任何具体特征对评估的精确度产生负面影响的可能性。图29中提供的表格示出了与特定类型的WBC相关的成组的主要区别特征。这些特征分组是可用于在四部分LDC内将一种WBC与另一种WBC明显区别的组的示例。该变化性也可通过选择性调整与每一特征相关的基准定量值的幅值来说明。
在一些实施方式中，当已确定一组像素是WBC类型（虽然可能该WBC的具体类型尚不清楚，这取决于何时确定后面提到的方框）时，可使用可程控分析仪72绕着该组像素限定边界（即，“方框”）。为了说明，图30示出样品图像，在该图像中，多个WBC76位于大量RBC78中或位于RBC78之间。图31示出图30的样品图像，其中将方框应用于在样品图像内被识别的每一WBC76。取决于当前的分析，可将每一WBC76用方框标出，或可替选地用方框标出某些类型的WBC。每一方框限定了与特定WBC76相关的图像子集，该图像子集包括WBC像素和额外的像素（如果存在），这些额外的像素填充了方框的剩余部。在一些实施方式中，可用标准尺寸的方框为样品中已识别的每一WBC创建图像子集。例如，识别出全部WBC76并且确定所识别的WBC中的最大尺寸的WBC之后，可选用足以包括代表最大尺寸WBC的所有像素的“方框”尺寸；例如：三十（30）像素乘以三十（30）像素的正方形框。但是，由于WBC的大小是可变的，因此每次分析使用的“标准”方框的大小也是可变的、并不仅限于任何特定尺寸。一旦选定了合适的标准方框尺寸，则可使用同样尺寸的方框确定每一WBC76的图像子集。图像子集方框（标准尺寸或个别尺寸）可被用作区别样品图像中WBC76的基础；例如，可遮蔽图像中方框外的部分，只留下“框住的”WBC（例如：参考图32），或相反，将图像中方框内的部分遮蔽，只留下图像剩余部（例如：参考图33）。
图像子集方框可用于帮助评估WBC76。例如，可程控分析仪72可被用于为图像子集的边界分配颜色，来识别在方框内包围的WBC的类型（例如：参考图31；例如：单核细胞=蓝色方框边界；嗜酸性粒细胞=橙色方框边界；淋巴细胞=绿色方框边界；以及嗜中性粒细胞=红色方框边界），以便评估它们。上述方框边界颜色是任意选择的，本发明并不仅限于使用这些颜色。在可替选的实施方式中，可使用除了颜色外的视觉特征区别方框内包含的WBC的类型。
在一些实施方式中，可程控分析仪72可用于将已识别的WBC的一些或全部图像部分（或包含WBC的图像子集方框）组合成整体显示的格式，从而在分析装置显示器74进行比较查看WBC。例如，图34说明了整体比较显示，其中，已识别的WBC76靠近排列以便于分析。在一些实施方式中，组合的WBC76被按照类型分开和查看；例如，在对比图中，所有WBC76都为嗜酸性粒细胞或嗜中性粒细胞等。可替选地，将对比图的一部分专用于特定的WBC类型；例如，该视图包括一排嗜酸性粒细胞、一排嗜中性粒细胞等。
在一些实施方式中，可程控分析仪72还被用于使每一已识别的WBC76与样品图像中（或图像帧中）的其特定位置、以及该WBC的特定类型（例如：淋巴细胞、嗜中性粒细胞、单核细胞、嗜酸性粒细胞、嗜碱粒细胞）相关联。这些相关联的位置能够使WBC图像子集被重新组合在其在原始样品图像中相对于彼此出现的位置。这些相对定位也能够进行关于样品图像内的相邻WBC和/或相邻位置的影响的分析。例如，加入样品中的着色剂有时不会在该静止样品中均匀分布。某一区域可具有均匀的着色剂分布，但该区域中的着色剂浓度可能与另一不同区域中的不同。因此，如果基于着色剂浓度对不同区域的WBC进行比较，则利用着色剂浓度分析可能会产生偏差。可程控分析仪72用于相对于当前的分析，判断WBC图像部分的位置在何处。着色剂浓度的差异说明了认知WBC样品图像部分位置的效用，但其效用并不仅限于此。
以使存储信息能以相对高的清晰度重现的格式存储在分析中所依赖的样品图像部分具有相当大的效用，以使存储信息能以相对高的清晰度重现的格式即，以具有可接受的较低程度的信息丢失的方式，其不会对随后分析基于每一像素所代表的信息的能力产生不利的影响。但静置于腔室50中的血液样品的彩色图像，其大小非常大（例如：1-2GB）。大图像数据文件会占用存储空间、妨碍远距离传输和/或减缓处理过程。为了解决大图像数据文件相关的问题，可程控分析仪72进一步被用于以便于数据压缩的方式处理该图像。
