CN103930762A - 用于样本显示与查看的系统和方法 - Google Patents
用于样本显示与查看的系统和方法 Download PDFInfo
- Publication number
- CN103930762A CN103930762A CN201280040121.8A CN201280040121A CN103930762A CN 103930762 A CN103930762 A CN 103930762A CN 201280040121 A CN201280040121 A CN 201280040121A CN 103930762 A CN103930762 A CN 103930762A
- Authority
- CN
- China
- Prior art keywords
- cell
- image
- attribute
- pattern matrix
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 159
- 210000004027 cell Anatomy 0.000 claims abstract description 744
- 210000003743 erythrocyte Anatomy 0.000 claims abstract description 196
- 210000004369 blood Anatomy 0.000 claims abstract description 73
- 239000008280 blood Substances 0.000 claims abstract description 73
- 239000011159 matrix material Substances 0.000 claims description 117
- 230000003287 optical effect Effects 0.000 claims description 91
- 102000001554 Hemoglobins Human genes 0.000 claims description 27
- 108010054147 Hemoglobins Proteins 0.000 claims description 27
- 210000001772 blood platelet Anatomy 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 15
- 230000001413 cellular effect Effects 0.000 claims description 12
- 230000002969 morbid Effects 0.000 claims description 11
- 238000011179 visual inspection Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 3
- 210000000265 leukocyte Anatomy 0.000 description 33
- 238000004458 analytical method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 21
- 239000000758 substrate Substances 0.000 description 21
- 238000009826 distribution Methods 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 17
- 239000000470 constituent Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000001228 spectrum Methods 0.000 description 13
- 238000004820 blood count Methods 0.000 description 12
- 230000003834 intracellular effect Effects 0.000 description 11
- 239000003086 colorant Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000010521 absorption reaction Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 230000001788 irregular Effects 0.000 description 7
- 210000004698 lymphocyte Anatomy 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 210000003979 eosinophil Anatomy 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 230000005055 memory storage Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 239000012634 fragment Substances 0.000 description 5
- 210000003714 granulocyte Anatomy 0.000 description 5
- 210000001616 monocyte Anatomy 0.000 description 5
- 210000000440 neutrophil Anatomy 0.000 description 5
- 206010027540 Microcytosis Diseases 0.000 description 4
- 208000007502 anemia Diseases 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000004043 dyeing Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 206010025382 macrocytosis Diseases 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 210000003924 normoblast Anatomy 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000008707 rearrangement Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005534 hematocrit Methods 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- PLXMOAALOJOTIY-FPTXNFDTSA-N Aesculin Natural products OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](O)[C@H]1Oc2cc3C=CC(=O)Oc3cc2O PLXMOAALOJOTIY-FPTXNFDTSA-N 0.000 description 2
- 208000030118 Red blood cell disease Diseases 0.000 description 2
- CWHJIJJSDGEHNS-MYLFLSLOSA-N Senegenin Chemical compound C1[C@H](O)[C@H](O)[C@@](C)(C(O)=O)[C@@H]2CC[C@@]3(C)C(CC[C@]4(CCC(C[C@H]44)(C)C)C(O)=O)=C4[C@@H](CCl)C[C@@H]3[C@]21C CWHJIJJSDGEHNS-MYLFLSLOSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000019501 erythrocyte disease Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000004493 neutrocyte Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000009871 tenuigenin Substances 0.000 description 2
- 208000030507 AIDS Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000224016 Plasmodium Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 210000003651 basophil Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- VQLYBLABXAHUDN-UHFFFAOYSA-N bis(4-fluorophenyl)-methyl-(1,2,4-triazol-1-ylmethyl)silane;methyl n-(1h-benzimidazol-2-yl)carbamate Chemical compound C1=CC=C2NC(NC(=O)OC)=NC2=C1.C=1C=C(F)C=CC=1[Si](C=1C=CC(F)=CC=1)(C)CN1C=NC=N1 VQLYBLABXAHUDN-UHFFFAOYSA-N 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000024245 cell differentiation Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000006059 cover glass Substances 0.000 description 1
- 239000002178 crystalline material Substances 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000000527 lymphocytic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 210000001995 reticulocyte Anatomy 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 206010043554 thrombocytopenia Diseases 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
- G01N2015/012—Red blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1468—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle
- G01N2015/1472—Optical investigation techniques, e.g. flow cytometry with spatial resolution of the texture or inner structure of the particle with colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
- G01N2035/00891—Displaying information to the operator
- G01N2035/0091—GUI [graphical user interfaces]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Dispersion Chemistry (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
用于显示样本中细胞图像的方法和系统包括获得样本中细胞的多个图像,其中每个图像对应于样本中的一个细胞;基于所述多个图像,为每个细胞确定至少一个属性的值;布置所述多个图像以形成第一图像阵列,其中基于所述至少一个属性的值,所述图像排序在第一图像阵列中;显示第一图像阵列;对所述多个图像进行排序以形成第二图像阵列,其中所述图像的顺序不同于第一图像阵列;以及显示第二图像阵列,其中所述样本包括血液,所述细胞包括红血细胞。
Description
相关申请的交叉引用
本申请根据35U.S.C.§119(e)要求下列美国临时专利申请的优先权,即2011年6月17日提交的第61/498456号;2011年7月22日提交的第61/510614号;2011年7月22日提交的第61/510696号以及2011年7月22日提交的第61/510710号。每个前述申请的全部内容通过引用并入本文。
技术领域
本发明涉及整理和提供信息,包括显示样本图像。
背景技术
分析血液样本的过程通过检测与各个样本相关联的异常而复杂。当这种异常在特定的样本中被检测到时,样本通常是由训练有素的技术人员转送用于人工查看。该技术人员从样本中制备合适的涂片,并试图通过在显微镜下细胞的随机视觉检查来确定当前异常的性质和严重程度,并且在某些情况下,基于此观察来诊断患者的病情。
发明内容
用于评估血液样本细胞成分的常规方法是定性的,并且易受到检查该样本的人类技术人员的解释性错误和主观偏见。通常,血液样本经历初步检查,以确定特定样本的细胞是否表现出任何异常。如果这种异常在样本中被检测到,则该样本被标记用于进一步检查。在随后的检查中,技术人员以随机顺序在显微镜下检查样本中的一系列细胞,同时注意所观察到的细胞的各种特征。然后,技术人员就样本中各种异常的水平做出主观判断。这些主观判断可能导致样本的进一步分析,根据所观察到的异常或者作为“正常”(并因此被错误标记)的样本的分配进行诊断。
不幸的是,传统的样本检查方法通常以随机的方式进行,其中样本内的各种单个细胞由技术人员随机选择并观察,使得系统性地比较评估样本中的多个细胞成为一项困难的任务。本公开的特征表现为,用于以有组织的、系统的方式显示产生于血液样本中多个细胞的信息的方法和系统,以使得技术人员能够快速且准确地评估血液样本内多个细胞特性的变化。特别地,本文所公开的方法和系统允许用户可选择地对单个样本中各个细胞的大量图像进行排序。细胞图像可以通过标准比如尺寸、暗度、圆度以及膜平滑度进行排序。对于各个细胞来说,这些参数中的每个可以被定量地确定。通过根据这些标准对细胞图像进行排序,技术人员就血液样本中异常的水平做出判断的任务可以被大大简化,并且人为主观性及偏差的影响可以得到减少。
一般而言,在第一方面,本公开的特征表现为一种显示样本中细胞图像的方法,其包括(a)获得样本中细胞的多个图像,其中每个图像对应于样本中的一个细胞;(b)基于所述多个图像,为每个细胞确定至少一个属性的值;(c)布置所述多个图像以形成第一图像阵列,其中基于所述至少一个属性的值,所述图像排序在第一图像阵列中;(d)显示所述第一图像阵列;(e)对所述多个图像进行排序以形成第二图像阵列,其中所述图像的顺序不同于第一图像阵列;以及(f)显示所述第二图像阵列,其中,所述样本包括血液,所述细胞包括红血细胞。
该方法的实施例可以包括下列特征中的任何一个或多个。
所述第一图像阵列中的每个图像可以显示为用户可选控制。每个用户可选控制可以配置成使得在被激活时,关于样本中相应细胞的信息得以显示。
所述至少一个属性的值可以包括每个细胞的细胞血红蛋白含量。所述至少一个属性的值可以包括每个细胞的细胞体积。所述至少一个属性的值可以包括每个细胞的细胞尺寸。所述至少一个属性的值可以包括每个细胞的光密度。所述至少一个属性的值可以包括每个细胞的形状。
所述方法可以包括:基于所述多个图像,为每个细胞确定第二属性的值;以及基于所述第二属性的值,对所述多个图像进行排序以形成所述第二图像阵列。所述第二属性的值可以包括每个细胞的细胞血红蛋白含量。所述第二属性的值可以包括每个细胞的细胞体积。所述第二属性的值可以包括每个细胞的细胞尺寸。所述第二属性的值可以包括每个细胞的光密度。所述第二属性的值可以包括每个细胞的形状。
所述方法可以包括基于所述第一图像阵列与第二图像阵列中的至少一个来检测患者的疾病状态。
所述方法可以包括分析所述多个图像来识别细胞中的内含物,其中,所述第二属性是与内含物相关的属性。所述与内含物相关的属性可以包括内含物尺寸、内含物形状和内含物数量中的至少一个。
所述方法可以包括激活在显示装置上的控制,所述第二图像阵列显示在所述显示装置上,以基于所述第二图像阵列来提供样本的评估。
所述方法可以包括:对于所述多个图像中的每个来说,确定与对应于图像的细胞相关联的成组像素;基于所述成组像素,确定每个细胞的参考位置;以及将所述多个图像布置在第一图像阵列中,以使得所述第一图像阵列中每个细胞的参考位置与所述第一图像阵列中相邻细胞的参考位置相等地间隔开。
所述方法可以包括:对于所述多个图像中的每个来说,确定图像中的背景成组像素,其不对应于与图像相关联的细胞,其中,对于所述多个图像中的每个来说,显示所述第一图像阵列包括将颜色分配给所述背景成组像素中的每个成员,以及其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
所述方法可以包括:在显示装置上显示所述第一图像阵列和多个用户可选控制,其中,所述用户可选控制中的每个对应于细胞的不同属性;以及当所述多个用户可选控制之一被激活时,对所述多个图像进行排序以形成所述第二图像阵列,其中,所述第二属性是对应于被激活的控制的属性。
所述方法的实施例还可以包括任何组合(如适用的话)的本文所公开的任何其他步骤或特征。
在另一方面,本公开的特征表现为一种用于视觉检查红血细胞的系统,所述系统包括:(a)光源,其配置成照亮样本中的红血细胞;(b)检测器,其配置成获得红血细胞的多个图像,其中,每个图像对应于样本中红血细胞的不同的一个;(c)显示装置,其配置成显示红血细胞的图像;以及(d)电子处理器,其配置成:(i)基于所述多个图像,为每个细胞确定至少一个属性的值;(ii)布置所述多个图像以形成第一图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第一图像阵列中;(iii)在所述显示装置上显示所述第一图像阵列;(iv)对所述多个图像进行排序以形成第二图像阵列,其中所述图像的顺序不同于第一图像阵列;以及(v)在所述显示装置上显示所述第二图像阵列。
所述系统的实施例可以包括下列特征中的任何一个或多个。
所述显示装置可以配置成将所述第一图像阵列中的每个图像显示为用户可选控制。所述电子处理器可以配置成使得当所述用户可选控制之一被激活时,电子处理器显示有关对应于在所述显示装置上被激活的控制的细胞的信息。
所述至少一个属性的值可以包括每个细胞的细胞血红蛋白含量。所述至少一个属性的值可以包括每个细胞的细胞体积。所述至少一个属性的值可以包括来自由每个细胞的细胞尺寸、每个细胞的光密度以及每个细胞的形状构成的组中的至少一个成员。
