CN112924452A - 一种血液检查辅助系统 - Google Patents
一种血液检查辅助系统 Download PDFInfo
- Publication number
- CN112924452A CN112924452A CN202110126968.9A CN202110126968A CN112924452A CN 112924452 A CN112924452 A CN 112924452A CN 202110126968 A CN202110126968 A CN 202110126968A CN 112924452 A CN112924452 A CN 112924452A
- Authority
- CN
- China
- Prior art keywords
- module
- blood
- visual field
- subsystem
- blood cell
- 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
- 238000004159 blood analysis Methods 0.000 title claims abstract description 10
- 210000000601 blood cell Anatomy 0.000 claims abstract description 81
- 230000000007 visual effect Effects 0.000 claims abstract description 56
- 210000004369 blood Anatomy 0.000 claims abstract description 36
- 239000008280 blood Substances 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 13
- 210000000265 leukocyte Anatomy 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000009534 blood test Methods 0.000 claims description 9
- 210000001772 blood platelet Anatomy 0.000 claims description 7
- 210000003743 erythrocyte Anatomy 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 5
- 210000003651 basophil Anatomy 0.000 claims description 4
- 210000003979 eosinophil Anatomy 0.000 claims description 4
- 210000004698 lymphocyte Anatomy 0.000 claims description 4
- 210000001616 monocyte Anatomy 0.000 claims description 4
- 210000000440 neutrophil Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 210000000267 erythroid cell Anatomy 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000000399 optical microscopy Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004820 blood count Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000004043 dyeing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000003714 granulocyte Anatomy 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000002558 medical inspection Methods 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013102 re-test Methods 0.000 description 2
- 206010002198 Anaphylactic reaction Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 208000037386 Typhoid Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000003455 anaphylaxis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 201000008297 typhoid fever Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
Abstract
本发明公开了一种血液检查辅助系统,属于血常规检查技术领域,包括:扫描子系统、分析子系统和浏览子系统:所述扫描子系统,用于获取血涂片中每个视野的影像;所述分析子系统,用于对扫描子系统中获取的影像进行识别和分类,并生成辅助筛查报告;所述浏览子系统,用于对扫描子系统和分析子系统生成的结果进行观察。本方案中血细胞的分类准确性高,深度学习已在图像识别方面全面超越了传统的模式识别方法和机器学习方法。
Description
技术领域
本发明涉及血液常规检查技术领域,具体涉及一种血液检查辅助系统。
背景技术
液作为维持生命的不可欠缺的部分,蕴藏着关于机体健康的巨大信息量。在我们生活中常见的各种疾病,从轻如伤寒、过敏性反应、糖尿病至重如白血病、肝癌、胃癌等各种癌症,都可以通过血液检测找到对应的异象反应。
血常规(Blood Routine Examination,BRE)是指通过观察血细胞的数量变化以及形态分布从而判断血液状况及疾病的检查,是最简单且最重要的常规血液检查。血常规检查包括有红细胞计数(RBC)、血红蛋白(Hb)、白细胞(WBC)、白细胞分类计数及血小板(PLT)等,通常可分为三大系统,即红细胞系统、白细胞系统和血小板系统。血常规检查中的许多项具体指标都是一些常用的敏感指标,对机体内许多病理改变都有敏感反映,其中又以白细胞计数、红细胞计数、血红蛋白和血小板最具有诊断参考价值,许多患者在病因不明时可以做血常规检查对其进行辅助诊断,因此,已成为发现各种疾病必不可少的过程。此外,血常规检查还是观察治疗效果、指导用药或停药、继续治疗或停止治疗、确定疾病复发或痊愈的常用手段。
血细胞分析仪是集光、机、电、软于一体的医学检验仪器,属于医疗器械行业医学检验仪器类别,主要用于人群全血细胞(Full Blood Cell,FBC)分析,用于替代以往的血常规检查。它具有检查速度快、操作简单、检测参数多等优点。根据对白细胞分类的多少,血细胞分析仪可分为三分类血细胞分析仪和五分类血细胞分析仪。前者将白细胞分为淋巴细胞、单核细胞和粒细胞,后者则将粒细胞进一步分为中性细胞、嗜酸性细胞核嗜碱性细胞。基于不同的血细胞分类的分析方法,国内外生产厂家设计和生产了不同类型的血细胞分析仪,其中比较有代表性的有美国Coulter公司的STKS II、美国Abbott公司的Advia120、日本Sysmex公司的SF-3000以及法国ABX公司的Pentra60等。基本上,无论三分类分析仪还是五分类分析仪,其分类方法都是简单地将细胞所产生的的多种电信号通过数学模型进行模拟,计算出细胞的分类结果,其结果同样受到细胞电信号的采集准确性、数学模型合理性等诸多因素的影响,结果准确率只有85%~90%,仍有约10%的样品需要涂片染色进行人工显微镜复检。基于这个原因,国际血液学标准化委员会(ICSH)提出了使用人工涂片染色显微镜检作为全血细胞分析的参考方法的规定。据此,Coulter、Sysmex、Roche等公司又陆续开发了自动推片染色机,对需要复检的样本进行自动推片染色,以减少部分复检工作量。但这并没有在方法学层面给细胞分析仪带来变化,只是改善了人工显微镜检前的工序,未能彻底地解决血细胞分析仪的全自动化问题,而且人为因素影响仍然较大。
随着现代电子、计算机等技术的迅速发展,基于图像分析的方法进行分类的血细胞分析仪应运而生。早期的代表有上世纪80代日本日立公司生产的-8200,它用含有扫描镜头的显微镜扫描血涂片的每个视野,将获取的细胞图像与仪器内存储的标准图像进行对照分析,来判断该细胞的类型。近期的代表产品有瑞典CellaVision公司的DM9600,它一次可加载96张血涂片,并在一小时内可完成30张切片的扫描和分析,但价格高昂,每台售价在100万以上。方法上,它采用了人工神经网络对细胞进行分类。
近年,随着计算机存储技术、CPU特别是GPU计算速度的大幅提升以及互联网技术的普及应用带来的大数据浪潮,基于深度学习的图形识别技术已成为了图像分类研究和应用中的最有力武器。
但是现有技术中至少存在以下缺点:一是价格昂贵,动则100万以上甚至200多万元,使得中小型医疗机构难以负担;二是分类准确性有限,基于传统的模式识别技术或机器学习技术来进行复杂的血细胞分类,其准确性已接近瓶颈。
发明内容
本发明针对上述问题,提供一种血液检查辅助系统。
本发明提供了一种血细胞辅助筛查系统,包括:扫描子系统、分析子系统和浏览子系统:
所述扫描子系统,用于获取血涂片中每个视野的影像;
所述分析子系统,用于对扫描子系统中获取的影像进行识别和分类,并生成辅助筛查报告;
所述浏览子系统,用于对扫描子系统和分析子系统生成的结果进行观察。
进一步地,所述扫描子系统主要包括以下模块:光学显微成像模块、视野移动模块、对焦模块、视野图像采集模块和扫描控制模块;
所述光学显微成像模块,用于对血涂片样本进行显微放大;
所述视野移动模块,用于遍历血涂片样本的各个视野区域;
所述对焦模块,用于对各个视野区域进行自动对焦;
所述视野图像采集模块,用于采集视野图像;
所述扫描控制模块,用于控制光学显微成像模块、视野移动模块、对焦模块和视野图像采集模块的工作状态。
更进一步地,所述光学显微成像模块:由光源、聚光镜、滤色片、物镜、管径组成;
所述视野移动模块:由水平横向移动载物台、水平纵向移动载物台和控制电机组成;
所述对焦模块:由一个二级分光装置、用于对焦的数码相机、垂直移动的Z轴及控制电机、独有的自动对焦算法构成;
所述视野图像采集模块:用于扫描的数码相机和常规的图像处理算法构成;
所述扫描控制模块:用于有效地组织和控制以上模块,获得血涂片每个视野的清晰影像。
更进一步地,所述分析子系统主要包括以下几个模块:
血细胞定位模块,该模块采用计算机视觉算法,对采集到的视野图像进行分割,得到图像中每个血细胞的子图像;
血细胞标定模块,该模块用于对血细胞定位模块得到的血细胞子图像进行标定,即,人为地为每个血细胞赋予一个类别;
血细胞分类器训练模块,该模块采用深度学习模型,对海量的标定好的血细胞子图像进行训练,得到最终的分类器;
血细胞分类模块,该模块采用训练好的分类器,对每个新的血细胞的子图像进行分类;
报告生成模块,用于生成血涂片的辅助筛查报告。
更进一步地,所述血细胞分类模块,中对每个新的血细胞的子图像进行分类;所述新的血细胞指非训练样本库中的血细胞。
更进一步地,所述血细胞标定模块中人为地为每个血细胞赋予一个类别,所述类别包括:大小红细胞、血球红细胞、白细胞和血小板。
更进一步地,所述白细胞包括:单核细胞、淋巴细胞、杆状核中性粒细胞、杆状核中性粒细胞、嗜酸性粒细胞和嗜碱性粒细胞。
更进一步地,所述浏览子系统包括:导航模块和复核模块。
更进一步地,所述导航模块,用于清晰地呈现了血涂片样本中扫描区域、视野图像、血细胞子图像、血细胞所属类别之间的层级关系和对应关系。
更进一步地,所述复核模块,用于用户通过该模块对系统自动的分析结果进行修正,并再次生成新的辅助筛查报告。
本发明的优点:
1、分类准确性高,深度学习已在图像识别方面全面超越了传统的模式识别方法和机器学习方法。
2、降低成本,独立的对焦模块可以降低对扫描相机的帧率要求,而对焦相机可以采用比较小的靶面,因而价格低廉。
3、速度快,独立的对焦模块以实时速度指导系统进行图像采集,极大地提高了扫描速度。
4、独立的对焦模块,使得系统可以快速地获取视野的清晰影像。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的扫描子模块框架示意图;
图2是本发明实施例的聚焦过程框架示意图图;
图3是本发明实施例的分析子模块框架示意图;
图4是本发明实施例的浏览子模块框架示意图;
图5是本发明实施例的对焦模块中的焦面信息图像示意图;
图6是本发明实施例的校准模块中清晰度曲线归一化后图像的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参见图1至图4,如图1至图4所示,一种血液检查辅助系统,包括:扫描子系统、分析子系统和浏览子系统:
扫描子系统,用于获取血涂片中每个视野的影像;
分析子系统,用于对扫描子系统中获取的影像进行识别和分类,并生成辅助筛查报告;
浏览子系统,用于对扫描子系统和分析子系统生成的结果进行观察。
需要说明的是,本发明目的在于提供一种新的基于深度学习的全自动血涂片扫描分析系统,对需要进行复检的血涂片在进入显微镜复检前进行自动扫描和分析,并自动生成报告以辅助镜检技术人员或医生进行诊断,减轻工作的负担。
在扫描阶段通过高效的机电控制,采用独有的对焦模块进行自动对焦,快速地获得血涂片中每个视野的清晰影像,然后使用计算机视觉技术分割出影像中的血细胞,再用通过海量训练数据训练而来的深度学习模型对这些血细胞进行分类,最后对各个类别的血细胞进行统计后生成辅助筛查报告。
另外,本方案的主要发明点在于:其一,独立的对焦模块;其二,基于计算机视觉和深度学习的分析模块,使得分类准确性大大提高。
其中,独立的对焦模块,使得系统可以快速地获取视野的清晰影像。
其特点在于:(参见图5)
包含独立的对焦硬件,包括一个对焦相机和分光装置,使得视野下的影像通过该分光装置的光路后可以同时呈现出不同光程下的影像,这些不同光程下的影像将被映射到对焦相机传感器的不同位置,从而达到同一幅图像包含多个焦面信息的目的,如图5展示了分光4路的情况:
包含独立的对焦软件,包括对焦校准模块后续的对焦模块;(参见图6)
其中,校准模块;由于分光中存在的各个光路亮度不均匀导致后续计算清晰度出现偏差,因此需要对各光路图像的清晰度曲线进行归一化,以保证同样的视野内容在不同分光影像下所呈现的清晰度曲线形状相同。例如图6展示了4个光路的清晰度曲线归一化后的情形:通过该校准模块,计算出各光路之间的距离以及扫描相机的参考焦面位置。
对焦模块;经过校准后,对后续获得的影像,计算各个光路所对应区域的影像清晰度,然后归一化,得到这些清晰度所组成的清晰度曲线并进行拟合,即可算出当前位置的焦面位置。
另外,基于计算机视觉和深度学习的分析模块,使得分类准确性大大提高;
其中,采用了计算机视觉算法,对图像中的细胞进行定位。例如,可以采用Blob检测+颜色、形状、尺寸信息分割出图像中每个细胞。
深度学习的分析分为两阶段:
训练阶段;对大批量的图像采用上述视觉算法进行细胞定位,并获取该细胞所在局部区域的图像,由资深血细胞医生进行判定其类型,作为该细胞子图像的标签。所有这些细胞子图像及其标签构成了训练数据;然后选用深度学习模型(例如VGG16)对其进行训练,得到模型文件。
使用阶段;扫描时获得每个图像,使用上述视觉算法进行定位,然后采用深度学习模型进行分类。
本发明一实施例中,扫描子系统主要包括以下模块:光学显微成像模块、视野移动模块、对焦模块、视野图像采集模块和扫描控制模块;
光学显微成像模块,用于对血涂片样本进行显微放大;
视野移动模块,用于遍历血涂片样本的各个视野区域;
对焦模块,用于对各个视野区域进行自动对焦;
视野图像采集模块,用于采集视野图像;
扫描控制模块,用于控制光学显微成像模块、视野移动模块、对焦模块和视野图像采集模块的工作状态。
本发明一实施例中,光学显微成像模块:由光源、聚光镜、滤色片、物镜、管径组成;
视野移动模块:由水平横向移动载物台(X轴)、水平纵向移动载物台(Y轴)和控制电机组成;
其中,通常将血涂片置于载物台上,通过载物台的横向和纵向移动遍历血涂片的任意区域。
对焦模块:由一个二级分光装置、用于对焦的数码相机、垂直移动的Z轴及控制电机、独有的自动对焦算法构成;
其中,通过该二级分光装置,同一个物体可以投射出四个不同光程下的影像,这四个影像分别投射在相机的成像传感器的不同区域上;
另外,对焦模块的工作流程为:载物台移动到视野位置后,控制对焦的数码相机进行拍照,然后对所拍摄图像使用上述自动对焦模块进行计算,得到当前视野的聚焦位置,最后控制Z轴移动到聚焦位置,从而完成自动对焦。
视野图像采集模块:用于扫描的数码相机和常规的图像处理算法构成;
其中,该模块的工作流程为:在视野位置完成上述自动对焦过程后,控制扫描相机进行拍摄,然后对拍摄到的图像进行一系列图像处理,包括背景平衡、白平衡、对比度增强、亮度增强等。
扫描控制模块:用于有效地组织和控制以上模块,获得血涂片每个视野的清晰影像。
需要说明的是,扫描子系统的工作流程为:扫描控制模块发送移动请求信号给视野移动模块,视野移动模块接受到信号后进行移动,同时将检测得的信号反馈给扫描控制模块;
同时,在此过程中,扫描控制模块发送采集请求信号给视野图像采集模块,视野图像采集模块接受到信号后进行图像信息采集,并将采集得的图像信息反馈给扫描控制模块;
扫描控制模块发送对焦请求信号给对焦模块,对焦模块接受到信号后进行对焦动作,并将对焦过程中所得信息反馈给扫描控制模块;
本发明一实施例中,分析子系统主要包括以下几个模块:
血细胞定位模块,该模块采用计算机视觉算法,对采集到的视野图像进行分割,得到图像中每个血细胞的子图像;
血细胞标定模块,该模块用于对血细胞定位模块得到的血细胞子图像进行标定,即,人为地为每个血细胞赋予一个类别;
其中,该标定工作由资深血液科医生完成。
血细胞分类器训练模块,该模块采用深度学习模型,对海量的标定好的血细胞子图像进行训练,得到最终的分类器;
血细胞分类模块,该模块采用训练好的分类器,对每个新的血细胞的子图像进行分类;
报告生成模块,用于生成血涂片的辅助筛查报告。
本发明一实施例中,血细胞分类模块,中对每个新的血细胞的子图像进行分类;新的血细胞指非训练样本库中的血细胞。
本发明一实施例中,血细胞标定模块中人为地为每个血细胞赋予一个类别,类别包括:大小红细胞、血球红细胞、白细胞和血小板。
本发明一实施例中,白细胞包括:单核细胞、淋巴细胞、杆状核中性粒细胞、杆状核中性粒细胞、嗜酸性粒细胞和嗜碱性粒细胞。
需要说明的是,分析子系统的工作流程为:对采集到的视野图像库进行分割,得到图像中每个血细胞子图像库;
接着,对上一步骤得到的血细胞子图像库进行标定;
接着,对标定好的血细胞子图像库进行训练,得到分类器;
接着,此时若是需要对新的血细胞进行分类则,新的血细胞重复第一步的流程,得到新的血细胞图像;
接着,用得到的分类器对上一步骤得到的新的血细胞图像进行分类;
接着,将血细胞分类结果生成血涂片辅助筛查报告。
本发明一实施例中,浏览子系统包括:导航模块和复核模块。
本发明一实施例中,导航模块,用于清晰地呈现了血涂片样本中扫描区域、视野图像、血细胞子图像、血细胞所属类别之间的层级关系和对应关系。
本发明一实施例中,用于用户通过该模块对系统自动的分析结果进行修正,并再次生成新的辅助筛查报告。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种血液检查辅助系统,其特征在于,包括:扫描子系统、分析子系统和浏览子系统:
所述扫描子系统,用于获取血涂片中每个视野的影像;
所述分析子系统,用于对扫描子系统中获取的影像进行识别和分类,并生成辅助筛查报告;
所述浏览子系统,用于对扫描子系统和分析子系统生成的结果进行观察。
2.根据权利要求1所述的血液检查辅助系统,其特征在于,所述扫描子系统主要包括以下模块:光学显微成像模块、视野移动模块、对焦模块、视野图像采集模块和扫描控制模块;
所述光学显微成像模块,用于对血涂片样本进行显微放大;
所述视野移动模块,用于遍历血涂片样本的各个视野区域;
所述对焦模块,用于对各个视野区域进行自动对焦;
所述视野图像采集模块,用于采集视野图像;
所述扫描控制模块,用于控制光学显微成像模块、视野移动模块、对焦模块和视野图像采集模块的工作状态。
3.根据权利要求2所述的血液检查辅助系统,其特征在于,所述光学显微成像模块:由光源、聚光镜、滤色片、物镜、管径组成;
所述视野移动模块:由水平横向移动载物台、水平纵向移动载物台和控制电机组成;
所述对焦模块:由一个二级分光装置、用于对焦的数码相机、垂直移动的Z轴及控制电机、独有的自动对焦算法构成;
所述视野图像采集模块:用于扫描的数码相机和常规的图像处理算法构成;
所述扫描控制模块:用于有效地组织和控制以上模块,获得血涂片每个视野的清晰影像。
4.根据权利要求1所述的血液检查辅助系统,其特征在于,所述分析子系统主要包括以下几个模块:
血细胞定位模块,该模块采用计算机视觉算法,对采集到的视野图像进行分割,得到图像中每个血细胞的子图像;
血细胞标定模块,该模块用于对血细胞定位模块得到的血细胞子图像进行标定,即,人为地为每个血细胞赋予一个类别;
血细胞分类器训练模块,该模块采用深度学习模型,对海量的标定好的血细胞子图像进行训练,得到最终的分类器;
血细胞分类模块,该模块采用训练好的分类器,对每个新的血细胞的子图像进行分类;
报告生成模块,用于生成血涂片的辅助筛查报告。
5.根据权利要求4所述的血液检查辅助系统,其特征在于,所述血细胞分类模块中,对每个新的血细胞的子图像进行分类;所述新的血细胞指非训练样本库中的血细胞。
6.根据权利要求4所述的血液检查辅助系统,其特征在于,所述血细胞标定模块中人为地为每个血细胞赋予一个类别,所述类别包括:大小红细胞、血球红细胞、白细胞和血小板。
7.根据权利要求6所述的血液检查辅助系统,其特征在于,所述白细胞包括:单核细胞、淋巴细胞、杆状核中性粒细胞、杆状核中性粒细胞、嗜酸性粒细胞和嗜碱性粒细胞。
8.根据权利要求1所述的血液检查辅助系统,其特征在于,所述浏览子系统包括:导航模块和复核模块。
9.根据权利要求8所述的血液检查辅助系统,其特征在于,所述导航模块,用于清晰地呈现血涂片样本中扫描区域、视野图像、血细胞子图像、血细胞所属类别之间的层级关系和对应关系。
10.根据权利要求9所述的血液检查辅助系统,其特征在于,所述复核模块,用于用户通过该模块对系统自动的分析结果进行修正,并再次生成新的辅助筛查报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126968.9A CN112924452A (zh) | 2021-01-29 | 2021-01-29 | 一种血液检查辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126968.9A CN112924452A (zh) | 2021-01-29 | 2021-01-29 | 一种血液检查辅助系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112924452A true CN112924452A (zh) | 2021-06-08 |
Family
ID=76168607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110126968.9A Pending CN112924452A (zh) | 2021-01-29 | 2021-01-29 | 一种血液检查辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924452A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470770A (zh) * | 2021-06-30 | 2021-10-01 | 北京大学第三医院(北京大学第三临床医学院) | 基于误差预测模型的血小板检测系统 |
CN115205235A (zh) * | 2022-06-24 | 2022-10-18 | 广州尚融网络科技有限公司 | 一种血液细胞类型检测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4226523A1 (de) * | 1992-08-11 | 1994-02-17 | Bloss Werner Heinz Prof Dr Ing | Verfahren und Vorrichtung zum automatischen Fokussieren auf Objekte |
CN102304472A (zh) * | 2011-05-18 | 2012-01-04 | 东华大学 | 一种快速检测痰涂片结核菌的装置与方法 |
CN105190400A (zh) * | 2013-03-11 | 2015-12-23 | 罗氏血液诊断公司 | 对血细胞进行成像 |
CN110647875A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 |
-
2021
- 2021-01-29 CN CN202110126968.9A patent/CN112924452A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4226523A1 (de) * | 1992-08-11 | 1994-02-17 | Bloss Werner Heinz Prof Dr Ing | Verfahren und Vorrichtung zum automatischen Fokussieren auf Objekte |
