CN114152557A - 基于图像分析的血细胞计数方法和系统 - Google Patents
基于图像分析的血细胞计数方法和系统 Download PDFInfo
- Publication number
- CN114152557A CN114152557A CN202111369623.2A CN202111369623A CN114152557A CN 114152557 A CN114152557 A CN 114152557A CN 202111369623 A CN202111369623 A CN 202111369623A CN 114152557 A CN114152557 A CN 114152557A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- cells
- classification
- counting
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010191 image analysis Methods 0.000 title claims abstract description 21
- 238000004820 blood count Methods 0.000 title claims abstract description 17
- 210000004027 cell Anatomy 0.000 claims abstract description 78
- 239000000523 sample Substances 0.000 claims abstract description 24
- 210000000265 leukocyte Anatomy 0.000 claims abstract description 21
- 210000003743 erythrocyte Anatomy 0.000 claims abstract description 20
- 239000007788 liquid Substances 0.000 claims abstract description 19
- 210000004369 blood Anatomy 0.000 claims abstract description 17
- 239000008280 blood Substances 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000007865 diluting Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 239000006285 cell suspension Substances 0.000 claims abstract description 11
- 239000012470 diluted sample Substances 0.000 claims abstract description 11
- 238000011282 treatment Methods 0.000 claims abstract description 8
- 238000004043 dyeing Methods 0.000 claims abstract description 5
- 239000000758 substrate Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000000137 annealing Methods 0.000 claims description 9
- 230000003416 augmentation Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004163 cytometry Methods 0.000 claims 3
- 238000003709 image segmentation Methods 0.000 claims 1
- 210000000601 blood cell Anatomy 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 abstract description 6
- 239000012898 sample dilution Substances 0.000 abstract description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002558 medical inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000001772 blood platelet Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013553 cell monolayer Substances 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
