CN111868523A - 用于确定病毒感染状况的数字全息显微术 - Google Patents
用于确定病毒感染状况的数字全息显微术 Download PDFInfo
- Publication number
- CN111868523A CN111868523A CN201980019098.6A CN201980019098A CN111868523A CN 111868523 A CN111868523 A CN 111868523A CN 201980019098 A CN201980019098 A CN 201980019098A CN 111868523 A CN111868523 A CN 111868523A
- Authority
- CN
- China
- Prior art keywords
- feature
- cell
- phase
- mcps
- viral infection
- 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.)
- Pending
Links
- 238000009647 digital holographic microscopy Methods 0.000 title claims abstract description 81
- 230000009385 viral infection Effects 0.000 title claims abstract description 52
- 208000036142 Viral infection Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 78
- 230000003287 optical effect Effects 0.000 claims description 58
- 230000001413 cellular effect Effects 0.000 claims description 37
- 241000700605 Viruses Species 0.000 claims description 18
- 208000015181 infectious disease Diseases 0.000 claims description 15
- 230000001427 coherent effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000006285 cell suspension Substances 0.000 claims description 2
- 101710121996 Hexon protein p72 Proteins 0.000 claims 11
- 101710125418 Major capsid protein Proteins 0.000 claims 11
- 210000004027 cell Anatomy 0.000 description 187
- 239000000523 sample Substances 0.000 description 88
- 239000012530 fluid Substances 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000007788 liquid Substances 0.000 description 8
- 230000003612 virological effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000004115 adherent culture Methods 0.000 description 4
- 239000006194 liquid suspension Substances 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 230000010363 phase shift Effects 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002458 infectious effect Effects 0.000 description 3
- 238000003032 molecular docking Methods 0.000 description 3
- 102000039446 nucleic acids Human genes 0.000 description 3
- 108020004707 nucleic acids Proteins 0.000 description 3
- 150000007523 nucleic acids Chemical class 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 241000701447 unidentified baculovirus Species 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000714260 Human T-lymphotropic virus 1 Species 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000890 antigenic effect Effects 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003833 cell viability Effects 0.000 description 2
- 230000009089 cytolysis Effects 0.000 description 2
- 210000000805 cytoplasm Anatomy 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000035899 viability Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000283707 Capra Species 0.000 description 1
- 241000282693 Cercopithecidae Species 0.000 description 1
- 241000702421 Dependoparvovirus Species 0.000 description 1
- 241000283073 Equus caballus Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241000597800 Gulella radius Species 0.000 description 1
- 241000711549 Hepacivirus C Species 0.000 description 1
- 241000700721 Hepatitis B virus Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000701044 Human gammaherpesvirus 4 Species 0.000 description 1
- 241000713666 Lentivirus Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000009328 Perro Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 241000282898 Sus scrofa Species 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000001640 apoptogenic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 210000000234 capsid Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004624 confocal microscopy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 241001493065 dsRNA viruses Species 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 241000701161 unidentified adenovirus Species 0.000 description 1
- 241001529453 unidentified herpesvirus Species 0.000 description 1
- 241000712461 unidentified influenza virus Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
- G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
- G01N33/502—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics for testing non-proliferative effects
- G01N33/5026—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics for testing non-proliferative effects on cell morphology
-