所述电子处理器可以配置成基于所述多个图像,为每个细胞确定第二属性的值;以及基于所述第二属性的值,对所述多个图像进行排序以形成所述第二图像阵列。所述电子处理器可以配置成在所述显示装置上显示多个用户可选控制,其中,所述用户可选控制中的每个对应于细胞的不同属性;以及当所述多个用户可选控制之一被激活时,对所述多个图像进行排序以形成所述第二图像阵列,其中,所述第二属性是对应于被激活的控制的属性。
所述电子处理器可以配置成分析所述多个图像来识别细胞中的内含物,其中,所述第二属性是与内含物相关的属性,并且包括内含物尺寸、内含物形状和内含物数量中的至少一个。
所述电子处理器可以配置成对于所述多个图像中的每个来说,确定与对应于图像的细胞相关联的成组像素;基于所述成组像素,确定每个细胞的参考位置;以及将所述第一图像阵列中的多个图像显示在所述显示装置上,以使得第一图像阵列中每个细胞的参考位置与第一图像阵列中相邻细胞的参考位置相等地间隔开。
对于所述多个图像中的每个来说,所述电子处理器可以配置成确定图像中的背景成组像素,其不对应于与图像相关联的细胞;以及通过将颜色分配给所述背景成组像素中的每个成员,显示所述第一图像阵列中的图像,其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
所述系统的实施例可以包括任何组合(如适用的话)的本文所公开的任何其他步骤或特征。
在另一方面,本公开的特征表现为一种计算机可读存储装置,具有编码在其上的计算机可读指令,当由处理器执行时,使所述处理器:(a)获得样本中细胞的多个图像,其中,每个图像对应于样本中细胞的不同一个;(b)基于所述多个图像,为每个细胞确定至少一个属性的值;(c)布置所述多个图像以形成第一图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第一图像阵列中;以及(d)显示所述第一图像阵列,其中,所述样本包括血液,所述细胞包括红血细胞。
所述存储装置的实施例可以包括任何组合(如适用的话)的本文所公开的任何一个或多个步骤或特征。
在另一方面,本公开的特征表现为一种显示样本中细胞图像的方法,其包括:(a)获得样本中细胞的多个图像,其中,每个图像对应于样本中的一个细胞;(b)基于所述多个图像,为每个细胞确定至少一个属性的值;(c)随机地布置所述多个图像以形成第一图像阵列;(d)显示所述第一图像阵列;(e)布置所述多个图像以形成第二图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第二图像阵列中;以及(f)显示所述第二图像阵列。
所述方法的实施例可以包括下列特征中的任何一个或多个。
所述样本可以包括血液,所述细胞可以包括红血细胞。所述样本可以包括血液,所述细胞可以包括血小板。
所述第二图像阵列中的每个图像可以显示为用户可选控制。每个用户可选控制可以配置成使得在被激活时,关于样本中相应细胞的信息得以显示。
所述至少一个属性的值可以包括每个细胞的细胞血红蛋白含量。所述至少一个属性的值可以包括每个细胞的细胞体积。所述至少一个属性的值可以包括每个细胞的细胞尺寸。所述至少一个属性的值可以包括每个细胞的光密度。所述至少一个属性的值可以包括每个细胞的形状。
所述方法可以包括对于所述多个图像中的每个来说,确定图像中的背景成组像素,其不对应于与图像相关联的细胞,其中,对于所述多个图像中的每个来说,显示所述第二图像阵列包括将颜色分配给所述背景成组像素中的每个成员,以及其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
所述方法的实施例可以包括任何组合(如适用的话)的本文所公开的任何其它步骤或特征。
在另一方面,本公开的特征表现一种用于视觉检查细胞的系统,其包括:(a)光源,其配置成照亮样本中的细胞;(b)检测器,其配置成获得细胞的多个图像,其中,每个图像对应于样本中的一个细胞;(c)显示装置,其配置成显示细胞的图像;以及(d)电子处理器,其配置成:(i)基于所述多个图像,为每个细胞确定至少一个属性的值;(ii)随机地布置所述多个图像以形成第一图像阵列;(iii)显示所述第一图像阵列;(iv)布置所述多个图像以形成第二图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第二图像阵列中;以及(v)在所述显示装置上显示所述第二图像阵列。
所述系统的实施例可以包括下列特征中的任何一个或多个。
所述显示装置可以配置成将所述第二图像阵列中的每个图像显示为用户可选控制。所述电子处理器可以配置成使得当所述用户可选控制之一被激活时,电子处理器显示有关对应于在所述显示装置上被激活的控制的细胞的信息。
所述至少一个属性的值可以包括每个细胞的细胞血红蛋白含量。所述至少一个属性的值可以包括每个细胞的细胞体积。所述至少一个属性的值可以包括来自由每个细胞的细胞尺寸、每个细胞的光密度以及每个细胞的形状构成的组中的至少一个成员。
所述电子处理器可以配置成分析所述多个图像来识别细胞中的内含物,其中,所述至少一个属性是与内含物相关的属性,并且包括内含物尺寸、内含物形状和内含物数量中的至少一个。
对于所述多个图像中的每个来说,所述电子处理器可以配置成确定图像中的背景成组像素,其不对应于与图像相关联的细胞,以及通过将颜色分配给所述背景成组像素中的每个成员,显示所述第二图像阵列中的图像,其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
所述系统的实施例还可以包括任何组合(如适用的话)的本文所公开的任何其它步骤或特征。
在另一方面,本公开的特征表现为一种显示样本中细胞图像的方法,所述方法包括:(a)获得样本中细胞的多个图像,其中,每个图像对应于样本中细胞的不同一个;(b)布置所述多个图像以形成图像阵列,其中,根据产生于所述多个图像的每个细胞的至少一个属性,所述图像排序在阵列中;以及(c)将有序阵列的细胞图像显示在用户界面上,其中,每个细胞图像显示为用户可选控制,并且配置成使得当其由用户激活时,关于样本中相应细胞的信息被显示给用户。
所述方法的实施例可以包括下列特征中的任何一个或多个。
所述样本可以包括血液,所述细胞可以包括红血细胞。每个图像可以包括样本中的单个细胞。所述至少一个属性可以包括细胞的尺寸。所述方法可以包括通过计算每个细胞的面积或体积来确定该细胞的尺寸。所述方法可以包括通过计算每个细胞的最大尺寸来确定该细胞的大小。
所述至少一个属性可以包括细胞的光密度。所述方法可以包括通过计算对应于每个细胞的成组像素中每个成员的光密度的总和来确定该细胞的光密度。所述方法可以包括通过基于对应细胞的成组像素计算每个细胞的平均光密度来确定该细胞的光密度。
所述至少一个属性可以包括细胞的形状。所述方法可以包括通过计算每个细胞的面积和周长并且通过确定周长对面积的平方之比的值来确定该细胞的形状。
所述至少一个属性可以包括每个细胞周长的平滑度。所述方法可以包括通过基于与所述细胞相关联的成组边界像素为每个细胞构建凸包来确定每个细胞周长的平滑度。
所述方法可以包括设定所述至少一个属性的阈值,并且显示其中属性的值小于或大于阈值的该细胞的一小部分。
所述至少一个属性可以包括关于细胞内的内含物的信息。关于细胞中内含物的信息可以包括关于细胞内的内含物的尺寸和形状中的至少一个的信息。
所述方法可以包括识别与每个细胞图像相关联的背景区域,并且施加颜色给每个背景区域,其中施加至每个细胞图像的背景区域的颜色对应于相对于阵列中所有细胞中的所述至少一个属性的最大和最小值的细胞的所述至少一个属性的值。
有序阵列可以包括二维矩形布置的细胞图像。有序阵列可以包括径向布置的细胞图像,其中从径向布置中心的每个细胞图像的位移与阵列中所有细胞中的至少一个属性的平均值与对应于该图像的细胞的至少一个属性的值之间的差成比例。
该系统的实施例还可以单独地或与任何前述特征相结合地包括任何组合(如适用的话)的本文所公开的任何其它特征。
在另一方面,本公开的特征表现为用于视觉检查红血细胞的系统,其包括:(a)检测器,其配置成获得血液样本中红血细胞的多个图像,其中,每个图像对应于样本中细胞的不同一个;(b)电子处理器,其配置成根据所述多个图像为每个红血细胞确定至少一个属性的值,并且布置所述多个图像以形成第一图像阵列;(c)界面,其配置成将有序阵列的细胞图像显示为用户可选控制,其中,所述界面配置成使得在细胞图像控制被用户激活时,该界面显示关于样本中相应细胞的信息。
所述系统的实施例可以包括以下特征中的一个或多个。
所述界面可以包括控制,其配置成选择阵列中图像根据其而被排序的至少一个属性。所述至少一个属性可以包括细胞的尺寸或体积、细胞的光密度、细胞的形状和/或每个细胞周长的平滑度。
所述界面可以包括控制,其配置成选择所述至少一个属性的阈值。所述至少一个属性可以包括关于细胞内的内含物的信息,该信息包括细胞内的内含物的尺寸和形状中的至少一个。
所述界面可以配置成将有序阵列显示为二维矩形布置的细胞图像。该界面可以配置成将有序阵列显示为径向布置的细胞图像,其中从径向布置中心的每个细胞图像的位移与阵列中所有细胞中的至少一个属性的平均值与对应于该图像的细胞的至少一个属性的值之间的差成比例。
该系统的实施例还可以单独地或与任何前述特征相结合地包括任何组合(如适用的话)的本文所公开的任何其它特征。
在另一方面,本公开的特征表现为评估血液样本的方法,所述方法包括:(a)获得多个样本图像,其中每个图像对应于样本中的单个红血细胞;(b)基于该细胞的图像,为每个红血细胞计算属性;(c)布置所述多个图像以形成图像阵列,并且在显示装置上显示该阵列;在该显示装置上激活第一控制以在阵列中对这些图像进行重新排序,其中基于所计算的属性,对图像进行重新排序;以及(d)在该显示装置上激活第二控制,以基于图像的重新排序的阵列来提供样本的评估。
该方法的实施例可以包括下列特征中的任何一个或多个。
所述属性可以包括红血细胞的尺寸。所述方法可以包括通过计算细胞的面积或体积来确定红血细胞的尺寸。所述方法可以包括通过计算细胞的最大尺寸来确定红血细胞的大小。
所述属性可以包括红血细胞的光密度。所述方法可以包括通过计算对应于细胞的成组像素中每个成员的光密度的总和来确定红血细胞的光密度。所述方法可以包括通过基于对应于细胞的成组像素计算平均光密度来确定红血细胞的光密度。
所述属性可以包括红血细胞的形状。所述方法可以包括通过计算细胞的面积和周长并且通过确定周长对面积的平方之比的值来确定红血细胞的形状。
所述属性可以包括红血细胞周长的平滑度。所述方法可以包括通过基于与细胞相关联的成组边界像素为细胞构建凸包来确定红血细胞周长的平滑度。
所述方法可以包括设定属性的阈值,并且显示其中属性的值小于或大于阈值的红血细胞的一小部分。
所述属性可以包括关于红血细胞内的内含物的信息。
所述方法可以包括识别与阵列中每个细胞相关联的背景区域,并且施加颜色给每个背景区域,其中施加至每个细胞的背景区域的颜色对应于相对于阵列中所有细胞中的最大和最小值的细胞的属性的值。
所述阵列可以包括径向布置的红血细胞图像,其中从径向布置中心的每个细胞图像的位移与阵列中所有细胞中的属性的平均值与对应于该图像的细胞的属性的值之间的差成比例。
激活所述第二控制可以包括选择控制的一部分,以表明对应于血液样本的患者不具有疾病状态。激活所述第二控制可以包括选择控制的一部分,以表明对应于血液样本的患者存在疾病状态。
所述疾病状态可以包括小红细胞症、大红细胞症和红血细胞大小不等症中的至少一个。
所述方法的实施例还可以单独地或与任何前述特征相结合地包括任何组合(如适用的话)的本文所公开的任何其它特征。
在另一方面,本公开的特征表现为用于评估血液样本的系统,其包括:(a)检测器,其配置成获得样本的多个图像,其中,每个图像对应于样本中的单个红血细胞;(b)电子处理器,其配置成基于该细胞的图像为每个红血细胞计算属性,并且布置所述多个图像以形成图像阵列;以及(c)界面,其包括:(i)显示装置,配置成显示图像阵列;(ii)第一控制,配置成使得当该第一控制被激活时,所述电子处理器基于所计算的属性对图像进行重新排序,以及(iii)第二控制,配置成使得当该第二控制被激活时,所述电子处理器基于此激活记录样本的评估。
所述系统的实施例可以包括以下特征中的任何一个或多个。
所述属性可以包括红血细胞的尺寸、红血细胞的光密度、红血细胞的形状、红血细胞周长的平滑度、和/或关于红血细胞内的内含物的信息。所述界面可以包括配置成选择属性阈值的第三控制。
所述系统的实施例还可以单独地或与任何前述特征相结合地包括任何组合(如适用的话)的本文所公开的任何其它特征。
在另一方面,本公开的特征表现为检测患者中疾病状态的方法,所述方法包括:(a)形成第一阵列的图像,每个图像对应于来自从患者中抽取的血液样本的红血细胞;(b)对第一阵列的图像进行排序,以形成第二阵列的图像,其中在所述第二阵列中的图像是基于从图像中所确定的红血细胞的属性而被排序的;以及(c)基于所述第二阵列的图像,检测疾病状态。
所述方法的实施例可以包括以下特征中的任何一个或多个。
所述属性可以包括红血细胞的尺寸、光密度、形状以及平滑度中的至少一个。所述方法可以包括设定属性的阈值,并且显示其中属性的值小于或大于阈值的该细胞的一小部分。所述疾病状态可以包括小红细胞症、大红细胞症和红血细胞大小不等症中的至少一个。
所述属性可以包括关于细胞内的内含物的信息,关于内含物的信息包括关于细胞内的内含物的尺寸和形状中的至少一个的信息。
所述方法可以包括识别与每个图像相关联的背景区域,并且施加颜色给每个背景区域,其中施加至每个图像的背景区域的颜色对应于相对于对应图像的所有细胞中的所述至少一个属性的最大和最小值的相应细胞的属性的值。
所述方法的实施例还可以单独地或与任何前述特征相结合地包括任何组合(如适用的话)的本文所公开的任何其它特征。
在另一方面,本公开的特征表现为评估红血细胞中内含物的方法,所述方法包括:(a)获得多个样本图像,其中每个图像对应于样本中的单个红血细胞;(b)分析图像以识别细胞中的内含物;(c)布置所述多个图像以形成图像阵列,并且在显示装置上显示该阵列;(d)在该显示装置上激活第一控制以在阵列中对这些图像进行重新排序,其中基于与内含物相关的属性,对图像进行重新排序;以及(e)在该显示装置上激活第二控制,以基于图像的重新排序的阵列来提供内含物的评估。
所述方法的实施例可以单独地或与任何其他所公开的特征相结合地包括任何组合(如适用的话)的本文所公开的任何特征。
在另一方面,本公开的特征表现为显示样本中细胞图像的方法,所述方法包括:(a)获得样本图像,其中所述样本图像包括多个红血细胞;(b)识别与每个细胞相关联的成组像素,每组像素形成细胞图像;(c)基于所述成组像素,为每个细胞确定参考位置;以及(d)布置细胞图像以形成图像阵列,其中布置细胞图像包括定位细胞图像,以使得阵列中每个细胞的参考位置与阵列中相邻细胞的参考位置相等地间隔开。
所述方法的实施例可以单独地或与任何其他所公开的特征相结合地包括任何组合(如适用的话)的本文所公开的任何特征。
在另一方面,本公开的特征表现为评估血液样本的方法,所述方法包括:(a)获得多个样本图像,其中每个图像对应于样本中的单个红血细胞;(b)基于该细胞的图像,为每个红血细胞计算属性;(c)布置所述多个图像以形成图像阵列,其中图像基于所计算的属性而被排序在阵列中;(d)识别与每个细胞相关联的背景区域;以及(e)显示图像阵列,其中显示图像阵列包括,对于具有背景区域的每个细胞来说,基于细胞的属性的值将颜色分配给背景区域。
所述方法的实施例可以单独地或与任何其他所公开的特征相结合地包括任何组合(如适用的话)的本文所公开的任何特征。
在另一方面,本公开的特征表现为一种显示样本中细胞图像的方法,所述方法包括:(a)获得样本中细胞的多个图像,其中每个图像对应于样本中细胞的不同一个;(b)布置所述多个图像以形成图像阵列,其中根据产生于所述多个图像的每个细胞的至少一个属性,所述图像排序在阵列中;以及(c)显示有序阵列的图像,其中所述样本包括血液,所述细胞包括红血细胞。
所述方法的实施例可以包括下列特征中的任何一个或多个。
每个图像可以包括样本中的单个细胞。
所述至少一个属性可以包括细胞的尺寸。所述方法可以包括通过计算每个细胞的面积或体积来确定该细胞的尺寸。所述方法可以包括通过计算每个细胞的最大尺寸来确定该细胞的大小。
所述至少一个属性包括细胞的光密度。所述方法可以包括通过计算对应于每个细胞的成组像素中每个成员的光密度的总和来确定该细胞的光密度。所述方法可以包括通过基于对应细胞的成组像素计算每个细胞的平均光密度来确定该细胞的光密度。
所述至少一个属性可以包括细胞的形状。所述方法可以包括通过计算每个细胞的面积和周长并且通过确定周长对面积的平方之比的值来确定该细胞的形状。
所述至少一个属性可以包括每个细胞周长的平滑度。所述方法可以包括通过基于与所述细胞相关联的成组边界像素为每个细胞构建凸包来确定每个细胞周长的平滑度。
所述方法可以包括设定所述至少一个属性的阈值,并且显示其中属性的值小于或大于阈值的该细胞的一小部分。
所述至少一个属性可以包括关于细胞内的内含物的信息。关于细胞中内含物的信息可以包括关于细胞内的内含物的尺寸和形状中的至少一个的信息。
所述方法可以包括识别与每个细胞图像相关联的背景区域,并且施加颜色给每个背景区域,其中施加至每个细胞图像的背景区域的颜色对应于相对于阵列中所有细胞中的所述至少一个属性的最大和最小值的细胞的所述至少一个属性的值。
有序阵列可以包括二维矩形布置的细胞图像。有序阵列可以包括径向布置的细胞图像,其中从径向布置中心的每个细胞图像的位移与阵列中所有细胞中的至少一个属性的平均值与对应于该图像的细胞的至少一个属性的值之间的差成比例。
所述方法的实施例还可以单独地或与任何前述特征相结合地包括任何组合(如适用的话)的本文所公开的任何其它特征。
在另一方面,本公开的特征表现为用于视觉检查红血细胞的系统,所述系统包括:(a)检测器,其配置成获得血液样本中红血细胞的多个图像,其中每个图像对应于样本中细胞的不同一个;(b)电子处理器,其配置成根据所述多个图像为每个红血细胞确定至少一个属性的值,并且布置所述多个图像以形成图像阵列;其中图像根据所述至少一个属性的值而被排序在该阵列中;以及(c)界面,其配置成显示有序阵列的图像。
所述系统的实施例可以包括以下特征中的任何一个或多个。
所述界面可以包括控制,其配置成选择阵列中图像根据其而被排序的至少一个属性。所述至少一个属性可以包括细胞的尺寸或体积、细胞的光密度、细胞的形状、每个细胞周长的平滑度、和/或关于细胞内的内含物的信息,该信息包括细胞内的内含物的尺寸和形状中的至少一个。所述界面可以包括控制,其配置成选择所述至少一个属性的阈值。
所述界面可以配置成将有序阵列显示为二维矩形布置的细胞图像。该界面可以配置成将有序阵列显示为径向布置的细胞图像,其中从径向布置中心的每个细胞图像的位移与阵列中所有细胞中的至少一个属性的平均值与对应于该图像的细胞的至少一个属性的值之间的差成比例。
所述系统的实施例还可以单独地或与任何前述特征相结合地包括任何组合(如适用的话)的本文所公开的任何其它特征。
除非另有定义,本文所使用的所有技术和科学术语具有与由本公开内容所属领域的普通技术人员通常所理解的相同的含义。虽然与本文所描述的类似或等同的方法和材料可用于本发明的实践或测试中,但下面将描述合适的方法和材料。本文所提及的所有出版物、专利申请、专利和其它参考文献都以其整体通过引用并入本文。在冲突的情况下,以本说明书包括定义为准。此外,材料、方法和示例仅是说明性的,并不旨在进行限制。