- G01N21/6458—Fluorescence microscopy
-
- 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
- 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
- G01N2015/1024—Counting particles by non-optical means
Landscapes
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供基于图像分析的血细胞计数方法及系统，包括以下步骤：S1.对血液进行稀释并染色，获得染色后的稀释样本；S2.将所述稀释样本引入到由不同高度腔室组成的载体上，基于检测细胞类型进行不同的处理，若待测细胞为白细胞，则进行白细胞检测处理过程S21：S211对样本稀释，使白细胞在其中一个腔室中分布达到第一细胞密度，确保红细胞存在重叠，形成双层或多层红细胞；S212静置至细胞沉降到载体的基底表面后，获取不超过所述细胞悬浮液高度30％的景深的荧光显微图像；S3.对获得的图像进行细胞分类及计数，获得细胞计数结果。本发明与现有技术相比，只需通过样本稀释，通过图像分析实现对血细胞的计数，避免了复杂的结构和液路系统，解决维护成本过高的问题。
Description
技术领域
本发明涉及血细胞分析领域，特别是涉及一种基于图像分析的血细胞计数方法和系统。
背景技术
血液细胞分析仪也是临床上应用最广泛的检验仪器之一。在临床检查领域，常用血细胞分析仪对身体的血液样本进行分析，并将该分析结果作为诊治监视的参考之一。血细胞分析仪是集光、机、电、软件一体化的医学检验仪器，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分析，替代以往的血常规检查。血细胞分析仪通常具有复杂的结构和液路系统，复杂的机构常常会带来较高的产品故障率，在偏远地区维护成本会非常高；另外因为配套试剂均是连接在机器上，每次开机均需消耗试剂，对样本量小的用户，常常会出现试剂还没用完就超过试剂的使用效期，导致使用成本增加。
现有的血液细胞分析仪是基于库尔特原理发展而来，仪器内部包括主控装置、液路系统、传感检测装置、血液参数分析装置(电路系统)、显示装置以及清洗装置等，一个正常血液测量过程由采样、稀释、测量、计算、显示、清洗组成，血液分析仪将待检测的血液样本吸入分析仪的液路系统中，在液路系统中完成血液定量(采样)、血液与各种试剂的稀释混匀、混匀后的细胞悬液通过检测传感装置中的微孔通道部位以便测量出其中的血液细胞的电信号及血红蛋白光电信号(血红蛋白参数通过光源和光电分析装置获得)，上述信号上传至分析仪的血液参数分析装置(电路系统)进行计算，然后测试结果显示在分析仪的显示装置上，最后分析仪将整个液路系统以及检测传感器中残留的本次检测的血液细胞、细胞碎片、组织液体进行全面清洗，清洗完成后才可以进行下一个血液样本的检测。
这套沿用多年的系统存在一个明显的问题就是每次检测后，都需要对分析仪的整个液路系统进行全面清洗，并且还有专门的部件检测清洗是否干净，是否满足进行下一次血液检测的条件，这个清洗是否彻底的指标称为携带污染率，这是衡量一台血液细胞分析仪好坏的其中一项重要指标。具有讽刺意味的是，清洗并不是血液分析仪的完成准确检测血细胞的核心原理，但用于完成清洗程序的部件却占整台血液细胞分析仪的所有部件的60％以上，而这个清洗的程序不仅耗费了整个检测的80％的时间，也使用掉了整个检测80％的试剂，这是极大的成本和资源的浪费。并且沿用清洗系统的分析仪结构复杂，体积庞大，外接数个冲洗液和清洗液试剂桶，操作繁琐，仪器故障率高，部分产品的结果稳定性较差，给各级医疗机构的临床检验带来诸多不便。
最重要的一点是在海拔高的地区，常规带液路系统的血细胞分析仪无法使用。因为海拔高，空气稀薄，机器建负压时间增大，机器无法在程序指定的时间建立负压，机器报警，不能操作。
物理法、物理-化学法及图像分析法是目前细胞分类计数的主要方法。虽然这几种方法下的自动计数仪都能够快速准确的对细胞进行分类计数，但存在设备笨重、价格昂贵、操作专业度高、以及不易维护、对小样本量用户试剂浪费严重等特点，不适合基层医疗卫生机构和移动医疗的需要，在应用领域上存在很大局限性。尤其是3000米以上高原地区，常规带液路系统的血细胞分析仪无法使用，必须要特殊设计版本的机器或对参数进行调整才能满足使用要求。
发明内容
本发明提供基于图像分析的血细胞计数方法和系统，无需液路系统便可实现对细胞的分类记数。
本发明提供基于图像分析的血细胞计数方法，包括以下步骤：
S1.对血液进行稀释并染色，获得染色后的稀释液态样本；
S2.将所述稀释液态样本引入到由不同高度腔室组成的载体上，基于检测细胞类型进行不同的处理，若待测细胞为白细胞，则进行白细胞检测处理过程S21：
其中，由使用者确定待测细胞的具体类型，根据待测细胞的具体类型选择后续的处理过程。
S211对样本稀释，使白细胞在其中一个腔室中分布达到第一细胞密度，确保红细胞存在重叠，形成双层或多层红细胞；
S212静置至细胞沉降到载体的基底表面后，获取不超过所述细胞悬浮液高度30％的景深的荧光显微图像；
S3.对获得的图像进行细胞分类及计数，获得细胞计数结果。
进一步地，所述第一细胞密度为每平方毫米不小于40个。
