CN108169105A - 应用于血细胞分析仪的白细胞分类处理方法 - Google Patents

应用于血细胞分析仪的白细胞分类处理方法 Download PDF

Info

Publication number
CN108169105A
CN108169105A CN201711087675.4A CN201711087675A CN108169105A CN 108169105 A CN108169105 A CN 108169105A CN 201711087675 A CN201711087675 A CN 201711087675A CN 108169105 A CN108169105 A CN 108169105A
Authority
CN
China
Prior art keywords
classification
sample
data
algorithm
processing method
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
Application number
CN201711087675.4A
Other languages
English (en)
Other versions
CN108169105B (zh
Inventor
周俊旺
张国联
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.)
Shandong Excellence Biotechnology Ltd By Share Ltd
Original Assignee
Shandong Excellence Biotechnology Ltd By Share Ltd
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 Shandong Excellence Biotechnology Ltd By Share Ltd filed Critical Shandong Excellence Biotechnology Ltd By Share Ltd
Priority to CN201711087675.4A priority Critical patent/CN108169105B/zh
Publication of CN108169105A publication Critical patent/CN108169105A/zh
Application granted granted Critical
Publication of CN108169105B publication Critical patent/CN108169105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G01N2015/1402—Data analysis by thresholding or gating operations performed on the acquired signals or stored data
    • 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
    • G01N2015/1488—Methods for deciding

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Signal Processing (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种应用于血细胞分析仪的白细胞分类处理方法。该方法包括：S1，采用抽样算法对总样本数据进行评估，确定需要选择分类运算的样本点数据；S2，对抽样算法选取的样本点数据进行密度划分，计算各分类密度中心及其范围、各分类拟合椭圆参数及其范围；以及S3，对S2计算出的分类结果的各参数进行验，如不满足分类条件，则处理流程结束，不对除抽样算法选取的样本点外剩余点进行分类，如满足分类条件，则对除抽样算法选取的样本点外剩余点根据已计算出的区域进行划分，对未落入任何区域的数据，通过各分类椭圆区域焦点的距离之和最近原则，将该点划分到最近分类中。本发明的避免了单一算法对于结果准确性和效率的限制所存在的弊端。