在另一方面,本公开的特征表现为编码有计算机可读指令的计算机可读存储装置。由处理器执行计算机可读指令导致以下操作中的一个或多个。
可以获得血液样本中细胞的多个图像,其中每个图像对应于样本中细胞的不同一个。可以布置所述多个图像以形成图像阵列,其中根据产生于所述多个图像的每个细胞的至少一个属性,所述图像排序在阵列中。有序阵列的细胞图像可以显示在用户界面上,其中每个细胞图像显示为用户可选控制,并且配置成使得当其由用户激活时,关于样本中相应细胞的信息被显示给用户。可以通过计算每个细胞的面积或体积来确定该细胞的尺寸。可以通过计算对应于每个细胞的成组像素中每个成员的光密度的总和来确定该细胞的光密度。还可以通过基于对应细胞的成组像素计算每个细胞的平均光密度来确定该细胞的光密度值。可以通过计算每个细胞的面积和周长并且通过确定周长对面积的平方之比的值来确定该细胞的形状。可以通过基于与所述细胞相关联的成组边界像素为每个细胞构建凸包来确定每个细胞周长的平滑度。可以设定所述至少一个属性的阈值,并且可显示其中属性的值小于或大于阈值的该细胞的一小部分。可以识别与每个细胞图像相关联的背景区域,并且可以施加颜色给每个背景区域,其中施加至每个细胞图像的背景区域的颜色对应于相对于阵列中所有细胞中的所述至少一个属性的最大和最小值的细胞的所述至少一个属性的值。
可以获得血液样本的多个图像,其中每个图像对应于样本中的单个红血细胞。可以基于该细胞的图像确定每个红血细胞的属性。可以布置所述多个图像以形成图像阵列,并且可以在显示装置上显示该阵列,其中每个图像对应于样本中的单个红血细胞。可以在该显示装置上激活第一控制以在阵列中对这些图像进行重新排序,其中基于所计算的属性对图像进行重新排序。可以在该显示装置上激活第二控制,以基于图像的重新排序的阵列来提供样本的评估。可以通过计算对应于细胞的成组像素中每个成员的光密度的总和来确定红血细胞的光密度。可以通过基于对应细胞的成组像素计算平均光密度来确定红血细胞的光密度。可以通过计算细胞的面积和周长并且通过确定周长对面积的平方之比的值来确定红血细胞的形状。所述第二控制可以通过选择该控制的一部分而被激活,以表明对应于血液样本的患者中存在疾病状态。
可以形成第一阵列的图像,每个图像对应于来自从患者中抽取的血液样本的红血细胞。可以对第一阵列的图像进行排序,以形成第二阵列的图像,其中在所述第二阵列中的图像是基于从图像中所确定的红血细胞的属性而被排序的。可以基于所述第二阵列的图像来检测疾病状态。
可以获得血液样本的多个图像,其中每个图像对应于样本中的单个红血细胞。可以分析图像以识别细胞中的内含物。可以布置所述多个图像以形成图像阵列,并且可以在显示装置上显示该阵列。可以激活显示装置上的第一控制以在阵列中对这些图像进行重新排序,其中基于与内含物相关的属性对图像进行重新排序;并且可以激活显示装置上的第二控制,以基于图像的重新排序的阵列来提供内含物的评估。
可以获得样本图像,其中所述样本图像包括多个红血细胞。可以识别与每个细胞相关联的成组像素,其中每组像素形成细胞图像。可以基于所述成组像素为每个细胞确定参考位置,并且可以布置细胞图像以形成图像阵列,其中布置细胞图像包括定位细胞图像,以使得阵列中每个细胞的参考位置与阵列中相邻细胞的参考位置相等地间隔开。
可以获得血液样本的多个图像,其中每个图像对应于样本中的单个红血细胞。可以基于该细胞的图像为每个细胞确定属性。可以布置所述多个图像以形成图像阵列,其中图像基于所计算的属性而被排序在阵列中。可以识别与每个细胞相关联的背景区域,并且可以显示图像阵列,其中显示图像阵列包括,对于具有背景区域的每个细胞来说,基于细胞的属性的值将颜色分配给背景区域。
可以获得血液样本中细胞的多个图像,其中每个图像对应于样本中细胞的不同一个。可以布置所述多个图像以形成图像阵列,其中根据产生于所述多个图像的每个细胞的至少一个属性,所述图像排序在阵列中。可以显示有序阵列的图像,其中所述样本包括血液,所述细胞包括红血细胞。
本公开的特征还表现为具有其上编码有计算机可读指令的计算机可读存储装置,其在由处理器执行时促使处理器执行任何组合(如适用的话)的本文所公开的方法或方法步骤。
一个或多个实施例的细节阐述于附图及下面的说明书中。根据说明书、附图及权利要求书,其它特征和优点将是显而易见的。
附图说明
图1是用于制备和检查血液样本的自动化系统的示意图。
图2是示出了用于获取和显示红血细胞图像的一系列步骤的流程图。
图3是样本检查和分析系统的示意图。
图4是示出了用于定位和选择样本图像中红血细胞的一系列步骤的流程图。
图5是示出了细胞边界的细胞的示意性图像。
图6是示出了为每个细胞所确定的两个细胞和凸包的示意图。
图7是用于显示红血细胞图像的图形用户界面的图像。
图8是用于显示其中的图像由尺寸排序的红血细胞图像的图形用户界面的图像。
图9是用于显示其中的图像由暗度排序的红血细胞图像的图形用户界面的图像。
图10是用于显示其中的图像由圆度排序的红血细胞图像的图形用户界面的图像。
图11是用于显示其中的图像由平滑度排序的红血细胞图像的图形用户界面的图像。
图12是在其中的图像相对于细胞属性的平均值定位的细胞图像阵列的示意图。
图13A是用于显示红血细胞图像及与细胞相关联的参数的分布的图形用户界面的图像。
图13B是用于分类红血细胞图像的图形用户界面的图像。
图14A和14B是用于显示包括取样显示块的血小板图像的图形用户界面的图像。
图15是用于显示包括消息显示块的红血细胞图像的图形用户界面的图像。
图16是用于显示病历的图形用户界面的图像。
图17是用于显示血液成分图像的图形用户界面的图像。
图18A-18C是用于显示和人工分类细胞图像的图形用户界面的图像。
图19是计算机系统的示意图。
各个附图中的相同参考符号表示相同的元件。
具体实施方式
全血细胞计数(CBC)是广泛的筛选试验,通常用来确定患者的整体健康状况。临床医生和实验室技术人员通常使用CBC参数来检查患者的血液,以便取证各种疾病,包括各种感染、贫血或其他异常或正常生理条件。这些参数通常包括白血细胞计数(例如,每单位血液体积的白血细胞数)、白血细胞分类计数(例如,样本中存在的嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞以及嗜碱性粒细胞的数量)、红血球计数(例如,每单位血液体积的红血细胞数)、血红蛋白、血细胞比容(例如,给定体积全血中的红血细胞的百分比)、血小板计数(例如,每单位血液体积的血小板数)、平均细胞体积(例如,红血细胞的平均体积)、平均细胞血红蛋白(例如,每个红血细胞的血红蛋白的平均量)、平均细胞血红蛋白浓度(例如,每个红血细胞的血红蛋白的平均浓度)、以及红血细胞分布宽度(例如,样本中红血细胞的尺寸的变化范围)。因为确定CBC涉及多次测量,所以人工执行CBC费时,并且容易由于技术人员的直接参与而产生不一致性。
因此,已经开发出了系统和方法,用于执行自动的CBC测量。在随后的讨论中,将通过用于说明目的的示例进行参照,以对红血细胞进行分析。然而,应该理解的是,本文所公开的系统和方法可以用于分析各种不同的血液成分,包括白血细胞和血小板。
旨在分析红血细胞的常规系统,比如流式细胞仪系统,只提供有关血液样本中红血细胞的各种特征的变化的相对不复杂的信息。例如,这样的系统通常提供特定样本中估计的红血细胞尺寸的直方图;技术人员然后分析直方图中细胞尺寸的分布,并且基于该分布试图就样本是否不规则做出决定。
本文所公开的方法和系统就血液样本中存在的红血细胞的各种性能提供显著更加详细的信息。此外,该信息以图形显示格式存在,其允许技术人员查看单个红血细胞的图像,并且通过根据属性有选择地对图像进行排序来直接观察各种细胞属性的趋势。
本文所公开的系统和方法分析血液样本,以获得血液成分的多个图像。例如,为了获得关于样本中红血细胞的信息(例如,作为CBC测定的部分),通过使用将在下文讨论的方法,获得样本内红血细胞的多个图像。通过显示在显示单元(例如,图3中的显示器110)上的图形用户界面,向技术人员提供红血细胞图像和定量的信息。电子处理器(例如,图3中的电子处理器114)控制所显示的图像和信息,且该界面允许技术人员与所显示的信息进行交互,并且改变信息的各种视图及与之相关联的设定。
图像显示界面
图7示出了用于显示红血细胞图像的图形用户界面700的实施例的图像。界面700包括身份块702、图像块704、排序块706以及数据块708。身份块702用于显示关于由技术人员查看的样本的各种信息。该信息包括:患者的姓名;相关的病历号;样本号;患者的出生日期、年龄、性别和民族;初步诊断;主治医生的姓名和部门;医院或实验室名称;以及血液样本的绘制时间。
图像块704显示各个红血细胞的图像。通常,细胞图像布置在二维阵列中。阵列中的连续条目通常可以相对彼此定位在任何布置中。例如,在一些实施例中,连续条目布置成在行中彼此相邻,并且当达到行的端部时,阵列中的下一条目定位为后续行中的第一条目。在某些实施例中,连续条目布置成在列中彼此相邻,并且当达到列的端部时,阵列中的下一条目定位为后续列中的第一条目。在一些实施例中,相邻的条目可以形成更复杂的布置。例如,相邻的条目可以以螺旋图案彼此跟随,开始于图像块704中二维阵列的中心并向外移动,或者开始于图像块704的外边缘并螺旋向内朝向中心。
数据块708提供了由电子处理器114所计算的用于正在查看的样本的各种统计信息和指标。此信息可以包括任何与样本中红血细胞相关联的以下各项:
(a)样本中的红血细胞计数(RBC),其可以以106/微升为单位进行报告;
(b)样本中的血红蛋白浓度(Hgb),其可以以g/dL为单位进行报告,并且可以从红血细胞计数与平均细胞血红蛋白浓度的乘积来计算;
(c)样本血细胞比容(Hct),以百分比进行报告,其可以从平均细胞体积与除以样本体积的红血细胞的总数的乘积来计算;
(d)平均细胞体积(MCV),其可以以fL为单位进行报告;
(e)平均细胞血红蛋白含量(MCH),其可以以pg为单位进行报告;
(f)平均细胞血红蛋白浓度(MCHC),其可以以g/dL为单位进行报告,并且可以被计算为比率MCH/MCV且对应于红血细胞中血红蛋白的浓度;
(g)红血细胞分布宽度(RDW-CV),其可以以百分比进行报告,并且可以从除以在样本中所识别和检验的单个红血细胞的体积的平均值的单个红血细胞体积的分布的标准偏差来计算;
(h)红血细胞分布宽度(RDW-SD),其可以基于样本中红血细胞体积的分布的直方图来确定;
(i)有核红血细胞计数(NRBC),其对应于样本中有核红血细胞的数量,并且可以以103/微升为单位进行报告;
(j)有核红血细胞百分比(NRBC%),其对应于为红血细胞的样本中所识别的有核细胞的百分比;
(k)网织红血细胞计数(Retic),其对应于样本中网织红血细胞的数量,并且可以以106/微升为单位进行报告;
(l)网织细胞百分比(Retic%),其对应于在与网织红血细胞相同的被识别的中的所有红血细胞的百分比;以及
(m)网织红血细胞血红蛋白(RetHE),其对应于网织红血细胞中的血红蛋白浓度,并且可以以g/dL为单位进行报告。
此外,所报告的信息可以包括关于样本血小板计数(PLT,其可以以103/微升为单位进行报告)和/或平均血小板体积测量(MPV,其可以以fL进行报告)的信息。
所报告的信息还可以包括与样本中白血细胞相关的一个或多个指标。这些指标包括:
(a)样本的白血细胞计数(WBC),其可以以103/微升为单位进行报告;
(b)样本的嗜中性粒细胞计数(NEUT),其可以以103/微升为单位进行报告,和/或样本中所有白血细胞中的嗜中性粒细胞的百分比(NEUT%);
(c)样本的淋巴细胞计数(LYMPH),其可以在103/微升为单位进行报告,和/或样本中所有白血细胞中的淋巴细胞的百分比(LYMPH%);
(d)样本的单核细胞计数(MONO),其可以以103/微升为单位进行报告,和/或样本中所有白血细胞中的单核细胞的百分比(%MONO);
(e)样本的嗜酸性粒细胞计数(EOS),其可以以103/微升为单位进行报告,和/或样本中所有白血细胞中的嗜酸性粒细胞的百分比(%EOS);
(f)样本的嗜碱性粒细胞计数(BASO),其可以以103/微升为单位进行报告,和/或样本中所有白血细胞中的嗜碱性粒细胞的百分比(%BASO);以及
(g)样本的未分类细胞计数(UC),其可以以103/微升为单位进行报告,和/或样本中所有白血细胞中的未分类细胞的百分比(%UC)。
图像块704中的图像可以以随机的顺序显示。例如,当单个细胞位于一个或多个样本图像中时,图像块704中的阵列可以填入图像。
排序块706包括可以由技术人员激活的各种控制,以根据各个红血细胞的各种属性对图像块704中的图像进行排序。例如,通过选择控制706a,技术人员可以根据尺寸对细胞图像进行排序,最大的细胞出现为阵列中的第一条目,最小细胞出现为阵列中的最后条目。相反,通过选择控制706b,技术人员可以对细胞图像进行排序,以使得阵列中的第一条目对应于最小细胞,阵列中的最后条目对应于最大细胞。在一些实施例中,细胞尺寸等于细胞面积或与之相关,其可以通过使用本文随后所讨论的方法来确定。在某些实施例中,细胞体积等于细胞尺寸或与之相关,并且技术人员可以通过激活控制706a和/或706b根据细胞体积对细胞图像进行排序。例如,细胞体积可以通过使用在美国专利申请序列第13/447045号中所公开的方法来确定。在一些实施例中,细胞尺寸是指每个特定细胞的最大尺寸。为了确定细胞的最大尺寸,对应于细胞的成组像素中的成对像素之间的距离被计算;最大的这样的距离对应于细胞的最大尺寸。通过以这种方式计算每个细胞的“尺寸”,阵列中的图像可以迅速通过激活控制706a和/或706b而得以排序。图8示出了根据细胞尺寸排序的图7中的成组细胞图像,最大细胞作为阵列中的第一条目。
图7的图像块704中的细胞图像还可以根据光密度来进行排序。通过激活控制706c,图像可以从“最暗”到“最亮”进行排序。相反,通过激活控制706d,图像可以从最亮到最暗进行排序。“最暗”图像是其中像素的光密度是最大的(例如,透射光的量是最小的)一个,而“最亮”的图像是其中像素的光密度是最小的(例如,透射光的量是最大的)一个。图像暗度可以以各种方式进行测量。例如,在一些实施例中,图像的“暗度”被计算为图像中所有像素的平均光密度。通常,像素的光密度取自对应于电磁光谱的蓝色区域中的透射光的图像,因为含有血红蛋白的细胞表现出在这样的图像中的明显吸收。更一般地,然而,像素的光密度还可以取自对应于光谱其他区域的图像,并且单独使用或与在光谱的蓝色区域中所确定的光密度组合使用。
可替换地,在某些实施例中,图像的“暗度”被计算为图像中所有像素的积分光密度。在一些实施例中,组分比如血红蛋白的量等于细胞暗度或与之相关。因此,通过激活控制706c和/或706d,技术人员可以根据细胞中的成分量对在细胞块704中的图像进行排序。在某些实施例中,单独的控制提供在排序块706(图7中未示出)内,以允许通过细胞内特定成分的量进行排序。例如,控制被提供以允许技术人员根据细胞内血红蛋白的量对细胞图像的阵列进行排序。公开了用于确定组分比如细胞内血红蛋白的量的方法,例如在美国专利申请第13/446967中。无论用于确定每个图像的暗度的指标,图像块704中的细胞图像可以通过激活控制706c和/或706d而被迅速地排序。图9示出了根据细胞暗度排序的图7中的成组细胞图像,最暗细胞作为阵列中的第一条目。
通过激活控制706e和706f,图像块704中的细胞图像可以根据形状进行排序。每个细胞形状(或“圆度”)的测量可以通过比较细胞的周长与其面积的平方之比来确定。对于横截面是完美圆形的细胞来说,该比值具有的值为4π。细胞的横截面形状是非圆形的程度越大,则该比值超过4π的量就越大。通过激活控制706e,技术人员可以根据圆度对图像块704中的图像进行排序,在第一阵列位置中的细胞具有最圆的横截面形状。激活控制706f则在相反的意义上对细胞进行排序,在第一阵列位置中的细胞具有最不圆的横截面形状。图10示出了根据圆度排序的图7中的成组细胞图像,最圆细胞作为阵列中的第一条目。
图像块704中的细胞图像还可以根据细胞周长的“平滑度”进行排序。例如,通过激活控制706g,技术人员可以对细胞图像进行排序,以使得具有最平滑周长的细胞出现为阵列中的第一条目。通过激活控制706h,技术人员可以对图像进行排序,以使得最不光滑周长的细胞出现为第一条目。一般情况下,可以通过计算根据与细胞相关联的多边形所确定的细胞周长与根据其相关联的凸包所确定的细胞周长之比来为每个细胞图像确定“平滑度”,如本文随后所述。对于形状上纯粹凸起(例如圆形)的细胞来说,这两个周长的比值将具有的值为1。对于具有表面起伏的细胞来说,周长比值将大于1。图11示出了根据平滑度排序的图7中的成组细胞图像,具有最平滑周长的细胞作为阵列中的第一条目。
界面700还允许技术人员建立多个阈值,用于评估与图像块704中细胞相关的属性的分布的目的。例如,参照图8,界面700允许技术人员设置上限尺寸阈值802。界面700然后向技术人员报告具有超过上限尺寸阈值的尺寸的细胞的百分比。通过根据尺寸对细胞图像进行排序,技术人员然后可以确定例如在样本中是否存在大红细胞症。类似地,界面700允许技术人员设置下限尺寸阈值804。界面700然后向技术人员报告具有小于下限尺寸阈值的尺寸的细胞的百分比,并且技术人员然后评估在样本中是否存在小红细胞症。此外,通过比较检查尺寸大于上限阈值802、小于下限阈值804以及在上限与下限阈值之间的细胞的百分比,技术人员可以确定样本中是否存在红血细胞大小不等症。界面700还可以包括用户可选控制(例如,如图13B所示的单选按钮),其允许技术人员指示对要进行查看的样本是否怀疑有小红细胞症、大红细胞症或红血细胞大小不等症。
由系统所计算的并且通过界面700报告给技术人员的其他参数和指标还可以用于(例如,通过技术人员,或通过医生)检测、识别和/或诊断患者的疾病状况。例如,患者的报告的红血细胞计数低的信息可用于检测或识别患者贫血和/或全身疲劳的可能性。同样,患者的报告的血红蛋白浓度低的信息可用于检测或识别与患者血液携带氧气至身体组织的能力下降相关联的患者中的铁缺乏和贫血的可能性。关于平均细胞体积大于或小于预定阈值和/或平均细胞血红蛋白测量低的信息还可以用于检测或识别患者的贫血。
关于低血小板计数的信息可用于诊断患者中的血小板减少症。关于高白血细胞计数的信息可以由技术人员使用来检测或识别患者中可能的现症感染。相反,关于低白血细胞计数的信息可用于检测或识别感染的风险增加。特别是,中性粒细胞、淋巴细胞和/或单核细胞的低计数可能表明患者感染细菌、病毒或真菌的风险增加。关于嗜酸性粒细胞和/或嗜碱性粒细胞的高计数信息可以用来检测患者感染过敏和/或寄生虫的可能性。
许多疾病状况的检测可能部分地取决于建立由系统所报告的各种参数和指标的阈值。通过建立这样的阈值,技术人员可以快速确定单个细胞是否落在该阈值范围内,以及由界面700所显示的细胞的什么部分落在给定排序参数的下限和上限阈值以外。
一般而言,对于与图像阵列中的细胞相关联的任何参数来说,界面700允许技术人员建立一个或多个阈值条件。即查看技术人员可以为红血细胞的暗度、圆度以及平滑度设定阈值。对于每个阈值来说,界面700将位于阈值的任一侧上的细胞的百分比(和/或计数)报告给技术人员。当建立多个阈值时,界面700可以配置成报告位于每个界限对阈值之间的细胞的百分比和/或计数。在一些实施例中,阈值是完全用户可选的,并且由技术人员处理建立。在某些实施例中,各种属性的合适阈值可以得到,例如来自医院和/或临床实验室,并且存储用于在技术人员指导下的选择性应用。表1示出了可以由系统报告的各种CBC参数的示例性上下限阈值;基于比如这些参数,技术人员可以确定与患者样本相关联的一个或多个参数是否落在可接受的范围之外,并且可以使用此信息来检测或识别患者的疾病状况。