进一步地，所述待测细胞为红细胞，则进行红细胞检测处理过程S22：
S221对样本稀释，以确保至少一个载体腔室中形成红细胞单层；
S222以细胞悬浮液高度20％-30％的景深的显微镜对稀释样本进行放大拍照。
进一步地，所述S3中细胞分类及计数包括：
S31对图像进行放大，获得清晰的待测细胞图像；
S32以切图算法配合CNN分类网络对待测细胞图像进行处理分析，完成细胞分类及计数过程。
更进一步地，所述S32中切图算法配合CNN分类网络具体过程如下：
S321对待测细胞图像进行切图，除去图像中的噪声；
S322对S321所得图像进行图像归一化及图像增广，得到预处理后的图像信息；
S323采用退火曲线缩放的训练方法对图像信息进行训练分类，获得分类后的数据信息；
S324按照max(p)对分类后数据信息的roi进行分类，通过索引与roi坐标关联匹配，并完成对细胞分类及计数，获得细胞计数结果。
更进一步地，所述S321对待测细胞图像进行切图，除去图像中的噪声包括：
将待测细胞图像的荧光RGB图像转换为二值图像，进行滤波方法除噪；通过边缘检测确定目标，并在拓展后填充、腐蚀、包络确定二值图像上的目标区域。
更进一步地，所述S322对S321所得图像进行图像归一化及图像增广，得到预处理后的图像信息包括：
对S321所得图像进行图像归一化及图像增广，进行颜色通道及数据格式转换，使图像概念转换为向量概念，得到预处理后的图像信息。
更进一步地，所述S323采用退火曲线缩放的训练方法对图像信息进行训练分类，获得分类后的数据信息包括：
建立5分类深度神经网络，对每个切图区域进行分类鉴别；搭建残差网络，按照8：1：1划分训练集、验证集、测试集，，采用退火曲线缩放的训练方法进行网络训练，训练参数如下：
优化方法：SGD，学习率0.1,动量0.9；
学习策略：step，在30,60,90处降低学习率；
训练轮次：100。
更进一步地，所述S324按照max(p)对分类后数据信息的roi进行分类，通过索引与roi坐标关联匹配，并完成对细胞分类及计数，获得细胞计数结果包括：
建立分类统计公式：
本发明还公开一种应用上述基于图像分析的血细胞计数方法的系统，包括进样组件、样本移动组件、光学检测组件、主板、支撑结构。
血细胞分析仪通常具有复杂的结构和液路系统，复杂的机构常常会带来较高的产品故障率，在偏远地区维护成本会非常高；另外因为配套试剂均是连接在机器上，每次开机均需消耗试剂，对样本量小的用户，常常会出现试剂还没用完就超过试剂的使用效期，导致使用成本增加，本发明与现有技术相比，只需通过样本稀释，通过图像分析实现对血细胞的计数，避免了复杂的结构和液路系统，解决维护成本过高的问题。
附图说明
图1为本发明实施例步骤示意图；
图2为本发明实施例S32运行示意图；
图3为本发明实施例S321运行示意图；
图4为本发明实施例S322运行示意图；
图5为本发明实施例S323运行示意图；
图6为本发明实施例S324运行示意图；
图7为本发明实施例系统原理图；
图8为本发明实施例系统立体图；
图9为本发明实施例系统内部侧视图；
图10为本发明实施例系统内部立体图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。
本发明提供基于图像分析的血细胞计数方法，如图1所示，包括以下步骤：
S1.对血液进行稀释并染色，获得染色后的稀释液态样本；
其中，用稀释液按一定比例稀释全血获得稀释样本，全血中包含红细胞、白细胞、血小板等，在上述稀释样本中加入荧光染料混匀，获得染色后的稀释样本；
S2.将所述稀释液态样本引入到由不同高度腔室组成的载体上，确定待测细胞类型，若待测细胞为白细胞，则进行白细胞检测处理过程S21：
S211对样本稀释，使白细胞在其中一个腔室中分布达到第一细胞密度，确保红细胞存在重叠，形成双层或多层红细胞；
S212静置至细胞沉降到载体的基底表面后，获取不超过所述细胞悬浮液高度30％的景深的荧光显微图像；
其中，S211稀释后的细胞悬浮液具有浓度C，在所述浓度C下，当使所述细胞悬浮液中基本上所有的细胞沉降在所述载体的所述基底表面上时，细胞会部分形成重叠；细胞沉降到载体的基底表面后，获取至少一部分荧光显微图像，通过摄像头进行荧光图像采集，获得荧光显微图像；
S3.对获得的图像进行细胞分类及计数，获得细胞计数结果。
本发明实施例只需通过样本稀释，通过图像分析实现对血细胞的计数，避免了复杂的结构和液路系统，解决维护成本过高的问题。
可选的，所述第一细胞密度为每平方毫米40个。
可选的，所述待测细胞为红细胞，则进行红细胞检测处理过程S22：
S221对样本稀释，以确保至少一个载体腔室中形成红细胞单层；
S222以细胞悬浮液高度20％-30％的景深的显微镜对稀释样本进行放大拍照。
其中，将所述稀释样本(细胞悬浮液)引入到由不同高度腔室组成的载体上，I使得红细胞至少在其中一个载体腔室中形成细胞单层，尽量无重叠细胞，从而在使用图像分析法对红细胞参数测量时不会出现偏差。
可选的，所述S3中细胞分类及计数包括：
S31对图像进行放大，获得清晰的待测细胞图像；
其中，本发明实施例以白细胞检测为例，通过放大拍摄的荧光白细胞图像分辨率大，细胞小。当放到图片后可以看到较为清晰的白细胞，分5种白细胞在内部细胞核聚集程度、边缘形状、颜色等方面的差异。视觉上的差异及稳定的特征是可以提取特征的基础；
