CN115184244A - 血液分析系统 - Google Patents

血液分析系统 Download PDF

Info

Publication number
CN115184244A
CN115184244A CN202110374356.1A CN202110374356A CN115184244A CN 115184244 A CN115184244 A CN 115184244A CN 202110374356 A CN202110374356 A CN 202110374356A CN 115184244 A CN115184244 A CN 115184244A
Authority
CN
China
Prior art keywords
blood
sample
blood cell
data
neural network
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
CN202110374356.1A
Other languages
English (en)
Inventor
祁欢
王齐耀
郭明锦
兰天成
邢圆
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.)
Shenzhen Mindray Bio Medical Electronics Co Ltd
Original Assignee
Shenzhen Mindray Bio Medical Electronics 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 Shenzhen Mindray Bio Medical Electronics Co Ltd filed Critical Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority to CN202110374356.1A priority Critical patent/CN115184244A/zh
Publication of CN115184244A publication Critical patent/CN115184244A/zh
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
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1434—Optical arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties

Landscapes

  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请实施例提供了血液分析系统，包括采样装置、样本制备装置、检测装置及数据处理装置。采样装置采集血液样本并将血液样本输送至样本制备装置，样本制备装置制备得到待测样本液，检测装置对待测样本液进行检测以得到各细胞的脉冲信号，数据处理装置包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，当计算机程序被所述处理器调用时，执行以下步骤：将脉冲信号转换为血细胞检测数据，将血细胞检测数据输入预先训练完成的深度学习神经网络模型，由深度学习神经网络模型进行分类、计数、修正、样本类型检测或异常提示等处理操作。