- 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
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging
- G01N15/0227—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging using imaging, e.g. a projected image of suspension; using holography
-
- 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—Electro-optical investigation, e.g. flow cytometers
- G01N15/1468—Electro-optical investigation, e.g. flow cytometers with spatial resolution of the texture or inner structure of the particle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
- G01N33/5091—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing the pathological state of an organism
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/0005—Adaptation of holography to specific applications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging
- G01N2015/0233—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging using holography
-
- 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
- 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—Electro-optical investigation, e.g. flow cytometers
- G01N15/1434—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its optical arrangement
- G01N2015/1454—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its optical arrangement using phase shift or interference, e.g. for improving contrast
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/005—Assays involving biological materials from specific organisms or of a specific nature from viruses
- G01N2333/08—RNA viruses
- G01N2333/11—Orthomyxoviridae, e.g. influenza virus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/0005—Adaptation of holography to specific applications
- G03H2001/0033—Adaptation of holography to specific applications in hologrammetry for measuring or analysing
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/0005—Adaptation of holography to specific applications
- G03H2001/005—Adaptation of holography to specific applications in microscopy, e.g. digital holographic microscope [DHM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
一种用于提供细胞样品中至少一个细胞的病毒感染状况的方法，该方法包括接收通过数字全息显微术获得的所述细胞样品的全息信息(304)，并根据全息信息确定至少一个细胞的病毒感染状况(306)。
Description
技术领域
本发明涉及一种使用从数字全息显微术(DHM)获得的全息信息来确定细胞样品中至少一个细胞的病毒感染状况的方法。
背景技术
可以使用多种不同的技术来确定传染性病毒疾病。
噬菌斑测定技术可用于病毒定量，其中单层细胞被病毒感染，导致被感染的细胞裂解。然后，周围的细胞将被感染，最终更大面积的单层细胞将变得透明。可以计数称为噬菌斑的区域以测量病毒感染。但是，由于病毒检测只能在裂解阶段确定，因此检测速度慢。
其他方法包括使用大分子探针(例如抗体)或使用核酸扩增技术(例如PCR)分析细胞。使用PCR或抗体探针需要花费大量时间和精力，而快速鉴定病毒感染是重要的。抗体还需要鉴定细胞膜上的抗原标志物。因此根据细胞类型、呈递抗原和感染病毒可能需要不同的抗体。鉴定合适的抗原标志物的任务是耗时的过程。
需要一种快速、灵活的方法来确定细胞样品中细胞的病毒状态，该方法可以应用于一系列不同的细胞类型和感染病毒，并且无需鉴定蛋白质或核酸疾病标志物。
发明内容
本文提供了用于提供细胞样品中至少一个细胞的病毒感染状况的方法，该方法包括接收通过数字全息显微术获得的所述细胞样品的全息信息(304)，并根据所述全息信息确定，所述至少一个细胞的病毒感染状况(306)，其中感染状况(306)根据细胞参数数据(312)确定，所述细胞参数数据(312)包括源自所述全息信息的所述细胞的一个或更多个测量的细胞参数(308)，其中所述一个或更多个测量的细胞参数，MCP，(308)包含表1的MCP的子集，其中所述子集包含来自至少一个以下组的一个或更多个MCP：(a)相位结构(phasetexture)(F40至F51)、(b)折射峰(F20，F33-F37)、(c)形态(F2-F19，F70-72)
该子集可包含选自F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F47(ID相位均质性特征)、F43(ID相位平均均匀度特征)、F51(ID相位均匀度特征)的一个或更多个(组(a))MCP。
所述子集可包含选自F20(ID等效峰直径特征)、F33(ID峰面积特征)、F34(ID峰面积标准化特征)、F36(ID峰高度特征)、F37(ID峰高度标准化特征)的一个或更多个(组(b))MCP。
所述子集可包含选自F8(ID等效细胞直径特征)、F17(ID半径平均值特征)、F8(ID等效直径)、F3(ID细胞面积特征)、F18(ID半径方差特征)、F6(ID延长特征)、F4(ID圆形度特征)的一个或更多个(组(c))MCP。
所述子集可进一步包含组(d)光学高度(F24-F32，F38-F39)中的一个或更多个MCP，任选地选自F27(ID光学高度平均值特征)、F32(ID光学体积特征)、F38(ID光学高度标准偏差特征)、F39(ID以微米计的光学高度标准偏差特征)。
所述子集可包含：
F45(ID相位相关特征)和F44(ID相位对比特征)，
或者
F45(ID相位相关特征)、F44(ID相位对比特征)和F48(ID相位偏度特征)，
或者
F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)和F20(ID等效峰直径特征)，
或者
F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F20(ID等效峰直径特征)和F33(ID峰面积特征)或F34(ID峰面积标准化特征)。
本文提供了用于提供细胞样品中至少一个细胞的病毒感染状况的方法，该方法包括接收通过数字全息显微术获得的所述细胞样品的全息信息(304)，并根据所述全息信息确定，所述至少一个细胞的病毒感染状况(306)。
可以根据细胞参数数据(312)确定感染状况(306)，所述细胞参数数据(312)包括源自所述全息信息的所述细胞的一个或更多个测量的细胞参数(308)。
所述一个或更多个测量的细胞参数(308)可以包含表1的一个或更多个参数。
所述细胞参数数据(312)可进一步包含根据所述至少一个细胞的一个或更多个测量的细胞参数确定的一个或更多个导出参数，包括：
-细胞的测量的细胞参数与同一细胞的另一个不同的测量的细胞参数的至少一个比率，
-所述细胞样品中两个或更多个细胞之间测量的细胞参数的差异的指示。
所述确定可以包括使用预测模型，该预测模型使用已知病毒感染状况和测量的细胞参数的细胞的训练集来训练。
所述预测模型可以使用机器学习方法，例如神经网络方法、随机森林树或深度学习方法。
所述样品可以是静态的或流动的细胞悬液，或者是贴壁细胞培养物。
所述至少一个细胞的病毒感染状况包括以下一种或更多种：病毒感染存在或不存在的指示、感染的可能性、感染的程度、感染的阶段、病毒的数量。
所述方法可进一步包括输出包含所述至少一个细胞的病毒感染状况的报告。
所述方法可以在远程处理中心执行。
本文还提供了系统，所述系统包含：
-配置为执行本文描述的所述方法的计算装置，以及
-数字全息显微镜，DHM。
DHM可以包含发射至少部分相干的光的光源、干涉仪和图像传感器。
本文还提供了配置为实行本文所述方法的计算装置，所述计算装置配置为：
-接收通过数字全息显微术(DHM)获得的细胞样品中至少一个细胞的全息信息，以及
-根据所述全息信息确定，所述至少一个细胞的病毒感染状况。
本文进一步提供了具有指令的计算机程序，当这些指令由计算装置或系统执行时，所述指令使所述计算装置或系统实行本文所述的方法。
本文进一步提供了其上存储有所述计算机程序的计算机可读介质。
附图说明
图1描绘连接到作为生物反应器的容器的DHM的布置，样品从该生物反应器泵送以进行分析。
图2描绘用于容器的可拆卸泵组件的布置。
图3示出了用于DHM的可拆卸导管。
图4显示了适用于获得贴壁细胞培养物的全息信息的DHM。
图5和图6是示出本发明的方法的不同方面的流程图。
图7示出机器学习规程的流程图。
图8是显示生物反应器中第1批细胞的病毒载量、TCD、VCD和细胞成活力的图。
图9是显示生物反应器中第2批细胞的病毒载量、TCD、VCD和细胞成活力的图。
具体实施方式
在描述本发明的方法、系统、装置和产品之前，应当理解，本发明不限于所描述的特定方法、系统、装置和产品或组合，因为这样的方法、系统、装置和产品以及组合当然可能会变化。还应理解，本文中使用的术语无意于限制，因为本发明的范围将仅由所附权利要求书限制。
如本文所使用的，单数形式的“一个”、“一种”和“所述”包括单数和复数指代物，除非上下文另外明确指出。
本文所使用的术语“包含(comprising)”，“包含(comprised)”和“包含(comprisedof)”与“包括(including)”，“包括(includes)”或“含有(containing)”，“含有(contains)”同义，并且是包括性的或开放式的，并且不排除额外的未引用的成员、元件或方法步骤。将理解的是，本文所使用的术语“包含(comprising)”，“包含(comprised)”和“包含(comprised of)”包括术语“由…组成(consisting of)”、“由…组成(consists)”和“由…组成(consists of)”。
通过端点对数值范围的记载包括纳入各个范围内的所有数字和分数，以及所记载的端点。
当涉及诸如参数、量、持续时间等的可测量值时，本文所使用的术语“约”或“近似”旨在涵盖指定值的或与指定值相差+/-10％或以下，优选+/-5％或以下，更优选为+/-1％或以下，还更优选为+/-0.1％或以下的变化，在这个范围内这种变化适合于在所公开的发明中实行。应当理解，修饰语“约”或“近似”所指的值本身也被具体地并且优选地公开。
尽管术语“一个或更多个”或“至少一个”，例如一组成员中的一个或更多个或至少一个成员本身是清楚的，但通过进一步举例说明，该术语尤其包括对任何一个所述成员，或任何两个或更多个所述成员的引用，诸如，例如任何≥3、≥4、≥5、≥6或≥7等的所述成员，直至全部成员。
本说明书中引用的所有参考文献均通过引用以其全文并入本文。特别地，本文具体参考的所有参考文献的教导通过引用并入。
除非另有定义，否则用于公开本发明的所有术语，包括技术和科学术语，均具有本发明所属领域的普通技术人员通常所理解的含义。通过进一步的指导，包括术语定义以更好地理解本发明的教导。
在以下段落中，将更详细地定义本发明的不同方面。如此定义的每个方面都可以与任何其他一个或更多个方面组合，除非明确地相反地指出。特别地，指示为优选或有利的任何特征可以与指示为优选或有利的任何其他一个或更多个特征组合。
在整个说明书中，对“一个实施方案”或“实施方案”的引用意指结合该实施方案描述的特定特征、结构或特性包括在本发明的至少一个实施方案中。因此，短语“在一个实施方案中”或“在实施方案中”在整个说明书中各处的出现不一定都指的是同一实施方案，但可以是同一实施方案。此外，在一个或更多个实施方案中，特定特征、结构或特性可以以任何合适的方式组合，如对于本领域技术人员而言，根据本公开将是显而易见的。此外，尽管本文描述的一些实施方案包括其他实施方案中包括的一些特征但非其他特征，但是不同实施方案的特征的组合落入本发明的范围内，并且形成不同的实施方案，如本领域技术人员将理解的那样。例如，在所附权利要求中，任何要求保护的实施方案可以以任意组合使用。
在本说明书中，参考形成其一部分的附图，并且在附图中通过图示仅示出了可以实践本发明的特定实施方案。附于各个元件上的带括号或加粗的参照数字仅举例说明该元件，并不旨在限制各个元件。应当理解，在不脱离本发明的范围的情况下，可以利用其他实施方案，并且可以进行结构或逻辑上的改变。因此，以下详细描述不应被视为限制性的，并且本发明的范围由所附权利要求书限定。
本文提供用于提供关于细胞样品中至少一个细胞的病毒感染状况的信息的方法，该方法包括从细胞样品接收通过数字全息显微术(DHM)获得的全息信息，并根据全息信息确定细胞样品中至少一个细胞的病毒感染状况。
全息信息可用于确定包含样品中每个细胞的一个或更多个测量的细胞参数的细胞参数数据，从中可以确定样品中每个细胞或多个细胞的病毒感染状况。
病毒状态可以“实时”提供。“实时”是指状况被定期更新(例如1-5次/min)以反映在温育样品中的细胞时病毒载量的变化。样品可以是流动的悬浮液。样品可以是从生物反应器泵送并返回生物反应器泵的流动的悬浮液。
细胞样品包含一个或多个细胞。一个或多个细胞可以源自生物体，生物体包括来自所述生物体的细胞。生物体可以是任何例如动物、昆虫、酵母或细菌。一个或多个细胞可以源自动物，优选源自哺乳动物，例如源自猫、狗、猪、马、牛、绵羊、山羊、兔子、大鼠、小鼠、猴子。一个或多个细胞可以源自人类。细胞样品中的一个或多个细胞可以标记也可以不标记；如在其他地方提到的那样，对于全息确定病毒状况而言，标记不是必要的。
细胞样品可包含液体悬浮液，该液体悬浮液含有液体中悬浮状态的一个或多个细胞。应当理解，细胞在其中悬浮的液体可能取决于细胞样品(例如体液、血液、排泄物、生物反应器……)的性质。
可以将细胞样品作为相对于DHM图像传感器静态(非流动)的液体悬浮液提供。可以将细胞样品作为与DHM图像传感器相关联的液体悬浮液的流提供，所述流例如从容器中泵出并任选地返回容器。获取流的全息信息可以实现病毒感染状况的无标记的和实时测量。对于监测样品流来说，其他病毒检测技术可能不够快或不够准确；依赖大分子探针的技术消耗大量探针，并且标记的细胞无法返回到容器中。本文所使用的术语容器是指能够容纳和/或引导其中存在要分析的目的细胞的液体的容器或管道系统。这样，术语容器包括反应器、温育箱、容器、生物反应器、发酵反应器、供水管或管道、水管道系统、水净化反应器、酿造反应器、微反应器等。
细胞样品必须足够透明，以允许DHM光源发出的光通过。为了不显著影响DHM所依赖的干涉过程，应充分减少光散射。应该理解的是，细胞密度应使得细胞不会广泛地重叠，例如光线穿过观察的体积，并且图像传感器上的入射光子是该体积中所有细胞的整合(integration)所致。
与流动样品结合的DHM的示例性元件在例如图1至3中示出。图1示出了一种系统，其包含DHM(100)、反应器(50)、DHM可拆卸导管(也称为筒)(150)，其通过管组件(160)连接到可拆卸泵组件(120)。DHM(100)可以与一个对接元件(102)一起提供，该对接元件被配置为接收可拆卸导管(150)，以使样品流通过，该对接元件(102)被配置为定位可拆卸导管的透明部分(152，图3)，该透明部分与用于获取全息信息的DHM图像传感器和/或DHM光源有关。透明部分(152)被配置为使由DHM光源发射的光通过。可拆卸导管(DC)(150)具有用于液体悬浮液流入的DC入口(154)和用于其流出的DC出口(156)。
使用包含至少一个具有近端(10)和远端(20)的管(160)的管组件(160)将可拆卸导管(150)流体连接或可连接至容器(50)。术语“远”或“远端”和“近”或“近端”应理解为是指朝向(近端)或远离(远端)DHM。因此，“近”或“近端”是指朝向DHM并且因此远离例如容器。相反，“远”或“远端”是指远离DHM并远离例如容器。管组件(160)的近端可以连接到可拆卸导管(150)。管组件(160)的远端可以连接到可拆卸泵组件(120)，该可拆卸泵组件被配置为通过管组件(160)从容器(50)并朝向可拆卸导管(150)抽吸和泵送流体。
可拆卸泵组件(120)(图2)可包含流体传导部分(122)，该流体传导部分是一个或更多个导管的布置，该导管具有连接或可连接至管组件(160)的流出管的远端(20)的样品出口(124)，以及与容器(50)内容物接触或可接触的样品入口(126)。样品入口(126)通常设置在包含在流体传导部分(122)中的突出元件(128)的端部上，该突出元件(128)将样品入口(126)与样品出口(124)分开和连接它们。可以根据容器(50)的尺寸和其中的液体的高度来确定突出元件(128)的长度。流体传导部分(122)还设置有流动引导机构(130)，当该流动引导机构被致动时，例如通过施加扭矩，该流动引导机构引导液体从样品入口(126)流向样品出口(124)的流动。可以根据样品类型和压力需求来确定流动引导机构(130)；本领域技术人员可以从各种机构中选择，例如在容积泵(positive displacement pump)或速度泵中发现的那些机构。流体传导部分(122)可包含联接器(132)，该联接器(132)附接到可拆卸致动器(140)上，以将力(例如，扭矩)提供到流动引导机构。可拆卸致动器(140)可包含电动机。来自容器(50)的样品在诱导的流动作用下从样品入口(126)流到样品出口(124)，流经与可拆卸导管(150)的DC入口(154)连接的管组件(160)的流出管。
流体传导部分(122)可进一步包含样品返回入口(134)，该样品返回入口连接或可连接至管组件(160)的回流管的远端(20)，并且与带有样品返回出口(136)的流体传导部分(122)流体连接。样品返回出口(136)通常可以在与样品入口(126)不同的位置处设置在前述突出元件(128)上。从可拆卸导管(150)返回的样品(从DC出口(156)通过管组件(160)的回流管流入流体传导部分的样品回流入口(134)，通过样品回流出口(136)并进入容器(50)。流体传导部分(122)可以是一次性的。流体传导部分(122)优选地由刚性材料形成。WO2014/044823和US 2017/0205222中描述了适用于容器和DHM的可拆卸导管、可拆卸泵组件流动系统以及管的实例。
DHM可拆卸导管(也称为筒)(150)，可拆卸泵组件(120)和管组件(160)可以作为无菌的一次性套件提供，优选地没有可拆卸致动器(140)。
样品可包含支撑基板上的细胞，该基板被并入玻璃或塑料容器或显微镜载玻片中。合适的容器包括多板孔，T型瓶。确定支撑基板，使得DHM的前焦平面自动落入细胞样品内，而无需为每个样品重新聚焦DHM。DHM可以与样品保持器一起提供，该样品保持器被配置为以必需的形式(例如，作为显微镜载玻片或容器)接收支撑基板。样品保持器可以是可移动的(例如，可移位和/或可旋转的)以允许获取支撑基板的不同区域。在图4中，描绘了示例性的DHM(100)，其包含固定的样品架(该样品架是放置容器的平台(104))以及用于例如从样品到图像传感器的光或光源发射的光通过的窗口(106)。
支撑基板用于贴壁细胞培养，其中细胞在合适的培养基中培养，并通常以单层的形式粘附并分散在支撑基板上。贴壁细胞培养用于繁殖某些依赖于锚定的动物(例如哺乳动物)细胞。细胞样品必须足够透明，以允许DHM光源发射的光通过。为了不显著影响DHM所依赖的干涉过程，应充分减少光散射。应该理解的是，细胞密度应使得细胞不会广泛地重叠，例如光线穿过观察体积，并且图像传感器上的入射光子是该体积中所有细胞的整合所致。
本方法适用于检测不同的病毒感染。病毒可以是DNA病毒或RNA病毒。病毒可以是例如但不限于爱泼斯坦-巴尔病毒、流感病毒、乙型肝炎病毒、疱疹病毒、1型人嗜T淋巴细胞病毒(Human T lymphotrophic virus type1)(HTLV-I)、丙型肝炎病毒、腺病毒、腺相关病毒(AAV)、慢病毒或杆状病毒。
全息信息是指可以通过数字全息显微镜(DHM)从细胞样品中获得的信息，通常是相位和振幅信息。特别地，所述全息信息可包括由DHM获取的数字全息图，源于数字全息图的强度图像，源于数字全息图的定量相位对比图像，或这些的组合。可以通过全息图重建从数字全息图获得强度图像和定量相位对比图像。
然后对图像(通常是定量相位对比图像)进行分割，以便从背景描绘单个细胞，从而从全息图像生成多个分割图像。分割的过程在本领域中是已知的，例如，通过分水岭处理(watershed treatment)，基于聚类的图像阈值和使用神经网络得知。存在各种用于分水岭处理的算法，包括Meyer泛洪算法(Meyer′s flooding algorithm)和最佳生产森林算法(optimal spanning forest algorithm)(分水岭切割)。基于聚类的图像阈值可以采用Otsu的方法。全息信息可包括分割的图像。然后针对图像分割中的单个细胞确定测量的细胞参数。
细胞参数数据包含：
-细胞的一个或更多个测量的细胞参数(MCP)(请参见下表1)，和/或
-根据一个或更多个测量的细胞参数确定的一个或更多个导出参数，例如同一细胞的两个或更多个MCP的转化，或两个或更多个不同细胞的相同MCP的一个或更多个的转化。
导出参数可包括：
-细胞的测量的细胞参数与同一细胞的另一个(不同)测量的细胞参数的至少一个比率。比率可以是表1的(F1)至(73)中的任何一个与(F1)至(F73)中的任何其他一个的比率。比率可以是(F67)-(F73)中的任何一个与(F67)-(F73)中的任何其他一个的比率，(F68)与(F69)的比率，(F68)与(F67)的比率，(F68)至(F73)中的任何一个与(F67)的比率。
-细胞样品中两个或更多个细胞之间测量的细胞参数的差异的指示。例如，可以根据F70确定导出参数-核大小可变性，它是一个或多个视野中存在的细胞核体积的标准偏差。可以根据F71得出另一个导出参数-核体积可变性，它是所分析的所有核体积的统计分布的可变性。
从细胞参数数据，可以确定关于样品中细胞的病毒感染状况的信息。当细胞参数数据包含细胞样品中两个或更多个细胞之间测量的细胞参数的差异(例如核大小可变性，核体积可变性)的指示时，病毒感染状况考虑细胞样品中的两个或更多个细胞。
全息信息可用于确定细胞样品中单个细胞的一个或更多个测量的细胞参数(MCP)。MCP是根据全息信息测量的细胞或细胞成分的参数(例如，核大小，细胞任何内部结构的光学高度，例如但不限于细胞质光学高度，光学核高度)。表1列出了细胞MCP的实例(F1至F73)。
表1：根据全息信息确定的细胞的测量的细胞参数(MCP)。“No.”指此处用于辨别MCP的代码，“ID”指标准软件用来标记MCP的属性名称，“类别”指MCP的分类，“组”指MCP的更精细的分类，“描述”提供测量信息。
每当使用绝对数表示光学高度时，除非上下文另有说明，否则比例常数是真空中的光速。此外，除非另有明确说明，否则本文件中的光学高度参照液体介质的光学高度来表示的，在这种情况下，其与光在高度方向上穿过结构(例如细胞质，细胞核，核仁)所需时间以及光在液体介质中穿过相同距离所需时间的差异成正比。通常，可以将光学高度定义为通过将折射率乘以实际物理高度而获得的结果。
MCP通常可以是整个细胞的特性(例如，表面，圆形度)或细胞成分的特性(例如，核大小，细胞任何内部结构的光学高度，例如但不限于细胞质的光学高度，光学核高度)。当MCP是细胞成分的特性时，首先隔离该细胞成分的图像，然后在隔离的图像上确定MCP。技术人员知道如何处理全息图像以得到MCP，例如使用Rafael C.Gonzalez和Richard E.Woods的“数字图像处理”(第4版)(ISBN-13：978-0133356724)中所述的图像处理原理，并使用诸如Open CV(开源计算机视觉)之类的编程功能库。
表1中的一个或更多个或所有MCP可能用于确定病毒感染状况。表1的MCP的子集可能用于确定病毒感染状况。机器学习算法可以根据细胞类型和感染病毒来确定MCP的子集。
如表1所示，MCP可以分为不同的组，例如强度结构、形态、折射峰、强度、光学高度、折射峰、相位结构、强度结构、荧光、光学。
相位结构组(F40-F51)包含是细胞内光学密度或相移的变化的量度的MCP。穿过细胞的光的相位根据细胞内的局部密度而变化。细胞内密度较高的区域具有较大的相移。
折射峰组(F20，F33-F37)包含是由细胞折射的光的量度的MCP。特别是，由细胞折射的光会以锥形光束的形式出现；折射峰涉及该光束的几何特性。
形态组(F2-F19，F70-72)包含-是细胞的几何特性(例如半径、直径等)的量度的MCP。
光学高度组(F24-F32，F38-F39)包含是对象在入射光方向的厚度的量度的MCP。
MCP的子集可包含组(a)相位结构(F40至F51)、(b)折射峰(F20，F33-F37)、(c)形态(F2-F19，F70-72)、(d)光学高度(F24-F32，F38-F39)中至少之一的一个或更多个MCP。
MCP的子集可包含组(a)相位结构(F40至F51)、(b)折射峰(F20，F33-F37)、(c)形态(F2-F19，F70-72)中至少之一的一个或更多个MCP。
MCP的子集可包含组(a)相位结构(F40至F51)、(b)折射峰(F20，F33-F37)、(c)形态(F2-F19，F70-72)中至少之一的一个或更多个MCP，并进一步包含组(d)光学高度(F24-F32，F38-F39)中的一个或更多个MCP，任选地选自F27(ID光学高度平均值特征)、F32(ID光学体积特征)、F38(ID光学高度标准偏差特征)、F39(ID以微米计的光学高度标准偏差特征)。
MCP的子集可包含至少(a)相位结构(F40至F51)和(b)折射峰(F20，F33-F37)中的一个或更多个MCP。
MCP的子集可包含至少(a)相位结构(F40至F51)中的一个或更多个MCP。
组(a)至(d)的MCP可以如表1所示，或至少包含以下各部分中列出的MCP。
MCP的子集可包含组(a)相位结构(F40至F51)中的一个或更多个MCP。
MCP的子集可包含选自以下各项的组(a)相位结构中的一个或更多个MCP：F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F47(ID相位均质性特征)、F43(ID相位平均均匀度特征)、以及F51(ID相位均匀度特征)。
MCP的子集可包含F45(ID相位相关特征)。
MCP的子集可包含F45(ID相位相关特征)和F44(ID相位对比特征)。
MCP的子集可包含F45(ID相位相关特征)和F44(ID相位对比特征)和F48(ID相位偏度特征)。
MCP的子集可包含以下所有的MCP：F45(ID相位相关性)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F47(ID相位均质性特征)、F43(ID相位平均均匀度特征)和F51(ID相位均匀度特征)。
MCP的子集可包含组(b)折射峰(F20，F33-F37)中的一个或更多个MCP。
MCP的子集可包含选自以下各项的组(b)折射峰中的一个或更多个MCP，选自F20(ID等效峰直径特征)、F33(ID峰面积特征)、F34(ID峰面积标准化特征)、F36(ID峰高度特征)和F37(ID峰高度标准化特征)。
注意，F33(ID峰面积特征)和F34(ID峰面积标准化特征)是相关的，并且可以使用一个或另一个。注意，F36(ID峰高度特征)或F37(ID峰高度标准化特征)是相关的，并且可以使用一个或另一个。
MCP的子集可包含F20(ID等效峰直径特征)。
MCP的子集可包含以下所有的MCP：F20(ID等效峰直径特征)、F33(ID峰面积特征)或F34(ID峰面积标准化特征)、或者F36(ID峰高度特征)或者F37(ID峰高度标准化特征)。
MCP的子集可包含组(c)形态(F2-F19，F70-72)中的一个或更多个MCP。
MCP的子集可包含选自以下各项的组(c)形态中的一个或更多个MCP：F8(ID等效细胞直径特征)、F17(ID半径平均值特征)、F8(ID等效直径特征)或F3(ID细胞面积特征)、F18(ID半径方差特征)、F6(ID延长特征)和F4(ID圆形度特征)。
注意，F8(ID等效细胞直径特征)和F17(ID半径平均值特征)是相关的，并且可以使用一个或另一个。注意，F8(ID等效细胞直径特征)和F3(ID细胞面积特征)是相关的，并且可以使用一个或另一个。注意，F18(ID半径方差特征)或F6(ID延长特征)是相关的，并且可以使用一个或另一个。
MCP的子集可包含F8(ID等效细胞直径特征)或F17(ID半径平均值特征)。
MCP的子集可包含F8(ID等效细胞直径特征)或F17(ID半径平均值特征)或F3(ID细胞面积特征)。
MCP的子集可包含F8(ID等效细胞直径特征)或F17(ID半径平均值特征)或F3(ID细胞面积特征)和(F18(ID半径方差特征)或F6(ID延长特征))和F4(ID圆形度特征)。
MCP的子集可包含组(d)光学高度(F24-F32，F38-F39)中的一个或更多个MCP。
MCP的子集可包含选自以下各项的组(d)光学高度中的一个或更多个MCP：F27(ID光学高度平均值特征)、F32(ID光学体积特征)、F38(ID光学高度标准偏差特征)和F39(ID以微米计的光学高度标准偏差特征)。
注意，F27(ID光学高度平均值特征)和F32(ID光学体积特征)是相关的，并且可以使用一个或另一个。注意，F38(ID光学高度标准偏差特征)和F39(ID以微米计的光学高度标准偏差特征)是相关的，并且可以使用一个或另一个。
MCP的子集可包含F27(ID光学高度平均值特征)或F32(ID光学体积特征)。
MCP的子集可包含(F27(ID光学高度平均值特征)或F32(ID光学体积特征))和(F38(ID光学高度标准偏差特征)或F39(ID以微米计的光学高度标准偏差特征))。
MCP的子集可包含F45(ID相位相关特征)。
MCP的子集可包含F45(ID相位相关特征)和F44(ID相位对比特征)。
MCP的子集可包含2个或更多个，优选所有的F45(ID相位相关特征)、F44(ID相位对比特征)和F48(ID相位偏度特征)。
MCP的子集可包含3个或更多个，优选所有的F45(ID相位相关性特征)、F44(ID相位对比特征)、F48(相位偏度特征)和F20(ID等效峰直径特征)。
MCP的子集可包含4个或更多个，优选所有的F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F20(ID等效峰直径特征)和F33(ID峰面积特征)或F34(ID峰面积标准化特征))。
MCP的子集可包含2、3、4、5个或更多个，优选所有的F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F20(ID等效峰直径特征)、(F33(ID峰面积特征)或F34(ID峰面积标准化特征)、(F36(ID峰高度特征)或F37(ID峰高度标准化特征))、F47(ID相位均质性特征)、(F17(ID半径平均值特征)或F8(ID等效直径))、(F3(ID细胞面积特征)或F8(ID等效直径))、F43(ID相位平均均匀度特征)、(F32(ID光学体积特征)或F27(ID光学高度平均值特征))、(F18(ID半径方差特征)或F6(ID延长特征))、F4(ID圆形度特征)、F27(ID光学高度平均值特征)、(F38(ID光学高度标准偏差特征)或F39(ID以微米计的光学高度标准偏差特征))、F51(ID相位均匀度特征)。
取决于细胞类型和感染病毒，每个MCP可以具有相等的权重，或者可以将权重因子应用于一个或更多个测量的细胞参数。机器学习算法可以确定权重。
数字全息显微术(DHM)是一种允许记录样品或物体的三维信息，而无需逐层扫描样品的技术。在这点上，在采集速度的方面，DHM相对于共聚焦显微术是一项更优的技术。在DHM中，全息表象(representation)由图像传感器(如CCD或CMOS)记录。全息表象可以随后在计算机上存储或处理。
为了制作全息表象或全息图，传统上使用相干的光源来照亮样品。光源可以由激光器提供。在最基本的设置中，来自光源的光被分为两个光束，即物体光束和参考光束。物体光束通过光学系统发送到样品并与其相互作用，从而根据物体的光学特性和3D形状改变光的相位和振幅。然后使(例如通过一组反射镜和/或分束器)已被样品反射或透过样品的物体光束与参考光束发生干涉，从而产生被数字记录的干涉图像。由于当物体光束和参考光束具有相当的振幅时全息图更准确，因此可以将吸收元件引入到参考光束中，该吸收元件将参考光束的振幅减小到物体光束的水平，但不改变参考光束的相位或最多全面性地改变相位，即不取决于参考光束在哪里以及如何穿过吸收元件。记录的干涉图像包含有关相位和振幅变化的信息，这些信息取决于物体的光学特性和3D形状。
制作全息图的备选地方法是使用在线全息技术。在线DHM与更传统的DHM相似，但是不会分裂光束，至少不会通过分束器或其他外部光学元件分裂光束。在线DHM最优选用于查看颗粒密度不太高的溶液，例如细胞，在流体中。因此，至少部分相干的光的某一部分将通过样品，而不会与粒子(参考光束)相互作用，并与已经与粒子相互作用的光(物体光束)进行干涉，从而产生干涉图像，该干涉图像被数字记录并处理。在线DHM在传输模式下使用，它需要具有相对较大的相干长度的光，并且如果样品太厚或太稠密，则无法使用。
欧洲专利EP 1 631 788中公开了另一种称为差分DHM(DDHM)的另一种DHM技术。DDHM与其他技术的不同之处在于，它不使用传统意义上的参考光束和物体光束。在DDHM的优选设置中，样品被光源照射，该光源输出至少部分相干的光以用于反射或透射模式。反射或透射的样品光束可以通过物镜发送，随后由分束器分成两部分，然后在差分干涉仪(例如，迈克尔逊或马赫-曾德耳干涉仪)中沿不同的路径发送。在其中一条路径中，插入光束弯曲元件或倾斜机构，例如透明的楔形物或衍射光栅。然后使这两个光束在聚焦透镜的焦平面上彼此干涉，并且通过诸如CCD或CMOS的图像传感器以数字方式记录该焦平面中的干涉图像。干扰图像可以存储在数字存储介质上。因此，由于光束弯曲元件，两个光束以受控的方式稍微偏移，并且干涉图像取决于偏移的量。然后，旋转光束弯曲元件，从而改变移动量。同样记录新的干涉图像。这可以完成N次，并且从这N个干涉图像中，可以近似计算聚焦透镜的焦平面中相位的梯度(或空间导数)。这被称为相位步进方法，但是其他获得相位梯度的方法也是已知的，例如傅立叶变换数据处理技术。可以对相位梯度进行积分，以给出作为位置函数的相位。可以根据N个记录的干涉图像的振幅的可能的但不是必要的加权平均值来计算作为位置函数的光的振幅。由于因此已知相位和振幅，因此可以获得与直接全息方法(使用参考和物体光束)相同的信息，并且可以实行后续的物体3D重建。
光源可以发射空间和时间上部分相干的光。光源可以发射高度相关的激光。空间和时间上部分相干的光可以通过例如发光二极管(LED)产生。LED比激光便宜，并且可以产生具有集中在已知波长的光谱的光，该光在空间和时间上是部分相干的，即不如激光相干，但仍足够相干以产生即将到来的应用所需质量的全息图像。LED还具有可获得许多不同波长的优点，并且尺寸非常小，并且易于使用或在必要时更换。因此，提供可以使用空间和时间上部分相干的光来获取全息图像的方法和系统将导致用于实现这种方法的更具成本效益的装置。
在诊断环境中使用DHM具有许多优点，这使其成为在诸如本发明之类的环境中实施的理想技术。除了明场图像以外，还创建相移图像。相移图像对于DHM而言是唯一的，并提供有关光学距离的可量化信息。在反射DHM中，相移图像形成物体的形貌(topography)图像。
物体图像在给定的焦距下计算。但是，由于记录的全息图包含所有必要的物体波前信息，因此可以通过在重建算法中更改焦距参数来在任何焦平面上计算该物体。实际上，全息图包含计算完整图像组套所需的所有信息。在从多个角度记录物体波前的DHM系统中，充分表征物体的光学特性并创建物体的断层图像是可能的。
DHM系统所需的组件是便宜的光学和半导体组件，例如激光二极管和图像传感器。较低的组件成本与DHM的自动聚焦能力相组合，使得以非常低的成本制造DHM系统是可能的。然而，DHM的成本对于监测大量反应器而言可能仍然太高。为此，本发明提供了包含一个DHM和一组电流体回路的系统，该电流体回路能够将来自多个反应器的流体样品引导至DHM，并优选地引导回。因此，仅需要一个DHM以监测多个反应器，并且可以降低总成本。
通常，DHM包含发射相干光或至少部分相干光的光源(例如激光或LED)、可能包含一组反射镜和/或分束器的干涉仪、图像传感器(例如CCD或CMOS)以及处理器和计算机可读存储介质(例如，固态驱动器、闪存卡或磁记录装置)。DHM还可包含其他光学组件，例如一个或更多个透镜、反射镜、棱镜、衰减器等。DHM可包含或可连接至诸如主机、PC、逻辑装置(例如PLC)的处理工具。DHM可以在透射和/或反射模式下工作，具体取决于要观察的样品的性质。DHM可以是传统DHM、在线DHM、差分DHM或另一种DHM。
如图5所示，本方法(300)使用细胞样品(302)的全息信息(304)来确定病毒感染状况(306)。确定细胞参数数据中与病毒感染相关的图像。特别地，该方法可以使用细胞病毒感染的预测数学模型(330)，其中该预测模型的输入包含来源于针对每个细胞的测量的细胞参数(308)得到的细胞参数数据(212)，该测量的细胞参数(308)由细胞样品(304)的全息信息获得；并且输出是病毒感染状况(306)，如图6的方案(310)中所举例说明的。
可以使用机器学习(328)方法(例如，神经网络或随机森林树，深度学习)来创建预测模型(330)，该方法使用细胞训练集(322)来训练，其中每个细胞或多个细胞的病毒感染状况(324)和细胞参数数据(326)是已知的，如图7的方案(320)中所举例说明。可以使用例如任选标记的抗体或使用核酸扩增技术例如PCR来确定病毒感染状况。使用机器学习(例如神经网络或随机森林树，深度学习)来创建预测模型在本领域中是已知的，例如从en.wikipedia.org/wiki/Machine_learning已知，并且已经在各种出版物中进行了描述，包含例如Pattern Recognition and Machine Learning，2006，Christopher M.Bishop，Springer。深度学习在本领域中是已知的，例如，从en.wikipedia.org/wiki/Deep_learning已知，且已经在各种出版物中进行了描述，例如，Deep Learning，2016，IanGoodfellow，Yoshua Bengio and Aaron Courville。
作为指导，描述了创建简单模型的步骤。细胞训练集包含病毒感染的细胞和非病毒感染的细胞。获得通过DHM测量的细胞训练集中单个细胞的测量的细胞参数。将包含测量的细胞参数和任选地导出参数的细胞参数数据提供给学习算法。机器学习方法学习如何基于全息信息，特别是基于细胞参数数据来区分病毒感染的细胞和非病毒感染的细胞，从而创建预测模型。机器学习方法可以是有监督的，也可以是无监督的。混淆矩阵允许确定错误率。
样品中至少一个细胞的病毒感染状况可包含感染的存在(是/否)的指示、感染的可能性(分数)、感染的程度、感染的阶段、凋亡状态、衣壳内含物。病毒感染状况可表明病毒的类型。样品中至少2个细胞的病毒感染状况可以通过用统计学处理样品中多个细胞的病毒感染状况来确定。
该方法可包含提供细胞样品的步骤。
该方法可包括输出或提供关于至少一个细胞的病毒感染状况的报告的步骤。
还提供了计算装置，其被配置用于实行本文所述的方法。
该计算装置可包含被配置用于实行本发明的方法的电路。通常，该电路包含计算机处理器和存储器。可以在一个或多个连接的计算机中将该计算装置实现，作为云计算装置，或包含上述电路的其他装置。
该计算装置可以接收包含以下一项或更多项的输入数据：
-细胞样品的全息信息，可包括以下一项或更多项：
-通过DHM获取的数字全息图，
-源自数字全息图的强度图像，
-源自数字全息图的定量相位对比图像，
-源自定量相位对比图像和/或强度图像的多个分割图像，
-细胞参数数据，包含：
-细胞的一个或更多个测量的细胞参数，和/或
-源自一个或多个细胞的一个或更多个测量的细胞参数的一个或更多个导出参数。
输入数据可以例如通过Internet以电子方式接收，或通过数据存储介质发送。该计算装置可能位于远离DHM的位置，例如在另一个设施、城镇、城市、国家等。
该计算装置可以被配置为：
-接收通过数字全息显微术(DHM)获得的细胞样品中至少一个细胞的全息信息，以及
-根据全息信息确定至少一个细胞的病毒感染状况。
该计算装置可以进一步被配置为：
-输出至少一个细胞的病毒感染状况
该计算装置可以进一步被配置为根据全息信息确定包含细胞样品中细胞的一个或更多个测量参数的细胞参数数据，从中确定至少一个细胞的病毒感染状况。
计算装置可以进一步被配置为将细胞参数数据输入到预测模型中，并且从预测模型中输出至少一个细胞的病毒感染状况。
还提供了一种具有指令的计算机程序或计算机程序产品，这些指令在由计算装置或系统执行时使该计算装置或系统实行本文所述的方法。
还提供了一种其上存储有该计算机程序或计算机程序产品的计算机可读介质。
还提供了代表该计算机程序或计算机程序产品的数据流。
远程处理中心可以接收包含以下一项或更多项的输入数据：
-细胞样品的全息信息，可包括以下一项或更多项：
-通过DHM获取的数字全息图，
-源自数字全息图的强度图像，
-源自数字全息图的定量相位对比图像，
-源自定量相位对比图像和/或强度图像的多个分割图像，
-细胞参数数据，其包含：
-细胞的一个或更多个测量的细胞参数(见下文)，和/或
-细胞的测量的细胞参数与另一个(不同的)测量的细胞参数的至少一个比率，和/或
-细胞样品中两个或更多个细胞之间测量的细胞参数的差异的指示。
输入数据可以例如通过Internet以电子方式接收，或通过数据存储介质发送。远程处理中心可能位于远离DHM的位置，例如在另一个设施、城镇、城市、国家等。远程处理中心通常包含具有处理器和存储器的计算机，例如服务器。远程处理中心可以实现为基于云的计算设施。远程处理中心可以存储输入数据。远程处理中心可以处理输入数据，特别是可以执行确定步骤。远程处理中心可以访问预测模型。远程处理中心可以发送包含关于细胞或样品的病毒感染状况的信息的输出数据。输出数据可包含报告，该报告含有关于细胞和/或样品的病毒感染状况的信息。
可以提供包含本文所述的计算装置的系统。该系统可以进一步包含DHM。DHM可以是如本文所述的DHM。DHM包含发射至少部分相干的光的光源、干涉仪和图像传感器。DHM可与如本文所述的对接元件(102)一起提供，该对接元件被配置成接收用于样品流通过的可拆卸导管。
实施例1
杆状病毒感染的SF9细胞样品。在暴露于病毒后的不同时间点收集每个样品的全息数据。分析全息数据以分开细胞，每个细胞或簇都登记为事件。分析分开的细胞以获得单个细胞或簇的测量的细胞参数(MCP)。对于每个样品中的每个细胞，获得了根据表1的MCP。
根据以下MCP标准，进行了过滤以提高数据集的质量：细胞直径＞15(保留)-清除碎片/小细胞；细胞直径＜30(保留)-去除簇；峰高＞3(保留)-仅保留成活力良好的细胞；最佳深度特征＜5(保留)-仅将细胞保持在焦点。
对于机器学习，将75％的过滤数据应用于机器学习算法，以训练分类器以获得随机森林树(RFT)。总共使用了20个深度为10的树。对剩下的25％的过滤数据使用所训练的算法，发现错误预测的感染细胞的比率较低，而真实预测的健康细胞的比率较高。RFT根据表2对每个测量的细胞参数的区分能力进行了排名。
表2.实施例2的前20个MCP的区分能力排名
实施例2
本发明的方法用于实时监测来自生物反应器的流动悬浮液中细胞的病毒载量。在生物反应器的液体培养基中培养了两个不同批次的SF9细胞。使用本发明的方法，通过将悬浮细胞从生物反应器通过具有透明部分以使光通过的流通池泵送，以通过DHM获得实时图像，来监测细胞的病毒载量。将细胞返回至生物反应器。同时监测总细胞密度(TCD)，活细胞密度(VCD)和成活力。在约90小时(箭头B)，将杆状病毒的等分试样引入生物反应器中。本发明的方法检测到病毒载量呈指数增加(参见图8(第1批)和图9(第2批))。
Claims (18)
1.用于提供细胞样品中至少一个细胞的病毒感染状况的方法，该方法包括接收通过数字全息显微术获得的所述细胞样品的全息信息(304)，并根据所述全息信息确定，所述至少一个细胞的病毒感染状况(306)，其中病毒感染状况(306)根据细胞参数数据(312)确定，所述细胞参数数据(312)包括所述源自所述全息信息的所述细胞的一个或更多个测量的细胞参数(308)，其中所述一个或更多个测量的细胞参数，MCP，(308)包含表1的MCP的子集，其中所述子集包含来自至少一个以下组的一个或更多个MCP：(a)相位结构(F40至F51)、(b)折射峰(F20，F33-F37)、(c)形态(F2-F19，F70-72)。
2.根据权利要求1所述的方法，其中子集包含选自F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F47(ID相位均质性特征)、F43(ID相位平均均匀度特征)、F51(ID相位均匀度特征)的一个或更多个(组(a))MCP。
3.根据权利要求1或2所述的方法，其中子集包含选自F20(ID等效峰直径特征)、F33(ID峰面积特征)、F34(ID峰面积标准化特征)、F36(ID峰高度特征)、F37(ID峰高度标准化特征)的一个或更多个(组(b))MCP。
4.根据权利要求1至3中任一项所述的方法，其中子集包含选自F8(ID等效细胞直径特征)、F17(ID半径平均值特征)，F8(ID等效直径)、F3(ID细胞面积特征)、F18(ID半径方差特征)、F6(ID延长特征)、F4(ID圆形度特征)的一个或更多个(组(c))MCP。
5.根据权利要求1至4中任一项所述的方法，其中子集进一步包含组(d)光学高度(F24-F32，F38-F39)中的一个或更多个MCP，任选地选自F27(ID光学高度平均值特征)、F32(ID光学体积特征)、F38(ID光学高度标准偏差特征)、F39(ID以微米计的光学高度标准偏差特征)。
6.根据权利要求1所述的方法，其中子集包含：
F45(ID相位相关特征)和F44(ID相位对比特征)，
或者
F45(ID相位相关特征)、F44(ID相位对比特征)和F48(ID相位偏度特征)，
或者
F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)和F20(ID等效峰直径特征)，
或者
F45(ID相位相关特征)、F44(ID相位对比特征)、F48(ID相位偏度特征)、F20(ID等效峰直径特征)，和F33(ID峰面积特征)或F34(ID峰面积标准化特征)。
7.根据权利要求1或6所述的方法，其中所述细胞参数数据(312)进一步包含根据所述至少一个细胞的一个或更多个MCP确定的一个或更多个导出参数，包括：
-细胞的MCP与同一细胞的另一个不同的MCP的至少一个比率，
所述细胞样品中两个或更多个细胞之间MCP的差异的指示。
8.根据权利要求1至7中任一项所述的方法，其中所述确定包含使用预测模型，所述预测模型使用已知病毒感染状况和测量的细胞参数的细胞训练集来训练。
9.根据权利要求8所述的方法，其中所述预测模型使用机器学习方法，例如神经网络方法、随机森林树或深度学习方法。
10.根据权利要求1至9中任一项所述的方法，其中所述样品是任选地来自生物反应器的流动的细胞悬浮液，并且病毒感染状况是实时提供的。
11.根据权利要求1至10中任一项所述的方法，其中所述至少一个细胞的病毒感染状况包括以下一项或更多项：病毒感染存在或不存在的指示、感染的可能性、感染的程度、感染的阶段、病毒的数量。
12.根据权利要求1至11中任一项所述的方法，其进一步包括输出包含所述至少一个细胞的病毒感染状况的报告。
13.根据权利要求1至12中任一项所述的方法，其在远程处理中心实行。
14.系统，其包含：
-配置为执行根据权利要求1至13中任一项所述的方法的计算装置，以及
-数字全息显微镜，DHM。
15.根据权利要求14所述的系统，其中所述DHM包含发射至少部分相干的光的光源、干涉仪和图像传感器。
16.计算装置，其被配置为实行根据权利要求1至13中任一项所述的方法，所述计算装置被配置为：
-接收通过数字全息显微术(DHM)获得的细胞样品中至少一个细胞的全息信息，以及
-根据所述全息信息确定，所述至少一个细胞的病毒感染状况。
17.具有指令的计算机程序，当所述指令由计算装置或系统执行时，所述指令使所述计算装置或系统实行根据权利要求1至13中任一项所述的方法。
18.计算机可读介质，其上存储有权利要求17所述的计算机程序。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862643364P | 2018-03-15 | 2018-03-15 | |
| BE2018/5158 | 2018-03-15 | ||
| US62/643,364 | 2018-03-15 | ||
| BE2018/5158A BE1026111B1 (nl) | 2018-03-15 | 2018-03-15 | Digitale holografische microscopie voor het bepalen van de status van een virale infectie |
| PCT/EP2019/056547 WO2019175386A1 (en) | 2018-03-15 | 2019-03-15 | Digital holographic microscopy for determining a viral infection status |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111868523A true CN111868523A (zh) | 2020-10-30 |
Family
ID=62712694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980019098.6A Pending CN111868523A (zh) | 2018-03-15 | 2019-03-15 | 用于确定病毒感染状况的数字全息显微术 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20210142472A1 (zh) |
| EP (1) | EP3765847A1 (zh) |
| JP (1) | JP7391387B2 (zh) |
| KR (1) | KR20200130412A (zh) |
| CN (1) | CN111868523A (zh) |
| BE (1) | BE1026111B1 (zh) |
| CA (1) | CA3091080A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113204108A (zh) * | 2021-03-19 | 2021-08-03 | 刘利军 | 多功能解剖显微镜 |
| CN114326352A (zh) * | 2021-12-31 | 2022-04-12 | 南京理工大学智能计算成像研究院有限公司 | 一种基于数字全息的实时细胞三维分析方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI828009B (zh) * | 2021-11-19 | 2024-01-01 | 財團法人工業技術研究院 | 免標記式細胞活性檢測的方法及訓練人工智慧執行免標記式細胞活性檢測的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120218379A1 (en) * | 2009-10-20 | 2012-08-30 | The Regents Of The University Of California | Incoherent lensfree cell holography and microscopy on a chip |
| WO2013076089A2 (en) * | 2011-11-21 | 2013-05-30 | DRIVE O2 bvba | Liquid medium and sample vial to be used in a method for detecting cancerous cells in a cell sample |
| WO2013120886A1 (en) * | 2012-02-13 | 2013-08-22 | Ovizio Imaging Systems NV/SA | Flow cytometer with digital holographic microscope |
| CN103827889A (zh) * | 2011-07-19 | 2014-05-28 | 奥维茨奥成像系统公司 | 用于检测和/或分类细胞样品中的癌细胞的方法和系统 |
| US20140376816A1 (en) * | 2011-12-07 | 2014-12-25 | Katholieke Universiteit Leuven, KU LEUVEN R&D | Analysis and Sorting of Objects in Flow |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3701586A (en) * | 1971-04-21 | 1972-10-31 | George G Goetz | Light modulating deflectable membrane |
| GB2466442A (en) * | 2008-12-18 | 2010-06-23 | Dublin Inst Of Technology | A system to analyze a sample on a slide using Raman spectroscopy on an identified area of interest |
| EP3330368B1 (en) * | 2009-06-18 | 2021-07-21 | Kiyatec Inc. | Bioreactor system |
| WO2011112601A2 (en) * | 2010-03-08 | 2011-09-15 | Worcester Polytechnic Institute | Continuous flow bioreactor for magnetically stabilized three-dimensional tissue culture |
| WO2012023105A1 (en) * | 2010-08-20 | 2012-02-23 | Lyncee Tec S.A. | Apparatus and method for early diagnosis of cell death |
| US8866063B2 (en) * | 2011-03-31 | 2014-10-21 | The Regents Of The University Of California | Lens-free wide-field super-resolution imaging device |
| US9822333B2 (en) * | 2012-03-15 | 2017-11-21 | Flodesign Sonics, Inc. | Acoustic perfusion devices |
| US10502674B2 (en) * | 2014-06-27 | 2019-12-10 | The Regents Of The University Of California | Apparatus and method for label-free analysis of rare cells from bodily fluids |
| WO2018015952A1 (en) * | 2016-07-21 | 2018-01-25 | B. G. Negev Technologies And Applications Ltd., At Ben-Gurion University | Multidimensional nanotomography with high harmonics and attosecond pulses |
| US11269294B2 (en) * | 2018-02-15 | 2022-03-08 | University Of Connecticut | Portable common path shearing interferometry-based holographic microscopy system with augmented reality visualization |
-
2018
- 2018-03-15 BE BE2018/5158A patent/BE1026111B1/nl active IP Right Grant
-
2019
- 2019-03-15 KR KR1020207029085A patent/KR20200130412A/ko not_active Application Discontinuation
- 2019-03-15 JP JP2020572624A patent/JP7391387B2/ja active Active
- 2019-03-15 CA CA3091080A patent/CA3091080A1/en active Pending
- 2019-03-15 CN CN201980019098.6A patent/CN111868523A/zh active Pending
- 2019-03-15 EP EP19714333.2A patent/EP3765847A1/en active Pending
- 2019-03-15 US US16/976,429 patent/US20210142472A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120218379A1 (en) * | 2009-10-20 | 2012-08-30 | The Regents Of The University Of California | Incoherent lensfree cell holography and microscopy on a chip |
| CN103827889A (zh) * | 2011-07-19 | 2014-05-28 | 奥维茨奥成像系统公司 | 用于检测和/或分类细胞样品中的癌细胞的方法和系统 |
| WO2013076089A2 (en) * | 2011-11-21 | 2013-05-30 | DRIVE O2 bvba | Liquid medium and sample vial to be used in a method for detecting cancerous cells in a cell sample |
| US20140376816A1 (en) * | 2011-12-07 | 2014-12-25 | Katholieke Universiteit Leuven, KU LEUVEN R&D | Analysis and Sorting of Objects in Flow |
| WO2013120886A1 (en) * | 2012-02-13 | 2013-08-22 | Ovizio Imaging Systems NV/SA | Flow cytometer with digital holographic microscope |
| CN104204767A (zh) * | 2012-02-13 | 2014-12-10 | 奥维奇奥成像系统股份有限公司 | 有数字全息显微镜的流式细胞仪 |
Non-Patent Citations (2)
| Title |
|---|
| SYUKRAN HAKIM BIN NORAZMAN 等: "Analysis of quantitative phase obtained by digital holography on H&E-stained pathological samples", ARTIFICIAL LIFE AND ROBOTICS, vol. 24 * |
| 余健海 等: "基于数字全息显微术的登革病毒感染C6/36细胞的3D形态学", J SOUTH MED UNIV, vol. 37, no. 3, pages 303 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113204108A (zh) * | 2021-03-19 | 2021-08-03 | 刘利军 | 多功能解剖显微镜 |
| CN114326352A (zh) * | 2021-12-31 | 2022-04-12 | 南京理工大学智能计算成像研究院有限公司 | 一种基于数字全息的实时细胞三维分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210142472A1 (en) | 2021-05-13 |
| KR20200130412A (ko) | 2020-11-18 |
| BE1026111B1 (nl) | 2019-10-16 |
| BE1026111A1 (nl) | 2019-10-09 |
| JP7391387B2 (ja) | 2023-12-05 |
| CA3091080A1 (en) | 2019-09-19 |
| JP2021518563A (ja) | 2021-08-02 |
| EP3765847A1 (en) | 2021-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yoon et al. | Identification of non-activated lymphocytes using three-dimensional refractive index tomography and machine learning | |
| US9013692B2 (en) | Flow cytometer apparatus for three dimensional difraction imaging and related methods | |
| JP6092206B2 (ja) | 細胞試料内のがん性細胞を検出し、及び／又は分類する方法及びシステム | |
| CA2948800C (en) | 3d imaging of live cells with ultraviolet radiation | |
| JP7391387B2 (ja) | ウイルス感染状態を決定するためのデジタルホログラフィック顕微鏡 | |
| Tuchin | Advanced optical flow cytometry: methods and disease diagnoses | |
| Lincoln et al. | High‐throughput rheological measurements with an optical stretcher | |
| JP2019512697A (ja) | デジタルホログラフィ顕微鏡検査および無傷の（ｕｎｔｏｕｃｈｅｄ）末梢血白血球を用いる高精度の５部鑑別（５−ｐａｒｔ Ｄｉｆｆｅｒｅｎｔｉａｌ） | |
| Singh et al. | Label-free fingerprinting of tumor cells in bulk flow using inline digital holographic microscopy | |
| Xie et al. | Automatic classification of acute and chronic myeloid leukemic cells with wide-angle label-free static cytometry | |
| Běhal et al. | On monocytes and lymphocytes biolens clustering by in flow holographic microscopy | |
| Hirotsu et al. | Artificial intelligence-based classification of peripheral blood nucleated cells using label-free imaging flow cytometry | |
| WO2019175386A1 (en) | Digital holographic microscopy for determining a viral infection status | |
| Ossowski et al. | Classification of biological micro-objects using optical coherence tomography: in silico study | |
| Klykov et al. | Cell trapping in a blood capillary phantom using laser tweezers | |
| Park | Development of Quantitative Phase Imaging as a Diagnostic Modality with High-Throughput Implementation | |
| Lee et al. | Enhanced functionalities of immune cells separated by a microfluidic lattice: assessment based on holotomography | |
| AU2015210340B2 (en) | A System for 3D Imaging of Live Cells in an Optical Tomography System | |
| Park | Label-free identification of non-activated lymphocytes using three-dimensional refractive index tomography and machine learning | |
| Wang et al. | 3D live imaging and phenotyping of the subcellular cytotoxicity in cancer immunotherapy using event-triggered Bessel oblique plane microscopy | |
| WO2021205483A1 (en) | Method and system to detect and classify bacteria and other cells in a urine sample | |
| JP2023067851A (ja) | 細胞の成熟度の評価方法 | |
| Apichitsopa | Intrinsic cytometry based on computational microscopy | |
| Greiner | Light Scattering Flow Cytometry for the Minimally Invasive Quantification of Circulating Leukemic Cells |
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 |