S32以切图算法配合CNN分类网络对待测细胞图像进行处理分析，完成细胞分类及计数过程。
特别的，所述S32中切图算法配合CNN分类网络具体过程如下：
S321对待测细胞图像进行切图，除去图像中的噪声；
S322对S321所得图像进行图像归一化及图像增广，得到预处理后的图像信息；
S323采用退火曲线缩放的训练方法对图像信息进行训练分类，获得分类后的数据信息；
S324按照max(p)对分类后数据信息的roi进行分类，通过索引与roi坐标关联匹配，并完成对细胞分类及计数，获得细胞计数结果。
其中，如图2所示，根据白细胞成像特征分析，问题面临着高分辨率小目标。
传统算法或者深度学习算法均会面临小目标处理的不佳的问题，本发明实施例采用切图算法+CNN分类网络作为总体方案，在解决白细胞分类及计数方面达到96％的准确率。
特别的，如图3所示，所述S321对待测细胞图像进行切图，除去图像中的噪声包括：
将待测细胞图像的荧光RGB图像转换为二值图像，进行滤波方法除噪；通过边缘检测确定目标，并在拓展后填充、腐蚀、包络确定二值图像上的目标区域。
其中，高分辨率图像过大，整幅图像直接处理耗时、低效、效果差。通过切图可在实际的边缘端硬件上高效、准确的运行。而常见的切图算法有两类：1)通过滑窗切图，固定大小的w*h窗口，每次按照step滑动(step一般取w或者h的1/3或者1/4)；2)通过目标检查算法自动识别窗口切图，该方法找窗口的效率更高，但在高分辨率下由于目标过小，导致识别耗时，效果不佳。
本发明实施例基于图像处理、斑块识别的方案，相比传统计算机视觉的图像处理切图，不需要训练、速度快、准确率高。切图流程首先把荧光RGB图像转换为二值图像，然后采取滤波方法(中值滤波、平滑滤波组合)去除噪声、过曝点、杂物。通过边缘检测找到目标，拓展后填充、腐蚀、包络找到二值图像上的目标区域。因为样本及拍摄区域的干扰及斑点存在的可能，需要设置一组过滤器。本发明实施例可采用的过滤器有:根据半径、根据面积、根据聚类等。
特别的，如图4所示，所述S322对S321所得图像进行图像归一化及图像增广，得到预处理后的图像信息包括：
对S321所得图像进行图像归一化及图像增广，进行颜色通道及数据格式转换，使图像概念转换为向量概念，得到预处理后的图像信息。
其中，预处理阶段主要包含图像归一化及图像增广，考虑到白细胞是荧光成像颜色是细胞特征分类的重要特征，不做颜色方面增广。
本发明实施例经过预处理增广，能适应图像的变化又不改变细胞本质特征。
特别的，如图5所示，所述S323采用退火曲线缩放的训练方法对图像信息进行训练分类，获得分类后的数据信息包括：
建立5分类深度神经网络，对每个切图区域进行分类鉴别；搭建残差网络，按照8：1：1划分训练集、验证集、测试集，，采用退火曲线缩放的训练方法进行网络训练，训练参数如下：
优化方法：SGD，学习率0.1,动量0.9；
学习策略：step，在30,60,90处降低学习率；
训练轮次：100。
特别的，如图6所示，所述S324按照max(p)对分类后数据信息的roi进行分类，通过索引与roi坐标关联匹配，并完成对细胞分类及计数，获得细胞计数结果包括：
建立分类统计公式：
本发明还公开一种应用上述基于图像分析的血细胞计数方法的系统，如图7-10所示，包括进样组件、样本移动组件、光学检测组件、主板、支撑结构。
其中，如图7-10所示，本发明的系统中无液路系统，因此仪器可以设计的比较简单，故障率低，易操作维护。尤其是3000米以上高原地区，因本仪器系统无液路系统，不会受气压影响而使仪器出现不能使用的故障，具有明显的优势。
具体过程：将稀释的样本引入到合适的载体上，利用荧光染色技术，对血液细胞中的RNA和DNA进行适度染色，并采用显微成像将荧光图像通过摄像头获取传送给主板，通过人工智能算法识别获得白细胞五分类和计数结果。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解，技术人员阅读本申请说明书后依然可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均未脱离本发明申请待批权利要求保护范围之内。
Claims (10)
1.基于图像分析的血细胞计数方法，其特征在于，包括以下步骤：
S1.对血液进行稀释并染色，获得染色后的稀释液态样本；
S2.将所述液态稀释样本加入到平面或立体载体上，基于检测细胞类型进行不同的处理，若待测细胞为白细胞，则进行白细胞检测处理过程S21：
S211对样本稀释，使白细胞在其中一个腔室中分布达到或不低于第一细胞密度，确保红细胞存在重叠，形成双层或多层红细胞；
S212静置至细胞沉降到载体的基底表面后，获取不超过所述细胞悬浮液高度30％的景深的荧光显微图像；
S3.对获得的图像进行细胞分类及计数，获得细胞计数结果。
2.根据权利要求1所述基于图像分析的血细胞计数方法，其特征在于，所述第一细胞密度为每平方毫米不小于40个。
3.根据权利要求1所述基于图像分析的血细胞计数方法，其特征在于，所述待测细胞为红细胞，则进行红细胞检测处理过程S22：
S221对样本稀释，以确保至少一个载体腔室中形成红细胞单层；
S222以细胞悬浮液高度20％-30％的景深的显微镜对稀释样本进行放大拍照。