表1
除了上面所公开的分类准则,细胞图像可以根据多种其它属性和指标进行排序。在一些实施例中,细胞图像可以根据特定频谱带内的其暗度进行排序。例如,某些染色剂是已知的,选择性地结合到红血细胞中的RNA,其以较大浓度存在于网织红血细胞中。通过根据其在电磁光谱的蓝色区域中的光密度对细胞进行排序,可以对样本中网织红血细胞的存在与分布进行评估。例如,当由于创伤所失去的血被替换时,年轻网织红血细胞往往从骨髓释放。通过根据其在光谱的蓝色区域中的光密度对细胞进行排序,可以确定样本中年轻网织红血细胞的数量;这可以用来推断出关于患者中血液置换活动的信息。网织红血细胞还可以通过测量黄色和蓝色波长入射光的每个细胞的相对吸收而被识别。网织红血细胞通常比成熟红血细胞更强烈以黄色波长吸收,因为特别用于细胞RNA的所施加的染色剂在电磁光谱的黄色区域具有吸收峰值。另外,网织红血细胞通常比成熟红血细胞在光谱的蓝色区域吸收较弱,因为网织红血细胞中血红蛋白还没有完全形成。
更一般地,细胞图像可以根据在各种不同波长的光密度进行排序。在一些实施例中,例如,细胞图像可以根据在光谱的黄色、蓝色、绿色或红色区域中的光密度来排序。在某些实施例中,细胞图像可以根据产生于多个波长光密度的指标来排序。例如,细胞图像可以根据在黄色和蓝色区域中的光密度之间的差进行排序。
在一些实施例中,红血细胞中的一个或多个内含物的存在可以被识别。例如,疟原虫通常出现为细胞图像中的小环。由浓缩的RNA和/或DNA的区域所产生的嗜碱性点彩通常显示为红血细胞图像中的蓝色小点。这些状况可以被自动识别并报告给技术人员。更一般地,内含物可以出现在细胞图像中作为小暗区以大小适中;这些地区存在的不规则表明这些区域对应于内含物。技术人员还可以根据内含物的存在和/或不存在、内含物的数量和/或内含物的尺寸对阵列图像进行排序,以评估因素,比如样本中存在感染。还可以根据内含物的其它几何属性,包括内含物的形状、圆度和平滑度对图像进行排序。内含物的这些属性可以以与对细胞同样的方式被确定,如上文所公开。
通常,细胞还可以根据测量比如在电磁频谱(例如多色、减色)的特定区域中的吸收(或不存在吸收),通过细胞质比率,并且通过光密度的标准偏差来进行排序。特别地,基于存在中央苍白或“靶”状横截面强度分布,通过光密度的标准偏差进行排序可以允许细胞排序。通过分别选择细胞,这样的细胞可以进一步区别于彼此;当细胞被单独选择时,系统显示所选择的细胞的放大图像,技术人员然后可以使用其在不同预期的横截面形状之间区分。
在某些实施例中,图像块704中的背景区域可以是颜色编码的,以突出细胞的特定特征。例如,不是(或除了)表示使用如图8中的分隔线的阈值,对于具有落在某些阈值的上面、下面或之内的属性的细胞的背景区域可被着色,以图形化地表明相对于该属性的细胞的值的相对分布。在一些实施例中,细胞图像在界面700中进行排序所基于的属性的变化率可以用来建立图像块704中背景区域的颜色梯度。也就是说,细胞图像阵列中的第一位置可以对应于特定的背景颜色,阵列中的最后位置可以对应于不同的背景颜色,并且根据细胞图像进行排序所基于的属性的变化率可以用来映射阵列中第一与最后细胞图像之间的每个细胞图像的颜色的梯度。
在一些实施例中,通过施加突出(例如,包围细胞)至图像,每个细胞图像中的细胞可以被颜色编码。如上文所公开,所施加的突出可以从第一阵列条目至最后阵列条目颜色不同,以描述形成用于排序阵列的基础的细胞属性的变化。例如,当阵列根据形状进行排序时,具有高度圆形横截面的细胞可以用红色包围,具有高度非圆形横截面的细胞可以用蓝色包围,中间横截面形状的细胞可以由代表红色和蓝色复合的彩色带包围(例如介于红色与蓝色之间的紫色阴影,其中包围给定细胞的带的特定阴影与描述细胞形状的定量指标有关)。
在某些实施例中,为了改善阵列中单个细胞中的特定属性的值的变化的可视化,细胞图像可以根据用于每个单独细胞所确定的的参考位置而被定位在阵列中。例如,如本文所公开,各个细胞可在样本图像中被识别,并且可以识别对应于每个细胞的像素子集。然后,基于每个细胞的像素相应子集,可以确定每个细胞的参考位置。作为示例,对于被假定为具有规则横截面形状(例如圆形或椭圆形)的细胞来说,近似圆形或椭圆形的边界可以拟合至由像素子集所限定的形状,并且细胞的参考位置可以被确定为所拟合的边界的中心。作为另一示例,可以使用对应于细胞的像素子集中的每个像素的光密度值来计算细胞的质量中心,其功能是作为细胞的参考位置。作为另一示例,可以基于细胞的中央苍白来识别某些细胞的参考位置。由于苍白区域中细胞的厚度减小,具有中央苍白的细胞往往在其中心显得更亮(例如,光密度更小)。对应于苍白的更亮区域的中心可以被确定为细胞的参考位置。
当对于每个细胞的参考位置已被确定时,细胞可以通过间隔细胞而定位在阵列中,以使得阵列中每对最近邻相邻的细胞的参考位置之间的距离相同。因此,例如,在细胞的二维阵列中,未定位在阵列边缘上的任何细胞具有四个最近邻相邻的细胞。细胞可以定位在阵列中,以使得特定细胞的参考位置与细胞四个最近邻中的每个的参考位置之间的距离相等。如上文所公开,细胞的参考位置可以对应于细胞的几何中心,细胞的质量中心、由其他细胞特征所限定的位置,比如中央苍白区域的中心、和/或细胞内的其他位置。
通过正规化阵列中所显示的细胞之间的间距(而不是包括细胞的相邻图像之间的间距,但是其中细胞可能不会完全居中,例如),阵列出现得空间上更加均匀,因此使得对于技术人员来说更容易辨别关于细胞的一个或多个属性的阵列的各个细胞成员之间的差异。根据所测量的细胞属性,将细胞的正规化间距与细胞或细胞背景的颜色编码相组合允许细胞间的趋势以可重复的、正规化空间尺度可视化。
虽然图像块704中的细胞图像阵列被描述为图7-11中的矩形阵列的图像,更一般地,可以使用多种不同的显示模式。在一些实施例中,例如,阵列图像可以基于从细胞图像进行排序所根据的属性的平均值的距离而被作图。图12示出了细胞图像的阵列850的示意图,其中图像860根据细胞属性进行排序。在细胞的全部数目中,属性具有平均值。在图12中,阵列的变暗的圆形中心对应于该属性的平均值。图12中的图像860根据属性的每个相应的细胞的值与平均值之间的差值而被绘制。该差值越大,则细胞图像位于更加远离中心。
在图7中,细胞图像的单个阵列显示在图像块704中。更一般地,然而,界面700可以包括多个图像块,其中每个都可以显示细胞图像的阵列。例如,在一些实施例中,界面700可以包括两个图像块,其中每个显示细胞图像的阵列。排列在每个图像块中的成组细胞图像可以来自相同的样本,或来自不同的样本。相同组的细胞图像可以显示在两个图像块中。每个图像块中的细胞图像可以根据相同的属性或根据不同的属性进行排序。在某些实施例中,相同的成组细胞图像显示在两个图象块中,并且根据两个块中的相同属性进行排序,但排列顺序是相反的。例如,在第一图像块中,细胞按尺寸从最大到最小进行排序,在第二图像块中,细胞按尺寸从最小到最大进行排序。一般情况下,本文所公开的用于对细胞图像进行排序的任何方法和标准可随意应用于多个图像块中的每个。
虽然在图7中每个细胞图像仅包括单个红血细胞,但是更一般地,细胞图像可以包括额外的细胞,以向技术人员提供可视的上下文。当一个以上的细胞存在于细胞图像中时,所关注的特定细胞可能定位在图像的中心,和/或可能被突出显示(例如通过使用彩色),以将其与图像中的其他细胞区分开来。
界面700还可以配置成向技术人员显示各种额外信息,以协助技术人员评估样本的性质。在一些实施例中,例如,界面700显示与为样本所报告的各种参数相关联的一个或多个直方图。图13A示出了界面700,其中分别显示了平均细胞体积和平均细胞血红蛋白含量的直方图902和904。在直方图902中,用于“健康”患者的上下限平均细胞体积阈值分别显示为虚线902a和902b。平均细胞体积的预期总体分布显示为实线902c。平均细胞体积值的实际分布显示为阴影图902d。该信息允许技术人员评估平均细胞体积值的所预期的分布如何密切匹配所测量的分布,并且相对而言确定细胞的什么部分落在下限和上限阈值以外。下限和上限阈值还分别显示在图像块中,作为隔板906和908。通过参考图像块,技术人员可以快速地看到,细胞910a和910b具有低于下限阈值的平均细胞体积值,细胞910c和910d具有高于上限阈值的平均细胞体积值。
如图13B所示,界面700还可以配置成包括报告911,例如“评分系统”,其允许用户选择不同细胞和血液成分的值。例如,每个血液成分可以具有几个范围或与之相关联的“分数”,其中至少一个可由用户选择。范围可以是实际的或近似的。在某些情况下,相关联的分数可以是用户可配置的,以使得不同的实验室和机构能够配置分数的表示。例如,图13B分别示出了分数为0、1+、2+和3+。熟练的从业者将认识到的是评分系统可能在不同实验室之间是不同的。例如,对于给定的实验室来说,数字1+可以代表每个油浸领域的5-10个细胞的范围,2+可以代表每个油浸领域的10-15个细胞的范围,3+可以代表每个油浸领域的15个或更高数量细胞的范围。对于另一个实验室或机构来说,这些数字可以代表其他范围。在某些情况下,还可以使用其它表示。基于通过界面700可获得的图像,报告911允许用户生成报告。报告911还允许用户向报告中添加注释。
一般情况下,界面700分别为不同的血液成分显示结果。可以选择所希望的血液成分,例如,基于专用标签,比如图13B中所示的选项卡902,其显示红血细胞的结果。在一些实施例中,如果对于某些血液成分来说检测到异常细胞,则可以适当标记相应的选项卡。例如,图13B显示的是红血细胞(RBC)和白血细胞(WBC)的选项卡标有红色下划线,而血小板(标记为PLT)的选项卡未标有下划线。这传达的是相应的患者具有异常的红细胞和白血细胞,但没有异常的血小板。
在一些实施例中,当选择特定的图像时,对于所选择的图像中的细胞或血液成分来说,界面700可以配置成显示一个或多个参数990。例如,所显示的参数990可以包括细胞体积和细胞的血红蛋白含量。在一些实施例中,当选择多个图像时,所显示的参数990可以包括相应多个细胞的平均。例如,基于相应细胞的尺寸,界面700还可以包括一个或多个可选按钮,以对所显示的图像进行排序或取消排序(升序或降序)。
类似的信息提供在图14A中,其示出了与样本的血小板体积测量相关联的直方图912。上限阈值由直方图中的垂直线914表示,并且还示出为图像块中的隔板916。从图14A中显而易见的是,样本中的血小板的大部分具有超过上限阈值的血小板体积,表明患者中可能的疾病状态。
在一些实施例中,图像块中的每个细胞图像功能表现为用户可选的控制。例如,返回至图13A,通过选择细胞920(例如,通过“点击”细胞图像),细胞被突出显示(例如,高亮框922显示在细胞图像周围)。此外,当选择特定的细胞时,该细胞的特定信息可以被显示给技术人员。如直方图902所示,例如,指示器918可以被显示,以指示分布内902d的细胞920的位置。关于所选择的细胞的额外信息可以被显示,例如在数据块中,比如细胞体积和/或细胞血红蛋白浓度的计算值,和/或与在光谱的蓝色区域中的细胞的吸收特性有关的细胞多色值。
此外,通过选择特定的细胞,各种不同的控制可以由技术人员激活,以允许与所述细胞进一步交互。例如,通过激活“赋值”控制,技术人员可以赋予细胞不同的类别,从一至细胞由系统自动分配的值。
参照图14A,技术人员可以激活额外的控制,以采取关于整个样本的各种操作。例如,通过激活控制936,技术人员可以将样本送至主管用于进一步查看。通过激活控制938,技术人员可以通过电子邮件将样本记录(或细胞图像)发送至另一个人用于进一步查看。在一些实施例中,样本记录将被发送至的那个人可以选自下拉菜单。下拉菜单可以预先填充有例如有权访问和/或接收相应患者数据的个人和/或机构的名称。激活控制940允许技术人员终止查看样本,而不将样本记录保存在实验室数据存储系统中。与此相反,通过激活控制942,技术人员可以将样本记录保存在实验室数据存储系统中。在一些实施例中,系统不允许保存样本记录,除非记录中的所有未分类的图像已被查看和分类。
在一些实施例中,当选择特定的血小板时,界面700便于相应视图领域中所选择的血小板的位置的可视化。这通过图14B中的示例示出。如本例所示,当选择特定的血小板图象907时,界面700可以配置成显示视图图像的领域于显示框909中,其中相应血小板的位置被标记,例如通过边界框980。视图图像的领域允许特定血小板成像在幻灯片上时的可视化,并且提供关于特定血小板的邻域内的血液成分的信息。视图可视化的领域不仅仅限于血小板,并且一般情况下,可用于红血细胞、白血细胞或其它血液成分。在一些实施例中,显示框909还可以配置成便于对所选择的血液成分进行重新分类。例如,如果自动分类系统错误地将单核细胞确定为淋巴细胞,则显示框909可以便于人工重新分类。这样的重新分类可以以与随后参照图18A所描述的基本上类似的方式来执行。
在一些实施例中,界面700包括取样显示块,其中具有一个或多个属性的潜在异常值的细胞可以得到显示用于技术人员进行查看。例如,图13A中的界面700包括采样显示块919,其中显示一系列潜在异常的细胞。这些潜在异常的细胞可以对应于未成熟的网织红血细胞、具有内含物的细胞、有核红血细胞或者具有参数比如超过上限或下限阈值的细胞体积和/或细胞血红蛋白浓度的细胞。在图14A中,所识别的尺寸显著大于上限阈值的血小板显示在采样显示块919中。一般情况下,取样显示块919还可以用于显示不能进行自动分类的细胞(例如白血细胞)的图像,允许技术人员将这样的细胞分配至特定的类别。
对于某些应用来说,可能重要的是显示不正常的细胞用于系统操作员进行查看。例如,不正常的细胞可能具有的形状不圆,具有内含物,具有异常形状或定位的细胞核,具有光密度的意外变化,和/或对应细胞碎片而不是完整细胞。在一些实施例中,一些或所有这样的细胞被保留并显示。例如,非圆形形状的细胞(例如,圆形度的测量低于阈值的细胞)可以显示在图像块704中。这种细胞还可以显示在采样显示块919中用于由操作员进行特别查看。虽然这样的细胞不可以用于某些属性(例如表1中所示的属性)的测量,但是对于操作员来说有用的是查看这样的细胞图像以用于诊断目的(例如,检测红血细胞碎片和/或内含物的存在)。因此,显示在取样显示块919中的成组细胞一般情况下可能不对应于用来确定特定血液样本的定量属性的成组细胞。
在某些实施例中,界面700还可以包括消息显示块,其可以在出现一个或多个异常条件(例如比如一个或多个细胞具有超过上限或下限阈值的属性的值)时由系统自动填充。图15示出了界面700,其包括消息显示块922(例如,其可以显示在来自图像块的单独屏幕上)。消息显示块922包括单独的子块922a、922b、922c以及922d,用于报告分别与白血细胞(例如非典型或变体的淋巴细胞是否存在)、红血细胞(例如,内含物是否存在)、血小板(例如,巨血小板是否存在)以及系统(例如,染色剂或其它其它系统消耗品的小于25个样本剩下)有关的消息。一般情况下,所显示的消息对应于由系统所识别的变弱条件。例如,就红血细胞来说,不论何时由系统检测红血细胞的一个或多个属性——比如可能的内含物、细胞形状的不正常变化和/或细胞尺寸的异常变化,消息都可能得以显示。就白血细胞来说,不论何时一个或多个白血细胞计数、嗜中性粒细胞计数、淋巴细胞计数、单核细胞计数、嗜酸性粒细胞计数和/或嗜碱性粒细胞计数超过上限或下限阈值,都可以显示消息,以提醒技术人员。
返回到图13A,在一些实施例中,界面700包括控制930和932,用于选择显示在图像块中的细胞数量。当技术人员通过激活控制930增加所显示的细胞数量时,图像块中的每个细胞图像缩放至更小的尺寸,以将额外的细胞图像容纳在图像块中。当技术人员通过激活控制932减少所显示的细胞数量时,每个细胞图像缩放至更大的尺寸,以限制所显示的细胞数量。这样,技术人员可以控制所显示的细胞图像的尺寸,并且可以防止“滚动通过”图像块(因为整个图像块显示在单个屏幕上)。一般情况下,施加至细胞图像的排序算法仅应用于显示在图像块中的细胞图像的子集。指示器向技术人员提供了关于超出特定样本的所存储的细胞图像的总数的所显示的细胞图像的数量的信息。
参照图16,在一些实施例中,界面700包括显示框925,用于显示包括与患者相关的一个或多个属性927a、927b(通常为927)的患者记录。显示框925可以配置成显示于界面700的特定选项卡下(例如图16中所示的“结果”标签)。例如,患者属性927可以包括患者名字、登录号、部门、日期、诊断、状态、主治医师或者与患者相关的其他属性。属性的数值或字符串可被存储为患者记录的数据库。患者属性还可以包括标志,其可以设置或重置,以指示是否应该显示相应的记录。例如,对于不显示相应血液图像中任何异常的患者记录可重置标志。同样,对于其中检测到至少一个潜在异常细胞的患者记录,可以设置标志。在某些情况下,仅针对标志已被设置的记录显示在显示框925中。
在一些实施例中,界面700包括可配置的排序控制928,其在被选择时允许基于用户偏好对患者记录进行排序。例如,特定用户(例如,病理学家或肿瘤学家)可能对显示癌症患者的记录感兴趣。同样,其他用户可能对艾滋病患者的记录更感兴趣。在这种情况下,每个用户可以个性化或配置排序控制928,以优先显示特定类型的记录。在一些实施例中,几组用户偏好可被存储,并且基于检测用户,例如通过使用登录信息,可以确定要被使用的成组偏好。
在一些实施例中,可以查询存储患者记录的数据库(例如在一个或多个属性的值的范围上)来显示感兴趣的记录。例如,用户可以查询数据库,以仅显示其中平均细胞体积高于或低于阈值的患者记录。同样地,其他用户可以查询数据库,以列出具有未分类细胞的记录。通过使用查询所检索到的记录可以显示在显示框925中。排序控制928可用于与查询相结合,以进一步缩小成组的显示结果。
在一些实施例中,显示框925中所列出的记录可以突出显示(例如通过将指针悬停在记录上或点击记录一次),以显示与记录相关的额外信息。例如,这样的信息可以显示在界面700内的辅助显示框930中。在显示框930中的额外信息可以包括例如白血细胞计数、红血细胞计数、平均细胞体积和与所选记录相关联的其他CBC结果和属性。还可以选择突出显示的记录(例如通过双击该记录),以通过界面700来提供访问详细的结果和图像,如上面参照图15所述。结果可表示为概述以及单独用于红血细胞、白血细胞和血小板,例如通过使用如图15所示的单独的选项卡。
图17示出了用于显示血液成分图像的示例性图形用户界面700。选择特定的选项卡可以提供访问与该选项卡相关的额外的结果和图像。例如,在图17中,当白血细胞选项卡935被选择时,微分结果被提供作为由细胞类型所分类的图像的种类,任何未分类的细胞单独示出在显示窗口940中。
在一些实施例中,未分类的细胞、血小板或其他血液成分可以由操作员进行查看,并手动分类或重新分类。在某些情况下,可以通过手动重新分类修正血液成分的错误分类。这种手动分类或重新分类血液成分的例子示出在图18A中。在一些实施例中,未分类细胞的图像945选自显示框940。选择图像945导致要显示的图像945的弹出显示946。图像945的弹出显示946允许未分类细胞的更好的可视化。在一些实施例中,成组预先定义的细胞类型还显示在下拉菜单框950中,其允许选择预先定义的细胞类型中的至少一种。当细胞类型选自下拉菜单框950时,图像945中所描绘的细胞根据所选择的细胞类型进行分类或重新分类。在一些实施例中,下拉菜单中的选项是用户可配置的,以说明例如在技术专家或医生识别或分类细胞的方式上的实验室与实验室或区域与区域的差异。一旦细胞类型被选择,所选图像的放大版本就显示如图18B所示的新选择的细胞类型。此外,重新分类的图像可以通过选择不同的选项卡控制(例如,图18B中的“重新分类”选项卡)而得以显示,其中,对于重新分类的每个图像来说,初始和重新分类的细胞类型得以显示。此外,两个或更多的细胞可以被同时重新分类。如图18A所示,与图像945相邻且与之同行的这两个图像可被选择为一组,并且下拉菜单框950可用于重新分类三个所选择的图像作为单一细胞类型的组内的细胞。
在一些实施例中,图像945然后移动至对应于所选择的细胞类型的适当的显示框。图像945可以或从显示框940中除去或适当地被标记(例如通过将彩色图像转换为灰度图像),以指示该图像已被分类(或重新分类)。在一些实施例中,所分类或重新分类的图像稍稍变暗,以及在图18C中“重新分类”选项卡960下移动至显示区域955。在一些实施例中,用户可以输入图像945的说明,或替代或排除从预先定义设置在下拉菜单框950中选择细胞类型。手动分类功能还可以用于自动分类图像。如果任何图像的自动分类不正确,则图像就可以进行手动分类。在一些实施例中,手动分类或重新分类的图像可以用作额外的训练数据,用于自动分类过程。
在某些实施例中,多个图像可以被一起分类或重新分类。例如,多个图像可以选自显示框940,并且所选择的图像可以显示为在弹出显示946中的更小图像的合奏。所选图像可以被单独观看,例如,通过滚动或翻转通过合奏。当选择多个图像时,整个合奏可以通过仅一次从下拉菜单框950中选择细胞类型而被分类或重新分类。
用于样本成像的自动化系统和方法
图1示出了自动化系统1000的示意图,其用于制备和检查血液样本,包括进行CBC分析。系统1000包括多个子系统,用于存储基片、在基片上沉积样本、检查在基片上所制备的样本以及存储所制备的样本。
基片存储子系统1010配置成在其上沉积样本之前存储基片。例如,基片可以包括显微镜载玻片、盖玻片及能够支承样本比如例如来自血液样本的细胞的类似平面的光学透明材料。基片可以由包括各种类型玻璃的多种不同的无定形或结晶材料形成。子系统1010可以包括操纵器,其从存储容器中选择单个基片并且将所选择的基片转移至样本沉积子系统1020。
样本沉积子系统1020将所选量的兴趣样本——比如血液样本——沉积到基片上。一般情况下,子系统1020包括配置成沉积样本的多种流体输送组件(例如,泵、流体管、阀)。子系统1020还包括流体输送组件,其将基片暴露至各种类型的溶液,包括洗涤溶液,结合至样本的一个或多个染色剂、定影溶液和冲洗溶液。子系统1020还可以具有的特征表现为流体去除组件(例如,真空子系统)和干燥设备,以确保样本被固定至基片。基片操纵器可以将支承样本的基片转移至检查子系统1030。
检查子系统1030包括各种组件,用于获得在基片上的样本的图像,并且用于分析这些图像以确定关于样本的信息。例如,检查子系统1030可以包括用于引导光入射到样本的一个或多个光源(例如,灯、弧光灯、发光二极管、激光二极管和/或激光器)。成像子系统1030还可以包括光学设备(例如,显微镜物镜),用于捕获来自样本的透射和/或反射的光。联接至光学设备的检测器(例如,CCD检测器)可以配置成捕获样本的图像。从样本图像的分析中所得出的信息可以存储在各种光学和/或电子存储介质上,用于以后检索和/或进一步分析。
检查之后,基片操纵器可以将基片转移至存储子系统1040。例如,存储子系统1040可以标记各个基片,与样本的源有关的信息被施加至基片、分析时间和/或在分析过程中所识别的任何不规则。存储子系统还可以将处理的基片存储在多基片架中,其可以在它们填充有基片时从系统1000去除。
如图1所示,系统1000的各个子系统中的每个可以链接至共同的电子处理器114。处理器114可以配置成以自动方式控制系统1000的每个子系统的操作,来自系统操作员的输入相对较少(或没有)。来自样本分析的结果可以显示在用于督导技术人员的系统显示界面110上。控制界面112(其在一些实施例中可以与显示界面110集成)允许技术人员发出命令给系统1000且手动查看自动化分析结果。
公开了自动化样本处理系统的其他方面及特征,例如在2009年4月27日提交的美国专利申请序列号12/430885及2011年11月9日提交的美国专利申请序列号13/293050中,其中每个的全部内容通过引用并入本文。
当多个血液样本由系统1000自动分析时,该系统可以产生值得由技术人员进一步查看的样本列表。基于一系列标准,样本可标记用于进一步查看。在一些实施例中,系统1000可以配置成识别存在于个体血液样本中的各个类型的细胞,并且样本可以被标记用于在一个或多个各种类型的所识别的细胞的计数的数量或高于或低于某个阈值数量时进一步分析。例如,样本可以被标记用于进一步分析,前提是如果其淋巴细胞计数、单核细胞计数、嗜中性粒细胞计数、带中性粒细胞数、嗜酸性粒细胞计数、嗜碱粒细胞计数和/或红血细胞计数中的一个或多个超过或低于特定的阈值。
在某些实施例中,样本可以被标记,前提是如果与样本相关联的一个或多个属性或超过或低于某阈值。例如,系统1000可以配置成测量与样本相关联的各种属性,包括平均细胞血红蛋白、平均细胞体积以及血细胞比容。如果这些所测量的样本属性中的任何一个或多个的值超过或低于特定的阈值,则样本可以被标记。公开了用于测量平均细胞血红蛋白、平均细胞体积以及平均血小板体积的方法和系统,例如在下面的应用中,其中每个的全部内容通过引用并入本文:2011年4月15日提交的美国临时专利申请61/476179和61/476170;2011年7月22日提交的美国临时专利申请61/510710和65/510614;以及2012年4月13日提交的美国专利申请13/446967、13/446996和13/447045。
一旦样本已被标记,系统1000则被配置成执行一系列的自动化步骤,以允许由技术人员对样本进行系统性的视觉检查和评估。下面的示例性说明集中在已被标记用于进一步分析的样本内的红血细胞的查看上。然而,通常应该理解的是,本文所公开的系统和方法可用于详细检查血液样本内的多种不同的成分,例如包括白血细胞和/或血小板。此外,该系统和方法可用于检查还没有被标记的样本(例如根据各个所建立的标准,已被确定为“正常”的样本)。
系统1000通常配置成执行一系列步骤,以获得和组织红血细胞的图像用于由技术人员进行查看。图2示出了流程图200,其包括由系统1000执行的一系列步骤,以获取和显示红血细胞的图像。在第一步骤202中,系统1000获取样本中红血细胞的一个或多个图像。红血细胞通常通过将染色剂施加至细胞而被制备(作为样本的一部分)。染色剂结合到细胞的细胞质中并且用作细胞图像中细胞质的标记物。当染色的细胞被照射到入射光时,染色剂吸收入射光的一部分。通过检测透过样本的各个区域(其中一些对应于染色的红血细胞,其中一些不对应)的透射光,红血细胞可以被容易识别。
系统1000的检查子系统1030配置成获得样本中红血细胞的图像。图3示出了检查子系统1030的实施例的示意图。子系统1030包括照明源102、检测器106和电子控制系统108。电子控制系统108通常包括电子处理器114、显示器110以及界面112(即子系统1030的各个组件连接至系统1000的电子处理器114)。可替换地,在一些实施例中,检查子系统1030可以包括一个或多个处理器、显示器、以及界面,其独立于系统1000的相应组件。电子控制系统108分别通过控制线120和122连接至照明源102和检测器106。
假设样本已经通过施加染色剂至其中的红血细胞而被制备,所制备的样本104(例如,在显微镜载玻片上的染色的血液样本)自动定位在源102附近。源102引导入射光116朝向样本104。入射光的一部分通过样本104作为透射光118,并且由检测器106检测。透射光118在检测器106的活性表面上形成样本104的图像;检测器捕获该图像,然后将图像信息传送到电子控制系统108。一般情况下,电子控制系统108指示源102产生入射光116,并且还指示检测器106来检测样本104的图像。
如果需要的话上面所述的过程可以重复,以获得样本104的多个图像(例如,对应于样本104的多个不同区域)。然而,本文所公开的方法可以通过使用仅从单一的样本图像中所得出的信息而操作。电子控制系统108可以在获取新的图像之前调节由源102所产生的入射光116的波长。因此,样本104的多个图像可以对应于入射光116的不同波长且因此透射光118的不同波长。
照明源102可以包括一个源或多个相同或不同的源。在一些实施例中,源102可以包括多个发光元件,比如二极管(LED)、激光二极管、荧光灯、白炽灯和/或闪光灯。例如,源102可以包括四个LED,其分别具有在电磁光谱的红色、黄色、绿色和蓝色区域中的输出波长(例如,635、598、525和415纳米)。
在某些实施例中,源102可以包括一个或多个激光源。代替具有多个光发射器,在其它实施例中,与可以配置成改变其输出波长相比(例如在电子控制系统108的控制下),源102可以包括单一宽带发射器。例如,源102可以包括宽带源(例如,激光源或白色发光的LED源),其联接至在系统108的控制下产生可变输出频谱的可配置滤光器系统(例如,多个机械可调滤光器和/或基于液晶的电子可调滤光器)。一般情况下,源102不输出单一波长的照明光116,而是以定心于中心波长周围的波长带(例如,带中最大强度的波长)。当本文的论述是指照明光116的波长时,该参考是照明带的中心波长。
检测器106可以包括各种不同类型的检测器。在一些实施例中,检测器106包括电荷耦合装置(CCD)。在某些实施例中,检测器106可以包括光电二极管(例如,二维光电二极管阵列)。在一些实施例中,检测器106可以包括其他光敏感元件,比如基于CMOS的传感器和/或光电倍增管。检测器106还可以包括一个或多个滤光元件,如上文与源102有关的描述。在一些实施例中,通过采用具有相对宽的波长分布且然后过滤透射光118以仅选择对应于小带波长的透射光的一部分的照明光116照射样本104,获得对应于不同波长的样本图像。滤光可以在照明侧之一或二者(例如在源102)中和检测侧(例如在检测器106中)上进行,以确保通过使用检测器106所获得的图像每个对应于具有特定中央波长的光波长的具体分布。
在某些实施例中,宽带照明源可以与彩色相机一起使用(例如,相机配置成测量三个不同波长带的光,比如红色、绿色、蓝色带),以获得多个不同波长的样本图像。对应于不同波长带的图像可以以本文所公开的方法被单独使用或组合使用。
在一些实施例中,电子处理器108可以配置成将所测量的样本图像中的像素强度值转换成光密度值。在样本图像中,在给定的图像像素(x,y)的透射光强度T(x,y)与通过对应于该像素的样本部分的入射光的吸收系数α和路径长度ε(x,y)相关:
T(x,y)=10-α·ε(x,y)
对于图像中的每个像素来说,像素强度与最大可能的像素强度之比(例如,像素强度/8位分辨率为255)表示在像素的空间位置所透射的光的分数。透射光的分数可以通过采取上述方程的对数以光密度(OD)单位来表示:
OD(x,y)=-log(T)=α·ε(x,y)
这个过程可以重复用于样本图像中的每个像素。这样,在每个图像中的每个像素的光密度对应于在对应于像素的位置处的样本中的吸收材料的总量(例如吸收系数和厚度的乘积)。
返回至图2,流程图200中的下一个步骤204包括将代表性的红血细胞定位于在步骤202中所得到的样本图像中。定位代表性的红血细胞的过程通常根据一系列的步骤进行。图4示出了流程图400,其包括用于将红血细胞定位在样本图像中的多个步骤。首先,在图4的步骤402中,系统1000将红血细胞定位在一个或多个样本图像中用于进一步处理。红血细胞通常吸收蓝光(例如,415纳米),由于细胞中存在血红蛋白。然而,白血细胞不包含血红蛋白,且因此不以与红血细胞相同的方式吸收蓝光。在蓝光下所获取的样本的图像可以用来识别红血细胞;在这样的图像中,红血细胞显示为暗的对象,而白血细胞显示为显著更暗的对象,并且可以从进一步考虑中被排除。
在一些实施例中,阈值步骤可以用来确保系统1000仅识别红血细胞用于进一步分析。例如,系统1000可以仅利用低于强度(或灰度)值160(适用于8位分辨率所捕获的图像)的图像像素。范围为100至180的其他强度值的阈值可以用来从图像中识别红血细胞,而排除白血细胞用于进一步分析。
接着在步骤404中,系统1000识别样本图像中每个红血细胞的成组像素。多种不同的方法可用于识别与细胞相关联的成组像素。例如,在一些实施例中,系统1000通过使用连接组件标记过程进行识别步骤。此过程使得来自样本图像的各个像素与图像中的对象相关。例如,不是由分配给背景的像素所分开的图像中的任何两个像素被分配给相同的细胞。
另外,在一些实施例中,系统1000可以排除定位在细胞边界区域中的像素。通常,这样的排除在计算关于细胞的定量指标时得以使用,但是所排除的像素以其他方式保留在对应于为了图像显示目的的成组像素内。然而,在一些实施例中,所排除的像素从对应于细胞的成组像素清除。
由于这些细胞折射照明光的方式,红血细胞往往具有厚厚的暗边界。因为该折射,这些像素的光密度通常是不可靠的。在完成连接组件标记过程后,系统1000可应用像素侵蚀掩模至所识别的细胞以去除像素的最外n个层(例如,对应于其中折射是最大的边界区域的像素)。一般情况下,可以选择像素侵蚀掩模,以去除任意数量n的像素层(例如,一个像素层或更多、两个像素层或更多、三个像素层或更多、四个像素层或更多、五个像素层或更多、六个像素层或更多、八个像素层或更多、十个像素层或更多),这取决于图像的放大倍数。试验上已经确定的是,包括对于红细胞周长的最外0.5微米的像素侵蚀掩模通常适于显著减少对于测量红血细胞的细胞体积和血红蛋白含量的错误贡献,其中每个像素对应于0.148微米×0.148微米的细胞的一部分。利用由侵蚀掩模所校正的成组像素,可以测量各个细胞特征。
在步骤406中,通过评估红血细胞的尺寸和形状,系统1000继续进行识别来自样本图像的成组代表性红血细胞。一般而言,步骤406的功能表现为丢弃部分细胞、重叠细胞、细胞群、血小板以及来自该成组代表性红血细胞中内含物的非细胞伪影。例如,或被切断或触摸的细胞,图像帧的边缘可以被排除于进一步分析,从而防止不准确的测量。此外,畸形细胞——这可能表现出与其非标准形状相关的所确定的细胞体积的变化——可以从分析中排除。而且,从重叠细胞所获得的测量结果,其在用于计算指标比如细胞体积或成分含量时可能是不可靠的,可以从该成组的代表性细胞中排除。由于这些原因,每个所识别的细胞的形状在步骤406中得以检查,并且畸形和/或重叠细胞被排除于进一步分析。
多种不同的方法可用于检查所识别的细胞的形状。例如,在一些实施例中,每个细胞的形状可以通过比较细胞的周长和面积而得以检查。图5示出了这样的比较的示意图。在图5中,细胞500已被识别为样本图像中的成组像素。对应于细胞500的边界的像素在图5中比内部像素阴影更亮,为了示范的目的——它们在实际图像中不一定会出现这样。细胞500的面积可以通过计算该组中像素的数量来确定。
通过使用对应于细胞500的成组像素,细胞周长由边界像素确定。这可以通过连接穿过每个周边像素的中心的线以在图像中创建多边形且测量该多边形的周长来完成。该细胞周长值与细胞面积值(即多边形的面积)的平方之比被确定,以检查细胞的形状。对于理想完美的圆形细胞来说,这个比例的值是4π。该比例值随着细胞形状偏离圆形轮廓而增加。使用此标准,超过最小值4π的阈值量或更多的周长与面积的平方之比被排除于进一步分析。通常,该阈值量是最小值4π的百分比(例如,5%或更多、10%或更多、15%或更多、20%或更多、25%或更多)。
除了将畸形单个细胞排除于进一步分析之外,上文所讨论的过程还可以排除重叠的细胞。在样本图像中,重叠的细胞通常显示为大畸形单个细胞(由于入射光传播通过其中的材料厚度的增加,透射光强度存在变化)。当分析算法应用至这样的图像时,重叠的细胞通常被识别为具有不规则边界的大单细胞。因此,当进行细胞周长与面积的比较时,对于理想值的允许偏差来说,该比值远远超出阈值,并且重叠的细胞被排除。
用于检查所识别的细胞的形状的另一方法利用上述的细胞轮廓的多边形表示的凸包,并且将由凸包所包围的面积与由图像像素所确定的细胞面积相比较。凸壳面积与细胞面积的高比率可用于识别不规则形状的细胞,并且排除这样的细胞于进一步分析。图6是包括两个细胞600A和600B的示意图。细胞600A和600B的周长在图6中分别被标记为602A和602B。凸包604A绘制在细胞600A周围,凸包604B绘制在细胞600B周围。如图6所示,细胞600A的凸包面积与细胞面积之间的差异大于细胞600B。如果细胞600A的不规则程度很高,则可将细胞600A从成组的代表性红血细胞中排除。
在一些实施例中,细胞面积测量可在步骤406中用于将伪影和重叠的细胞从成组的代表性血细胞中排除。例如,只有面积范围从35平方微米至65平方微米的细胞可以被考虑用于红血细胞体积测量。面积小于35平方微米的成像对象通常不是红血细胞,而是伪影,比如样本中的灰尘斑点。同样地,面积大于65平方微米的成像对象通常不是红血细胞;这样的对象可能对应于染色的斑点或几个重叠的细胞。虽然前述示例描述了35到65平方微米的面积范围,其它范围可以用来选择红血细胞进行测量(例如,20平方微米至80平方微米),并且范围可以基于样本中的平均细胞尺寸缩放,从而考虑患者与患者的差异。试验上已经确定的是,虽然35到65平方微米的范围可以排除一些红血细胞,但是与20至80平方微米的范围相比,这样的范围在从样本图像中去除伪影方面更有效。
光密度值可以用于选择样本中的成组代表性红血细胞。例如,如果在蓝光下成像的对象的平均光密度值太低,则该对象可以是白血细胞核,而不是红血细胞。平均光密度阈值可以用于(例如,小于或等于0.33的平均光密度)通过使用蓝光所获取的图像,以将白血细胞从样本(例如,平均光密度小于或等于0.33的细胞很可能是白血细胞)的成组的代表性红血细胞中排除。对于根据蓝色或黄色照明所获得的图像来说,超过一定阈值(例如,平均光密度大于或等于0.66)的对象的平均光密度值可以用来识别堆叠的、重叠的和/或聚集的红血细胞,其可以被排除于进一步分析(例如,平均光密度大于或等于0.66的红血细胞可能是重叠的另一红血细胞)。图4所示的过程终止于步骤408,最终确定成组的代表性细胞用于进一步分析。
返回到图2,代表性红血细胞在步骤204中被定位之后,代表性细胞在步骤206中于显示器110上显示给技术人员。在一些实施例中,显示所有这样的细胞。在某些实施例中,仅显示在步骤204中定位的细胞子集。所显示的细胞子集可被任意选择,子集中细胞的数量是用户可选择的。例如,所显示的代表性细胞的子集可以包括100个细胞或更多(例如,250个细胞或更多、500个细胞或更多、750个细胞或更多、1000个细胞或更多、2000个细胞或更多、5000个细胞或更多、10000个细胞或更多)。在步骤206中显示代表性红血细胞图像之后,流程图200中所示的过程终止于步骤208。
如上所述,在一些实施例中,在步骤206中所显示的代表性细胞的子集不一定对应于被用于确定血液样本的定量指标的代表性细胞集合。特别是,对于技术人员来说,可能重要的是显示具有异常形状、光密度、内含物及其它不规则属性的细胞。虽然这样的细胞通常不用于定量测定,比如计算平均细胞血红蛋白和平均细胞体积,但是查看这样不规则细胞的图像的技术人员可以从不规则细胞中推断出某些状况存在于血液样本中。因此,虽然通过使用上面所公开的方法可以确定不适合用于定量计算的细胞,但是在某些实施例中,在步骤206中所显示的细胞的子集包括这些“不合适的”细胞的一部分或全部。
如前所述,图像块704中的细胞图像可以根据各种标准进行排序,包括细胞中存在或不存在内含物以及内含物的属性比如尺寸。在分析细胞图像以确定尺寸、光密度及细胞其它属性(例如在图4的步骤406中)的同时可以进行内含物检测。
一旦对应于细胞的成组像素已被识别,则可以使用各种方法来检测细胞中内含物的存在。例如,第一种方法基于细胞图像中像素的光密度来识别可能的内含物。特别地,红血细胞图像中的每个像素被分成三个类别之一:正常红血细胞、中央苍白及可能的内含物。对应于红血细胞的正常部分的像素可以以相对简单的方式被识别,因为这些像素已经被试验地观察到具有狭窄范围的光密度。因此,通过建立正常红血细胞像素的上下限阈值,这些像素可以在细胞图像中被识别。例如,这样的阈值可以由包含正常红血细胞图像的数据的训练集确定。
图像中的其余像素对应于中央苍白或可能的内含物。一般情况下,具有低光密度的像素对应于中央苍白,而具有大光密度的像素对应于可能的内含物。因此,基于其光密度,单个像素可以容易地被识别为对应于可能的内含物。光密度阈值可以被建立,以将与中央苍白、可能的内含物以及正常红血细胞相关联的像素与包括用于识别为苍白、内含物或正常红血细胞的红血细胞图像像素的已知光密度值的训练数据进行区分。
用于将可能的内含物与在来自红血细胞图像的像素中的中央苍白和正常红血细胞的部分区分开的第二种方法涉及两个分开的步骤。在第一步骤中,对应于中央苍白的像素通过对应于采用蓝光(例如,415纳米)照射的细胞的图像而被识别。在蓝色图像中的像素被单独检查,并且这样的像素被分配至中央苍白,也就是其中光密度:(a)低于基于蓝色图像中平均光密度的阈值;以及(b)或是比蓝色图像中的平均光密度更加远离蓝色图像中的最大光密度,或是不同于蓝色图像中的最小光密度,小于两个标准差。
接着,对应于可能内含物的像素在第二步骤中被确定。因此,对应于蓝色图像中大光密度(根据用户可选择的阈值或由包括具有内含物的红血细胞的图像的训练数据所确定的阈值)面积的像素被去除于进一步考虑,因为虽然折射相关的伪影在蓝色图像中变暗,但是真正的内含物通常不表现为与蓝色图像中的折射伪影一样暗。然后,对于每个剩余的像素来说,黄色(Y,例如598纳米)、绿色(G,例如525纳米)以及蓝色(B)图像中的光密度被用来计算量P的值:
P=|Y-|G-B||
用于像素的量P的大值有效地识别在黄色和绿色图像中暗但在蓝色图像中亮的像素。基于量P的值,细胞的图像被构造,并且边缘检测算法在图像上运行。对于图像中的每个像素来说,如果像素:(a)在黄色图像Y中具有大光密度值;(b)具有P的大值;以及(c)通过边缘检测算法被识别为对应于边缘,则该像素被识别为属于可能的内含物。
基于在它们之间其它类型的像素的存在或不存在,对应于可能内含物的像素然后被组合到内含物片段中。内含物片段的数量可被确定并且用来进一步细化可能的内含物的鉴定。例如,如果细胞含有大量的内含物片段(例如,大于用户可选择的或预先确定的阈值数量),则可能的内含物可以被识别为是由于成像象差或其它现象,比如嗜碱性点彩,并且可能停止进一步分析细胞中的可能内含物。
对于其中可能残留可能内含物的细胞来说,通过使用以前公开的基于像素的方法,可以确定内含物的特征比如周长、面积和形状。根据为内含物所确定的任意各种特征,特征表现为内含物的细胞然后可能在图像块704中进行排序。
硬件和软件实现
本文所描述的方法步骤和过程可以以硬件或软件或这两者的组合来实现。特别地,电子处理器114可包括软件和/或硬件指令,以执行上述所公开的任何方法步骤。通过使用按照本文所公开的方法步骤和附图的标准编程技术,该方法可以在计算机程序中实现。程序代码被施加至输入数据,以执行本文所述的功能。输出信息被施加至一个或多个输出装置,比如打印机或显示装置,或在计算机显示器上可访问网站的网页,例如用于远程监控。
每个程序以高级程序或面向对象编程的语言优选地实施,以便与处理器进行通信。然而,如果需要的话,程序可以用汇编语言或机器语言来实现。在任何情况下,语言可以是编译或解释语言。每个计算机程序可以存储在可由处理器读取的存储介质或装置(例如,电子存储器)上,用于配置和操作处理器,以执行本文所描述的过程。
为了本公开的目的,“激活”在界面上显示的用户可选控制可以包括(但不限于)通过使用指针或其他指示符(例如,鼠标指针)点击该控制、定位指针以使得其覆盖该控制、通过使用指针或环形指示器来突出显示该控制,和/或将指示器定位在界面上,以使得控制被选择。
可以用于显示细胞图像(例如,作为用户可选控制)的界面包括各种各样的显示器(例如,CRT、基于LED的显示器、基于液晶的显示器、投影显示器)。界面可以是触摸敏感的,从而允许用户直接与所显示的元件进行交互。可替换地,或此外,附加的系统组件(例如,键盘,指向装置)可以允许用户操纵在界面上显示的元件。
图19是计算机系统1900的示意图,其可以用于控制与根据某些实施例的本文中所述的任何计算机实现的方法相关联所描述的操作。系统1900包括处理器1910、存储器1920、存储设备1930、以及输入/输出装置1940。组件1910、1920、1930和1940中的每个通过使用系统总线1950而互连。处理器1910能够处理用于在系统1900内执行的指令。在一些实施例中,处理器1910是单线程处理器。在其它实施例中,处理器1910是多线程处理器。处理器1910能够处理存储在存储器1920中或者在存储设备1930上的指令,以将用于用户界面的图形信息显示在输入/输出装置1940上。处理器1910可以基本上类似于上述参照图1和3的处理器114。
存储器1920将信息存储在系统1900内。在一些实施例中,存储器1920是计算机可读介质。存储器1920可以包括易失性存储器和/或非易失性存储器。
存储装置1930能够为系统1900提供海量存储。一般情况下,存储装置1930可以包括配置成存储计算机可读指令的任何非临时性有形介质。在一实施例中,存储装置1930是计算机可读介质。在各种不同的实施例中,存储装置1930可以是软盘装置、硬盘装置、光盘装置或磁带装置。
输入/输出装置1940为系统1900提供输入/输出操作。在一些实施例中,输入/输出装置1940包括键盘和/或指向装置。在一些实施例中,输入/输出装置1940包括用于显示图形用户界面的显示单元。在一些实施例中,输入/输出装置1940包括上面参照图1和3所述的一个或多个显示器110和界面112。
所描述的特征可以实现在数字电子电路中,或在计算机硬件、固件中,或在其组合中。这些特征可以实现在有形地体现在信息载体中的计算机程序产品中,例如在机器可读存储装置中,用于由可编程处理器来执行;并且特征可以由执行指令程序的可编程处理器来进行,以通过操作输入数据并产生输出来执行所述实施例的功能。所描述的特征可以实现在一个或多个计算机程序中,该程序可执行在包括至少一个可编程处理器的可编程系统上,处理器联接用于接收来自数据存储系统、至少一个输入装置以及至少一个输出装置的数据和指令,并且将数据和指令发送至数据存储系统、至少一个输入装置以及至少一个输出装置。计算机程序包括一组指令,其可直接或间接地用在计算机中,以执行某一活动或带来特定结果。计算机程序可以用任何形式的编程语言编写,包括编译或解释语言,并且其可以以任何形式被配置,包括作为独立程序或作为模块、组件、子程序或适于用在计算环境中的其它单元。
各种软件架构可以用于实现本申请中所描述的方法和系统。例如,发布/订阅消息模式可以用于实现本文所描述的方法和系统。在发布/订阅消息的情况下,系统包括仅通过消息模块进行通信的若干硬件和软件模块。每个模块可以配置成执行特定功能。例如,系统可以包括一个或多个硬件模块、相机模块以及聚焦模块。硬件模块可以发送指令至实现快速自动聚焦的成像硬件,从而触发相机获取图像。在一些实施例中,硬件模块可以包括上面参照图3所述的控制系统108。
相机模块可以接收来自相机的图像,并且确定相机参数比如快门时间或焦点。图像还可以在由相机模块处理之前缓存在计算机存储器中。当执行用于幻灯片倾斜的初始搜索时,相机模块还可以发送在其已看到足够图像时中断硬件模块的消息,以确定适当的快门时间或焦点。在一些实施例中,相机模块包括上面参照图3所述的检测器106。
该系统还可以包括聚焦模块,其可以被实现为软件、硬件或软件与硬件的组合。在一些实施例中,聚焦模块检查堆栈中的所有帧,并且估计堆栈与理想或理想焦距相隔多远。聚焦模块还可以负责将焦点得分分配给堆栈图像中的每一帧。
通过示例,用于执行指令程序的合适处理器包括通用和专用微处理器,以及任何类型计算机的单处理器或多处理器之一。一般来说,处理器将接收来自只读存储器或随机存取存储器或二者的指令和数据。计算机包括用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。通常,计算机还将包括用于存储数据文件的一个或多个大容量存储设备,或者被可操作地联接以与之通信;这样的装置包括磁盘,比如内部硬盘和可移动磁盘;磁光盘以及光盘。适于有形地体现计算机程序指令和数据的存储装置包括所有形式的非易失性存储器,例如包括半导体存储器装置,比如EPROM、EEPROM和闪存装置;磁盘,比如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM盘。处理器和存储器可由ASIC(特定用途集成电路)补充或并入其中。
为了提供与用户的交互,这些特征可以实现在计算机上,计算机具有显示装置,比如CRT(阴极射线管)或LCD(液晶显示)监视器,用于显示信息给用户;以及键盘和指向装置,比如用户通过其可以提供输入至计算机的鼠标或轨迹球。另外,计算机可以没有键盘、鼠标或相连的监视器,并且可以由另一台计算机远程控制。
这些特征可以实现在计算机系统中,其包括后端组件比如数据服务器,或者其包括中间件组件比如应用服务器或因特网服务器,或者其包括前端组件,比如具有图形用户界面或因特网浏览器或其任意组合的客户端计算机。系统组件可以通过任何形式或媒介的数字数据通信比如通信网络来连接。通信网络的示例包括例如局域网(LAN)、广域网(WAN)以及形成因特网的计算机和网络。
计算机系统可以包括客户端和服务器。客户端和服务器通常彼此远离,并且通常通过网络比如所述之一交互。客户端和服务器的关系源自在各自计算机上运行且具有相互客户端-服务器关系的计算机程序。
处理器1910执行与计算机程序相关的指令。处理器1910可以包括硬件,比如逻辑门、加法器、乘法器和计数器。处理器1910还可以包括执行算术和逻辑运算的单独算术逻辑单元(ALU)。
其它实施例
已经对多个实施例进行了描述。然而,要理解的是,在不脱离本发明的精神和范围的情况下,可以进行各种修改。特别地,结合具体实施例的本文所公开的特征通常可以包括在其他实施例中,并且本文所公开的特定特征通常可以与本文所公开的任何实施例的任何其它特征组合使用。因此,其它实施例在以下权利要求的范围之内。
Claims (52)
1.一种显示样本中细胞图像的方法,所述方法包括:
获得样本中细胞的多个图像,其中,每个图像对应于样本中的细胞其中一个;
基于所述多个图像,为每个细胞确定至少一个属性的值;
布置所述多个图像以形成第一图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第一图像阵列中;
显示所述第一图像阵列;
对所述多个图像进行排序以形成第二图像阵列,其中所述图像的顺序不同于第一图像阵列;以及
显示所述第二图像阵列,
其中,所述样本包括血液,所述细胞包括红血细胞。
2.根据权利要求1所述的方法,其中,所述第一图像阵列中的每个图像显示为用户可选控制。
3.根据权利要求2所述的方法,其中,每个用户可选控制配置成使得在被激活时,关于样本中相应细胞的信息得以显示。
4.根据权利要求1所述的方法,其中,所述至少一个属性的值包括每个细胞的细胞血红蛋白含量。
5.根据权利要求1所述的方法,其中,所述至少一个属性的值包括每个细胞的细胞体积。
6.根据权利要求1所述的方法,其中,所述至少一个属性的值包括每个细胞的细胞尺寸。
7.根据权利要求1所述的方法,其中,所述至少一个属性的值包括每个细胞的光密度。
8.根据权利要求1所述的方法,其中,所述至少一个属性的值包括每个细胞的形状。
9.根据权利要求1所述的方法,还包括:
基于所述多个图像,为每个细胞确定第二属性的值;以及
基于所述第二属性的值,对所述多个图像进行排序以形成所述第二图像阵列。
10.根据权利要求9所述的方法,其中,所述第二属性的值包括每个细胞的细胞血红蛋白含量。
11.根据权利要求9所述的方法,其中,所述第二属性的值包括每个细胞的细胞体积。
12.根据权利要求9所述的方法,其中,所述第二属性的值包括每个细胞的细胞尺寸。
13.根据权利要求9所述的方法,其中,所述第二属性的值包括每个细胞的光密度。
14.根据权利要求9所述的方法,其中,所述第二属性的值包括每个细胞的形状。
15.根据权利要求1所述的方法,还包括基于所述第一图像阵列与第二图像阵列中的至少一个来检测患者的疾病状态。
16.根据权利要求9所述的方法,还包括分析所述多个图像来识别细胞中的内含物,其中,所述第二属性是与内含物相关的属性。
17.根据权利要求16所述的方法,其中,所述与内含物相关的属性包括内含物尺寸、内含物形状和内含物数量中的至少一个。
18.根据权利要求16所述的方法,还包括激活在显示装置上的控制,所述第二图像阵列显示在所述显示装置上,以基于所述第二图像阵列来提供样本的评估。
19.根据权利要求1所述的方法,还包括:
对于所述多个图像中的每个来说,识别与对应于图像的细胞相关联的成组像素;
基于所述成组像素,确定每个细胞的参考位置;以及
将所述多个图像布置在第一图像阵列中,以使得所述第一图像阵列中每个细胞的参考位置与所述第一图像阵列中相邻细胞的参考位置相等地间隔开。
20.根据权利要求1所述的方法,还包括:
对于所述多个图像中的每个来说,识别图像中的背景成组像素,其不对应于与图像相关联的细胞,
其中,对于所述多个图像中的每个来说,显示所述第一图像阵列包括将颜色分配给所述背景成组像素中的每个成员;以及
其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
21.根据权利要求9所述的方法,还包括:
在显示装置上显示所述第一图像阵列和多个用户可选控制,其中,所述用户可选控制中的每个对应于细胞的不同属性;以及
当所述多个用户可选控制之一被激活时,对所述多个图像进行排序以形成所述第二图像阵列,其中,所述第二属性是对应于被激活的控制的属性。
22.一种用于视觉检查红血细胞的系统,所述系统包括:
光源,其配置成照亮样本中的红血细胞;
检测器,其配置成获得红血细胞的多个图像,其中,每个图像对应于样本中红血细胞的不同的一个;
显示装置,其配置成显示红血细胞的图像;以及
电子处理器,其配置成:
基于所述多个图像,为每个细胞确定至少一个属性的值;
布置所述多个图像以形成第一图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第一图像阵列中;
在所述显示装置上显示所述第一图像阵列;
对所述多个图像进行排序以形成第二图像阵列,其中所述图像的顺序不同于第一图像阵列;以及
在所述显示装置上显示所述第二图像阵列。
23.根据权利要求22所述的系统,其中,所述显示装置配置成将所述第一图像阵列中的每个图像显示为用户可选控制。
24.根据权利要求23所述的系统,其中,所述电子处理器配置成使得当所述用户可选控制之一被激活时,电子处理器显示有关对应于在所述显示装置上被激活的控制的细胞的信息。
25.根据权利要求22所述的系统,其中,所述至少一个属性的值包括每个细胞的细胞血红蛋白含量。
26.根据权利要求22所述的系统,其中,所述至少一个属性的值包括每个细胞的细胞体积。
27.根据权利要求22所述的系统,其中,所述至少一个属性的值包括来自由每个细胞的细胞尺寸、每个细胞的光密度以及每个细胞的形状构成的组中的至少一个成员。
28.根据权利要求22所述的系统,其中,所述电子处理器进一步配置成:
基于所述多个图像,为每个细胞确定第二属性的值;以及
基于所述第二属性的值,对所述多个图像进行排序以形成所述第二图像阵列。
29.根据权利要求28所述的系统,其中,所述电子处理器进一步配置成:
在所述显示装置上显示多个用户可选控制,其中,所述用户可选控制中的每个对应于细胞的不同属性;以及
当所述多个用户可选控制之一被激活时,对所述多个图像进行排序以形成所述第二图像阵列,其中,所述第二属性是对应于被激活的控制的属性。
30.根据权利要求28所述的系统,其中,所述电子处理器进一步配置成分析所述多个图像来识别细胞中的内含物,其中,所述第二属性是与内含物相关的属性,并且包括内含物尺寸、内含物形状和内含物数量中的至少一个。
31.根据权利要求22所述的系统,其中,所述电子处理器进一步配置成:
对于所述多个图像中的每个来说,识别与对应于图像的细胞相关联的成组像素;
基于所述成组像素,确定每个细胞的参考位置;以及
将所述第一图像阵列中的多个图像显示在所述显示装置上,以使得第一图像阵列中每个细胞的参考位置与第一图像阵列中相邻细胞的参考位置相等地间隔开。
32.根据权利要求22所述的系统,其中,对于所述多个图像中的每个来说,所述电子处理器进一步配置成:
识别图像中的背景成组像素,其不对应于与图像相关联的细胞;以及
通过将颜色分配给所述背景成组像素中的每个成员,显示所述第一图像阵列中的图像,
其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
33.一种计算机可读存储装置,具有编码在其上的计算机可读指令,当由处理器执行时,使所述处理器:
获得样本中细胞的多个图像,其中,每个图像对应于样本中细胞的不同一个;
基于所述多个图像,为每个细胞确定至少一个属性的值;
布置所述多个图像以形成第一图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第一图像阵列中;以及
显示所述第一图像阵列,
其中,所述样本包括血液,所述细胞包括红血细胞。
34.一种显示样本中细胞图像的方法,所述方法包括:
获得样本中细胞的多个图像,其中,每个图像对应于样本中的一个细胞;
基于所述多个图像,为每个细胞确定至少一个属性的值;
随机地布置所述多个图像以形成第一图像阵列;
显示所述第一图像阵列;
布置所述多个图像以形成第二图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第二图像阵列中;以及
显示所述第二图像阵列。
35.根据权利要求34所述的方法,其中,所述样本包括血液,所述细胞包括红血细胞。
36.根据权利要求34所述的方法,其中,所述样本包括血液,所述细胞包括血小板。
37.根据权利要求34所述的方法,其中,所述第二图像阵列中的每个图像显示为用户可选控制。
38.根据权利要求37所述的方法,其中,每个用户可选控制配置成使得在被激活时,关于样本中相应细胞的信息得以显示。
39.根据权利要求34所述的方法,其中,所述至少一个属性的值包括每个细胞的细胞血红蛋白含量。
40.根据权利要求34所述的方法,其中,所述至少一个属性的值包括每个细胞的细胞体积。
41.根据权利要求34所述的方法,其中,所述至少一个属性的值包括每个细胞的细胞尺寸。
42.根据权利要求34所述的方法,其中,所述至少一个属性的值包括每个细胞的光密度。
43.根据权利要求34所述的方法,其中,所述至少一个属性的值包括每个细胞的形状。
44.根据权利要求34所述的方法,还包括:
对于所述多个图像中的每个来说,确定图像中的背景成组像素,其不对应于与图像相关联的细胞,
其中,对于所述多个图像中的每个来说,显示所述第二图像阵列包括将颜色分配给所述背景成组像素中的每个成员;以及
其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
45.一种用于视觉检查细胞的系统,所述系统包括:
光源,其配置成照亮样本中的细胞;
检测器,其配置成获得细胞的多个图像,其中,每个图像对应于样本中的一个细胞;
显示装置,其配置成显示细胞的图像;以及
电子处理器,其配置成:
基于所述多个图像,为每个细胞确定至少一个属性的值;
随机地布置所述多个图像以形成第一图像阵列;
显示所述第一图像阵列;
布置所述多个图像以形成第二图像阵列,其中,基于所述至少一个属性的值,所述图像排序在第二图像阵列中;以及
在所述显示装置上显示所述第二图像阵列。
46.根据权利要求45所述的系统,其中,所述显示装置配置成将所述第二图像阵列中的每个图像显示为用户可选控制。
47.根据权利要求46所述的系统,其中,所述电子处理器配置成使得当所述用户可选控制之一被激活时,电子处理器显示有关对应于在所述显示装置上被激活的控制的细胞的信息。
48.根据权利要求45所述的系统,其中,所述至少一个属性的值包括每个细胞的细胞血红蛋白含量。
49.根据权利要求45所述的系统,其中,所述至少一个属性的值包括每个细胞的细胞体积。
50.根据权利要求45所述的系统,其中,所述至少一个属性的值包括来自由每个细胞的细胞尺寸、每个细胞的光密度以及每个细胞的形状构成的组中的至少一个成员。
51.根据权利要求45所述的系统,其中,所述电子处理器进一步配置成分析所述多个图像来识别细胞中的内含物,其中,所述至少一个属性是与内含物相关的属性,并且包括内含物尺寸、内含物形状和内含物数量中的至少一个。
52.根据权利要求45所述的系统,其中,对于所述多个图像中的每个来说,所述电子处理器进一步配置成:
识别图像中的背景成组像素,其不对应于与图像相关联的细胞;以及
通过将颜色分配给所述背景成组像素中的每个成员,显示所述第二图像阵列中的图像,
其中,所述颜色是基于与图像相关联的细胞的所述至少一个属性的值而进行分配的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810145754.4A CN108318409A (zh) | 2011-06-17 | 2012-06-18 | 用于样本显示与查看的系统和方法 |
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161498456P | 2011-06-17 | 2011-06-17 | |
US61/498,456 | 2011-06-17 | ||
US201161510710P | 2011-07-22 | 2011-07-22 | |
US201161510696P | 2011-07-22 | 2011-07-22 | |
US201161510614P | 2011-07-22 | 2011-07-22 | |
US61/510,614 | 2011-07-22 | ||
US61/510,696 | 2011-07-22 | ||
US61/510,710 | 2011-07-22 | ||
PCT/US2012/042972 WO2012174542A2 (en) | 2011-06-17 | 2012-06-18 | Systems and methods for sample display and review |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810145754.4A Division CN108318409A (zh) | 2011-06-17 | 2012-06-18 | 用于样本显示与查看的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103930762A true CN103930762A (zh) | 2014-07-16 |
CN103930762B CN103930762B (zh) | 2018-03-20 |
Family
ID=46465289
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810145754.4A Pending CN108318409A (zh) | 2011-06-17 | 2012-06-18 | 用于样本显示与查看的系统和方法 |
CN201280040121.8A Active CN103930762B (zh) | 2011-06-17 | 2012-06-18 | 用于样本显示与查看的系统和方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810145754.4A Pending CN108318409A (zh) | 2011-06-17 | 2012-06-18 | 用于样本显示与查看的系统和方法 |
Country Status (8)
Country | Link |
---|---|
US (2) | US11047791B2 (zh) |
EP (1) | EP2721392B1 (zh) |
JP (3) | JP6109822B2 (zh) |
CN (2) | CN108318409A (zh) |
AU (1) | AU2012271257B2 (zh) |
CA (1) | CA2839531A1 (zh) |
ES (1) | ES2882791T3 (zh) |
WO (1) | WO2012174542A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511866A (zh) * | 2016-02-09 | 2022-12-23 | 分子装置有限公司 | 用于多维数据的图像分析的系统和方法 |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9164112B2 (en) | 2008-09-03 | 2015-10-20 | Hitachi High-Technologies Corporation | Automatic analyzer |
US9075225B2 (en) | 2009-10-28 | 2015-07-07 | Alentic Microscience Inc. | Microscopy imaging |
US9041790B2 (en) | 2009-10-28 | 2015-05-26 | Alentic Microscience Inc. | Microscopy imaging |
US20140152801A1 (en) | 2009-10-28 | 2014-06-05 | Alentic Microscience Inc. | Detecting and Using Light Representative of a Sample |
ES2961409T3 (es) | 2011-04-15 | 2024-03-11 | Roche Diagnostics Hematology Inc | Sistema y procedimiento para determinar un volumen plaquetario para una muestra de sangre, programa informático y medio legible por ordenador |
US9026531B2 (en) * | 2012-04-17 | 2015-05-05 | Cerner Innovation, Inc. | Associating multiple data sources into a web-accessible framework |
JP5333635B1 (ja) * | 2012-08-23 | 2013-11-06 | 富士ゼロックス株式会社 | 画像処理装置、プログラム及び画像処理システム |
JP5698208B2 (ja) * | 2012-11-30 | 2015-04-08 | 株式会社Screenホールディングス | 画像処理装置、画像処理方法、および画像処理プログラム |
US10502666B2 (en) | 2013-02-06 | 2019-12-10 | Alentic Microscience Inc. | Sample processing improvements for quantitative microscopy |
EP2954310B1 (en) * | 2013-02-06 | 2024-01-03 | Alentic Microscience Inc. | Detecting and using light representative of a sample |
EP2973217B1 (en) * | 2013-03-15 | 2023-10-25 | Hologic, Inc. | System and method for reviewing and analyzing cytological specimens |
JP6455829B2 (ja) * | 2013-04-01 | 2019-01-23 | キヤノン株式会社 | 画像処理装置、画像処理方法、およびプログラム |
WO2014161585A1 (en) * | 2013-04-05 | 2014-10-09 | Bastidas García Óscar | Particle counting system adaptable to an optical instrument |
USD802608S1 (en) * | 2013-04-25 | 2017-11-14 | Life Technologies Corporation | Display screen with graphical user interface |
SE537088C2 (sv) * | 2013-05-08 | 2015-01-07 | Cellavision Ab | Grafiskt användargränssnitt för analys av röda blodkroppar |
US9523670B2 (en) * | 2013-05-09 | 2016-12-20 | Abbott Point Of Care, Inc. | Method and apparatus for determining hemoglobin based parameters in an unlysed blood sample |
EP3014330B1 (en) | 2013-06-26 | 2024-01-03 | Alentic Microscience Inc. | Sample processing improvements for microscopy |
JPWO2016080442A1 (ja) * | 2014-11-21 | 2017-10-05 | 住友電気工業株式会社 | 品質評価方法及び品質評価装置 |
JP6776672B2 (ja) * | 2016-07-08 | 2020-10-28 | 住友電気工業株式会社 | 品質評価方法及び品質評価装置 |
US10489633B2 (en) | 2016-09-27 | 2019-11-26 | Sectra Ab | Viewers and related methods, systems and circuits with patch gallery user interfaces |
JP6832165B2 (ja) * | 2017-01-16 | 2021-02-24 | オリンパス株式会社 | 観察システム |
JP6862538B2 (ja) * | 2017-04-14 | 2021-04-21 | 株式会社日立ハイテク | 撮像装置および形態特徴データ表示方法 |
WO2018189877A1 (ja) * | 2017-04-14 | 2018-10-18 | 株式会社日立ハイテクノロジーズ | 荷電粒子線装置および細胞評価方法 |
CN108776085B (zh) * | 2018-05-11 | 2021-01-22 | 柘城惠丰钻石科技股份有限公司 | 一种超硬材料微粉专用光学检测仪 |
JP6845199B2 (ja) * | 2018-09-28 | 2021-03-17 | シスメックス株式会社 | 表示方法、検体分析装置、コンピュータプログラムおよび記録媒体 |
JP7510742B2 (ja) * | 2018-11-19 | 2024-07-04 | アークレイ株式会社 | 情報処理装置、測定システム、及びプログラム |
JP7293907B2 (ja) * | 2019-06-25 | 2023-06-20 | オムロン株式会社 | 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム |
JP2021040590A (ja) | 2019-09-13 | 2021-03-18 | シスメックス株式会社 | 細胞画像解析方法、細胞画像解析装置、プログラム、及び細胞画像解析システム |
JP2023513022A (ja) * | 2020-01-30 | 2023-03-30 | ヴィタディーエックス インターナショナル | 生体試料中のオブジェクトの体系的特性評価 |
EP3876193A1 (de) | 2020-03-02 | 2021-09-08 | Euroimmun Medizinische Labordiagnostika AG | Bildverarbeitungsverfahren zum anzeigen von zellen mehrerer gesamtbilder |
CN111583186A (zh) * | 2020-04-14 | 2020-08-25 | 山东省千佛山医院 | 面向临床应用的病理er/pr细胞核计数方法及系统 |
US11749569B2 (en) * | 2020-05-06 | 2023-09-05 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method for non-destructive inspection of cell etch redeposition |
JP6864279B1 (ja) * | 2020-08-13 | 2021-04-28 | 株式会社宮本製作所 | 情報収集方法、情報収集システムおよび情報収集装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762584A (zh) * | 2008-12-25 | 2010-06-30 | 希森美康株式会社 | 细胞图像显示装置、细胞图像显示方法、以及控制系统 |
Family Cites Families (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4612614A (en) * | 1980-09-12 | 1986-09-16 | International Remote Imaging Systems, Inc. | Method of analyzing particles in a fluid sample |
GB8313739D0 (en) * | 1983-05-18 | 1983-06-22 | Analytical Instr Ltd | Image analysers |
JPS60216074A (ja) * | 1984-12-31 | 1985-10-29 | Masahiko Takayanagi | 浮力式水揚器 |
US5740270A (en) | 1988-04-08 | 1998-04-14 | Neuromedical Systems, Inc. | Automated cytological specimen classification system and method |
US5544650A (en) | 1988-04-08 | 1996-08-13 | Neuromedical Systems, Inc. | Automated specimen classification system and method |
US4965725B1 (en) | 1988-04-08 | 1996-05-07 | Neuromedical Systems Inc | Neural network based automated cytological specimen classification system and method |
US5123055A (en) | 1989-08-10 | 1992-06-16 | International Remote Imaging Systems, Inc. | Method and an apparatus for differentiating a sample of biological cells |
WO1992009047A1 (en) | 1990-11-07 | 1992-05-29 | Rutenberg Mark R | Inspection apparatus and method with inspection auditing for images presented on a display |
US5655029A (en) | 1990-11-07 | 1997-08-05 | Neuromedical Systems, Inc. | Device and method for facilitating inspection of a specimen |
CA2084099C (en) * | 1991-12-06 | 1996-06-18 | James V. Bacus | Method and apparatus for automated cell analysis |
US6026174A (en) | 1992-10-14 | 2000-02-15 | Accumed International, Inc. | System and method for automatically detecting malignant cells and cells having malignancy-associated changes |
JPH0785168A (ja) | 1993-09-10 | 1995-03-31 | Toa Medical Electronics Co Ltd | 臨床検査結果用表示装置 |
CA2132269C (en) | 1993-10-12 | 2000-02-01 | Rainer Hermann Doerrer | Interactive automated cytology method and system |
JPH07286954A (ja) * | 1994-04-19 | 1995-10-31 | Hitachi Ltd | 細胞自動分類装置 |
US5625705A (en) | 1994-06-03 | 1997-04-29 | Neuromedical Systems, Inc. | Intensity texture based classification system and method |
