CN113218848B - 一种判断非特异细胞群的方法 - Google Patents

一种判断非特异细胞群的方法 Download PDF

Info

Publication number
CN113218848B
CN113218848B CN202110479611.9A CN202110479611A CN113218848B CN 113218848 B CN113218848 B CN 113218848B CN 202110479611 A CN202110479611 A CN 202110479611A CN 113218848 B CN113218848 B CN 113218848B
Authority
CN
China
Prior art keywords
cells
cell
ssc
density
cell population
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
Application number
CN202110479611.9A
Other languages
English (en)
Other versions
CN113218848A (zh
Inventor
王志岗
贺环宇
郭琰
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.)
Tianjin Shenxi Intelligent Technology Development Co ltd
Original Assignee
Tianjin Shenxi Intelligent Technology Development Co ltd
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 Tianjin Shenxi Intelligent Technology Development Co ltd filed Critical Tianjin Shenxi Intelligent Technology Development Co ltd
Priority to CN202110479611.9A priority Critical patent/CN113218848B/zh
Publication of CN113218848A publication Critical patent/CN113218848A/zh
Application granted granted Critical
Publication of CN113218848B publication Critical patent/CN113218848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • 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—Optical investigation techniques, e.g. flow cytometry
    • G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties

Landscapes

  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Optics & Photonics (AREA)
  • Signal Processing (AREA)
  • Dispersion Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

一种判断非特异细胞群的方法：提取FCS格式或LMD格式文件中的流式细胞数据；分别对所有细胞FSC‑A和SSC‑A去除细胞碎片；将有效细胞分为若干个细胞群；遍历流式细胞任意两两抗体组合，使用每个细胞群内若干个细胞在各个抗体组合下的荧光强度进行一元线性拟合；判断每个细胞群在各个抗体组合下的一元线性拟合出的直线斜率是否都在设定的3/4至4/3范围内；利用核密度估计法拟合直线斜率在设定的范围内的细胞群在SSC‑A上的分布，判断密度曲线峰值是否高于整体数据的SSC‑A的中位数位置，高则将该细胞群内细胞归类为非特异细胞，否则将该细胞群内细胞归类为其他细胞。本发明提升了对有核细胞的分析效果，不会使细胞分群受到人为主观因素的影响。