4.根据权利要求1所述基于图像分析的血细胞计数方法，其特征在于，所述S3中细胞分类及计数包括：
S31对图像进行放大，获得清晰的待测细胞图像；
S32以切图算法配合CNN分类网络对待测细胞图像进行处理分析，完成细胞分类及计数过程。
5.根据权利要求4所述基于图像分析的血细胞计数方法，其特征在于，所述S32中切图算法配合CNN分类网络具体过程如下：
S321对待测细胞图像进行切图，除去图像中的噪声；
S322对S321所得图像进行图像归一化及图像增广，得到预处理后的图像信息；
S323采用退火曲线缩放的训练方法对图像信息进行训练分类，获得分类后的数据信息；
S324按照max(p)对分类后数据信息的roi进行分类，通过索引与roi坐标关联匹配，并完成对细胞分类及计数，获得细胞计数结果。
6.根据权利要求5所述基于图像分析的血细胞计数方法，其特征在于，所述S321对待测细胞图像进行切图，除去图像中的噪声包括：
将待测细胞图像的荧光RGB图像转换为二值图像，进行滤波方法除噪；通过边缘检测确定目标，并在拓展后填充、腐蚀、包络确定二值图像上的目标区域。
7.根据权利要求5所述基于图像分析的血细胞计数方法，其特征在于，所述S322对S321所得图像进行图像归一化及图像增广，得到预处理后的图像信息包括：
对S321所得图像进行图像归一化及图像增广，进行颜色通道及数据格式转换，使图像概念转换为向量概念，得到预处理后的图像信息。
8.根据权利要求5所述基于图像分析的血细胞计数方法，其特征在于，所述S323采用退火曲线缩放的训练方法对图像信息进行训练分类，获得分类后的数据信息包括：
建立5分类深度神经网络，对每个切图区域进行分类鉴别；搭建残差网络，按照8：1：1划分训练集、验证集、测试集，，采用退火曲线缩放的训练方法进行网络训练，训练参数如下：
优化方法：SGD，学习率0.1,动量0.9；
学习策略：step，在30,60,90处降低学习率；
训练轮次：100。
9.根据权利要求5所述基于图像分析的血细胞计数方法，其特征在于，所述S324按照max(p)对分类后数据信息的roi进行分类，通过索引与roi坐标关联匹配，并完成对细胞分类及计数，获得细胞计数结果包括：
建立分类统计公式：
10.一种应用权利要求1-9任一项基于图像分析的血细胞计数方法的系统，其特征在于，所述系统包括进样组件、样本移动组件、光学检测组件、主板、支撑结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369623.2A CN114152557B (zh) | 2021-11-16 | 2021-11-16 | 基于图像分析的血细胞计数方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369623.2A CN114152557B (zh) | 2021-11-16 | 2021-11-16 | 基于图像分析的血细胞计数方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114152557A true CN114152557A (zh) | 2022-03-08 |
| CN114152557B CN114152557B (zh) | 2024-04-30 |
Family
ID=80457142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111369623.2A Active CN114152557B (zh) | 2021-11-16 | 2021-11-16 | 基于图像分析的血细胞计数方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114152557B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203253A (zh) * | 2023-04-27 | 2023-06-02 | 北京科卫临床诊断试剂有限公司 | 用于白细胞介素浓度检测的ai分析系统及方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105136795A (zh) * | 2015-07-20 | 2015-12-09 | 爱威科技股份有限公司 | 血液样本检测装置、方法和系统 |
| CN105556276A (zh) * | 2013-07-01 | 2016-05-04 | 思迪赛特诊断有限公司 | 用于使血液样品成像的方法、试剂盒及系统 |
| CN108510004A (zh) * | 2018-04-04 | 2018-09-07 | 深圳大学 | 一种基于深度残差网络的细胞分类方法及系统 |
| US20180286040A1 (en) * | 2017-04-04 | 2018-10-04 | Konica Minolta, Inc. | Image processing apparatus, image processing method, and computer-readable non-transitory recording medium storing image processing program |
