CN111832389A - 一种骨髓细胞形态学自动检测系统的计数及分析方法 - Google Patents
一种骨髓细胞形态学自动检测系统的计数及分析方法 Download PDFInfo
- Publication number
- CN111832389A CN111832389A CN202010450477.5A CN202010450477A CN111832389A CN 111832389 A CN111832389 A CN 111832389A CN 202010450477 A CN202010450477 A CN 202010450477A CN 111832389 A CN111832389 A CN 111832389A
- Authority
- CN
- China
- Prior art keywords
- counting
- area
- data
- cells
- bone marrow
- 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
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 210000004027 cell Anatomy 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 201000010099 disease Diseases 0.000 claims description 67
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 67
- 210000001185 bone marrow Anatomy 0.000 claims description 14
- 210000004369 blood Anatomy 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 9
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 3
- 210000003743 erythrocyte Anatomy 0.000 claims description 3
- 210000003714 granulocyte Anatomy 0.000 claims description 3
- 210000004698 lymphocyte Anatomy 0.000 claims description 3
- 210000001616 monocyte Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 210000000130 stem cell Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010025323 Lymphomas Diseases 0.000 description 1
- 208000034578 Multiple myelomas Diseases 0.000 description 1
- 206010033661 Pancytopenia Diseases 0.000 description 1
- 206010035226 Plasma cell myeloma Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003583 cytomorphological effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003511 endothelial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 208000032839 leukemia Diseases 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
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G01N2015/1006—Investigating individual particles for cytology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明创造属于骨髓细胞形态学检测领域,具体涉及了一种骨髓细胞形态学自动检测系统的计数及分析方法。本发明创造所采用的技术方案是,一种骨髓细胞形态学自动检测系统的计数及分析方法,包括以下步骤:S1:对低倍图像进行整体识别,并寻找其中的特殊细胞和巨型细胞并计数。S2:对筛选后的高倍图像的区域内随机选取若干计数区域,并对区域内全类细胞进行识别和计数。S3:对每个计数区域的计数结果进行参考性判断。本申请采用多点取样,然后在对每个取样点的数据进行代表性分析,使得每个取样点的数据都具有参考性。然后在将所有具有参考性取样点的数据进行加权计算,使得统计的数据更加贴近真实值,使得最终数据的指向更加精准。
Description
技术领域
本发明创造属于骨髓细胞形态学检测领域,具体涉及了一种骨髓细胞形态学自动检测系统的计数及分析方法。
