CN114236140A - 基于试管法的血型智能判读方法 - Google Patents
基于试管法的血型智能判读方法 Download PDFInfo
- Publication number
- CN114236140A CN114236140A CN202111613446.8A CN202111613446A CN114236140A CN 114236140 A CN114236140 A CN 114236140A CN 202111613446 A CN202111613446 A CN 202111613446A CN 114236140 A CN114236140 A CN 114236140A
- Authority
- CN
- China
- Prior art keywords
- blood
- picture
- type
- test
- test tube
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 169
- 210000004369 blood Anatomy 0.000 title claims abstract description 154
- 239000008280 blood Substances 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 230000004520 agglutination Effects 0.000 claims abstract description 16
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 4
- 238000006757 chemical reactions by type Methods 0.000 claims abstract description 4
- 238000009582 blood typing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 210000003719 b-lymphocyte Anatomy 0.000 claims description 18
- 210000004027 cell Anatomy 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 206010018910 Haemolysis Diseases 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000008588 hemolysis Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000005119 centrifugation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 7
- 239000000427 antigen Substances 0.000 description 4
- 102000036639 antigens Human genes 0.000 description 4
- 108091007433 antigens Proteins 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/80—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood groups or blood types or red blood cells
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Hematology (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Urology & Nephrology (AREA)
- Biotechnology (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于试管法的血型智能判读方法，用于与基于试管法原理进行血型检测试验的全自动血型分析仪进行配合，对其在离心管内加入实验所需的样本及试剂、进行混合、离心处理后的离心管的结果进行判读，所述判读方法具体包括如下步骤：步骤1、建立凝集反应分类标准，步骤2、建立图片分类模型，步骤3、使用步骤2所得的最终图片分类模型对经过全自动血型分析仪处理后的试管图片进行分类，步骤4、血型结果判读。本发明的基于试管法的血型智能判读方法，通过巧妙的设定，让判读速度快，且通过多重对比，确保判读结果有效并精确，实用性强，值得推广。
Description
技术领域
本发明属于血型自动检测领域，尤其涉及一种基于试管法的血型智能判读方法。
背景技术
随着医学的发展，现在，如果需要输血治疗，配血除了ABO系统必作出血型定型外，更重要的是要必作RhD抗原的血型鉴定，因为其造成此血型不合的不良反应更是严重或危险。因此临床上非常严格要求作RhD抗原的血型同时采用输血治疗和其他妊娠或其他免疫病的治疗和阻断(如RhD阴性孕妇怀孕有RhD阳性胎儿此时母或子必然招致重大的危险)，即RhD抗原的检测已列入临床预防和治疗的非常重要血型系统且已纳入与ABO血型同等重要的必检血型系统。
目前ABO血型鉴定和RhD抗原鉴定是两个各自完全独立的一套检测程序，操作繁琐复杂，容易出差错，因为通常有多人同时进行鉴定，在确定对应关系时容易造成差错，另一方面传统的ABO血型鉴定是以基于试管法的常量法为主，通过人工观察结果进行确定，确定完成后将试管丢掉，不能形成固定状态，不能扫描拍照存档，给以后的复诊查档带来困难。现在也有一些自动化检测方法，但是依然存在判断的结果精确度不够，假阳性较多的问题，故，人们需要找到一种更合适高效精确度高的方法来解决这些问题。
发明内容
本发明的目的是提供一种判读速度快、判读结果精确的基于试管法的血型智能判读方法。
本发明是通过以下技术方案来实现的：
基于试管法的血型智能判读方法，用于与基于试管法原理进行血型检测试验的全自动血型分析仪进行配合，对其在离心管内加入实验所需的样本及试剂、进行混合、离心处理后的离心管的结果进行判读，所述离心管为一个正反定血型试验所需的6个试管依次连成一排而形成的卡式试管，6个试管分别为抗A、抗B、A1细胞、B细胞、抗D、对照试管，所述判读方法具体包括如下步骤：
步骤1、建立凝集反应分类标准：
根据试管法原理对试验中试管中凝集反应进行分类，分为阳性、阴性和无效结果3大类，其中，阴性的类型符号和表现特征为：-，没有凝集；无效结果的类型符合和表现特征为：H，完全溶血；阳性又分为5个小类，类型符号和表现特征分别为：4+，一个结实的凝集块；3+，数个大的凝集块，2+，中等大小的凝集块，背景清晰；1+，小的凝集块，背景浑浊；±，几乎看不见的凝集，背景浑浊；
步骤2、建立图片分类模型，依次包括如下过程：
1)图像采集：所述全自动卡式血型分析仪包括图片采集模块，通过全自动卡式血型分析仪的图片采集模块采集多张对应于步骤1所述区分的不同类型的试管图片；
2)图片分类标注：按照步骤1所述的凝集反应分类标准，对步骤1)采集到的试管图片进行人工标注，图片中含有多个试管，则对图片中的每一个试管都进行人工标注；
3)图片预处理：将图片按照试管分割成若干张图片，使得每个图片中有且仅有一个试管的图片，并且试管在图片中的位置相对保持一致；以试管底为基准，在图片上截取合适的感兴趣区域ROI作为识别训练区域，将处理好的图片根据步骤2)中的标注，分别放入不同的图片子集，保证每个图片子集中都有足够的图片数量，并将所有图片子集合并放入一个集合中，作为模型训练集；
4)模型训练：利用自组织神经网络，以步骤3)得到的模型训练集作为输入，以模型训练集中的相应的标注作为输出训练神经网络，得到初步图片分类模型；
5)模型完善：按步骤1)采集新的试管图片，对步骤4)得到的初步图片分类模型对图片中试管进行分类标注；然后人工对标注后的图片分类进行确认，并修正其中错误的标注；将人工确认并修正后的图片纳入到模型训练集中，然后按步骤4)，对初步图片分类模型进行训练，得到改善后的图片分类模型；
6)对改善后的图片分类模型，进行重复步骤5)；通过反复执行步骤5)的操作，不断对图片分类模型进行完善，最终得到对各类图片都有预定的识别准确率的合适的最终图片分类模型；
步骤3、使用步骤2所得的最终图片分类模型对经过全自动血型分析仪处理后的试管图片进行分类：
通过全自动卡式血型分析仪的图片采集模块获取到图片，随后将图片输入到最终图片分类模型中进行分类；最终图片分类模型会根据输入图片输出各个类别的特征值，这些特征值的总和为1，特征值代表了该图片为某种类别的概率，根据实际情况对特征值设置一个阈值，若特征值中的最大值大于所设阈值，则将此图片分类为该特征值所代表的分类结果；若特征值中的最大值小于所设阈值，则将此图片标记为分类失败，由人工进行分类；
步骤4、血型结果判读：基于通过步骤3得到的一个正反定血型试验所对应的6个试管的分类结果，判读出此正反定血型试验的血型结果。
作为优选，所述步骤4的基于通过步骤3得到的一个正反定血型试验所对应的6个试管的分类结果，判读出此正反定血型试验的血型结果的具体步骤如下：
1)判断对照：若对照试管分类结果不是阴性，则本试验结果无效，终止判读流程，将此实验结果判定无效；
2)判断正定血型：结合抗A试管、抗B试管的分类结果，根据ABO血型鉴定原理，判断得到正定血型；
3)判断反定血型：结合A1细胞试管、B细胞的分类结果，根据ABO血型鉴定原理，判断得到反定血型；
4)判断血型：结合正定血型和反定血型，判断此样本血型；若正定血型和反定血型一致，则此样本血型确定；若正定血型和反定血型不一致，则将此样本标记为存疑，由人工进行确认；
5)判断RhD：若抗D试管分类为阳性，则判定为RhD阳性；若抗D试管分类为阴性，则判定为RhD阴性，并将此实验标记为存疑，由人工进行确认；
6)结果：结合血型和RhD结果，最终确定此样本血型；若6个试管中分类结果中存在弱阳性结果(±，1+，2+)，则将此实验标记为存疑，由人工进行确认，即上述步骤2)、3)、5)判定中认定为“+”阳性分类结果的应为阳性分类中细分的“4+”阳性或“3+”阳性。
更优地，所述步骤4的步骤2)中，判断正定血型的具体过程是：如果抗A试管为“+”、抗B试管为“-”，被检者血型可以确定为A型血；如果抗A试管为“-”、抗B试管为“+”，被检者血型可以确定为B型血；如果抗A试管为“-”、抗B试管为“-”时，被检者血型可以确定为O型血；如果抗A试管为“+”、抗B试管为“+”时，被检者血型可以确定为AB型血。
更优地，所述步骤4的步骤3)中，判断反定血型的具体过程是：如果A1细胞试管为“-”、B细胞试管为“+”，被检者血型可以确定为A型血；如果A1细胞试管为“+”、B细胞试管为“-”，被检者血型可以确定为B型血；如果A1细胞试管为“+”、B细胞试管为“+”时，被检者血型可以确定为O型血；如果A1细胞试管为“-”、B细胞试管为“-”时，被检者血型可以确定为AB型血。
本发明的有益效果是：
本发明的基于试管法的血型智能判读方法，与基于试管法原理进行血型检测试验的全自动血型分析仪进行配合，并使用由一个正反定血型试验所需的6个试管依次连成一排而形成的卡式试管作为全自动血型分析仪中所用的离心管，通过巧妙的设定，让判读速度快，且通过多重对比，确保判读结果有效并精确，实用性强，值得推广。
附图说明
为了易于说明，本发明由下述的具体实施例及附图作以详细描述。
图1为本发明所用的离心管的立体结构示意图。
具体实施方式
基于试管法的血型智能判读方法，用于与基于试管法原理进行血型检测试验的全自动血型分析仪进行配合，对其在如图1所示的离心管内加入实验所需的样本及试剂、进行混合、离心处理后的离心管的结果进行判读，所述离心管为一个正反定血型试验所需的6个试管依次连成一排而形成的卡式试管，6个试管分别为抗A、抗B、A1细胞、B细胞、抗D、对照试管，所述判读方法具体包括如下步骤：
步骤1、建立凝集反应分类标准：
根据试管法原理对试验中试管中凝集反应进行分类，分为阳性、阴性和无效结果3大类，其中，阴性的类型符号和表现特征为：-，没有凝集；无效结果的类型符合和表现特征为：H，完全溶血；阳性又分为5个小类，类型符号和表现特征分别为：4+，一个结实的凝集块；3+，数个大的凝集块，2+，中等大小的凝集块，背景清晰；1+，小的凝集块，背景浑浊；±，几乎看不见的凝集，背景浑浊；
步骤2、建立图片分类模型，依次包括如下过程：
1)图像采集：所述全自动卡式血型分析仪包括图片采集模块，通过全自动卡式血型分析仪的图片采集模块采集多张对应于步骤1所述区分的不同类型的试管图片；
2)图片分类标注：按照步骤1所述的凝集反应分类标准，对步骤1)采集到的试管图片进行人工标注，图片中含有多个试管，则对图片中的每一个试管都进行人工标注；
3)图片预处理：将图片按照试管分割成若干张图片，使得每个图片中有且仅有一个试管的图片，并且试管在图片中的位置相对保持一致；以试管底为基准，在图片上截取合适的感兴趣区域ROI作为识别训练区域，将处理好的图片根据步骤2)中的标注，分别放入不同的图片子集，保证每个图片子集中都有足够的图片数量，并将所有图片子集合并放入一个集合中，作为模型训练集；
4)模型训练：利用自组织神经网络，以步骤3)得到的模型训练集作为输入，以模型训练集中的相应的标注作为输出训练神经网络，得到初步图片分类模型；
5)模型完善：按步骤1)采集新的试管图片，对步骤4)得到的初步图片分类模型对图片中试管进行分类标注；然后人工对标注后的图片分类进行确认，并修正其中错误的标注；将人工确认并修正后的图片纳入到模型训练集中，然后按步骤4)，对初步图片分类模型进行训练，得到改善后的图片分类模型；
6)对改善后的图片分类模型，进行重复步骤5)；通过反复执行步骤5)的操作，不断对图片分类模型进行完善，最终得到对各类图片都有预定的识别准确率的合适的最终图片分类模型；
步骤3、使用步骤2所得的最终图片分类模型对经过全自动血型分析仪处理后的试管图片进行分类：
通过全自动卡式血型分析仪的图片采集模块获取到图片，随后将图片输入到最终图片分类模型中进行分类；最终图片分类模型会根据输入图片输出各个类别的特征值，这些特征值的总和为1，特征值代表了该图片为某种类别的概率，根据实际情况对特征值设置一个阈值，若特征值中的最大值大于所设阈值，则将此图片分类为该特征值所代表的分类结果；若特征值中的最大值小于所设阈值，则将此图片标记为分类失败，由人工进行分类；
步骤4、血型结果判读：
基于通过步骤3得到的一个正反定血型试验所对应的6个试管的分类结果，判读出此正反定血型试验的血型结果，步骤如下：
1)判断对照：若对照试管分类结果不是阴性，则本试验结果无效，终止判读流程，将此实验结果判定无效；
2)判断正定血型：结合抗A试管、抗B试管的分类结果，根据ABO血型鉴定原理，判断得到正定血型；
3)判断反定血型：结合A1细胞试管、B细胞的分类结果，根据ABO血型鉴定原理，判断得到反定血型；
4)判断血型：结合正定血型和反定血型，判断此样本血型；若正定血型和反定血型一致，则此样本血型确定；若正定血型和反定血型不一致，则将此样本标记为存疑，由人工进行确认；
5)判断RhD：若抗D试管分类为阳性，则判定为RhD阳性；若抗D试管分类为阴性，则判定为RhD阴性，并将此实验标记为存疑，由人工进行确认；
6)结果：结合血型和RhD结果，最终确定此样本血型；若6个试管中分类结果中存在弱阳性结果(±，1+，2+)，则将此实验标记为存疑，由人工进行确认，即上述步骤2)、3)、5)判定中认定为“+”阳性分类结果的应为阳性分类中细分的“4+”阳性或“3+”阳性。
所述步骤4的步骤2)中，判断正定血型的具体过程是：如果抗A试管为“+”、抗B试管为“-”，被检者血型可以确定为A型血；如果抗A试管为“-”、抗B试管为“+”，被检者血型可以确定为B型血；如果抗A试管为“-”、抗B试管为“-”时，被检者血型可以确定为O型血；如果抗A试管为“+”、抗B试管为“+”时，被检者血型可以确定为AB型血。
所述步骤4的步骤3)中，判断反定血型的具体过程是：如果A1细胞试管为“-”、B细胞试管为“+”，被检者血型可以确定为A型血；如果A1细胞试管为“+”、B细胞试管为“-”，被检者血型可以确定为B型血；如果A1细胞试管为“+”、B细胞试管为“+”时，被检者血型可以确定为O型血；如果A1细胞试管为“-”、B细胞试管为“-”时，被检者血型可以确定为AB型血。
本发明的基于试管法的血型智能判读方法，与基于试管法原理进行血型检测试验的全自动血型分析仪进行配合，并使用由一个正反定血型试验所需的6个试管依次连成一排而形成的卡式试管作为全自动血型分析仪中所用的离心管，通过巧妙的设定，让判读速度快，且通过多重对比，确保判读结果有效并精确，实用性强，值得推广。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (4)
1.基于试管法的血型智能判读方法，其特征在于，用于与基于试管法原理进行血型检测试验的全自动血型分析仪进行配合，对其在离心管内加入实验所需的样本及试剂、进行混合、离心处理后的离心管的结果进行判读，所述离心管为一个正反定血型试验所需的6个试管依次连成一排而形成的卡式试管，6个试管分别为抗A、抗B、A1细胞、B细胞、抗D、对照试管，所述判读方法具体包括如下步骤：
步骤1、建立凝集反应分类标准：
根据试管法原理对试验中试管中凝集反应进行分类，分为阳性、阴性和无效结果3大类，其中，阴性的类型符号和表现特征为：-，没有凝集；无效结果的类型符合和表现特征为：H，完全溶血；阳性又分为5个小类，类型符号和表现特征分别为：4+，一个结实的凝集块；3+，数个大的凝集块，2+，中等大小的凝集块，背景清晰；1+，小的凝集块，背景浑浊；±，几乎看不见的凝集，背景浑浊；
步骤2、建立图片分类模型，依次包括如下过程：
1)图像采集：所述全自动卡式血型分析仪包括图片采集模块，通过全自动卡式血型分析仪的图片采集模块采集多张对应于步骤1所述区分的不同类型的试管图片；
2)图片分类标注：按照步骤1所述的凝集反应分类标准，对步骤1)采集到的试管图片进行人工标注，图片中含有多个试管，则对图片中的每一个试管都进行人工标注；
3)图片预处理：将图片按照试管分割成若干张图片，使得每个图片中有且仅有一个试管的图片，并且试管在图片中的位置相对保持一致；以试管底为基准，在图片上截取合适的感兴趣区域ROI作为识别训练区域，将处理好的图片根据步骤2)中的标注，分别放入不同的图片子集，保证每个图片子集中都有足够的图片数量，并将所有图片子集合并放入一个集合中，作为模型训练集；
4)模型训练：利用自组织神经网络，以步骤3)得到的模型训练集作为输入，以模型训练集中的相应的标注作为输出训练神经网络，得到初步图片分类模型；
5)模型完善：按步骤1)采集新的试管图片，对步骤4)得到的初步图片分类模型对图片中试管进行分类标注；然后人工对标注后的图片分类进行确认，并修正其中错误的标注；将人工确认并修正后的图片纳入到模型训练集中，然后按步骤4)，对初步图片分类模型进行训练，得到改善后的图片分类模型；
6)对改善后的图片分类模型，进行重复步骤5)；通过反复执行步骤5)的操作，不断对图片分类模型进行完善，最终得到对各类图片都有预定的识别准确率的合适的最终图片分类模型；
步骤3、使用步骤2所得的最终图片分类模型对经过全自动血型分析仪处理后的试管图片进行分类：
通过全自动卡式血型分析仪的图片采集模块获取到图片，随后将图片输入到最终图片分类模型中进行分类；最终图片分类模型会根据输入图片输出各个类别的特征值，这些特征值的总和为1，特征值代表了该图片为某种类别的概率，根据实际情况对特征值设置一个阈值，若特征值中的最大值大于所设阈值，则将此图片分类为该特征值所代表的分类结果；若特征值中的最大值小于所设阈值，则将此图片标记为分类失败，由人工进行分类；
步骤4、血型结果判读：基于通过步骤3得到的一个正反定血型试验所对应的6个试管的分类结果，判读出此正反定血型试验的血型结果。
2.根据权利要求1所述的基于试管法的血型智能判读方法，其特征在于，所述步骤4的基于通过步骤3得到的一个正反定血型试验所对应的6个试管的分类结果，判读出此正反定血型试验的血型结果的具体步骤如下：
1)判断对照：若对照试管分类结果不是阴性，则本试验结果无效，终止判读流程，将此实验结果判定无效；
2)判断正定血型：结合抗A试管、抗B试管的分类结果，根据ABO血型鉴定原理，判断得到正定血型；
3)判断反定血型：结合A1细胞试管、B细胞的分类结果，根据ABO血型鉴定原理，判断得到反定血型；
4)判断血型：结合正定血型和反定血型，判断此样本血型；若正定血型和反定血型一致，则此样本血型确定；若正定血型和反定血型不一致，则将此样本标记为存疑，由人工进行确认；
5)判断RhD：若抗D试管分类为阳性，则判定为RhD阳性；若抗D试管分类为阴性，则判定为RhD阴性，并将此实验标记为存疑，由人工进行确认；
6)结果：结合血型和RhD结果，最终确定此样本血型；若6个试管中分类结果中存在包含±，1+，2+的弱阳性结果，则将此实验标记为存疑，由人工进行确认即上述步骤2)、3)、5)判定中认定为“+”阳性分类结果的应为阳性分类中细分的“4+”阳性或“3+”阳性。
3.根据权利要求2所述的基于试管法的血型智能判读方法，其特征在于，所述步骤4的步骤2)中，判断正定血型的具体过程是：如果抗A试管为“+”、抗B试管为“-”，被检者血型可以确定为A型血；如果抗A试管为“-”、抗B试管为“+”，被检者血型可以确定为B型血；如果抗A试管为“-”、抗B试管为“-”时，被检者血型可以确定为O型血；如果抗A试管为“+”、抗B试管为“+”时，被检者血型可以确定为AB型血。
4.根据权利要求2所述的基于试管法的血型智能判读方法，其特征在于，所述步骤4的步骤3)中，判断反定血型的具体过程是：如果A1细胞试管为“-”、B细胞试管为“+”，被检者血型可以确定为A型血；如果A1细胞试管为“+”、B细胞试管为“-”，被检者血型可以确定为B型血；如果A1细胞试管为“+”、B细胞试管为“+”时，被检者血型可以确定为O型血；如果A1细胞试管为“-”、B细胞试管为“-”时，被检者血型可以确定为AB型血。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111613446.8A CN114236140B (zh) | 2021-12-27 | 基于试管法的血型智能判读方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111613446.8A CN114236140B (zh) | 2021-12-27 | 基于试管法的血型智能判读方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114236140A true CN114236140A (zh) | 2022-03-25 |
| CN114236140B CN114236140B (zh) | 2024-06-11 |
Family
ID=
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101541976A (zh) * | 2006-08-11 | 2009-09-23 | 贝勒研究院 | 利用血液白细胞中的基因表达标记物的急性感染的鉴别诊断 |
| CN103884849A (zh) * | 2014-04-06 | 2014-06-25 | 邵超鹏 | 一种血型和血型抗体测定结果的显示方式和制作方法 |
| CN106290922A (zh) * | 2016-09-20 | 2017-01-04 | 刘大基 | ABO正反和RhD抗原血型鉴定组合器及鉴定方法 |
| CN108828240A (zh) * | 2018-04-28 | 2018-11-16 | 河北鑫辉生物科技有限公司 | ABO正反定型和RhD血型定型检测卡 |
| CN109239365A (zh) * | 2018-11-02 | 2019-01-18 | 上海市血液中心 | 一种血型血清学凝集强度判定能力验证方法、试剂盒及系统 |
| CN110286238A (zh) * | 2019-07-25 | 2019-09-27 | 深圳市宇诺生物技术有限公司 | ABO/Rh（D/C/E）血型检测卡及其制备方法 |
| US20190311479A1 (en) * | 2018-04-10 | 2019-10-10 | Sun Yat-Sen University Cancer Center | Method and device for identifying pathological picture |
| CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
| CN111638373A (zh) * | 2020-06-08 | 2020-09-08 | 长春博德生物技术有限责任公司 | 用于ABO血型正定型和Rh血型检测的试剂盒及其制备方法和检测方法 |
| CN112213503A (zh) * | 2020-09-03 | 2021-01-12 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统、图像分析系统及其处理样本图像的方法 |
| CN112232327A (zh) * | 2020-12-16 | 2021-01-15 | 南京金域医学检验所有限公司 | 一种基于深度学习的抗核抗体核型判读方法与设备 |
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101541976A (zh) * | 2006-08-11 | 2009-09-23 | 贝勒研究院 | 利用血液白细胞中的基因表达标记物的急性感染的鉴别诊断 |
| CN103884849A (zh) * | 2014-04-06 | 2014-06-25 | 邵超鹏 | 一种血型和血型抗体测定结果的显示方式和制作方法 |
| CN106290922A (zh) * | 2016-09-20 | 2017-01-04 | 刘大基 | ABO正反和RhD抗原血型鉴定组合器及鉴定方法 |
| US20190311479A1 (en) * | 2018-04-10 | 2019-10-10 | Sun Yat-Sen University Cancer Center | Method and device for identifying pathological picture |
| CN108828240A (zh) * | 2018-04-28 | 2018-11-16 | 河北鑫辉生物科技有限公司 | ABO正反定型和RhD血型定型检测卡 |
| CN109239365A (zh) * | 2018-11-02 | 2019-01-18 | 上海市血液中心 | 一种血型血清学凝集强度判定能力验证方法、试剂盒及系统 |
| CN110286238A (zh) * | 2019-07-25 | 2019-09-27 | 深圳市宇诺生物技术有限公司 | ABO/Rh（D/C/E）血型检测卡及其制备方法 |
| CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
| CN111638373A (zh) * | 2020-06-08 | 2020-09-08 | 长春博德生物技术有限责任公司 | 用于ABO血型正定型和Rh血型检测的试剂盒及其制备方法和检测方法 |
| CN112213503A (zh) * | 2020-09-03 | 2021-01-12 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统、图像分析系统及其处理样本图像的方法 |
| CN112232327A (zh) * | 2020-12-16 | 2021-01-15 | 南京金域医学检验所有限公司 | 一种基于深度学习的抗核抗体核型判读方法与设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陆贤吉等: "全自动血型分析仪在血型鉴定中的应用", 临床血液学杂志, vol. 26, no. 10, pages 683 - 684 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021179514A1 (zh) | 一种基于人工智能的新型冠状病毒患者病况分类系统 | |
| Ge et al. | A system for counting fetal and maternal red blood cells | |
| CN107167616A (zh) | 血型检测方法及装置 | |
| CN112669320B (zh) | 一种基于深度神经网络的spect甲状腺显像智能识别方法 | |
| CN112836067B (zh) | 基于知识图谱的智能搜索方法 | |
| CN110415818A (zh) | 一种基于可观察病症的智能儿科疾病问诊系统及方法 | |
| CN110059568A (zh) | 基于深层卷积神经网络的多类白细胞自动识别方法 | |
| CN115359264A (zh) | 一种密集型分布的粘连细胞深度学习识别方法 | |
| CN114332856A (zh) | 一种血型卡图像的特征提取方法、装置及血型判读系统 | |
| CN107122610A (zh) | 一种糖尿病分型方法及装置 | |
| CN114236140A (zh) | 基于试管法的血型智能判读方法 | |
| CN114236140B (zh) | 基于试管法的血型智能判读方法 | |
| CN107389957B (zh) | 微柱凝胶卡凝集检测结果识别系统及血型分析仪 | |
| Shaban et al. | Blood Group Classification System Based on Image Processing Techniques. | |
| CN114496196A (zh) | 医疗实验室临床生化检验自动审核系统 | |
| CN109522968A (zh) | 一种基于串行双任务网络的病灶区检测方法及系统 | |
| CN108052967A (zh) | 基于迁移学习的白血细胞多分类识别方法 | |
| Budianto et al. | Strip test analysis using image processing for diagnosing diabetes and kidney stone based on smartphone | |
| Cruz et al. | Portable Blood Typing Device Using Image Analysis | |
| CN116843986B (zh) | 一种基于图像识别的免疫固定电泳检测数据自动审核方法 | |
| CN112126623A (zh) | 一种Miltenberger血型系列表型红细胞的制备方法 | |
| CN113034429A (zh) | 一种脑切片标记神经细胞检测方法及装置 | |
| Weddell | An automated complement fixation test for Brucella ovis in sheep | |
| Fetter et al. | StomataCounter: a deep learning method applied to automatic stomatal identification and counting | |
| Shen et al. | Study on the Feature Extraction of the Automatic Blood Type Reading System |
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 |