流式细胞检测数据处理方法、装置及分型方法、装置
技术领域
本发明涉及流式细胞学领域,具体涉及一种流式细胞检测数据处理的方法和装置、流式细胞检测的方法和装置、电子设备、计算机程序产品、以及计算机可读存储介质。
背景技术
血细胞在分化的不同阶段及细胞活化的过程中出现或消失的细胞表面抗原分子统称细胞分化群,在红细胞系、白细胞系、血小板、巨核细胞系及非造血细胞均有不同的分化抗原簇表达。当发生血液肿瘤时,细胞就会丧失正常细胞的系列专一性和分化阶段的规律性。流式细胞术可以对确定其来源和分化阶段、判断微量残留病变的存在及推测预后均有价值。
现有的流式免疫分型方法大多是利用流式细胞仪对胞定量进行分群,并通过专业人员从二维的视角对各个细胞群体进行正常或异常的判断,并根据异常细胞群体的特征推测疾病的种类及程度等。
然而,现有技术存在以下缺点:
1.主观性大。每个专业人员的经验不同以及判断依据也不完全相同,因此,判断结果也就会有所偏差,甚至同一个人在不同环境、状态下给出的判断结果也不一定完全相同。
2.劳动强度大。判断的人员需要一定的技术基础以及工作经验,而实际的巨大工作量和相对缺乏的专业人员加大了工作人员的劳动强度。
3.效率低。依赖相对较少的专业人员去人工完成巨大的工作量,其工作效率自然不高。
发明内容
有鉴于此,本发明实施例致力于提供一种流式细胞检测数据处理方法和装置,通过人工智能的方式替代现有的人工操作,解决了现有技术的主观性大、劳动强度大、以及效率低等问题。
根据本发明的一方面,本发明一实施例提供的一种流式细胞检测数据处理方法,包括:获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的初始位置坐标;以及对所述初始位置坐标进行补偿,得到位置坐标;其中,补偿方式为:将所述初始位置坐标对应的坐标向量乘以补偿矩阵的逆矩阵;其中所述补偿矩阵用以描述所述细胞在染色过程中各种颜色对各颜色通道的影响程度。
在一实施例中,在对所述初始位置坐标进行补偿之前,所述方法进一步包括:判断所述补偿矩阵是否准确;若判断结果为所述补偿矩阵不准确,则修正所述补偿矩阵。
在一实施例中,所述判断所述补偿矩阵是否准确包括:计算所述细胞的所述初始位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值;计算所述流式样本中所述距离值小于预设距离阈值的细胞的数量占比;以及若所述数量占比大于第一预设占比阈值时,则确定所述补偿矩阵不准确。
在一实施例中,所述计算所述细胞的所述初始位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值包括:对所述细胞的所述初始位置坐标的各坐标分量进行加权处理,计算加权处理后的所述初始位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值。
在一实施例中,所述修正所述补偿矩阵包括:计算所述细胞的所述位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值;计算所述距离值小于预设距离阈值的所述细胞的数量占比;以及调整所述补偿矩阵中的元素值,使得补偿后的所述数量占比小于第二预设占比阈值。
在一实施例中,所述计算所述细胞的所述位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值包括:对所述细胞的所述位置坐标的各坐标分量进行加权处理,计算加权处理后的所述位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值。
根据本发明的另一方面,本发明一实施例提供的一种流式细胞检测方法,包括:通过如上任一项所述的流式细胞检测数据处理方法,获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的位置坐标;根据所述位置坐标将所述流式样本中的细胞分为多个细胞群;识别所述多个细胞群各自的细胞种类;判断每个所述细胞群中细胞的所述位置坐标是否处于该所述细胞群的细胞种类所对应的预设范围内;以及当判断结果为所述细胞群中存在细胞的所述位置坐标不处于该所述细胞群的细胞种类所对应的预设范围内,确定该所述细胞群为异常群;其中,判断每个所述细胞群中细胞的所述位置坐标是否处于该所述细胞群的细胞种类所对应的预设范围内是基于第一神经网络模型实现;其中,所述位置坐标通过如上任一项所述的方法获取。
在一实施例中,所述判断每个所述细胞群中细胞的所述位置坐标是否处于该所述细胞群的细胞种类所对应的预设范围内包括:将单个细胞群中细胞的所述位置坐标与所述单个细胞群的细胞种类输入所述第一神经网络模型,通过所述第一神经网络模型判断所述单个细胞群中是否存在细胞的所述位置坐标不处于该所述细胞群的细胞种类所对应的预设范围内。
在一实施例中,所述第一神经网络模型的训练过程包括:将单个细胞在所述坐标系中的所述位置坐标与所述单个细胞的细胞种类作为样本输入、所述单个细胞的所述位置坐标是否处于该所述单个细胞的细胞种类所对应的预设范围内的结果作为样本输出训练所述第一神经网络模型。