Description

血液分析系统
技术领域
本申请涉及医疗设备技术领域，更具体地，是血液分析系统。
背景技术
血液细胞分析仪是一种常用的医学设备，可以用来检测目标对象血液中细胞的数量、类型及其状态等信息，该些信息可以作为目标对象身体健康状况的诊断指标。
目前的血液细胞分析仪的检测方法通常分为阻抗法、激光散射法或化学染色法；其中，阻抗法是根据库尔特原理采集得到与细胞体积相应的脉冲信号，根据脉冲信号进行细胞计数和细胞分类；激光散射法采用氦氖激光源发出的单色激光扫描每个细胞，收集细胞的侧向散射光信号和前向散射光信号；其中前向散射光可以检测到细胞的体积信息，侧向散射光可以探测细胞内核分叶状况和胞浆中的颗粒状况，提供有关细胞颗粒的图像信息；化学染色方法是通过相关的化学试剂对细胞进行染色，不同类别的细胞的反应强度不同，然后根据测定激光照射所产生的散射光吸收率对细胞进行类别判定。
该些传统的数字信号处理方法或传统的图像处理方法得到的处理结果，准确度有待进一步提高。
发明内容
有鉴于此，本申请提供了一种血液分析系统及相关方法，用以提高血液细胞的分类准确度。为了实现此发明目的，本申请提供以下技术方案：
第一方面，本申请实施例提供了一种血液分析系统，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置，所述血液样本至少包括白细胞和红细胞；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号得到血细胞分布数据，将所述血细胞分布数据输入至预先训练完成的深度学习神经网络模型，以得到所述深度学习神经网络模型输出的分类结果。
第二方面，本申请实施例提供了一种血液分析系统，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号生成血细胞分布数据，并将所述血细胞分布数据输入至预先训练完成的深度学习神经网络模型，得到所述深度学习神经网络模型输出修正后的血细胞分布数据。
第三方面，本申请实施例提供了一种血液分析系统，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号生成血细胞检测数据，并将所述血细胞检测数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的样本类型。
第四方面，本申请实施例提供了一种血液分析系统，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号生成血细胞分布数据，并将所述血细胞分布数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的测量过程是否异常的提示。
由以上技术方案可以看出，本申请实施例具有如下优点：
本申请提供了一种血液分析系统，该血液分析系统都可以使用深度学习神经网络模型实现对血液样本的血细胞检测数据进行分析处理，由于深度学习神经网络模型由血细胞检测数据的训练样本训练得到，训练完成的深度学习神经网络模型对输入的与训练样本同类型的血细胞检测数据具有分析处理能力，并且深度学习神经网络模型分析处理过程使用深度学习算法，该算法能够挖掘输入数据更加丰富的特征信息，使得输出的分析处理结果的准确度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为血液分析系统实施例的一结构示意图；
图2为血液分析系统中数据处理装置的一结构示意图；
图3A为三种不同光学信号组合得到的二维散点图像的示例图；
图3B为深度学习神经网络模型对二维散点图像进行分类的一示意图；
图3C为深度学习神经网络模型的一结构示意图；
图4为深度学习神经网络模型对二维散点图像进行分类的另一示意图；
图5为深度学习神经网络模型对二维散点图像进行分类的又一示意图；
图6A为深度学习神经网络模型对一维直方图像进行分类的一示意图；
图6B为深度学习神经网络模型的又一结构示意图；
图7为深度学习神经网络模型对一维直方图像进行分类的另一示意图；
图8为深度学习神经网络模型计算血红蛋白浓度的一示意图；
图9为深度学习神经网络模型对二维散点图像进行分类的又一示意图；
图10A为正常样本和异常样本的血小板识别结果示意图；
图10B为对血小板一维直方图像进行干扰消除的一种示意图；
图10C为对血小板一维直方图像进行干扰消除前后的对比示意图；
图11为对二维散点图像进行修正的一示意图；
图12为深度学习神经网络模型的又一结构示意图；
图13A为从三维散点图像中选择一特定视角下二维散点图像的一示意图；
图13B为得到原始报警及正常两种不同检测结果的一示意图；
图13C为得到原始报警及正常两种不同检测结果的另一示意图；
图14A为DIFF通道、RET通道以及WNB通道分别得到的二维散点图像；
图14B为DIFF通道得到需要复检及正常两种不同检测结果的一示意图；
图14C为RET通道得到需要复检及正常两种不同检测结果的一示意图；
图14D为WNB通道得到需要复检及正常两种不同检测结果的一示意图；
图15为得到三种不同物质类型检测结果的一示意图；
图16为得到堵孔及正常两种不同检测结果的一示意图；
图17为得到吸样异常以及正常两种不同检测结果的一示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提供了一种血液分析系统(也可称为血液细胞分析仪)，该血液分析系统利用基于深度学习的人工智能技术对血液细胞脉冲信号进行一项或多项处理操作，具体包括但不限于分类、计数、图像变换处理、报警等。以下根据应用场景的不同，分别说明执行不同血液处理操作的血液分析系统的结构。
为了便于理解技术方案，首先通过下表1介绍本申请各实施例可能涉及的英文概念对应的中文含义。
表1
Figure BDA0003010572490000051
应用场景一：血细胞分类。
见图1，其示出了血液分析系统的一种具体结构，该血液分析系统可以实现对血液细胞的分类。该血液分析系统至少包括：采样装置110、样本制备装置120、检测装置130及数据处理装置140。
采样装置110，用于采集血液样本，并将血液样本输送至样本制备装置。具体地，血液样本可以是人的血液样本，也可以是其他动物的血液样本。血液样本中至少包括白细胞和红细胞。在一种实现方式中，采样装置110可以具有带吸移管嘴的吸移管(例如采样针)并且具有驱动部，该驱动部用于驱动吸移管通过吸移管嘴定量吸取待测血液样本，例如采样针在驱动部的驱动下移动到装有血液样本的样本容器并从中吸取待测血液样本。
样本制备装置120，具有至少一个反应池和试剂供应部(未示出)，其中试剂供应部用于提供处理试剂，至少一个反应池用于提供反应场所从而供血液样本和处理试剂进行反应，以制备得到待测样本液。具体地，至少一个反应池接收由采样装置110采集的血液样本，试剂供应部将处理试剂提供给至少一个反应池，从而血液样本与由试剂供应部提供的处理试剂在反应池中混合，以制备成待测样本液。
需要说明的是，试剂供应部可以包括一个或多个，为了避免试剂污染，不同的试剂供应部可以提供不同的处理试剂，不同的处理试剂与血液样本实现不同目的的混合反应从而制备成不同的待测样本液。若某些处理试剂为相同的处理试剂，那么处理试剂对应的试剂供应部可以为同一试剂供应部。
检测装置130，用于对待测样本液进行检测以得到待测样本液中细胞的脉冲信号。具体地，检测装置130在样本制备装置120制备得到待测样本液后，对待测样本液进行检测从而待测样本液中各个细胞的脉冲信号。
在一种具体实现方式中，检测装置包括光学检测装置，光学检测装置可以获得待测样本液中细胞至少两种类型的光学脉冲信号。具体地，光学检测装置包括光学流动室、光源和检测器，待测样本液中的细胞逐个排队通过所述光学流动室，检测器收集细胞被光源照射发出的脉冲信号。在一种具体实现方式中，检测装置包括阻抗检测装置，阻抗检测装置可以检测待测样本液中的细胞通过所述阻抗检测装置中检测孔的电阻抗变化，获得脉冲信号。其中，阻抗检测装置检测得到的脉冲信号为一维数据。在一种具体实现方式中，检测装置包括血红蛋白检测装置，其可以检测待测样本液透光率的变化。需要说明的是，以上检测装置仅仅是示例说明，本领域技术人员能够想到的可以对细胞粒子(可以称为血细胞、细胞或粒子)进行检测的其他检测装置如比色法检测装置等都属于本申请实施例保护范围。
数据处理装置140，其与检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当计算机程序被处理器调用时，执行以下步骤：根据细胞的脉冲信号生成血细胞分布数据，并将血细胞分布数据输入至预先训练完成的深度学习神经网络模型，以得到深度学习神经网络模型输出的分类结果。
具体地，数据处理装置140至少包括具有数据运算能力的处理组件如处理器以及计算机可读存储介质。计算机可读存储介质中存储有计算机程序以及可以存储有与计算机程序相关的数据如预先训练完成的深度学习神经网络模型。当计算机程序被处理器调用时，便可以利用深度学习神经网络模型对细胞脉冲信号生成的血细胞分布图进行细胞分类。
在一种实现方式中，如图2所示，数据处理装置140至少包括处理组件141、随机存取存储器(Random Access Memory，RAM)142、只读存储器(Read-OnlyMemory，ROM)143、通信接口144、I/O接口145和存储器146。处理组件141、RAM142、ROM143、通信接口144、I/O接口145和存储器146通过总线147进行通信。处理组件可以为中央处理器(Central ProcessingUnit，CPU)、图形处理器(Graphics Processing Unit，GPU)或其它具有运算能力的芯片。存储器146装有供处理器组件141执行的各种计算机程序及执行该计算机程序所需的数据。另外，在血液样本分析过程中，如有需要本地存储的数据如预先训练完成的深度学习神经网络模型，均可以存储到存储器146中。I/O接口145由比如USB、IEEE1394或RS-232C等串行接口、SCSI、IDE或IEEE1284等并行接口以及由D/A转换器和A/D转换器等组成的模拟信号接口构成。I/O接口145可以连接具有显示功能的显示装置，如液晶屏、触摸屏、LED显示屏等。数据处理装置140可以将得到的数据，如血细胞分布图像(一维直方图像、二维散点图像、三维散点图像)、深度学习神经网络模型输出的分类结果(如细胞类型的计数值、细胞类型的分类标签等)等，输出到显示装置上进行显示。通信接口144是可以是目前已知的任意通信协议的接口，通信接口144通过网络与外界进行通信。数据处理装置140可以通过通信接口144以一定的通信协议与通过该网络连接的任意装置之间传输数据，例如，数据处理装置140通过通信接口144与计算机设备通信，计算机设备将训练完成的深度学习神经网络模型发送至数据处理装置140存储；或者数据处理装置140通过通信接口144与显示器连接，将处理得到的数据如血细胞分布图像以及深度学习神经网络模型输出的分类结果发送至显示器输出显示；又如数据处理装置140通过通信接口144与打印机通信，将处理得到的数据如血细胞分布图像以及深度学习神经网络模型输出的分类结果发送至打印机进行打印输出。