背景技术
骨髓细胞形态学镜检是血液学中关键诊断手段之一,常用于诊断多种病症,包括白血病、多发性骨髓瘤、淋巴瘤、贫血和全血细胞减少。根据世界卫生组织发布的《骨髓恶性肿瘤诊断指南》,在诊断时需要进行详细、精确的显微镜人工检查。正常骨髓含有发育阶段的所有分化细胞,从早期前体干细胞到功能成熟细胞,包括作为大多数血细胞前体的造血干细胞以及被认为是骨髓的守门员细胞的间充质干细胞和内皮干细胞。这些细胞的形态学特征取决于本身的生物学特性,同时受到涂片、染色和图像采集过程的影响。目前人工镜检仍然是重要的诊断和治疗疗效监测的方法。
其主要缺陷在于镜检规则执行不严。当前,我国进行的传统骨髓细胞形态学诊断主要依靠骨髓涂片人工镜检。在人工镜检的环节中,分类细胞数量的确定、分类部位的划分以及细胞难易的取舍都存在个人主观因素的影响。这些因素都会导致分类计数的准确性受到干扰,从而降低镜检结果的可靠性和稳定性。
申请号为CN201811168824.4的专利公开了一种基于深度学习的骨髓细胞分类方法及分类装置,其中该方法包括:对骨髓细胞样本图像中的骨髓细胞标注细胞位置以及其分类标签;从骨髓细胞样本图像中提取预设尺寸的具有单一分类标签的图像块样本;构建骨髓细胞分类任务的卷积神经网络,然后利用由图像块样本组成的训练集进行训练,得到骨髓细胞分类模型;将骨髓细胞待测图像切割成预设尺寸的多个测试图像块,将多个测试图像块遍历地输入骨髓细胞分类模型,检测出多个测试图像块中的骨髓细胞边缘,并输出骨髓细胞对应的分类标签以及分类置信概率。
其不足之处在于,现有的关于骨髓细胞形态学的检测系统无法对数据是否具有参考性进行判断。
发明内容
为了解决现有的关于骨髓细胞形态学的检测系统无法对数据是否具有参考性进行判断的问题,本发明创造提出了可以对数据是否具有参考性进行判断且可以尽可能的确保最终数据贴近真实值的骨髓细胞形态学自动检测系统的计数及分析方法。
为了实现上述目的,本发明创造所采用的技术方案是,一种骨髓细胞形态学自动检测系统的计数及分析方法,包括以下步骤:S1:对低倍图像进行整体识别,并寻找其中的特殊细胞和巨型细胞并计数;S2:对筛选后的高倍图像的区域内随机选取若干计数区域,并对区域内全类细胞进行识别和计数;S3:对每个计数区域的计数结果进行参考性判断;S4:将具有参考性的区域中的计算数据进行差值分析并计算出最终的数据;S5:将数据与正常参考值作对比,进行重点数据筛选;S6:将筛选后的数据,与现有疾病建立联想,并进行联想分析。
作为优选,所述的S2中的计数区域包括正计数区域和拓展计数区域,所述的拓展计数区域位于正计数区域外围,为正计数区域的延伸;所述的正计数区域的面积为a个细胞平均面积大小;所述的拓展计数区域的边界与正计数区域的边界距离为b个细胞平均直径距离;在对正计数区域内的细胞计数时,如果发现落入正计数区域内的细胞不完整,则将其延伸到拓展计数区域,然后测量该细胞在正计数区域的面积与在拓展计数区域的面积,将位于两个区域的面积作对比,如果在拓展计数区域内的面积大,则不计数,反之则计数。
作为优选,所述的细胞平均面积指所需要检测位置的红细胞系统、粒细胞系统、淋巴细胞系统和单核细胞系统的细胞的平均面积。
作为优选,所述的S3中参考性判断的方法是,统计每个计数区域内的总计数细胞量,如果计数个数在t的范围之内,数据保留,反之则删除不符合的计数,并重新选取计数位置,即当a和t之间的关系符合时,该计数区域具有参考性,否则该计数区域不具有参考性。
作为优选,所述的S4包括以下步骤;A1:设定一个目标统计总数c,将c除以计数区域的个数,得出每个计数区域应统计的细胞数量为d;A2:将每个计数区域的实际计数量e分别与应统计量d作比,获得A3:将每个计数区域内的各类细胞统计的量分别除以获得每个区域内各类细胞在应统计量下的统计量;A4:将所有计数区域内的相同类型的细胞的统计量作排序;A5:根据计数区域建立数组,将同一计数区域的各类细胞统计量的排序号放入数组中;A6:计算数组中排序号的平均值并取整数,命名为h;A7:以h作为该计数区域的标准平均值,将该计数区域的各项细胞统计量的排序号与h作差,获取绝对值f;A8:若f大于等于2,则说明该项细胞的统计量的误差较大,即该计数区域的不具有代表性,跳转S3;如果f小于2,跳转A9;A9:计算每个计数区域内的各项细胞之间的比值,并将各个区域之间的同类比值作平均值计算,获得最终计算结果。
作为优选,所述的S6包括以下步骤:B1:分别对骨髓象和血液象的数据与数据库中的现有疾病进行联想;B2:建立筛选出的数据与联想疾病之间的相似度和相异度评判体系;B3:将每种联想疾病的相似度与相异度作对比,当相似度大于相异度时,将该疾病归纳为疑似疾病;B4:将骨髓象中的疑似疾病与血液象中的疑似疾病名词相匹配;B5:将完成匹配的疑似疾病的相似度相乘以及相异度相乘,最终得出整体的检测结果对该疾病的相似度和相异度;B6:将相似度按照从高到低排序,完成对数据的分析和与疾病的联想。
作为优选,所述的相似度的计算方法为将筛选出的数据与现有疾病对应的数据相比较,将落入现有疾病数据范围的数据个数与现有疾病的数据个数对比获得相似度。
作为优选,所述的相异度的计算方法为将筛选出的数据与现有疾病对应的数据相比较,将不落入现有疾病数据范围的数据个数与现有疾病的数据个数对比获得相异度。