| CN108961208A (zh) * | 2018-05-21 | 2018-12-07 | 江苏康尚生物医疗科技有限公司 | 一种聚集白细胞分割计数系统及方法 |
| CN109564209A (zh) * | 2016-05-11 | 2019-04-02 | 思迪赛特诊断有限公司 | 对样品实施的光学测量 |
| CN109991205A (zh) * | 2019-05-05 | 2019-07-09 | 中国科学院重庆绿色智能技术研究院 | 一种循环肿瘤细胞的计数算法及应用 |
| CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
| CN110530779A (zh) * | 2019-08-09 | 2019-12-03 | 上海依智医疗技术有限公司 | 一种白细胞检测方法及装置 |
| CN110866893A (zh) * | 2019-09-30 | 2020-03-06 | 中国科学院计算技术研究所 | 基于病理图像的tmb分类方法、系统及tmb分析装置 |
| CN112236705A (zh) * | 2018-05-30 | 2021-01-15 | 西门子医疗保健诊断公司 | 借助于光场相机对医学样本进行三维分析的分析仪 |
| CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
| WO2021109152A1 (zh) * | 2019-12-06 | 2021-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统及方法、细胞图像分析仪及存储介质 |
| CN113435493A (zh) * | 2021-06-22 | 2021-09-24 | 杭州电子科技大学 | 一种基于深度迁移学习的无标记白细胞分类系统及方法 |
| CN113588522A (zh) * | 2021-08-05 | 2021-11-02 | 中国科学技术大学 | 基于微流控和图像识别的循环肿瘤检测与分选方法及系统 |
-
2021
- 2021-11-16 CN CN202111369623.2A patent/CN114152557B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105556276A (zh) * | 2013-07-01 | 2016-05-04 | 思迪赛特诊断有限公司 | 用于使血液样品成像的方法、试剂盒及系统 |
| CN109342155A (zh) * | 2013-07-01 | 2019-02-15 | 思迪赛特诊断有限公司 | 用于使血液样品成像的方法、试剂盒及系统 |
| CN105136795A (zh) * | 2015-07-20 | 2015-12-09 | 爱威科技股份有限公司 | 血液样本检测装置、方法和系统 |
| CN109564209A (zh) * | 2016-05-11 | 2019-04-02 | 思迪赛特诊断有限公司 | 对样品实施的光学测量 |
| US20180286040A1 (en) * | 2017-04-04 | 2018-10-04 | Konica Minolta, Inc. | Image processing apparatus, image processing method, and computer-readable non-transitory recording medium storing image processing program |
| CN108510004A (zh) * | 2018-04-04 | 2018-09-07 | 深圳大学 | 一种基于深度残差网络的细胞分类方法及系统 |
| CN108961208A (zh) * | 2018-05-21 | 2018-12-07 | 江苏康尚生物医疗科技有限公司 | 一种聚集白细胞分割计数系统及方法 |
| CN112236705A (zh) * | 2018-05-30 | 2021-01-15 | 西门子医疗保健诊断公司 | 借助于光场相机对医学样本进行三维分析的分析仪 |
| CN110135271A (zh) * | 2019-04-19 | 2019-08-16 | 上海依智医疗技术有限公司 | 一种细胞分类方法及装置 |
| CN109991205A (zh) * | 2019-05-05 | 2019-07-09 | 中国科学院重庆绿色智能技术研究院 | 一种循环肿瘤细胞的计数算法及应用 |
| CN110530779A (zh) * | 2019-08-09 | 2019-12-03 | 上海依智医疗技术有限公司 | 一种白细胞检测方法及装置 |
| CN110866893A (zh) * | 2019-09-30 | 2020-03-06 | 中国科学院计算技术研究所 | 基于病理图像的tmb分类方法、系统及tmb分析装置 |
| WO2021109152A1 (zh) * | 2019-12-06 | 2021-06-10 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统及方法、细胞图像分析仪及存储介质 |
