CN111833296B - 一种骨髓细胞形态学自动检测审核系统及审核方法 - Google Patents
一种骨髓细胞形态学自动检测审核系统及审核方法 Download PDFInfo
- Publication number
- CN111833296B CN111833296B CN202010449371.3A CN202010449371A CN111833296B CN 111833296 B CN111833296 B CN 111833296B CN 202010449371 A CN202010449371 A CN 202010449371A CN 111833296 B CN111833296 B CN 111833296B
- Authority
- CN
- China
- Prior art keywords
- counting
- auditing
- cells
- score
- area
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 29
- 238000012795 verification Methods 0.000 title claims abstract description 16
- 210000004027 cell Anatomy 0.000 claims abstract description 130
- 201000010099 disease Diseases 0.000 claims abstract description 53
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000012552 review Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000012550 audit Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 14
- 230000014759 maintenance of location Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000012535 impurity Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 7
- 210000001185 bone marrow Anatomy 0.000 description 6
- 238000010186 staining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 210000000130 stem cell Anatomy 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
- 230000003321 amplification 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
- 238000012512 characterization method Methods 0.000 description 1
- 238000004042 decolorization Methods 0.000 description 1
- 230000003511 endothelial effect Effects 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000003714 granulocyte Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001616 monocyte Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G01N15/01—
-
- 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
-
- G01N2015/103—
-
- 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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Public Health (AREA)