作为优选,所述的落入现有疾病数据范围是指其种类与现有疾病的数据种类相同且数值落入现有疾病的数值范围内。
作为优选,所述的a的取值范围为200-400;所述的b的取值范围为2-8,具有参考性的计数区域的个数至少为5个;所述的c的取值范围为正计数区域的面积与计数区域个数乘积的一半。
本发明创造的有益效果:本申请采用多点取样,然后在对每个取样点的数据进行代表性分析,使得每个取样点的数据都具有参考性。然后在将所有具有参考性取样点的数据进行加权计算,使得统计的数据更加贴近真实值,使得最终数据的指向更加精准。
附图说明
图1:整体流程示意图
图2:数据差值计算流程示意图
图3:现有疾病联想流程示意图
具体实施方式
一种骨髓细胞形态学自动检测系统的计数及分析方法,包括以下步骤:S1:对低倍图像进行整体识别,并寻找其中的特殊细胞和巨型细胞并计数。S2:对筛选后的高倍图像的区域内随机选取若干计数区域,并对区域内全类细胞进行识别和计数。S3:对每个计数区域的计数结果进行参考性判断。S4:将具有参考性的区域中的计算数据进行差值分析并计算出最终的数据。S5:将数据与正常参考值作对比,进行重点数据筛选。S6:将筛选后的数据,与现有疾病建立联想,并进行联想分析。
S2中的计数区域包括正计数区域和拓展计数区域,拓展计数区域位于正计数区域外围,为正计数区域的延伸。正计数区域的面积为a个细胞平均面积大小。拓展计数区域的边界与正计数区域的边界距离为b个细胞平均直径距离。在对正计数区域内的细胞计数时,如果发现落入正计数区域内的细胞不完整,则将其延伸到拓展计数区域,然后测量该细胞在正计数区域的面积与在拓展计数区域的面积,将位于两个区域的面积作对比,如果在拓展计数区域内的面积大,则不计数,反之则计数。
细胞平均面积指所需要检测位置的红细胞系统、粒细胞系统、淋巴细胞系统和单核细胞系统的细胞的平均面积。
S3包括以下步骤:C1:对每个计数区域内的细胞进行识别和计数。C2:对每个计数区域进行参考性判断,如果具有参考性,跳转S4;如果不具有参考性,跳转C3。C3:舍弃不具有参考性的区域,并重新选取计数区域。C4:对新选区的计数区域内的细胞进行识别和计数,跳转C2。
S3中参考性判断的方法是,统计每个计数区域内的总计数细胞量,如果计数个数在t的范围之内,数据保留,反之则删除不符合的计数,并重新选取计数位置,即当a和t之间的关系符合时,该计数区域具有参考性,否则该计数区域不具有参考性。
S4包括以下步骤;A1:设定一个目标统计总数c,将c除以计数区域的个数,得出每个计数区域应统计的细胞数量为d。A2:将每个计数区域的实际计数量e分别与应统计量d作比,获得A3:将每个计数区域内的各类细胞统计的量分别除以获得每个区域内各类细胞在应统计量下的统计量。A4:将所有计数区域内的相同类型的细胞的统计量作排序。A5:根据计数区域建立数组,将同一计数区域的各类细胞统计量的排序号放入数组中。A6:计算数组中排序号的平均值并取整数,命名为h。A7:以h作为该计数区域的标准平均值,将该计数区域的各项细胞统计量的排序号与h作差,获取绝对值f。A8:若f大于等于2,则说明该项细胞的统计量的误差较大,即该计数区域的不具有代表性,跳转S3。如果f小于2,跳转A9。A9:计算每个计数区域内的各项细胞之间的比值,并将各个区域之间的同类比值作平均值计算,获得最终计算结果。
a的取值范围为200-400。b的取值范围为2-8,具有参考性的计数区域的个数至少为5个。c的取值范围为正计数区域的面积与计数区域个数乘积的一半。
S6包括以下步骤:B1:分别对骨髓象和血液象的数据与数据库中的现有疾病进行联想。B2:建立筛选出的数据与联想疾病之间的相似度和相异度评判体系。B3:将每种联想疾病的相似度与相异度作对比,当相似度大于相异度时,将该疾病归纳为疑似疾病。B4:将骨髓象中的疑似疾病与血液象中的疑似疾病名词相匹配。B5:将完成匹配的疑似疾病的相似度相乘以及相异度相乘,最终得出整体的检测结果对该疾病的相似度和相异度。B6:将相似度按照从高到低排序,完成对数据的分析和与疾病的联想。
相似度的计算方法为将筛选出的数据与现有疾病对应的数据相比较,将落入现有疾病数据范围的数据个数与现有疾病的数据个数对比获得相似度。
相异度的计算方法为将筛选出的数据与现有疾病对应的数据相比较,将不落入现有疾病数据范围的数据个数与现有疾病的数据个数对比获得相异度。
落入现有疾病数据范围是指其种类与现有疾病的数据种类相同且数值落入现有疾病的数值范围内。
本申请采用多点取样,然后在对每个取样点的数据进行代表性分析,使得每个取样点的数据都具有参考性。然后在将所有具有参考性取样点的数据进行加权计算,使得统计的数据更加贴近真实值,使得最终数据的指向更加精准。
本申请将最总的数据与正常参考值进行对比,将其中非正常的数据提取出来,完通过大数据获取现有疾病在骨髓细胞方面的数据,将筛选出来的数据与现有疾病的数据进行对比联想,实现了对数据的利用和整理。降低了医生对病情诊断的难度,提高了诊断速度,降低了失误率。
相似度与相异度体系的建立使得数据与疾病之间关系实现了量化,使得联想的结果更加准确。由于有些疾病在骨髓象难以具体区分,具有迷惑性,而在血液象可以明显的区分。而有些疾病在血液象难以具体区分,但是在骨髓象有较大的差异。所以本申请根据该特性,最终将骨髓象和血液象联动,对联想结果进行了筛选,减少了对医生诊断时的干扰。