Description

应用于血细胞分析仪的白细胞分类处理方法
技术领域
本发明涉及生物医学技术领域，具体而言，涉及一种应用于血细胞分析仪的白细胞分类处理方法。
背景技术
在血液细胞分析领域一般使用流式细胞术，即将样本细胞约束为单细胞流，经过由激光器和光信号传感器组成的装置时，光信号传感器产生不同幅值脉冲，从而对细胞进行形态大小等信息的分析，每一个光信号传感器代表细胞的某一形态特征信息。
现有技术中的装置典型的由一个激光器和三个光信号传感器组成。经传感器收集到的细胞信息最终被转换为数字信号，由计算机软件分析处理。如图1所示，LS/HS数据特征图，该图为LS/HS散点图、LS直方图、HS直方图的组合图形。显示LS/HS一维特征及二维特征图形。细胞的某一传感器收集到的数字信号是服从正态分布的，以细胞数量为纵轴，细胞测量信号为横轴绘制图形时，将会呈现出正态分布曲线图。如LS直方图和HS直方图中均可看到3个近似于正态分布曲线的“山峰”。以某一传感器信号为横轴，另一传感器信号为纵轴绘制图形，呈现出散点图，散点图中的聚类形状近似为椭圆。同类细胞在不同光学通道中的数据值相近，在一定的数据范围内浮动；不同类细胞在某一通道(或两个光学通道)光学测量数据中有差距，在直方图中不同形态大小的细胞会形成不同的正态分布峰。显示在二维散点图中时，会看到散点聚成的“簇团”，一个“簇团”代表一种类别的细胞。如LS/HS散点图中可看到4个可区分簇团。最左下角簇团为噪声团，其余散团为细胞团。
目前分类核心原理主要分为两大类：方案一监督分类，监督分类方法最显著的特点就是需要数据训练，收集已知样本数据，监督分类算法有支持向量机、贝叶斯分类器等；方案二无监督分类，相对于监督分类而言，不需要对数据进行训练。无监督分类方法有基于密度的聚类方法。不同的算法方案处理速度、准确性、参数数目各不同，单一的使用一种算法对于结果准确性和效率都受到一定限制。
其中，监督分类包括生成训练数据矩阵、计算分类边界、预测数据、对预测数据进行分析，在划分聚类边界前需对已测量数据进行分类，根据已分类数据计算分类模型、计算训练数据各聚类边界曲线方程。在预测数据时，通过判断是否在曲线内部、外部，来判断待分类细胞数据属于那个类别。对计算出的各分类参数与已知经验参数进行对比，确定是否需要对分类结果进行校正。该步骤并不是会都进行。该方案的主要核心及难度在于训练数据的选择，与分类核函数模型选取上。训练数据选择不当，计算出的核函数参数就有所差别，从而影响分类结果。当然核函数类型选取也同样重要。该方案对于区域内某一类细胞聚类分散、多个聚类密度中心等聚类信息计算较少，对某一类细胞异常情况识别能力较差。
无监督分类方法中，不需要训练数据。密度聚类法是通过密度核心点密度相连法聚类。不需要事先知道几个类别。这也导致密度聚类结果，对同一类细胞的不同类型会有多个聚类的分类结果。密度聚类中的运算中需计算密度中心点，密度聚集度等计算，对分类信息计算较多。
所以，上述两种方案中，单一的使用一种算法对于结果准确性和效率都受到一定限制，主要是：1)数据量较大导致运算量较大，从而影响单个样本数据的分析处理速度；2)收集光学测量数据的光学系统受到温度、电压、装置密封性等外界物理条件的影响，使得样本数据变化较大，数据特征多样，从而影响分类准确性；3)不同的算法方案处理速度、准确性、参数数目各不同。
发明内容
本发明旨在提供一种应用于血细胞分析仪的白细胞分类处理方法，以提高处理结果的准确性。
为了实现上述目的，根据本发明的一个方面，提供了一种应用于血细胞分析仪的白细胞分类处理方法。该白细胞分类处理方法包括以下步骤：S1，采用抽样算法对总样本数据进行评估，确定需要选择分类运算的样本点数据；S2，对抽样算法选取的样本点数据进行密度划分，计算各分类密度中心及其范围、各分类拟合椭圆参数及其范围；以及S3，对S2计算出的分类结果的各参数进行验证，判断是否满足分类条件，如果不满足分类条件，则处理流程结束，不对除抽样算法选取的样本点外剩余点进行分类，并将该信息输出，如果满足分类条件，则对除抽样算法选取的样本点外剩余点根据已计算出的区域进行划分，对未落入任何区域的数据，通过各分类椭圆区域焦点的距离之和最近原则，将该点划分到最近分类中。
进一步地，抽样算法的抽样量为总量的1/3～2/3。
进一步地，抽样算法为顺序抽样法。