- Dispersion Chemistry (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明创造属于骨髓细胞形态学检测领域，具体涉及了骨髓细胞形态学自动检测审核系统及审核方法。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审核系统，包括图像质量审核版块、计数区间审核版块、细胞识别准确度审核版块和疾病联想审核版块。图像质量审核版块用于审核扫描涂片所产生的图像是否符合要求。计数区间审核版块用于审核计数区间的筛选是否存在问题。细胞识别准确度审核版块用于检测细胞识别是否正确。疾病联想审核版块用于对异常细胞进行描述。该审核系统及审核方法具有审核反馈功能，可以对统计中细胞识别数据进行补偿且降低了医生的工作量。
Description
技术领域
本发明创造属于骨髓细胞形态学检测领域，具体涉及了骨髓细胞形态学自动检测审核系统及审核方法。
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其自身的生物学特性，同时受到涂片、染色和图像采集过程的影响。
在检测完之后需要作出骨髓报告,而骨髓报告是需要经过审核的。骨髓报告的完成通常需要两人以上的检验师或病理医师沟通配合。审核者通常是具有高级职称的检验医师或病理医师，需具备丰富的专业知识，同时，更是需要在短时间内对涂片染色质量(图像质量)、分类计数比例、特殊细胞识别的准确度以及疾病的诊断方向做出准确的判断，难度大，时间紧，容易出现误差。
再者，现有的关于骨髓细胞形态学的检测系统及装置，对于其计数的结果和图片缺少审核反馈系统，也缺少对数据的补偿能力，同时也无法对数据进行针对性整理和筛选；由于数据量和数据种类太多，使得医生在做出诊断报告时需要花费大量的时间进行数据的筛选整理。
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及装置不具有审核反馈功能、无法对数据进行补偿而且医生工作量巨大的问题，本发明创造提出了一种具有审核反馈功能，可以对统计中细胞识别数据进行补偿且降低医生工作量的骨髓细胞形态学自动检测审核系统及审核方法。
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审核系统，包括图像质量审核版块、计数区间审核版块、细胞识别准确度审核版块和疾病联想审核版块；所述的图像质量审核版块用于审核扫描涂片所产生的图像是否符合要求；所述的计数区间审核版块用于审核计数区间的筛选是否存在问题；所述的细胞识别准确度审核版块用于检测细胞识别是否正确；所述的疾病联想审核版块用于对异常细胞进行描述。
作为优选，一种骨髓细胞形态学自动检测审核方法，适用于上述的一种骨髓细胞形态学自动检测审核系统，包括以下步骤：S1：获取不同倍数的完整扫描图片，并放入图像质量审核版块进行审核；S2：获取筛选出的计数区间和被排除掉的计数区间，放入计数区间审核版块并进行审核；S3：获取在识别过程中无法识别的细胞截图，放入细胞识别准确度审核版块并进行审核；S4：将可以识别但是在大小、形态、染色以及结构异常的细胞截图，放入疾病联想审核版块并进行审核；S5：获取审核系统中对异常细胞的描述结果；S6：结合审核系统中对异常细胞描述结果和疾病联想结果对联想疾病进行最终相似度计算；S7：获取每个审核版块的评分，建立评分结果可信度参考体系。
作为优选，所述的S2中将筛选出的计数区间和被排除掉的计数区间在同一张图中显示并标注。
作为优选，所述的评分包括设备评分和制作评分；将每个版块中的设备评分或制作评分相加获得最终的设备评分或制作评分；所述的设备评分可以用于反映最终结果的可信度；所述的制作评分可以反映该样本的代表性。
作为优选，所述的图像质量审核版块的审核项目有，图片是否清晰可识别、图片中是否有指纹或气泡和图片中是否有杂质；其中图像是否清晰可识别的审核项目为设备评分项；其中图片中是否有指纹或气泡、图片中是否有杂质为制作评分项。
作为优选，所述的S2中的计数区间审核的方法包括以下步骤：A1：由审核员对计数区间进行重新标注；A2：获取审核员的标注结果并与筛选出的计数区间作比较，得出两者的面积差；A3：将面积差与整体图片的面积做比，得出自动筛选与人工筛选之间的误差，获得设备评分项；A4：按照误差值大小进行评分，误差越小评分越高；A5：将审核标注结果中的计数区间和被排除掉的计数区间的面积作比，得出去留比，获得制作评分项；A6：按照去留比所述的范围进行评分。
作为优选，所述的S3中包括以下步骤；B1：获取审核员对无法识别的细胞的识别和归类结果；B2：由审核员识别的细胞视为学习样本，进行加深学习，并将审核员识别的细胞按照细胞来源的取样区域进行计数，并补偿到相应的计数区域；B3：将无法识别的细胞总数与计数区域个数对比值，计算出在每个计数区域中无法识别的细胞个数的平均值；B4：将无法识别的细胞个数的平均值分别与每个计数区域的总统计数作比，获得无法识别的细胞在每个计数区域的占比；B5：将每个计数区域的无法识别细胞的占比求平均值，根据占比平均值的大小进行评分，获得设备评分。