数据处理装置140得到检测装置130采集的脉冲信号后，首先需要根据细胞的脉冲信号得到血细胞分布数据。血细胞分布数据可以是一维直方图数据、二维散点图数据，也可以是三维散点图数据、电压曲线数据如血红蛋白电压曲线数据等等；或者，血细胞分布数据可以是血细胞分布图像如直方图图像、散点图图像，也可以是基于脉冲信号直接得到的数据阵列，该数据阵列进一步处理后可以得到图像。血细胞分布数据用于从一个或多个维度描述血细胞的特性，如体积维度、细胞粒子内容物维度。
具体地，若检测装置130为光学检测装置，光学检测装置得到细胞至少两种类型的光学脉冲信号后，数据处理装置140对脉冲信号的处理具体是根据该脉冲信号得到血细胞散点分布数据。血细胞散点分布数据可以是血细胞散点图数据，也可以是血细胞散点分布图像，其中血细胞散点分布图像是由血细胞散点图数据进一步处理后得到的血细胞散点分布图像。可选地，光学检测装置得到的光学脉冲信号可以是前向散射光、侧向散射光两个维度的光学脉冲信号，也可以是前向散射光、侧向散射光以及荧光强度三个维度的光学脉冲信号。
若检测装置130为阻抗检测装置，阻抗检测装置得到细胞的脉冲信号后，数据处理装置140根据该脉冲信号得到血细胞阻抗数据。同理，血细胞阻抗数据可以是阻抗数据阵列或直方图。其中，直方图是阻抗数据阵列进一步处理后得到的一维序列。
若检测装置130为血红蛋白检测装置，血红蛋白检测装置得到透光率的变化后，数据处理装置140根据透光率的变化得到血红蛋白电压曲线。
数据处理装置140得到血细胞分布数据后，进一步地，将血细胞分布数据输入至预先训练完成的深度学习神经网络模型，由深度学习神经网络模型基于深度学习算法对血细胞分布数据进行处理后输出血细胞的分类结果。其中，分类结果可以包括以下情形之一：血细胞类型与血细胞分布数据包括的细胞粒子之间的对应关系，和/或，血细胞类型的统计结果。第一种情形即输出细胞粒子的血细胞类型，如输出细胞粒子的分类标签，第二种情形即输出每种血细胞类型的统计结果。需要说明的是，分类结果由深度学习神经网络模型对输入的血细胞分布数据进行分析处理得到且由深度学习神经网络模型输出的，分析处理至少包括深度学习神经网络模型对血细胞分布数据包括的细胞类型的分类。也就是说，本申请可以充分利用深度学习神经网络模型在数据分析处理方面的优势，分类结果可以是由深度学习神经网络模型直接得出，无需经过后续其他的分析处理，获得分类结果方式更加简单直接。
需要说明的是，本申请实施例预先使用血细胞分布数据的训练样本(训练样本包括血细胞分布数据样本以及血细胞分布数据样本的分类结果标签)训练深度学习神经网络模型，训练完成的深度学习神经网络模型具有对血细胞分布数据中不同类型细胞粒子的分类能力，训练完成的深度学习神经网络模型之所以具备该能力，是因为训练完成的深度学习神经网络模型可以确定使用怎样的数据特征准确地区分不同类型的细胞粒子。在具体实施例中，深度学习神经网络模型的数据样本需要与该具体实施例应用时输入的数据类型对应，另外训练样本的标签决定了深度学习神经网络模型具有怎样的处理能力，如血细胞分类、血细胞数据修正、识别血液样本类型、判断测量过程是否异常等。
例如，假设血细胞分布数据为血细胞图像数据，深度学习神经网络模型可以提取图像特征得到分类结果，图像特征可能包括以下任意一项或多项：粒子的形状、颜色、纹理、灰度、聚集程度等等。为了便于描述，所确定使用的图像特征可以称为目标图像特征。从而，在得到待测样本液的血细胞分布图像后，将该血细胞分布图像输入至预先训练完成的深度学习神经网络模型，该模型便可以从该血细胞分布图像中自动提取目标图像特征，进而该目标图像特征识别得到该血细胞分布图像的分类结果。
为了将处理结果直观地提供给用户，血液分析系统还可以包括显示装置，显示装置设置在血液分析系统的机壳的外表面。数据处理装置140处理得到的数据如血细胞分布图像、细胞粒子的分类标签、细胞类型的统计结果均可以通过显示装置输出显示。
目前的血液细胞分析仪通常使用阻抗法和激光散射法实现血细胞分类，具体是将血液中各个细胞逐一通过具有传感器的检测孔装置获得各个细胞在每个传感器上的阻抗信号或光学信号，阻抗法一般获取的信号为一维信号，激光散射法获取的信号为多个方向上对应的多维信号，进而依据不同类型的细胞在各维度方向上具有不同大小的脉冲信号，以此来实现血液细胞的计数与分类。然而，本申请实施例提供的血液分析系统，包括有采样装置、样本制备装置、检测装置以及数据处理装置。采样装置、样本制备装置以及检测装置可以将采集的血液样本制备为待测样本液后对待测样本液中的细胞进行检测得到细胞的脉冲信号，数据处理装置将脉冲信号处理为血细胞分布数据后，使用预先训练得到的深度学习神经网络模型对血细胞分布数据进行处理后输出分类结果。深度学习神经网络模型基于深度学习算法训练得到，具有较好的细胞分类能力，其输出的分类结果准确度较高。
以下通过多个不同的具体实施例，对血液分析系统进行详细说明。
第一类血细胞分析系统，可以输出粒子对应的分类标签。
在一种实现方式中，血细胞分析系统的检测装置130为光学检测装置，数据处理装置140根据光学检测装置收集到的光学脉冲信号得到血细胞散点分布数据，并将血细胞散点分布数据输入至深度学习神经网络模型中，得到血细胞散点分布数据中细胞粒子对应的分类标签，分类标签用于表示细胞粒子的细胞类型。
需要说明的是，若血细胞散点分布数据为血细胞散点图数据，则深度学习神经网络模型为各个血细胞散点图数据添加对应的分类标签，该分类标签用于表示该血细胞散点图数据对应的血细胞粒子的细胞类型；若血细胞散点分布数据为血细胞散点分布图像，则深度学习神经网络模型在血细胞散点分布图像中为粒子团添加对应的分类标签，分类标签用于表示血细胞粒子团的细胞类型。例如，在血细胞散点分布图像中，使用轮廓线标示出至少一个粒子团且输出各个粒子团的血细胞类型。
具体实施例1-1
血液分析系统包括有采样装置、样本制备装置、光学检测装置及数据处理装置。各个装置可以构成DIFF检测通道，用于对血液样本中的白细胞进行五分类，即分类出中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞。待测样本液的血细胞逐一通过光学检测装置，获得血细胞在多个方向维度的光学信号，例如前向散射光信号(FS)、侧向散射光信号(SS)、侧向荧光散射光信号(FL)等，光学信号可以具体表现为光学脉冲信号。
数据处理装置将细胞的光学脉冲信号转换为血细胞散点分布图像，血细胞散点分布图像也可以简称为散点分布图像。示例性地，光学检测通道检测到两个或两个以上方向维度的光学脉冲信号后，数据处理装置可以将多个方向维度中的任意两个方向维度的光学脉冲信号组合成二维散点分布图像，例如侧向荧光散射光信号(FL)和侧向散射光(SS)组合成FL-SS图像、前向散射光信号(FS)和侧向散射光信号(SS)组合成FS-SS图像、侧向荧光散射光信号(FL)和前向散射光信号(FS)组合成FL-FS图像。见图3A，其提供了以上三种组合方式分别得到的二维散点分布图像示例，从左至右三幅图分别为FL-SS图像、FS-SS图像及FL-FS图像。
为了提高深度学习神经网络模型对血细胞散点分布图像中细胞分类的准确度，在将血细胞散点分布图像输入深度学习神经网络模型之前，数据处理装置可以对血细胞散点分布图像进行预处理操作，包括但不限于滤波、去噪、增强等。然后数据处理装置将预处理后的血细胞散点分布图像输入训练完成的深度学习神经网络模型，深度学习神经网络模型对血细胞散点分布图像中的粒子团进行分类，输出血细胞散点分布图像中各粒子团对应的细胞类型标签，如中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞。如图3B所示，将由侧向荧光信号和侧向散射光信号组成的血细胞散点分布图像输入深度学习神经网络模型，深度学习神经网络模型经过下采样处理及上采样处理后输出对血细胞散点分布图像的细胞分类结果，即标示出中性粒细胞Neu、嗜酸性粒细胞Eos、嗜碱性粒细胞Baso、淋巴细胞Lym和单核细胞Mon五种细胞类型各自对应的粒子团。需要说明的是，深度学习神经网络模型的训练样本为血细胞的血细胞散点分布图像，且训练样本中包括中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞的分类标签。
示例性地，深度学习神经网络模型可以具体包括卷积神经网络中的SegNet、Unet或DeepLab等。见图3C，以Unet网络模型为例，对该深度学习神经网络模型的结构以及分类步骤进行说明。Unet网络模型为编码-解码结构(Encoder-decoder)：编码结构由一个或多个下采样层构成，主要用于提取输入的血细胞散点分布图像中各像素位置的灰度、颜色、纹理、形状等图像特征；解码结构由一个或多个上采样层构成，主要用于根据图像特征恢复血细胞散点分布图像，最终输出各像素位置对应的细胞粒子类型。该深度学习神经网络模型可以应用于本申请多个实施例，以识别血细胞散点分布图像中包括的各种不同类型的细胞。在本实施例中该模型识别出的是白细胞五分类中的至少一种。
需要说明的是，数据处理装置输入深度学习神经网络模型的可以并非直观的血细胞散点分布图像，而是生成血细胞散点分布图像的血细胞散点图数据，由深度学习神经网络模型为血细胞散点图数据添加细胞类型的标签。
具体实施例1-2
血液分析系统包括有采样装置、样本制备装置、光学检测装置及数据处理装置。各个装置可以构成WNB检测通道，用于分类嗜碱性粒细胞以及白细胞，或者用于分类嗜碱性粒细胞、白细胞和任选的有核红细胞和有核红细胞。
与具体实施例1-1同理，光学检测装置可以得到待测样本液中血细胞至少两种类型的光学脉冲信号，数据处理装置可以将血细胞至少两种类型的光学脉冲信号转换为血细胞散点分布图像，并对血细胞散点分布图像进行预处理后输入深度学习神经网络模型。与具体实施例1-1不同的是，深度学习神经网络模型输出血细胞散点分布图像包括的细胞类型包括嗜碱性粒细胞、白细胞和任选的有核红细胞。另外本具体实施例中训练深度学习神经网络模型使用的训练样本与具体实施例1-1也存在不同，本具体实施例中的训练样本为包括嗜碱性粒细胞、白细胞和任选的有核红细胞的血细胞散点分布图像。
如图4所示，将由前向散射光信号和侧向荧光信号组成的血细胞散点分布图像输入深度学习神经网络模型，深度学习神经网络模型经过下采样处理及上采样处理后输出对血细胞散点分布图像的细胞分类结果，即标示出血影细胞Ghost、白细胞Wbc、有核红细胞Nrbc及嗜碱性粒细胞Baso各自对应的粒子团。需要说明的是，在一实施例中可以并不显示血影细胞的标记结果。本实施例应用的深度学习神经网络模型可以与具体实施例1-1应用的结构相同，有关该模型的说明可以参见上述说明，此处并不赘述。
具体实施例1-3
血液分析系统包括有采样装置、样本制备装置、光学检测装置及数据处理装置。各个装置可以构成RET检测通道，用于分类血小板、红细胞及网织红细胞。
与具体实施例1-1同理，光学检测装置可以得到待测样本液中血细胞至少两种类型的光学脉冲信号，数据处理装置可以将至少两种类型的光学脉冲信号转换成血细胞散点分布图像，并对血细胞散点分布图像进行预处理后输入深度学习神经网络模型。与具体实施例1-1不同的是，如图5所示，深度学习神经网络模型输出血细胞散点分布图像包括的细胞类型包括血小板、红细胞和网织红细胞。另外本具体实施例中训练深度学习神经网络模型使用的训练样本与具体实施例1-1也存在不同，本具体实施例中的训练样本为包括血小板、红细胞和网织红细胞的血细胞散点分布图像。