进一步地，在S1之前还包括对总样本数据进行预处理的步骤，预处理的处理公式为X＝(x-m)/sd，其中，m为总体样本均值向量，sd为各维度数据标准方差所组成的向量，公式中x为测量中收集到的原始数据，X为分类处理前数据。
进一步地，S2中对S2计算出的分类结果的各参数进行验证是通过无监督密度算法进行参数验证。
进一步地，S1具体包括：计算总样本数据平均值Mean和中位值Media，评估[Media，Mean]或[Mean，Media]区间样本数据所占总数百分比是否小于30％，如果小于等于30％，且正态分布特征明显，则以该范围为基准向两边等范围扩大，选择样本点数据；如果大于30％，则采用在该范围之间选取样本点的方法确定需要选择分类运算的样本点数据。
进一步地，S2中，椭圆参数包括椭圆焦点、长轴、短轴及分类重心。
进一步地，S3中通过对已收集大量样本数据计算各细胞分类重心位置、范围作为经验值，判断分类是否满足条件的依据。
进一步地，判断分类是否满足条件的依据包括：判断各计算分类中心是否在各分类经验值范围内。
应用本发明的技术方案，将样本总量分为两部分处理，即抽样样本和抽样剩余样本，对抽样样本采用无监督的抽样密度聚类算法，保证算法准确性，但该算法时间复杂度较高，运算时间随样本量增加呈现指数增长规律，所以该算法只针对部分少量样本；对抽样剩余样本处理时，根据抽样样本计算结果，将剩余样本重新分类运算，该运算时间复杂度较低，能大幅提高运算效率，降低运算时间。在验证分类算法结果时，通过对已收集大量样本数据计算各细胞分类重心位置、范围等参数作为经验值，判断分类是否满足条件的依据，所以本发明的技术方案避免了单一算法对于结果准确性和效率的限制所存在的弊端。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了现有技术中一实例的LS/HS数据特征图；以及
图2示出了根据本发明一典型的实施方式的应用于血细胞分析仪的白细胞分类处理方法的流程示意图；
图3示出了实施例1的对抽样样本分类结果；
图4示出了实施例1的根据抽样分类结果计算剩余样本分类结果。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
针对单一算法对于结果准确性和效率的限制所存在的弊端，本发明的发明人提出了一下技术方案。
根据本发明一种典型的实施方式，提供一种应用于血细胞分析仪的白细胞分类处理方法。该白细胞分类处理方法包括以下步骤：S1，采用抽样算法对总样本数据进行评估，确定需要选择分类运算的样本点数据；S2，对抽样算法选取的样本点数据进行密度划分，计算各分类密度中心及其范围、各分类拟合椭圆参数及其范围；以及S3，对S2计算出的分类结果的各参数进行验证，判断是否满足分类条件，如果不满足分类条件，则处理流程结束，不对除抽样算法选取的样本点外剩余点进行分类，并将该信息输出，如果满足分类条件，则对除抽样算法选取的样本点外剩余点根据已计算出的区域进行划分，对未落入任何区域的数据，通过各分类椭圆区域焦点的距离之和最近原则，将该点划分到最近分类中。
应用本发明的技术方案，将样本总量分为两部分处理，即抽样样本和抽样剩余样本，对抽样样本采用无监督的抽样密度聚类算法，保证算法准确性，但该算法时间复杂度较高，运算时间随样本量增加呈现指数增长规律，所以该算法只针对部分少量样本；对抽样剩余样本处理时，根据抽样样本计算结果，将剩余样本重新分类运算，该运算时间复杂度较低，能大幅提高运算效率，降低运算时间。在验证分类算法结果时，通过对已收集大量样本数据计算各细胞分类重心位置、范围等参数作为经验值，判断分类是否满足条件的依据，所以本发明的技术方案避免了单一算法对于结果准确性和效率的限制所存在的弊端。
优选的，抽样算法的抽样量为总量的1/3～2/3，这样就能够体现总样本的特点，又不会带来过大的工作量。
常用的抽样算法有顺序抽样和随机抽样，由于数据采集过程中，所有细胞检测时的顺序是随机的，为避免计算随机算法的弊端，优选的，抽样算法为顺序抽样法。优选的，在所述S1之前还包括对总样本数据进行预处理的步骤，预处理的处理公式为X＝(x-m)/sd，其中，m为总体样本均值向量，sd为各维度数据标准方差所组成的向量，公式中x为测量中收集到的原始数据，X为分类处理前数据。该处理流程能有效消除外界因素干扰，对数据的影响。