在一实施例中,所述获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的位置坐标包括:选取所述细胞表面的多种所述抗原分子量为坐标轴,获取所述每个细胞在所述坐标轴所组成的坐标系中的位置坐标。
在一实施例中,所述获取所述每个细胞在所述坐标轴所组成的坐标系中的位置坐标包括:分别选取所述坐标轴中的部分坐标轴组成多个坐标系,分别获取所述每个细胞在所述多个坐标系中的位置坐标。
在一实施例中,所述根据所述位置坐标将流式样本中的细胞分为多个细胞群包括:将所述位置坐标输入第二神经网络模型,通过所述第二神经网络模型将所述流式样本中的细胞分为多个细胞群。
在一实施例中,所述第二神经网络模型的训练过程包括:将单个细胞在所述坐标系中的所述位置坐标作为样本输入、所述单个细胞对应的细胞群图像作为样本输出训练所述第二神经网络模型。
在一实施例中,所述方法进一步包括:确定所述异常群的异常程度。
在一实施例中,所述确定所述异常群的异常程度包括:根据所述异常群的重心在所述坐标系中的位置坐标与所述异常群的细胞种类对应的正常细胞在所述坐标系中的位置坐标的差值确定所述异常群的异常程度。
在一实施例中,所述确定所述异常群的异常程度包括:将所述异常群重心在所述坐标系中的位置坐标及所述异常群的细胞种类输入第三神经网络模型,通过所述第三神经网络模型确定所述异常群的异常程度。
在一实施例中,所述第三神经网络模型的训练过程包括:将单个异常细胞在所述坐标系中的位置坐标与所述单个异常细胞的细胞种类作为样本输入、所述单个异常细胞的异常程度作为样本输出训练所述第三神经网络模型。
在一实施例中,所述识别所述多个细胞群各自的细胞种类包括:通过激光照射所述多个细胞群所产生的散射光信号识别所述多个细胞群各自的细胞种类。
在一实施例中,所述散射光信号包括前向角散射光信号和侧向散射光信号。
根据本发明的另一方面,本发明一实施例提供的一种流式细胞检测数据处理装置,包括:初始坐标获取模块,构造为获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的初始位置坐标;以及补偿模块,构造为对所述初始位置坐标进行补偿,得到位置坐标;其中,补偿模块配置为:将所述初始位置坐标对应的坐标向量乘以补偿矩阵的逆矩阵;其中所述补偿矩阵用以描述所述细胞在染色过程中各种颜色对各颜色通道的影响程度。
在一实施例中,所述补偿模块包括:准确性判断单元,构造为在对所述位置坐标进行补偿之前,判断所述补偿矩阵是否准确;修正单元,构造为当判断结果为所述补偿矩阵不准确,则修正所述补偿矩阵。
在一实施例中,所述准确性判断单元配置为:计算所述细胞的所述初始位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值;计算所述流式样本中所述距离值小于预设距离阈值的细胞的数量占比;以及若所述数量占比大于第一预设占比阈值时,则确定所述补偿矩阵不准确。
在一实施例中,所述准确性判断单元配置为:对所述细胞的所述初始位置坐标的各坐标分量进行加权处理,计算加权处理后的所述初始位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值。
在一实施例中,所述修正单元配置为:计算所述细胞的所述位置坐标与所述坐标系中与所有所述坐标轴的夹角相同的直线之间的距离值;计算所述距离值小于预设距离阈值的所述细胞的数量占比;以及调整所述补偿矩阵中的元素值,使得补偿后的所述数量占比小于第二预设占比阈值。
在一实施例中,所述修正单元配置为:对所述细胞的所述位置坐标的各坐标分量进行加权处理,计算加权处理后的所述位置坐标与所述坐标系中各坐标分量都相等的点组成的直线之间的距离值。
根据本发明的另一方面,本发明一实施例提供的一种流式细胞检测装置,包括:如上所述的检测数据处理装置,构造为获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的位置坐标;分群模块,构造为根据所述位置坐标将所述流式样本中的细胞分为多个细胞群;种类识别模块,构造为识别所述多个细胞群各自的细胞种类;异常群判断模块,构造为判断每个所述细胞群中细胞的所述位置坐标是否处于该所述细胞群的细胞种类所对应的预设范围内;以及异常群确定模块,构造为当判断结果为所述细胞群中存在细胞的所述位置坐标不处于该所述细胞群的细胞种类所对应的预设范围内,确定该所述细胞群为异常群;其中,判断每个所述细胞群中细胞的所述位置坐标是否处于该所述细胞群的细胞种类所对应的预设范围内是基于第一神经网络模型实现。
在一实施例中,所述异常群判断模块配置为:将单个细胞群中细胞的所述位置坐标与所述单个细胞群的细胞种类输入所述第一神经网络模型,通过所述第一神经网络模型判断所述单个细胞群中是否存在细胞的所述位置坐标不处于该所述细胞群的细胞种类所对应的预设范围内。
在一实施例中,所述异常群判断模块包括:第一训练单元,构造为将单个细胞在所述坐标系中的所述位置坐标与所述单个细胞的细胞种类作为样本输入、所述单个细胞的所述位置坐标是否处于该所述单个细胞的细胞种类所对应的预设范围内的结果作为样本输出训练所述第一神经网络模型。