如图5所示，将由前向散射光信号和侧向荧光信号组成的血细胞散点分布图像输入深度学习神经网络模型，深度学习神经网络模型经过下采样处理及上采样处理后输出对血细胞散点分布图像的细胞分类结果，即标示血小板、红细胞和网织红细胞三种细胞类型各自对应的粒子团。本实施例应用的深度学习神经网络模型可以与具体实施例1-1应用的结构相同，有关该模型的说明可以参见上述说明，此处并不赘述。
在另一种实现方式中，血细胞分析系统的检测装置130为阻抗检测装置，数据处理装置140根据阻抗检测装置收集到的阻抗脉冲信号得到血细胞阻抗数据，并将血细胞阻抗数据输入至深度学习神经网络模型中，得到血细胞阻抗数据中粒子对应的分类标签，分类标签用于表示粒子的细胞类型。
需要说明的是，若血细胞阻抗数据为血细胞直方图数据，则深度学习神经网络模型为各个血细胞直方图数据添加对应的分类标签，该分类标签用于表示该血细胞直方图数据对应的血细胞粒子的细胞类型；若血细胞阻抗数据为血细胞直方图像，则深度学习神经网络模型在血细胞直方图像中添加分类标签，分类标签用于表示血细胞粒子的细胞类型。例如，在一维的血细胞直方图像中，使用划界线标示出不同细胞类型粒子的分类。
具体实施例1-4
血液分析系统包括有采样装置、样本制备装置、阻抗检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过阻抗检测装置以获得血细胞的阻抗信号，阻抗信号可以具体表现为阻抗脉冲信号。数据处理装置将血细胞的阻抗脉冲信号转换为血小板和红细胞的血细胞直方图像，其横坐标表示血细胞体积、纵坐标表示血细胞的个数。血细胞直方图像可以称为一维直方图、体积统计直方图、一维直方图序列或一维序列。
为了提高深度学习神经网络模型对一维直方图中细胞分类的准确度，数据处理装置可以对一维直方图进行滤波、去噪、增强等预处理操作，然后再将预处理后的一维直方图输入训练完成的深度学习神经网络模型。深度学习神经网络模型的训练样本为血细胞的一维直方图，且训练样本中包括血小板和红细胞，则训练完成的深度学习神经网络模型可以确定出血小板和红细胞各自在该一维直方图中对应的血细胞体积范围。如图6A所示，将血小板和红细胞的一维直方图输入深度学习神经网络模型，深度学习神经网络模型经过特征提取及处理后输出对一维直方图的细胞分类结果，即标示出体积大小在0至50区间的细胞为血小板PLT，体积大小在50至250区间的细胞为红细胞RBC。图6A中虚线框表示的是深度学习神经网络模型。
示例性地，深度学习神经网络模型可以具体包括LSTM、GRU等。见图6B，以LSTM网络模型为例，对该深度学习神经网络模型的结构以及分类步骤进行说明。该模型包括由多个如100个隐含单元组成的LSTM层、全连接层、Softmax层以及分类层。一维直方图输入LSTM网络模型后，依次通过各层结构得到分类结果。该深度学习神经网络模型可以应用于本申请多个实施例，以识别一维直方图中包括的各种不同类型的细胞。在本实施例中该模型识别出的是血小板和红细胞。
具体实施例1-5
血液分析系统包括有采样装置、样本制备装置、阻抗检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。
与具体实施例1-4同理，待测样本液的血细胞逐一通过阻抗检测装置以获得血细胞的阻抗脉冲信号。数据处理装置将血细胞的脉冲脉冲信号转换为淋巴细胞、中间细胞和中性粒细胞的一维直方图，并对一维直方图进行预处理后输入深度学习神经网络模型。与具体实施例1-1不同的是，深度学习神经网络模型输出淋巴细胞、中间细胞和中性粒细胞在一维直方图中对应的血细胞体积范围。另外本具体实施例中训练深度学习神经网络模型使用的训练样本与具体实施例1-4也存在不同，本具体实施例中的训练样本为包括淋巴细胞、中间细胞和中性粒细胞的一维直方图。需要说明的是，中间细胞指的是单核细胞、嗜酸性粒细胞以及嗜碱性粒细胞三类系统的统称。
如图7所示，将淋巴细胞LYM、中间细胞MID及中性粒细胞GRAN的一维直方图输入深度学习神经网络模型，深度学习神经网络模型经过特征提取及处理后输出对一维直方图的细胞分类结果，即标示出体积大小在0至45区间的细胞为淋巴细胞LYM，体积大小在45至65区间的细胞为中间细胞MID，体积大小在65至175区间的细胞为中性粒细胞GRAN。
第二类血细胞分析系统，可以输出细胞类型的统计结果。
在一种实现方式中，血细胞分析系统的检测装置130为光学检测装置，数据处理装置140根据光学检测装置收集到的光学脉冲信号得到血细胞散点分布数据，并将血细胞散点分布数据输入至深度学习神经网络模型中，得到血细胞散点分布数据包含的细胞类型的统计结果。示例性地，细胞类型的统计结果可以为血细胞的占比，如不同细胞类型之间的比例，或者包括每个细胞类型的细胞数量与待测样本液包括的血细胞总量的占比。
具体实施例1-6
血液分析系统包括有采样装置、样本制备装置、血红蛋白检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。
待测样本液逐一通过血红蛋白检测装置，血红蛋白检测装置具体用于检测待测样本液透光率的变化。数据处理装置根据透光率的变化生成血红蛋白电压曲线，并将血红蛋白电压曲线输入深度学习神经网络模型，深度学习神经网络模型根据血红蛋白电压曲线得到待测样本液中的血红蛋白浓度值。深度学习神经网络模型的一种结构如图8所示，可以包括LSTM层、FC-256层、FC-64层、FC-1层以及回归层。需要说明的是，深度学习神经网络模型还可以是其他结构，本申请实施例并不做具体限定。
具体实施例1-7
血液分析系统包括有采样装置、样本制备装置、光学检测装置及数据处理装置。处理试剂可以包括溶血剂及荧光剂，在样本制备装置的反应池中，该处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液中血细胞通过光学检测装置后得到血细胞的侧向散射光和荧光信号。数据处理装置将血细胞的散射光和荧光信号信号转换为血细胞散点分布图像，并将血细胞散点分布图像输入深度学习神经网络模型后，由深度学习神经网络模型输出统计结果，如中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞的计数值，或白细胞的计数值，或幼稚粒细胞的计数值。
如图9所示，深度学习神经网络模型的一种结构包括VGG-Net、FC-4096、FC-1024、FC-6以及回归层。血细胞散点分布图像输入深度学习神经网络模型后，深度学习神经网络模型可以识别血细胞散点分布图像中中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞的及幼稚粒细胞六种细胞类型对应的粒子团，以及各细胞类型在待测样本液中的占比。需要说明的是，图9中可以并不存在实线圈(分类标签)，即深度学习神经网络模型可以并不输出分类标签，直接输出各个细胞类型的计数值即可。
需要说明的是，本实施例中，数据处理装置输入深度学习神经网络模型的可以并非直观的血细胞散点分布图像，而是生成血细胞散点分布图像的血细胞散点图数据，由深度学习神经网络模型基于血细胞散点图数据得到细胞类型的统计结果。
由以上多个血液分析系统的具体实施例可知，血液分析系统可以实现对血细胞的分类，如可以输出粒子对应的分类标签，或者可以直接输出血细胞类型的统计结果。
应用场景二：修正细胞分布数据。
血液分析系统可以检测得到血细胞分布数据，但该分布数据可能由于偏差或误差而准确性欠佳，为了提高血细胞分布数据的准确度，可以对该分布数据进行修正操作。为此，本申请实施例提供了一种血液分析系统，该系统至少包括采样装置、样本制备装置、检测装置及数据处理装置。需要说明的是，有关前三个装置的介绍可以参见应用场景一的相关内容，此处并不赘述。以下主要说明与应用场景一不同的结构：数据处理装置。
数据处理装置，与检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当计算机程序被处理器调用时，执行以下步骤：根据所述细胞的脉冲信号生成血细胞分布数据，并将所述血细胞分布数据输入至预先训练完成的深度学习神经网络模型，得到所述深度学习神经网络模型输出修正后的血细胞分布图像数据。需要说明的是，如血细胞分布数据为图像，则修正后可以使图像中各粒子团的分界更加清晰；如血细胞分布数据为数据阵列，则修正的方式可以是修正血细胞分布数据的数据值，使得由脉冲信号得到的数据阵列更加准确。
具体地，采样装置、样本制备装置及检测装置可以得到待测样本液中细胞的脉冲信号，数据处理装置首先将细胞的脉冲信号生成血细胞分布数据，为了与修正处理后的血细胞分布数据区分，可以将该血细胞分布数据称为初始血细胞分布数据。
数据处理装置可以存储预先训练完成的深度学习神经网络模型，该模型由血细胞分布数据训练样本对训练完成，每对血细胞分布数据训练样本包括血细胞分布数据以及将该血细胞分布数据修正后的血细胞分布数据。由该训练样本对训练完成的深度学习神经网络模型具有如下修正能力，即将初始血细胞分布数据输入深度学习神经网络模型后，深度学习神经网络模型将初始血细胞分布数据进行修正。示例性地，修正可以是去除干扰信息如细胞碎片、小体积细胞等等。干扰信息会导致分布图中血细胞分布结果的准确性，比如分布界限不够清晰，粒子团数量偏多，一维直方图中粒子体积范围变大等等。数据处理装置得到初始血细胞分布数据后，将初始血细胞分布数据输入上述训练完成的深度学习神经网络模型，由该模型对初始血细胞分布数据进行修正，以得到更加精准的血细胞分布数据，修正后的血细胞分布数据可以称为目标血细胞分布数据。目标血细胞分布数据中的分布信息更加符合血细胞的实际情况准确度更高，后续基于目标血细胞分布数据得到的分析处理结果准确度更高。
以下提供能够实现上述功能的多个血液分析系统具体实施例。
具体实施例2-1
血液分析系统包括有采样装置、样本制备装置、阻抗检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过阻抗检测装置，阻抗检测装置具体用于检测细胞通过检测孔的电阻抗变化获得脉冲信号。数据处理装置根据所述细胞的脉冲信号得到血细胞直方图数据(或称为一维直方图数据阵列)，并将血细胞直方图数据输入至深度学习神经网络模型中，得到深度学习神经网络模型输出的干扰消除后的血细胞直方图数据。
示例性地，该一维直方图数据阵列为血小板的一维直方图数据阵列，且该一维直方图数据阵列可能包含干扰信息，则可称为血小板的初始一维直方图数据阵列或初始血小板一维直方图数据阵列。
血液分析系统可以得到血小板和红细胞的分类结果。如图10A中左侧图所示，若待测样本液比较正常，则其中血小板和红细胞的体积存在较大差异，可以通过体积信息如体积大小将两种细胞粒子区分，从而不影响后续对两种细胞粒子数据分析结果的准确度。但若待测样本液存在异常，如图10A中右侧图所示，待测样本液中包含大量小体积红细胞或红细胞碎片，体积分类法便会将这部分红细胞误判断为血小板，从而影响血小板的数据分析结果，如造成血小板计数数值假性偏高。
为消除初始血小板一维直方图数据阵列中的干扰信息，可以预先训练得到深度学习神经网络模型，训练完成的深度学习神经网络模型具有如下预测能力：应用深度学习方法挖掘阻抗检测通道的通道信息，并通过回归预测出去除干扰信息后的血小板一维直方图数据阵列。深度学习神经网络模型的一种结构如图10B所示，包括Alex-Net层、FC-4096、FC-4096、FC-256以及回归层。数据处理装置将初始血小板一维直方图数据阵列输入训练完成的深度学习神经网络模型，该模型便可以从初始血小板一维直方图数据阵列中去除体积小于体积阈值的红细胞脉冲信号对血小板统计结果造成的干扰，从而得到仅包含血小板的一维直方图数据阵列，提高了血小板统计结果的准确度。为了便于描述，消除干扰的初始血小板一维直方图数据阵列可以称为目标血小板一维直方图数据阵列。在实际应用中可以根据处理需求，基于目标血小板一维直方图数据阵列对血小板进行各种分析处理，包括但不限于血小板计数。
见图10C提供的一干扰消除示例，线条1表示由初始血小板一维直方图数据阵列得到的初始血小板一维直方图，线条2表示目标血小板一维直方图，目标血小板一维直方图由目标血小板一维直方图数据阵列转换得到，目标血小板一维直方图数据阵列由深度学习神经网络模型对初始血小板一维直方图数据阵列进行干扰信息消除后得到。直方图的横坐标表示血细胞体积，虚线表示以某具体体积值为界，线条1和线条2的左右两侧分别为血小板和红细胞的统计结果。通过对比两线条虚线左侧血小板的统计结果可知，由于小体积红细胞和红细胞碎片的影响，初始血小板一维直方图的统计结果高于目标血小板一维直方图，如斜线条阴影所示，两线条此部分的面积差表示红细胞碎片或小体积红细胞造成的干扰信息。
具体实施例2-2
血液分析系统包括有采样装置、样本制备装置、光学检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液中血细胞通过光学检测装置后得到细胞至少两种类型的光学脉冲信号，数据处理装置细胞至少两种类型的光学脉冲信号得到血细胞散点图数据，将血细胞散点图数据输入至深度学习神经网络模型中，得到修正后的血细胞散点图数据。为了便于描述，将修正前的血细胞散点图数据称为初始血细胞散点图数据。
进一步地，数据处理装置将初始血细胞散点图数据输入预先训练完成的深度学习神经网络模型中，由深度学习神经网络模型对该图数据进行修正操作以使图数据更加准确，处理后的图数据可以称为目标血细胞散点图数据。见图11所示的一修正示例，初始血细胞散点图数据可以转换为直观的初始血细胞散点分布图像，该图像基于侧向散射光信号(SS)和前向散射光信号(FS)生成，深度学习神经网络模型包括FCN层以及回归层，经过深度学习神经网络模型的修正处理得到的目标血细胞散点分布图像中，细胞粒子团之间的界限更加清楚，其中目标血细胞散点分布图像由修正后的血细胞散点图数据转换得到。在实际应用中可以根据处理需求，基于修正后的血细胞散点图数据可以进行各种分析处理操作，如细胞粒子团分类、细胞粒子计数。
以上应用场景的各实施例中，数据处理装置在将血细胞散点分布图数据输入至深度学习神经网络模型之前，可以进一步对血细胞散点分布图数据进行预处理操作，预处理操作包括：滤波、去噪以及增强中的至少一个，以提高深度学习神经网络模型对血细胞散点分布图数据的处理结果准确度。
应用场景三：识别血液样本的样本类型。
血液分析系统可以得到血液样本的血细胞检测数据，如血细胞分布数据、血细胞结果参数等，基于血细胞检测数据可以进一步确定血液样本的特点，从而确定血液样本的样本类型。为此，本申请实施例提供了一种血液分析系统，该系统至少包括采样装置、样本制备装置、检测装置及数据处理装置。其中，采样装置、样本制备装置及检测装置可以得到待测样本液中细胞的脉冲信号，数据处理装置首先将细胞的脉冲信号生成血细胞检测数据。需要说明的是，有关前三个装置的介绍可以参见应用场景一的相关内容，此处并不赘述。以下主要说明与应用场景一不同的结构：数据处理装置。
数据处理装置，与检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当计算机程序被处理器调用时，执行以下步骤：根据细胞的脉冲信号生成血细胞检测数据，需要说明的是，与应用场景一中的数据处理装置相比，本申请实施例中，数据处理装置得到的血细胞检测数据更加丰富，不仅可以包括血细胞分布数据，还可以包括血细胞的结果参数如血细胞的统计结果、分类结果等。数据处理装置还进一步将血细胞检测数据输入至预先训练完成的深度学习神经网络模型，得到血液样本的样本类型。其中，样本类型可以包括以下任意一种或多种：血液样本是否正常、血液样本是否需要复检、血液样本的物质类型，等等。只要是预先使用某种样本类型的训练样本对深度学习神经网络模型进行训练，深度学习神经网络模型可以检测分析血液样本在任意方面的特性，并将该特性确定为血液样本的样本类型。样本类型可以以类型标签的形式由深度学习神经网络模型输出。
数据处理装置可以存储预先训练完成的深度学习神经网络模型，该模型由血细胞检测数据训练样本训练完成，由该训练样本训练完成的深度学习神经网络模型具有如下检测能力，即检测血液样本的样本类型。
深度学习神经网络模型可以包括但不限于CNN模型。如图12所示的深度学习神经网络模型的一种结构示例，包括输入层、5×5的conv-32层、Relu_1层、Max pooling层、5×5的conv-32层、Relu_2层、Max pooling层、5×5的conv-64层、Relu_1层、Maxpooling层、FC-64层、FC-2层、SoftMax层以及输出层。深度学习神经网络模型可以提取图表特征，特征提取主要是通过多层卷积层分别进行卷积操作实现。卷积核由于不同的参数分布，卷积层可以对局部特征进行不同的响应，例如第一层的卷积层可能对输入数据的底层特征信息如图像轮廓有较高的响应，随着底层的卷积层特征不断向前传播，高层卷积层对底层卷积层所提取的特征信息进一步提取并合并成更高级的语义信息。其中Relu是模型使用的激活函数，主要用于提升模型的非线性表达能力，最大池化(Max pooling)层用于对模型提取的信息进行下采样降维以及去除冗余信息，从而简化模型复杂度、减少计算量以及增加特征的平移不变性。全连接(fully connected layers，FC)层是对提取到的局部特征信息进行串联，从而作为分类判决的投票值，最终由输出层得出样本类型。
数据处理装置得到血细胞检测数据后，将血细胞检测数据输入上述训练完成的深度学习神经网络模型，由该模型基于该血细胞检测数据得到样本类型。
以下提供能够实现上述功能的多个血液分析系统具体实施例。
具体实施例3-1
血液分析系统包括有采样装置、样本制备装置、光学检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过光学检测装置，获得血细胞至少两种光学脉冲信号，如前向散射光脉冲信号、侧向散射光脉冲信号和荧光脉冲信号。需要说明的是，该至少两种光学脉冲信号中至少包括荧光脉冲信号。
数据处理装置将光学脉冲信号转换为血细胞散点分布数据如二维散点分布数据或三维散点分布数据，血细胞散点分布数据包括荧光强度数据。数据处理装置进一步将血细胞散点分布数据输入预先训练完成的深度学习神经网络模型，得到血液样本的样本类型。样本类型用于表示血液样本是否正常，具体地，样本类型包括以下情形之一：血液样本中原始细胞的量超过预设阈值，或血液样本中原始细胞的量不超过预设阈值；血液样本中幼稚细胞的量超过预设阈值，或血液样本中幼稚细胞的量不超过预设阈值；血液样本被疟原虫感染，或血液样本未被疟原虫感染。
根据深度学习神经网络模型预测的样本类型可以明确血液样本正常还是异常，例如异常具体是血液样本中原始细胞超阈值、幼稚细胞超阈值、被疟原虫感染。如果异常可以进一步显示对应的报警，如原始报警、幼稚报警、疟疾报警。
一具体实现方式可以为，光学检测装置得到待测样本液血细胞的前向散射光、侧向散射光信号和荧光信号。数据处理装置将前向散射光、侧向散射光信号和荧光信号处理为血细胞的三维的血细胞散点分布图像，然后从三维的血细胞散点分布图像中选择某一视角的二维血细胞散点分布图像输入深度学习神经网络模型，如果待测样本液中原始细胞超过阈值，深度学习神经网络模型输出相应的类型标签，如果待测样本液中原始细胞不超过阈值，深度学习神经网络模型输出相应的类型标签。
如图13A所示，数据处理装置从侧向散射光信号(SS)、侧向荧光散射光信号(FL)以及前向散射光信号(FS)构成的三维的血细胞散点分布图像中，选择SSC_SFL视角的二维血细胞散点分布图像。如图13B中上图所示，若血细胞散点分布图像原始细胞超量，CNN神经网络会输出标记1以表示该血细胞散点分布图像原始细胞异常，进一步也可以显示原始报警；如13B中下图所示，若血细胞散点分布图像原始细胞不超量，CNN神经网络会输出标记0以表示该血细胞散点分布图像原始细胞正常，进一步也可以显示检测结果为正常。
具体实施例3-2
血液分析系统包括有采样装置、样本制备装置、光学检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过光学检测装置，获得血细胞至少两种光学脉冲信号，如前向散射光脉冲信号、侧向散射光脉冲信号和荧光脉冲信号。需要说明的是，该至少两种光学脉冲信号中不包括荧光脉冲信号。
在实际应用中，某些血液分析系统可能没有设置荧光检测器，导致光学检测装置不能获得荧光信息，为了使此类血液分析系统一样输出原始报警，可以对数据处理装置使用的深度学习神经网络模型进行预先训练。具体地，使用包括荧光信号的血细胞检测数据对训练样本进行标注如标注原始细胞超阈值以及原始细胞不超阈值，将具有标注的训练样本输入深度学习神经网络模型进行训练，以使训练完成的深度学习神经网络模型具有输出原始细胞是否超过阈值的能力。
从而，在上述类型血液分析系统的检测装置得到待测样本液的脉冲信号后，数据处理装置根据细胞的脉冲信号生成血细胞散点分布数据，血细胞散点分布数据不包括荧光强度数据。例如，以迈瑞公司生产的BC-5390CRP血球仪为例，数据处理装置生成的血细胞散点分布数据包括前向散射光以及侧向散射光信号两个维度的数据但不包括荧光强度数据，数据处理装置进一步将该血细胞散点分布数据输入预先训练完成的深度学习神经网络模型，便可以得到血液样本的样本类型；样本类型为：血液样本中原始细胞的量超过预设阈值，或血液样本中原始细胞的量不超过预设阈值。如图13C中上图所示，若血细胞散点分布图像包含超量的原始细胞，CNN神经网络会输出标记1以表示该血细胞散点分布图像原始细胞异常，进一步也可以显示原始报警；如13C中下图所示，若血细胞散点分布图像原始细胞未超量，CNN神经网络会输出标记0以表示该血细胞散点分布图像原始细胞正常，进一步也可以显示检测结果为正常。
异常样本的报警信息对临床医生判断病情也具有重要作用，医生可以根据这些报警参数以及患者的细胞数量、形态及分布等指标，快速有效判断出各种血液疾病。可见，血液分析仪所提供的样本类型的准确性，对医生能否进行准确的判断至关重要。由于细胞的二维散点图像信息缺少丰富的纹理信息，传统的图像算法提取特征比较困难，导致现有的血液分析仪经常出现乱提示或误提示的现象，严重影响了医生对疾病的准确判断以及病人的最佳治疗时机。本申请实施例通过深度学习神经网络模型得到的样本类型结果更加准确，可以有效减少报警错误率，提高疾病诊断准确性。
具体实施例3-3