为了便于压缩样品图像，可程控分析仪72用于压缩已确定为代表WBC的样品图像部分。使用的压缩算法能够对样品图像部分进行压缩并在以后解压，解压时相对于相关样品图像部分的初始像素的信息丢失很小或不存在丢失，即，这种程度的信息丢失不会妨碍在样品图像部分内呈现的信息的分析。例如，可采用无损数据压缩算法压缩样品图像部分。在那些WBC被包含在图像子集方框的例子中，每一图像子集方框中的全部像素都采用无损压缩算法或类似算法压缩。由联合摄影专家组（Joint Photographic Experts Group）提供的JPEG2000无损模式即为无损压缩算法的可接受的例子。本发明并不仅限于使用无损压缩类型的算法，或任何特定类型的无损压缩算法。
根据上述的LDC分析，可在完成整个分析前使用可程控分析仪72压缩WBC像素数据，例如，在已识别细胞后但尚未分析确定WBC类型前。然而，优选地，在分析后并且可提供样品分析数据（例如：WBC类型）后，使用可程控分析仪72压缩WBC像素数据。
至于图像的剩余部，可使用精度较低的压缩技术进行压缩，该精度较低的压缩技术与使用无损压缩技术相比在更大的程度上压缩图像数据，或者也可丢弃这部分。在那些图像剩余部被压缩的例子中，例如，可采用有损数据压缩算法压缩剩余的图像部分。由联合摄影专家组提供的JPEG2000有损模式即为有损压缩算法的可接受的例子。本发明并不仅限于使用有损压缩类型的算法，或任何特定类型的有损压缩算法。
如上所述，可程控分析仪72可被用于将每一已识别的WBC与其在样品图像中（或图像帧中）的特定位置相关联。这些相关联的位置能够使WBC图像子集在压缩后而重新组合在其在原始样品图像中相对于彼此出现的位置。
在本发明的操作中，将未稀释的全血样品采集到例如图3所示的一次性盒中。包括一种或多种着色剂（例如ACO）和抗凝血剂（例如EDTA）的试剂，被添加到样品中以促进LDC分析。将与试剂混合的样品置于盒的分析腔室50部分中，在成像过程期间样品静止地位于该盒中。将盒插入（或者接合）到分析装置中，通过盒定位装置66将盒相对于物镜64、样品照明器68和析像管70合适地定位，随后进行成像。
在多数情况下，分析装置被程控以对静止地置于腔室50内的全部样品进行成像（以单个图像的形式或者整个图像的帧的形式）。然而，在一些应用中，可对样品的一部分进行成像。成像方法可根据即将进行的应用而变化。对于上述的四部分LDC，成像方法包括使样品受到荧光激发光源（例如来自落射荧光光源的约470nm的光）和透射光源（例如413nm或约413nm的蓝光）照射。激发光源导致与位于样品内的成分结合的着色剂发出两个不同的波长的荧光（例如，发出约660nm的红光，发出约540nm绿光）。一定量的透射光穿过样品，而剩余的光被样品/着色剂吸收。析像管70捕获穿过样品传输的光和来自样品的发荧光的光，并且提供了代表所捕获的光的强度和颜色的信号。该信号被处理成允许可程控分析仪72基于信号形成样品图像的形式，该图像可被定量分析以执行四部分LDC。
在定量分析样品图像时，算法识别图像内的WBC。为了促进和/或加速分析，样品图像可被遮蔽（例如通过分割）以去除除了那些被识别为细胞的部分外的全部样品图像。依据一个或多个特征（例如，参见在图30中所公开的特征分组），且通常基本上依据全部特征，定量评估被识别为细胞的图像部分。对于每一特征，在算法（例如，学习模型部分）内利用每一细胞的定量值（或概率密度函数）分类细胞。一旦细胞被分类和计数，则数据被组织以提供LDC数据。被分类的细胞可随后被用户在连接至分析装置的显示器74上查看。
为了帮助存储和/或发送图像分析数据，可采用上述压缩算法处理图像。例如，采用无损类型的压缩算法处理与细胞（例如：已识别的WBC）相关的图像子集，而图像的剩余部则采用有损数据压缩算法进行压缩或被丢弃。
本发明压缩样品图像的能力为有关处理和存储文件提供了显著的优势。例如，在典型样品图像中，约1000个WBC可通过给定分析被识别和区分。如果该样品图像被分为十（10）帧，每帧大小约为两千五百像素乘以一千九百像素（2500×1900）。如果在三十乘以三十（30×30）像素的方框中围住每一已识别的WBC，那么预压缩比为((2500×1900×10)/(30×30×1000))，约为52.8倍。如果随后采用无损压缩算法（其将图像数据压缩四倍）压缩WBC方框中的图像数据子集，并且丢弃剩余的图像部分，那么原始图像数据和压缩后图像数据之间的压缩比大于两百倍（>200×）。即使在如此高的压缩比下，也能以微不足道的信息丢失量恢复压缩数据。以上述方法存储的图像分析数据为随后的恢复和/或向远程位置发送提供了极大的便利。所恢复的图像分析数据（其根据自动算法先前被分析），可被专业技术人员检查或确定该分析结果，例如：用于质量控制目的。此外，根据需要可对恢复的高分辨率数据进行额外图像分析。
虽然已结合本发明的详尽的实施方式显示并描述了本发明，但本领域技术人员将能理解，在不脱离本发明精神和范围的情况下，可以做出各种形式和细节上的改变。

