CN113237818A - 一种细胞分析方法和系统 - Google Patents

一种细胞分析方法和系统 Download PDF

Info

Publication number
CN113237818A
CN113237818A CN202110595121.5A CN202110595121A CN113237818A CN 113237818 A CN113237818 A CN 113237818A CN 202110595121 A CN202110595121 A CN 202110595121A CN 113237818 A CN113237818 A CN 113237818A
Authority
CN
China
Prior art keywords
image
cell
fluorescence
cells
analyzed
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
CN202110595121.5A
Other languages
English (en)
Inventor
陈燕芳
范伟亚
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.)
Shanghai Ruiyu Biotech Co Ltd
Original Assignee
Shanghai Ruiyu Biotech 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 Shanghai Ruiyu Biotech Co Ltd filed Critical Shanghai Ruiyu Biotech Co Ltd
Priority to CN202110595121.5A priority Critical patent/CN113237818A/zh
Publication of CN113237818A publication Critical patent/CN113237818A/zh
Priority to EP21885279.6A priority patent/EP4212853A4/en
Priority to PCT/CN2021/127199 priority patent/WO2022089552A1/zh
Priority to US18/301,247 priority patent/US20230273188A1/en
Pending legal-status Critical Current

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G01N2015/1022—Measurement of deformation of individual particles by non-optical means
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本说明书实施例提供一种细胞分析的方法、系统和介质。所述方法包括获取细胞样品的图像，所述图像包括明场图像和/或暗场图像；基于待分析细胞参数，确定至少一种荧光标记物和至少一种激发光；获取所述至少一种激发光照射下的标记细胞样品的至少一幅荧光图像；所述标记细胞样品由所述至少一种荧光标记物标记获取；基于所述图像和所述至少一幅荧光图像，获取融合图像；以及分析所述融合图像，获取所述待分析细胞参数的值。