在一实施例中,所述坐标获取模块配置为:选取所述细胞表面的多种所述抗原分子量为坐标轴,获取所述每个细胞在所述坐标轴所组成的坐标系中的位置坐标。
在一实施例中,所述坐标获取模块配置为:分别选取所述坐标轴中的部分坐标轴组成多个坐标系,分别获取所述每个细胞在所述多个坐标系中的位置坐标。
在一实施例中,所述分群模块配置为:将所述位置坐标输入第二神经网络模型,通过所述第二神经网络模型将所述流式样本中的细胞分为多个细胞群。
在一实施例中,所述分群模块包括:第二训练单元,构造为将单个细胞在所述坐标系中的所述位置坐标作为样本输入、所述单个细胞对应的细胞群图像作为样本输出训练所述第二神经网络模型。
在一实施例中,所述装置进一步包括:异常程度确定模块,构造为确定所述异常群的异常程度。
在一实施例中,所述异常程度确定模块配置为:根据所述异常群的重心在所述坐标系中的位置坐标与所述异常群的细胞种类对应的正常细胞在所述坐标系中的位置坐标的差值确定所述异常群的异常程度。
在一实施例中,所述异常程度确定模块配置为:将所述异常群重心在所述坐标系中的位置坐标及所述异常群的细胞种类输入第三神经网络模型,通过所述第三神经网络模型确定所述异常群的异常程度。
在一实施例中,所述异常程度确定模块包括:第三训练单元,构造为将单个异常细胞在所述坐标系中的位置坐标与所述单个异常细胞的细胞种类作为样本输入、所述单个异常细胞的异常程度作为样本输出训练所述第三神经网络模型。
在一实施例中,所述种类识别模块配置为:通过激光照射所述多个细胞群所产生的散射光信号识别所述多个细胞群各自的细胞种类。
在一实施例中,所述散射光信号包括前向角散射光信号和侧向散射光信号。
根据本发明的另一方面,本发明一实施例提供的一种电子设备,包括:处理器;存储器;以及存储在所述存储器中的计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上任一项所述的方法。
根据本发明的另一方面,本发明一实施例提供的一种计算机程序产品,包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上任一项所述的方法。
根据本发明的另一方面,本发明一实施例提供的一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。
本发明实施例提供的流式细胞检测数据处理方法,通过获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的初始位置坐标,并通过将所述初始位置坐标对应的坐标向量乘以补偿矩阵的逆矩阵的补偿方式,对所述初始位置坐标进行补偿,得到位置坐标。利用人工智能实现对流式细胞检测数据进行补偿,还原准确的细胞的位置坐标数据,为后续的细胞的分群和异常群的判断提供了准确的数据基础,提高了流式细胞检测的准确性。
附图说明
图1所示为本申请一实施例提供的流式细胞检测数据处理方法的流程图。
图2所示为本申请另一实施例提供的流式细胞检测数据处理方法的流程图。
图3所示为本申请一实施例提供的补偿矩阵准确性判断方法的流程图。
图4所示为本申请一实施例提供的补偿矩阵修正方法的流程图。
图5所示为本申请一实施例提供的流式细胞检测方法的流程图。
图6所示为本申请另一实施例提供的流式细胞检测方法的流程图。
图7所示为本申请另一实施例提供的流式细胞检测方法的流程图。
图8所示为本申请另一实施例提供的流式细胞检测方法的流程图。
图9所示为本申请另一实施例提供的流式细胞检测方法的流程图。
图10所示为本申请另一实施例提供的流式细胞检测方法的流程图。
图11所示为本申请另一实施例提供的流式细胞检测方法的流程图。
图12所示为本申请一实施例提供的流式细胞检测数据处理装置的结构示意图。
图13所示为本申请另一实施例提供的流式细胞检测数据处理装置的结构示意图。
图14所示为本申请一实施例提供的流式细胞检测装置的结构示意图。
图15所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。
图16所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。
图17所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。
图18所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。
图19所示为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
流式细胞术工作原理是在细胞分子水平上通过单克隆抗体对单个细胞或其他生物粒子进行多参数、快速的定量分析,它可以高速分析上万个细胞,并能同时从一个细胞中测得多个参数,具有速度快、精度高、准确性好的优点,是当代最先进的细胞定量分析技术之一。目前临床中运用流式细胞仪进行外周血白细胞、骨髓细胞以及肿瘤细胞等的检测是临床检测的重要组成部分。