Claims (19)

1.一种用于分析全血样品中的白血细胞的方法，所述全血样品在被分析时静置于腔室内，所述腔室由至少一个透明板所限定，所述全血样品含有至少一种着色剂，所述至少一种着色剂可用于区别地识别出所述样品中至少一种白血细胞类型与另一白血细胞类型，所述方法包括以下步骤：
生成静置于所述腔室内的所述样品的至少一个图像；
识别多个样品图像部分，其中每部分代表单一白血细胞；
使用第一压缩算法压缩所述多个样品图像部分，所述第一压缩算法是无损压缩算法；
使用第二压缩算法压缩样品图像的未包括在所述部分中的剩余部，或者丢弃所述剩余部，所述第二压缩算法是有损压缩算法；
关于一个或多个预定的可定量确定的特征，定量分析所述多个样品图像部分；
使用所述可定量确定的特征识别每部分中的白血细胞的类型；
限定围绕表示白血细胞的每一样品图像部分的边界，其中，每个边界具有特定的形状，且所有边界均有相同尺寸；以及
使所述边界在所述样品图像的显示器内可视。
2.根据权利要求1所述的方法，还包括以下步骤：将已识别的白血细胞类型与相应的表示所述白血细胞的已压缩样品图像部分相关联。
3.根据权利要求1所述的方法，还包括以下步骤：将所述样品图像部分在所述样品图像内的位置与相应的已压缩样品图像部分相关联。
4.根据权利要求3所述的方法，还包括以下步骤：
解压缩所述样品图像部分；以及
使用每个样品图像部分各自在样品图像中的位置将每个样品图像部分相对于其他样品图像部分定位。
5.根据权利要求1所述的方法，还包括以下步骤：选择标准边界形状的尺寸，所述标准边界形状的尺寸足够大以包括表示在所述多个样品图像部分内表示的所有白血细胞中的最大白血细胞的样品图像部分；以及使用所述标准边界形状限定围绕每个样品图像部分的边界。
6.根据权利要求1所述的方法，其中，围绕每一类型的白血细胞的样品图像部分的所述边界指示白血细胞的类型，且将该类型的白血细胞与所述样品图像中的其他类型的白血细胞相区别。
7.根据权利要求1所述的方法，还包括以下步骤：以集合视图的方式显示多个表示白血细胞的样品图像部分。
8.根据权利要求7所述的方法，其中，以集合视图的方式显示多个表示白血细胞的样品图像部分的所述步骤包括显示多个仅表示单一类型白血细胞的样品图像部分。
9.根据权利要求7所述的方法，其中，以集合视图的方式显示多个表示白血细胞的样品图像部分的所述步骤包括将表示特定类型白血细胞的样品图像部分共同安排在所述集合视图内。
10.一种用于使全血样品中的白血细胞成像的方法，所述全血样品静置于由至少一个透明板所限定的腔室内，所述方法包括以下步骤：
生成静置于所述腔室内的所述样品的至少一个图像；
识别多个样品图像部分以及每个部分在所述样品图像内的位置，其中每一部分表示单一白血细胞；
使用第一压缩算法压缩所述多个样品图像部分，所述第一压缩算法是无损压缩算法；
使用第二压缩算法压缩所述样品图像的未包括在所述部分中的剩余部，或者丢弃所述剩余部，所述第二压缩算法是有损压缩算法；
解压缩所述多个样品图像部分并共同显示所述多个部分，其中每一部分基于其在所述样品图像中的位置而相对地定位；以及
限定围绕表示白血细胞的每一样品图像部分的边界，其中，每个边界具有特定的形状，且所有边界均有相同尺寸；以及
使所述边界在所述样品图像内可视。
11.根据权利要求10所述的方法，还包括以下步骤：将具体的白血细胞类型与在每一样品图像部分中表示的白血细胞相关联。
12.根据权利要求10所述的方法，其中，围绕每一类型白血细胞的样品图像部分的所述边界指示白血细胞的类型，且将该类型的白血细胞与所述样品图像中其他类型的白血细胞相区别。
