CN111707656B - 一种基于拉曼散射光谱的脑脊液细胞检测方法及系统 - Google Patents
一种基于拉曼散射光谱的脑脊液细胞检测方法及系统 Download PDFInfo
- Publication number
- CN111707656B CN111707656B CN202010606248.8A CN202010606248A CN111707656B CN 111707656 B CN111707656 B CN 111707656B CN 202010606248 A CN202010606248 A CN 202010606248A CN 111707656 B CN111707656 B CN 111707656B
- Authority
- CN
- China
- Prior art keywords
- cerebrospinal fluid
- cells
- raman spectrum
- raman
- detection
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于拉曼散射光谱的脑脊液细胞检测方法及系统,所述方法包括:步骤1,制备获得脑脊液样片;步骤2,对样片上的脑脊液细胞,进行单点测试和成像测试,获得原始拉曼光谱数据;步骤3,对步骤2获得的原始拉曼光谱数据进行处理,获得处理后的拉曼光谱数据;其中,所述处理包括:去衬底预处理、归一化处理;步骤4,对步骤3处理后的拉曼光谱数据采用深度神经网络和主成分分析进行数据分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,完成分类、检测。本发明的方法及系统,可提高检测判断的准确率,同时有助于提高出具报告的效率。
Description
技术领域
本发明属于细胞检测、主成分分析(PCA)、深度神经网络(DNN)技术领域,特别涉及一种基于拉曼散射光谱的脑脊液细胞检测方法及系统。
背景技术
目前,细胞学检测是对脑脊液中白细胞进行检测和计数的标准方法,其操作流程是将脑脊液样本滴在病理级载玻片上进行细胞离心沉降,经May-Grüwald Giemsa(MGG)染色处理之后得到MGG染色样片,由经过多年培训的细胞学专家在光学显微镜下观察,根据细胞形态和染色情况,再结合多年经验对白细胞进行分类和计数;通常,该过程需要24小时,耗时较长。另外,对MGG染色样片观测所得的细胞学结论是细胞学专家基于经验的主观判断,存在一定的随意性。对同一染色样片中的同一细胞,不同的细胞学专家会给出不同的类型判别结果。因此,如果一种新的检测方法能够为医生提供迅速、客观的信息,将大大提高工作效率和准确性。
拉曼光谱学和红外光谱学都属于振动光谱学,可用于分析物的检测。但由于近红外和中红外技术受到来自水性介质竞争吸收的限制,拉曼光谱技术逐渐成为首选方式。拉曼散射的一个重要特点是频移量和分子振动模式之间的相关性。由于振动模式对分子的化学性质敏感,因此探测分子振动可揭露出其化学几何结构和与其他分子相互作用有关的信息。虽然很多技术(如核磁共振)也可以提供获得化学结构的方法,但是由于制备样品简单,通过拉曼散射对振动状态进行光学测量提供了更方便的途径。因此,对于每种分子而言独一无二的拉曼光谱在未知物质种类的识别中已被用作“指纹”。
综上,亟需一种新的基于拉曼散射光谱的脑脊液细胞检测方法及系统。
发明内容
本发明的目的在于提供一种基于拉曼散射光谱的脑脊液细胞检测方法及系统,以解决上述存在的一个或多个技术问题。本发明的方法及系统,可提高检测判断的准确率,同时有助于提高出具报告的效率。
为达到上述目的,本发明采用以下技术方案:
本发明的一种基于拉曼散射光谱的脑脊液细胞检测方法,包括以下步骤:
步骤1,制备获得脑脊液样片;
步骤2,对样片上的脑脊液细胞,进行单点测试和成像测试,获得原始拉曼光谱数据;
步骤3,对步骤2获得的原始拉曼光谱数据进行处理,获得处理后的拉曼光谱数据;其中,所述处理包括:去衬底预处理、归一化处理;
步骤4,对步骤3处理后的拉曼光谱数据采用深度神经网络和主成分分析进行数据分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,完成分类、检测。
本发明的进一步改进在于,步骤1具体包括:步骤1.1,制备用于细胞拉曼检测的衬底;步骤1.2,将脑脊液细胞分散在衬底表面,获得离体的脑脊液样片。
本发明的进一步改进在于,步骤1.1中,所述衬底的制备方法包括:磁控溅射、电子束蒸镀,脉冲激光沉积;所述衬底所用的材料为金、银、玻璃;步骤1.2具体包括:使用细胞离心沉降机将脑脊液中的细胞分散在衬底表面。
本发明的进一步改进在于,步骤2中,所述进行单点测试和成像测试具体包括:使用显微共聚焦拉曼光谱仪进行单点测试和成像测试。
本发明的进一步改进在于,步骤2中,进行单点测试和成像测试时包括:
(1)对细胞进行2400cm-1~3300cm-1波段单点测试;其中,若发现2900cm-1处出现拉曼峰,则跳转执行步骤(2);
(2)对细胞进行600cm-1~1800cm-1波段单点测试;其中,若出现蛋白质组峰,则跳转执行步骤(3);否,则跳转执行步骤(1);
(3)根据细胞的大小确定需要采集的光谱数量,进行成像测试。
本发明的进一步改进在于,步骤4具体包括:采用深度神经网络和主成分分析,对步骤3处理后的拉曼光谱数据进行分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,获得脑脊液中不同类型白细胞对应的判别散点分布图,完成分类、检测。
本发明的进一步改进在于,步骤4具体包括:使用PCA对脑脊液细胞的拉曼光谱进行分类识别,然后将完成分类的拉曼光谱对CNN进行训练,建立CMAP数据库。
本发明的进一步改进在于,所述脑脊液细胞包括:红细胞、单核细胞、淋巴细胞、中性粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、巨细胞、吞噬细胞、浆细胞、幼稚细胞、肿瘤细胞。
本发明的一种基于拉曼散射光谱的脑脊液细胞检测系统,包括:
样片获取模块,用于制备获得脑脊液样片;
拉曼光谱获取模块,用于对样片获取模块获得的脑脊液样片上的脑脊液细胞,进行单点测试和成像测试,获得测到的拉曼光谱数据;
拉曼光谱处理模块,用于对拉曼光谱获取模块获得的拉曼光谱进行处理,获得处理后的拉曼光谱数据;其中,所述处理包括:去衬底预处理、归一化处理;
分析检测模块,用于对拉曼光谱处理模块处理后的拉曼光谱数据进行分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,完成分类、检测。
与现有技术相比,本发明具有以下有益效果:
本发明的方法针对的对象主要为脑脊液中的白细胞;本发明方法的步骤包括:脑脊液离体样片制备;获取脑脊液中白细胞的拉曼光谱,建立多种不同类型的白细胞拉曼光谱数据库,使用主成分分析(PCA)法和深度神经网络(DNN)进行数据分析,获得脑脊液中不同类型白细胞对应的判别散点分布图;据此实现脑脊液中白细胞的检测。本发明的方法具有快速、易于操作、通用性好及成本低廉等特点;能够降低医生进行细胞检测的劳动强度并提高诊断的准确度,可将脑脊液细胞检测的时间缩短90%以上。
本发明的系统中,通过脑脊液离体样片制备;获取脑脊液中白细胞的拉曼光谱,建立多种不同类型的白细胞拉曼光谱数据库,使用主成分分析(PCA)法和深度神经网络(DNN)进行数据分析,获得脑脊液中不同类型白细胞对应的判别散点分布图;据此实现脑脊液中白细胞的检测。本发明的系统具有快速、易于操作、通用性好及成本低廉等特点;能够降低医生进行细胞检测的劳动强度并提高诊断的准确度,可将脑脊液细胞检测的时间缩短90%以上。
另外,本发明的检测方法/系统是一种分子层面的无损检测,可待测到细胞原始状态下的蛋白质组谱,相较于目前医院使用的染色和人眼识别方式,准确性更高,识别速度更快,且可实现目前方式无法实现的细胞亚类识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于拉曼散射光谱的脑脊液细胞检测方法的流程示意图;
图2是本发明实施例中,SERS衬底上脑脊液细胞的OM图;
图3是本发明实施例中,磷脂峰谱图;
图4是本发明实施例中,SERS衬底上脑脊液细胞的拉曼成像图;
图5是本发明实施例中,进行预处理和归一化处理后的细胞拉曼光谱图;
图6是本发明实施例中,经PCA进行数据分析后的脑脊液细胞识别报告示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面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,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
本发明实施例的一种基于拉曼散射光谱的脑脊液细胞检测方法,具体步骤包括:
步骤1,制备用于细胞拉曼检测的衬底;
步骤2,使用细胞离心沉降机将脑脊液中的细胞分散在衬底表面;
步骤3,对步骤2制备的样片上的细胞使用显微共聚焦拉曼光谱仪进行单点测试和成像(mapping)测试;
步骤4,将经步骤3保存的光谱数据使用LabSpec 6软件对细胞的拉曼光谱进行预处理,然后对同一个细胞的9~100张光谱进行归一化处理;
步骤5,采用两种主要的计算分析系统:深度神经网络(DNN)和主成分分析(PCA),对经步骤4处理后的拉曼光谱进行数据分析,相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,完成检测。
本发明实施例中,步骤1中的衬底的制备方法包括但不限于磁控溅射、电子束蒸镀,脉冲激光沉积等;该衬底所用的材料包括但不限于金、银、玻璃等。