Description

一种判断非特异细胞群的方法
技术领域
本发明涉及一种非特异干扰细胞的检测。特别是涉及一种判断非特异细胞群的方法。
背景技术
流式细胞术(FCM)是以流式细胞仪为检测手段的一项能快速、精确的对单个细胞里化特征进行多参数定量分析和分选的新技术。目前流式检测分析主要是通过人工设门分析技术，指在某一张选定参数的二维散点图上根据该图的细胞群分布选定其中想要分析的特定细胞群。
在流式细胞学中,非特异干扰细胞是在各个荧光标记上分布不固定，没有特征性的细胞群，容易干扰对目标细胞群的判断，不能根据粘连细胞或者细胞碎片的去除方式进行去除，是需要排除的干扰对象。传统的流式检测分析方法是通过固定范围或者人工手动对碎片、粘连及指定有核细胞进行设门圈选，只能够在设门的时候避免圈中非特异干扰细胞，而无法对其进行有效剔除。
目前现有技术中存在有以下问题：
1、非特异性干扰细胞在多维空间分布不一致，没有规律，所以按照固定范围圈选细胞无法对该类细胞进行有效判断；
2、首先人工设门很可能会对非特异细胞误判，对有核细胞的设门也会受到干扰，其次人工设门会因为操作人员的主观因素影响细胞分类结果，也会需要人工成本。
如图2所示，一般是通过FSC-A/SSC-A去除细胞碎片，如图所示，右边浅灰色细胞为细胞碎片，可看出无法通过此方法对非特异细胞(黑色细胞)进行有效去除。
发明内容
本发明所要解决的技术问题是，提供一种能够从流式数据中有效去除非特异干扰细胞群的判断非特异细胞群的方法。
本发明所采用的技术方案是：一种判断非特异细胞群的方法，包括如下步骤：
1)提取FCS格式或LMD格式文件中的流式细胞数据，所述的流式细胞数据包含：每个流式细胞前向角散射光FSC、侧向散射光SSC数据及若干抗体对应的荧光强度值；
2)分别对所有细胞FSC-A和SSC-A采用核密度估计方法，去除细胞碎片；
3)根据去除细胞碎片后的流式细胞的所有抗体对应的荧光强度采用聚类的方法，将有效细胞分为若干个细胞群；
4)遍历流式细胞任意两两抗体组合，使用每个细胞群内若干个细胞在各个抗体组合下的荧光强度进行一元线性拟合；
5)判断每个细胞群在各个抗体组合下的一元线性拟合出的直线斜率是否都在设定的3/4 至4/3范围内；是进入下一步骤，否则归类于其他细胞；
6)利用核密度估计法拟合直线斜率在设定的3/4至4/3范围内的细胞群在SSC-A上的分布，判断密度曲线峰值是否高于整体数据的SSC-A的中位数位置，若高则将该细胞群内细胞归类为非特异细胞，否则将该细胞群内细胞归类为其他细胞。
本发明的一种判断非特异细胞群的方法，首先可以根据流式数据中的非特异性干扰细胞的特性对其进行有效剔除，提升对有核细胞的分析效果；其次可以对上传待分析的多个数据进行并行运算，不仅可以节约人力成本，同时可以节约时间成本；最后使用AI算法对流式数据进行分析可以提供更加客观性的分析，不会使细胞分群受到人为主观因素的影响。
附图说明
图1是本发明一种判断非特异细胞群的方法的流程图；