13.根据权利要求10所述的方法，还包括以下步骤：以集合视图的方式显示多个表示白血细胞的样品图像部分。
14.一种用于分析静置于腔室内的全血样品的装置，所述装置包括：
物镜；
样品照明器，所述样品照明器用于提供荧光激发光和一种或多种透射光；
析像管，所述析像管用于接收从样品发出的荧光和/或通过样品的透射光，并生成代表这样的光的信号；以及
可程控分析仪，所述可程控分析仪用于接收代表光的所述信号以及生成静置于所述腔室内的样品的至少一个图像，并进一步用于定量分析所述样品图像和识别多个样品图像部分，其中，在所述图像中的每部分表示单一白血细胞，且还用于使用第一压缩算法选择性地压缩所述样品图像部分，所述第一压缩算法是无损压缩算法，以及使用第二压缩算法压缩样品图像的未包括在所述部分中的剩余部或者丢弃所述剩余部，所述第二压缩算法是有损压缩算法；
其中，所述可程控分析仪还用于关于一个或多个预定的可定量确定的特征定量分析所述多个样品图像部分，以及使用所述可定量确定的特征识别每部分中的白血细胞的类型，并且，其中所述可程控分析仪还用于限定围绕每一表示白血细胞的样品图像部分的边界，其中，每个边界具有特定的形状，且所有边界均有相同尺寸；以及其中，所述可程控分析仪还用于使所述边界在所述样品图像内可视。
15.根据权利要求14所述的装置，其中，所述可程控分析仪还用于将已识别的白血细胞类型与各自的表示所述白血细胞的已压缩样品图像部分相关联。
16.根据权利要求14所述的装置，其中，所述可程控分析仪还用于将所述样品图像内每一样品图像部分的位置与相应的已压缩样品图像部分相关联，以允许每一样品图像部分被解压缩，且使用每个样品图像部分各自在样品图像中的位置将每个样品图像部分相对于其他样品图像部分在显示器中定位。
17.根据权利要求14所述的装置，其中，所述可程控分析仪还用于选择标准边界形状的尺寸，所述标准边界形状的尺寸足够大以包括表示在多个样品图像部分内表示的所有白血细胞中的最大白血细胞的样品图像部分；以及使用所述标准边界形状限定围绕每个样品图像部分的边界。
18.根据权利要求14所述的装置，其中，所述可程控分析仪还用于限定围绕每一类型白血细胞的样品图像部分的边界，所述边界指示白血细胞的类型且将该类型的白血细胞与所述样品图像中其他类型的白血细胞相区别。
19.根据权利要求14所述的装置，其中，所述可程控分析仪还用于以集合视图的方式显示多个表示白血细胞的样品图像部分。
CN201280029177.3A 2011-04-14 2012-04-13 压缩全血样品分析的成像数据的方法及装置 Expired - Fee Related CN103608840B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/087,037 2011-04-14
US13/087,037 US9064301B2 (en) 2011-04-14 2011-04-14 Method and apparatus for compressing imaging data of whole blood sample analyses
PCT/US2012/033552 WO2012142430A1 (en) 2011-04-14 2012-04-13 Method and apparatus for compressing imaging data of whole blood sample analyses