血液分析系统包括有采样装置、样本制备装置、检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过检测装置获得血细胞的脉冲信号。需要说明的是，检测装置可以得到血液样本多种不同类型的脉冲信号。例如可以对同一血液样本使用不同的处理试剂制备得到多份不同的待测样本液，多份待测样本液通过同一检测装置得到多种不同类型的脉冲信号；或者也可以对同一血液样本使用相同的处理试剂制备得到多份不同的待测样本液，多份待测样本液通过多种不同的检测装置得到多种不同类型的脉冲信号；或者也可以对同一血液样本使用不同的处理试剂制备得到多份不同的待测样本液，多份待测样本液通过多种不同的检测装置得到多种不同类型的脉冲信号；或者以上多种方式的结合。
数据处理装置根据血液样本的多种不同类型的脉冲信号生成多种不同类型的血细胞检测数据，如生成二维或三维的血细胞散点分布数据，或根据脉冲信号生成血细胞直方图数据，或基于血细胞散点分布数据、血细胞直方图数据生成血细胞参数结果等。将多种不同类型的血细胞检测数据输入预先训练完成的深度学习神经网络模型中，由深度学习神经网络模型确定血液样本的样本类型，样本类型为血液样本需要复检或血液样本不需要复检(再一次检测)。血液样本不需要复检可以表示血液样本正常。
如图14A所示，待测样本液分别通过DIFF通道、RET通道以及WNB通道后，检测装置可以进一步根据前向散射光强度、侧向散射光强度、荧光强度以及阻抗电压曲线得到各个通道不同视角的血细胞散点分布图像及血小板与红细胞的直方图像。数据处理装置可以将全部或部分血细胞检测数据输入深度学习神经网络模型进行复检预测，如图14B所示，可以将DIFF通道的一异常血细胞散点分布图像与正常血细胞散点分布图像分别输入CNN神经网络中，CNN神经网络针对异常血细胞散点分布图像会输出标记1，针对正常血细胞散点分布图像会输出标记0；如图14C所示，可以将RET通道的一异常血细胞散点分布图像与正常血细胞散点分布图像分别输入CNN神经网络中，CNN神经网络可以分别针对异常血细胞散点分布图像以及正常血细胞散点分布图像输出标记1和0；如图14D所示，可以将WNB通道的一异常血细胞散点分布图像与正常血细胞散点分布图像分别输入CNN神经网络中，CNN神经网络可以分别针对异常血细胞散点分布图像以及正常血细胞散点分布图像输出标记1和0。其中，标记0表示该血细胞散点分布图像正常，标记1表示该血细胞散点分布图像需要进行复检。
血细胞分布数据可以进一步处理后得到血液样本的参数结果。参数结果可以通过表格方式呈现。如表2所示，其提供了血液样本的参数结果表的一具体示例。
表2
Figure BDA0003010572490000251
将血液样本的参数结果输入深度学习神经网络模型如BP神经网络，神经网络根据各项检测参数结果可以输出血液样本是否需要复检的样本类型，如输出标记1则表示血液样本需要进行复检，输出标记0则表示血液样本不需要进行复检。
需要说明的是，血细胞分布数据和血液样本的结果参数可以分别输入深度学习神经网络模型进行是否复检的检测，也可以一并输入模型进行是否复检的检测。
具体实施例3-4
血液分析系统除了可以检测血液样本外，还可以检测血液之外的其他物质类型。在不明确待检物质类型的情况下，需要由血液分析系统确定样本类型。
血液分析系统包括有采样装置、样本制备装置、检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过光学检测装置获得血细胞的光学脉冲信号。数据处理装置根据细胞的光学脉冲信号生成血细胞散点分布数据，并将血细胞散点分布数据输入至预先训练完成的深度学习神经网络模型，得到血液样本的样本类型；样本类型为血样、质控物或校准物。需要说明的是，质控物以及校准物是医学领域内两种样本类型的名称。
需要说明的是，采样装置所采集的样本可能为血样也可能为其他物质。深度学习神经网络模型预先由具有标注的血细胞散点分布数据训练样本训练得到，标注包括血样类型、质控物类型以及校准物类型，使用该训练样本训练深度学习神经网络模型后使得该深度学习神经网络模型具有区分不同样本类型的能力。深度学习神经网络模型包括但不限于CNN神经网络。
在一种具体实施方式中，待测样本液的血细胞逐一通过光学检测装置，得到待测样本液各血细胞的前向散射光、侧向散射光信号和荧光信号。数据处理装置根据前向散射光、侧向散射光信号和荧光信号可以得到血细胞在各个不同视角的血细胞散点分布数据，并选择某一视角的血细胞散点分布数据或者将多个不同视角的血细胞散点分布数据组合输入深度学习神经网络模型，由深度学习神经网络模型输出该待测样本液(也即血液样本)的样本类型。
如图15所示，数据处理装置将三幅SSC_FL视角的血细胞散点分布图像分别输入CNN神经网络，若CNN神经网络输出标记1表示该血细胞散点分布图像对应的血液样本为血样，若CNN神经网络输出标记2表示该血细胞散点分布图像对应的血液样本为质控物，若CNN神经网络输出标记3则表示该血细胞散点分布图像对应的血液样本为校准物。
以上应用场景中的血液分析系统实施例，数据处理装置可以通过血细胞检测数据确定出血液样本的样本类型。
应用场景四：检测样本测量过程是否异常。
血液分析系统在对血液样本进行测量过程中，可能会出现异常，例如堵孔异常或吸样异常。此类异常可能会导致血液分析系统不能正常运行或血液样本的测量结果出现误差，因此可以对血液样本的测量过程是否异常进行提示。为此，本申请实施例提供了一种血液分析系统，该系统至少包括采样装置、样本制备装置、检测装置及数据处理装置。需要说明的是，有关前三个装置的介绍可以参见应用场景一的相关内容，此处并不赘述。以下主要说明与应用场景一不同的结构：数据处理装置。
数据处理装置，与检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当计算机程序被处理器调用时，执行以下步骤：根据细胞的脉冲信号生成血细胞分布数据，并将血细胞分布数据输入至预先训练完成的深度学习神经网络模型，得到血液样本的测量过程是否异常的提示。
其中，血细胞分布数据可以是血细胞的脉冲信号得到的曲线数据。异常可以包括但不局限于吸样异常或堵孔异常。堵孔原因可能是采样装置采集血液样本时异常导致，也可能是血液本身存在堵孔现象，具体原因可以基于后续进一步分析得到。异常提示的方式可以有多种，例如由显示器显示提示信息，由报警装置输出报警提示信息，等等。深度学习神经网络模型可以是CNN神经网络模型，有关该模型的结构可以参见上述说明，此处并不赘述。
以下通过多个不同的具体实施例，对血液分析系统进行详细说明。
具体实施例4-1
血液分析系统包括采样装置、样本制备装置、阻抗检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过阻抗检测装置，阻抗检测装置检测细胞通过阻抗检测装置中检测孔的电阻抗变化获得阻抗电压脉冲信号。
数据处理装置将细胞的阻抗电压脉冲信号进行去噪、滤波等预处理后生成阻抗电压曲线数据(或简称为阻抗曲线数据)，将阻抗电压曲线数据输入深度学习神经网络模型如CNN神经网络，深度学习神经网络模型可以输出血液样本的测量过程是否堵孔的提示。存在堵孔现象表示待测样本液(也即血液样本)异常。
如图16上图所示，将正常血液样本对应的阻抗电压曲线(阻抗电压曲线数据的直观表现方式)输入CNN神经网络后，CNN神经网络会输出标记0以表示血液样本正常，如图16下图所示，堵孔或吸样异常的血液样本生成的阻抗电压曲线输入CNN神经网络后，CNN神经网络会输出标记1以表示血液样本存在堵孔。
具体实施例4-2
血液分析系统包括采样装置、样本制备装置、阻抗检测装置及数据处理装置。在样本制备装置的反应池中，处理试剂与采样装置得到的血液样本进行反应得到待测样本液。待测样本液的血细胞逐一通过阻抗检测装置，阻抗检测装置检测细胞通过阻抗检测装置中检测孔的电阻抗变化获得吸样压力脉冲信号。
数据处理装置将细胞的阻抗电压脉冲信号进行去噪、滤波等预处理后生成吸样压力曲线数据，将吸样压力曲线数据输入至预先训练完成的深度学习神经网络模型如CNN神经网络，，得到血液样本的测量过程是否出现吸样异常的提示。
如图17上图所示，将正常血液样本对应的吸样压力曲线(吸样压力曲线数据的直观表现方式)输入CNN神经网络后，CNN神经网络会输出标记0以表示血液样本正常，如图17下图所示，吸样异常的血液样本生成的吸样压力曲线输入CNN神经网络后，CNN神经网络会输出标记1以表示血液样本存在吸样异常。
以上提供的几种血液分析系统，数据处理装置可以通过将血液样本对应的血细胞分布数据输入至深度学习神经网络模型中，由模型对血细胞分布数据进行分析以检测血液样本的测量过程是否出现异常，并对检测结果进行提示。
对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。本文参照了各种示范实施例进行说明。然而，本领域的技术人员将认识到，在不脱离本文范围的情况下，可以对示范性实施例做出改变和修正。例如，各种操作步骤以及用于执行操作步骤的组件，可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法或设备固有的其他步骤或单元。
另外，如本领域技术人员所理解的，本文的原理可以反映在计算机可读存储介质上的计算机程序产品中，该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用，包括磁存储设备(硬盘、软盘等)、光学存储设备(CD-ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器，使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中，该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行，这样存储在计算机可读存储器中的指令就可以形成一件制造品，包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上，从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程，使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
前述具体说明已参照各种实施例进行了描述。然而，本领域技术人员将认识到，可以在不脱离本披露的范围的情况下进行各种修正和改变。因此，对于本披露的考虑将是说明性的而非限制性的意义上的，并且所有这些修改都将被包含在其范围内。同样，有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而，益处、优点、问题的解决方案以及任何能产生这些的要素，或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体，皆属于非排他性包含，这样包括要素列表的过程、方法、文章或设备不仅包括这些要素，还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外，本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
以上实施例仅表达了几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (27)