图2是非特异干扰细胞和细胞碎片在FSC-A/SSC-A上的分布示意图；
图3是混在有核细胞中的非特异细胞的示意图；
图4是非特异干扰细胞在CD10/CD45上的分布示意图；
图5是非特异干扰细胞在CD58/CD10上的分布示意图；
图6是非特异干扰细胞在CD38/CD45上的分布示意图。
具体实施方式
下面结合实施例和附图对本发明的一种判断非特异细胞群的方法做出详细说明。
本发明的一种判断非特异细胞群的方法，在利用聚类的方法对解析后的流式数据完成细胞聚类后，细胞数据已经被分为多个细胞群，在此基础上，在多维流式数据中依次对每两个荧光标记进行遍历，除去FSC-W/FSC-H/FSC-A/SSC-A等将其余所有的荧光标记进行两两配对组合，然后对每个细胞群分别在各个组合上进行一元线性拟合，进而根据所拟合出的直线斜率是否在3/4至4/3范围内，对该细胞群是否属于非特异细胞进行初步判断，如果存在细胞群在所遍历的每两个维度上的拟合的直线的斜率均在3/4至4/3范围内，且在荧光标记侧向角散射(SSC-A)等上的分布相对较散，重心位置相对较高时,则考虑其为非特异细胞。这个过程所突出对多维数据的全面判断是人工设门无法实现的，人工设门只能在指定的荧光标记二维散点图上进行设门，并不能对所有的组合进行全面的考量，相比较之下，该算法可以通过对所有数据的综合分析避免人工上对非特异细胞的误判。
如图1所示，本发明的一种判断非特异细胞群的方法，具体包括如下步骤：
1)提取FCS格式或LMD格式文件中的流式细胞数据，所述的流式细胞数据包含：每个流式细胞前向角散射光FSC、侧向散射光SSC数据及若干抗体对应的荧光强度值；
2)分别对所有细胞FSC-A和SSC-A采用核密度估计方法，去除细胞碎片；包括：利用核密度估计方法计算FSC-A和SSC-A的核密度概率密度函数，其中，
FSC-A的核密度概率密度函数计算公式如下：
Figure RE-GDA0003117527600000021
其中，f(fsca)为FSC-A的核密度概率密度函数，fschi为i个流式细胞的FSC-H，i＝1...n； h为带宽，默认设为10；K为核函数，采用高斯核函数，计算公式：
Figure RE-GDA0003117527600000022
SSC-A的核密度概率密度函数计算公式：
Figure RE-GDA0003117527600000031
其中，f(ssca)为SSC-A的核密度概率密度函数，sscai为第i个流式细胞的SSC-A，i＝1...n； h为带宽，默认设为10；K为核函数，采用高斯核函数；
利用python的scipy.signal模块中的函数find_peaks对所有流式细胞SSC-A值计算出的核密度概率密度函数曲线进行峰值检测，峰值检测时将输入参数prominence和height的值均设置为核密度概率密度最大值×0.1，检测结果为该SSC-A核密度概率密度函数曲线的若干个峰值及谷值，如果检测结果包含三个及以上峰值，则将所有SSC-A值小于最小谷值的流式细胞划为碎片细胞，所述的最小谷值是指大于最小峰值的首个谷值；
利用python3.6的scipy.signal模块中的峰值检测函数find_peaks对所有流式细胞FSC-A 值计算出的核密度概率密度函数曲线进行峰值检测，峰值检测时将输入参数prominence和 height的值均设置为核密度概率密度最大值×0.1，检测结果为该FSC-A核密度概率密度函数曲线的若干个峰值及谷值，如果检测结果包含两个以上峰值，则将所有荧光标记FSC-A值小于最小谷值的流式细胞划为碎片细胞，所述的最小谷值是指大于最小峰值的首个谷值。
3)根据去除细胞碎片后的流式细胞的所有抗体对应的荧光强度采用聚类的方法，将有效细胞分为若干个细胞群；所述的采用聚类的方法，是将有效细胞分为若干个细胞群，是以欧氏距离为基础，首先选择一个细胞点作为第1个细胞群的聚类中心，再选择一个与第1个细胞群的聚类中心欧氏距离最大的细胞点作为第2个细胞群的聚类中心，然后以此类推，确定所有细胞群的聚类中心；最后计算其余未作为聚类中心的细胞点与各个细胞群聚类中心的欧氏距离，按照最小距离原则归入距离最小的细胞群，从而将有效细胞分为若干个细胞群。
4)遍历流式细胞任意两两抗体组合，使用每个细胞群内若干个细胞在各个抗体组合下的荧光强度进行一元线性拟合；
是遍历流式细胞任意两两抗体组合，利用每个细胞群所有细胞的两两抗体组合的两个抗体对应的荧光强度数据建立一元线性回归模型，然后利用最小二乘法基于均方误差最小化求解一元线性回归模型，得到该细胞群在两两抗体组合的两个抗体对应的荧光强度数据下的一元线性拟合结果。
5)判断每个细胞群在各个抗体组合下的一元线性拟合出的直线斜率是否都在设定的3/4 至4/3范围内；是进入下一步骤，否则归类于其他细胞；
6)利用核密度估计法拟合直线斜率在设定的3/4至4/3范围内的细胞群在SSC-A上的分布，判断密度曲线峰值是否高于整体数据的SSC-A的中位数位置，若高则将该细胞群内细胞归类为非特异细胞，否则将该细胞群内细胞归类为其他细胞。如图3中黑框中浅色的细胞为 AI分析出的混在有核细胞中的非特异细胞。
其中所述的判断密度曲线峰值是否高于整体数据的SSC-A的中位数位置，是利用所有流式细胞SSC-A的数据，计算出SSC-A所对应的荧光强度数据的核密度概率密度函数，利用 python的scipy.signal模块中的函数find_peaks进行对所有流式细胞SSC-A值计算出的核密度概率密度函数曲线进行峰值检测，峰值检测时将输入参数prominence和height的值均设置为核密度概率密度最大值×0.1，检测结果为该核密度概率密度函数曲线的若干个峰值及谷值，将最大峰值对应的SSC-A值与整体流式细胞SSC-A的中位数值进行比较，若高则将该细胞群内细胞归类为非特异细胞，否则将该细胞群内细胞归类为其他细胞。
如下图4、图5、图6所示，非特异干扰细胞在CD10/CD45、CD58/CD10、CD38/CD45 上的分布，通过一元线性拟合，可对该群细胞进行直线拟合，斜率均在3/4至4/3之间。

Claims (5)

1.一种判断非特异细胞群的方法，其特征在于，包括如下步骤：
1)提取FCS格式或LMD格式文件中的流式细胞数据，所述的流式细胞数据包含：每个流式细胞前向角散射光FSC、侧向散射光SSC数据及若干抗体对应的荧光强度值；
2)分别对所有细胞FSC-A和SSC-A采用核密度估计方法，去除细胞碎片；
3)根据去除细胞碎片后的流式细胞的所有抗体对应的荧光强度采用聚类的方法，将有效细胞分为若干个细胞群；
4)遍历流式细胞任意两两抗体组合，使用每个细胞群内若干个细胞在各个抗体组合下的荧光强度进行一元线性拟合；
5)判断每个细胞群在各个抗体组合下的一元线性拟合出的直线斜率是否都在设定的3/4至4/3范围内；是进入下一步骤，否则归类于其他细胞；
6)利用核密度估计法拟合直线斜率在设定的3/4至4/3范围内的细胞群在SSC-A上的分布，判断密度曲线峰值是否高于整体数据的SSC-A的中位数位置，若高则将该细胞群内细胞归类为非特异细胞，否则将该细胞群内细胞归类为其他细胞。
2.根据权利要求1所述的一种判断非特异细胞群的方法，其特征在于，步骤2)包括：利用核密度估计方法计算FSC-A和SSC-A的核密度概率密度函数，其中，
FSC-A的核密度概率密度函数计算公式如下：
Figure FDA0003048674050000011
其中，f(fsca)为FSC-A的核密度概率密度函数，fscai为i个流式细胞的FSC-A，i＝1...n；h为带宽，默认设为10；K为核函数，采用高斯核函数，计算公式：
Figure FDA0003048674050000012
SSC-A的核密度概率密度函数计算公式：
Figure FDA0003048674050000013
其中，f(ssca)为SSC-A的核密度概率密度函数，sscai为第i个流式细胞的SSC-A，i＝1...n；h为带宽，默认设为10；K为核函数，采用高斯核函数；
利用python的scipy.signal模块中的函数find_peaks对所有流式细胞SSC-A值计算出的核密度概率密度函数曲线进行峰值检测，峰值检测时将输入参数prominence和height的值均设置为核密度概率密度最大值×0.1，检测结果为该SSC-A核密度概率密度函数曲线的若干个峰值及谷值，如果检测结果包含三个及以上峰值，则将所有SSC-A值小于最小谷值的流式细胞划为碎片细胞，所述的最小谷值是指大于最小峰值的首个谷值；
利用python3.6的scipy.signal模块中的峰值检测函数find_peaks对所有流式细胞FSC-A值计算出的核密度概率密度函数曲线进行峰值检测，峰值检测时将输入参数prominence和height的值均设置为核密度概率密度最大值×0.1，检测结果为该FSC-A核密度概率密度函数曲线的若干个峰值及谷值，如果检测结果包含两个以上峰值，则将所有荧光标记FSC-A值小于最小谷值的流式细胞划为碎片细胞，所述的最小谷值是指大于最小峰值的首个谷值。
3.根据权利要求1所述的一种判断非特异细胞群的方法，其特征在于，步骤3)所述的采用聚类的方法，是将有效细胞分为若干个细胞群，是以欧氏距离为基础，首先选择一个细胞点作为第1个细胞群的聚类中心，再选择一个与第1个细胞群的聚类中心欧氏距离最大的细胞点作为第2个细胞群的聚类中心，然后以此类推，确定所有细胞群的聚类中心；最后计算其余未作为聚类中心的细胞点与各个细胞群聚类中心的欧氏距离，按照最小距离原则归入距离最小的细胞群，从而将有效细胞分为若干个细胞群。
4.根据权利要求1所述的一种判断非特异细胞群的方法，其特征在于，步骤4)是遍历流式细胞任意两两抗体组合，利用每个细胞群所有细胞的两两抗体组合的两个抗体对应的荧光强度数据建立一元线性回归模型，然后利用最小二乘法基于均方误差最小化求解一元线性回归模型，得到该细胞群在两两抗体组合的两个抗体对应的荧光强度数据下的一元线性拟合结果。
5.根据权利要求1所述的一种判断非特异细胞群的方法，其特征在于，步骤6)中所述的判断密度曲线峰值是否高于整体数据的SSC-A的中位数位置，是利用所有流式细胞SSC-A的数据，计算出SSC-A所对应的荧光强度数据的核密度概率密度函数，利用python的scipy.signal模块中的函数find_peaks进行对所有流式细胞SSC-A值计算出的核密度概率密度函数曲线进行峰值检测，峰值检测时将输入参数prominence和height的值均设置为核密度概率密度最大值×0.1，检测结果为该核密度概率密度函数曲线的若干个峰值及谷值，将最大峰值对应的SSC-A值与整体流式细胞SSC-A的中位数值进行比较，若高则将该细胞群内细胞归类为非特异细胞，否则将该细胞群内细胞归类为其他细胞。
CN202110479611.9A 2021-04-30 2021-04-30 一种判断非特异细胞群的方法 Active CN113218848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110479611.9A CN113218848B (zh) 2021-04-30 2021-04-30 一种判断非特异细胞群的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110479611.9A CN113218848B (zh) 2021-04-30 2021-04-30 一种判断非特异细胞群的方法