优选的，S2中对S2计算出的分类结果的各参数进行验证是通过无监督密度算法进行参数验证，修正因“簇团”相连而导致的分类错误，分类精确提高，从而提高单一的密度分类算法的分类准确性。
优选的，S1具体包括：计算总样本数据平均值Mean和中位值Media，评估[Media，Mean]或[Mean，Media]区间样本数据所占总数百分比是否小于30％，如果小于等于30％，且正态分布特征明显，则以该范围为基准向两边等范围扩大，选择样本点数据；如果大于30％，则采用在该范围之间选取样本点的方法确定需要选择分类运算的样本点数据。优选的，所述S2中，椭圆参数包括椭圆焦点、长轴、短轴及分类重心。
优选的，S3中通过对已收集大量样本数据计算各细胞分类重心位置、范围、单位区域密度最大值等参数作为经验值，判断分类是否满足条件的依据。判断分类是否满足条件的依据包括：判断各计算分类中心是否在各分类经验值范围内。
根据本发明一种典型的实施方式，一种应用于血细胞分析仪的白细胞分类处理方法，包括以下步骤，如图2所示，对所有样本进行预处理，对总体样本抽样，计算每个点密度参数，对样本点进行密度分类，对各分类点进行椭圆曲线拟合，计算椭圆焦点，长轴，短轴，计算分类重心，判断是否满足分类条件，如果不满足条件，则结束程序，如果满足，则根据分类区域对抽样点外的所有数据点进行分类，然后对各分类区域外的数据点根据距离椭圆两焦点之和最小原则进行划分。
下面将结合实施例进一步说明本发明的有益效果。
实施例1
算法数据取材：本例所使用样本来自六个不同的个体。
实验环境：因不同计算机配置，操作系统不同，处理相同数据计算时间有所差别，本实施例数据测试环境如下：
操系统作：win10 64位操作系统
CoreTMi5CPU M580@2.67Hz
安装内存：(RAM)4.00GB(3.80GB可用)
使用密度算法计算分类时间如下表1：
表1
样本总量 分类耗时(ms)
9860 38695
10266 38996
10786 39604
11014 39788
11238 39950
11399 40111
本实施例的应用于血细胞分析仪的白细胞分类处理方法，包括以下步骤：
对总样本数据进行预处理的步骤，预处理的处理公式为X＝(x-m)/sd，其中，m为总体样本均值向量，sd为各维度数据标准方差所组成的向量，公式中x为测量中收集到的原始数据，X为分类处理前数据；
S1，采用抽样算法对总样本数据进行评估，确定需要选择分类运算的样本点数据，具体包括：计算总样本数据平均值Mean和中位值Media，评估[Media，Mean]或[Mean，Media]区间样本数据所占总数百分比是否小于30％，如果小于等于30％，且正态分布特征明显，则以该范围为基准向两边等范围扩大，选择样本点数据；如果大于30％，则采用在该范围之间选取样本点的方法确定需要选择分类运算的样本点数据；
S2，对抽样算法选取的样本点数据进行密度划分，计算各分类密度中心及其范围、各分类拟合椭圆参数(包括椭圆焦点、长轴、短轴及分类重心)及其范围；
以及S3，对S2计算出的分类结果的各参数进行验证，判断是否满足分类条件，如果不满足分类条件，则处理流程结束，不对除抽样算法选取的样本点外剩余点进行分类，并将该信息输出，如果满足分类条件，则对除抽样算法选取的样本点外剩余点根据已计算出的区域进行划分，对未落入任何区域的数据，通过各分类椭圆区域焦点的距离之和最近原则，将该点划分到最近分类中。
其中，抽样算法的抽样量为总量的1/3～2/3，抽样算法为顺序抽样法；S2中对S2计算出的分类结果的各参数进行验证是通过无监督密度算法进行参数验证；S3中通过对已收集大量样本数据计算各细胞分类重心位置、范围作为经验值，判断分类是否满足条件的依据，判断分类是否满足条件的依据包括：判断各计算分类中心是否在各分类经验值范围内。
使用本实施例算法分类效果如下表2：
表2
样本总量 抽样数量 抽样分类耗时(ms) 总耗时(ms)
9860 3286 6954 8611
10266 3422 7032 8699
10786 3595 7135 8723
11014 3671 7166 8749
11238 3746 7351 8805
11399 3799 7399 8856