1.一种血液分析系统，其特征在于，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号得到血细胞分布数据，将所述血细胞分布数据输入至预先训练完成的深度学习神经网络模型，得到所述深度学习神经网络模型输出的血细胞的分类结果；其中所述深度学习神经网络模型由训练样本训练得到，所述训练样本包括血细胞分布数据样本以及所述血细胞分布数据样本对应的血细胞分类结果标签。
2.如权利要求1所述的血液分析系统，其特征在于，所述检测装置为光学检测装置；
所述待测样本液中的细胞逐个排队通过所述光学检测装置，所述光学检测装置收集细胞至少两种类型的光学脉冲信号；
所述数据处理装置在执行根据所述细胞的脉冲信号得到血细胞分布数据的步骤时，具体用于根据所述细胞至少两种类型的光学脉冲信号得到血细胞散点分布数据。
3.如权利要求2所述的血液分析系统，其特征在于，所述数据处理装置具体用于，将所述血细胞散点分布数据输入至所述深度学习神经网络模型中，得到所述血细胞散点分布数据中细胞对应的分类标签，所述分类标签用于表示细胞的细胞类型。
4.如权利要求3所述的血液分析系统，其特征在于，所述分类标签包括以下情形中的至少一种：
中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞的分类标签；或，
嗜碱性粒细胞、白细胞和任选的有核红细胞的分类标签；或，血小板、红细胞和网织红细胞的分类标签。
5.如权利要求2所述的血液分析系统，其特征在于，所述数据处理装置具体用于，将所述血细胞散点分布数据输入至所述深度学习神经网络模型中，得到所述血细胞散点分布数据包含的细胞类型的统计结果。
6.如权利要求5所述的血液分析系统，其特征在于，所述细胞类型的统计结果包括以下情形中的至少一种：
中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、淋巴细胞和单核细胞的计数值；或，
白细胞的计数值；或，
幼稚粒细胞的计数值。
7.如权利要求2所述的血液分析系统，其特征在于，
所述数据处理装置在执行根据所述细胞的脉冲信号得到血细胞分布数据的步骤时，具体用于根据所述细胞至少两种类型的光学脉冲信号得到血细胞散点图数据。
8.如权利要求2所述的血液分析系统，其特征在于，
所述数据处理装置在执行根据所述细胞的脉冲信号得到血细胞分布数据的步骤时，具体用于根据所述细胞至少两种类型的光学脉冲信号得到血细胞散点图数据，并对所述血细胞散点图数据进一步处理得到血细胞散点分布图像。
9.如权利要求2所述的血液分析系统，其特征在于，所述光学检测装置收集细胞的前向散射光、侧向散射光以及荧光强度三个维度的光学脉冲信号。
10.如权利要求1所述的血液分析系统，其特征在于，所述检测装置为阻抗检测装置；
所述阻抗检测装置具体用于检测细胞通过所述阻抗检测装置中检测孔的电阻抗变化获得阻抗脉冲信号；
所述数据处理装置在执行根据所述细胞的脉冲信号得到血细胞分布数据的步骤时，具体用于根据所述细胞的阻抗脉冲信号得到血细胞阻抗数据。
11.如权利要求10所述的血液分析系统，其特征在于，所述数据处理装置具体用于，将所述血细胞阻抗数据输入至所述深度学习神经网络模型中得到所述血细胞阻抗数据中细胞的分类标签，所述分类标签用于表示细胞的细胞类型；其中用于训练所述深度学习神经网络模型的训练样本具体包括血细胞阻抗数据样本以及所述血细胞阻抗数据样本的分类标签。
12.如权利要求10所述的血液分析系统，其特征在于，所述数据处理装置具体用于，将所述血细胞阻抗数据输入至所述深度学习神经网络模型中得到所述血细胞阻抗数据包含的细胞类型的统计结果；其中用于训练所述深度学习神经网络模型的训练样本具体包括血细胞阻抗数据样本以及所述血细胞阻抗数据样本包含的细胞类型的统计结果。
13.如权利要求11或12所述的血液分析系统，其特征在于，所述细胞类型包括以下情形中的至少一种：
红细胞和血小板；或，
淋巴细胞、中间细胞和中性粒细胞。
14.如权利要求1所述的血液分析系统，其特征在于，所述检测装置为血红蛋白检测装置；
所述血红蛋白检测装置具体用于检测所述待测样本液透光率的变化；
所述数据处理装置具体用于根据所述透光率的变化得到血红蛋白电压曲线，将所述血红蛋白电压曲线输入至预先训练完成的深度学习神经网络模型，得到所述待测样本液中的血红蛋白浓度值。
15.如权利要求1所述的血液分析系统，其特征在于，所述分类结果由所述深度学习神经网络模型对输入的所述血细胞分布数据进行分析处理得到，且由所述深度学习神经网络模型输出的。
16.一种血液分析系统，其特征在于，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号得到血细胞分布数据，并将所述血细胞分布数据输入至预先训练完成的深度学习神经网络模型，得到所述深度学习神经网络模型输出修正后的血细胞分布数据；其中所述深度学习神经网络模型由训练样本训练得到，所述训练样本包括血细胞分布数据样本以及所述血细胞分布数据样本对应的修正后的血细胞分布数据。
17.如权利要求16所述的血液分析系统，其特征在于，所述检测装置为阻抗检测装置；
所述阻抗检测装置具体用于检测细胞通过所述阻抗检测装置中检测孔的电阻抗变化获得脉冲信号；
所述数据处理装置具体用于根据所述细胞的脉冲信号得到血细胞直方图数据，将所述血细胞直方图数据输入至所述深度学习神经网络模型中，得到所述深度学习神经网络模型输出的干扰消除后的血细胞直方图数据；其中用于训练所述深度学习神经网络模型的训练样本具体包括血细胞直方图数据样本以及所述血细胞直方图数据样本对应的干扰消除后的血细胞直方图数据。
18.如权利要求16所述的血液分析系统，其特征在于，所述检测装置为光学检测装置；
所述待测样本液中的细胞逐个排队通过所述光学检测装置，所述光学检测装置收集细胞至少两种类型的光学脉冲信号；
所述数据处理装置具体用于根据所述细胞至少两种类型的光学脉冲信号得到血细胞散点图数据，将所述血细胞散点图数据输入至所述深度学习神经网络模型中，得到修正后的血细胞散点图数据；其中用于训练所述深度学习神经网络模型的训练样本具体包括血细胞散点图数据样本以及所述血细胞散点图数据样本对应的修正后的血细胞散点图数据。
19.一种血液分析系统，其特征在于，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号生成血细胞检测数据，并将所述血细胞检测数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的样本类型。
20.如权利要求19所述的血液分析系统，其特征在于，所述检测装置为光学检测装置；
所述数据处理装置具体用于根据所述细胞的脉冲信号生成血细胞散点分布数据，所述血细胞散点分布数据包括荧光强度数据，将所述血细胞散点分布数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的样本类型；所述样本类型包括以下情形之一：
所述血液样本中原始细胞的量超过预设阈值，或所述血液样本中原始细胞的量不超过预设阈值；
所述血液样本中幼稚细胞的量超过预设阈值，或所述血液样本中幼稚细胞的量不超过预设阈值；
所述血液样本被疟原虫感染，或所述血液样本未被疟原虫感染。
21.如权利要求19所述的血液分析系统，其特征在于，所述检测装置得到所述血液样本的多份不同待测样本液中细胞的多种不同类型的脉冲信号；
所述数据处理装置具体用于根据所述血液样本的多种不同类型的脉冲信号生成多种不同类型的血细胞检测数据，并将所述多种不同类型的血细胞检测数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的样本类型；所述样本类型为所述血液样本需要复检或所述血液样本不需要复检。
22.如权利要求19所述的血液分析系统，其特征在于，所述检测装置为光学检测装置；
所述数据处理装置具体用于根据所述细胞的脉冲信号生成血细胞散点分布数据，并将所述血细胞散点分布数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的样本类型；所述样本类型为血样、质控物或校准物。
23.如权利要求19所述的血液分析系统，其特征在于，所述检测装置为光学检测装置；
所述数据处理装置具体用于根据所述细胞的脉冲信号生成血细胞散点分布数据，所述血细胞散点分布数据包括散射光信号数据且不包括荧光强度数据，将所述血细胞散点分布数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的样本类型；所述样本类型为：所述血液样本中原始细胞的量超过预设阈值，或所述血液样本中原始细胞的量不超过预设阈值。
24.如权利要求19所述的血液分析系统，其特征在于，所述血细胞检测数据包括：血细胞分布数据和/或所述血液样本的结果参数。
25.一种血液分析系统，其特征在于，包括：
采样装置，用于采集血液样本，并将所述血液样本输送至样本制备装置；
样本制备装置，具有反应池和试剂供应部，其中所述试剂供应部用于提供处理试剂，所述反应池用于提供反应场所从而供所述血液样本和所述处理试剂进行反应，以制备得到待测样本液；
检测装置，用于对所述待测样本液进行检测以得到所述待测样本液中细胞的脉冲信号；
数据处理装置，其与所述检测装置连接，并包括处理器和存储有计算机程序的非暂时性计算机可读存储介质，其中当所述计算机程序被所述处理器调用时，执行以下步骤：根据所述细胞的脉冲信号生成血细胞分布数据，并将所述血细胞分布数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的测量过程是否异常的提示。
26.如权利要求25所述的血液分析系统，其特征在于，所述检测装置为阻抗检测装置；
所述阻抗检测装置具体用于检测细胞通过所述阻抗检测装置中检测孔的电阻抗变化获得阻抗电压脉冲信号；
所述数据处理装置具体用于根据所述细胞的阻抗电压脉冲信号得到阻抗曲线数据，并将所述阻抗曲线数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的测量过程是否堵孔的提示。
27.如权利要求25所述的血液分析系统，其特征在于，所述检测装置为阻抗检测装置；
所述阻抗检测装置具体用于检测细胞通过所述阻抗检测装置中检测孔的电阻抗变化获得吸样压力脉冲信号；
所述数据处理装置具体用于根据所述细胞的吸样压力脉冲信号得到吸样压力曲线数据，并将所述吸样压力曲线数据输入至预先训练完成的深度学习神经网络模型，得到所述血液样本的测量过程是否出现吸样异常的提示。
CN202110374356.1A 2021-04-07 2021-04-07 血液分析系统 Pending CN115184244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110374356.1A CN115184244A (zh) 2021-04-07 2021-04-07 血液分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110374356.1A CN115184244A (zh) 2021-04-07 2021-04-07 血液分析系统