本发明实施例中,步骤2中所述的细胞拉曼检测衬底的尺寸和细胞离心沉降器的尺寸是一对一匹配的。
本发明实施例中,步骤3对脑脊液样片上的细胞使用显微共聚焦拉曼光谱仪进行单点测试和成像(mapping)测试,使用的激光器包含但不限于:532nm,633nm,785nm;测试顺序为先对细胞进行2400cm-1~3300cm-1波段单点测试,然后对细胞进行600cm-1~1800cm-1波段单点测试;然后根据细胞的大小确定需要采集的光谱数量(9-100张)进行成像(mapping)测试。
本发明实施例中,脑脊液细胞包括但不限于红细胞、单核细胞、淋巴细胞、中性粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、巨细胞、吞噬细胞、浆细胞、幼稚细胞、肿瘤细胞等。
本发明实施例中,步骤5所述数据分析是采用两种主要的计算分析系统:深度神经网络(DNN)和主成分分析(PCA)。这两个分析软件都是由两种计算语言:Python和R自定义构建的,并提供了一些必需的库、算法和在线模块。自定义DNN软件完全是用PythonTM编写的,并通过谷歌构建在TensorFlowTM的库之上,优化后使用库来实现GPU加速的神经网络。图形用户界面可以简化数据导入、规范化和结果输出。典型的评估时间大约是每次迭代30秒,敏感性和特异性平均超过10次迭代,以补偿可能的神经网络过度建模。自定义PCA软件是用R编写的,构建在ggbiplot库的基础上,使用PythonTM编写的另一个自定义程序对R进行数据解析和数据组织。为了便于数据解释,主成分分析图是与前两个主成分一起绘制的。敏感性和特异性是由程序根据落入每个不同颜色椭圆的数据节点的数量来计算的,它代表每个数据集的分类标签的数据置信度。典型的数据解析到PCA图大约需要1分钟。
综上所述,本发明的方法针对的对象主要为脑脊液中的白细胞;本发明使用显微共聚焦拉曼光谱仪对脑脊液中的细胞进行检测,包括:脑脊液样片制备;利用显微共聚焦拉曼光谱仪检测获取脑脊液中白细胞的拉曼光谱,建立多种不同类型的白细胞拉曼光谱数据库,使用主成分分析(PCA)法和深度神经网络(DNN)进行数据分析,获得脑脊液中不同类型白细胞对应的判别散点分布图,据此实现脑脊液中白细胞的检测。本发明具有快速、易于操作、通用性好及成本低廉等特点,降低医生进行细胞检测的劳动强度并提高诊断的准确度,将脑脊液细胞病理学检测的时间缩短了90%以上。
本发明实施例的一种基于拉曼散射光谱的脑脊液细胞检测系统,包括:
样片获取模块,用于制备获得脑脊液样片;
拉曼光谱获取模块,用于对样片获取模块获得的脑脊液样片上的脑脊液细胞,进行单点测试和成像测试,获得测到的拉曼光谱数据;
拉曼光谱处理模块,用于对拉曼光谱获取模块获得的拉曼光谱进行处理,获得处理后的拉曼光谱数据;其中,所述处理包括:去衬底预处理、归一化处理;
分析检测模块,用于对拉曼光谱处理模块处理后的拉曼光谱数据进行分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,完成分类、检测。
其中,样片获取模块中,所述脑脊液细胞包括:红细胞、单核细胞、淋巴细胞、中性粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、巨细胞、吞噬细胞、浆细胞、幼稚细胞、肿瘤细胞。
所述衬底的制备方法包括:磁控溅射、电子束蒸镀,脉冲激光沉积;所述衬底所用的材料为金、银、玻璃;使用细胞离心沉降机将脑脊液中的细胞分散在衬底表面。
拉曼光谱获取模块中,进行单点测试和成像测试时包括:
(1)对细胞进行2400cm-1~3300cm-1波段单点测试;其中,若发现2900cm-1处出现拉曼峰,则跳转执行步骤(2);
(2)对细胞进行600cm-1~1800cm-1波段单点测试;其中,若出现蛋白质组峰,则跳转执行步骤(3);否,则跳转执行步骤(1);
(3)根据细胞的大小确定需要采集的光谱数量,进行成像测试。
本发明实施例的一种基于拉曼散射光谱的脑脊液细胞检测方法,该方案包括如下步骤:
步骤1:制备用于细胞拉曼检测的衬底;具体的,使用一种工艺在硅片上镀一层金薄膜,作为测试衬底;
步骤2:使用细胞离心沉降机将脑脊液中的细胞分散在衬底表面;具体的,
步骤2-1:将步骤1制备的衬底结合离心沉淀器的尺寸进行裁剪,得到尺寸为23mm×60mm的衬底;
步骤2-2:将步骤2-1得到的衬底安装在细胞离心沉淀器上,向细胞离心沉淀器中滴入脑脊液样本,在离心机内进行离心处理,得到脑脊液样片,该脑脊液样片不进行任何染色和固定处理;
步骤3:对步骤2制备的样片上的细胞使用拉曼光谱仪进行单点测试和mapping测试;具体的,
步骤3-1:将脑脊液样片放在显微镜载物台上,在50X物镜下寻找细胞;
步骤3-2:将步骤3-1确定的细胞,使用显微共聚焦拉曼光谱仪在2400cm-1~3300cm-1波段进行单点测试,获得测到的拉曼光谱;
步骤3-3:观察步骤3-2测到的拉曼光谱,若发现2900cm-1处出现拉曼峰,则对该细胞进行600cm-1~1800cm-1波段的单点测试,获得测到的拉曼光谱;若未发现2900cm-1处出现拉曼峰,则重复步骤3-1;
步骤3-4:观察步骤3-3测到的拉曼光谱,若在600~1800cm-1波段出现蛋白质组峰谱清晰,出现强度合适的拉曼峰,则根据细胞的大小对该细胞进行9~100张光谱的mapping测试,将测得的光谱数据保存为TXT格式;
步骤4:将经步骤3保存的光谱数据使用LabSpec 6软件对细胞的拉曼光谱进行抠除背景、降噪和平滑处理预处理,然后对同一个细胞的9~100张光谱进行归一化处理;
步骤5:采用两种主要的计算分析系统:深度神经网络(DNN)和主成分分析(PCA),对经步骤4处理后的拉曼光谱进行数据分析,相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起;具体的,
步骤5-1:使用PythonTM编写自定义DNN软件,并通过谷歌构建在TensorFlowTM的库之上,优化后使用库来实现GPU加速的神经网络。图形用户界面可以简化数据导入、规范化和结果输出。典型的评估时间大约是每次迭代30秒,敏感性和特异性平均超过10次迭代,以补偿可能的神经网络过度建模。
步骤5-2:使用R编写自定义PCA软件,构建在ggbiplot库的基础上,使用5-1中PythonTM编写的另一个自定义程序对R进行数据解析和数据组织。为了便于数据解释,主成分分析图是与前两个主成分一起绘制的。敏感性和特异性是由程序根据落入每个不同颜色椭圆的数据节点的数量来计算的,它代表每个数据集的分类标签的数据置信度。典型的数据解析到PCA图大约需要1分钟。
步骤5-3:将经步骤4处理过的拉曼光谱输入步骤5-1构建的DNN模型和步骤5-2编写的PCA,进行数据分析,得到白细胞分类图表和散点分布图,相同类型的脑脊液细胞的拉曼光谱以相同颜色的数据节点汇聚在一起。
本发明实施例中,提供一种基于拉曼散射光谱的脑脊液细胞检测方法。该方法首先将抽取的脑脊液在制备的衬底上进行细胞离心沉降处理,再使用显微共聚焦拉曼光谱仪对衬底上的细胞进行单细胞检测和成像(Mapping)检测,将得到的细胞拉曼光谱进行归一化处理,再使用主成分分析(PCA)法和深度神经网络(DNN)对拉曼光谱进行数据分析,每一种类型细胞的拉曼光谱聚集在一起,很好的将不同类型白细胞的拉曼光谱进行分类,输出相应的细胞类型所占的比例和结果的准确率(例如:白细胞的种类、数量、比例)。
请参阅图1,本发明实施例的一种基于拉曼散射光谱的脑脊液细胞检测方法,包括以下步骤:
步骤1,使用磁控溅射在硅片上镀一层金薄膜,作为测试衬底;
步骤2,使用步骤1制备的衬底,根据细胞离心沉淀器的尺寸裁剪为23mm×60mm的衬底;
步骤3,将步骤2得到的衬底安装在离心沉淀器上,进行细胞离心沉降,离心的参数为:800r/min,8min;其中,该脑脊液样片不进行任何染色和固定处理;
步骤4,调整显微共聚焦拉曼光谱仪的参数为:二极管激发波长为633nm,功率为100%,曝光时间为30s,积分次数为2次;
步骤5,在50X物镜下找到细胞,如图2所示;其中,使用步骤4调整的参数,在2400cm-1-3300cm-1波段进行单点测试;
步骤6,观察步骤5测得的拉曼光谱,若在2900cm-1处出现波峰,如图3所示。在同一位置进行600cm-1-1800cm-1波段的单点测试;
步骤7,观察步骤6测得的光谱的波峰强度,若波峰清晰,根据该细胞的直径为9μm,对该细胞进行3×3的成像测试,如图4所示,将测得的光谱数据保存为TXT格式;
步骤8,将经步骤7保存的光谱数据使用LabSpec 6软件进行抠除背景、降噪和平滑处理,然后对同一个细胞的9张光谱进行归一化处理,如图5所示;
步骤9,使用R编写自定义PCA软件,构建在ggbiplot库的基础上,使用5-1中PythonTM编写的另一个自定义程序对R进行数据解析和数据组织。为了便于数据解释,主成分分析图是与前两个主成分一起绘制的。敏感性和特异性是由程序根据落入每个不同颜色椭圆的数据节点的数量来计算的,它代表每个数据集的分类标签的数据置信度。典型的数据解析到PCA图大约需要1分钟,如图6所示。
步骤10:将经步骤4处理过的拉曼光谱输入步骤5-1构建的DNN模型和步骤5-2编写的PCA,进行数据分析,如图4示,得到白细胞分类图表和散点分布图,相同类型的脑脊液细胞的拉曼光谱以相同颜色的数据节点汇聚在一起。
综上,本发明实施例公开了一种基于拉曼散射光谱的脑脊液细胞检测方法及系统,属于使用拉曼散射光谱对脑脊液中的细胞进行检测,包含如下步骤:脑脊液样片制备;利用显微共聚焦拉曼光谱仪检测获取脑脊液中白细胞的拉曼光谱,建立不同类型白细胞的拉曼光谱数据库,经主成分分析(PCA)法和深度神经网络(DNN)相结合,获得脑脊液中不同类型白细胞对应的散点分布图,据此实现脑脊液中白细胞的检测。本发明具有快速、易于操作、通用性好及成本低廉等特点,降低医生进行细胞检测的劳动强度并提高诊断的准确度,将脑脊液细胞病理学检测的时间缩短了90%以上。
本发明根据拉曼光谱作为“指纹”光谱的特性,将其应用于细胞检测领域,公开了一种基于拉曼散射光谱的脑脊液细胞检测方法及系统,不仅提高判断的准确率,同时提高出具报告的效率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,包括以下步骤:
步骤1,制备获得脑脊液样片;
步骤2,对样片上的脑脊液细胞,进行单点测试和成像测试,获得原始拉曼光谱数据;
步骤3,对步骤2获得的原始拉曼光谱数据进行处理,获得处理后的拉曼光谱数据;其中,所述处理包括:去衬底预处理、归一化处理;
步骤4,对步骤3处理后的拉曼光谱数据采用深度神经网络和主成分分析进行数据分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,完成分类、检测。
2.根据权利要求1所述的一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,步骤1具体包括:
步骤1.1,制备用于细胞拉曼检测的衬底;
步骤1.2,将脑脊液细胞分散在衬底表面,获得离体的脑脊液样片。
3.根据权利要求2所述的一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,
步骤1.1中,所述衬底的制备方法包括:磁控溅射、电子束蒸镀,脉冲激光沉积;所述衬底所用的材料为金、银、玻璃;
步骤1.2具体包括:使用细胞离心沉降机将脑脊液中的细胞分散在衬底表面。
4.根据权利要求1所述的一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,步骤2中,所述进行单点测试和成像测试具体包括:
使用显微共聚焦拉曼光谱仪进行单点测试和成像测试。
5.根据权利要求1所述的一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,步骤2中,进行单点测试和成像测试时包括:
(1)对细胞进行2400cm-1~3300cm-1波段单点测试;其中,若发现2900cm-1处出现拉曼峰,则跳转执行步骤(2);
(2)对细胞进行600cm-1~1800cm-1波段单点测试;其中,若出现蛋白质组峰,则跳转执行步骤(3);否,则跳转执行步骤(1);
(3)根据细胞的大小确定需要采集的光谱数量,进行成像测试。
6.根据权利要求1所述的一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,步骤4具体包括:采用深度神经网络和主成分分析,对步骤3处理后的拉曼光谱数据进行分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,获得脑脊液中不同类型白细胞对应的判别散点分布图,完成分类、检测。
7.根据权利要求1所述的一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,步骤4具体包括:使用主成分分析对脑脊液细胞的拉曼光谱进行分类识别;将完成分类的拉曼光谱对深度神经网络进行训练,建立CMAP数据库。
8.根据权利要求1所述的一种基于拉曼散射光谱的脑脊液细胞检测方法,其特征在于,所述脑脊液细胞包括:红细胞、单核细胞、淋巴细胞、中性粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、巨细胞、吞噬细胞、浆细胞、幼稚细胞、肿瘤细胞。
9.一种基于拉曼散射光谱的脑脊液细胞检测系统,其特征在于,包括:
样片获取模块,用于制备获得脑脊液样片;
拉曼光谱获取模块,用于对样片获取模块获得的脑脊液样片上的脑脊液细胞,进行单点测试和成像测试,获得测到的拉曼光谱数据;
拉曼光谱处理模块,用于对拉曼光谱获取模块获得的拉曼光谱进行处理,获得处理后的拉曼光谱数据;其中,所述处理包括:去衬底预处理、归一化处理;
分析检测模块,用于对拉曼光谱处理模块处理后的拉曼光谱数据进行分析,将相同类型的脑脊液细胞的光谱以相同颜色的数据节点汇聚在一起,完成分类、检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606248.8A CN111707656B (zh) | 2020-06-29 | 2020-06-29 | 一种基于拉曼散射光谱的脑脊液细胞检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010606248.8A CN111707656B (zh) | 2020-06-29 | 2020-06-29 | 一种基于拉曼散射光谱的脑脊液细胞检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111707656A CN111707656A (zh) | 2020-09-25 |
CN111707656B true CN111707656B (zh) | 2023-02-24 |
Family
ID=72544491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010606248.8A Active CN111707656B (zh) | 2020-06-29 | 2020-06-29 | 一种基于拉曼散射光谱的脑脊液细胞检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707656B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595655A (zh) * | 2020-10-28 | 2021-04-02 | 宁夏医科大学总医院 | 基于人工智能的脑脊液细胞自动分析系统 |
CN113324968A (zh) * | 2021-04-01 | 2021-08-31 | 吉林大学 | 一种基于拉曼光谱的结直肠癌错配修复蛋白表达的检测方法 |
CN113189040A (zh) * | 2021-04-28 | 2021-07-30 | 北京大学第三医院(北京大学第三临床医学院) | 高效无损检测样本中肿瘤细胞数量与活性的方法与系统 |
CN113702349A (zh) * | 2021-07-12 | 2021-11-26 | 四川大学 | 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法 |
CN113499039B (zh) * | 2021-08-25 | 2023-02-07 | 北京大学第三医院(北京大学第三临床医学院) | 椎管内麻醉操作中便携高效鉴别脑脊液的方法及装置 |
CN114295600A (zh) * | 2021-12-30 | 2022-04-08 | 西北大学 | 一种改进的拉曼光谱多元数据分析及成像方法 |
CN114324295A (zh) * | 2021-12-30 | 2022-04-12 | 陕西未来健康科技有限公司 | 一种表面增强拉曼散射衬底及其应用方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010070133A2 (en) * | 2008-12-18 | 2010-06-24 | Dublin Institute Of Technology | A diagnostic instrument for cervical cancer screening |
CN107727633A (zh) * | 2017-09-20 | 2018-02-23 | 复旦大学 | 一种表面增强拉曼光谱检测平台及其制备方法与应用 |
CN111260638A (zh) * | 2020-01-19 | 2020-06-09 | 陕西未来健康科技有限公司 | 基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060281068A1 (en) * | 2005-06-09 | 2006-12-14 | Chemimage Corp. | Cytological methods for detecting a disease condition such as malignancy by Raman spectroscopic imaging |
-
2020
- 2020-06-29 CN CN202010606248.8A patent/CN111707656B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010070133A2 (en) * | 2008-12-18 | 2010-06-24 | Dublin Institute Of Technology | A diagnostic instrument for cervical cancer screening |
CN107727633A (zh) * | 2017-09-20 | 2018-02-23 | 复旦大学 | 一种表面增强拉曼光谱检测平台及其制备方法与应用 |
CN111260638A (zh) * | 2020-01-19 | 2020-06-09 | 陕西未来健康科技有限公司 | 基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于高波数拉曼光谱的口腔癌检测方法研究;胡阳等;《仪器仪表学报》(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111707656A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707656B (zh) | 一种基于拉曼散射光谱的脑脊液细胞检测方法及系统 | |
JP6333326B2 (ja) | スペクトルイメージングによる生体試料の分析方法 | |
JP6366556B2 (ja) | 生物学的試片をスペクトル画像により分析する方法 | |
Diem et al. | Molecular pathology via IR and Raman spectral imaging | |
EP3009832A1 (en) | A cytological system and method for analyzing a biological sample by raman spectroscopy | |
US20070178067A1 (en) | System and method for cytological analysis by raman spectroscopic imaging | |
US20060281068A1 (en) | Cytological methods for detecting a disease condition such as malignancy by Raman spectroscopic imaging | |
US20060253261A1 (en) | Digitizing biology | |
US20120200850A1 (en) | Cytological methods for detecting a condition such as transplant efficiency by raman spectroscopic imaging | |
WO2007038679A2 (en) | Method for correlating spectroscopic measurements with digital images of contrast enhanced tissue | |
JP6392476B1 (ja) | 生体組織解析装置および生体組織解析プログラム | |
CN109297949B (zh) | 显微影像结合透射拉曼光谱的肿瘤细胞检测方法及装置 | |
JP2016528506A (ja) | 分類を支援するための分析法 | |
Krauß et al. | Colocalization of fluorescence and Raman microscopic images for the identification of subcellular compartments: a validation study | |
CN111832477A (zh) | 一种新型冠状病毒的检测方法及系统 | |
US10739267B2 (en) | Optical apparatus and optical measurement method | |
Ciobanu et al. | Potential of Raman spectroscopy for blood-based biopsy | |
CN106645079A (zh) | 一种基于红细胞光镊拉曼光谱技术的人体血型鉴别方法 | |
CN109001182A (zh) | 封闭容器中酒精含量的拉曼光谱无损测定方法 | |
Vora et al. | Label-free flow cytometry of rare circulating tumor cell clusters in whole blood | |
CN111751349A (zh) | 一种用于无标记分析物检测的方法和系统 | |
Tsai et al. | Label-free identification and characterization of murine hair follicle stem cells located in thin tissue sections with Raman micro-spectroscopy | |
US11841314B2 (en) | Method and system for characterizing particles using an angular detection in a flow cytometer | |
US20220386939A1 (en) | Label-free spectral pathology for in vivo diagnosis | |
WO2007011571A2 (en) | Digitizing biology |
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 |