Publications (2)

Publication Number Publication Date
CN113218848A CN113218848A (zh) 2021-08-06
CN113218848B true CN113218848B (zh) 2022-08-12

Family

ID=77090418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110479611.9A Active CN113218848B (zh) 2021-04-30 2021-04-30 一种判断非特异细胞群的方法

Country Status (1)

Country Link
CN (1) CN113218848B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912493B (zh) * 2022-05-27 2022-11-29 深圳见康智能科技有限公司 基于机器学习的流式免疫细胞智能分析系统
CN116642819B (zh) * 2023-07-19 2023-10-10 江苏得康生物科技有限公司 细胞群的识别方法及其装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5380663A (en) * 1984-12-24 1995-01-10 Caribbean Microparticles Corporation Automated system for performance analysis and fluorescence quantitation of samples
EP2767275A1 (en) * 2013-02-13 2014-08-20 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Nortriptyline, haloperidol or prochlorperazine edisylate for use in the treatment of tuberculosis as well as two screening methods
CN104200114A (zh) * 2014-09-10 2014-12-10 中国人民解放军军事医学科学院卫生装备研究所 流式细胞仪数据快速分析方法
CN104568857A (zh) * 2015-01-29 2015-04-29 山东大学 一种新型二维光散射静态细胞仪方法及装置
CN109580458A (zh) * 2018-11-30 2019-04-05 苏州深析智能科技有限公司 流式细胞智能免疫分型方法、装置以及电子设备
CN109906381A (zh) * 2016-08-31 2019-06-18 新加坡科技研究局 鉴别、靶向以及分离人树突细胞(dc)前体“前dc”的方法及其用途
CN110097141A (zh) * 2019-06-04 2019-08-06 华北电力大学 一种采集运维系统智能故障检测方法
CN112313497A (zh) * 2018-04-27 2021-02-02 纳诺斯迪科公司 使用微流式细胞术诊断疾病的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001290505A1 (en) * 2000-03-28 2001-12-11 Dana-Farber Cancer Institute, Inc. Molecular database for antibody characterization
US20030049597A1 (en) * 2001-03-01 2003-03-13 Simon Sanford M. Chimeric fluorescent enzymes and uses thereof
CN101689220A (zh) * 2007-04-05 2010-03-31 奥利安实验室有限公司 用于治疗、诊断和预测医学病症发生的系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5380663A (en) * 1984-12-24 1995-01-10 Caribbean Microparticles Corporation Automated system for performance analysis and fluorescence quantitation of samples
EP2767275A1 (en) * 2013-02-13 2014-08-20 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Nortriptyline, haloperidol or prochlorperazine edisylate for use in the treatment of tuberculosis as well as two screening methods
CN104200114A (zh) * 2014-09-10 2014-12-10 中国人民解放军军事医学科学院卫生装备研究所 流式细胞仪数据快速分析方法
CN104568857A (zh) * 2015-01-29 2015-04-29 山东大学 一种新型二维光散射静态细胞仪方法及装置
CN109906381A (zh) * 2016-08-31 2019-06-18 新加坡科技研究局 鉴别、靶向以及分离人树突细胞(dc)前体“前dc”的方法及其用途
CN112313497A (zh) * 2018-04-27 2021-02-02 纳诺斯迪科公司 使用微流式细胞术诊断疾病的方法
CN109580458A (zh) * 2018-11-30 2019-04-05 苏州深析智能科技有限公司 流式细胞智能免疫分型方法、装置以及电子设备
CN110097141A (zh) * 2019-06-04 2019-08-06 华北电力大学 一种采集运维系统智能故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
心肌细胞钙离子荧光强度数据的数值处理方法比较;阎岩;《首都医科大学学报》;20021231;20-23 *

Also Published As

Publication number Publication date
CN113218848A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113218848B (zh) 一种判断非特异细胞群的方法
CN109952614B (zh) 生物粒子的分类系统和方法
US7043500B2 (en) Subtractive clustering for use in analysis of data
KR20130118275A (ko) 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화
US20080172185A1 (en) Automatic classifying method, device and system for flow cytometry
CN103984939B (zh) 一种样本有形成分分类方法及系统
CN107389536B (zh) 基于密度-距离中心算法的流式细胞粒子分类计数方法
CN104200114A (zh) 流式细胞仪数据快速分析方法
CN105740914A (zh) 一种基于近邻多分类器集成的车牌识别方法及系统
CN111273607B (zh) 基于Spark的数控机床运行状态监测方法
CN104182728A (zh) 一种基于模式识别的车标自动定位与识别方法
CN113188982B (zh) 淋巴细胞亚群自动分析中有效去除单核细胞干扰的方法
Cavalin et al. Wood defect detection using grayscale images and an optimized feature set
CN113516105A (zh) 一种车道检测方法、装置及计算机可读存储介质
Hu et al. Accurate identification strategy of coal and gangue using infrared imaging technology combined with convolutional neural network
CN116348921A (zh) 用于将细胞分类的方法
CN111292807A (zh) 一种单细胞转录组数据中分析双细胞的方法
CN113128584A (zh) 一种多功能雷达脉冲序列的模式级无监督分选方法
CN112633296A (zh) 一种基于聚类分析的视觉工业零部件明暗等级划分方法
CN111274949A (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
CN104239411B (zh) 一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法
CN114912493B (zh) 基于机器学习的流式免疫细胞智能分析系统
CN112557285B (zh) 一种流式细胞检测数据自动设门方法和装置
CN110689087B (zh) 一种基于概率似然的图像样本生成方法
CN111160401B (zh) 一种基于均值漂移和XGBoost的异常用电判别方法

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