Description

一种细胞分析方法和系统
技术领域
本说明书涉及图像处理领域，特别涉及一种细胞分析方法和系统。
背景技术
图像式细胞分析是基于生物体的细胞样品的图像对细胞的某项性能如活性、增值能力等进行分析的技术。例如，医生可以通过分析患者的细胞样本图像中各种细胞类型的数量，诊断患者所患的疾病。为了提高细胞分析的准确性，所述图像需要融合更多的有效信息。
因此，希望提供一种细胞分析的方法和系统，可以基于融合图像提高细胞分析的准确性。
发明内容
本说明书实施例之一提供一种细胞分析的方法。所述细胞分析的方法包括：获取细胞样品的图像，所述图像包括明场图像和/或暗场图像；基于待分析细胞参数，确定至少一种荧光标记物和至少一种激发光；获取所述至少一种激发光照射下的标记细胞样品的至少一幅荧光图像；所述标记细胞样品由所述至少一种荧光标记物标记获取；基于所述图像和所述至少一幅荧光图像，获取融合图像；以及分析所述融合图像，获取所述待分析细胞参数的值。
本说明书实施例之一提供一种细胞分析系统。所述细胞分析系统包括图像获取模块，用于获取细胞样品的图像，所述图像包括明场图像和/或暗场图像；激发光标记物确定模块，用于基于待分析细胞参数，确定至少一种荧光标记物和至少一种激发光；荧光图像获取模块，用于获取所述至少一种激发光照射下的标记细胞样品的所述至少一幅荧光图像；所述标记细胞样品由所述至少一种荧光标记物标记获取；图像融合模块，用于基于所述图像和所述至少一幅荧光图像，获取融合图像；以及图像分析模块，用于分析所述融合图像，获取所述待分析细胞参数的值。
本说明书实施例之一提供一种细胞分析装置，包括处理器，所述处理器用于执行细胞分析方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行细胞分析方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的细胞分析系统的应用场景示意图；
图2是根据本说明书一些实施例所示的细胞分析方法的示例性流程图；
图3是根据本说明书一些实施例所示的获取融合图像的示例性流程图；
图4是根据本说明书一些实施例所示的分析融合图像的示例性流程图；
图5是根据本说明书一些实施例所示的图像识别模型的示例性示意图；
图6是根据本说明书一些实施例所示的基于多个目标图像块的颜色特征和形状特征，获取待分析细胞参数的值的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的细胞分析系统的应用场景示意图。
如图1所示，细胞分析系统100可以包括服务器110、网络120、存储设备130和图像采集装置140。
服务器110可以用于管理资源以及处理来自细胞分析系统100至少一个组件或外部数据源(例如，云数据中心)的数据和/或信息。例如，将图像(明场图像和/或暗场图像)和荧光图像进行融合，获取融合图像。又例如，分析融合图像。在处理过程中，服务器110可以从存储设备130获取数据(如图像识别模型)或将数据(例如，融合图像)保存到存储设备130，也可以通过网络120从图像采集装置140等其他来源读取数据(例如，明场图像或暗场图像)。
在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式系统)，可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中，服务器110可以是区域的或者远程的。在一些实施例中，服务器110可以在云平台上实施，或者以虚拟方式提供。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，服务器110可包含处理设备112。处理设备112可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本申请中描述的功能。在一些实施例中，处理设备112可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理设备112可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可以连接细胞分析系统100的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点120-1、120-2、…，通过这些进出点系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。
存储设备130可以用于存储数据(如明场图像、暗场图像和荧光图像和图像识别模型)和/或指令。存储设备130在单个中央服务器、通过通信链路连接的多个服务器或多个个人设备中实现。在一些实施例中，存储设备130可包括大容量存储器、可移动存储器、挥发性读写存储器(例如，随机存取存储器RAM)、只读存储器(ROM)等或以上任意组合。示例性的，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，存储设备130可在云平台上实现。
图像采集装置140可以用于获取图像(明场图像和/或暗场图像)和至少一幅荧光图像。在一些实施例中，获取图像(明场图像和/或暗场图像)和获取至少一幅细胞荧光图像的图像采集装置可以相同。例如，图像采集装置140可以是金相显微镜。在一些实施例中，获取图像(明场图像和/或暗场图像)和获取至少一幅荧光图像的图像采集装置可以不同。例如，图像采集装置140可以包括用于获取明场图像的明视场显微镜、用于获取暗场图像的暗视场显微镜，和用于获取至少一幅荧光图像的荧光显微镜。
在一些实施例中，细胞分析系统100可以包括图像获取模块、激发光标记物确定模块、荧光图像获取模块、图像融合模块和图像分析模块。
图像获取模块可以用于获取细胞样品的图像。所述图像可以包括明场图像和/或暗场图像。在一些实施例中，图像获取模块还可以用于提供照射到细胞样品上的明场光源。
关于图像获取模块的更多描述可以参见步骤210，在此不再赘述。
激发光及标记物确定模块可以用于基于待分析细胞参数，确定至少一种荧光标记物和至少一种激发光。在一些实施例中，待分析细胞参数包括细胞类型、细胞数量和细胞尺寸中至少一种。在一些实施例中，细胞类型包括活细胞、坏死细胞、凋亡细胞、空泡细胞、碎片细胞和杂质。在一些实施例中，所述至少一种荧光标记物包括吖啶橙和碘化丙啶。在一些实施例中，所述至少一种荧光标记物为预先固定的荧光标记物组合。
荧光图像获取模块可以用于获取所述至少一种激发光照射下的标记细胞样品的所述至少一幅荧光图像；所述标记细胞样品由所述至少一种荧光标记物标记获取。在一些实施例中，荧光图像获取模块还可以用于提供照射到细胞样品上的激发光光源。
图像融合模块可以用于基于所述图像和所述至少一幅荧光图像，获取融合图像。在一些实施例中，图像融合模块可以提取所述图像的第一特征点和每一幅所述荧光图像的第二特征点；基于所述第一特征点和所述第二特征点，配准所述图像和所述至少一幅荧光图像；基于透明度和/或色度融合配准后的所述图像和所述至少一幅荧光图像，获取所述融合图像。
图像分析模块可以用于分析所述融合图像，获取所述待分析细胞参数的值。在一些实施例中，图像分析模块可以基于所述融合图像，获取多个目标图像块。所述目标图像块为包含目标物的图像块。在一些实施例中，图像分析模块可以提取所述多个目标图像块的颜色特征和形状特征。在一些实施例中，图像分析模块可以基于所述多个目标图像块的所述颜色特征和所述形状特征，获取所述待分析细胞参数的值。例如，对于每一个所述目标图像块，基于所述目标图像块的所述颜色特征，获取所述目标图像块对应的所述颜色，并基于所述颜色判断对应的所述目标物对应的类别，包括：如果所述颜色为均匀绿色，则判断所述目标物为活细胞；如果所述颜色为深绿色或不均匀淡绿色，则判断所述目标物为凋亡细胞；如果所述颜色为红色，则判断所述目标物为坏死细胞；如果所述目标物没有颜色，则基于所述形状特征进一步判断所述目标物为空泡细胞、细胞碎片和杂质中的一种。
在一些实施例中，图像分析模块还可以基于图像识别模型处理所述融合图像，获取所述待分析细胞参数的值。在一些实施例中，所述图像识别模型为机器学习模型。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的图像获取模块、激发光标记物确定模块、荧光图像获取模块、图像融合模块和图像分析模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，图像获取模块和荧光图像获取模块可以为同一个模块，既可以获取细胞样本的明场图像，也可以获取细胞样本的荧光图像。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
细胞分析是通过分析生物体的细胞样品的图像，以便确定该生物体的生命活动状态的技术。例如，医生可以通过分析患者的细胞样本图像中各种细胞类型的数量，诊断患者所患的疾病。又例如，农业科技领域可以通过分析植物的细胞样本图像中各种细胞类型的数量，分析植物的生长周期。用于分析的细胞样本图像中包含的有效信息越多，细胞分析的效率和准确率越高。
图2是根据本说明书一些实施例所示的细胞分析方法的示例性流程图。如图2所示，流程200包括下述步骤：
步骤210，获取细胞样品的图像。在一些实施例中，图像获取模块可以执行步骤210。
细胞样品的图像可以包括明场图像和/或暗场图像。
明场图像是生物体的细胞样品在明场中的图像。例如，人体组织切片、植物细胞样本在明场中的图像。在一些实施例中，图像获取模块可以提供照射到细胞样品上的明场光源，使得明场中观测到的视野背景是明亮的，目标物的边缘是黑暗的。
暗场图像是生物体的细胞样品在暗场中的图像。例如，人体组织切片、植物细胞样本在暗场中的图像。暗场中观测到的视野背景是黑暗的，目标物的边缘是明亮的。
在一些实施例中，细胞样品的图像(明场图像和/或暗场图像)的格式可以包括Joint Photographic Experts Group(JPEG)图像格式、Tagged Image File Format(TIFF)图像格式、Graphics Interchange Format(GIF)图像格式、Kodak Flash PiX(FPX)图像格式和Digital Imaging and Communications in Medicine(DICOM)图像格式等。
在一些实施例中，细胞样品中的目标物可以包括细胞、细胞碎片和杂质。细胞是生物体基本的结构和功能单位。细胞可以由细胞膜、细胞质和细胞核组成，例如，人体细胞。细胞还可以由细胞壁、细胞质和细胞核组成，例如，植物细胞。细胞碎片是不具有完整细胞结构的细胞组分，例如，人体细胞的细胞膜。杂质是细胞样品中的外来物质，例如灰尘、颗粒等。
明场图像中的背景是明亮的，细胞、细胞碎片和杂质的边缘是黑暗的。暗场图像中的背景是黑暗的，细胞、细胞碎片和杂质的边缘是明亮的。基于细胞明场和/或暗场图像中目标物的形状，可以区分出细胞、细胞碎片和杂质。以细胞样品的明场图像为例，如果目标物具有完整的细胞结构，呈较均一的圆球形，且透明发亮，则可以是细胞；如果目标物呈大小不一的圆球形、椭圆球形或者不规则形，且透明差，则可以是细胞碎片；如果目标物形状不规则，且不透明，则可以是杂质。
在一些实施例中，基于图像中目标物的形状，可以进一步区分出细胞中的空泡细胞。空泡细胞是由于细胞老化、PH值问题、胰酶消化、自噬及污染等问题导致的空泡化的细胞。如果细胞内部存在空泡，则可以是空泡细胞，否则为非空泡细胞。
在一些实施例中，图像获取模块可以通过图像采集装置获取图像(明场图像和/或暗场图像)。示例性地，图像采集装置可以包括明视场显微镜、暗视场显微镜和金相显微镜等。
步骤220，基于待分析细胞参数，确定至少一种荧光标记物和至少一种激发光。在一些实施例中，激发光标记物确定模块可以执行步骤220。
待分析细胞参数是表征细胞样品中细胞状态和细胞数量的统计数据，可以反映细胞样品所属的生物体的生命活动状态。
在一些实施例中，待分析细胞参数可以包括细胞类型、细胞数量和细胞尺寸中的至少一种。
细胞类型可以表征细胞样品中目标物的属性。例如，细胞类型可以包括活细胞、凋亡细胞、坏死细胞、空泡细胞、细胞碎片和杂质。其中，活细胞是可进行新陈代谢、繁殖及复制的细胞。凋亡细胞是为维持内环境稳定，由基因控制的自主性、有序性的死亡的细胞。坏死细胞是指经过极端的物理、化学因素或严重的病理性刺激引起的损伤和死亡的细胞。基于不同的凋亡周期，凋亡细胞还可以进一步包括早期凋亡细胞、早中期凋亡细胞、中晚期凋亡细胞和晚期凋亡细胞。
细胞数量可以包括细胞总数和每种细胞类型对应的细胞数量。例如，每种细胞类型对应的细胞数量可以包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、细胞碎片数量和杂质数量。在一些实施例中，细胞数量还可以包括细胞结团数量。其中，细胞结团是指两个或两个以上细胞相交。例如，两个活细胞相交则为一个活细胞结团。
细胞尺寸是表征细胞形态的参数，可以包括细胞直径、细胞面积和细胞圆度等。其中，细胞圆度是指细胞接近于理论圆形的程度。
在一些实施例中，待分析细胞参数还可以进一步包括每种细胞类型对应的细胞数量和细胞总数的百分比。例如，凋亡率可以表示凋亡细胞数量和细胞总数的百分比。存活率可以表示活细胞数量和细胞总数的百分比。杂质比可以表示杂质数量和细胞总数的百分比。
在一些实施例中，激发光标记物确定模块可以从客户端直接获取用户输入的待分析细胞参数。例如，激发光标记物确定模块从客户端直接获取用户输入的待分析细胞参数可以包括凋亡率和存活率。
在一些实施例中，激发光标记物确定模块也可以基于不同的用户需求，确定对应的待分析细胞参数。例如，用户需求为分析细胞数量和存活率，激发光标记物确定模块可以确定对应的待分析细胞参数包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、细胞碎片数量和杂质数量。又例如，用户需求为分析细胞凋亡，激发光标记物确定模块可以确定对应的待分析细胞参数还进一步包括早期凋亡细胞数量和晚期凋亡细胞数量。
荧光标记物是吸收能量后能发射出光波的物质。在一些实施例中，荧光标记物可以包括荧光染剂和荧光蛋白。
荧光染剂是吸收能量后能发射出光波的无机化合物。在一些实施例中，荧光染剂可以包括吖啶橙(AO)、碘化丙啶(PI)、溴化乙啶(EB)和异硫氰酸(FITC)等。
荧光蛋白是吸收能量后能发射出光波的蛋白质。在一些实施例中，荧光染剂可以包括绿色荧光蛋白(Green Fluorescent Protein，GFP)、强力增强型蓝色荧光蛋白2(Strongly Enhanced Blue Fluorescent Protein 2，SBFP2)和能量转移黄色荧光蛋白(Yellow Fluorescent Protein For Energy Transfer，YPet)等。
荧光即荧光标记物在激发光激发下发射出的光波。不同的荧光标记物对不同目标物的染色程度不同，从而使得不同目标物发射出不同波长的荧光，进一步显示出不同的颜色。
例如，吖啶橙(AO)具有膜通透性，可以透过活细胞的细胞膜，使活细胞显示绿色或黄绿色的均匀荧光；使染色质为大小不等片断的凋亡细胞显示致密浓染的黄绿色荧光；使坏死细胞、空泡细胞、杂质和细胞碎片等显示微弱荧光或不显示荧光颜色。又例如，碘化丙啶(PI)可以穿过破损的细胞膜对核染色，使坏死细胞显示红色荧光，使其他细胞、细胞碎片和杂质不显示荧光颜色。
在一些实施例中，激发光标记物确定模块可以确定待分析细胞参数对应的至少一种荧光标记物。
在一些实施例中，待分析细胞参数可以对应单一的荧光标记物，例如AO、PI等。示例性地，待分析细胞参数包括凋亡率和存活率，基于明场图像可以获取细胞总数，为了进一步获取活细胞数量和凋亡细胞数量，从而获取凋亡率和存活率，荧光标记物可以是分别使活细胞显示绿色或黄绿色的均匀荧光和使凋亡细胞显示致密浓染的黄绿色荧光的AO。
在一些实施例中，待分析细胞参数可以对应多种荧光标记物的组合，例如AO/PI、AO/EB等。示例性地，待分析细胞参数包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、细胞碎片数量和杂质数量，基于明场图像可以获取空泡细胞数量、细胞碎片数量和杂质数量，为了进一步获取活细胞数量、凋亡细胞数量和坏死细胞数量，多种荧光标记物的组合可以是AO/PI。AO/PI不仅可以使活细胞显示绿色或黄绿色的均匀荧光，和使凋亡细胞显示致密浓染的黄绿色荧光，还可以使坏死细胞显示红色荧光。
在一些实施例中，待分析细胞参数还可以对应至少一种荧光标记物和其他试剂的组合。例如，其他试剂可以是Annexin V，至少一种荧光标记物和Annexin V的组合可以包括Annexin V/PI、Annexin V/FITC、Annexin V/PI/FITC等。Annexin V是一种膜联蛋白，能够和磷脂酰丝氨酸(Phosphatidylserine,PS)高亲和力特异性结合。
示例性地，待分析细胞参数包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、细胞碎片数量、杂质数量、早期凋亡细胞数量和晚期凋亡细胞数量，基于明场图像可以获取空泡细胞数量、细胞碎片数量和杂质数量，为了进一步获取活细胞数量、凋亡细胞数量、坏死细胞数量、早期凋亡细胞数量和晚期凋亡细胞数量，至少一种荧光标记物和其他试剂的组合可以是Annexin V/PI/FITC。凋亡细胞的磷脂酰丝氨可以从细胞膜的内侧翻转到细胞膜的表面，和Annexin V结合后被FITC染色，从而在细胞膜外侧显示绿色荧光。活细胞的磷脂酰丝氨在细胞膜内侧，因此不会在细胞膜外侧显示绿色的均匀荧光。PI可以穿过破损的细胞膜对核染色，使坏死细胞和晚期凋亡细胞的细胞膜内侧显示红色荧光。因此，Annexin V/PI/FITC可以使活细胞不显示荧光，使早期凋亡细胞的细胞膜外侧显示绿色荧光、内侧不显示荧光，使晚期凋亡细胞的细胞膜外侧显示绿色荧光，内侧显示红色荧光，使坏死细胞显示红色荧光。
在一些实施例中，激发光标记物确定模块可以基于待分析细胞参数，通过细胞分析系统100中预先设置的待分析细胞参数和至少一种荧光标记物的对应关系，确定对应的至少一种荧光标记物。
在一些实施例中，至少一种荧光标记物也可以是为预先固定的荧光标记物组合。预先固定的荧光标记物组合是所有待分析细胞参数可能对应的所有荧光标记物的组合。可以理解，使用预先固定的荧光标记物组合，可以不考虑待分析细胞参数的类型。例如，预先固定的荧光标记物组合为Annexin V/PI/FITC/EB/AO，当待分析参数包括凋亡率和存活率时，或者包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、细胞碎片数量和杂质数量时，又或者包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、细胞碎片数量、杂质数量、早期凋亡细胞数量和晚期凋亡细胞数量，基于明场图像可以获取空泡细胞数量、细胞碎片数量和杂质数量时，均使用Annexin V/PI/FITC/EB/AO进行染色。
激发光是激发荧光标记物吸收能量的光波。激发光标记物确定模块可以基于荧光标记物确定对应的激发光。在一些实施例中，为了达到更好的荧光效果，不同的荧光标记物需要匹配不同波长的激发光激发，从而吸收激发光的能量。例如，吖啶橙(AO)、碘化丙啶(PI)、异硫氰酸(FITC)的激发光波长可以分别为480nm、525nm、494nm。在一些实施例中，不同的荧光标记物可以使用相同波长的激发光激发。例如，吖啶橙(AO)、碘化丙啶(PI)、异硫氰酸(FITC)三者或其中任意两者都可以使用波长为488nm的激发光激发。
本说明书的一些实施例基于待分析细胞参数，确定对至少一种荧光标记物和对应的至少一种激发光，可以适用多种用户需求，提高细胞分析系统的适用性和针对性。
当所述至少一种荧光标记物为预先固定的荧光标记物组合时，激发光标记物确定模块可以基于待分析细胞参数确定对应的激发光。例如，待分析细胞参数包括凋亡率和存活率，为了让预先固定的荧光染剂组合中的AO使活细胞显示绿色或黄绿色的均匀荧光和使凋亡细胞显示致密浓染的黄绿色荧光，激发光波长可以为488nm。
本说明书的一些实施例不考虑具体的待分析细胞参数，使用预先固定的荧光染剂组合对细胞样品进行标记，再基于待分析细胞参数选择对应的激发光，激发标记细胞样品显示对应的荧光，可以省略选择荧光染剂的步骤，从而提高细胞分析的效率。
步骤230，获取至少一种激发光照射下的标记细胞样品的所述至少一幅荧光图像。在一些实施例中，荧光图像获取模块可以执行步骤230。
标记细胞样品是被荧光标记物标记的细胞样品，在激发光的照射下会发射出荧光。在一些实施例中，标记细胞样品由所述至少一种荧光标记物标记获取。
在一些实施例中，标记细胞样品中至少包括标记目标物。其中，被荧光染剂标记的目标物可以包括染色细胞，被荧光蛋白标记的目标物可以包括转染细胞。以染色细胞为例，当待分析细胞参数包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、细胞碎片数量、杂质数量时，标记目标物可以由荧光染色剂AO/PI染色获取(即标记获取)，所述标记目标物可以包括染色细胞：活细胞、凋亡细胞和坏死细胞。
在一些实施例中，所述标记细胞样品还可以包含其他未标记的目标物。未标记的目标物不会被荧光染色剂染色和/或被荧光蛋白融合，因此在激发光的照射下不会发射出荧光。继续沿用上述示例，未标记的目标物可以包括未染色的空泡细胞、细胞碎片和杂质。
荧光图像是标记细胞样品在激发光照射下发射出荧光的图片，所述荧光的波长大于激发光的波长。例如，被AO/PI标记的人体组织切片在波长为488nm的激发光照射下发射出荧光的图像。
在一些实施例中，荧光图像的格式可以包括JPEG图像格式、TIFF图像格式、GIF图像格式、FPX图像格式和DICOM图像格式等。
荧光图像可以通过明视野成像(例如匹配明视野聚光镜)，也可以通过暗视野成像(例如匹配暗视野聚光镜)。荧光图像中的背景是黑暗的，发射荧光的标记的目标物是具有荧光颜色的。因此，在荧光图像中可以显示发射荧光的标记目标物，不能显示未标记的目标物。
在一些实施例中，荧光图像获取模块可以用至少一种激发光分别照射所述标记细胞样品，获取所述至少一种荧光标记物对应的至少一幅荧光图像。例如，荧光标记物为荧光染剂Annexin V/PI/FITC，荧光图像获取模块可以用波长为488nm的激发光照射所述标记细胞样品，获取荧光染剂PI对应的PI荧光图像，再用波长为494nm的激发光照射所述标记细胞样品，获取荧光染剂FITC对应的FITC荧光图像。
在一些实施例中，荧光图像获取模块可以用至少一种激发光同时照射所述标记细胞样品，获取一幅所述荧光图像，所述一幅荧光图像至少包含两种荧光标记物的荧光信息。例如，荧光标记物为荧光染剂Annexin V/PI/FITC，荧光图像获取模块可以用波长为488nm的激发光和波长为494nm的激发光同时照射所述标记细胞样品，获取荧光染剂PI和FITC对应的PI/FITC荧光图像。又例如，荧光染剂为AO/PI，荧光图像获取模块可以用波长为488nm的激发光同时照射所述标记细胞样品，获取荧光染剂AO和PI对应的AO/PI荧光图像。
在一些实施例中，荧光图像获取模块可以通过图像采集装置获取荧光图像。获取荧光图像的图像采集装置和获取图像(明场图像/暗场图像)的图像采集装置可以不同(如荧光显微镜和明场/暗场显微镜等)，也可以相同(如同时包含荧光成像模式和明场/暗场成像模式的显微镜等)。
本说明书的一些实施例可以基于相同或不同的激发光同时照射标记细胞样品，使得获取的荧光图像中同时包含多种荧光标记物标记后染色细胞和/或转染细胞显示的颜色特征，减少后续图像融合的图像数量，从而提高细胞分析的效率。
步骤240，基于所述图像和所述至少一幅荧光图像，获取融合图像。在一些实施例中，图像融合模块可以执行步骤240。
融合图像是用于细胞分析的图像，可以同时包含图像(明场图像或暗场图像)和至少一张荧光图像中的信息。
在一些实施例中，图像融合模块可以先配准所述图像(明场图像和/或暗场图像)和至少一张荧光图像，再融合配准后的所述图像(明场图像和/或暗场图像)和至少一张荧光图像，获取融合图像。关于获取融合图像的具体描述可以参见图3及其相关描述，在此不再赘述。
步骤250，分析所述融合图像，获取所述待分析细胞参数的值。在一些实施例中，图像分析模块可以执行步骤250。
在一些实施例中，图像分析模块可以分析融合图像中各目标物的颜色和形态，获取待分析细胞参数的值。关于获取待分析细胞参数的值的具体描述可以参见图4及其相关描述，在此不再赘述。
图3是根据本说明书一些实施例所示的获取融合图像的示例性流程图。在一些实施例中，流程300可以由图像融合模块执行。如图3所示，流程300包括下述步骤。
步骤310，提取所述图像的第一特征点和每一幅所述荧光图像的第二特征点。
在一些实施例中，荧光图像可以通过明视野成像，也可以通过暗视野成像。
第一特征点和第二特征点是细胞样品上的同一空间点分别在图像(明场图像和/或暗场图像)和在荧光图像上的像素点。
在一些实施例中，第一特征点和至少一个第二特征点可以对应于细胞样品上的同一目标物特征。在一些实施例中，所述同一目标物特征可以包括颜色特征、纹理特征和形状特征等。例如，细胞样本中某细胞的形状特征为该细胞上的某一段弧线，则第一特征点为该段弧线在图像(明场图像和/或暗场图像)中对应的像素点，第二特征点为该段弧线在荧光图像中对应的像素点。在一些实施例中，图像融合模块可以通过手动查找、自动查找和半自动查找等方式查找第一特征点和第二特征点。在一些实施例中，图像融合模块还可以通过相似度测量选取查找到的第一特征点和第二特征点。在一些实施例中，相似度测量可以包括基于互信息的测量、基于傅里叶分析的测量等等中的一种或多种的任何组合。
在一些实施例中，第一特征点和至少一个第二特征点也可以对应于细胞样品上的同一位置坐标。例如，当明场图像和荧光图像位于同一视野，则第一特征点和第二特征点可以分别是明场图像和荧光图像上的中心位置点。
步骤320，基于所述第一特征点和所述第二特征点，配准所述图像和所述至少一幅荧光图像。
配准是确定细胞样品上的多个空间点在图像(明场图像或暗场图像)和至少一幅荧光图像上的像素点之间的对应关系。在一些实施例中，图像融合模块可以通过配准算法找出所述对应关系。
示例性地，图像融合模块可以通过配准算法，基于明场图像中某细胞上的某一段弧线上的至少部分像素点(即第一特征点)和荧光图像中该细胞上的该段弧线上的至少部分像素点(即第二特征点)之间的对应关系，找到明场图像和荧光图像之间的对应关系。
在一些实施例中，配准算法可以包括基于点的配准算法(例如，基于特征标志的配准算法)、基于曲线的配准算法、基于表面的配准算法(例如，基于表面轮廓的配准算法)、空间对齐配准算法、互相关配置配准算法、基于互信息的配准算法、顺序相似度检测算法(SSDA)、非线性变换配准算法、B样条配准算法等，或其任意组合。
步骤330，基于透明度和/或色度融合配准后的所述图像和所述至少一幅荧光图像，获取所述融合图像。
融合图像是用于细胞分析的图像。融合是将多幅图像中的信息综合到一幅图像中。为了使得融合图像中同时包含图像(明场图像和/或暗场图像)中目标物的形状信息和荧光图像中目标物显示的颜色信息，图像融合模块可以将配准后的图像和至少一幅荧光图像进行融合。
在一些实施例中，图像融合模块可以基于透明度将配准后的所述图像和所述至少一幅荧光图像进行融合。基于透明度进行融合是将具有不同透明度的图像进行重叠，将重叠后的多幅图像作为融合图像。
在一些实施例中，基于透明度进行融合可以包括Alpha融合。示例性地，Alpha融合可以先分别为明场图像和至少一幅荧光图像设置不同的透明度，再基于明场图像和至少一幅荧光图像的透明度，将配准后的明场图像和至少一幅荧光图像的像素值线性相加，如公式(1)：
RGB3＝(1-α)RGB2+αRGB1 (1)
其中，α是明场图像的透明度，(1-α)是荧光图像的透明度，RGB1、RGB2和RGB3分别是明场图像、荧光图像和融合图像上各像素点在红绿蓝三个颜色分量上的值。
在一些实施例中，图像融合模块可以基于色度进行融合。基于色度进行融合是将不同图像的色度进行特定运算，得到所述融合图像的色度，从而获取融合图像。例如，配准后的明场图像中的像素点A’和荧光图像中的像素点A”具有对应关系，基于像素点A’的色度RGB(220,200,100)和像素点A”的色度RGB(0,200,200)各颜色分量的平均值，可以获取融合图像中对应的像素点A的色度RGB(110,200,150)。
在一些实施例中，图像融合模块还可以进一步融合基于透明度获取的融合图像和基于色度获取的融合图像，获取最终的融合图像。
本说明书的一些实施例基于透明度和/或色度融合明场图像和荧光图像，可以在保留不同图像中目标物的形态特征的同时，融合不同荧光图像中目标物的颜色特征，使得融合图像包含更多信息，从而提高细胞分析的准确性。
在一些实施例中，融合还可以包括但不限于泊松融合算法、线性融合算法和Collage算法等中的一种或多种的组合。
图4是根据本说明书一些实施例所示的分析融合图像的示例性流程图。在一些实施例中，流程400可以由图像分析模块执行。如图4所示，流程400包括下述步骤。
步骤410，基于所述融合图像，获取多个目标图像块。
目标图像块为包含单个目标物的图像块。在一些实施例中，图像分析模块可以通过检测算法，从融合图像中获取目标图像块。
在一些实施例中，检测算法可以通过对融合图像进行分割，根据分割得到的图像块的特征来检测单个目标物。具体地，检测算法可以先通过多尺度(multi-scale)的滑动窗口(Sliding-window)、选择性搜索(Selective Search)、神经网络或其他方法从融合图像中提取多个图像块，再提取多个图像块的初始特征，最后基于图像块的初始特征判断图像块是否为目标图像块。其中，初始特征是图像块的浅层特征。例如，初始特征可以仅反映图像块中是否包含封闭线条，而不能反映线条的具体形状。
步骤420，提取目标图像块的颜色特征和形状特征。
颜色特征是表征目标图像块颜色的相关信息，可以反映所述目标图像块中的目标物的颜色。在一些实施例中，颜色特征可以基于目标图像块中各像素点在不同颜色分量中的色度表示。例如，颜色特征可以用目标图像块中各像素点分别在红色分量R、绿色分量G和蓝色分量B上的色度表示。在一些实施例中，颜色特征可以通过其他方式表示(如，颜色直方图、颜色矩、颜色集等)。例如，对目标图像块中各像素点在颜色分量中的色度进行直方图统计，生成表示颜色特征的直方图。又例如，对目标图像块中各像素点在颜色分量中的色度进行特定运算(如，均值、平方差等)，将该特定运算的结果表示该目标图像块的颜色特征。
在一些实施例中，图像分析模块可以通过颜色特征提取算法提取目标图像块的颜色特征。颜色特征提取算法包括：颜色直方图、颜色矩、颜色集、颜色聚合向量和颜色相关图等。例如，图像分析模块可以基于目标图像块中各像素点分别在每个颜色分量的色度，统计梯度直方图，从而获取颜色直方图。又例如，图像分析模块可以将目标图像块分割为多个区域，用目标图像块中各像素点分别在每个颜色分量的色度建立的多个区域的二进制索引的集合，以确定所述目标图像块的颜色集。
形状特征是表征目标图像块轮廓和区域的相关信息，可以反映所述目标图像块中的目标物的形状。
在一些实施例中，图像分析模块可以通过边界特征法、Hough变换检测平行直线法、边界方向直方图法、傅里叶形状描述符法(Fourier shape deors)、形状参数法(shapefactor)、有限元法(Finite Element Method或FEM)、旋转函数(Turning)和小波描述符(Wavelet Deor)等获取形状特征。
步骤430，基于所述多个目标图像块的所述颜色特征和所述形状特征，获取所述待分析细胞参数的值。
在一些实施例中，图像分析模块可以分别基于多个目标图像块的所述颜色特征和所述形状特征，确定融合图像中多个目标图像块对应的多个目标物的颜色和形状，再基于每个目标物的颜色和形状，获取待分析细胞参数的值。
例如，通过荧光染剂AO/PI获取的融合图像中，图像分析模块基于目标图像块A的颜色特征和形状特征，可以确定目标图像块A中的目标物a的颜色为无色，形状为近圆形或其他不规则形状，从而判断所述目标物a可能为空泡细胞。进一步地，图像分析模块可以基于该融合图像中每个目标物的细胞类型，统计获取待分析细胞参数细胞总数、活细胞数量、凋亡细胞数量、坏死细胞数量、空泡细胞数量、杂质数量和细胞碎片数量的值。关于更多获取所述待分析细胞参数的值的相关描述可以参见图6及其相关描述，在此不再赘述。
本说明书的一些实施例基于目标图像块的颜色特征和形状特征确定融合图像中每个目标物的细胞类型，再基于每个目标物对应的细胞类型，获取待分析细胞参数，可以提高细胞分析的准确性。
在一些实施例中，图像分析模块可以基于图像识别模型处理融合图像，获取待分析细胞参数的值。图像识别模型可以是预置参数的机器学习模型。预置参数是指机器学习模型训练过程中，学习到的模型参数。以神经网络为例，模型参数包括权重(Weight)和偏置(bias)等。
图5是根据本说明书一些实施例所示的图像识别模型的示例性示意图。
如图5所示，图像识别模型可以包括目标图像块获取层510、特征提取层520及分析层530。例如，图像分析模块可以利用图像识别模型实现步骤410-430，获取待分析细胞参数的值。具体的，可以基于目标图像块获取层510实现步骤410，基于特征提取层520实现步骤420，基于分析层530实现步骤430。
在一些实施例中，目标图像块获取层510的输入为融合图像540，输出为多个目标图像块550。在一些实施例中，目标图像块获取层的类型可以包括但不限于视觉几何群网络(Visual Geometry Group Network)模型、Inception NET模型、全卷积神经网络(FullyConvolutional Network)模型、分割网络模型和掩模-卷积神经网络(Mask-RegionConvolutional Neural Network)模型等。
在一些实施例中，特征提取层520的输入为多个目标图像块550，输出为每个目标图像块对应的颜色特征560和形状特征570。在一些实施例中，特征提取层的类型可以包括但不限于ResNet、ResNeXt、SE-Net、DenseNet、MobileNet、ShuffleNet、RegNet、EfficientNet或Inception等卷积神经网络(Convolutional Neural Networks,CNN)模型，或循环神经网络模型。
在一些实施例中，分析层530的输入为每个目标图像块对应的颜色特征560和形状特征570，输出为待分析细胞参数的值580。在一些实施例中，分析层的类型可以包括但不限于全连接层、深度神经网络(DNN)等。
在一些实施例中，图像识别模型500的所述预置参数通过训练过程生成。例如，模型获取模块可以基于带有标签的多个训练样本，通过端到端的方式训练初始图像识别模型，以得到图像识别模型。训练样本包括带有标签的样本融合图像。训练样本的标签为样本融合图像中待分析细胞参数的值。在一些实施例中，训练样本的标签可以通过人工标注获取。
在一些实施例中，图像识别模型可以由处理设备或第三方预先训练后保存在存储设备中，处理设备可以从存储设备中直接调用图像识别模型。
本说明书的一些实施例基于图像识别模型分析融合图像，获取待分析细胞参数，可以提高细胞分析的效率；并且基于训练样本的标签的不同，可以得到获取不同待分析细胞参数的图像识别模型，提高细胞分析的适用性和针对性。
图6是根据本说明书一些实施例所示的基于多个目标图像块的颜色特征和形状特征，获取待分析细胞参数的值的示意图。
示例性地，细胞样本的待分析细胞参数包括活细胞数量、坏死细胞数量、凋亡细胞数量、空泡细胞数量、碎片细胞数量和杂质数量，激发光标记物确定模块基于待分析细胞参数确定至少一种荧光试剂为AO/PI。
如图6所示，图像获取模块可以获取该细胞样本的明场图像6a。如图6a所示，目标物6a-1呈大小不一的圆球形、椭圆球形或者不规则形，且透明差，目标物6a-2形状不规则，且不透明,目标物6a-4具有完整的细胞结构，且内部存在空泡，目标物6a-3具有完整的细胞结构，且内部不存在空泡，则可以确定目标物6a-1为细胞碎片(用菱形表示)，目标物6a-2为杂质(用正方形表示)、目标物6a-4为空泡细胞(用带点圆形表示)，目标物6a-3为其他细胞(用空心圆形表示)。
荧光图像获取模块可以获取该细胞样本的AO荧光图像6b和PI荧光图像6c。在激发光照射下，被AO染色的活细胞和凋亡细胞可以分别发射出均匀绿色的荧光和黄绿色的荧光，其余细胞不发射荧光。如图6b所示的AO荧光图像中，目标物6b-1显示深绿色，目标物6b-2显示黄绿色，则可以确定目标物6b-1为活细胞(用深灰色圆形表示)，目标物6b-2为凋亡细胞(用浅灰色圆形表示)。在激发光照射下，被PI染色的坏死细胞可以发射出红色的荧光，其余细胞不发射荧光。如图6c所示的PI荧光图像中，目标物6c-1显示红色，则可以确定目标物6c-1为坏死细胞(用斜纹白底圆形表示)。
图像融合模块可以获取该细胞样本的融合图像6d。综上可知，基于明场图像可以区分出细胞碎片、杂质和空泡细胞，基于AO荧光图像可以区分出活细胞和凋亡细胞，基于PI荧光图像可以区分出坏死细胞。融合图像6d中包含了明场图像6a、AO荧光图像6b和PI荧光图像6c中的目标物的信息，即目标物的颜色特征和形状特征。
图像分析模块可以基于该细胞样本的融合图像6d，确定融合图像6d中所有目标物的细胞类型。具体地，对于融合图像中每一个所述目标图像块，基于所述目标图像块的所述颜色特征，获取所述目标图像块对应的所述颜色，并基于所述颜色判断对应的所述目标物对应的类别。
例如，如果颜色为均匀绿色，则判断该目标物为活细胞；如果颜色为深绿色或不均匀淡绿色，则判断目标物为凋亡细胞；如果颜色为红色，则判断该目标物为坏死细胞。如果目标物没有颜色，则基于形状特征进一步判断该目标物为空泡细胞、细胞碎片和杂质中的一种。
如图6d所示，目标物6d-5为深绿色，则可以确定目标物6d-5为活细胞；目标物6d-6为黄绿色，则可以确定目标物6d-6为凋亡细胞；目标物6d-4为红色，则可以确定目标物6d-4为坏死细胞；目标物6d-1、目标物6d-2和目标物6d-3没有颜色，则分别基于其对应的形状特征“形状不规则，且不透明”、“具有完整的细胞结构，且内部存在空泡”和“呈大小不一的圆球形、椭圆球形或者不规则形，且透明差”，确定目标物6d-1、目标物6d-2、目标物6d-3和目标物6d-4分别为杂质、空泡细胞和细胞碎片。
进一步地，图像分析模块可以基于每个目标物的类型，统计获取待分析细胞参数。例如，图6中细胞类型为活细胞的目标物有100个，则图像分析模块可以获取待分析细胞参数“活细胞数量”的值100，进一步地，可以基于“活细胞数量”和“细胞总数”获取待分析细胞参数“存活率”的值。
上述实施例仅是一个简单说明，本说明书一些实施例所描述的细胞分析方法不仅仅限于AO和/或PI单独染色后融合的情况，也适用于基于其他荧光图像和明场图像(或暗场图像)获取的融合图像。例如，基于Annexin V/PI/FITC荧光图像和明场图像获取的融合图像中，可以基于细胞膜外侧和内侧的颜色区分活细胞、坏死细胞、早期凋亡细胞和晚期凋亡细胞。
本说明书实施例可能带来的有益效果包括但不限于：(1)基于融合图像中包含的图像(明场图像和/或暗场图像)中目标物的形状特征和荧光图像中的颜色特征，可以快速获取待分析细胞参数，提高细胞分析的效率；(2)基于用户需求，自动确定不同待分析细胞参数对应的至少一种荧光染剂和至少一种激发光，可以获取不同待分析细胞参数对应荧光图像，并进一步基于图像(明场图像和/或暗场图像)获取融合图像，以便融合图像中包含的信息对不同的待分析细胞参数有不同的针对性，从而提高细胞分析的效率和准确率；(3)本说明书的一些实施例基于不同待分析细胞参数确定不同的激发光，使用固定的标准化的荧光染剂组合，可以减少确定荧光染剂的步骤，从而提高细胞分析的效率和适用范围。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (11)

1.一种细胞分析的方法，所述方法包括：
获取细胞样品的图像，所述图像包括明场图像和/或暗场图像；
基于待分析细胞参数，确定至少一种荧光标记物和至少一种激发光；
获取所述至少一种激发光照射下的标记细胞样品的至少一幅荧光图像；所述标记细胞样品由所述至少一种荧光标记物标记获取；
基于所述图像和所述至少一幅荧光图像，获取融合图像；以及
分析所述融合图像，获取所述待分析细胞参数的值。
2.如权利要求1所述的方法，所述至少一种激发光为一种激发光，所述至少一幅荧光图像为一幅荧光图像，所述一幅荧光图像上至少包含两种荧光标记物的荧光信息。
3.如权利要求1所述的方法，所述待分析细胞参数包括细胞类型、细胞数量和细胞尺寸中至少一种。
4.如权利要求1所述的方法，所述至少一种荧光标记物为预先固定的荧光标记物组合。
5.如权利要求1所述的方法，所述分析所述融合图像，获取所述待分析细胞参数的值，包括：
基于所述融合图像，获取多个目标图像块，所述目标图像块为包含目标物的图像块；
提取所述多个目标图像块的颜色特征和形状特征；
基于所述多个目标图像块的所述颜色特征和所述形状特征，获取所述待分析细胞参数的值。
6.如权利要求3或5所述的方法，
所述细胞类型包括活细胞、坏死细胞、凋亡细胞、空泡细胞、碎片细胞和杂质；
所述至少一种荧光标记物包括吖啶橙和碘化丙啶；
所述基于所述多个目标图像块的所述颜色特征和所述形状特征，获取所述待分析细胞参数的值包括：
对于每一个所述目标图像块，基于所述目标图像块的所述颜色特征，获取所述目标图像块对应的所述颜色，并基于所述颜色判断对应的所述目标物对应的类别，包括：
如果所述颜色为均匀绿色，则判断所述目标物为活细胞；
如果所述颜色为深绿色或不均匀淡绿色，则判断所述目标物为凋亡细胞；
如果所述颜色为红色，则判断所述目标物为坏死细胞；
如果所述目标物没有颜色，则基于所述形状特征进一步判断所述目标物为空泡细胞、细胞碎片和杂质中的一种。
7.如权利要求1所述的方法，所述基于所述图像和所述至少一幅荧光图像，获取融合图像包括：
提取所述图像的第一特征点和每一幅所述荧光图像的第二特征点；
基于所述第一特征点和所述第二特征点，配准所述图像和所述至少一幅荧光图像；
基于透明度和/或色度融合配准后的所述图像和所述至少一幅荧光图像，获取所述融合图像。
8.如权利要求1所述的方法，所述分析所述融合图像，获取所述待分析细胞参数的值，包括：
基于图像识别模型处理所述融合图像，获取所述待分析细胞参数的值；所述图像识别模型为机器学习模型。
9.一种细胞分析的系统，所述系统包括：
图像获取模块，用于获取细胞样品的图像，所述图像包括明场图像和/或暗场图像；
激发光标记物确定模块，用于基于待分析细胞参数，确定至少一种荧光标记物和至少一种激发光；
荧光图像获取模块，用于获取所述至少一种激发光照射下的标记细胞样品的所述至少一幅荧光图像；所述标记细胞样品由所述至少一种荧光标记物标记获取；
图像融合模块，用于基于所述图像和所述至少一幅荧光图像，获取融合图像；以及
图像分析模块，用于分析所述融合图像，获取所述待分析细胞参数的值。
10.一种细胞分析装置，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至7中任意一项所述的方法。
11.一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1至8中任意一项所述的方法。
CN202110595121.5A 2020-10-28 2021-05-28 一种细胞分析方法和系统 Pending CN113237818A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110595121.5A CN113237818A (zh) 2021-05-28 2021-05-28 一种细胞分析方法和系统
EP21885279.6A EP4212853A4 (en) 2020-10-28 2021-10-28 METHOD AND SYSTEM FOR DETECTING CELL-KILLING EFFICACY AND/OR IMMUNITY ACTIVITY AND USE THEREOF
PCT/CN2021/127199 WO2022089552A1 (zh) 2020-10-28 2021-10-28 细胞杀伤效力和/或免疫活性的检测方法、系统及其应用
US18/301,247 US20230273188A1 (en) 2020-10-28 2023-04-16 Method and system for detecting cell-killing efficacy and/or immune activity, and application thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110595121.5A CN113237818A (zh) 2021-05-28 2021-05-28 一种细胞分析方法和系统

Publications (1)

Publication Number Publication Date
CN113237818A true CN113237818A (zh) 2021-08-10

Family

ID=77135637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110595121.5A Pending CN113237818A (zh) 2020-10-28 2021-05-28 一种细胞分析方法和系统

Country Status (1)

Country Link
CN (1) CN113237818A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066818A (zh) * 2021-10-23 2022-02-18 广州市艾贝泰生物科技有限公司 细胞检测分析方法、装置、计算机设备和存储介质
CN114088606A (zh) * 2021-10-23 2022-02-25 广州市艾贝泰生物科技有限公司 细胞分析装置
CN116453116A (zh) * 2023-06-20 2023-07-18 杭州济扶科技有限公司 一种高适应性的明场细胞活死分类算法
WO2023242387A1 (en) * 2022-06-17 2023-12-21 Institut National de la Santé et de la Recherche Médicale Automated fluorescence-based quantification of pocked red cells
CN118212634A (zh) * 2024-05-16 2024-06-18 吉林大学 间充质干细胞的智能管理系统及方法

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6252664B1 (en) * 1999-10-15 2001-06-26 Biocrystal Ltd. Fluorescence filter cube for fluorescence detection and imaging
EP1316793A1 (en) * 2001-12-03 2003-06-04 Christian Leist Process and apparatus for characterization of a collection of cells
US20100232675A1 (en) * 1999-01-25 2010-09-16 Amnis Corporation Blood and cell analysis using an imaging flow cytometer
WO2011089908A1 (ja) * 2010-01-20 2011-07-28 株式会社ニコン 細胞観察装置及び細胞培養方法
US20110254943A1 (en) * 2010-04-06 2011-10-20 Institute For Systems Biology Automated analysis of images using bright field microscopy
US20120140991A1 (en) * 2007-03-09 2012-06-07 Olympus Corporation Fluorescence observation apparatus
CN104570315A (zh) * 2014-12-30 2015-04-29 中国科学院西安光学精密机械研究所 一种基于结构照明的彩色三维层析显微成像系统及方法
WO2016047676A1 (ja) * 2014-09-24 2016-03-31 国立大学法人弘前大学 生体由来細胞を用いたがん細胞の検出方法
CN105606581A (zh) * 2016-03-21 2016-05-25 中国工程物理研究院激光聚变研究中心 一种基于超连续谱光源的多色荧光成像系统
CN106085416A (zh) * 2016-06-02 2016-11-09 华南理工大学 一种聚集诱导发光纳米粒子及其制备方法和应用
CN106203450A (zh) * 2016-07-11 2016-12-07 国家新闻出版广电总局广播科学研究院 基于深度学习框架对图像进行特征提取的目标检测方法
CN206132618U (zh) * 2016-08-15 2017-04-26 贵州申科生物科技有限公司 基于毛细管电泳的多激光光源诱导的荧光激发装置
CN107209120A (zh) * 2015-02-02 2017-09-26 株式会社日立高新技术 多色荧光分析装置
CN107356515A (zh) * 2017-07-20 2017-11-17 上海睿钰生物科技有限公司 一种荧光图像的荧光强度确定方法和系统
WO2017214572A1 (en) * 2016-06-10 2017-12-14 The Regents Of The University Of California Image-based cell sorting systems and methods
CN107686859A (zh) * 2017-07-18 2018-02-13 天津师范大学 一种适用于鱼类血细胞快速分类计数的方法及应用
CN108921172A (zh) * 2018-05-31 2018-11-30 清华大学 基于支持向量机的图像处理装置及方法
CN111062871A (zh) * 2019-12-17 2020-04-24 腾讯科技（深圳）有限公司 一种图像处理方法、装置、计算机设备及可读存储介质
US10768105B1 (en) * 2016-07-29 2020-09-08 Labrador Diagnostics Llc Image analysis and measurement of biological samples
CN111814711A (zh) * 2020-07-15 2020-10-23 中国矿业大学 一种应用于矿井机器视觉的图像特征快速匹配方法及系统
CN212364081U (zh) * 2020-05-27 2021-01-15 苏州影睿光学科技有限公司 宽光谱荧光多通道实时显微成像系统

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100232675A1 (en) * 1999-01-25 2010-09-16 Amnis Corporation Blood and cell analysis using an imaging flow cytometer
US6252664B1 (en) * 1999-10-15 2001-06-26 Biocrystal Ltd. Fluorescence filter cube for fluorescence detection and imaging
EP1316793A1 (en) * 2001-12-03 2003-06-04 Christian Leist Process and apparatus for characterization of a collection of cells
US20120140991A1 (en) * 2007-03-09 2012-06-07 Olympus Corporation Fluorescence observation apparatus
WO2011089908A1 (ja) * 2010-01-20 2011-07-28 株式会社ニコン 細胞観察装置及び細胞培養方法
US20110254943A1 (en) * 2010-04-06 2011-10-20 Institute For Systems Biology Automated analysis of images using bright field microscopy
WO2016047676A1 (ja) * 2014-09-24 2016-03-31 国立大学法人弘前大学 生体由来細胞を用いたがん細胞の検出方法
CN104570315A (zh) * 2014-12-30 2015-04-29 中国科学院西安光学精密机械研究所 一种基于结构照明的彩色三维层析显微成像系统及方法
CN107209120A (zh) * 2015-02-02 2017-09-26 株式会社日立高新技术 多色荧光分析装置
CN105606581A (zh) * 2016-03-21 2016-05-25 中国工程物理研究院激光聚变研究中心 一种基于超连续谱光源的多色荧光成像系统
CN106085416A (zh) * 2016-06-02 2016-11-09 华南理工大学 一种聚集诱导发光纳米粒子及其制备方法和应用
WO2017214572A1 (en) * 2016-06-10 2017-12-14 The Regents Of The University Of California Image-based cell sorting systems and methods
CN109863384A (zh) * 2016-06-10 2019-06-07 加利福尼亚大学董事会 基于图像的细胞分选系统和方法
CN106203450A (zh) * 2016-07-11 2016-12-07 国家新闻出版广电总局广播科学研究院 基于深度学习框架对图像进行特征提取的目标检测方法
US10768105B1 (en) * 2016-07-29 2020-09-08 Labrador Diagnostics Llc Image analysis and measurement of biological samples
CN206132618U (zh) * 2016-08-15 2017-04-26 贵州申科生物科技有限公司 基于毛细管电泳的多激光光源诱导的荧光激发装置
CN107686859A (zh) * 2017-07-18 2018-02-13 天津师范大学 一种适用于鱼类血细胞快速分类计数的方法及应用
CN107356515A (zh) * 2017-07-20 2017-11-17 上海睿钰生物科技有限公司 一种荧光图像的荧光强度确定方法和系统
CN108921172A (zh) * 2018-05-31 2018-11-30 清华大学 基于支持向量机的图像处理装置及方法
CN111062871A (zh) * 2019-12-17 2020-04-24 腾讯科技（深圳）有限公司 一种图像处理方法、装置、计算机设备及可读存储介质
CN212364081U (zh) * 2020-05-27 2021-01-15 苏州影睿光学科技有限公司 宽光谱荧光多通道实时显微成像系统
CN111814711A (zh) * 2020-07-15 2020-10-23 中国矿业大学 一种应用于矿井机器视觉的图像特征快速匹配方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨露菁 等: "《智能图像处理及应用》", 31 March 2019, 北京：中国铁道出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066818A (zh) * 2021-10-23 2022-02-18 广州市艾贝泰生物科技有限公司 细胞检测分析方法、装置、计算机设备和存储介质
CN114088606A (zh) * 2021-10-23 2022-02-25 广州市艾贝泰生物科技有限公司 细胞分析装置
WO2023242387A1 (en) * 2022-06-17 2023-12-21 Institut National de la Santé et de la Recherche Médicale Automated fluorescence-based quantification of pocked red cells
CN116453116A (zh) * 2023-06-20 2023-07-18 杭州济扶科技有限公司 一种高适应性的明场细胞活死分类算法
CN116453116B (zh) * 2023-06-20 2023-09-08 杭州济扶科技有限公司 一种高适应性的明场细胞活死分类算法
CN118212634A (zh) * 2024-05-16 2024-06-18 吉林大学 间充质干细胞的智能管理系统及方法
CN118212634B (zh) * 2024-05-16 2024-08-23 吉林大学 间充质干细胞的智能管理系统及方法

Similar Documents

Publication Publication Date Title
CN113237818A (zh) 一种细胞分析方法和系统
US11756318B2 (en) Convolutional neural networks for locating objects of interest in images of biological samples
CN111448569B (zh) 存储和检索数字病理学分析结果的方法
Xu et al. Deep learning for histopathological image analysis: Towards computerized diagnosis on cancers
US20230186659A1 (en) Machine learning models for cell localization and classification learned using repel coding
EP3440629B1 (en) Spatial index creation for ihc image analysis
JPH11515097A (ja) ニューラル・ネットワーク支援型のマルチスペクトル・セグメンテーション・システム
US11176412B2 (en) Systems and methods for encoding image features of high-resolution digital images of biological specimens
CN109670489B (zh) 基于多实例学习的弱监督式早期老年性黄斑病变分类方法
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
US20230273188A1 (en) Method and system for detecting cell-killing efficacy and/or immune activity, and application thereof
CN110246567A (zh) 一种医学图像预处理方法
US12051254B2 (en) Typing biological cells
KR20200136004A (ko) 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법
CN113218844A (zh) 一种用于分析待测样本中微粒的方法
CN116797791A (zh) 一种基于深度学习的线粒体分割与分类方法
CN109191467A (zh) 一种细胞自噬表型的预测方法及装置
CN117854111B (zh) 基于增强特征融合的改进YOLOv4疟原虫检测方法
CN111489369A (zh) 幽门螺杆菌的定位方法、装置和电子设备
CN112213503A (zh) 样本分析系统、图像分析系统及其处理样本图像的方法
Paul et al. A review on computational methods based on machine learning and deep learning techniques for malaria detection
WO2016070297A1 (es) Dispositivo portátil para el análisis productivo y condición sanitaria mediante análisis digital de imágenes obtenidas de la estructura externa e interna de los peces
Teverovskiy et al. Automated localization and quantification of protein multiplexes via multispectral fluorescence imaging
CN113344868B (zh) 一种基于混合转移学习的无标记细胞分类筛查系统
Jonas et al. Separation enhanced nucleus detection on propidium iodide stained digital slides

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: 20210810