作为优选，所述的S5包括以下步骤：C1：获取由审核员按照一定格式书写的异常细胞的特征描述；C2：将异常细胞按照种类放置，并统计每个种类中异常细胞的每个特征的出现次数，并按照次数排序；C3：计算每个特征出现的次数占总特征数的比例；C4：查找数据库获取每个特征所对应的现有疾病，如果一个疾病中出现有多个特征，则将多个特征的比例相加，作为异常细胞与该现有疾病的指向度。
作为优选，所述的S6中最终计算为将种类对应的疾病的异常细胞与现有疾病的指向度与疾病联想结果的相似度进行相加，其最终表示为疾病联想的相似度加异常细胞与现有疾病的指向度，并按照指向度和相似度之和进行最终排序。
作为优选，所述的S7包括以下步骤：D1：将每个版块中的设备评分相加，获得可信度评分；D2：将每个版块中的制作评分相加，获得参考性评分；D3：将参考性评分以及详细得分项和失分项反馈给涂片制作员和样本取样员；D4：将可信度评分以及详细得分项和失分项反馈给骨髓细胞自动检测管理员。D5：将可信度评分和参考性评分打印到最终的检测报考上，提醒医生对于本份报告中的数据的参考性和可信性，如果参考性或可信度过低，建议重新进行取样检测。
本发明创造的有益效果：该审核系统通过人工审核后可以将不能识别的细胞的数据反馈到总体数据中，使得数据更加准确，极大的减小了误差，提升了数据的参考性。同时利用人工审核的结果对无法识别的细胞进行加深学习，使得自动检测能力具有成长性。审核系统结合对异常细胞描述的结果与补偿后的计数结果可以展开疾病联想，实现了对数据的筛选以及利用，大大的减少了医生诊断所需的时间，提升了医生的诊断效率和准确度。
附图说明
图1：审核方法流程示意图
图2：计数区间的审核评分流程
图3：无法识别细胞的审核评分流程
图4：异常细胞特征描述流程
具体实施方式
一种骨髓细胞形态学自动检测审核系统，包括图像质量审核版块、计数区间审核版块、细胞识别准确度审核版块和疾病联想审核版块。
图像质量审核版块用于审核扫描涂片所产生的图像是否符合要求。计数区间审核版块用于审核计数区间的筛选是否存在问题。细胞识别准确度审核版块用于检测细胞识别是否正确。疾病联想审核版块用于对异常细胞进行描述。
一种骨髓细胞形态学自动检测审核方法，适用于上述的一种骨髓细胞形态学自动检测审核系统，包括以下步骤：S1：获取不同倍数的完整扫描图片，并放入图像质量审核版块进行审核。S2：获取筛选出的计数区间和被排除掉的计数区间，放入计数区间审核版块并进行审核。S3：获取在识别过程中无法识别的细胞截图，放入细胞识别准确度审核版块并进行审核。S4：将可以识别但是在大小、形态、染色以及结构异常的细胞截图，放入疾病联想审核版块并进行审核。S5：获取审核系统中对异常细胞的描述结果。S6：结合审核系统中对异常细胞描述结果和疾病联想结果对联想疾病进行最终相似度计算。S7：获取每个审核版块的评分，建立评分结果可信度参考体系。
S2中将筛选出的计数区间和被排除掉的计数区间在同一张图中显示并标注。
评分包括设备评分和制作评分。将每个版块中的设备评分或制作评分相加获得最终的设备评分或制作评分。设备评分可以用于反映最终结果的可信度。制作评分可以反映该样本的代表性。
图像质量审核版块的审核项目有图片是否清晰可识别、图片中是否有指纹或气泡和图片中是否有杂质。其中图像是否清晰可识别的审核项目为设备评分项。其中图片中是否有指纹或气泡、图片中是否有杂质为制作评分项。图像质量审核版块每个评分项都对应了一分，当出现某一项问题，则扣除一分。
S2中的计数区间审核的方法包括以下步骤：A1：由审核员对计数区间进行重新标注。A2：获取审核员的标注结果并与筛选出的计数区间作比较，得出两者的面积差。A3：将面积差与整体图片的面积做比，得出自动筛选与人工筛选之间的误差，获得设备评分项。A4：按照误差值大小进行评分，误差越小评分越高。A5：将审核标注结果中的计数区间和被排除掉的计数区间的面积作比，得出去留比，获得制作评分项。A6：按照去留比范围进行评分。
计数区间审核版块的设备评分根据误差值分为4个等级，即当误差小于1％不扣分，当误差在1％到3％之间，扣除2分，当误差在3-10之间，扣除5分。当误差大于10％的扣除20分。在计数区间审核版块的制作评分根据去留比分为4个等级，当去留比在1.4-1.6之间，不扣分，当去留比在1.6-2.3或1.4-1.2之间，扣除5分，当去留比在2.3-4或者1.2-1之间，扣除10分，当去留比大于4或小于1，则扣除2分。计数区间审核版块的设备分和制作分的总分都设定为30分。
