CN114729922A - 用于骨髓细胞群的可视化的方法和装置 - Google Patents

Abstract

一种用于扫描骨髓抽吸物(BMA)样本的显微镜系统可以包括用于扫描BMA样本的扫描装置以及耦合到该扫描装置和存储器的处理器。显微镜系统可以使用扫描装置获得BMA样本的扫描数据，并从扫描数据中检测BMA样本中的细胞。显微镜系统还可以将检测到的细胞分类为多种细胞类型，并将所分类的细胞的细胞数据存储在存储器中。显微镜系统可以包括用于呈现细胞数据的显示器。提供了各种其他系统和方法。

Description

用于骨髓细胞群的可视化的方法和装置

相关申请

本申请要求2019年11月15日提交的标题为“VISUALIZATION OF BONE MARROWCELL POPULATIONS”的第62/935,843号美国临时专利申请和2020年6月30日提交的标题为“BONE MARROW ASPIRATE DIAGNOSTIC SYSTEM”的第62/705,501号美国临时专利申请在《美国法典》第35卷第119(e)条下的利益，这两个美国临时专利申请都通过此引用以其整体并入。

背景

骨髓抽吸物(bone marrow aspirate)分析可用于多种类型的疾病的诊断，例如白血病的诊断。然而，与本公开相关的工作表明，分析骨髓样本的现有方法可能不太理想，且对骨髓抽吸物样本的改进分析可以帮助医生对患者做出改进的诊断。对骨髓抽吸物(“BMA”)样本的分析可能是一个复杂和耗时的过程，而且可能从BMA样本中获得的数据中的至少一些没有得到充分利用，这可能导致至少在某些情况下的不准确分析和诊断。例如，在制备样本后，操作者可以在显微镜下分析样本，其中至少部分分析是使用具有小视场的油浸式高放大倍率进行的。这种方法可能是耗时的，并可能导致操作者无法在合理的时间框架内检查所有潜在相关的细胞。骨髓样本分析通常依赖于对样本中不同细胞类型在样本的不同区域处的差异分析。骨髓样本分析可能涉及通常是在较低的放大倍率下分析样本的宏观结构以检查其充分性和寻找用于分析的区域，且然后在较高的放大倍率下查找相关细胞，并对大约500个细胞进行差异分析(根据ICSH指南)。与本公开相关的工作表明，至少在某些情况下，现有BMA分析的敏感性和特异性可能不太理想。例如，对于一些疾病，指示BMA样本中存在疾病的细胞可能存在于BMA样本的局灶区域，这在至少一些情况下可能被忽略。

传统上，分析是由一个人手动执行的。该人可以在显微镜下检查样本，选择样本的相关区域，识别相关区域中的各种细胞类型，并且基于结果(例如，每种细胞类型的细胞数量)，该人可以尝试诊断状况。与本公开相关的工作表明，用于确定样本的相关区域、细胞类型的识别的现有方法至少在某些情况下可能有些主观。对于一些现有方法，样本的相关区域可能没有被适当地定义，并且可能将偏差引入分析中，这至少在某些情况下会影响分析的准确性。

现有方法可能会受到额外的限制。例如，由于分析是手动执行的，所以人可能依赖认知意识来评估不同细胞群的临床意义以及对存在的不同状况的记忆。由于许多细胞难以进行区分以及寻找可能是异常的或以其他方式指示某种医学状况的指示性细胞的挑战，可能会加剧这种情况。此外，某些疾病可能出现在样本的可能被忽略的特定部位中。该过程也可能很长，因为该人可能单独执行分析并针对多个载片重复整个过程。因此，至少在某些情况下，传统的方法可能容易出现人为错误。此外，由于所执行的分析的类型在某种程度上受到执行分析的个人的认知能力的限制，所以现有方法在某种程度上受到限制，并且与本公开相关的工作表明，至少在某些情况下，细胞类型和谱系之间的关系可能没有被适当地利用。此外，由于许多医疗保健机构缺乏具备必要专业知识水平的人员，所以至少一些机构可能通过物理地运送样本来依赖远程专家，进一步增加了分析样本的开销和延迟。

概述

本文所述的系统和方法可以提供用于骨髓抽吸物分析的计算机辅助系统，包括骨髓细胞群的可视化，骨髓细胞群的可视化可被护理提供者用于执行诊断。在一些实施例中，当前公开的系统和方法允许在大的区域上对大量细胞进行定量分析，这可以增加BMA分析的敏感性和特异性。此外，可以以减少分析中偏差的方式选择用于分析的区域。虽然可以以多种方式选择用于分析的区域，但在一些实施例中，选择代表其他区域的用于分析的区域。替代地或组合地，来自其他区域中的代表给定区域中的细胞的细胞被选择用于分析，这可以提高被选择用于分析的区域的可靠性并减少偏差。

在一些实施例中，接收来自BMA样本的扫描数据。从扫描数据中检测一个或更多个颗粒或细胞位置，并且基于检测到的一个或更多个颗粒或细胞位置确定分析区域。可以从扫描数据中识别一种或更多种细胞类型的细胞。可以用统计分析来分析所识别的细胞，并且基于统计分析来选择所识别的细胞的子集用于呈现，这可以促进健康护理提供者的诊断。

在一些实施例中，基于样本的颗粒和细胞密度定量地确定感兴趣区域，这可以减少BMA分析中的偏差。此外，可以选择感兴趣区域内的代表性细胞。可以以可能促进正常细胞群或异常细胞群的诊断的方式来检测和呈现不同的细胞群。视觉表示可以使用颜色、大小、形状、文本/数字和/或其他视觉指示器来呈现细胞类型之间的细胞谱系连接(celllineage connection)、不同细胞类型的数量或百分比、相对于正常范围值的量的指示。视觉表示可以有利地促进对异常的快速诊断，沟通和跟踪决策制定，实现与已知状况的图谱(例如，对应于已知状况的图形)的比较以便减少人为错误，提高诊断的一致性和质量，并且能够快速得出结果。

通过引用并入

本文引用和标识的所有专利、申请和出版物在此都通过引用以其整体并入，并且即使在申请中的其他地方进行引用，也应被视为通过引用被完全并入。

附图简述

通过参考以下阐述说明性实施例的详细描述和附图将获得对本公开的特征、优势和原理的更好的理解，附图中：

图1示出了根据一些实施例的示例性显微镜的示意图；

图2示出了根据一些实施例的细胞谱系的图表；

图3示出了根据一些实施例的另一细胞谱系的图表；

图4示出了根据一些实施例的示例性细胞谱系分析；

图5示出了根据一些实施例的样本的示例性扫描分析；

图6示出了根据一些实施例的细胞密度的示例性热图；

图7示出了根据一些实施例的用于骨髓扫描分析在细胞分类中的示例过程的流程图；

图8示出了根据一些实施例的用于骨髓扫描分析在选择代表性细胞中的示例过程的流程图；

图9示出了根据一些实施例的用于用细胞群数据进行骨髓扫描分析的示例过程的流程图；

图10示出了根据一些实施例的用于骨髓扫描分析在选择代表性细胞中的示例过程的流程图；

图11示出了根据一些实施例的用于检查扫描的示例过程的流程图；

图12示出了根据一些实施例的用于分析扫描的示例过程的流程图；

图13示出了根据一些实施例的用于骨髓扫描分析的示例过程的流程图；

图14示出了根据一些实施例的示例性计算系统；以及

图15示出了根据一些实施例的示例性网络体系结构。

详细描述

下面的详细描述根据本文公开的实施例提供了对本公开中描述的发明的特征和优势的更好理解。尽管详细描述包括许多特定实施例，但这些仅作为示例提供，并且不应被解释为限制本文公开的发明的范围。

以下将参照图1-15提供对BMA的分析的详细描述。图1示出了显微镜和各种显微镜配置。图2、图3和图4示出了样本的细胞谱系分析的示例图表。图5和图6示出了扫描结果的示例屏幕截图。图7、图8、图9、图10、图11、图12和图13示出了骨髓抽吸物样本分析的示例过程的流程图。图14示出了能够进行如本文所述的骨髓抽吸物样本分析的示例性计算设备。图15示出了用于本文描述的计算设备的示例性网络体系结构。

当前公开的系统和方法非常适合于与收集骨髓抽吸物样本的现有方法一起使用。骨髓抽吸物样本可以按照本领域中的普通技术人员将会理解的通常所进行的方式获得。骨髓抽吸物样本可以从任何具有骨髓的人或动物物种中获得，并且该样本可以从诸如患者的活体受试者或诸如尸体的死体受试者中获得。

图1是与示例性公开的实施例一致的显微镜100的图解表示。本文使用的术语“显微镜”一般是指用于放大比肉眼可容易地观察到的对象小的对象——即，为用户创建对象的图像，其中图像比对象大——的任何设备或仪器。一种类型的显微镜可以是“光学显微镜”，其使用光与光学系统相结合来放大对象。光学显微镜可以是具有一个或更多个放大镜的简单显微镜。另一种类型的显微镜可以是“计算显微镜”，其包括图像传感器和图像处理算法以增强或放大对象的尺寸或其他特性。计算显微镜可以是专用设备，或者可以是通过将软件和/或硬件与现有的光学显微镜结合以产生高分辨率数字图像来创建的。如图1所示，显微镜100包括图像捕获设备102、聚焦致动器104、连接到存储器108的控制器106、照明组件110和用户接口112。显微镜100的示例用途可以是：捕获安装在位于图像捕获设备102的视场(FOV)内的平台116上的样本114的图像，处理所捕获的图像，并且在用户接口112上呈现样本114的放大的图像。

图像捕获设备102可用于捕获样本114的图像。在本说明书中，本文使用的术语“图像捕获设备”一般是指将进入透镜的光学信号记录为图像或图像序列的设备。光学信号可以在近红外光谱、红外光谱、可见光谱和紫外光谱中。图像捕获设备的示例包括CCD相机、CMOS相机、彩色相机、光传感器阵列、摄像机、配备有相机的移动电话、网络摄像头、预览相机、显微镜物镜和探测器等。一些实施例可以仅包括单个图像捕获设备102，而其他实施例可以包括两个、三个或甚至四个或更多个图像捕获设备102。在一些实施例中，图像捕获设备102可以被配置成捕获在限定的视场(FOV)中的图像。此外，当显微镜100包括若干个图像捕获设备102时，图像捕获设备102在其各自的FOV中可以具有重叠区域。图像捕获设备102可以具有用于捕获样本114的图像数据的一个或更多个图像传感器(未在图1中示出)。在其他实施例中，图像捕获设备102可以被配置成以高于VGA、高于100万像素、高于200万像素、高于500万像素、1000万像素、高于1200万像素、高于1500万像素或高于2000万像素的图像分辨率捕获图像。另外，图像捕获设备102还可以被配置为具有小于15微米、小于10微米、小于5微米、小于3微米或小于1.6微米的像素尺寸。

在一些实施例中，显微镜100包括聚焦致动器104。本文使用的术语“聚焦致动器”一般是指能够将输入信号转换成物理运动以调整样本114与图像捕获设备102之间的相对距离的任何设备。可以使用各种聚焦致动器，聚焦致动器包括例如线性马达、电致伸缩致动器、静电马达、电容马达、音圈致动器、磁致伸缩致动器等。在一些实施例中，聚焦致动器104可以包括模拟位置反馈传感器和/或数字位置反馈元件。聚焦致动器104被配置为接收来自控制器106的指令，以便使光束会聚以形成样本114的清晰且边界限定明确(sharplydefined)的图像。在图1所示的示例中，聚焦致动器104可以被配置为通过移动图像捕获设备102来调整距离。

然而，在其他实施例中，聚焦致动器104可以被配置为通过移动平台116或通过移动图像捕获设备102和平台116两者来调整距离。根据所公开的实施例，显微镜100还可以包括用于控制显微镜100的操作的控制器106。控制器106可以包括用于根据提供期望的功能的所存储的或可访问的软件指令对图像数据和其他数据的一个或更多个输入执行逻辑操作的各种类型的设备。例如，控制器106可以包括中央处理单元(CPU)、支持电路、数字信号处理器、集成电路、高速缓冲存储器或用于图像处理和分析的任何其他类型的设备(诸如图形处理单元(GPU))。CPU可以包括被配置为处理来自图像传感器的影像的任意数量的微控制器或微处理器。例如，CPU可以包括任何类型的单核处理器或多核处理器、移动设备微控制器等。可以使用各种处理器，包括例如可从诸如

等制造商处获得的处理器，并且各种处理器可以包括各种体系结构(例如，x86处理器、

等)。支持电路可以是本领域中通常公知的任意数量的电路，包括高速缓存、电源、时钟和输入-输出电路。控制器106可以位于远程位置，例如通信地耦合到显微镜100的计算设备。

在一些实施例中，控制器106可以与存储器108相关联，存储器108用于存储当被控制器106执行时控制显微镜100的操作的软件。另外，存储器108还可以存储与显微镜100的操作相关联的电子数据，诸如例如所捕获或生成的样本114的图像。在一个实例中，存储器108可以被集成在控制器106内。在另一个实例中，存储器108可以与控制器106分开。

具体而言，存储器108可以指位于控制器106处或远程位置(诸如云服务器)处的多个结构或计算机可读存储介质。存储器108可以包括任意数量的随机存取存储器、只读存储器、闪存、磁盘驱动器、光存储装置、磁带存储装置、可移动存储装置和其他类型的存储装置。

显微镜100可以包括照明组件110。本文使用的术语“照明组件”一般是指能够投射光以照射样本114的任何设备或系统。

照明组件110可以包括任意数量的光源，例如发光二极管(LED)、LED阵列、激光器和被配置为发射光的灯，例如卤素灯、白炽灯或钠灯。例如，照明组件110可以包括Kohler照明源。照明组件110可以被配置为发射多色光。例如，多色光可以包括白光。

在一些实施例中，照明组件110可以仅包括单个光源。替代地，照明组件110可以包括被组织成阵列或矩阵的四个、十六个或甚至多于一百个的光源。在一些实施例中，照明组件110可以使用位于与照射样本114平行的表面处的一个或更多个光源。在其他实施例中，照明组件110可以使用位于与样本114垂直或成一定角度的表面处的一个或更多个光源。

另外，照明组件110可以被配置为在一系列不同的照射条件下照射样本114。在一个示例中，照明组件110可以包括以不同照射角度布置的多个光源，诸如光源的二维布置。在这种情况下，不同的照射条件可以包括不同的照射角度。例如，图1描绘了从第一照射角度α1投射的光束118和从第二照射角度α2投射的光束120。在一些实施例中，第一照射角度α1和第二照射角度α2可以具有相同的值但相反的符号。在其他实施例中，第一照射角度α1可以独立于第二照射角度α2。然而，这两个角度源自于在光学器件的接收角内的点。在另一个示例中，照明组件110可以包括被配置为发射不同波长的光的多个光源。在这种情况下，不同的照射条件可以包括不同的波长。例如，每个光源可以被配置为发射具有不超过50nm的半峰全宽带宽的光，以便基本上发射单色光。在又一个示例中，照明组件110可以被配置为在预定时间使用多个光源。在这种情况下，不同的照射条件可以包括不同的照射图案。例如，光源可以被布置成以不同的角度顺序地照射样本，以提供数字重新聚焦、像差校正或分辨率增强中的一个或更多个。因此并且与本公开一致，可以从包括以下项的组中选择不同的照射条件：不同持续时间、不同强度、不同位置、不同照射角度、不同照射图案、不同波长或它们的任何组合。

尽管参考了计算显微镜，但当前公开的系统和方法非常适合于与许多类型的单个显微镜和多个显微镜一起使用，所述显微镜例如为高清晰度显微镜、数字显微镜、扫描数字显微镜、3D显微镜、相位成像显微镜、相差显微镜(phase contrast microscope)、暗场显微镜、微分干涉反差显微镜(differential interference contrast microscope)、光片显微镜、共焦显微镜、全息显微镜或基于荧光的显微镜中的一个或更多个。

与所公开的实施例一致，显微镜100可以包括用户接口112，可以(例如，通过网络或无线地，例如经由蓝牙)与用户接口112连接或通信。本文使用的术语“用户接口”一般是指适合于呈现样本114的放大图像的任何设备或适合于从显微镜100的一个或更多个用户接收输入的任何设备。图1示出了用户接口112的两个示例。第一个示例是直接地或通过远程服务器来通过蓝牙、蜂窝连接或Wi-Fi连接与控制器106无线通信的智能电话或平板电脑。第二个示例是物理地连接到控制器106的PC显示器。在一些实施例中，用户接口112可以包括用户输出设备，用户输出设备包括例如显示器、触觉设备、扬声器等。在其他实施例中，用户接口112可以包括用户输入设备，用户输入设备包括例如触摸屏、麦克风、键盘、指针设备、相机、旋钮、按钮等。利用这样的输入设备，用户能够通过键入指令或信息、提供语音命令、使用按钮、指针或眼睛跟踪能力选择屏幕上的菜单选项，或者通过用于将信息传送到显微镜100的任何其他合适技术，来向显微镜100提供信息输入或命令。用户接口112可以与一个或更多个处理设备(诸如控制器106)(物理地或无线地)连接，以向用户提供信息和从用户接收信息并处理该信息。在一些实施例中，这样的处理设备可以执行用于以下项的指令：响应键盘输入或菜单选择的指令，识别和解释在触摸屏上做出的触摸和/或手势，识别和追踪眼睛移动，接收和解释语音命令等。

显微镜100还可以包括平台116或连接到平台116。平台116包括可以安装用于进行检查的样本114的任何水平的刚性表面。平台116可以包括用于将包含样本114的载片保持在固定位置的机械连接器。机械连接器可以使用以下中的一个或更多个：安装件、附接构件、保持臂、夹具、夹子、可调整框架、锁定机构、弹簧或它们的任何组合。在一些实施例中，平台116可以包括用于允许光照射样本114的半透明(translucent)部分或开口。例如，从照明组件110发射的光可以穿过样本114并且朝向图像捕获设备102。在一些实施例中，可以使用马达或手动控件在XY平面中移动平台116和/或样本114以实现对样本的多个区域的成像。

图2示出了可以对应于正常或几乎正常的骨髓样本的样本中的细胞的分类的示例性图表200。如下面将进一步描述的，显微镜100可以扫描并进一步分析骨髓抽吸物样本。分析的一些结果可以在诸如图表200的图表中可视地呈现。例如，显微镜100可对样本中识别的细胞进行分类，例如，所述细胞可包括：胚细胞、未成熟嗜酸性粒细胞、嗜酸性粒细胞、未成熟嗜碱性粒细胞、嗜碱性粒细胞、早幼粒细胞(promelocyte)、中幼粒细胞(myelocyte)、晚幼粒细胞(metamyelocyte)、杆状核细胞、中性粒细胞、原单核细胞、单核细胞、巨噬细胞、原巨核细胞、巨核细胞、成红细胞(erythroblast)、巨成红细胞(megaloblast)、正成红细胞(normoblast)、淋巴细胞、浆细胞等。

图表200可以基于谱系来组织细胞类型。例如，如在图2中所看到的，不同类型的细胞可以按具有成熟连接(maturation connection)的类型被组织成列。此外，每列可能包括更颗粒化的细胞进展(例如，未成熟嗜酸性粒细胞到嗜酸性粒细胞等)。如图2中所看到的，某些细胞类型，例如淋巴细胞，可以单独显示。

此外，图表200可以可视地表示细胞群以反映相对和/或绝对的细胞群。在图2中，每种细胞类型对应的圆的大小可以表示群。例如，较大的圆可以表示较大的群。大小可以对应于与相应细胞类型相对应的细胞群的百分比，或者可以基于细胞的数量直接缩放。此外，不同圆之间的相对大小可以提供对应的细胞群的相对大小的视觉估计。虽然在图2中没有示出，但是诸如数值的附加文本也可以被显示。

附加特征可以被可视地表示。颜色或其他标记可以代表正常和/或异常的范围或结果。例如，特征可以通过以下项来表示：可以标记从正常到异常的转变的线或虚线、连接不同细胞类型的线宽的变化、形状的变化(例如，使用正方形)、在图表中的位置的变化、条形、其他图表形状等。

图2用指示正常范围的中性颜色(例如，灰色)示出不同的细胞类型。在其他示例中，可以使用诸如绿色的其他颜色来显示正常或无异常的范围。

图3示出了除描绘不同的结果以外类似于图表200的细胞分析的图表300。图表300可能表明异常的骨髓样本。例如，图表300可能表明由相对应的圆的大小以及圆的颜色所指示的浆细胞中的异常。在图3中，浆细胞可以用指示异常或以其他方式要求关注的深色来进行表示。在其他示例中，异常可以用诸如红色的警示色来示出。这样的视觉指示器可以有利地提供对异常的简单和直观的表示。

图4示出了细胞谱系的另一种视觉呈现的示例图表400。尽管图表200和300呈现各种细胞谱系(例如，广泛的细胞谱系映射)，但图表400可以聚焦于特定谱系(例如，图表200和300中的一列)。与图表200和300相似，图表400可以将细胞群显示为圆，圆的大小对应于细胞群，但是在其他示例中可以使用不同的视觉指示器。在圆上方，文本和/或数字可以表示该类型的细胞相对于所有有核细胞的百分比和该类型的(可以由用户手动标记的)异常细胞的百分比。在一些示例中，文本可以以不同的颜色显示，例如，中性颜色显示在所有有核细胞中所占的百分比，而红色或警示色显示异常细胞。在圆下方，范围可以表示聚合结果，诸如在正常面积值之间的平均面积(例如，该类型的细胞所覆盖的面积，以μm²为单位进行测量)。如在图表400中所看到的，没有一个平均面积值超出它们相应的正常范围。在范围下方，细胞类型可以被标记，这可以按照如箭头进一步指示的谱系进展的顺序来呈现。

图表200、300和400示出了视觉指示器和数据的具体示例布置。在其他示例中，图表可以变化，例如具有不同的布置、不同的颜色/符号、不同的数据等。

图5示出了骨髓抽吸物样本分析界面的示例屏幕500。如在图5中所看到的，屏幕500显示从扫描样本的区域获得的图像数据502。视觉指示器，例如颜色，可能表示不同的信息。例如，较暗的部分可以对应于在区域中检测到的颗粒。某些信息可以覆盖在图像数据上方，包括边界504和边界506，边界504和边界506可以用不同的颜色、线的粗细或其他视觉差异来呈现以相互区分，用于指示在样本中检测到的元素。用暗线示出的边界504可以勾勒出已经被计算机分析(例如，检测颗粒、细胞等)的区域。用较淡的线示出的边界506可以勾勒出可以基于计算机分析自动确定、被用户选择等的潜在区域或感兴趣区域(ROI)。在其他示例中，可以用其他边界勾勒出其他区域。

屏幕500可以包括显示整个载片或载片的重要部分的预览图像的缩略图508。缩略图508可以以比图像数据502的分辨率更低的分辨率成像并覆盖比图像数据502的区域更宽的区域。缩略图508可以包括指示图像数据502对应于样本的哪个区域的边界510。

在一些示例中，屏幕500可以包括以图形或文本方式显示的附加信息。例如，可以呈现统计数据(例如，检测到的细胞总数、检测到的完整细胞总数、检测到的剥离细胞总数、检测到的颗粒总数、细胞百分比等)或其他分析结果。此外，可以呈现用户界面元素，例如用于对什么数据被显示进行改变、调整或注释数据、选择不同的区域或样本、继续工作流程、导航到不同区域、改变视图、菜单等的控件。

图6示出了骨髓抽吸物样本分析界面的示例屏幕600。如在图6中所看到的，屏幕600显示从扫描样本的区域获得的图像数据602。图像数据602可以包括显示不同细胞类型的细胞密度的细胞热图。视觉指示器，例如颜色，可能表示不同的信息。例如，不同的颜色可以对应于不同类型的细胞。颜色点的分组可以指示细胞密度。某些信息可以覆盖在图像数据上方，包括突出显示部(highlight)604，突出显示部604可以用不同的颜色或其他视觉差异呈现，以区别于其他突出显示部和视觉指示器。在密集细胞分组上方用浅灰色阴影示出的突出显示部604可以指示被选择用于进一步分析的区域，例如系统可以建议进行有核差异细胞计数(“NDC”)分析的区域。在其他示例中，可以使用不同的突出显示部来指示不同的细胞分组。

屏幕600可以包括显示整个载片或载片的重要部分的预览图像的缩略图608。缩略图608可以以比图像数据602的分辨率更低的分辨率成像并覆盖比图像数据602的区域更宽的区域。缩略图608可以包括指示图像数据602对应于样本的哪个区域的边界610。

在一些示例中，屏幕600可以包括以图形或文本方式显示的附加信息。例如，可以呈现分析结果(例如，每种检测到的类型的细胞的数量)或其他统计数据。此外，可以呈现用户界面元素，例如用于对什么数据被显示进行改变、对哪些突出显示部被显示进行改变、调整或注释数据、选择不同的样本、继续工作流程、导航到不同区域、改变视图、菜单等的控件。

图7示出了用于呈现骨髓抽吸物分析的示例性方法700的流程图。在一个示例中，图7中所示的每个步骤可以表示其结构包括多个子步骤和/或由多个子步骤表示的算法，下面将更详细地提供其示例。图7中所示的步骤可以由本文描述的一个或更多个系统和/或其中的部件来执行，例如由显微镜100和/或其中的部件(例如，控制器106)来执行。

如在图7中所示，在步骤710，本文描述的一个或更多个系统可以使用扫描装置来获得骨髓抽吸物(“BMA”)样本的扫描数据。例如，显微镜100可以使用图像捕获设备102来获得BMA样本的扫描数据。

在一些示例中，图像捕获设备102可以具有至少0.8的有效数值孔径(“NA”)。在一些实施例中，有效NA对应于与具有该NA的物镜有相同分辨能力的显微镜的分辨能力。图像捕获设备102还可以具有带有适当放大倍率的物镜以提供有效NA，尽管该物镜的NA可能小于显微镜的有效NA。

在一些示例中，获得扫描数据可以包括扫描至少0.5平方厘米的区域。例如，扫描数据可以包括至少0.5平方厘米的BMA样本、至少1平方厘米的BMA样本、至少1.5平方厘米的BMA样本或至少2平方厘米的BMA样本。用于获得扫描数据的扫描时间可以至少快于每平方厘米20分钟、每平方厘米15分钟、每平方厘米10分钟、每平方厘米5分钟或每平方厘米2分钟。扫描数据可以包括来自BMA样本的整个区域的至少95％的数据。

在一些示例中，扫描数据包括BMA样本的高分辨率图像数据。高分辨率图像数据可以包括以至少0.8的有效NA扫描的BMA样本的图像数据、以至少0.9的有效NA扫描的BMA样本的图像数据和/或以至少1.0的有效NA扫描的BMA样本的图像数据。

在一些示例中，显微镜100可以分析对应于BMA样本的预览图像以定位颗粒。预览图像可以具有比扫描数据更低的分辨率。基于该分析，显微镜100可以确定关于BMA样本的推荐的扫描区域。虽然可以以许多方式获取预览图像，但在一些实施例中，用没有显微镜物镜的相机获取预览图像。例如，可以用微距镜头或其他合适的相机镜头来获取预览图像，而不依赖显微镜物镜来获取预览图像。

在一些示例中，可基于用户输入进一步确定推荐的扫描区域。用户输入可以包括调整推荐的扫描区域以包括或排除用户定义的区域。

在一些示例中，获得扫描数据还可以包括使用扫描装置来扫描推荐的扫描区域。例如，在最终确定推荐的扫描区域之后，显微镜100可以通过使用图像捕获设备102扫描推荐的扫描区域来获得扫描数据。

在步骤720，本文描述的一个或更多个系统可以从扫描数据中检测BMA样本中的细胞。例如，显微镜100可以从在步骤710中获得的扫描数据中检测BMA样本中的细胞。显微镜100可以使用例如计算机视觉或其他人工智能(“AI”)(诸如机器学习)。在一些实施例中，AI包括被配置为检测细胞并识别细胞类型的图像识别处理器指令。

在一些示例中，显微镜100可以检测BMA样本中的颗粒，并检测BMA样本中与检测到的颗粒分离的细胞。例如，颗粒可以包括骨针或碎片，并且可以包括脂肪或造血细胞簇中的一种或更多种。在一些示例中，检测到的细胞包括至少100个细胞。例如，检测到的细胞的数量至少为500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞或10000个或更多个细胞。

在步骤730，本文描述的一个或更多个系统可以将检测到的细胞或检测到的细胞的子集分类为多种细胞类型。例如，显微镜100可以将检测到的细胞分类为细胞类型。

在一些示例中，将检测到的细胞分类还可以包括为细胞类型分配将不同细胞类型的细胞关联起来的细胞谱系，并且呈现细胞数据还包括呈现细胞谱系。细胞谱系可以包括来自骨髓谱系、淋巴谱系或红系谱系中的一种或更多种的细胞的谱系。图2、图3和图4示出了示例谱系。在一些示例中，分类的细胞的数量可以至少是500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞或10000个或更多个细胞。

在一些示例中，显微镜100可以用机器学习分类器将细胞进行分类。机器学习分类器可以包括一个或更多个模型，例如神经网络、卷积神经网络、决策树、支持向量机、回归分析、贝叶斯网络和/或训练模型。机器学习分类器可以被配置为识别至少10种细胞类型，例如：胚细胞、未成熟嗜酸性粒细胞、嗜酸性粒细胞、未成熟嗜碱性粒细胞、嗜碱性粒细胞、早幼粒细胞、中幼粒细胞、晚幼粒细胞、杆状核细胞、中性粒细胞、原单核细胞、单核细胞、巨噬细胞、原巨核细胞、巨核细胞、成红细胞、巨成红细胞、正成红细胞、淋巴细胞和浆细胞。

在步骤740，本文描述的一个或更多个系统可以在存储器中存储分类的细胞的细胞数据。例如，显微镜100可以将细胞数据存储在存储器108中。存储细胞数据可以允许修改细胞数据，以及检索细胞数据以呈现给用户。

在一些示例中，存储细胞数据还可以包括从检测到的细胞中选择至少相关细胞以存储在细胞数据中。可以基于来自检测到的细胞的细胞类型的代表性分布来选择相关细胞。相关细胞的数量可以在100-500个细胞之间、在500-1000个细胞之间、在1000-2000个细胞之间或多于2000个细胞。

在步骤750，本文描述的一个或更多个系统可以呈现细胞数据。例如，显微镜100可以使用用户接口112呈现细胞数据。

尽管细胞数据可以被呈现为例如表格和/或文本读数，但本文所述的系统和方法有利地以图形方式呈现细胞数据。例如，显微镜100可以显示细胞密度热图(参见例如图6)。图2、图3、图4和图5示出了以图形方式呈现细胞数据的其他示例。

在一些示例中，显微镜100可以接收用户输入以修改细胞数据。用户输入可以包括标记细胞、添加细胞、删除细胞、将细胞重新分类和/或向细胞添加通知。通知可能指示有毒(toxic)或异常。

在一些示例中，显微镜100的照明组件110可以被配置为以各种角度照射BMA样本，使得图像捕获设备102可以被配置为从由照明组件110以各种角度照射的BMA样本收集多个图像。多个图像可以包括关于细胞的特征的第一最小可分辨距离。

显微镜100可以(例如，经由可操作地耦合到照明组件110和图像捕获设备102的控制器106)从多个图像生成计算重建的图像。该计算重建的图像可以包括关于细胞的特征的第二最小可分辨距离。第二最小可分辨距离可以小于第一最小可分辨距离。

在一些示例中，显微镜100可以被配置成识别完整细胞并基于完整细胞的位置来确定用于进一步分析的区域。例如，显微镜100可以从预览图像中识别完整细胞，使得用于进一步分析的区域可以是推荐的扫描区域。替代地，显微镜100可以从扫描区域中识别完整细胞，使得可以建议用于进一步分析的区域进行另外的扫描、由用户进行分析等。

图8示出了用于呈现骨髓抽吸物分析的示例性方法800的流程图。在一个示例中，图8中所示的每个步骤可以表示其结构包括多个子步骤和/或由多个子步骤表示的算法，下面将更详细地提供其示例。图8中所示的步骤可以由本文描述的一个或更多个系统和/或其中的部件来执行，例如由显微镜100和/或其中的部件(例如，控制器106)来执行。

如在图8中所示，在步骤810，本文描述的一个或更多个系统可以接收BMA样本的扫描数据。例如，显微镜100可以接收BMA样本的扫描数据。显微镜100可以如上所述自己扫描了BMA样本，可以从另一扫描装置接收扫描数据，或者可以接收存储在计算设备中的数据。

在步骤820，本文描述的一个或更多个系统可以从扫描数据中检测BMA样本中的颗粒。例如，显微镜100可以检测BMA样本中的颗粒。在一些示例中，如本文所述，显微镜100可以使用计算机视觉或其他基于AI的图像识别来检测颗粒。

在步骤830，本文描述的一个或更多个系统可以检测BMA样本中与检测到的颗粒分离的细胞。例如，显微镜100可以检测BMA样本中与检测到的颗粒分离的细胞。显微镜100可以使用例如计算机视觉或其他基于AI的图像识别来区分颗粒和细胞。

在一些示例中，显微镜100可以检测完整细胞。在一些示例中，显微镜100可以检测细胞密度。在一些示例中，如上文进一步描述的那样，显微镜100可以将检测到的细胞的细胞类型进行分类。

在步骤840，本文描述的一个或更多个系统可以基于检测到的细胞来确定感兴趣区域(ROI)。例如，显微镜100可以基于检测到的细胞来确定ROI。

在一些示例中，还可以基于检测到的完整细胞来确定ROI。在一些示例中，还可以基于细胞密度来确定ROI。例如，还可以基于检测到的细胞和检测到的颗粒之间的距离来确定ROI。期望的ROI可以包括完整细胞、以相关密度(例如，不太密集或太稀疏)分散的以及在相对于颗粒的期望的距离内的细胞。

在一些示例中，还可以基于对应于BMA样本的一个或更多个特定位置的相关局灶性信息(relevant focal information)来确定ROI。例如，相关局灶性信息可以对应于在一个或更多个特定位置处具有特征的局灶性疾病。局灶性疾病可以包括淋巴瘤、浆细胞骨髓瘤、肥大细胞增多症、转移癌、储存性组织细胞增多症、结晶储存性组织细胞增多症和/或肉芽肿等。

在步骤850，本文描述的一个或更多个系统可以部分地基于ROI和检测到的细胞来选择检测到的细胞的子集以用于细胞数据。例如，显微镜100可以部分地基于ROI和检测到的细胞来选择检测到的细胞的子集以用于细胞数据。

在一些示例中，ROI可以包括多个ROI。每个ROI可以包括细胞的分布。可以基于来自多个ROI的细胞的集体分布与来自ROI的细胞的总分布的比较，从多个ROI的子集中选择细胞的子集。

在一些示例中，还可以基于具有表示扫描数据中细胞类型的总细胞分布的细胞类型的细胞分布来选择细胞的子集。还可以基于优先化用于包含到细胞数据中的一种或更多种细胞类型来选择细胞的子集。例如，优先化的细胞类型可以包括胚细胞和/或浆细胞。

在一些实施例中，使用以下方法中的任一种或两种来选择所选择的细胞的子集作为用于呈现的细胞数据：

1.选择ROI的子集，并选择在ROI的该子集中存在的细胞。这些ROI可以是响应于在这些ROI中表示样本中细胞分布的聚集的细胞集合而被选择的。在一些实施例中，这还包括评估以确保特定细胞类型在ROI的所选择的子集中被良好地表示。

2.在一些实施例中，选择来自样本的总体细胞群中的细胞的子集来表示来自总体群的细胞的统计数据。例如，可以选择细胞的子集以保持与总体群相对应的百分比，并且这些被选择的细胞可能不包括来自向该子集贡献细胞的ROI的所有细胞。替代地或结合地，可以选择细胞的子集以优先化一种或更多种局灶性疾病，或优先化如本文所述的某些细胞类型。在一些实施例中，一个或更多个局灶性疾病对应于在样本的特定区域中的特定类型或分布的许多细胞。

与本公开有关的工作表明，确认细胞的子集是在没有实质偏差的情况下生成的，对用户来说可能有帮助。在一些实施例中，处理器被配置有用于生成细胞的第二子集以向用户提供可能有助于检测偏差的数据的指令。在一些实施例中，所识别的细胞的第二子集包括未被选择用于所识别的细胞的子集的一种或更多种细胞类型的随机选择的细胞。可以将来自第二子集的数据呈现给用户，以允许用户检测子集中的偏差。

在一些实施例中，可以通过显示被选择用于第二子集的、未被选择为细胞的子集的一部分的随机分类的细胞来降低偏差(如果存在的话)的可能性。例如，如果本文描述的AI过程是系统地不选择用户感兴趣的内容(例如某些细胞类型)，则当呈现来自细胞的第二子集的数据时，该随机选择过程将使用户能够注意到在选择过程中的这种偏差。

在步骤860，本文描述的一个或更多个系统可以在存储器中存储细胞数据。例如，显微镜100可以将细胞数据存储在存储器108中。可以存储细胞数据以用于修改和/或检索以进行呈现。

在步骤870，本文描述的一个或更多个系统可以呈现细胞数据。例如，显微镜100可以使用用户接口112呈现细胞数据。

在一些示例中，呈现细胞数据可以包括呈现第一细胞集合与第二细胞集合中的细胞类型的比较。在一些示例中，该比较可以包括第一细胞集合与第二细胞集合的比率。第一细胞集合可以对应于所选择的细胞的子集。第二细胞集合可以对应于来自BMA样本的总体细胞群。例如，图4示出了细胞类型在所有有核细胞中所占的百分比。

在一些示例中，显微镜100可以显示细胞密度热图(参见例如图6)。在一些示例中，显微镜100可以显示其他图形呈现(参见例如图2、图3和图5)。

在一些示例中，显微镜100可以基于用户输入(例如如上所述的用户输入)来编辑细胞数据。

图9示出了用于呈现骨髓抽吸物分析的示例性方法900的流程图。在一个示例中，图9中所示的每个步骤可以表示其结构包括多个子步骤和/或由多个子步骤表示的算法，下面将更详细地提供其示例。图9中所示的步骤可以由本文描述的一个或更多个系统和/或其中的部件来执行，例如由显微镜100和/或其中的部件(例如，控制器106)来执行。

如在图9中所示，在步骤910，本文描述的一个或更多个系统可以接收BMA样本的扫描数据。例如，显微镜100可以接收BMA样本的扫描数据。在一些示例中，显微镜100可以接收如上所述的扫描数据。

在步骤920，本文描述的一个或更多个系统可以检测BMA样本中的细胞。例如，显微镜100可以检测BMA样本中的细胞。在一些示例中，如上所述，显微镜100可以使用计算机视觉或其他基于AI的图像识别来检测细胞。

在步骤930，本文描述的一个或更多个系统可以将检测到的细胞分类为一种或更多种细胞类型。例如，显微镜100可以将检测到的细胞分类为细胞类型。如本文所述，显微镜100可以使用在处理器上运行的机器学习分类器来将细胞分类。在一些示例中，如本文所述，显微镜100可以将细胞分类为细胞谱系。

在步骤940，本文描述的一个或更多个系统可以对于一种或更多种细胞类型中的每一种细胞类型，确定该细胞类型相对于检测到的细胞的集合的百分比以用于细胞数据。例如，显微镜100的处理器可以确定每种细胞类型相对于检测到的细胞的集合的百分比。

在一些示例中，检测到的细胞的集合对应于检测到的细胞的总体群或检测到的细胞的选定子集。图4示出了相对于总体群的百分比。替代地或组合地，检测到的细胞的集合可以包括细胞谱系，其中细胞数据包括谱系内的细胞类型相对于谱系中其他细胞的比例，例如谱系内的每种细胞类型的百分比。在一些实施例中，细胞数据可以包括对系统用户做出诊断有帮助的细胞的相对比例，例如为使用户做出诊断而呈现的最佳细胞。

在一些示例中，如本文所述，显微镜100可以执行进一步的分析以存储附加细胞数据。例如，细胞数据可以包括针对一种或更多种细胞类型中的每一种细胞类型的异常细胞的百分比(参见例如图4)。细胞数据可以包括针对一种或更多种细胞类型中的每一种细胞类型的统计分析。例如，统计分析包括分布、平均值或中位数中的至少一者(参见例如图4)。在一些实施例中，统计分析包括相对于参考值(例如针对每种细胞类型的参考值范围)的分布、平均值或中位数中的一者或更多者。

在步骤950，本文描述的一个或更多个系统可以在存储器中存储细胞数据。例如，显微镜100可以将细胞数据存储在存储器108中。

在步骤960，本文描述的一个或更多个系统可以呈现基于一种或更多种细胞类型的谱系的细胞数据。例如，显微镜100可以使用用户接口112呈现基于细胞谱系的细胞数据。

在一些示例中，呈现细胞数据可以包括一种或更多种细胞类型的谱系的图形呈现(参见例如图4)。该谱系可以包括来自骨髓谱系、淋巴谱系和/或红系谱系的细胞谱系。

在一些示例中，对于一种或更多种细胞类型中的每一种细胞类型，图形呈现可以包括该细胞类型相对于检测到的细胞的集合的百分比或该细胞类型相对于检测到的细胞的集合的子集的百分比的视觉比较(参见例如图4)。在一些示例中，显微镜100可以接收用于选择检测到的细胞的子集的用户输入。例如，显微镜100可以接收用于将细胞类型与特定区域、总体群等中的细胞进行比较的用户输入。

在一些示例中，对于一种或更多种细胞类型中的每一种细胞类型，视觉比较可以包括基于该细胞类型的百分比而缩放的形状(参见例如图2、图3和图4)。在一些示例中，对于一种或更多种细胞类型中的每一种细胞类型，图形呈现包括基于值的范围的视觉比较(参见例如图4)。在一些示例中，图形呈现可以包括对应于一个或更多个细胞属性的一种或更多种颜色。在一些示例中，呈现细胞数据包括呈现细胞密度热图(参见例如图6)。

图10示出了用于呈现骨髓抽吸物分析的示例性方法1000的流程图。在一个示例中，图10中所示的每个步骤可以表示其结构包括多个子步骤和/或由多个子步骤表示的算法，下面将更详细地提供其示例。图10中所示的步骤可以由本文描述的一个或更多个系统和/或其中的部件来执行，例如由显微镜100和/或其中的部件(例如，控制器106)来执行。

如图10所示，在步骤1010，本文描述的一个或更多个系统可以接收来自BMA样本的扫描数据。例如，显微镜100可以接收来自BMA样本的扫描数据。如上所述，显微镜100可以从图像捕获设备102或另一设备接收扫描数据。

在步骤1020，本文描述的一个或更多个系统可以从扫描数据中检测一个或更多个颗粒或细胞位置。例如，显微镜100可以从扫描数据中检测颗粒和/或细胞位置。如上所述，显微镜100可以使用计算机视觉或其他基于AI的图像识别来检测颗粒和/或细胞位置。

在步骤1030，本文描述的一个或更多个系统可以基于检测到的一个或更多个颗粒或细胞位置来确定分析区域。例如，显微镜100可以基于检测到的颗粒和/或细胞位置来确定分析区域。在一些示例中，确定分析区域还可以包括基于识别完整细胞来确定相关位置。例如，显微镜100可以使用计算机视觉或其他基于AI的图像识别来检测完整细胞，并相应地确定分析区域。在一些示例中，确定分析区域可以类似于如上所述确定ROI。

在步骤1040，本文描述的一个或更多个系统可以从扫描数据中识别一种或更多种细胞类型的细胞。例如，显微镜100可以从扫描数据中识别一种或更多种细胞类型的细胞。

在步骤1050，本文描述的一个或更多个系统可以利用统计分析来分析所识别的细胞。例如，显微镜100可以利用统计分析来分析所识别的细胞。

在一些示例中，统计分析可以基于所识别的细胞的位置。在一些示例中，统计分析可以基于相对于所识别的细胞的总体群比较细胞属性。

在一些示例中，统计分析可以基于用户输入来调整。例如，用户输入可以包括调整推荐的扫描区域以包括或排除用户定义的区域。

在步骤1060，本文描述的一个或更多个系统可以基于统计分析来选择所识别的细胞的子集。例如，显微镜100可以基于统计分析来选择所识别的细胞的子集。通过从分析区域中选择细胞的子集，可以选择代表性细胞的良好选择，而不必分析总体细胞群中的大多数。例如，不必分析1000个细胞，而是可以就分析100个细胞，同时达到分析样本所需的灵敏度。

图11示出了用于用户检查骨髓抽吸物分析的示例性方法1100的流程图。在一个示例中，图11中所示的每个步骤可以表示其结构包括多个子步骤和/或由多个子步骤表示的算法，下面将更详细地提供其示例。

如图11所示，在步骤1110，本文描述的一个或更多个系统可以扫描载片。在步骤1120，本文描述的一个或更多个系统可以检查样本充分性。在步骤1130，本文描述的一个或更多个系统可以检查巨核细胞。在步骤1140，本文描述的一个或更多个系统可以检查NDC区域，例如颗粒、细胞区域等。在步骤1150，本文描述的一个或更多个系统可以检查细胞和/或区域推荐。在步骤1160，本文描述的一个或更多个系统可以检查预先分类的细胞。在步骤1170，本文描述的一个或更多个系统可以检查值，例如细胞百分比和/或数量、异常、大小、谱系等。这些值可以从例如本文描述的统计分析中得出。在步骤1180，本文描述的一个或更多个系统可以填写报告。例如，用户可以检查细胞数据(例如，作为如本文所述的计算机分析的结果)、进行调整、注释等，并填写报告。在步骤1190，本文描述的一个或更多个系统可以签署报告。例如，用户可以签署报告以最终确定它。用户可以具有在报告上签署所需的许可(例如，证书、经验等)。在一些示例中，签署报告的用户可以不同于填写报告的用户，以便签署报告的用户可以在最终确定报告之前验证报告的准确性。

图12示出了用于基于AI的骨髓抽吸物分析的示例性方法1200的流程图。在一个示例中，图12中所示的每个步骤可以表示其结构包括多个子步骤和/或由多个子步骤表示的算法，下面将更详细地提供其示例。图12中所示的步骤可以由本文描述的一个或更多个系统和/或其中的部件来执行，例如由显微镜100和/或其中的部件(例如，控制器106)来执行。

如图12所示，在步骤1210，本文描述的一个或更多个系统可以检测在载片的预览图像上的颗粒，以推荐载片的扫描区域。在步骤1220，本文描述的一个或更多个系统可以扫描载片。在步骤1230，本文描述的一个或更多个系统可以从扫描中检测颗粒。在步骤1240，本文描述的一个或更多个系统可以寻找巨核细胞并寻找用于分析的区域。例如，这些区域可以基于载片中在相关位置处的完整细胞。在步骤1250，本文描述的一个或更多个系统可以分析所有相关细胞，例如在用于分析的区域内的细胞。在步骤1260，本文描述的一个或更多个系统可以推荐用于分析的细胞。该推荐可以例如根据区域和/或基于细胞的统计分析。在步骤1270，如果用户进行请求，本文描述的一个或更多个系统可以基于用户请求来调整分析。例如，用户可以选择不同的区域和/或细胞、请求不同类型的分析、请求对不同区域的重新扫描或扫描等。

图13示出了用于呈现骨髓抽吸物分析的示例性方法1300的流程图。在一个示例中，图13中所示的每个步骤可以表示其结构包括多个子步骤和/或由多个子步骤表示的算法，下面将更详细地提供其示例。图13中所示的步骤可以由本文描述的一个或更多个系统和/或其中的部件来执行，例如由显微镜100和/或其中的部件(例如，控制器106)来执行。

如图13所示，在步骤1302，本文描述的一个或更多个系统可以将载片装载到设备中。例如，骨髓抽吸物样本可以被安装在载片上，该载片被装载到显微镜100中。在步骤1304，本文描述的一个或更多个系统可以获取样本的预览图像并(例如，通过定位颗粒位置)建议扫描区域。如图13所示，在步骤1306，本文描述的一个或更多个系统可以扫描样本，例如扫描所建议的扫描区域。

在步骤1308，本文描述的一个或更多个系统可以定位样本中的巨核细胞。例如，显微镜100可以允许用户：检查、批准、改变、添加或移除从分析中检测到的巨核细胞，估计它们的数量等。显微镜100可以定位用于分析的潜在区域(例如，具有适当的细胞密度和样本质量的NDC区域)。用户可以从建议的区域中选择区域和/或添加新的区域。显微镜100可以在检测到的区域/所选择的区域上执行细胞定位和/或细胞分割(cell segmentation)。该信息可以帮助显微镜100选择区域和/或帮助用户决定相关区域。显微镜100可以基于来自AI分析的统计信息来推荐用于分析的相关细胞。显微镜100可以显示细胞密度热图(参见例如图6)、颗粒、分析区域、在扫描之上的其他结果(参见例如图5)。

在步骤1310，本文描述的一个或更多个系统可以经由扫描图像或其他组织(例如，缩略图)查看来自NDC区域的细胞。视图可以包括百分比/数量估计。显微镜100可以允许用户删除、改变类别或添加细胞。细胞可以按类别进行组织(参见例如图2、图3和图4)。显微镜100可以允许查看聚集的细胞或按NDC区域查看细胞。

在步骤1312，本文描述的一个或更多个系统可以允许用户根据视图来标记临床适应症(clinical indication)(百分比、正常/异常、评论等)。在步骤1314，本文描述的一个或更多个系统可以显示关于NDC区域的适应症(例如，M：E比)和/或按区域显示适应症(例如，M：E比)。例如，显微镜100可以以视觉谱系形式呈现结果(参见例如图2、图3和图4)。

在步骤1316，本文描述的一个或更多个系统可以允许用户对多个载片重复该过程。在步骤1318，本文描述的一个或更多个系统可以允许用户分析铁染色(例如，普鲁士蓝)载片。例如，显微镜100可以允许对铁沉积物进行人工估计和/或呈现用户可以改变和/或接受的估计。

在步骤1320，本文描述的一个或更多个系统可以将结果聚合成报告形式。例如，显微镜100可以自动填充字段或允许用户填写字段。这些字段可以对应于由ICSH要求的临床适应症。显微镜100可以在报告视图中包括来自分析的量化结果，并且可以只自动填充符合某些标准的值(例如，只自动填充正常值或只自动填充在载片之间或在NDC区域之间一致的值)。

在步骤1322，本文描述的一个或更多个系统可以跟踪改变历史并允许用户查看它。

尽管以上关于单独的流程图描述了各种方法，但在一些示例中，可以组合、以不同顺序执行和/或重复来自该各种方法的一个或更多个步骤。此外，在某些示例中，不同用户(例如，具有不同权限、不同专业知识的用户等)可以执行本文描述的方法的不同步骤。

图14是能够实现本文描述和/或示出的实施例中的一个或更多个的示例计算系统1410的框图。例如，计算系统1410的全部或部分可以单独地或与其他元件组合地执行本文描述的一个或更多个步骤(例如图7、图8、图9、图10、图11、图12和图13中所示的一个或更多个步骤)和/或是用于单独地或与其他元件组合地执行本文描述的一个或更多个步骤的装置。计算系统1410的全部或部分还可以执行本文描述和/或示出的任何其他步骤、方法或过程和/或是用于执行本文描述和/或示出的任何其他步骤、方法或过程的装置。计算系统1410的全部或部分可以对应于显微镜100(例如，控制器106、存储器108和/或用户接口112中的一个或更多个)或以其他方式与显微镜100(例如，控制器106、存储器108和/或用户接口112中的一个或更多个)集成。

计算系统1410宽泛地表示能够执行计算机可读指令的任何单处理器或多处理器计算设备或系统。计算系统1410的示例包括但不限于工作站、膝上型计算机、客户端侧终端、服务器、分布式计算系统、手持式设备或任何其他计算系统或设备。在其最基本的配置中，计算系统1410可以包括至少一个处理器1414和系统存储器1416。

处理器1414通常表示能够处理数据或解释和执行指令的任何类型或形式的物理处理单元(例如，硬件实现的中央处理单元)。在某些实施例中，处理器1414可以从软件应用或模块接收指令。这些指令可使处理器1414执行本文描述和/或示出的示例实施例中的一个或更多个的功能。

系统存储器1416通常表示能够存储数据和/或其他计算机可读指令的任何类型或形式的易失性或非易失性存储设备或介质。系统存储器1416的示例包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、闪存或任何其他合适的存储器设备。尽管不是必需的，但在某些实施例中，计算系统1410可以包括易失性存储器单元(例如，系统存储器1416)和非易失性存储设备(例如，如下文详细描述的主存储设备1432)两者。在一个示例中，图7、图8、图9、图10、图11、图12和图13中的一个或更多个步骤可以是可以被加载到系统存储器1416中的计算机指令。

在一些示例中，系统存储器1416可以存储和/或加载操作系统1440，以供处理器1414执行。在一个示例中，操作系统1440可以包括和/或表示管理计算机硬件和软件资源和/或向计算系统1410上的计算机程序和/或应用提供公共服务的软件。操作系统1440的示例包括但不限于LINUX、JUNOS、MICROSOFT WINDOWS、WINDOWS MOBILE、MAC OS、APPLE的IOS、UNIX、GOOGLE CHROME OS、GOOGLE的ANDROID、SOLARIS、它们中的一个或更多个的变体和/或任何其他合适的操作系统。

在某些实施例中，除了处理器1414和系统存储器1416之外，示例计算系统1410还可以包括一个或更多个部件或元件。例如，如图14所示，计算系统1410可以包括存储器控制器1418、输入/输出(I/O)控制器1420和通信接口1422，它们中的每一个可以经由通信基础设施1412互连。通信基础设施1412通常表示能够促进计算设备的一个或更多个部件之间的通信的任何类型或形式的基础设施。通信基础设施1412的示例包括但不限于通信总线(诸如工业标准体系结构(ISA)、外围组件互连(PCI)、PCI Express(PCIe)或类似总线)和网络。

存储器控制器1418通常表示能够处理存储器或数据或控制计算系统1410的一个或更多个部件之间的通信的任何类型或形式的设备。例如，在某些实施例中，存储器控制器1418可以经由通信基础设施1412控制处理器1414、系统存储器1416和I/O控制器1420之间的通信。

I/O控制器1420通常表示能够协调和/或控制计算设备的输入和输出功能的任何类型或形式的模块。例如，在某些实施例中，I/O控制器1420可以控制或促进计算系统1410的一个或更多个元件(例如处理器1414、系统存储器1416、通信接口1422、显示适配器1426、输入接口1430和存储接口1434)之间的数据传输。

如图14所示，计算系统1410还可以包括经由显示适配器1426耦合到I/O控制器1420的至少一个显示设备1424(其可以对应于用户接口112)。显示设备1424通常表示能够可视地显示由显示适配器1426转发的信息的任何类型或形式的设备。类似地，显示适配器1426通常表示被配置为从通信基础设施1412(或从本领域已知的帧缓冲器)转发图形、文本和其他数据以在显示设备1424上显示的任何类型或形式的设备。

如在图14中所示，示例计算系统1410还可以包括经由输入接口1430耦合到I/O控制器1420的至少一个输入设备1428(其可以对应于用户接口112)。输入设备1428通常表示能够向示例计算系统1410提供计算机或人类生成的输入的任何类型或形式的输入设备。输入设备1428的示例包括但不限于键盘、定点设备、语音识别设备、它们中的一个或更多个的变体或组合和/或任何其他输入设备。

附加地或替代地，示例计算系统1410可以包括附加的I/O设备。例如，示例计算系统1410可以包括I/O设备1436。在该示例中，I/O设备1436可以包括和/或表示促进人类与计算系统1410的交互的用户接口。I/O设备1436的示例包括但不限于计算机鼠标、键盘、监视器、打印机、调制解调器、相机、扫描仪、麦克风、触摸屏设备、它们中的一个或更多个的变体或组合和/或任何其他I/O设备。

通信接口1422宽泛地表示能够促进示例计算系统1410与一个或更多个附加设备之间的通信的任何类型或形式的通信设备或适配器。例如，在某些实施例中，通信接口1422可以促进计算系统1410与包括附加计算系统的私有或公共网络之间的通信。通信接口1422的示例包括但不限于有线网络接口(例如网络接口卡)、无线网络接口(例如无线网络接口卡)、调制解调器和任何其他合适的接口。在至少一个实施例中，通信接口1422可以经由到网络(诸如因特网)的直接链路提供到远程服务器的直接连接。通信接口1422还可以通过例如局域网(例如以太网网络)、个人局域网、电话或电缆网络、蜂窝电话连接、卫星数据连接或任何其他合适的连接来间接地提供这样的连接。

在某些实施例中，通信接口1422还可以表示主机适配器，所述主机适配器被配置为促进经由外部总线或通信信道在计算系统1410与一个或更多个附加网络或存储设备之间的通信。主机适配器的示例包括但不限于小型计算机系统接口(SCSI)主机适配器、通用串行总线(USB)主机适配器、电气和电子工程师协会(IEEE)1394主机适配器、高级技术附件(ATA)、并行ATA(PATA)、串行ATA(SATA)和外部SATA(eSATA)主机适配器、光纤通道接口适配器、以太网适配器等。通信接口1422还可以允许计算系统1410参与分布式或远程的计算。例如，通信接口1422可以从远程设备接收指令或向远程设备发送指令以供执行。

在一些示例中，系统存储器1416可以存储和/或加载网络通信程序1438，以供处理器1414执行。在一个示例中，网络通信程序1438可以包括和/或表示使计算系统1410能够与另一计算系统(未在图14中示出)建立网络连接1442和/或能够通过通信接口1422与另一计算系统通信的软件。在该示例中，网络通信程序1438可以引导经由网络连接1442发送到另一计算系统的传出流量的流动。附加地或替代地，网络通信程序1438可以引导对经由与处理器1414相连接的网络连接1442从另一计算系统接收的传入流量的处理。

尽管在图14中未以这种方式示出，但网络通信程序1438可以可替换地被存储和/或加载在通信接口1422中。例如，网络通信程序1438可以包括和/或表示由结合在通信接口1422中的处理器和/或专用集成电路(ASIC)执行的软件和/或固件的至少一部分。

如图14所示，示例计算系统1410还可以包括经由存储接口1434耦合到通信基础设施1412的主存储设备1432和备份存储设备1433。存储设备1432和1433通常表示能够存储数据和/或其他计算机可读指令的任何类型或形式的存储设备或介质。例如，存储设备1432和1433可以是磁盘驱动器(例如，所谓的硬盘驱动器)、固态驱动器、软盘驱动器、磁带驱动器、光盘驱动器、闪存驱动器等。存储接口1434通常表示用于在存储设备1432和1433与计算系统1410的其他部件之间传输数据的任何类型或形式的接口或设备。在一个示例中，扫描数据1435(其可以对应于本文描述的扫描数据)和/或细胞数据1437(其可以对应于本文描述的细胞数据)可以被存储和/或加载在主存储设备1432中。

在某些实施例中，存储设备1432和1433可以被配置为从可移动存储单元读取和/或向可移动存储单元写入，该可移动存储单元被配置为存储计算机软件、数据或其他计算机可读信息。合适的可移动存储单元的示例包括但不限于软盘、磁带、光盘、闪存设备等。存储设备1432和1433还可以包括用于允许计算机软件、数据或其他计算机可读指令被加载到计算系统1410中的其他类似结构或设备。例如，存储设备1432和1433可以被配置为读和写软件、数据或其他计算机可读信息。存储设备1432和1433也可以是计算系统1410的一部分，或者可以是通过其他接口系统访问的单独设备。

许多其他设备或子系统可以连接到计算系统1410。相反，图14中所示的所有部件和设备不需要为了实践本文描述和/或示出的实施例而被呈现。上面提到的设备和子系统也可以以不同于图14所示的方式互连。计算系统1410还可以采用任意数量的软件、固件和/或硬件配置。例如，本文公开的一个或更多个示例实施例可以被编码为计算机可读介质上的计算机程序(也被称为计算机软件、软件应用、计算机可读指令或计算机控制逻辑)。本文所用的术语“计算机可读介质”通常是指能够存储或承载计算机可读指令的任何形式的设备、载体或介质。计算机可读介质的示例包括但不限于传输型介质(诸如载波)和非暂时型介质(诸如磁存储介质(例如，硬盘驱动器、磁带驱动器和软盘)、光学存储介质(例如，光盘(CD)、数字视频盘(DVD)和蓝光盘)、电子存储介质(例如，固态驱动器和闪存介质)和其他分发系统)。

包含计算机程序的计算机可读介质可以被加载到计算系统1410中。然后，存储在计算机可读介质上的计算机程序的全部或一部分可以被存储在系统存储器1416和/或存储设备1432和1433的各个部分中。当由处理器1414执行时，加载到计算系统1410中的计算机程序可以使处理器1414执行本文描述和/或示出的示例实施例中的一个或更多个的功能和/或是用于执行本文描述和/或示出的示例实施例中的一个或更多个的功能的装置。附加地或替代地，本文描述和/或示出的示例实施例中的一个或更多个可以在固件和/或硬件中实现。例如，计算系统1410可以被配置为适于实现本文公开的示例实施例中的一个或更多个的专用集成电路(ASIC)。

图15是示例网络体系结构1500的框图，其中客户端系统1510、1520和1530以及服务器1540和1545可以耦合到网络1550。如上面所详述的，网络体系结构1500的全部或一部分可以单独地或与其他元件组合地执行本文公开的一个或更多个步骤(例如图7、图8、图9、图10、图11、图12和图13中示出的一个或更多个步骤)和/或可以是用于单独地或与其他元件组合地执行本文公开的一个或更多个步骤(例如图7、图8、图9、图10、图11、图12和图13中示出的一个或更多个步骤)的装置。网络体系结构1500的全部或一部分还可用于执行本公开中阐述的其他步骤和特征和/或可以是用于执行本公开中阐述的其他步骤和特征的装置。

客户端系统1510、1520和1530通常表示任何类型或形式的计算设备或系统，例如图14中的示例计算系统1410。类似地，服务器1540和1545通常表示被配置为提供各种数据库服务和/或运行某些软件应用的计算设备或系统，例如应用服务器或数据库服务器。网络1550通常表示任何电信或计算机网络，包括例如内联网、WAN、LAN、PAN或因特网。在一个示例中，客户端系统1510、1520和/或1530和/或服务器1540和/或1545可以包括图1中的显微镜100的全部或一部分。

如图15所示，一个或更多个存储设备1560(1)-(N)可以直接附接到服务器1540。类似地，一个或更多个存储设备1570(1)-(N)可以直接附接到服务器1545。存储设备1560(1)-(N)和存储设备1570(1)-(N)通常表示能够存储数据和/或其他计算机可读指令的任何类型或形式的存储设备或介质。在某些实施例中，存储设备1560(1)-(N)和存储设备1570(1)-(N)可以表示被配置为使用各种协议(诸如网络文件系统(NFS)、服务器消息块(SMB)或公共因特网文件系统(CIFS))与服务器1540和1545通信的网络附属存储(NAS)设备。

服务器1540和1545还可以连接到存储区域网络(SAN)结构1580。SAN结构1580通常表示能够促进多个存储设备之间通信的任何类型或形式的计算机网络或体系结构。SAN结构1580可以促进服务器1540和1545与多个存储设备1590(1)-(N)和/或智能存储阵列1595之间的通信。SAN结构1580还可以经由网络1550和服务器1540和1545，以使得设备1590(1)-(N)和阵列1595表现为客户端系统1510、1520和1530的本地附属设备这样的方式促进客户端系统1510、1520和1530与存储设备1590(1)-(N)和/或智能存储阵列1595之间的通信。与存储设备1560(1)-(N)和存储设备1570(1)-(N)一样，存储设备1590(1)-(N)和智能存储阵列1595通常表示能够存储数据和/或其他计算机可读指令的任何类型或形式的存储设备或介质。

在某些实施例中，且参考图14的示例计算系统1410，通信接口(例如图14中的通信接口1422)可用于提供每个客户端系统1510、1520和1530与网络1550之间的连接性。客户端系统1510、1520和1530能够使用例如web浏览器或其他客户端软件来访问服务器1540或1545上的信息。这样的软件可以允许客户端系统1510、1520和1530访问由服务器1540、服务器1545、存储设备1560(1)-(N)、存储设备1570(1)-(N)、存储设备1590(1)-(N)或智能存储阵列1595托管的数据。尽管图15描绘了使用网络(例如因特网)来交换数据，但本文描述和/或示出的实施例不限于因特网或任何特定的基于网络的环境。

在至少一个实施例中，本文公开的一个或更多个示例实施例的全部或一部分可以被编码为计算机程序，并被加载到服务器1540、服务器1545、存储设备1560(1)-(N)、存储设备1570(1)-(N)、存储设备1590(1)-(N)、智能存储阵列1595或它们的任何组合上并由其执行。本文公开的一个或更多个示例实施例的全部或一部分还可以被编码为计算机程序，被存储在服务器1540中，由服务器1545运行，并通过网络1550被分发到客户端系统1510、1520和1530。

如上面所详述的，计算系统1410和/或网络体系结构1500的一个或更多个部件可以单独地或与其他元件组合地执行用于骨髓抽吸物分析的示例方法的一个或更多个步骤和/或可以是用于单独地或与其他元件组合地执行该示例方法的一个或更多个步骤的装置。

如上所述，本文描述和/或示出的计算设备和系统宽泛地表示能够执行计算机可读指令的任何类型或形式的计算设备或系统，所述指令诸如为包含在本文描述的模块内的那些指令。在它们的最基本配置中，这些计算设备各自可以包括至少一个存储器设备和至少一个物理处理器。

本文所使用的术语“存储器”或“存储器设备”通常表示能够存储数据和/或计算机可读指令的任何类型或形式的易失性或非易失性存储设备或介质。在一个示例中，存储器设备可以存储、加载和/或维护本文描述的一个或更多个模块。存储器设备的示例包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、闪存、硬盘驱动器(HDD)、固态驱动器(SSD)、光盘驱动器、高速缓存、它们中的一个或更多个的变体或组合或任何其他合适的存储存储器。

此外，本文使用的术语“处理器”和“物理处理器”通常指能够解释和/或执行计算机可读指令的任何类型或形式的硬件实现的处理单元。在一个示例中，物理处理器可以访问和/或修改存储在上述存储器设备中的一个或更多个模块。物理处理器的示例包括但不限于微处理器、微控制器、中央处理单元(CPU)、实现软核处理器的现场可编程门阵列(FPGA)、专用集成电路(ASIC)、它们中的一个或更多个的部分、它们中的一个或更多个的变体或组合或任何其他合适的物理处理器。处理器可以包括分布式处理器系统(例如运行并行处理器(running parallel processors))或者远程处理器(例如服务器)，以及它们的组合。

尽管被示出为单独的元件，但本文描述和/或示出的方法步骤可以表示单个应用的部分。此外，在某些实施例中，这些步骤中的一个或更多个可以表示或对应于一个或更多个软件应用或程序，该一个或更多个软件应用或程序在由计算设备执行时可以使计算设备执行一个或更多个任务，诸如方法步骤。

此外，本文描述的设备中的一个或更多个可以将数据、物理设备和/或物理设备的表示从一种形式转换为另一种形式。附加地或替代地，本文所述的一个或更多个模块可以通过在计算设备上执行、在计算设备上存储数据和/或以其他方式与计算设备交互，将处理器、易失性存储器、非易失性存储器和/或物理计算设备的任何其他部分从一种形式的计算设备转换为另一种形式的计算设备。

本文所用的术语“计算机可读介质”通常是指能够存储或承载计算机可读指令的任何形式的设备、载体或介质。计算机可读介质的示例包括但不限于传输型介质(诸如载波)和非暂时型介质(诸如磁存储介质(例如，硬盘驱动器、磁带驱动器和软盘)、光学存储介质(例如，光盘(CD)、数字视频盘(DVD)和蓝光盘)、电子存储介质(例如，固态驱动器和闪存介质)和其他分发系统)。

本领域普通技术人员将认识到，本文公开的任何过程或方法可以以多种方式进行修改。本文描述和/或示出的过程参数和步骤顺序仅作为示例给出，并且可以根据需要改变。例如，虽然本文所示出和/或描述的步骤可以以特定的顺序示出或讨论，但是这些步骤不一定需要以所示出或讨论的顺序来执行。

本文描述和/或示出的各种示例性方法也可以省略本文描述或示出的一个或更多个步骤，或者包括除了这些公开的步骤之外的附加步骤。此外，如本文所公开的任何方法的步骤可以与如本文所公开的任何其他方法的任何一个或更多个步骤相组合。

如本文所述的处理器可以被配置为执行本文所公开的任何方法的一个或更多个步骤。替代地或组合地，处理器可以被配置成组合如本文所公开的一个或更多个方法的一个或更多个步骤。

除非另有说明，否则说明书和权利要求中使用的术语“连接到”和“耦合到”(及它们的派生词)应被解释为允许直接和间接(即，经由其他元件或部件)连接两者。此外，说明书和权利要求中使用的术语“一个(a)”或“一个(an)”应被解释为“至少一个”的含义。最后，为了便于使用，在说明书和权利要求中使用的术语“包括(including)”和“具有(having)”(以及它们的派生词)可以与词语“包括(comprising)”互换，并且应具有相同的含义。

如本文所公开的处理器可以配置有执行如本文所公开的任何方法的任何一个或更多个步骤的指令。

要理解的是，尽管术语“第一”、“第二”、“第三”等在本文中可用于描述各种层、元件、部件、区域或部分，但不涉及任何特定的事件顺序或序列。这些术语仅用于将一层、一个元件、一个部件、一个区域或一个部分与另一层、另一元件、另一部件、另一区域或另一部分区分开来。在不脱离本公开的教导的情况下，本文所描述的第一层、第一元件、第一部件、第一区域或第一部分可被称为第二层、第二元件、第二部件、第二区域或第二部分。

如本文所使用的，术语“或”被包含性地用于指代替代项和组合项。

如本文所使用的，诸如数字的字符指的是类似的元素。

条款1.一种用于扫描骨髓抽吸物(BMA)样本的系统，所述系统包括：扫描装置，所述扫描装置用于扫描所述BMA样本；处理器，所述处理器耦合到所述扫描装置和存储器，并被配置为执行指令，所述指令使所述系统：使用所述扫描装置获得所述BMA样本的扫描数据；从所述扫描数据中检测所述BMA样本中的细胞；将检测到的细胞分类为多种细胞类型；以及在所述存储器中存储所分类的细胞的细胞数据；以及显示器，所述显示器被配置为呈现所述细胞数据。

条款2.根据条款1所述的系统，其中，处理器被配置成检测所述BMA样本中的颗粒，并检测所述BMA样本中与检测到的颗粒分离的细胞。

条款3.根据条款2所述的系统，其中，所述颗粒包括脂肪或造血细胞簇中的一种或更多种。

条款4.根据条款1所述的系统，还包括：图像捕获设备，所述图像捕获设备包括至少0.8的有效数值孔径(NA)；其中，所述检测到的细胞包括至少100个细胞；并且其中，所述指令还包括用于扫描至少0.5平方厘米的区域的指令。

条款5.根据条款1所述的系统，其中，将所述检测到的细胞分类还包括识别将不同细胞类型的细胞关联起来的细胞谱系，并且呈现所述细胞数据还包括呈现所述细胞谱系。

条款6.根据条款5所述的系统，其中，所述细胞谱系包括来自骨髓谱系、淋巴谱系或红系谱系中的一种或更多种的细胞的谱系。

条款7.根据条款1所述的系统，其中，存储所述细胞数据还包括从所述检测到的细胞中选择至少相关细胞以存储在所述细胞数据中。

条款8.根据条款7所述的系统，其中，基于来自所述检测到的细胞的细胞类型的代表性分布来选择所述相关细胞。

条款9.根据条款7所述的系统，其中，所述相关细胞的数量在100-500个细胞之间、在500-1000个细胞之间、在1000-2000个细胞之间或多于2000个细胞。

条款10.根据条款1所述的系统，其中，用于获得所述扫描数据的扫描时间快于每平方厘米20分钟、每平方厘米15分钟、每平方厘米10分钟、每平方厘米5分钟或每平方厘米2分钟。

条款11.根据条款1所述的系统，其中，所述扫描数据包括来自所述BMA样本的整个区域的至少95％的数据。

条款12.根据条款1所述的系统，其中，所述指令还包括用于执行以下操作的指令：分析对应于所述BMA样本的预览图像以定位颗粒，其中，所述预览图像具有比所述扫描数据更低的分辨率；以及基于所述分析，确定关于所述BMA样本的推荐的扫描区域。

条款13.根据条款12所述的系统，其中，所述推荐的扫描区域还基于用户输入来确定。

条款14.根据条款13所述的系统，其中，所述用户输入包括调整所述推荐的扫描区域以包括或排除用户定义的区域。

条款15.根据条款12所述的系统，其中，用于获得所述扫描数据的指令还包括用于使用所述扫描装置扫描所述推荐的扫描区域的指令。

条款16.根据条款1所述的系统，其中，所述指令还包括用于接收用户输入以修改所述细胞数据的指令。

条款17.根据条款16所述的系统，其中，所述用户输入包括以下中的至少一项：标记细胞、添加细胞、删除细胞、将细胞重新分类或向细胞添加通知。

条款18.根据条款17所述的系统，其中，所述通知指示以下中的至少一项：有毒或异常。

条款19.根据条款1所述的系统，其中，所述扫描数据包括所述BMA样本的高分辨率图像数据。

条款20.根据条款19所述的系统，其中，所述高分辨率图像数据包括以至少0.8的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

条款21.根据条款19所述的系统，其中，所述高分辨率图像数据包括以至少0.9的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

条款22.根据条款19所述的系统，其中，所述高分辨率图像数据包括以至少1.0的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

条款23.根据条款1所述的系统，其中，所述扫描数据包括至少0.5平方厘米的所述BMA样本、至少1平方厘米的所述BMA样本、至少1.5平方厘米的所述BMA样本或至少2平方厘米的所述BMA样本。

条款24.根据条款1所述的系统，其中，检测到的细胞的数量是以下中的至少一项：500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞、或10000个或更多个细胞。

条款25.根据条款1所述的系统，其中，所分类的细胞的数量是以下中的至少一项：500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞、或10000个或更多个细胞。

条款26.根据条款1所述的系统，其中，所述处理器被配置为利用机器学习分类器将细胞进行分类，所述机器学习分类器包括从由神经网络、卷积神经网络、决策树、支持向量机、回归分析、贝叶斯网络和训练模型组成的组中选择的一种或更多种模型。

条款27.根据条款26所述的系统，其中，所述机器学习分类器被配置为识别选自由以下项组成的组中的至少10种细胞类型的多种细胞类型：胚细胞、未成熟嗜酸性粒细胞、嗜酸性粒细胞、未成熟嗜碱性粒细胞、嗜碱性粒细胞、早幼粒细胞、中幼粒细胞、晚幼粒细胞、杆状核细胞、中性粒细胞、原单核细胞、单核细胞、巨噬细胞、原巨核细胞、巨核细胞、成红细胞、巨成红细胞、正成红细胞、淋巴细胞和浆细胞。

条款28.根据条款1所述的系统，其中，所述扫描装置包括：照明组件，所述照明组件被配置为以多个角度照射所述BMA样本；图像捕获设备，所述图像捕获设备被配置为从由所述照明组件以所述多个角度照射的所述BMA样本收集多个图像，所述多个图像包括关于所述细胞的特征的第一最小可分辨距离；并且其中，所述处理器可操作地耦合到所述照明组件和所述图像捕获设备，所述处理器被配置有用于从所述多个图像生成计算重建的图像的指令，所述计算重建的图像包括关于所述细胞的所述特征的第二最小可分辨距离，所述第二最小可分辨距离小于所述第一最小可分辨距离。

条款29.根据条款1所述的系统，其中，所述处理器被配置成显示细胞密度热图。

条款30.根据条款1所述的系统，其中，所述处理器被配置有用于执行以下操作的指令：识别完整细胞，并基于所述完整细胞的位置确定用于进一步分析的区域。

条款31.一种用于扫描骨髓抽吸物(BMA)样本的系统，包括：处理器，所述处理器耦合到存储器并被配置为执行指令，所述指令使所述系统：接收所述BMA样本的扫描数据；从所述扫描数据中检测所述BMA样本中的颗粒；检测所述BMA样本中与检测到的颗粒分离的细胞；基于检测到的细胞确定感兴趣区域(ROI)；部分地基于所述ROI和所述检测到的细胞，选择所述检测到的细胞的子集以用于细胞数据；并在所述存储器中存储所述细胞数据；以及显示器，所述显示器被配置为呈现所述细胞数据。

条款32.根据条款31所述的系统，其中，检测所述细胞还包括检测完整细胞，并且还基于检测到的完整细胞确定所述ROI。

条款33.根据条款31所述的系统，其中，检测所述细胞还包括检测细胞密度，并且还基于所述细胞密度确定所述ROI。

条款34.根据条款31所述的系统，其中，所述ROI还基于所述检测到的细胞和所述检测到的颗粒之间的距离来确定。

条款35.根据条款31所述的系统，其中，所述ROI还基于对应于所述BMA样本的一个或更多个特定位置的相关局灶性信息来确定。

条款36.根据条款31所述的系统，其中，所述相关局灶性信息对应于在所述一个或更多个特定位置处具有特征的局灶性疾病。

条款37.根据条款36所述的系统，其中，所述局灶性疾病包括以下中的一种或更多种：淋巴瘤、浆细胞骨髓瘤、肥大细胞增多症、转移癌、储存性组织细胞增多症、结晶储存性组织细胞增多症或肉芽肿。

条款38.根据条款31所述的系统，其中，检测所述细胞还包括将所述细胞的细胞类型进行分类。

条款39.根据条款31所述的系统，其中，所述ROI包括多个ROI，所述多个ROI中的每一个包括细胞的分布，并且其中，基于来自所述多个ROI的细胞的集体分布与来自所述ROI的细胞的总分布的比较，从所述多个ROI的子集中选择细胞的子集。

条款40.根据条款39所述的系统，其中，所述细胞的子集还基于具有表示所述扫描数据中细胞类型的总细胞分布的细胞类型的细胞分布来选择。

条款41.根据条款39所述的系统，其中，所述细胞的子集还基于优先化用于包含到所述细胞数据中的一种或更多种细胞类型来选择。

条款42.根据条款41所述的系统，其中，被优先化的一种或更多种细胞类型包括胚细胞或浆细胞。

条款43.根据条款31所述的系统，其中，呈现所述细胞数据包括呈现第一细胞集合与第二细胞集合的细胞类型的比较，并且可选地，其中所述比较包括比率。

条款44.根据条款43所述的系统，其中，所述第一细胞集合对应于所选择的细胞的子集。

条款45.根据条款43所述的系统，其中，所述第二细胞集合对应于来自所述BMA样本的总体细胞群。

条款46.根据条款31所述的系统，其中，所述处理器还被配置成基于用户输入来编辑所述细胞数据。

条款47.根据条款31所述的系统，其中，所述处理器被配置成显示细胞密度热图。

条款48.一种用于扫描骨髓抽吸物(BMA)样本的系统，包括：处理器，所述处理器耦合到存储器并被配置为执行指令，所述指令使所述系统：接收所述BMA样本的扫描数据；检测所述BMA样本中的细胞；将检测到的细胞分类为一种或更多种细胞类型；对于所述一种或更多种细胞类型中的每一种细胞类型，确定所述细胞类型相对于检测到的细胞的集合的百分比以用于细胞数据；并且在所述存储器中存储所述细胞数据；以及显示器，所述显示器被配置为基于所述一种或更多种细胞类型的谱系来呈现所述细胞数据。

条款49.根据条款48所述的系统，其中，所述检测到的细胞的集合对应于所述检测到的细胞的总体群或所述检测到的细胞的选定子集。

条款50.根据条款48所述的系统，其中，所述细胞数据包括关于所述一种或更多种细胞类型中的每一种细胞类型的异常细胞的百分比。

条款51.根据条款48所述的系统，其中，所述细胞数据包括针对所述一种或更多种细胞类型中的每一种细胞类型的统计分析。

条款52.根据条款51所述的系统，其中，所述统计分析包括以下中的至少一项：分布、平均值或中位数。

条款53.根据条款48所述的系统，其中，呈现所述细胞数据包括所述一种或更多种细胞类型的谱系的图形呈现。

条款54.根据条款53所述的系统，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述图形呈现包括所述细胞类型相对于所述检测到的细胞的集合或相对于所述检测到的细胞的集合的子集的百分比的视觉比较。

条款55.根据条款54所述的系统，其中，所述处理器被配置有用于接收用户输入以选择检测到的细胞的所述子集的指令。

条款56.根据条款54所述的系统，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述视觉比较包括基于所述细胞类型的所述百分比而缩放的形状。

条款57.根据条款53所述的系统，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述图形呈现包括基于值的范围的视觉比较。

条款58.根据条款53所述的系统，其中，所述图形呈现包括对应于一个或更多个细胞属性的一种或更多种颜色。

条款59.根据条款48所述的系统，其中，呈现所述细胞数据包括呈现细胞密度热图。

条款60.根据条款48所述的系统，其中，所述谱系包括来自骨髓谱系、淋巴谱系或红系谱系中的一种或更多种的细胞的谱系。

条款61.一种用于扫描骨髓抽吸物(BMA)样本的系统，所述系统包括：处理器，所述处理器耦合到存储器并被配置为执行指令，所述指令使所述系统：接收来自所述BMA样本的扫描数据；从所述扫描数据中检测一个或更多个颗粒或细胞位置；基于检测到的一个或更多个颗粒或细胞位置确定分析区域；从所述扫描数据中识别一种或更多种细胞类型的细胞；利用统计分析来分析所识别的细胞；以及基于所述统计分析，选择所识别的细胞的子集。

条款62.根据条款61所述的系统，其中，确定所述分析区域还包括基于识别完整细胞来确定相关位置。

条款63.根据条款61所述的系统，其中，所述统计分析基于所识别的细胞的位置。

条款64.根据条款61所述的系统，其中，所述统计分析基于相对于所识别的细胞的总体群比较细胞属性。

条款65.根据条款61所述的系统，还包括基于用户输入来调整所述统计分析。

条款66.根据条款65所述的系统，其中，所述用户输入包括调整推荐的扫描区域以包括或排除用户定义的区域。

条款67.根据条款61所述的系统，其中，所识别的细胞的第二子集包括未被选择用于所识别的细胞的所述子集的一种或更多种细胞类型的随机选择的细胞。

条款68.根据条款67所述的系统，其中，所述处理器被配置有用于将来自所述第二子集的数据呈现给用户以检测所述子集中的偏差的指令。

条款69.一种用于扫描骨髓抽吸物(BMA)样本的方法，所述方法包括：利用扫描装置扫描所述BMA样本；使用所述扫描装置获得所述BMA样本的扫描数据；从所述扫描数据中检测所述BMA样本中的细胞；将检测到的细胞分类为多种细胞类型；以及，在存储器中存储所分类的细胞的细胞数据；以及在显示器上呈现所述细胞数据。

条款70.根据条款69所述的方法，其中，检测所述BMA样本中的颗粒，并且检测所述BMA样本中与所述检测到的颗粒分离的细胞。

条款71.根据条款70所述的方法，其中，所述颗粒包括脂肪或造血细胞簇中的一种或更多种。

条款72.根据条款69所述的方法，还包括其中用包括至少0.8的有效数值孔径(NA)的图像捕获设备扫描所述样本；其中，所述检测到的细胞包括至少100个细胞；并且至少0.5平方厘米的区域被扫描。

条款73.根据条款69所述的方法，其中，将所述检测到的细胞分类还包括识别将不同细胞类型的细胞关联起来的细胞谱系，并且呈现所述细胞数据还包括呈现所述细胞谱系。

条款74.根据条款73所述的方法，其中，所述细胞谱系包括来自骨髓谱系、淋巴谱系或红系谱系中的一种或更多种的细胞的谱系。

条款75.根据条款69所述的方法，其中，存储所述细胞数据还包括从所述检测到的细胞中选择至少相关细胞以存储在所述细胞数据中。

条款76.根据条款75所述的方法，其中，基于来自所述检测到的细胞的细胞类型的代表性分布来选择所述相关细胞。

条款77.根据条款75所述的方法，其中，所述相关细胞的数量在100-500个细胞之间、在500-1000个细胞之间、在1000-2000个细胞之间或多于2000个细胞。

条款78.根据条款69所述的方法，其中，用于获得所述扫描数据的扫描时间快于每平方厘米20分钟、每平方厘米15分钟、每平方厘米10分钟、每平方厘米5分钟或每平方厘米2分钟。

条款79.根据条款69所述的方法，其中，所述扫描数据包括来自所述BMA样本的整个区域的至少95％的数据。

条款80.根据条款69所述的方法，还包括：分析对应于所述BMA样本的预览图像以定位颗粒，其中，所述预览图像具有比所述扫描数据更低的分辨率；以及基于所述分析来确定关于所述BMA样本的推荐的扫描区域。

条款81.根据条款80所述的方法，其中，所述推荐的扫描区域还基于用户输入来确定。

条款82.根据条款81所述的方法，其中，所述用户输入包括调整所述推荐的扫描区域以包括或排除用户定义的区域。

条款83.根据条款80所述的方法，其中，用于获得所述扫描数据的指令还包括用于使用所述扫描装置扫描所述推荐的扫描区域的指令。

条款84.根据条款69所述的方法，其中，所述指令还包括用于接收用户输入以修改所述细胞数据的指令。

条款85.根据条款84所述的方法，其中，所述用户输入包括以下中的至少一项：标记细胞、添加细胞、删除细胞、将细胞重新分类或向细胞添加通知。

条款86.根据条款85所述的方法，其中，所述通知指示以下中的至少一项：有毒或异常。

条款87.根据条款69所述的方法，其中，所述扫描数据包括所述BMA样本的高分辨率图像数据。

条款88.根据条款87所述的方法，其中，所述高分辨率图像数据包括以至少0.8的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

条款89.根据条款87所述的方法，其中，所述高分辨率图像数据包括以至少0.9的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

条款90.根据条款87所述的方法，其中，所述高分辨率图像数据包括以至少1.0的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

条款91.根据条款69所述的方法，其中，所述扫描数据包括至少0.5平方厘米的所述BMA样本、至少1平方厘米的所述BMA样本、至少1.5平方厘米的所述BMA样本、或至少2平方厘米的所述BMA样本。

条款92.根据条款69所述的方法，其中，检测到的细胞的数量是以下中的至少一项：500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞、或10000个或更多个细胞。

条款93.根据条款69所述的方法，其中，所分类的细胞的数量是以下中的至少一项：500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞、或10000个或更多个细胞。

条款94.根据条款69所述的方法，其中，用机器学习分类器将所述细胞进行分类，所述机器学习分类器包括从由神经网络、卷积神经网络、决策树、支持向量机、回归分析、贝叶斯网络和训练模型组成的组中选择的一种或更多种模型。

条款95.根据条款94所述的方法，其中，所述机器学习分类器被配置为识别选自由以下项组成的组中的至少10种细胞类型的多种细胞类型：胚细胞、未成熟嗜酸性粒细胞、嗜酸性粒细胞、未成熟嗜碱性粒细胞、嗜碱性粒细胞、早幼粒细胞、中幼粒细胞、晚幼粒细胞、杆状核细胞、中性粒细胞、原单核细胞、单核细胞、巨噬细胞、原巨核细胞、巨核细胞、成红细胞、巨成红细胞、正成红细胞、淋巴细胞和浆细胞。

条款96.根据条款69所述的方法，还包括：用照明组件以多个角度照射所述BMA样本；利用图像捕获设备从由照明组件以所述多个角度照射的所述BMA样本收集多个图像，所述多个图像包括关于所述细胞的特征的第一最小可分辨距离；以及从所述多个图像生成计算重建的图像，所述计算重建的图像包括关于所述细胞的所述特征的第二最小可分辨距离，所述第二最小可分辨距离小于所述第一最小可分辨距离。

条款97.根据条款69所述的方法，还包括显示细胞密度热图。

条款98.根据条款69所述的方法，其中，识别完整细胞并且基于所述完整细胞的位置确定用于进一步分析的区域。

条款99.一种用于扫描骨髓抽吸物(BMA)样本的方法，包括：接收所述BMA样本的扫描数据；从所述扫描数据中检测所述BMA样本中的颗粒；检测所述BMA样本中与检测到的颗粒分离的细胞；基于检测到的细胞确定感兴趣区域(ROI)；部分地基于所述ROI和所述检测到的细胞，选择所述检测到的细胞的子集以用于细胞数据；以及将所述细胞数据存储在所述存储器中；以及呈现所述细胞数据。

条款100.根据条款99所述的方法，其中，检测所述细胞还包括检测完整细胞，并且还基于所述检测到的完整细胞来确定所述ROI。

条款101.根据条款99所述的方法，其中，检测所述细胞还包括检测细胞密度，并且还基于所述细胞密度来确定所述ROI。

条款102.根据条款99所述的方法，其中，还基于所述检测到的细胞和所述检测到的颗粒之间的距离来确定所述ROI。

条款103.根据条款99所述的方法，其中，还基于对应于所述BMA样本的一个或更多个特定位置的相关局灶性信息来确定所述ROI。

条款104.根据条款99所述的方法，其中，所述相关局灶性信息对应于在所述一个或更多个特定位置处具有特征的局灶性疾病。

条款105.根据条款104所述的方法，其中，所述局灶性疾病包括以下中的一种或更多种：淋巴瘤、浆细胞骨髓瘤、肥大细胞增多症、转移癌、储存性组织细胞增多症、结晶储存性组织细胞增多症或肉芽肿。

条款106.根据条款99所述的方法，其中，检测所述细胞还包括将所述细胞的细胞类型进行分类。

条款107.根据条款99所述的方法，其中，所述ROI包括多个ROI，所述多个ROI中的每一个包括细胞的分布，并且其中，基于来自所述多个ROI的细胞的集体分布与来自所述ROI的细胞的总分布的比较，从所述多个ROI的子集中选择细胞的子集。

条款108.根据条款107所述的方法，其中，所述细胞的子集还基于具有表示所述扫描数据中细胞类型的总细胞分布的细胞类型的细胞分布来选择。

条款109.根据条款107所述的方法，其中，所述细胞的子集还基于优先化用于包含到所述细胞数据中的一种或更多种细胞类型来选择。

条款110.根据条款109所述的方法，其中，被优先化的一种或更多种细胞类型包括胚细胞或浆细胞。

条款111.根据条款99所述的方法，其中，呈现所述细胞数据包括呈现第一细胞集合与第二细胞集合的细胞类型的比较，并且可选地，其中，所述比较包括比率。

条款112.根据条款111所述的方法，其中，所述第一细胞集合对应于所选择的细胞的子集。

条款113.根据条款111所述的方法，其中，所述第二细胞集合对应于来自所述BMA样本的总体细胞群。

条款114.根据条款99所述的方法，其中，基于用户输入来编辑所述细胞数据。

条款115.根据条款99所述的方法，其中，显示细胞密度热图被显示。

条款116.一种用于扫描骨髓抽吸物(BMA)样本的方法，包括：接收所述BMA样本的扫描数据；检测所述BMA样本中的细胞；将检测到的细胞分类为一种或更多种细胞类型；对于所述一种或更多种细胞类型中的每一种细胞类型，确定所述细胞类型相对于检测到的细胞的集合的百分比以用于细胞数据；以及将所述细胞数据存储在所述存储器中；以及基于所述一种或更多种细胞类型的谱系来呈现所述细胞数据。

条款117.根据条款116所述的方法，其中，所述检测到的细胞的集合对应于所述检测到的细胞的总体群或所述检测到的细胞的选定子集。

条款118.根据条款116所述的方法，其中，所述细胞数据包括关于所述一种或更多种细胞类型中的每一种细胞类型的异常细胞的百分比。

条款119.根据条款116所述的方法，其中，所述细胞数据包括关于所述一种或更多种细胞类型中的每一种细胞类型的统计分析。

条款120.根据条款119所述的方法，其中，所述统计分析包括以下中的至少一项：分布、平均值或中位数。

条款121.根据条款116所述的方法，其中，呈现所述细胞数据包括所述一种或更多种细胞类型的谱系的图形呈现。

条款122.根据条款121所述的方法，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述图形呈现包括所述细胞类型相对于所述检测到的细胞的集合或相对于所述检测到的细胞的集合的子集的百分比的视觉比较。

条款123.根据条款122所述的方法，其中，接收用户输入以选择检测到的细胞的所述子集。

条款124.根据条款122所述的方法，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述视觉比较包括基于所述细胞类型的所述百分比而缩放的形状。

条款125.根据条款121所述的方法，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述图形呈现包括基于值的范围的视觉比较。

条款126.根据条款121所述的方法，其中，所述图形呈现包括对应于一个或更多个细胞属性的一种或更多种颜色。

条款127.根据条款116所述的方法，其中，呈现所述细胞数据包括呈现细胞密度热图。

条款128.根据条款116所述的方法，其中，所述谱系包括来自骨髓谱系、淋巴谱系或红系谱系中的一种或更多种的细胞的谱系。

条款129.一种用于扫描骨髓抽吸物(BMA)样本的方法，所述方法包括：接收来自所述BMA样本的扫描数据；从所述扫描数据中检测一个或更多个颗粒或细胞位置；基于检测到的一个或更多个颗粒或细胞位置确定分析区域；从所述扫描数据中识别一种或更多种细胞类型的细胞；利用统计分析来分析所识别的细胞；以及基于所述统计分析选择所识别的细胞的子集。

条款130.根据条款129所述的方法，其中，确定所述分析区域还包括基于识别完整细胞来确定相关位置。

条款131.根据条款129所述的方法，其中，所述统计分析基于所识别的细胞的位置。

条款132.根据条款129所述的方法，其中，所述统计分析基于相对于所识别的细胞的总体群比较细胞属性。

条款133.根据条款129所述的方法，还包括基于用户输入调整所述统计分析。

条款134.根据条款129所述的方法，其中，所述用户输入包括调整推荐的扫描区域以包括或排除用户定义的区域。

条款135.根据条款129所述的方法，其中，所识别的细胞的第二子集包括未被选择用于所识别的细胞的所述子集的一种或更多种细胞类型的随机选择的细胞。

条款136.根据条款135所述的方法，其中，将来自所述第二子集的数据呈现给用户以检测所述子集中的偏差。

本公开的实施例已经如本文所阐述地被示出和描述，并且仅作为示例提供。本领域的普通技术人员将在不脱离本公开的范围的情况下认识到许多调整、改变、变化和替换。在不脱离本公开和本文公开的发明的范围的情况下，可以使用本文公开的实施例的若干备选方案和组合。因此，当前公开的发明的范围应仅由所附权利要求及其等同物的范围来限定。