| CN112801212A (zh) * | 2021-03-02 | 2021-05-14 | 东南大学 | 一种基于小样本半监督学习的白细胞分类计数方法 |
| CN113435493A (zh) * | 2021-06-22 | 2021-09-24 | 杭州电子科技大学 | 一种基于深度迁移学习的无标记白细胞分类系统及方法 |
| CN113588522A (zh) * | 2021-08-05 | 2021-11-02 | 中国科学技术大学 | 基于微流控和图像识别的循环肿瘤检测与分选方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203253A (zh) * | 2023-04-27 | 2023-06-02 | 北京科卫临床诊断试剂有限公司 | 用于白细胞介素浓度检测的ai分析系统及方法 |
| CN116203253B (zh) * | 2023-04-27 | 2023-07-11 | 北京科卫临床诊断试剂有限公司 | 用于白细胞介素浓度检测的ai分析系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114152557B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10677711B2 (en) | Method and apparatus for automated whole blood sample analyses from microscopy images | |
| CN109564209B (zh) | 对样品实施的光学测量 | |
| EP2734828B1 (en) | Identifying and measuring reticulocytes | |
| US11719618B2 (en) | Assay accuracy improvement | |
| CN105136795A (zh) | 血液样本检测装置、方法和系统 | |
| Hortinela et al. | Identification of abnormal red blood cells and diagnosing specific types of anemia using image processing and support vector machine | |
| CN110473167B (zh) | 一种基于深度学习的尿沉渣图像识别系统及方法 | |
| JP2022528693A (ja) | アッセイ精度及び信頼性の向上 | |
| CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
| CN101750272A (zh) | 血细胞图像识别计数法 | |
| WO2021109152A1 (zh) | 样本分析系统及方法、细胞图像分析仪及存储介质 | |
| CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
| CN105466921A (zh) | 一种多样品同时检测的方法 | |
| CN112161913A (zh) | 一种用于流式荧光分析系统的分析方法及设备 | |
| KR20200136004A (ko) | 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법 | |
| 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 | |
| CN115270874A (zh) | 一种基于密度估计的流式细胞分类和计数的方法和系统 | |
| CN112001315A (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
| CN114152557B (zh) | 基于图像分析的血细胞计数方法和系统 | |
| CN108845153B (zh) | 一种白细胞粒子分析系统及方法 | |
| CN113552126A (zh) | 一种网织红细胞检测方法及其系统 | |
| Priyankara et al. | An extensible computer vision application for blood cell recognition and analysis | |
| CN111274949B (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 | |
| Li et al. | A recognition method of urine cast based on deep learning | |
| Chandrasiri et al. | Morphology based automatic disease analysis through evaluation of red blood 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |