CN112595654A - 脑脊液细胞图像特征库及其建立方法 - Google Patents

脑脊液细胞图像特征库及其建立方法 Download PDF

Info

Publication number
CN112595654A
CN112595654A CN202011168497.XA CN202011168497A CN112595654A CN 112595654 A CN112595654 A CN 112595654A CN 202011168497 A CN202011168497 A CN 202011168497A CN 112595654 A CN112595654 A CN 112595654A
Authority
CN
China
Prior art keywords
cell
image
cerebrospinal fluid
cells
feature library
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
Application number
CN202011168497.XA
Other languages
English (en)
Inventor
王振海
马晓峰
王士林
孔繁元
吴若芬
王妍柏
王国玮
侯玉婷
徐帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningxia Data Technology Co ltd
Shanghai Jiaotong University
General Hospital of Ningxia Medical University
Original Assignee
Ningxia Data Technology Co ltd
Shanghai Jiaotong University
General Hospital of Ningxia Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningxia Data Technology Co ltd, Shanghai Jiaotong University, General Hospital of Ningxia Medical University filed Critical Ningxia Data Technology Co ltd
Priority to CN202011168497.XA priority Critical patent/CN112595654A/zh
Publication of CN112595654A publication Critical patent/CN112595654A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10Investigating individual particles
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00Sampling; Preparing specimens for investigation
    • G01N1/28Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/2813Producing thin layers of samples on a substrate, e.g. smearing, spinning-on
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00Sampling; Preparing specimens for investigation
    • G01N1/28Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/30Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695Preprocessing, e.g. image segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/60Type of objects
    • G06V20/69Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698Matching; Classification
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10Investigating individual particles
    • G01N2015/1006Investigating individual particles for cytology
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10Investigating individual particles
    • G01N2015/103Particle shape
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10056Microscopic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30024Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Dispersion Chemistry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

脑脊液细胞图像特征库及其建立方法,具体步骤为:步骤1:制备脑脊液细胞玻片;步骤2:运用显微摄影术进行采集,建立图像库;步骤3:观察细胞形态及其特征;步骤4:获取目标细胞特征信息;步骤5:提取脑脊液图像中目标细胞的特征;步骤6:建立了细胞形态、颜色及纹理的图像特征库,基于可靠、独立和可区分的特征提取原则,筛选出细胞形态学表征。本发明的方法能通过自动化地对脑脊液细胞图像进行特征提取,然后对其中的脑脊液细胞进行较为准确的像素级别的分割,能在样本数目少的情况下提高细胞识别的准确率和特征细胞的提取,在自动识别和提取脑细胞图像特征方面获得良好的效果。

Description

脑脊液细胞图像特征库及其建立方法
技术领域
本发明属于脑脊液细胞学检测技术领域,具体地说,涉及一种脑脊液细胞图像特征库及其建立方法。
背景技术
脑脊液是一种无色透明的粘稠液体,位于脑膜的蛛网膜和脑膜之间以及脊髓中。它由脑室脉络膜丛中的特异室管膜细胞产生,并被蛛网膜颗粒吸收。每个人体内大约有125mL的脑脊液,每天大约会产生500mL。它是一种含有微神经胶细胞的纯生理盐水,主要用作对大脑皮质的机械性缓冲,为头骨内部的大脑提供基本的机械和免疫保护,在大脑自动调节脑血流量重也起着至关重要的作用。脑脊液占据了蛛网膜下腔以及大脑和脊髓周围和内部的心室系统。因此医学上可以通过腰椎穿刺获取脑脊液样本,并对样本进行分析得到相关的诊断结果。脑脊液中的细胞主要为淋巴细胞,还包含其它单核细胞等种类,通过对这些细胞的检测和技术可以用于诊断中枢神经系统、脑血管和淋巴系统相关的疾病。
在临床意义上,脑脊液检查结果对中枢神经系统疾病的诊断具有非常重要的意义。其检查对细菌性脑膜炎、结核性脑膜炎和真菌性脑膜炎检查有高灵敏度和高度特异性,对病毒性脑膜炎、蛛网膜下腔出血、多发性硬化症、神经梅毒、椎旁脓肿等检查有灵敏度和中等特异性,对脑膜恶性肿瘤检查有中等灵敏度和高特异性,对颅内出血、病毒性脑炎、硬膜下血肿有中等灵敏度和中等特异性的提示作用。脑脊液中检出病原体对具有直接诊断的意义,对脑脊液成分的检测可为治疗效果评估、预后判断提供参考。中枢神经系统病变的脑脊液,细胞数目增多且增多程度及细胞类型与病变性质有关。化脓性脑膜炎、流行性脑脊髓膜炎、基底膜脑膜炎、脑脓肿等细菌性感染主要表现为白细胞增多以中性粒细胞为主;病毒性、结核性和真菌性脑膜炎则主要表现为淋巴细胞增高;脑囊虫病、包虫病、脑型肺吸虫病、脑血吸虫病等则表现为嗜酸性粒细胞增多;浆液性脑膜炎则会出现内皮细胞增多的情形。故脑脊液细胞的分析在判断脑部疾病属于细菌性、病毒性还是寄生虫等提供了重要的临床数据参考意义。
从细胞分类学来看,脑脊液细胞数量少、种类多、形态各异、变化较大,有些细胞与血细胞相似但又不完全相同,因此准确辨认各类脑脊液细胞的形态和数量,是临床脑脊液细胞学检查的关键内容,对临床诊断与治疗判断起着至关重要的作用。但在医院的临床检查实践中,由于脑脊液细胞的形态多样性和复杂性,对检验人员的数量和各项素质方面要求较高。
现有的脑脊液细胞识别和计数方法大多使用人工的方式。这种方法会使识别结果受到细胞背景和周围细胞的影响,当细胞密集时更容易出错。受到脑脊液细胞样本的影响,某些类型细胞数量非常少,对这些细胞的识别准确率往往较低。为了提高对脑脊液细胞图像识别度。有必要建立脑脊液细胞图像特征库。
发明内容
本发明的目的是针对现有脑细胞图像识别准确率低的不足,提供一种脑脊液细胞图像特征库及其建立方法。
本发明的技术方案为:
脑脊液细胞图像特征库及其建立方法,本发明采用图像显微分析系统识别脑脊液细胞形态特征及分类,其特征主要包括:针对脑脊液细胞样本图像进行形态学分析及分类的处理、细胞库的建立、细胞分类、特征提取、细胞原始形态识别做处理及标注。
正常人脑脊液中有175.00—5000.00个细胞,以淋巴细胞为主,伴有少量单核细胞,在病理情况下,脑脊液细胞可迅速增加,并出现各种激活状态的细胞。脑脊液细胞图像特征库的建立方法具体步骤为:
步骤1:制备脑脊液细胞玻片;
步骤2:运用显微摄影术进行采集,建立图像库;
步骤3:观察细胞形态及其特征;
步骤4:获取目标细胞特征信息;
步骤5:提取脑脊液图像中目标细胞的特征;
步骤6:建立了细胞形态、颜色及纹理的图像特征库,基于可靠、独立和可区分的特征提取原则,筛选出细胞形态学表征。
本发明与现有技术相比,有益效果如下:
本发明克服了现有技术缺陷,提供了一种脑脊液细胞图像自动化识别。通过自动化地对脑脊液细胞图像进行特征提取,然后对其中的脑脊液细胞进行较为准确的像素级别的分割,能在样本数目少的情况下提高细胞识别的准确率和特征细胞的提取,在自动识别和提取脑细胞图像特征方面获得良好的效果。
附图说明
图1为本发明脑脊液细胞图像特征库建立技术流程示意图;
图2 为本发明提取的脑脊液整体淋巴细胞图像特征示意图;
图3为本发明提取的脑脊液小淋巴细胞图像特征示意图;
图4为本发明提取的脑脊液大淋巴细胞图像特征示意图;
图5为本发明提取的脑脊液激活淋巴细胞中的大淋巴样细胞图像特征示意图;
图6为本发明提取的脑脊液转化淋巴图像细胞特征示意图;
图7为本发明提取的脑脊液脑样图像细胞特征示意图;
图8为本发明提取的脑脊液浆细胞图像细胞特征示意图;
图9为本发明提取的脑脊液单核、吞噬细胞图像细胞特征示意图;
图10为本发明提取的脑脊液激活单核细胞图像细胞特征示意图;
图11为本发明提取的脑脊液红细胞吞噬细胞图像细胞特征示意图;
图12为本发明提取的脑脊液含铁血黄细胞图像细胞特征示意图;
图13为本发明提取的脑脊液嗜中性粒细胞图像细胞特征示意图;
图14为本发明提取的脑脊液嗜酸性粒细胞图像细胞特征示意图;
图15为本发明提取的脑脊液嗜碱性粒细胞图像细胞特征示意图;
图16为本发明提取的脑脊液中枢神经系统原发性和转移性肿瘤图像细胞特征示意图;
图17为本发明提取的脑脊液白血病细胞图像细胞特征示意图;
图18为本发明提取的脑脊液早幼粒细胞图像细胞特征示意图;
图19为本发明提取的脑脊液淋巴瘤细胞图像细胞特征示意图;
图20为本发明提取的脑脊液红细胞图像细胞特征示意图。
图2中,淋巴细胞的大小和形态差异很大,根据核浆比列可分为两种不同类型的淋巴细胞,即小淋巴细胞和大淋巴细胞,左侧图图像为小淋巴细胞,细胞相对较小,有较高的核浆比列,无颗粒;右侧图图像细胞较大,为大淋巴细胞,核浆比列较低,胞浆含有苯胺蓝颗粒。
图3,进一步展示的小淋巴细胞图像特征,细胞体积较小(直径4—8UM),胞体多呈圆形;核大呈圆形或蚕豆状,位置居中占胞体大部;染色质致密成块,呈深蓝染色,胞浆少染蓝色,不含颗粒。有时细胞皱缩呈煤球状。
图4,进一步展示的大淋巴细胞图像特征,胞体较小淋巴细胞稍大;胞浆稍多,染淡蓝色;胞核稍大,染色质着色比小淋巴细胞稍浅;胞浆中可见少许圆形、周边整齐的嗜天青颗粒。
图5,展示的是大淋巴样细胞图像特征,其胞体和胞核较大淋巴细胞大,约为小淋巴细胞的2-4倍,直径大于20UM;胞浆多,强嗜碱性,色深蓝;染色质稍增粗,在近核周围有一明显圆形淡染区,称核周晕。
图6,为激活淋巴细胞中转化淋巴细胞图像,细胞形态不规则,可见伪足伸出,包膜粗糙不完整;直径大于10UM,包膜嗜碱性,核呈圆形,核膜清楚,染色质较稀疏呈网状。
图7,为激活淋巴细胞中的脑样细胞图像特征,为一种核大,浆少,核染色质致密,核被较深的凹陷分割成脑样外形的异型淋巴细胞;因具有辅助B淋巴细胞产生IgM的功能,故又称Tm细胞。
图8,为浆细胞图像特征:浆细胞是由B淋巴细胞受抗原刺激后转化而成,胞浆丰富,呈均匀蓝色,一般较少见有颗粒;有时胞浆内可见嗜酸性包涵体;胞核呈圆形,多明显偏位;染色质粗糙呈块状,有时呈典型的车轮状排列,在近核周处多可见一清晰的半圆形核周晕,时常可见伪足样浆突,未成熟的浆细胞核大、胞浆明显嗜碱性,染色质疏松。有时可见双核和多核浆细胞。
图9,为单核细胞图像特征:胞体较大,直径12—20um,胞核呈肾形、马蹄形、卵形、分叶状或笔架形,约占胞体的一半;染色质疏松、纤细、排列成网状;胞浆量多呈淡蓝色,有时可夹有空泡,并可见多量嗜天青颗粒;细胞越年轻胞核的嗜碱性越强,胞体越趋圆形。
图10,为激活单核细胞图像特征:胞体和胞核变大而不规则,胞浆淡蓝色和夹有大小不等的空泡,胞浆缘常有磨损或各类突起;核形态同单核细胞,染色质较丰富、疏松呈网状,有时可见核仁。
图11,为吞噬细胞中的红细胞吞噬细胞图像特征:吞噬细胞形态与激活单核细胞相似,其特点为胞浆内含有各种吞噬物,是被激活细胞的单核细胞吞噬异物后的一组细胞的总称;红细胞吞噬细胞为吞噬1个或多个红细胞的一类吞噬细胞;胞体大,胞浆内被吞噬2个红细胞。
图12,为吞噬细胞中的含铁血黄素细胞图像特征,胞浆内可见数量和大小不等、颜色深浅不同的黑色颗粒。
图13,为嗜中性粒细胞图像特征,与血中同类细胞相似,中性粒细胞的核象标志着它的发育阶段,能发映粒细胞新生及衰老的状况;具有有限的吞噬细菌的能力,胞体较小,直径12um,呈圆形;胞浆呈粉红色或淡红色,其中布满多而细小的淡红色嗜中性颗粒;核可呈杆状或分叶状,常多分为2—5叶,其间有细丝相连。胞核分叶愈多,提示细胞愈老。
图14,为嗜酸性粒细胞图像特征,胞体圆形,直径约13-15um,成熟的细胞胞核呈典型的双分叶状(眼镜架样)、豆状和八字排列,其间有丝分裂相连;染色质丰富,胞浆高度嗜酸性,胞内布满粗大而均匀的橘黄色或红砖色嗜酸性颗粒。
图15,为嗜碱性粒细胞图像特征,胞体圆形,直径约11-13um。胞浆量少,呈淡红色,浆界不明显;胞核常分为紧密相近的2-3叶;胞浆内可见较多大小不等和分布不均的深蓝色颗粒,且多覆盖于胞核上,常使核膜不清。
图16,为中枢神经系统原发性和转移性肿瘤细胞图像特征,胞体大小不一,畸形怪状,细胞核增大,约直径大于10um;核浆比例增大失调,染色质增深、染色质颗粒粗糙丛集;核膜增厚且不规则,核仁的体积和数量增加,多核或多叶核,有丝分裂活跃;胞核和胞浆的形态和体积多变,细胞间的界限不清和成簇出现为恶性肿瘤细胞的重要体征之一。
图17,为白血病细胞图像特征,脑脊液中白血病细胞形态、结构与周围血液及骨髓中的白血病细胞相似,镜检可发现某一类白血病细胞(淋巴、粒、单核或其他)百分比数极度增高,急性淋巴细胞白血病中以原始和幼稚细胞为主,结构与周围血液中的白血病细胞相似,胞体增大或缩小,大小不均,核浆比列增大,染色质粗糙,可见明显的核仁。
图18,为早幼粒细胞图像特征,胞体直径12-15μ,比原始粒细胞较大;胞核大,圆或稍卵圆形,位于中央或稍偏位,染色质颗粒较原始粒细胞稍粗糙,呈均匀大沙粒体,核膜不清楚;核仁1-3个,但有时核仁少而小。胞浆:量较多,分布可不等量。
图19,为淋巴瘤细胞图像特征,细胞胞体增大,两个或数个胞核紧密相连,细胞核呈椭圆形对称形成扭曲重叠,染色质疏松细致,染色质增多聚集,。核仁大而不规则、色深蓝,胞浆边界不清,细胞奇形怪状,胞核呈豌豆状或畸形,胞浆及胞核可见空泡,胞质呈强嗜碱性。
图20,为红细胞图像特征,形态和血中红细胞形态相同,计数嗜中性粒细胞和红细胞的比例是否和周围血象相同,可以确定是否有病理意义;非污染所致提示脑出血或蛛网膜下腔出血。
具体实施方式
为了更好的展示本发明,本发明的具体实施方式通过实施例详细描述。
实施例一
脑脊液细胞图像特征库及其建立方法,包括如下步骤:
步骤1:制备脑脊液细胞玻片,应用Cy-tosoin4型细胞玻片离心仪制片法, 以1000r/min 离心5min后取出细胞玻片, 经自然干燥, 借助迈-格-姬(MGG)常规染色,使细胞的结构和成分着色制成染色片,是后期在显微图像分析仪下观察细胞大小、形态和结构特征及标注工作的关键和基础;
步骤2:运用显微摄影术进行采集,建立图像库,通过图像处理和模式识别等技术实现细胞检测的自动化和智能化是当前的发展趋势,本发明将彩色CCD相机、光学显微镜和高性能计算机三位一体,搭建脑脊液细胞图像系统,运用显微摄影术,采用高效的图像采集方案并结合自动聚焦技术,在低倍镜下定位单细胞层区域,然后在油镜下对定位的白细胞进行图像采集,获取高质量的白细胞显微图像,通过图像分类实现白细胞图像在线识别及分类;
步骤3:观察细胞形态及其特征,观察脑脊液细胞玻片的顺序采用标准的曲线观察法,边扫视同时运用细胞计数器进行百分比分类计数,一般至少计数100—200个白细胞,仔细观察各类细胞形态特征。
1.白细胞为无色有核的球形细胞,体积比红细胞大,能作变形运动,具有防御和免疫功能;按照脑脊液细胞的基本结构,分别从细胞膜、细胞质、细胞核三方面分识别细胞类型:
①细胞膜是细胞外周的半通透性屏障,是细胞与外界相隔的一层半透膜;
②细胞质是一种粘稠、透明无色的胶状蛋白质物质,位于细胞膜和细胞核之间的细胞体内;
③细胞核是细胞最大、最重要的细胞器,细胞核通常位于细胞的中央,成熟的植物细胞的细胞核,往往被中央液泡推挤到细胞的边缘,细胞核中有一种物质,易被洋红、苏木精等碱性染料染成深色,叫做染色质,生物体用于传种接代的物质即遗传物质,就在染色质上,当细胞进行有丝分裂时,染色质就变化成染色体。细胞内在的结构、自身的表面张力和外部的机械压力等相互作用,使各种细胞总能保持一定的形态。
2.肿瘤细胞主要是指正常细胞在致癌因素的作用下,发生了基因的异常突变,从而使其生长出现了异常变化。肿瘤细胞可以分为良性肿瘤细胞和恶性肿瘤细胞。良性肿瘤细胞主要是指没有无限增殖的特性,恶性肿瘤细胞就具有无限增殖的特性。肿瘤组织由实质和间质两部分构成,肿瘤实质是肿瘤细胞,是肿瘤的主要成分,通常根据肿瘤的实质形态来识别各种肿瘤的组织来源,进行肿瘤的分类、命名和组织学诊断,肿瘤细胞有三个显著的基本特征即:不死性,迁移性和失去接触抑制。
步骤4:获取目标细胞特征信息,细胞特征信息包括:细胞轮廓、细胞大小、细胞有无颗粒、细胞是否激活、 染色质纹理分析、细胞体积的变化、细胞核浆比列的变化。
步骤5:提取脑脊液图像中目标细胞的特征,本发明方法可以对获取的脑脊液细胞学检测图像中的脑脊液细胞进行准确的细胞特征提取,而且提取的结果也会比较客观。
脑脊液细胞中包含红细胞、白细胞等。根据白细胞结构类型将白细胞分为五种,即嗜中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞,它们各有其生理功能,不同类别的细胞会在体积、表面特征、内部结构等方面呈现明显也不同。按照细胞类型又可将细胞分为单个核、多个核。单个核的白细胞”包括“淋巴细胞和单核细胞”。
调取目标细胞、识别目标细胞的特征:淋巴细胞、单核细胞属于无颗粒白细胞无细胞质颗粒,但有圆形细胞核,淋巴细胞为具有特异性免疫功能的细胞。单核细胞是最大的细胞。目前认为它是巨噬细胞的前身,具有明显的变形运动,能吞噬、清除受伤、衰老的细胞及其碎片。单核细胞也是对付细胞内致病细菌和寄生虫的主要细胞防卫系统,还具有识别和杀伤肿瘤细胞的能力。
颗粒白细胞(粒细胞)中含有特殊染色颗粒,用瑞氏染料染色可分辨出三种颗粒白细胞即中性粒细胞、嗜酸性粒细胞和嗜碱性粒细胞。中性粒细胞具有变形运动和吞噬活动的能力,当中性粒细胞数显著减少时,机体发生感染的机会明显增高。嗜酸性粒细胞具有粗大的嗜酸性颗粒,颗粒内含有过氧化物酶和酸性磷酸酶。嗜酸性粒细胞具有趋化性,能吞噬抗原抗体复合物,减轻其对机体的损害,并能对抗组织胺等致炎因子的作用。嗜碱性粒细胞中有嗜碱性颗粒,内含组织胺等碱性颗粒。
单个肿瘤细胞的形态特点,主要表现在细胞核上,可归纳为五大特征:
①核大:癌细胞核可比正常大1-5倍。
②核大小不等:由于各个癌细胞核增大程度不一致,同一视野的癌细胞核,大小相差悬殊。
③核畸形核膜增厚:癌细胞核可出现明显的畸形,表现为细胞核形态不规则,呈结节状、分叶状等,核膜出现凹陷、皱褶,使核膜呈锯齿状。
④核深染:由于癌细胞核染色质增多,颗粒变粗,核深染,有的可呈墨水滴样,同时因核内染色质分布不均,核的染色深浅不一。
⑤核质比例失调:癌细胞核增大明显,超过细胞体积的增大,故核质比例失常。并且癌细胞分化愈差,核质比例失调愈明显。
步骤6:建立了细胞形态、颜色及纹理的图像特征库,基于可靠、独立和可区分的特征提取原则,筛选出细胞形态学表征。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (6)

1.脑脊液细胞图像特征库及其建立方法,其特征在于,具体步骤为:
步骤1:制备脑脊液细胞玻片;
步骤2:运用显微摄影术进行采集,建立图像库;
步骤3:观察细胞形态及其特征;
步骤4:获取目标细胞特征信息;
步骤5:提取脑脊液图像中目标细胞的特征;
步骤6:建立了细胞形态、颜色及纹理的图像特征库,基于可靠、独立和可区分的特征提取原则,筛选出细胞形态学表征。
2.根据权利要求1所述的脑脊液细胞图像特征库及其建立方法,其特征在于,步骤1所述的制备脑脊液细胞玻片,应用Cy-tosoin4型细胞玻片离心仪制片法, 以1000r/min 离心5min后取出细胞玻片, 经自然干燥, 借助迈-格-姬(MGG)常规染色,使细胞的结构和成分着色制成染色片,是后期在显微图像分析仪下观察细胞大小、形态和结构特征及标注工作的关键和基础。
3.根据权利要求1所述的脑脊液细胞图像特征库及其建立方法,其特征在于,步骤2所述的运用显微摄影术进行采集建立图像库:是将彩色CCD相机、光学显微镜和高性能计算机三位一体,搭建脑脊液细胞图像系统,运用显微摄影术,采用高效的图像采集方案并结合自动聚焦技术,在低倍镜下定位单细胞层区域,然后在油镜下对定位的白细胞进行图像采集,获取高质量的白细胞显微图像,通过图像分类实现白细胞图像在线识别及分类。
4.根据权利要求1所述的脑脊液细胞图像特征库及其建立方法,其特征在于,步骤3所述的观察细胞形态及其特征,其观察脑脊液细胞玻片的顺序采用标准的曲线观察法,边扫视同时运用细胞计数器进行百分比分类计数,一般至少计数100—200个白细胞,仔细观察各类细胞形态特征。
5.根据权利要求1所述脑脊液细胞图像特征库及其建立方法,其特征在于,步骤4所述的获取目标细胞特征信息,该标细胞特征信息包括:细胞轮廓、细胞大小、细胞有无颗粒、细胞是否激活、 染色质纹理分析、细胞体积的变化、细胞核浆比列的变化。
6.根据权利要求1所述脑脊液细胞图像特征库及其建立方法,其特征在于,步骤5所述提取脑脊液图像中目标细胞的特征,脑脊液细胞中目标细胞包含红细胞、白细胞,白细胞结构类型分为五种:即嗜中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞。
CN202011168497.XA 2020-10-28 2020-10-28 脑脊液细胞图像特征库及其建立方法 Pending CN112595654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011168497.XA CN112595654A (zh) 2020-10-28 2020-10-28 脑脊液细胞图像特征库及其建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011168497.XA CN112595654A (zh) 2020-10-28 2020-10-28 脑脊液细胞图像特征库及其建立方法