S3中包括以下步骤。B1：获取审核员对无法识别的细胞的识别和归类结果。B2：将由审核员识别的细胞视为学习样本，进行加深学习，并将审核员识别的细胞按照细胞来源的取样区域进行计数，并补偿到相应的计数区域。B3：将无法识别的细胞总数与计数区域个数对比值，计算出在每个计数区域中无法识别的细胞个数的平均值。B4：将无法识别的细胞个数的平均值分别与每个计数区域的总统计数作比，获得无法识别的细胞在每个计数区域的占比。B5：将每个计数区域的无法识别细胞的占比求平均值，根据占比平均值的大小进行评分，获得设备评分。
在细胞识别准确度审核版块中根据占比平均值分为4个等级，当占比平均值小于3％，则不扣分，当平均占比值大于3％小于6％，扣除5分，当平均占比值大于6％小于10，扣除10分。当平均占比值大于10％，扣除20分。而在图像质量审核版块的制作分总分设定为5分，设备分设定为2分。细胞识别准确度审核版块的设备分总分设定为30分。
审核系统建立的评分体系可以让涂片制作者以及自动检测管理员认知到自己以及自动检测系统存在的问题以及改进方向。
S5包括以下步骤：C1：获取由审核员按照一定格式书写的异常细胞的特征描述。C2：将异常细胞按照种类放置，并统计每个种类中异常细胞的每个特征的出现次数，并按照次数排序。C3：计算每个特征出现的次数占总特征数的比例。C4：查找数据库获取每个特征所对应的现有疾病，如果一个疾病中出现有多个特征，则将多个特征的比例相加，作为异常细胞与该现有疾病的指向度。
S6中最终计算为将种类对应的疾病的异常细胞与现有疾病的指向度与疾病联想结果的相似度进行相加，其最终表示为疾病联想的相似度加异常细胞与现有疾病的指向度，并按照指向度和相似度之和进行最终排序。
S7包括以下步骤：D1：将每个版块中的设备评分相加，获得可信度评分。D2：将每个版块中的制作评分相加，获得参考性评分。D3：将参考性评分以及详细得分项和失分项反馈给涂片制作员和样本取样员。D4：将可信度评分以及详细得分项和失分项反馈给骨髓细胞自动检测管理员。D5：将可信度评分和参考性评分打印到最终的检测报考上，提醒医生对于本份报告中的数据的参考性和可信性，如果参考性或可信度过低，建议重新进行取样检测。
该审核系统通过人工审核后可以将不能识别的细胞的数据反馈到总体数据中，使得数据更加准确，极大的减小了误差，提升了数据的参考性。同时利用人工审核的结果对无法识别的细胞进行加深学习，使得自动检测能力具有成长性。
审核系统结合对异常细胞描述的结果与补偿后的计数结果可以展开疾病联想，实现了对数据的筛选以及利用，大大的减少了医生诊断所需的时间，提升了医生的诊断效率和准确度。
其中参考性指标和可信度指标可以告知医生检测报告的准确性，让医生在诊断病情时根据报告的参考性指标和可信度指标进行更加精准的判断，避免发生被报告误导的情况
上述S2中的计数区间筛选的方法包括以下步骤：D1：选取中倍图像，复制图片并命名为Q1。D2：对复制的图片进行去色处理，形成图片Q2。D3：将图片Q2转化为色彩数据，并进行RGB计算，并根据平均RGB值选定具有代表性的计数区间，形成计数区间图片Q3。D4：获取每个点位的RGB数值和XY坐标数值。D5：色彩数据中的点根据RGB数值的范围进行筛选并建立白色数据组和黑色数据组。D6：将白色数据组或黑色数据组中XY坐标连续的点位进行连线，并形成图像L1。D7：设置单位面积的方框，将图像L1进行方形切割。D8：将L1中无法完全容纳一个单位面积方框的图像部分移除，并形成图形组K，依次命名为K1、K2、K3…KN。D9：将上述图形组K中的每个图形的中心点的XY值对应到图片Q2中。D10：在Q2中以图形组K中的对应的中心点KM为中心建立初代筛选框。D11：计算初代筛选框内的平均RGB值，如果平均RGB值小于特定值d1，或大于设定值d2，跳转D12，如平均RGB值大于d1并小于d2，跳转D14。D12：将该筛选框所在的区域标注为0。D13：以被标注为0的区域的四边向非标注1的区域建立与被标注为0的区域大小相同且与被编著为0的区域重叠50％区域的初代筛选框，并跳转D8。D14：将该筛选框所在的区域标注为1，判断该中心点KM所在区域KN的被标注为1的区域是否可以构成封闭图形，如果可以，跳转D15，如果不可以，跳转D13。D15：计算被标注为1的区域所包围的区域图形M的面积，如果小于等于初代筛选框的面积则对该区域图形M进行保留，如果M的面积大于初代筛选框的面积则将该区域图形M删除，其剩余的部分便形成了被筛选过的计数区间图片Q3。D16：将Q3等比放大后投影到高倍图像中。
上述S23中在识别过程中的细胞识别和计数方法包括以下步骤：E1：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。E2：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计数。E3：判断每个区域的计数结果是否具有的参考性，如果有，跳转E5。如果没有，跳转E4。E4：舍弃不具有参考性的区域的数据，并重新选择区域进行计数，跳转E3。E5：计算每个具有参考性区域内的各类细胞的之间的比例。E6：将各个区域中的计算数据进行差值分析并计算出最终的数值。
其中E2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。正计数区域的大小为200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10个细胞平均直径距离。在对正计数区域内的细胞计数时，如果发现落入整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，将两个面积作对比，如果在拓展计数区域内的面积大，则不计数，反之则计数。
其中对于E3中每个区域的计算结果是否具有参考性的判断方法为，统计每个计数区域内的总计数细胞量，如果计数量在100-180个之内，数据保留，反之则删除不符合的计数，并重新选取计数位置。
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。
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审核系统，其特征在于，包括图像质量审核版块、计数区间审核版块、细胞识别准确度审核版块和疾病联想审核版块；所述的图像质量审核版块用于审核扫描涂片所产生的图像是否符合要求；所述的计数区间审核版块用于审核计数区间的筛选是否存在问题；所述的细胞识别准确度审核版块用于检测细胞识别是否正确；所述的疾病联想审核版块用于对异常细胞进行描述；
其中，所述计数区间审核版块还用于：由审核员对计数区间进行重新标注；获取审核员的标注结果并与筛选出的计数区间作比较，得出两者的面积差；将面积差与整体图片的面积做比，得出自动筛选与人工筛选之间的误差，获得设备评分项；按照误差值大小进行评分，误差越小评分越高；将审核标注结果中的计数区间和被排除掉的计数区间的面积作比，得出去留比，获得制作评分项；按照去留比的范围进行评分；
所述细胞识别准确度审核版块还用于：获取审核员对无法识别的细胞的识别和归类结果；将由审核员识别的细胞视为学习样本，进行加深学习，并将审核员识别的细胞按照细胞来源的取样区域进行计数，并补偿到相应的计数区域；将无法识别的细胞总数与计数区域个数对比值，计算出在每个计数区域中无法识别的细胞个数的平均值；将无法识别的细胞个数的平均值分别与每个计数区域的总统计数作比，获得无法识别的细胞在每个计数区域的占比；将每个计数区域的无法识别细胞的占比求平均值，根据占比平均值的大小进行评分，获得设备评分；
所述疾病联想审核版块还用于：获取由审核员按照一定格式书写的异常细胞的特征描述；将异常细胞按照种类放置，并统计每个种类中异常细胞的每个特征的出现次数，并按照次数排序；计算每个特征出现的次数占总特征数的比例；查找数据库获取每个特征所对应的现有疾病，如果一个疾病中出现有多个特征，则将多个特征的比例相加，作为异常细胞与该现有疾病的指向度；将种类对应的疾病的异常细胞与现有疾病的指向度与疾病联想结果的相似度进行相加，以表示为疾病联想的相似度加异常细胞与现有疾病的指向度，并按照指向度和相似度之和进行排序。
2.一种骨髓细胞形态学自动检测审核方法，适用于如权利要求1所述的一种骨髓细胞形态学自动检测审核系统，其特征在于，包括以下步骤：
S1：获取不同倍数的完整扫描图片，并放入图像质量审核版块进行审核；
S2：获取筛选出的计数区间和被排除掉的计数区间，放入计数区间审核版块并进行审核；
S3：获取在识别过程中无法识别的细胞截图，放入细胞识别准确度审核版块并进行审核；
S4：将可以识别但是在大小、形态、染色以及结构异常的细胞截图，放入疾病联想审核版块并进行审核；
S5：获取审核系统中对异常细胞的描述结果；
S6：结合审核系统中对异常细胞描述结果和疾病联想结果对联想疾病进行最终相似度计算；
S7：获取每个审核版块的评分，建立评分结果可信度参考体系。
3.根据权利要求2所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的S2中将筛选出的计数区间和被排除掉的计数区间在同一张图中显示并标注。
4.根据权利要求2所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的评分包括设备评分和制作评分；将每个版块中的设备评分或制作评分相加获得最终的设备评分或制作评分；所述的设备评分可以用于反映最终结果的可信度；所述的制作评分可以反映细胞样本的代表性。
5.根据权利要求4所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的图像质量审核版块的审核项目有，图片是否清晰可识别、图片中是否有指纹或气泡和图片中是否有杂质；其中图像是否清晰可识别的审核项目为设备评分项；其中图片中是否有指纹或气泡、图片中是否有杂质为制作评分项。
6.根据权利要求4所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的S2中的计数区间审核的方法包括以下步骤：
A1：由审核员对计数区间进行重新标注；
A2：获取审核员的标注结果并与筛选出的计数区间作比较，得出两者的面积差；
A3：将面积差与整体图片的面积做比，得出自动筛选与人工筛选之间的误差，获得设备评分项；
A4：按照误差值大小进行评分，误差越小评分越高；
A5：将审核标注结果中的计数区间和被排除掉的计数区间的面积作比，得出去留比，获得制作评分项；
A6：按照去留比的范围进行评分。
7.根据权利要求4所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的S3中包括以下步骤；
B1：获取审核员对无法识别的细胞的识别和归类结果；
B2：将由审核员识别的细胞视为学习样本，进行加深学习，并将审核员识别的细胞按照细胞来源的取样区域进行计数，并补偿到相应的计数区域；
B3：将无法识别的细胞总数与计数区域个数对比值，计算出在每个计数区域中无法识别的细胞个数的平均值；
B4：将无法识别的细胞个数的平均值分别与每个计数区域的总统计数作比，获得无法识别的细胞在每个计数区域的占比；
B5：将每个计数区域的无法识别细胞的占比求平均值，根据占比平均值的大小进行评分，获得设备评分。
8.根据权利要求2所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的S5包括以下步骤：
C1：获取由审核员按照一定格式书写的异常细胞的特征描述；
C2：将异常细胞按照种类放置，并统计每个种类中异常细胞的每个特征的出现次数，并按照次数排序；
C3：计算每个特征出现的次数占总特征数的比例；
C4：查找数据库获取每个特征所对应的现有疾病，如果一个疾病中出现有多个特征，则将多个特征的比例相加，作为异常细胞与该现有疾病的指向度。
9.根据权利要求8所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的S6中最终计算为将种类对应的疾病的异常细胞与现有疾病的指向度与疾病联想结果的相似度进行相加，其最终表示为疾病联想的相似度加异常细胞与现有疾病的指向度，并按照指向度和相似度之和进行最终排序。
10.根据权利要求6或7所述的一种骨髓细胞形态学自动检测审核方法，其特征在于，所述的S7包括以下步骤：
D1：将每个版块中的设备评分相加，获得可信度评分；
D2：将每个版块中的制作评分相加，获得参考性评分；
D3：将参考性评分以及详细得分项和失分项反馈给涂片制作员和样本取样员；
D4：将可信度评分以及详细得分项和失分项反馈给骨髓细胞自动检测管理员；
D5：将可信度评分和参考性评分打印到最终的检测报考上，提醒医生对于本份报告中的数据的参考性和可信性，如果参考性或可信度过低，建议重新进行取样检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010449371.3A CN111833296B (zh) | 2020-05-25 | 2020-05-25 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010449371.3A CN111833296B (zh) | 2020-05-25 | 2020-05-25 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111833296A CN111833296A (zh) | 2020-10-27 |
| CN111833296B true CN111833296B (zh) | 2023-03-10 |
Family
ID=72914054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010449371.3A Active CN111833296B (zh) | 2020-05-25 | 2020-05-25 | 一种骨髓细胞形态学自动检测审核系统及审核方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833296B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN112951410A (zh) * | 2021-02-08 | 2021-06-11 | 青岛大学附属医院 | 超声引导下的细针穿刺病理涂片快速现场评估系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107564587A (zh) * | 2017-08-08 | 2018-01-09 | 上海金域医学检验所有限公司 | 疾病指示方法及装置 |
| CN107977684A (zh) * | 2017-12-20 | 2018-05-01 | 杭州智微信息科技有限公司 | 一种快速修正骨髓有核细胞分类的交互方法 |
| CN108846896A (zh) * | 2018-06-29 | 2018-11-20 | 南华大学 | 一种自动分子蛋白质分子体学诊断系统 |
| CN108876752A (zh) * | 2018-07-06 | 2018-11-23 | 武汉兰丁医学高科技有限公司 | 血液细胞的图像识别计数方法 |
| CN108896363A (zh) * | 2018-05-28 | 2018-11-27 | 杭州智微信息科技有限公司 | 一种骨髓涂片数字化的流程方法 |
| CN109712693A (zh) * | 2018-12-14 | 2019-05-03 | 贵州大学 | 一种智能病理诊断方法及系统 |
| CN110120252A (zh) * | 2018-11-08 | 2019-08-13 | 希森美康医用电子(上海)有限公司 | 一种临床实验室尿液常规检验自动审核系统及方法 |
| CN110245716A (zh) * | 2019-06-20 | 2019-09-17 | 杭州睿琪软件有限公司 | 样本标注审核方法及装置 |
| CN110245087A (zh) * | 2019-06-20 | 2019-09-17 | 杭州睿琪软件有限公司 | 用于样本审核的人工客户端的状态检查方法及装置 |
| CN110767307A (zh) * | 2019-09-20 | 2020-02-07 | 杭州憶盛医疗科技有限公司 | 一种细胞形态学人工智能自动诊断新方法 |
-
2020
- 2020-05-25 CN CN202010449371.3A patent/CN111833296B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107564587A (zh) * | 2017-08-08 | 2018-01-09 | 上海金域医学检验所有限公司 | 疾病指示方法及装置 |
| CN107977684A (zh) * | 2017-12-20 | 2018-05-01 | 杭州智微信息科技有限公司 | 一种快速修正骨髓有核细胞分类的交互方法 |
| CN108896363A (zh) * | 2018-05-28 | 2018-11-27 | 杭州智微信息科技有限公司 | 一种骨髓涂片数字化的流程方法 |
| CN108846896A (zh) * | 2018-06-29 | 2018-11-20 | 南华大学 | 一种自动分子蛋白质分子体学诊断系统 |
| CN108876752A (zh) * | 2018-07-06 | 2018-11-23 | 武汉兰丁医学高科技有限公司 | 血液细胞的图像识别计数方法 |
| CN110120252A (zh) * | 2018-11-08 | 2019-08-13 | 希森美康医用电子(上海)有限公司 | 一种临床实验室尿液常规检验自动审核系统及方法 |
| CN109712693A (zh) * | 2018-12-14 | 2019-05-03 | 贵州大学 | 一种智能病理诊断方法及系统 |
| CN110245716A (zh) * | 2019-06-20 | 2019-09-17 | 杭州睿琪软件有限公司 | 样本标注审核方法及装置 |
| CN110245087A (zh) * | 2019-06-20 | 2019-09-17 | 杭州睿琪软件有限公司 | 用于样本审核的人工客户端的状态检查方法及装置 |
| CN110767307A (zh) * | 2019-09-20 | 2020-02-07 | 杭州憶盛医疗科技有限公司 | 一种细胞形态学人工智能自动诊断新方法 |
Non-Patent Citations (6)
| Title |
|---|
| Integral therapeutic potential of bone marrow mesenchymal stem cells;Kan I等;《Current Drug Targets》;20051231;第6卷(第1期);第31-41页 * |
| Sysmex XN-9000血液分析流水线复检规则的建立与评价;王亚等;《现代医药卫生》;20200331;第36卷(第6期);第840-843页 * |
| 了不起！AI智能影像诊断系统 成为诊断血液疾病的得力助手;重庆晚报;《腾讯·大渝网：https://cq.qq.com/a/20180809/004966.htm》;20180809;第1-3页 * |
| 骨髓细胞形态学及骨髓活检在纯红细胞系再生障碍性贫血并淋巴瘤患者诊断中的作用;刘思恒等;《第四届全国血液肿瘤学术大会暨第七届全国淋巴肿瘤诊治进展研讨会论文汇编》;20141231;第219页页 * |
| 骨髓细胞形态学检查中的全面质量管理;胡青等;《实用医技杂志》;20071231;第14卷(第9期);第1161-1163页 * |
| 骨髓细胞形态学诊断检查质量及控制方法研究与分析;李占平等;《中国实用医药》;20161231;第11卷(第17期);第265-266页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111833296A (zh) | 2020-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111833296B (zh) | 一种骨髓细胞形态学自动检测审核系统及审核方法 | |
| CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
| US5235522A (en) | Method and apparatus for automated analysis of biological specimens | |
| CN111325103B (zh) | 一种细胞标注系统和方法 | |
| CN103020639A (zh) | 一种白细胞自动识别计数方法 | |
| EP2946190A1 (en) | Cell-based tissue analysis | |
| CN107463800A (zh) | 一种肠道微生物信息分析方法及系统 | |
| KR102489789B1 (ko) | 골수 도판의 디지털화 플로우 방법 | |
| 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 | |
| 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 | |
| CN112001315A (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 | |
| CN112884724A (zh) | 一种用于肺癌组织病理分型的智能判断方法及系统 | |
| CN111795967B (zh) | 一种骨髓细胞形态学自动检测系统的涂片自检方法 | |
| CN102297833A (zh) | 一种测定人体血液或骨髓中各类细胞含量的方法 | |
| CN113378831B (zh) | 一种小鼠胚胎器官识别与评分方法与系统 | |
| CN111795919B (zh) | 一种骨髓细胞形态学自动检测系统及其工作方法 | |
| 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 | |
| CN112767349A (zh) | 一种网织红细胞识别方法和系统 | |
| CN111310792B (zh) | 一种基于决策树的药敏实验结果识别方法与系统 | |
| Khongjaroensakun et al. | Retracted: White blood cell differentials performance of a new automated digital cell morphology analyzer: Mindray MC‐80 | |
| Priyankara et al. | An extensible computer vision application for blood cell recognition and analysis | |
| CN111833297B (zh) | 一种骨髓细胞形态学自动检测系统的疾病联想方法 | |
| CN113380318B (zh) | 人工智能辅助流式细胞术40cd免疫表型检测方法及系统 | |
| CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 | |
| CN115019977A (zh) | 一种病理全流程质控系统及方法 |
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 |