Claims (68)

1.一种用于扫描骨髓抽吸物(BMA)样本的系统，所述系统包括：

扫描装置，所述扫描装置用于扫描所述BMA样本；

处理器，所述处理器耦合到所述扫描装置和存储器，并被配置为执行指令，所述指令使所述系统：

利用所述扫描装置获得所述BMA样本的扫描数据；

从所述扫描数据中检测所述BMA样本中的细胞；

将检测到的细胞分类为多种细胞类型；以及

在所述存储器中存储所分类的细胞的细胞数据；以及

显示器，所述显示器被配置为呈现所述细胞数据。

2.根据权利要求1所述的系统，其中，所述处理器被配置成检测所述BMA样本中的颗粒，并检测所述BMA样本中与检测到的颗粒分离的细胞。

3.根据权利要求2所述的系统，其中，所述颗粒包括脂肪或造血细胞簇中的一种或更多种。

4.根据权利要求1所述的系统，还包括：

图像捕获设备，所述图像捕获设备包括至少0.8的有效数值孔径(NA)；

其中，所述检测到的细胞包括至少100个细胞；以及

其中，所述指令还包括用于扫描至少0.5平方厘米的区域的指令。

5.根据权利要求1所述的系统，其中，将所述检测到的细胞分类还包括识别将不同细胞类型的细胞关联起来的细胞谱系，并且呈现所述细胞数据还包括呈现所述细胞谱系。

6.根据权利要求5所述的系统，其中，所述细胞谱系包括来自骨髓谱系、淋巴谱系或红系谱系中的一种或更多种的细胞的谱系。

7.根据权利要求1所述的系统，其中，存储所述细胞数据还包括从所述检测到的细胞中选择至少相关细胞以存储在所述细胞数据中。

8.根据权利要求7所述的系统，其中，基于来自所述检测到的细胞的细胞类型的代表性分布来选择所述相关细胞。

9.根据权利要求7所述的系统，其中，所述相关细胞的数量在100-500个细胞之间、在500-1000个细胞之间、在1000-2000个细胞之间或多于2000个细胞。

10.根据权利要求1所述的系统，其中，用于获得所述扫描数据的扫描时间快于每平方厘米20分钟、每平方厘米15分钟、每平方厘米10分钟、每平方厘米5分钟或每平方厘米2分钟。

11.根据权利要求1所述的系统，其中，所述扫描数据包括来自所述BMA样本的整个区域的至少95％的数据。

12.根据权利要求1所述的系统，其中，所述指令还包括用于执行以下操作的指令：

分析对应于所述BMA样本的预览图像以定位颗粒，其中，所述预览图像具有比所述扫描数据更低的分辨率；以及

基于所述分析，确定关于所述BMA样本的推荐的扫描区域。

13.根据权利要求12所述的系统，其中，所述推荐的扫描区域还基于用户输入来确定。

14.根据权利要求13所述的系统，其中，所述用户输入包括调整所述推荐的扫描区域以包括或排除用户定义的区域。

15.根据权利要求12所述的系统，其中，用于获得所述扫描数据的指令还包括用于使用所述扫描装置扫描所述推荐的扫描区域的指令。

16.根据权利要求1所述的系统，其中，所述指令还包括用于接收用户输入以修改所述细胞数据的指令。

17.根据权利要求16所述的系统，其中，所述用户输入包括以下中的至少一项：标记细胞、添加细胞、删除细胞、将细胞重新分类或向细胞添加通知。

18.根据权利要求17所述的系统，其中，所述通知指示以下中的至少一项：有毒或异常。

19.根据权利要求1所述的系统，其中，所述扫描数据包括所述BMA样本的高分辨率图像数据。

20.根据权利要求19所述的系统，其中，所述高分辨率图像数据包括以至少0.8的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

21.根据权利要求19所述的系统，其中，所述高分辨率图像数据包括以至少0.9的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

22.根据权利要求19所述的系统，其中，所述高分辨率图像数据包括以至少1.0的有效数值孔径(NA)扫描的所述BMA样本的图像数据。

23.根据权利要求1所述的系统，其中，所述扫描数据包括至少0.5平方厘米的所述BMA样本、至少1平方厘米的所述BMA样本、至少1.5平方厘米的所述BMA样本或至少2平方厘米的所述BMA样本。

24.根据权利要求1所述的系统，其中，检测到的细胞的数量是以下中的至少一项：500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞、或10000个或更多个细胞。

25.根据权利要求1所述的系统，其中，所分类的细胞的数量是以下中的至少一项：500个或更多个细胞、1000个或更多个细胞、2000个或更多个细胞、5000个或更多个细胞、或10000个或更多个细胞。

26.根据权利要求1所述的系统，其中，所述处理器被配置为利用机器学习分类器将细胞进行分类，所述机器学习分类器包括从由神经网络、卷积神经网络、决策树、支持向量机、回归分析、贝叶斯网络和训练模型组成的组中选择的一种或更多种模型。

27.根据权利要求26所述的系统，其中，所述机器学习分类器被配置为识别选自由以下项组成的组中的至少10种细胞类型的多种细胞类型：胚细胞、未成熟嗜酸性粒细胞、嗜酸性粒细胞、未成熟嗜碱性粒细胞、嗜碱性粒细胞、早幼粒细胞、中幼粒细胞、晚幼粒细胞、杆状核细胞、中性粒细胞、原单核细胞、单核细胞、巨噬细胞、原巨核细胞、巨核细胞、成红细胞、巨成红细胞、正成红细胞、淋巴细胞和浆细胞。

28.根据权利要求1所述的系统，其中，所述扫描装置包括：

照明组件，所述照明组件被配置为以多个角度照射所述BMA样本；

图像捕获设备，所述图像捕获设备被配置为从由所述照明组件以所述多个角度照射的所述BMA样本收集多个图像，所述多个图像包括关于所述细胞的特征的第一最小可分辨距离；以及

其中，所述处理器能够操作地耦合到所述照明组件和所述图像捕获设备，所述处理器被配置有用于从所述多个图像生成计算重建的图像的指令，所述计算重建的图像包括关于所述细胞的所述特征的第二最小可分辨距离，所述第二最小可分辨距离小于所述第一最小可分辨距离。

29.根据权利要求1所述的系统，其中，所述处理器被配置成显示细胞密度热图。

30.根据权利要求1所述的系统，其中，所述处理器被配置有用于执行以下操作的指令：识别完整细胞，并基于所述完整细胞的位置确定用于进一步分析的区域。

31.一种用于扫描骨髓抽吸物(BMA)样本的系统，包括：

处理器，所述处理器耦合到存储器并被配置为执行指令，所述指令使所述系统：

接收所述BMA样本的扫描数据；

从所述扫描数据中检测所述BMA样本中的颗粒；

检测所述BMA样本中与检测到的颗粒分离的细胞；

基于检测到的细胞确定感兴趣区域(ROI)；

部分地基于所述ROI和所述检测到的细胞，选择所述检测到的细胞的子集以用于细胞数据；以及

在所述存储器中存储所述细胞数据；以及

显示器，所述显示器被配置为呈现所述细胞数据。

32.根据权利要求31所述的系统，其中，检测所述细胞还包括检测完整细胞，并且还基于检测到的完整细胞来确定所述ROI。

33.根据权利要求31所述的系统，其中，检测所述细胞还包括检测细胞密度，并且还基于所述细胞密度来确定所述ROI。

34.根据权利要求31所述的系统，其中，还基于所述检测到的细胞和所述检测到的颗粒之间的距离来确定所述ROI。

35.根据权利要求31所述的系统，其中，还基于对应于所述BMA样本的一个或更多个特定位置的相关局灶性信息来确定所述ROI。

36.根据权利要求31所述的系统，其中，所述相关局灶性信息对应于在所述一个或更多个特定位置处具有特征的局灶性疾病。

37.根据权利要求36所述的系统，其中，所述局灶性疾病包括以下中的一种或更多种：淋巴瘤、浆细胞骨髓瘤、肥大细胞增多症、转移癌、储存性组织细胞增多症、结晶储存性组织细胞增多症或肉芽肿。

38.根据权利要求31所述的系统，其中，检测所述细胞还包括将所述细胞的细胞类型进行分类。

39.根据权利要求31所述的系统，其中，所述ROI包括多个ROI，所述多个ROI中的每一个包括细胞的分布，并且其中，基于来自所述多个ROI的细胞的集体分布与来自所述ROI的细胞的总分布的比较，从所述多个ROI的子集中选择细胞的子集。

40.根据权利要求39所述的系统，其中，所述细胞的子集还基于具有表示所述扫描数据中细胞类型的总细胞分布的细胞类型的细胞分布来选择。

41.根据权利要求39所述的系统，其中，所述细胞的子集还基于优先化用于包含到所述细胞数据中的一种或更多种细胞类型来选择。

42.根据权利要求41所述的系统，其中，被优先化的一种或更多种细胞类型包括胚细胞或浆细胞。

43.根据权利要求31所述的系统，其中，呈现所述细胞数据包括呈现第一细胞集合与第二细胞集合的细胞类型的比较，并且可选地，其中所述比较包括比率。

44.根据权利要求43所述的系统，其中，所述第一细胞集合对应于所选择的细胞的子集。

45.根据权利要求43所述的系统，其中，所述第二细胞集合对应于来自所述BMA样本的总体细胞群。

46.根据权利要求31所述的系统，其中，所述处理器还被配置成基于用户输入来编辑所述细胞数据。

47.根据权利要求31所述的系统，其中，所述处理器被配置成显示细胞密度热图。

48.一种用于扫描骨髓抽吸物(BMA)样本的系统，包括：

处理器，所述处理器耦合到存储器并被配置为执行指令，所述指令使所述系统：

接收所述BMA样本的扫描数据；

检测所述BMA样本中的细胞；

将检测到的细胞分类为一种或更多种细胞类型；

对于所述一种或更多种细胞类型中的每一种细胞类型，确定所述细胞类型相对于检测到的细胞的集合的百分比以用于细胞数据；以及

在所述存储器中存储所述细胞数据；以及

显示器，所述显示器被配置为基于所述一种或更多种细胞类型的谱系来呈现所述细胞数据。

49.根据权利要求48所述的系统，其中，所述检测到的细胞的集合对应于所述检测到的细胞的总体群或所述检测到的细胞的选定子集。

50.根据权利要求48所述的系统，其中，所述细胞数据包括关于所述一种或更多种细胞类型中的每一种细胞类型的异常细胞的百分比。

51.根据权利要求48所述的系统，其中，所述细胞数据包括关于所述一种或更多种细胞类型中的每一种细胞类型的统计分析。

52.根据权利要求51所述的系统，其中，所述统计分析包括以下中的至少一项：分布、平均值或中位数。

53.根据权利要求48所述的系统，其中，呈现所述细胞数据包括所述一种或更多种细胞类型的谱系的图形呈现。

54.根据权利要求53所述的系统，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述图形呈现包括所述细胞类型相对于所述检测到的细胞的集合或相对于所述检测到的细胞的集合的子集的百分比的视觉比较。

55.根据权利要求54所述的系统，其中，所述处理器被配置有用于接收用户输入以选择检测到的细胞的所述子集的指令。

56.根据权利要求54所述的系统，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述视觉比较包括基于所述细胞类型的所述百分比而缩放的形状。

57.根据权利要求53所述的系统，其中，对于所述一种或更多种细胞类型中的每一种细胞类型，所述图形呈现包括基于值的范围的视觉比较。

58.根据权利要求53所述的系统，其中，所述图形呈现包括对应于一个或更多个细胞属性的一种或更多种颜色。

59.根据权利要求48所述的系统，其中，呈现所述细胞数据包括呈现细胞密度热图。

60.根据权利要求48所述的系统，其中，所述谱系包括来自骨髓谱系、淋巴谱系或红系谱系中的一种或更多种的细胞的谱系。

61.一种用于扫描骨髓抽吸物(BMA)样本的系统，所述系统包括：

处理器，所述处理器耦合到存储器并被配置为执行指令，所述指令使所述系统：

接收来自所述BMA样本的扫描数据；

从所述扫描数据中检测一个或更多个颗粒或细胞位置；

基于检测到的一个或更多个颗粒或细胞位置确定分析区域；

从所述扫描数据中识别一种或更多种细胞类型的细胞；

利用统计分析来分析所识别的细胞；以及

基于所述统计分析，选择所识别的细胞的子集。

62.根据权利要求61所述的系统，其中，确定所述分析区域还包括基于识别完整细胞来确定相关位置。

63.根据权利要求61所述的系统，其中，所述统计分析基于所识别的细胞的位置。

64.根据权利要求61所述的系统，其中，所述统计分析基于相对于所识别的细胞的总体群比较细胞属性。

65.根据权利要求61所述的系统，还包括基于用户输入调整所述统计分析。

66.根据权利要求65所述的系统，其中，所述用户输入包括调整推荐的扫描区域以包括或排除用户定义的区域。

67.根据权利要求61所述的系统，其中，所识别的细胞的第二子集包括未被选择用于所识别的细胞的所述子集的一种或更多种细胞类型的随机选择的细胞。

68.根据权利要求67所述的系统，其中，所述处理器被配置有用于将来自所述第二子集的数据呈现给用户以检测所述子集中的偏差的指令。

Images