JP3050046B2 (ja) * | 1994-07-18 | 2000-06-05 | 株式会社日立製作所 | 粒子自動分類システム |
WO1996020456A1 (en) * | 1994-12-23 | 1996-07-04 | International Remote Imaging Systems, Inc. | Method and apparatus of analyzing particles in a fluid sample and displaying same |
US5889880A (en) | 1995-06-07 | 1999-03-30 | Autocyte, Inc. | Interactive automated cytology method incorporating both manual and automatic determinations |
US6091842A (en) | 1996-10-25 | 2000-07-18 | Accumed International, Inc. | Cytological specimen analysis system with slide mapping and generation of viewing path information |
US6148096A (en) | 1995-09-15 | 2000-11-14 | Accumed International, Inc. | Specimen preview and inspection system |
WO1997020198A2 (en) | 1995-11-30 | 1997-06-05 | Chromavision Medical Systems, Inc. | Method and apparatus for automated image analysis of biological specimens |
US6718053B1 (en) | 1996-11-27 | 2004-04-06 | Chromavision Medical Systems, Inc. | Method and apparatus for automated image analysis of biological specimens |
EP0995103A1 (en) | 1997-07-17 | 2000-04-26 | Accumed International Inc. | Inspection system with specimen preprocessing |
JPH11132932A (ja) * | 1997-10-29 | 1999-05-21 | Hitachi Ltd | 生体に関する粒子画像分類システムおよび粒子の再分類方法 |
US6235536B1 (en) * | 1998-03-07 | 2001-05-22 | Robert A. Levine | Analysis of quiescent anticoagulated whole blood samples |
JPH11271209A (ja) * | 1998-03-24 | 1999-10-05 | Olympus Optical Co Ltd | 走査型サイトメータ |
JP3871456B2 (ja) | 1998-12-10 | 2007-01-24 | シスメックス株式会社 | 粒子画像分析装置 |
US8406498B2 (en) * | 1999-01-25 | 2013-03-26 | Amnis Corporation | Blood and cell analysis using an imaging flow cytometer |
JP2000353246A (ja) | 1999-06-11 | 2000-12-19 | Hitachi Ltd | パターン認識装置 |
US7383134B2 (en) | 2002-01-15 | 2008-06-03 | Piper James R | Method and/or system for analyzing biological samples using a computer system |
US7368080B2 (en) | 2002-01-18 | 2008-05-06 | Sysmex Corporation | Smear preparing apparatus |
US7286256B2 (en) * | 2002-02-22 | 2007-10-23 | Eastman Kodak Company | Image application software providing a list of user selectable tasks |
JP4299597B2 (ja) | 2002-07-29 | 2009-07-22 | シスメックス株式会社 | 血液分析装置及び方法 |
US7925070B2 (en) | 2004-03-30 | 2011-04-12 | Sysmex Corporation | Method for displaying virtual slide and terminal device for displaying virtual slide |
US8263414B2 (en) | 2005-05-23 | 2012-09-11 | Siemens Healthcare Diagnostics Inc. | Dispensing of a diagnostic liquid onto a diagnostic reagent |
JP4964446B2 (ja) | 2005-09-14 | 2012-06-27 | シスメックス株式会社 | 分析装置及び検体情報処理プログラム |
JP4808492B2 (ja) | 2005-12-28 | 2011-11-02 | シスメックス株式会社 | 標本画像撮像装置、標本画像撮像システムおよび標本スライド供給装置 |
JP4871618B2 (ja) | 2006-03-14 | 2012-02-08 | 株式会社日立ハイテクノロジーズ | 精度管理システム |
SE530750C2 (sv) * | 2006-07-19 | 2008-09-02 | Hemocue Ab | En mätapparat, en metod och ett datorprogram |
JP4869843B2 (ja) | 2006-09-06 | 2012-02-08 | オリンパス株式会社 | 細胞画像処理装置および細胞画像処理方法 |
AU2007314143A1 (en) | 2006-10-31 | 2008-05-08 | Inivai Technologies Pty Ltd | A system and method for processing flow cytometry data |
US20080144945A1 (en) * | 2006-12-19 | 2008-06-19 | Siemens Computer Aided Diagnosis Ltd. | Clusterization of Detected Micro-Calcifications in Digital Mammography Images |
US9322834B2 (en) | 2007-05-30 | 2016-04-26 | Sysmex Corporation | Sample analyzer, blood analyzer and displaying method |
JP2009128267A (ja) * | 2007-11-27 | 2009-06-11 | Toyobo Co Ltd | 画像処理方法 |
WO2009085534A1 (en) | 2007-12-27 | 2009-07-09 | Siemens Heathcare Diagnostics Inc. | Method and apparatus for remote multiple-process graphical monitoring |
JP5466825B2 (ja) | 2008-01-23 | 2014-04-09 | シスメックス株式会社 | 細胞画像処理システム、細胞画像表示システムおよび細胞画像表示方法 |
JP4991586B2 (ja) | 2008-01-31 | 2012-08-01 | 株式会社日立ハイテクノロジーズ | 自動分析装置 |
JP5289797B2 (ja) | 2008-03-03 | 2013-09-11 | シスメックス株式会社 | 細胞画像表示システム、細胞画像表示装置およびコンピュータプログラム |
US9602777B2 (en) * | 2008-04-25 | 2017-03-21 | Roche Diagnostics Hematology, Inc. | Systems and methods for analyzing body fluids |
WO2009135271A1 (en) | 2008-05-08 | 2009-11-12 | Inivai Technologies Pty Ltd | A system and method for processing flow cytometry data |
JP5420203B2 (ja) | 2008-06-30 | 2014-02-19 | シスメックス株式会社 | 試料分析装置、粒子分布図表示方法、及びコンピュータプログラム |
TWI385669B (zh) | 2008-07-23 | 2013-02-11 | Phison Electronics Corp | 用於快閃記憶體的平均磨損方法、儲存系統與控制器 |
JP5301232B2 (ja) | 2008-09-30 | 2013-09-25 | シスメックス株式会社 | 血球画像表示装置、検体分析システム、血球画像表示方法、及びコンピュータプログラム |
JP2010151566A (ja) * | 2008-12-25 | 2010-07-08 | Hitachi High-Technologies Corp | 粒子画像解析方法及び装置 |
JP5426181B2 (ja) | 2009-01-21 | 2014-02-26 | シスメックス株式会社 | 検体処理システム、細胞画像分類装置、及び検体処理方法 |
JP2011095182A (ja) * | 2009-10-30 | 2011-05-12 | Sysmex Corp | 細胞分析装置及び細胞分析方法 |
-
2012
- 2012-06-18 EP EP12732906.8A patent/EP2721392B1/en active Active
- 2012-06-18 US US13/526,223 patent/US11047791B2/en active Active
- 2012-06-18 CN CN201810145754.4A patent/CN108318409A/zh active Pending
- 2012-06-18 WO PCT/US2012/042972 patent/WO2012174542A2/en unknown
- 2012-06-18 CA CA2839531A patent/CA2839531A1/en not_active Abandoned
- 2012-06-18 JP JP2014516079A patent/JP6109822B2/ja active Active
- 2012-06-18 CN CN201280040121.8A patent/CN103930762B/zh active Active
- 2012-06-18 AU AU2012271257A patent/AU2012271257B2/en active Active
- 2012-06-18 ES ES12732906T patent/ES2882791T3/es active Active
-
2017
- 2017-03-08 JP JP2017043947A patent/JP6514726B2/ja active Active
-
2019
- 2019-04-12 JP JP2019076632A patent/JP6926141B2/ja active Active
-
2020
- 2020-10-20 US US17/075,631 patent/US11933711B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762584A (zh) * | 2008-12-25 | 2010-06-30 | 希森美康株式会社 | 细胞图像显示装置、细胞图像显示方法、以及控制系统 |
US20100169811A1 (en) * | 2008-12-25 | 2010-07-01 | Sysmex Corporation | Cell image display apparatus, cell image display method, and computer program product |
Non-Patent Citations (2)
Title |
---|
PANOS TRIMINTZIOS ET AL.: ""A Management and Control Architecture for Providing IP Differentiated Services in MPLS-Based Networks"", 《IEEE COMMUNICATIONS MAGAZINE》 * |
王文东: ""互联网的服务质量控制和管理"", 《中兴通讯技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115511866A (zh) * | 2016-02-09 | 2022-12-23 | 分子装置有限公司 | 用于多维数据的图像分析的系统和方法 |
CN115511866B (zh) * | 2016-02-09 | 2024-04-09 | 分子装置有限公司 | 用于多维数据的图像分析的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6109822B2 (ja) | 2017-04-05 |
EP2721392A2 (en) | 2014-04-23 |
US20210239595A1 (en) | 2021-08-05 |
WO2012174542A3 (en) | 2013-04-04 |
WO2012174542A2 (en) | 2012-12-20 |
US20130002847A1 (en) | 2013-01-03 |
ES2882791T3 (es) | 2021-12-02 |
AU2012271257A1 (en) | 2013-05-02 |
JP6514726B2 (ja) | 2019-05-15 |
JP2019144262A (ja) | 2019-08-29 |
US11047791B2 (en) | 2021-06-29 |
US11933711B2 (en) | 2024-03-19 |
JP2014520266A (ja) | 2014-08-21 |
JP2017129593A (ja) | 2017-07-27 |
WO2012174542A9 (en) | 2013-02-14 |
CN108318409A (zh) | 2018-07-24 |
EP2721392B1 (en) | 2021-05-19 |
AU2012271257B2 (en) | 2016-01-14 |
JP6926141B2 (ja) | 2021-08-25 |
CN103930762B (zh) | 2018-03-20 |
CA2839531A1 (en) | 2012-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11933711B2 (en) | Systems and methods for sample display and review | |
CN103827657B (zh) | 血液分析仪校准和评估 | |
US9523670B2 (en) | Method and apparatus for determining hemoglobin based parameters in an unlysed blood sample | |
Vink et al. | An automatic vision‐based malaria diagnosis system | |
US9459196B2 (en) | Blood analyzer calibration and assessment | |
CN105143850A (zh) | 用于血液样品中的粒子分析的自聚焦系统和方法 | |
CN107533047A (zh) | 尿分析系统、拍摄装置、细胞拍摄装置、尿分析方法、管理装置及信息处理方法 | |
Da Costa | Digital image analysis of blood cells | |
JP3916395B2 (ja) | 検体の予備処理機能を備えた検査体系 | |
Lv et al. | High-accuracy morphological identification of bone marrow cells using deep learning-based Morphogo system | |
AU2015271917B2 (en) | Systems and methods for sample display and review | |
AU2015261699B2 (en) | Blood analyzer calibration and assessment | |
Genevieve et al. | Smear microscopy revision: propositions by the GFHC | |
JP7374943B2 (ja) | 表示方法および検体分析装置 | |
Yadav et al. | Determination and categorization of Red Blood Cells by Computerized framework for diagnosing disorders in the blood | |
Bowers et al. | Digital Imaging and AI Pre-classification in Hematology | |
WO2024127207A1 (en) | System and method for analyzing bodily samples |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1195122 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1195122 Country of ref document: HK |