Publications (1)

Publication Number Publication Date
CN112595654A true CN112595654A (zh) 2021-04-02

Family

ID=75180612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011168497.XA Pending CN112595654A (zh) 2020-10-28 2020-10-28 脑脊液细胞图像特征库及其建立方法

Country Status (1)

Country Link
CN (1) CN112595654A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823823A (zh) * 2023-08-29 2023-09-29 天津市肿瘤医院(天津医科大学肿瘤医院) 一种人工智能的脑脊液细胞自动分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054575A1 (en) * 2006-10-13 2010-03-04 Honghua Zhou Analysis method for 5-differential complete blood cell based on visual image
US20120034647A1 (en) * 2010-08-05 2012-02-09 Abbott Point Of Care, Inc. Method and apparatus for automated whole blood sample analyses from microscopy images
CN103345654A (zh) * 2013-06-25 2013-10-09 苏州创继生物科技有限公司 一种基于形态学分类计数白细胞的方法
CN103745210A (zh) * 2014-01-28 2014-04-23 爱威科技股份有限公司 一种白细胞分类方法及装置
CN105063759A (zh) * 2015-08-03 2015-11-18 宁夏医科大学总医院 检测脑脊液病原菌的基因芯片
CN110633676A (zh) * 2019-09-18 2019-12-31 东北大学 一种自动识别脑脊液细胞图像信息方法
CN111062296A (zh) * 2019-12-11 2020-04-24 武汉兰丁医学高科技有限公司 一种基于计算机的白细胞自动识别分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054575A1 (en) * 2006-10-13 2010-03-04 Honghua Zhou Analysis method for 5-differential complete blood cell based on visual image
US20120034647A1 (en) * 2010-08-05 2012-02-09 Abbott Point Of Care, Inc. Method and apparatus for automated whole blood sample analyses from microscopy images
CN103345654A (zh) * 2013-06-25 2013-10-09 苏州创继生物科技有限公司 一种基于形态学分类计数白细胞的方法
CN103745210A (zh) * 2014-01-28 2014-04-23 爱威科技股份有限公司 一种白细胞分类方法及装置
CN105063759A (zh) * 2015-08-03 2015-11-18 宁夏医科大学总医院 检测脑脊液病原菌的基因芯片
CN110633676A (zh) * 2019-09-18 2019-12-31 东北大学 一种自动识别脑脊液细胞图像信息方法
CN111062296A (zh) * 2019-12-11 2020-04-24 武汉兰丁医学高科技有限公司 一种基于计算机的白细胞自动识别分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴若芬等: "中枢神经系统感染疾病脑脊液细胞形态特征分析", 《宁夏医科大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823823A (zh) * 2023-08-29 2023-09-29 天津市肿瘤医院(天津医科大学肿瘤医院) 一种人工智能的脑脊液细胞自动分析方法
CN116823823B (zh) * 2023-08-29 2023-11-14 天津市肿瘤医院(天津医科大学肿瘤医院) 一种人工智能的脑脊液细胞自动分析方法

Similar Documents

Publication Publication Date Title
US20220026340A1 (en) Method and device for high throughput cell deformability measurements
EP1425294B1 (en) Analysis of circulating tumor cells, fragments, and debris
Labati et al. All-IDB: The acute lymphoblastic leukemia image database for image processing
Mohapatra et al. Automated leukemia detection using hausdorff dimension in blood microscopic images
US20110104718A1 (en) Analysis of Circulating Tumor Cells, Fragments, and Debris
Mohapatra et al. Blood microscopic image segmentation using rough sets
JPH06500403A (ja) 生物試料の捕集試験装置及び捕集試験方法
Saha et al. Role of DNA flow cytometry and image cytometry on effusion fluid
CN108872182A (zh) 一种基于sers的循环肿瘤细胞检测方法
CN108267416A (zh) 一种基于太赫兹光谱的循环肿瘤细胞筛查系统及方法
CN111860586A (zh) 一种细粒度宫颈细胞图像三阶段识别方法
CN103820390A (zh) 一种获取循环肿瘤微栓的方法及装置
CN102507508B (zh) 检测肿瘤细胞的流动测量系统及分析和监测方法
Loddo et al. A computer-aided system for differential count from peripheral blood cell images
CN112595654A (zh) 脑脊液细胞图像特征库及其建立方法
CN113105990A (zh) 一种用于痰液中脱落肿瘤细胞确认及肺癌诊断的微流控装置及其应用
CN112595655A (zh) 基于人工智能的脑脊液细胞自动分析系统
US20230258554A1 (en) A system and method thereof for real-time automatic label-free holography-activated sorting of cells
CN117074692B (zh) 一种关于脑脊液中肿瘤细胞her2抗原表达生物信息的识别方法
King et al. Analytic studies of foam cells from breast cancer precursors
Lu et al. High‐grade urothelial carcinoma: Comparison of SurePath liquid‐based processing with cytospin processing
Linden et al. Flow cytometric prescreening of cervical smears.
Yang et al. Fine‐needle aspiration cytology of unusual germ cell tumors of the mediastinum: Atypical seminoma and parietal yolk sac tumor
Chitra et al. Detection of aml in blood microscopic images using local binary pattern and supervised classifier
Mukherjee et al. Application of biomedical image processing in blood cell counting using hough transform

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210402