图3为对抽样样本进行分类计算后，所有椭圆内的点，被划分为该椭圆中心位置所在分类，图4为对所有椭圆之外点与椭圆两焦点距离之和最近原则分类后的结果。
由此可见，实施改进算法后样本数据总计算时间大幅降低，分类样本量在[1/3，2/3]范围内时，分类算法耗时较为稳定。
从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：
1)采用对总体样本抽样计算各分类参数，在不影响识别准确率的同时，将有效样本计算量降低到总样本量的1/3～2/3，从而大幅缩减了算法执行时间；
2)对抽样样本分类完成后，通过抽样样本分类参数重新计算剩余所有样本，并没有将抽样样本计算结果作为最终结果，仍然使用全部样本点计算结果作为最终结果，提高准确性；
3)通过对无监督密度算法进行参数验证，修正因“簇团”相连而导致的分类错误，分类精确提高，从而提高单一的密度分类算法的分类准确性；
4)对原始收集数据进行预处理流程，有效消除外界因素干扰，对数据的影响。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种应用于血细胞分析仪的白细胞分类处理方法，其特征在于，包括以下步骤：
S1，采用抽样算法对总样本数据进行评估，确定需要选择分类运算的样本点数据；
S2，对所述抽样算法选取的样本点数据进行密度划分，计算各分类密度中心及其范围、各分类拟合椭圆参数及其范围；以及
S3，对所述S2计算出的分类结果的各参数进行验证，判断是否满足分类条件，
如果不满足分类条件，则处理流程结束，不对除所述抽样算法选取的样本点外剩余点进行分类，并将该信息输出，
如果满足分类条件，则对除所述抽样算法选取的样本点外剩余点根据已计算出的区域进行划分，对未落入任何区域的数据，通过各分类椭圆区域焦点的距离之和最近原则，将该点划分到最近分类中。
2.根据权利要求1所述的白细胞分类处理方法，其特征在于，所述抽样算法的抽样量为总量的1/3～2/3。
3.根据权利要求1所述的白细胞分类处理方法，其特征在于，抽样算法为顺序抽样法。
4.根据权利要求1所述的白细胞分类处理方法，其特征在于，在所述S1之前还包括对总样本数据进行预处理的步骤，预处理的处理公式为X＝(x-m)/sd，其中，m为总体样本均值向量，sd为各维度数据标准方差所组成的向量，公式中x为测量中收集到的原始数据，X为分类处理前数据。
5.根据权利要求1所述的白细胞分类处理方法，其特征在于，所述S2中对所述S2计算出的分类结果的各参数进行验证是通过无监督密度算法进行参数验证。
6.根据权利要求1所述的白细胞分类处理方法，其特征在于，所述S1具体包括：计算总样本数据平均值Mean和中位值Media，评估[Media，Mean]或[Mean，Media]区间样本数据所占总数百分比是否小于30％，如果小于等于30％，且正态分布特征明显，则以该范围为基准向两边等范围扩大，选择样本点数据；如果大于30％，则采用在该范围之间选取样本点的方法确定需要选择分类运算的样本点数据。
7.根据权利要求1所述的白细胞分类处理方法，其特征在于，所述S2中，椭圆参数包括椭圆焦点、长轴、短轴及分类重心。
8.根据权利要求1所述的白细胞分类处理方法，其特征在于，所述S3中通过对已收集大量样本数据计算各细胞分类重心位置、范围、单位区域密度最大值作为经验值，判断分类是否满足条件的依据。
9.根据权利要求8所述的白细胞分类处理方法，其特征在于，判断分类是否满足条件的依据包括：判断各计算分类中心是否在各分类经验值范围内。
CN201711087675.4A 2017-11-07 2017-11-07 应用于血细胞分析仪的白细胞分类处理方法 Active CN108169105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711087675.4A CN108169105B (zh) 2017-11-07 2017-11-07 应用于血细胞分析仪的白细胞分类处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711087675.4A CN108169105B (zh) 2017-11-07 2017-11-07 应用于血细胞分析仪的白细胞分类处理方法

Publications (2)

Publication Number Publication Date
CN108169105A true CN108169105A (zh) 2018-06-15
CN108169105B CN108169105B (zh) 2020-12-18

Family

ID=62526912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711087675.4A Active CN108169105B (zh) 2017-11-07 2017-11-07 应用于血细胞分析仪的白细胞分类处理方法

Country Status (1)

Country Link
CN (1) CN108169105B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61292058A (ja) * 1985-04-16 1986-12-22 ボウリング　グリ−ン　ステイト　ユニバ−シテイ 細胞学的なデ−タの収集及び分析方法
CN101226190A (zh) * 2007-01-17 2008-07-23 深圳迈瑞生物医疗电子股份有限公司 流式细胞术的自动分类方法和装置
CN101493400A (zh) * 2008-01-25 2009-07-29 深圳迈瑞生物医疗电子股份有限公司 一种基于形状特征的自动分类校正的方法
CN102662067A (zh) * 2012-05-20 2012-09-12 烟台卓越生物技术有限责任公司 一种无氰化测定血红蛋白浓度及白细胞分群计数的溶血素
CN104200114A (zh) * 2014-09-10 2014-12-10 中国人民解放军军事医学科学院卫生装备研究所 流式细胞仪数据快速分析方法
CN105210083A (zh) * 2013-03-15 2015-12-30 霍罗杰克股份有限公司 用于查验和分析细胞学标本的系统和方法
CN105913077A (zh) * 2016-04-07 2016-08-31 华北电力大学（保定） 一种基于降维和抽样的数据聚类方法
CN106548204A (zh) * 2016-11-01 2017-03-29 北京信息科技大学 流式细胞仪数据快速自动分群方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS61292058A (ja) * 1985-04-16 1986-12-22 ボウリング　グリ−ン　ステイト　ユニバ−シテイ 細胞学的なデ−タの収集及び分析方法
CN101226190A (zh) * 2007-01-17 2008-07-23 深圳迈瑞生物医疗电子股份有限公司 流式细胞术的自动分类方法和装置
CN101493400A (zh) * 2008-01-25 2009-07-29 深圳迈瑞生物医疗电子股份有限公司 一种基于形状特征的自动分类校正的方法
CN102662067A (zh) * 2012-05-20 2012-09-12 烟台卓越生物技术有限责任公司 一种无氰化测定血红蛋白浓度及白细胞分群计数的溶血素
CN105210083A (zh) * 2013-03-15 2015-12-30 霍罗杰克股份有限公司 用于查验和分析细胞学标本的系统和方法
CN104200114A (zh) * 2014-09-10 2014-12-10 中国人民解放军军事医学科学院卫生装备研究所 流式细胞仪数据快速分析方法
CN105913077A (zh) * 2016-04-07 2016-08-31 华北电力大学（保定） 一种基于降维和抽样的数据聚类方法
CN106548204A (zh) * 2016-11-01 2017-03-29 北京信息科技大学 流式细胞仪数据快速自动分群方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王先文等: "基于偏斜t混合模型的流式数据自动聚类方法研究", 《电子学报》 *
赵其杰等: "基于密度-距离的t混合模型流式数据聚类", 《仪器仪表学报》 *

Also Published As

Publication number Publication date
CN108169105B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
US11900598B2 (en) System and method of classification of biological particles
US8611644B2 (en) Method and apparatus for training classifier, method and apparatus for image recognition
JP5425814B2 (ja) サポートベクタマシンを用いてフローサイトメトリーデータを分析するための方法及びシステム
US9880155B2 (en) System, method, and article for detecting abnormal cells using multi-dimensional analysis
US20240044904A1 (en) System, method, and article for detecting abnormal cells using multi-dimensional analysis
CN105205501B (zh) 一种多分类器联合的弱标注图像对象检测方法
CN107576634B (zh) 血液细胞分析仪及其细胞的识别方法与系统
CN101672759B (zh) 一种粒子分类统计方法及装置
CN107389536B (zh) 基于密度-距离中心算法的流式细胞粒子分类计数方法
CN106874943A (zh) 业务对象分类方法和系统
EP4003596A1 (en) System and method for immune activity determination
CN103364324A (zh) 一种用于血液细胞分析仪的自适应分类计算方法
Rahman et al. Automatic identification of abnormal blood smear images using color and morphology variation of RBCS and central pallor
CN108229507A (zh) 数据分类方法以及装置
WO2020004101A1 (ja) 表示制御装置、表示制御方法及び表示制御プログラム
CN112348360B (zh) 一种基于大数据技术的中药生产工艺参数分析系统
Rohaziat et al. White blood cells type detection using YOLOv5
CN108169105A (zh) 应用于血细胞分析仪的白细胞分类处理方法
CN106501160A (zh) 一种粒子分类方法及粒子分类装置
CN111812070B (zh) 核左移以及取值范围的确定方法、装置和细胞分析仪
CN105808718B (zh) 一种基于不平衡数据集的文本特征选择方法
CN112614087B (zh) 一种冷轧带钢表面质量的智能判定方法
US11964281B2 (en) System and method for correcting patient index
US20220196538A1 (en) Device for medical analyses with impedance signal processing
Erfani et al. An efficient approach to detecting concept-evolution in network data streams

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Classification and processing method of white blood cells applied to blood cell analyzer

Effective date of registration: 20230317

Granted publication date: 20201218

Pledgee: Postal Savings Bank of China Limited Yantai Laishan District sub branch

Pledgor: B&E BIO-TECHNOLOGY CO.,LTD.

Registration number: Y2023980035130

PE01 Entry into force of the registration of the contract for pledge of patent right