CN102304472A (zh) * | 2011-05-18 | 2012-01-04 | 东华大学 | 一种快速检测痰涂片结核菌的装置与方法 |
CN105190400A (zh) * | 2013-03-11 | 2015-12-23 | 罗氏血液诊断公司 | 对血细胞进行成像 |
CN110647875A (zh) * | 2019-11-28 | 2020-01-03 | 北京小蝇科技有限责任公司 | 一种血细胞分割、识别模型构造的方法及血细胞识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470770A (zh) * | 2021-06-30 | 2021-10-01 | 北京大学第三医院(北京大学第三临床医学院) | 基于误差预测模型的血小板检测系统 |
CN113470770B (zh) * | 2021-06-30 | 2022-03-01 | 北京大学第三医院(北京大学第三临床医学院) | 基于误差预测模型的血小板检测系统 |
CN115205235A (zh) * | 2022-06-24 | 2022-10-18 | 广州尚融网络科技有限公司 | 一种血液细胞类型检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10801944B2 (en) | High accuracy 5-part differential with digital holographic microscopy and untouched leukocytes from peripheral blood | |
US5933519A (en) | Cytological slide scoring apparatus | |
Young | The classification of white blood cells | |
CN101685060B (zh) | 标本摄像装置 | |
KR100303608B1 (ko) | 혈구세포자동인식방법및장치 | |
Hortinela et al. | Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine | |
CN101407759A (zh) | 血细胞分析仪及分析方法 | |
CN112924452A (zh) | 一种血液检查辅助系统 | |
CN114494197A (zh) | 一种复杂性小样本脑脊液细胞识别与分类方法 | |
CN111504885A (zh) | 一种基于机器视觉的全自动血涂片形态分析装置 | |
Evangeline et al. | Computer aided system for human blood cell identification, classification and counting | |
CN112432902A (zh) | 一种外周血细胞形态学判别细胞数目的自动检测系统及方法 | |
KR20010017092A (ko) | 혈구세포의 형태 자동 분석 및 카운트 방법 | |
Liu et al. | A deep learning method and device for bone marrow imaging cell detection | |
Wann et al. | An automated system for counting silver grains in autoradiographs | |
CN113139485A (zh) | 一种基于深度学习的骨髓细胞分类识别方法、装置及系统 | |
Priyankara et al. | An extensible computer vision application for blood cell recognition and analysis | |
JPS6132182A (ja) | 細胞分類装置 | |
WO2023031622A1 (en) | System and method for identifying and counting biological species | |
CN112798504B (zh) | 大视场高通量流式细胞分析系统及分析方法 | |
JP3654835B2 (ja) | 検体の下調べ機能を備えた検査体系 | |
CN111684279B (zh) | 一种细胞分析方法、细胞分析装置及存储介质 | |
Norgren et al. | Leukocyte image analysis in the diff3 system | |
US20240029458A1 (en) | A method for automated determination of platelet count based on microscopic images of peripheral blood smears | |
CN117576103B (zh) | 集成电控显微镜和深度学习算法的尿沉渣镜检分析系统 |
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 |