流式细胞术主要在流式细胞仪上实现,流式细胞仪的工作原理是使悬浮在液体中分散的经荧光标记的细胞或微粒逐个通过样品池,同时由荧光探测器捕获荧光信号并转换成分别代表散射角和不同荧光强度的电脉冲信号,经计算机处理形成相应的点图,直方图和加三维结构图像进行分析。
流式细胞仪主要包括:液流系统,包括流动室和液流驱动系统,用于实现样本的流动;光学系统,包括激发光源和光束收集系统,用于实现细胞或微粒的荧光标记和收集;电子系统,包括光电转换器和数据处理系统,用于实现将细胞的荧光信息转换为电信号并得到细胞的相关数据信息。其中,用于流式细胞仪的样本是单细胞悬液,可以是血液、悬浮细胞培养液、各种体液、新鲜实体瘤的单细胞悬液以及石蜡包埋组织的单细胞悬液等。
目前流式细胞术是利用流式细胞仪得到单细胞悬液的点图等后,再由专业人员对点图进行细胞分群及细胞群的异常判断,由于人工只能实现二维坐标的判断,因此,人工操作时需要在多个二维坐标系中判断细胞群的位置特性,并综合分析得出最终的诊断结果。然而,不同的人员操作时会产生诊断差异,且专业人员的数量有限、工作量巨大,造成了人工工作量巨大,同时效率低。
本申请出于解决上述问题,提出一种流式细胞检测数据处理方法、装置及流式细胞检测方法和装置,通过人工智能实现对流式细胞检测数据进行补偿,还原准确的细胞的位置坐标数据,为后续的细胞的分群和异常群的判断提供了准确的数据基础,提高了流式细胞检测的准确性。
下面,结合附图及具体实施例说明本申请的流式细胞检测数据处理方法、装置及流式细胞检测方法和装置的实现方式:
图1所示为本申请一实施例提供的流式细胞检测数据处理方法的流程图。如图1所示,该流式细胞检测数据处理方法包括如下步骤:
步骤110:获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的初始位置坐标。
血细胞在分化的不同阶段及细胞活化的过程中均有不同的抗原簇表达(即抗原分子量),将不同抗原分子量作为坐标轴,获取经过荧光标记的流式样本中的每个细胞在以该坐标轴构成的坐标系中的位置坐标。细胞在坐标轴上的坐标值表示该细胞在该坐标轴所代表的抗原分子的携带数量,即通过细胞的位置坐标由其所携带的各种抗原分子的数量所确定。
步骤120:对初始位置坐标进行补偿,得到位置坐标。其中,补偿方式为:将初始位置坐标对应的坐标向量乘以补偿矩阵的逆矩阵;其中补偿矩阵用以描述细胞在染色过程中各种颜色对各颜色通道的影响程度。
由于流式细胞仪在不同的使用环境下或长时间的使用过程中会产生一定的干扰,其中,较大的干扰为细胞在染色过程中不同颜色对各个颜色通道的影响,例如,蓝色对红色通道应该是没有影响的,但是在实际应用过程中,蓝色可能会红色通道产生一个较小的干扰,从而对细胞的位置坐标产生了干扰,导致该细胞的位置坐标不是其准确的位置坐标。因此,对位置坐标进行补偿,以还原每个细胞的准确的位置坐标。
通过获取准确的补偿矩阵,利用初始的位置坐标和补偿矩阵进行计算得到补偿后的位置坐标,可以得到细胞的准确位置坐标,为后续细胞的分群和异常群的判断提供了准确的数据基础,提高了流式细胞检测的准确性。
图2所示为本申请另一实施例提供的流式细胞检测数据处理方法的流程图。如图2所示,在步骤120之前,还可以包括:
步骤130:判断补偿矩阵是否准确;当判断结果为补偿矩阵不准确,转步骤140;否则,转步骤120。
步骤140:修正补偿矩阵。
只有准确的补偿矩阵才能得到准确的位置坐标,因此,在对位置坐标进行补偿之前,需要对补偿矩阵的准确性进行判断,当补偿矩阵不准确时对其进行修正以得到准确的补偿矩阵,以保证后续准确的细胞分群和异常群判断提供了准确的数据支持。
图3所示为本申请一实施例提供的补偿矩阵准确性判断方法的流程图。如图3所示,步骤130可以包括子步骤:
步骤131:计算细胞的初始位置坐标与坐标系中各坐标分量都相等的点组成的直线之间的距离值。
步骤132:计算流式样本中距离值小于预设距离阈值的细胞的数量占比。
步骤133:判断数量占比是否大于第一预设占比阈值,当数量占比大于第一预设占比阈值时,转步骤134;否则,转步骤135。
步骤134:确定补偿矩阵不准确。
步骤135:确定补偿矩阵准确。
通过计算坐标系中各坐标分量都相等的点组成的直线周围的细胞聚集程度判断补偿矩阵的准确性,利用人工智能实现多维度的细胞聚集度的判断,替代人工的多个二维度的综合判断,进一步提高了整个分析过程的效率,同时,通过计算机运算也能提高补偿的精度,为后续细胞的分群和异常群的判断提供了准确的数据基础,提高了流式细胞检测的准确性。
在一实施例中,上述步骤131的计算中可以包括:对细胞的初始位置坐标的各坐标分量进行加权处理,计算加权处理后的初始位置坐标与坐标系中各坐标分量都相等的点组成的直线之间的距离值。
图4所示为本申请一实施例提供的补偿矩阵修正方法的流程图。如图4所示,步骤140可以包括子步骤:
步骤141:计算细胞的位置坐标与坐标系中各坐标分量都相等的点组成的直线之间的距离值。
步骤142:计算距离值小于预设距离阈值的细胞的数量占比。
步骤143:调整补偿矩阵中的元素值,使得补偿后的数量占比小于第二预设占比阈值。
通过调整补偿矩阵中的元素值,使得坐标系中各坐标分量都相等的点组成的直线周围的细胞聚集程度最低,即聚集在各坐标分量都相等的点组成的直线周围的细胞占比最少。利用人工智能实现多维度的补偿矩阵的调整,替代人工的多个二维度的多次调整,进一步提高了整个分析过程的效率及准确性。
在一实施例中,上述步骤141的计算中可以包括:对细胞的位置坐标的各坐标分量进行加权处理,计算加权处理后的位置坐标与坐标系中各坐标分量都相等的点组成的直线之间的距离值。
图5所示为本申请一实施例提供的流式细胞检测方法的流程图。如图5所示,该检测方法包括如下步骤:
步骤510:获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的位置坐标。
该位置坐标为每个细胞在该坐标系中的准确的位置坐标,其中,该准确的位置坐标通过如上任一项所述的方法在初始位置坐标的基础上获取。
步骤520:根据位置坐标将流式样本中的细胞分为多个细胞群。
将流式样本中的所有细胞根据各个细胞的位置坐标分为多个细胞群,其中,每个细胞群为同一种类的细胞。由于同一种类的细胞所携带的抗原分子的情况通常是相同的,即使是异常的细胞(通常不会是单独存在),也会存在一群异常的细胞所携带的抗原分子的情况相同,因此,可以将样本中的所有细胞分为多个细胞群。
步骤530:识别多个细胞群各自的细胞种类。
如上所述,同一个细胞群中的细胞所携带的抗原分子的情况相同,因此,根据每个细胞群中细胞的位置坐标,即可自动识别每个细胞群的细胞种类。
步骤540:判断每个细胞群中细胞的位置坐标是否处于该细胞群的细胞种类所对应的预设范围内。
对于每一种类的细胞,虽然不同的人体或者在细胞的不同生长过程中,其正常的细胞携带的抗原分子的情况会有所不同,但是,每一种类的细胞所携带的抗原分子的数量会有一个正常的范围。因此,该正常的范围可以作为判断细胞是否异常的依据,即通过判断每个细胞群中的细胞的位置坐标是否都处于该细胞群的细胞种类所对应的正常的范围,判断该细胞群是否异常。例如,某一种类的细胞携带某一种抗原分子的数量的正常的范围为200-500,则可以通过判断该细胞群中细胞的坐标位置在该种抗原分子对应的坐标轴上的分量是否在200-500内,来判断该细胞群是否异常。
步骤550:当判断结果为细胞群中存在细胞的位置坐标不处于该细胞群的细胞种类所对应的预设范围内,确定该细胞群为异常群。其中,判断每个细胞群中细胞的位置坐标是否处于该细胞群的细胞种类所对应的预设范围内是基于第一神经网络模型实现。
由于每个细胞群的细胞为同一种类的细胞,其中,正常的与异常的同一类别细胞为不同的种类,因此,当细胞群中存在一个细胞为异常细胞时,可以确定该细胞群为异常细胞群。即与当上述的判断结果为该细胞群中存在细胞的位置坐标不在该正常的范围内时,即确定该细胞群为异常群。通过第一神经网络模型可以实现判断每个细胞群中的细胞的位置坐标是否在该细胞群的细胞种类所对应的正常的范围内,并以此来确定该细胞群是否为异常群。
本申请实施例利用人工智能的方法以及神经网络模型自动实现细胞的分群和神经网络模型实现异常群的判断,替代了现有的人工操作,大幅降低了专业人员的劳动强度,同时提高了流式细胞免疫分型的准确性及效率。
图6所示为本申请另一实施例提供的流式细胞检测方法的流程图。如图6所示,步骤540可以包括子步骤:
步骤545:将单个细胞群中细胞的位置坐标与单个细胞群的细胞种类输入第一神经网络模型,通过第一神经网络模型判断单个细胞群中是否存在细胞的位置坐标不处于该细胞群的细胞种类所对应的预设范围内。
将单个细胞群中的细胞的位置坐标与单个细胞群的细胞种类作为第一神经网络模型的输入,通过第一神经网络模型输出得到该单个细胞群中是否存在细胞的位置坐标不处于该细胞群的细胞种类所对应的预设范围内。利用神经网络模型实现自动判断每个细胞群是否异常,大幅降低了专业人员的劳动强度,同时提高了流式细胞免疫分型的准确性及效率。
在一实施例中,第一神经网络模型的训练过程可以包括:将单个细胞在坐标系中的位置坐标与单个细胞的细胞种类作为样本输入、单个细胞的位置坐标是否处于该单个细胞的细胞种类所对应的预设范围内的结果作为样本输出训练第一神经网络模型。
训练第一神经网络模型时,将单个细胞在坐标系中的位置坐标与单个细胞的细胞种类作为输入、单个细胞的位置坐标是否处于该单个细胞的细胞种类所对应的预设范围内的结果作为输出,以输入-输出的样本对第一神经网络模型进行训练。通过大数据样本的训练,可以避免人工操作中的主观因素导致的判断结果的误差,从而,提高了判断的准确性。
图7所示为本申请另一实施例提供的流式细胞检测方法的流程图。如图7所示,步骤510可以包括子步骤:
步骤515:选取细胞表面的多种抗原分子量为坐标轴,获取每个细胞在坐标轴所组成的坐标系中的位置坐标。
流式样本中的细胞需要经过染料的染色后才能区分各种抗原分子,细胞表面所携带的抗原分子的种类较多,然而染料的颜色种类有限且价格不菲。因此,出于节省成本以及分析的必要性考虑,根据分析的需求选取对分析结果有影响或影响较大的多种抗原分子量作为坐标轴,并获取每个细胞在该坐标轴所组成的坐标系中的位置坐标,根据该位置坐标对流式样本中的细胞进行分群和异常群判断。
图8所示为本申请另一实施例提供的流式细胞检测方法的流程图。如图8所示,步骤515可以包括子步骤:
步骤5151:分别选取坐标轴中的部分坐标轴组成多个坐标系,分别获取每个细胞在多个坐标系中的位置坐标。
如上所述,染料的颜色种类有限,而在分析的过程中会出现颜色的种类不足以支持分析所需要的的抗原分子的种类。为了解决该问题,本申请实施例提出将分析所需要的不同的抗原分子量作为多个坐标系的坐标轴,通过多个坐标系的判断结果的组合得到最终的判断结果,在染料的颜色种类有限的条件下完成分析工作。
应当理解,本申请实施例中每个坐标系中的各个坐标轴之间是相互关联的,可以通过该坐标轴的组合得到部分或全部的判断结果,即通过坐标轴的组合方式可以实现某一特定的判断结果或为最终的判断结果的某一依据。
应当理解,本申请实施例可以根据分析的不同需求选取不同数量的坐标系以及坐标系中不同坐标轴的组合,并且同一个抗原分子量可以作为不同坐标系中的坐标轴,只要所选取的坐标系数量及坐标系中的坐标轴的组合方式能够实现分析工作即可,本申请实施例对于坐标系数量及坐标系中的坐标轴的组合方式不做限定。
图9所示为本申请另一实施例提供的流式细胞检测方法的流程图。如图9所示,步骤520可以包括子步骤:
步骤525:将位置坐标输入第二神经网络模型,通过第二神经网络模型将流式样本中的细胞分为多个细胞群。
通过建立第二神经网络模型,利用第二神经网络模型将流式样本中的细胞分为多个细胞群,实现细胞的自动分群,降低了人工操作的工作量且提高了细胞分群的效率,同时也为后续的细胞群的异常判断提供了数据基础。
在一实施例中,第二神经网络模型的训练过程可以包括:将单个细胞在坐标系中的位置坐标作为样本输入、单个细胞对应的细胞群图像作为样本输出训练第二神经网络模型。
训练第二神经网络模型时,将单个细胞在坐标系中的位置坐标作为输入、单个细胞对应的细胞群图像作为输出,以输入-输出的样本对第二神经网络模型进行训练。通过大数据样本的训练,可以避免人工操作中的主观因素导致的分群结果的误差,从而,提高了分群的准确性。
图10所示为本申请另一实施例提供的流式细胞检测方法的流程图。如
图10所示,上述方法可进一步包括:
步骤560:确定异常群的异常程度。
在确定了某一细胞群为异常群后,还需要进一步确定该异常群的异常程度。根据异常的细胞群可以得到疾病的种类,但是无法得到疾病的严重程度,因此,需要进一步对异常群的异常程度进行确定,以获取该疾病的严重程度,得到最终的分析结果。
在一实施例中,确定异常群的异常程度包括:根据异常群的重心在坐标系中的位置坐标与异常群的细胞种类对应的正常细胞在坐标系中的位置坐标的差值确定异常群的异常程度。
在本申请的实施例中,由于每个人具有其差异性,单纯通过数值很难确定异常群准确的异常程度,还可以通过对比异常群与正常的细胞群的相对位置关系判断该异常群的异常程度,这样可以避免不同人体的差异性所造成的误差,提高分析的精度。
图11所示为本申请另一实施例提供的流式细胞检测方法的流程图。如图11所示,步骤560可以包括子步骤:
步骤565:将异常群重心在坐标系中的位置坐标及异常群的细胞种类输入第三神经网络模型,通过第三神经网络模型确定异常群的异常程度。
通过建立第三神经网络模型,利用第三神经网络模型确定异常群的异常程度,从而得到疾病的严重程度,实现疾病的自动分析,降低了人工操作的工作量且提高了疾病分析的效率。
在一实施例中,第三神经网络模型的训练过程包括:将单个异常细胞在坐标系中的位置坐标与单个异常细胞的细胞种类作为样本输入、单个异常细胞的异常程度作为样本输出训练第三神经网络模型。
训练第三神经网络模型时,将单个异常细胞在坐标系中的位置坐标与单个异常细胞的细胞种类作为输入、单个异常细胞的异常程度作为输出,以输入-输出的样本对第三神经网络模型进行训练。通过大数据样本的训练,可以避免人工操作中的主观因素导致的分析结果的误差,从而,提高了疾病分析的准确性。
在一实施例中,步骤530可以包括:通过激光照射多个细胞群所产生的散射光信号识别多个细胞群各自的细胞种类。优选地,散射光信号包括前向角散射光信号和侧向散射光信号。
激光照射细胞可以产生多个散射光信号,而前向角散射光信号可以反映细胞的大小、侧向散射光信号可以反映细胞的内部复杂结构,通过前向角散射光信号和侧向散射光信号可以识别细胞的类别。应当理解,本申请实施例中还可以结合细胞群中细胞的位置坐标与散射光信号综合识别出细胞群的种类,以提高识别的精度。
图12所示为本申请一实施例提供的流式细胞检测数据处理装置的结构示意图。如图12所示,该装置包括:初始坐标获取模块1,用于获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的初始位置坐标;以及补偿模块2,用于对初始位置坐标进行补偿,得到位置坐标;其中,补偿模块配置为:将初始位置坐标对应的坐标向量乘以补偿矩阵的逆矩阵;其中补偿矩阵用以描述细胞在染色过程中各种颜色对各颜色通道的影响程度。
本实施例通过初始坐标获取模块获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的初始位置坐标,并通过补偿模块将所述初始位置坐标对应的坐标向量乘以补偿矩阵的逆矩阵的补偿方式,对所述初始位置坐标进行补偿,得到位置坐标。利用人工智能实现对流式细胞检测数据进行补偿,还原准确的细胞的位置坐标数据,为后续的细胞的分群和异常群的判断提供了准确的数据基础,提高了流式细胞检测的准确性。
图13所示为本申请另一实施例提供的流式细胞检测数据处理装置的结构示意图。如图13所示,补偿模块2可包括:准确性判断单元21,用于在对位置坐标进行补偿之前,判断补偿矩阵是否准确;修正单元22,用于当判断结果为补偿矩阵不准确,则修正补偿矩阵。
在对位置坐标进行补偿之前,需要对补偿矩阵的准确性进行判断,只有准确的补偿矩阵才能得到准确的位置坐标,为保证后续准确的细胞分群和异常群判断提供了准确的数据支持。
在一实施例中,准确性判断单元21配置为:计算细胞的初始位置坐标与坐标系中各坐标分量都相等的点组成的直线之间的距离值;计算流式样本中距离值小于预设距离阈值的细胞的数量占比;以及若数量占比大于第一预设占比阈值时,则确定补偿矩阵不准确。
通过计算坐标系中各坐标分量都相等的点组成的直线周围的细胞聚集程度判断补偿矩阵的准确性,利用人工智能实现多维度的细胞聚集度的判断,替代人工的多个二维度的综合判断,进一步提高了整个分析过程的效率。
在一实施例中,准确性判断单元21配置为:对细胞的初始位置坐标的各坐标分量进行加权处理,计算加权处理后的初始位置坐标与坐标系中各坐标分量都相等的点组成的直线之间的距离值。
在一实施例中,修正单元22配置为:计算细胞的位置坐标与坐标系中与所有坐标轴的夹角相同的直线之间的距离值;计算距离值小于预设距离阈值的细胞的数量占比;以及调整补偿矩阵中的元素值,使得补偿后的数量占比小于第二预设占比阈值。
通过调整补偿矩阵中的元素值,使得坐标系中各坐标分量都相等的点组成的直线周围的细胞聚集程度最低,即聚集在各坐标分量都相等的点组成的直线周围的细胞占比最少。利用人工智能实现多维度的补偿矩阵的调整,替代人工的多个二维度的多次调整,进一步提高了整个分析过程的效率及准确性。
在一实施例中,修正单元22配置为:对细胞的位置坐标的各坐标分量进行加权处理,计算加权处理后的位置坐标与坐标系中各坐标分量都相等的点组成的直线之间的距离值。
图14所示为本申请一实施例提供的流式细胞检测装置的结构示意图。如图14所示,该装置包括:坐标获取模块3(即图12所示的流式细胞检测数据处理装置),用于获取流式样本中每个细胞在以细胞表面不同抗原分子量为坐标轴的坐标系中的位置坐标;分群模块4,用于根据位置坐标将流式样本中的细胞分为多个细胞群;种类识别模块5,用于识别多个细胞群各自的细胞种类;异常群判断模块6,用于判断每个细胞群中细胞的位置坐标是否处于该细胞群的细胞种类所对应的预设范围内;以及异常群确定模块7,用于当判断结果为细胞群中存在细胞的位置坐标不处于该细胞群的细胞种类所对应的预设范围内,确定该细胞群为异常群;其中,判断每个细胞群中细胞的位置坐标是否处于该细胞群的细胞种类所对应的预设范围内是基于第一神经网络模型实现。
本申请实施例利用人工智能自动实现细胞的分群和神经网络模型实现异常群的判断,替代了现有的人工操作,大幅降低了专业人员的劳动强度,同时提高了流式细胞免疫分型的准确性及效率。
在一实施例中,异常群判断模块6可配置为:将单个细胞群中细胞的位置坐标与单个细胞群的细胞种类输入第一神经网络模型,通过第一神经网络模型判断单个细胞群中是否存在细胞的位置坐标不处于该细胞群的细胞种类所对应的预设范围内。
将单个细胞群中的细胞的位置坐标与单个细胞群的细胞种类作为第一神经网络模型的输入,通过第一神经网络模型输出得到该单个细胞群中是否存在细胞的位置坐标不处于该细胞群的细胞种类所对应的预设范围内。利用神经网络模型实现自动判断每个细胞群是否异常,大幅降低了专业人员的劳动强度,同时提高了流式细胞免疫分型的准确性及效率。
图15所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。如图15所示,异常群判断模块6可包括:第一训练单元61,用于将单个细胞在坐标系中的位置坐标与单个细胞的细胞种类作为样本输入、单个细胞的位置坐标是否处于该单个细胞的细胞种类所对应的预设范围内的结果作为样本输出训练第一神经网络模型。
在一实施例中,坐标获取模块3可配置为:选取细胞表面的多种抗原分子量为坐标轴,获取每个细胞在坐标轴所组成的坐标系中的位置坐标。
根据分析的需求选取对分析结果有影响或影响较大的多种抗原分子量作为坐标轴,并获取每个细胞在该坐标轴所组成的坐标系中的位置坐标,根据该位置坐标对流式样本中的细胞进行分群和异常群判断。
在一实施例中,坐标获取模块3可配置为:分别选取坐标轴中的部分坐标轴组成多个坐标系,分别获取每个细胞在多个坐标系中的位置坐标。
通过多个坐标系的判断结果的组合得到最终的判断结果,在染料的颜色种类有限的条件下完成分析工作。
在一实施例中,分群模块4可配置为:将位置坐标输入第二神经网络模型,通过第二神经网络模型将流式样本中的细胞分为多个细胞群。
通过建立第二神经网络模型,利用第二神经网络模型将流式样本中的细胞分为多个细胞群,实现细胞的自动分群,降低了人工操作的工作量且提高了细胞分群的效率,同时也为后续的细胞群的异常判断提供了数据基础。
图16所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。如图16所示,分群模块4可包括:第二训练单元41,用于将单个细胞在坐标系中的位置坐标作为样本输入、单个细胞对应的细胞群图像作为样本输出训练第二神经网络模型。
训练第二神经网络模型时,将单个细胞在坐标系中的位置坐标作为输入、单个细胞对应的细胞群图像作为输出,以输入-输出的样本对第二神经网络模型进行训练。通过大数据样本的训练,可以避免人工操作中的主观因素导致的分群结果的误差,从而,提高了分群的准确性。
图17所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。如图17所示,装置还可以进一步包括:异常程度确定模块8,用于确定异常群的异常程度。在确定了某一细胞群为异常群后,还需要进一步对异常群的异常程度进行确定,以获取该疾病的严重程度,得到最终的分析结果。
在一实施例中,异常程度确定模块8配置为:根据异常群的重心在坐标系中的位置坐标与异常群的细胞种类对应的正常细胞在坐标系中的位置坐标的差值确定异常群的异常程度。
在一实施例中,异常程度确定模块8配置为:将异常群重心在坐标系中的位置坐标及异常群的细胞种类输入第三神经网络模型,通过第三神经网络模型确定异常群的异常程度。
通过建立第三神经网络模型,利用第三神经网络模型确定异常群的异常程度,从而得到疾病的严重程度,实现疾病的自动分析,降低了人工操作的工作量且提高了疾病分析的效率。
图18所示为本申请另一实施例提供的流式细胞检测装置的结构示意图。如图18所示,异常程度确定模块8可包括:第三训练单元81,用于将单个异常细胞在坐标系中的位置坐标与单个异常细胞的细胞种类作为样本输入、单个异常细胞的异常程度作为样本输出训练第三神经网络模型。
训练第三神经网络模型时,将单个异常细胞在坐标系中的位置坐标与单个异常细胞的细胞种类作为输入、单个异常细胞的异常程度作为输出,以输入-输出的样本对第三神经网络模型进行训练。通过大数据样本的训练,可以避免人工操作中的主观因素导致的分析结果的误差,从而,提高了疾病分析的准确性。
在一实施例中,种类识别模块5配置为:通过激光照射多个细胞群所产生的散射光信号识别多个细胞群各自的细胞种类。优选地,散射光信号包括前向角散射光信号和侧向散射光信号。激光照射细胞可以产生多个散射光信号,而前向角散射光信号可以反映细胞的大小、侧向散射光信号可以反映细胞的内部复杂结构,通过前向角散射光信号和侧向散射光信号可以识别细胞的类别。
图19所示为本发明一实施例提供的电子设备的结构示意图。如图19所示,该电子设备可以是其上装备有流式细胞检测分析装置的诸如医学检测仪器之类的在线电子设备,也可以是能够与在线电子设备进行通信以向其传送训练好的机器学习模型的离线的电子设备。
图19图示了根据本申请实施例的电子设备的框图。
如图19所示,电子设备9包括一个或多个处理器91和存储器92。
处理器91可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备9中的其他组件以执行期望的功能。
存储器92可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器91可以运行所述程序指令,以实现上文所述的本申请的各个实施例的区域标注方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如流式样本中细胞的位置坐标、坐标系、训练样本等各种内容。
在一个示例中,电子设备9还可以包括:输入装置93和输出装置94,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如,该输入装置93可以是数据采集器件,用于采集流式样本中的细胞的位置坐标,所采集的位置坐标信息可以被存储在存储器92中以供其他组件使用。当然,也可以利用其他集成或分立的数据采集器件来采集该流式样本中细胞的位置坐标信息,并且将它发送到电子设备9。此外,该输入设备93还可以包括例如键盘、鼠标、以及通信网络及其所连接的远程输入设备等等。
该输出装置94可以向外部(例如,用户或机器学习模型)输出各种信息,包括确定出的细胞类型、细胞群信息、异常群信息、训练样本等。该输出设备94可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图19中仅示出了该电子设备9中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备9还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个实施例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。