以上详细描述了本发明创造的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明创造的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明创造的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,包括以下步骤:
S1:对低倍图像进行整体识别,并寻找其中的特殊细胞和巨型细胞并计数;
S2:对筛选后的高倍图像的区域内随机选取若干计数区域,并对区域内全类细胞进行识别和计数;
S3:对每个计数区域的计数结果进行参考性判断;
S4:将具有参考性的区域中的计算数据进行差值分析并计算出最终的数据;
S5:将数据与正常参考值作对比,进行重点数据筛选;
S6:将筛选后的数据,与现有疾病建立联想,并进行联想分析。
2.根据权利要求1所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的S2中的计数区域包括正计数区域和拓展计数区域,所述的拓展计数区域位于正计数区域外围,为正计数区域的延伸;所述的正计数区域的面积为a个细胞平均面积大小;所述的拓展计数区域的边界与正计数区域的边界距离为b个细胞平均直径距离;在对正计数区域内的细胞计数时,如果发现落入正计数区域内的细胞不完整,则将其延伸到拓展计数区域,然后测量该细胞在正计数区域的面积与在拓展计数区域的面积,将位于两个区域的面积作对比,如果在拓展计数区域内的面积大,则不计数,反之则计数。
3.根据权利要求2所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的细胞平均面积指所需要检测位置的红细胞系统、粒细胞系统、淋巴细胞系统和单核细胞系统的细胞的平均面积。
5.根据权利要求1所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的S4包括以下步骤;
A1:设定一个目标统计总数c,将c除以计数区域的个数,得出每个计数区域应统计的细胞数量为d;
A4:将所有计数区域内的相同类型的细胞的统计量作排序;
A5:根据计数区域建立数组,将同一计数区域的各类细胞统计量的排序号放入数组中;
A6:计算数组中排序号的平均值并取整数,命名为h;
A7:以h作为该计数区域的标准平均值,将该计数区域的各项细胞统计量的排序号与h作差,获取绝对值f;
A8:若f大于等于2,则说明该项细胞的统计量的误差较大,即该计数区域的不具有代表性,跳转S3;如果f小于2,跳转A9;
A9:计算每个计数区域内的各项细胞之间的比值,并将各个区域之间的同类比值作平均值计算,获得最终计算结果。
6.根据权利要求1所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的S6包括以下步骤:
B1:分别对骨髓象和血液象的数据与数据库中的现有疾病进行联想;
B2:建立筛选出的数据与联想疾病之间的相似度和相异度评判体系;
B3:将每种联想疾病的相似度与相异度作对比,当相似度大于相异度时,将该疾病归纳为疑似疾病;
B4:将骨髓象中的疑似疾病与血液象中的疑似疾病名词相匹配;
B5:将完成匹配的疑似疾病的相似度相乘以及相异度相乘,最终得出整体的检测结果对该疾病的相似度和相异度;
B6:将相似度按照从高到低排序,完成对数据的分析和与疾病的联想。
7.根据权利要求6所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的相似度的计算方法为将筛选出的数据与现有疾病对应的数据相比较,将落入现有疾病数据范围的数据个数与现有疾病的数据个数对比获得相似度。
8.根据权利要求6所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的相异度的计算方法为将筛选出的数据与现有疾病对应的数据相比较,将不落入现有疾病数据范围的数据个数与现有疾病的数据个数对比获得相异度。
9.根据权利要求7或8所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的落入现有疾病数据范围是指其种类与现有疾病的数据种类相同且数值落入现有疾病的数值范围内。
10.根据权利要求4所述的一种骨髓细胞形态学自动检测系统的计数及分析方法,其特征在于,所述的a的取值范围为200-400;所述的b的取值范围为2-8,具有参考性的计数区域的个数至少为5个;所述的c的取值范围为正计数区域的面积与计数区域个数乘积的一半。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450477.5A CN111832389B (zh) | 2020-05-25 | 2020-05-25 | 一种骨髓细胞形态学自动检测系统的计数及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450477.5A CN111832389B (zh) | 2020-05-25 | 2020-05-25 | 一种骨髓细胞形态学自动检测系统的计数及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832389A true CN111832389A (zh) | 2020-10-27 |
CN111832389B CN111832389B (zh) | 2022-12-09 |
Family
ID=72913436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010450477.5A Active CN111832389B (zh) | 2020-05-25 | 2020-05-25 | 一种骨髓细胞形态学自动检测系统的计数及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832389B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432948A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学自动检测方法 |
CN112432902A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学判别细胞数目的自动检测系统及方法 |
CN112504947A (zh) * | 2020-12-03 | 2021-03-16 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学分析计数方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1575475A (zh) * | 2001-09-12 | 2005-02-02 | 长冈实业株式会社 | 用于差分细胞计数的方法以及用于执行该方法的相关装置和软件 |
US20140185906A1 (en) * | 2011-09-16 | 2014-07-03 | Changsha High-Tech Industrial Development Zone Ave Science & Technology Industry Co., Ltd. | Device and Method for Erythrocyte Morphology Analysis |
CN107036956A (zh) * | 2017-05-22 | 2017-08-11 | 粉蓝医疗科技(杭州)有限公司 | 细胞核统计方法和装置 |
CN108363972A (zh) * | 2018-02-05 | 2018-08-03 | 西北农林科技大学 | 一种基于介电频谱技术的牛乳体细胞数快速检测方法 |
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
CN110706206A (zh) * | 2019-09-11 | 2020-01-17 | 深圳先进技术研究院 | 荧光细胞计数方法、装置、终端设备及存储介质 |
CN111161212A (zh) * | 2019-12-05 | 2020-05-15 | 广州金域医学检验中心有限公司 | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 |
-
2020
- 2020-05-25 CN CN202010450477.5A patent/CN111832389B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1575475A (zh) * | 2001-09-12 | 2005-02-02 | 长冈实业株式会社 | 用于差分细胞计数的方法以及用于执行该方法的相关装置和软件 |
US20140185906A1 (en) * | 2011-09-16 | 2014-07-03 | Changsha High-Tech Industrial Development Zone Ave Science & Technology Industry Co., Ltd. | Device and Method for Erythrocyte Morphology Analysis |
CN107036956A (zh) * | 2017-05-22 | 2017-08-11 | 粉蓝医疗科技(杭州)有限公司 | 细胞核统计方法和装置 |
CN108363972A (zh) * | 2018-02-05 | 2018-08-03 | 西北农林科技大学 | 一种基于介电频谱技术的牛乳体细胞数快速检测方法 |
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
CN110706206A (zh) * | 2019-09-11 | 2020-01-17 | 深圳先进技术研究院 | 荧光细胞计数方法、装置、终端设备及存储介质 |
CN111161212A (zh) * | 2019-12-05 | 2020-05-15 | 广州金域医学检验中心有限公司 | 数字病理切片有丝核分裂象统计方法、装置、设备和介质 |
Non-Patent Citations (5)
Title |
---|
G.FLACCAVENTO 等: "Learning to Count Cells:Applications to Lens-free Imaging of Large Fields", 《MICROSCOPIC IMAGE ANALYSIS WITH APPLICATIONS IN BIOLOGY》 * |
N.THEERA-UMPON 等: "Training neural networks to count white blood cells via a minimum counting error objective function", 《PROCEEDINGS 15TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
XITAO ZHENG 等: "A new method for automatic counting of marrow cells", 《2011 4TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS》 * |
杨晓玲 等: "癌细胞的特征提取与计数系统设计", 《机电工程技术》 * |
许军: "基于计算机神经网络的细胞诊断系统研究", 《西安科技学院学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112432948A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学自动检测方法 |
CN112432902A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学判别细胞数目的自动检测系统及方法 |
CN112504947A (zh) * | 2020-12-03 | 2021-03-16 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学分析计数方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111832389B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832389B (zh) | 一种骨髓细胞形态学自动检测系统的计数及分析方法 | |
Labati et al. | All-IDB: The acute lymphoblastic leukemia image database for image processing | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
KR20190043135A (ko) | 생물학적 입자의 분류 시스템 및 방법 | |
CN110473167B (zh) | 一种基于深度学习的尿沉渣图像识别系统及方法 | |
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 | |
CN109870421A (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
WO2022036673A1 (zh) | 一种疾病风险评测报告自动生成平台及应用 | |
CN112001315B (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
CN116564409A (zh) | 基于机器学习的转移性乳腺癌转录组测序数据识别方法 | |
CN111833296A (zh) | 一种骨髓细胞形态学自动检测审核系统及审核方法 | |
CN113918642A (zh) | 一种基于电力物联网设备的数据过滤监测预警方法 | |
CN112432902A (zh) | 一种外周血细胞形态学判别细胞数目的自动检测系统及方法 | |
KR20010017092A (ko) | 혈구세포의 형태 자동 분석 및 카운트 방법 | |
CN112906740B (zh) | 一种针对组织质谱成像结果去除批次间差异的方法 | |
CN112767349B (zh) | 一种网织红细胞识别方法和系统 | |
CN111274949B (zh) | 一种基于结构分析的血液病白细胞散点图相似度分析方法 | |
CN111833297B (zh) | 一种骨髓细胞形态学自动检测系统的疾病联想方法 | |
CN113539473A (zh) | 一种仅使用血常规检验数据诊断布氏杆菌病的方法及系统 | |
CN111310792B (zh) | 一种基于决策树的药敏实验结果识别方法与系统 | |
CN107886071A (zh) | 一种纤维增强复合材料损伤声发射信号的处理方法 | |
CN112798678A (zh) | 基于血清的新型冠状病毒感染快速检测方法 | |
CN112432948A (zh) | 一种外周血细胞形态学自动检测方法 | |
Laosai et al. | Deep-Learning-based Acute Leukemia classification using imaging flow cytometry and morphology | |
CN1226609C (zh) | 分析生物样品用的方法 |
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 |