Publications (2)

Publication Number Publication Date
CN103608840A CN103608840A (zh) 2014-02-26
CN103608840B true CN103608840B (zh) 2017-07-11

Family

ID=46051918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280029177.3A Expired - Fee Related CN103608840B (zh) 2011-04-14 2012-04-13 压缩全血样品分析的成像数据的方法及装置

Country Status (4)

Country Link
US (1) US9064301B2 (zh)
EP (1) EP2697773A1 (zh)
CN (1) CN103608840B (zh)
WO (1) WO2012142430A1 (zh)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2616818B1 (en) 2010-09-16 2017-03-15 The General Hospital Corporation Red blood cell dynamics for diagnosis
US9522396B2 (en) 2010-12-29 2016-12-20 S.D. Sight Diagnostics Ltd. Apparatus and method for automatic detection of pathogens
WO2013098821A1 (en) 2011-12-29 2013-07-04 Parasight Ltd. Methods and systems for detecting a pathogen in a biological sample
WO2014089468A1 (en) 2012-12-06 2014-06-12 Abbott Point Of Care, Inc. Imaging biologic fluids using a predetermined distribution
AU2014249011A1 (en) * 2013-03-11 2015-09-24 Roche Diagnostics Hematology, Inc. Imaging blood cells
US20140318278A1 (en) * 2013-04-24 2014-10-30 Honeywell International Inc. Particle imaging utilizing a filter
EP2999988A4 (en) 2013-05-23 2017-01-11 S.D. Sight Diagnostics Ltd. Method and system for imaging a cell sample
JP6070420B2 (ja) * 2013-05-31 2017-02-01 富士ゼロックス株式会社 画像処理装置及びプログラム
IL227276A0 (en) 2013-07-01 2014-03-06 Parasight Ltd A method and system for obtaining a monolayer of cells, for use specifically for diagnosis
US10831013B2 (en) 2013-08-26 2020-11-10 S.D. Sight Diagnostics Ltd. Digital microscopy systems, methods and computer program products
CN107077732B (zh) 2014-08-27 2020-11-24 思迪赛特诊断有限公司 用于对数字显微镜计算聚焦变化的系统及方法
CA2998829A1 (en) 2015-09-17 2017-03-23 S.D. Sight Diagnostics Ltd Methods and apparatus for detecting an entity in a bodily sample
US10510143B1 (en) * 2015-09-21 2019-12-17 Ares Trading S.A. Systems and methods for generating a mask for automated assessment of embryo quality
US10955423B2 (en) 2015-12-15 2021-03-23 The General Hospital Corporation Methods of estimating blood glucose and related systems
WO2017106359A1 (en) * 2015-12-18 2017-06-22 Abbott Laboratories Methods and systems for assessing cell morphology
WO2017106272A1 (en) 2015-12-18 2017-06-22 Abbott Laboratories Methods and systems for assessing histological stains
WO2017132162A1 (en) * 2016-01-28 2017-08-03 Siemens Healthcare Diagnostics Inc. Methods and apparatus for classifying an artifact in a specimen
EP3408653B1 (en) 2016-01-28 2024-01-17 Siemens Healthcare Diagnostics Inc. Methods and apparatus adapted to quantify a specimen from multiple lateral views
EP3436864B1 (en) 2016-03-30 2021-04-28 S.D. Sight Diagnostics Ltd. Image processing device for identifying blood parasites
US11293852B2 (en) 2016-04-07 2022-04-05 The General Hospital Corporation White blood cell population dynamics
WO2017195205A1 (en) 2016-05-11 2017-11-16 S.D. Sight Diagnostics Ltd Sample carrier for optical measurements
WO2017195208A1 (en) 2016-05-11 2017-11-16 S.D. Sight Diagnostics Ltd Performing optical measurements on a sample
CN107290291A (zh) * 2017-07-02 2017-10-24 广东技术师范学院 双光程调制透射和荧光激发光源测量复杂溶液成分的方法
CN111970970A (zh) * 2017-10-26 2020-11-20 Essenlix公司 血小板的快速测量
AU2018369859B2 (en) 2017-11-14 2024-01-25 S.D. Sight Diagnostics Ltd Sample carrier for optical measurements
JP2021081342A (ja) * 2019-11-20 2021-05-27 ソニーグループ株式会社 情報処理システムおよび情報処理装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6252979B1 (en) * 1995-06-07 2001-06-26 Tripath Imaging, Inc. Interactive method and apparatus for sorting biological specimens
US20020090140A1 (en) * 2000-08-04 2002-07-11 Graham Thirsk Method and apparatus for providing clinically adaptive compression of imaging data
US7133565B2 (en) * 2000-08-25 2006-11-07 Canon Kabushiki Kaisha Image processing apparatus and method
US7062088B1 (en) * 2001-08-28 2006-06-13 Adobe Systems Incorporated Variable lossy compression
EP1555804A3 (en) * 2004-01-19 2006-08-16 Ricoh Company, Ltd. Image processing apparatus, image processing program and storage medium
EP3270156A1 (en) 2004-04-07 2018-01-17 Abbott Laboratories Disposable chamber for analyzing biologic fluids
US7580120B2 (en) * 2005-04-07 2009-08-25 Sysmex Corporation Blood analyzer, sample analyzer, and flow cytometer
SE530750C2 (sv) * 2006-07-19 2008-09-02 Hemocue Ab En mätapparat, en metod och ett datorprogram
JP2008079760A (ja) * 2006-09-27 2008-04-10 Fujifilm Corp 画像圧縮処理方法及び画像圧縮処理装置並びに医用ネットワークシステム
CN1945326A (zh) * 2006-10-13 2007-04-11 江西特康科技有限公司 基于视觉形态的五分类全血细胞分析方法
US8121417B2 (en) * 2007-03-19 2012-02-21 General Electric Company Processing of content-based compressed images
US8345991B2 (en) * 2007-03-19 2013-01-01 General Electric Company Content-based image compression
JP4558047B2 (ja) * 2008-01-23 2010-10-06 オリンパス株式会社 顕微鏡システム、画像生成方法、及びプログラム
US20110122242A1 (en) * 2009-10-26 2011-05-26 Texas Instruments Incorporated Digital microscopy equipment with image acquisition, image analysis and network communication

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
comparative study of the effect of lossy and lossless block based binary plane techniques on medical images;M.Balraju 等;《journal of computer sciences》;20101231;第6卷(第11期);1377-1380 *
lossless microarray image compression based on foreground extration;Anahita Banaei 等;《electrical and computer engineering》;20060501;106-109 *
medical image compression based on region of interest,with application to colon CT images;Salih Burak Gokturk 等;《2001 conference proceedings of the 23rd annual EMBS international conference》;20011028;第3卷;2453-2456 *
medical image compression with lossless regions ot interest;Jacob Strom 等;《signal processing》;19970601;第59卷(第2期);155-171 *

Also Published As

Publication number Publication date
CN103608840A (zh) 2014-02-26
US20120263369A1 (en) 2012-10-18
US9064301B2 (en) 2015-06-23
EP2697773A1 (en) 2014-02-19
WO2012142430A1 (en) 2012-10-18

Similar Documents

Publication Publication Date Title
CN103608840B (zh) 压缩全血样品分析的成像数据的方法及装置
CN105445170B (zh) 识别生物样品目标组分的方法和分析生物流体样品的装置
US10061973B2 (en) Method and apparatus for automated platelet identification within a whole blood sample from microscopy images
CN105143850B (zh) 用于血液样品中的粒子分析的自聚焦系统和方法
CN103823051B (zh) 利用红细胞内含有的血红蛋白的本征色素沉着来确定血样的红细胞指数的方法及设备
EP0281392A2 (en) Method and apparatus for bone histomorphometry
CN114636683A (zh) 确定染色液成分配比的方法
WO2024127207A1 (en) System and method for analyzing bodily samples
CN115326501A (zh) 检测新型隐球菌的方法、装置、电子设备及可读存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170711

Termination date: 20190413