Publications (1)

Publication Number Publication Date
CN115184244A true CN115184244A (zh) 2022-10-14

Family

ID=83511428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110374356.1A Pending CN115184244A (zh) 2021-04-07 2021-04-07 血液分析系统

Country Status (1)

Country Link
CN (1) CN115184244A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046643A (zh) * 2023-03-30 2023-05-02 深圳市帝迈生物技术有限公司 辅助诊断信息提供装置及血液分析系统
CN116298348A (zh) * 2023-05-17 2023-06-23 深圳迈瑞动物医疗科技股份有限公司 一种物种用血液分析装置及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046643A (zh) * 2023-03-30 2023-05-02 深圳市帝迈生物技术有限公司 辅助诊断信息提供装置及血液分析系统
CN116046643B (zh) * 2023-03-30 2024-01-16 深圳市帝迈生物技术有限公司 辅助诊断信息提供装置及血液分析系统
CN116298348A (zh) * 2023-05-17 2023-06-23 深圳迈瑞动物医疗科技股份有限公司 一种物种用血液分析装置及方法

Similar Documents

Publication Publication Date Title
JP5425814B2 (ja) サポートベクタマシンを用いてフローサイトメトリーデータを分析するための方法及びシステム
US9588102B2 (en) Method and apparatus for determining white blood cell counts
US10337975B2 (en) Method and system for characterizing particles using a flow cytometer
CN115184244A (zh) 血液分析系统
WO2012139047A2 (en) Identifying and enumerating early granulated cells (egcs)
CN110226083B (zh) 红细胞碎片识别方法和装置、血液细胞分析仪及分析方法
Tarimo et al. WBC YOLO-ViT: 2 Way-2 stage white blood cell detection and classification with a combination of YOLOv5 and vision transformer
KR20010017092A (ko) 혈구세포의 형태 자동 분석 및 카운트 방법
CN110887818A (zh) 一种血液样本的分析方法和血液细胞分析仪及存储介质
Priyankara et al. An extensible computer vision application for blood cell recognition and analysis
CN114152557B (zh) 基于图像分析的血细胞计数方法和系统
CN107430587A (zh) 自动化流式细胞术分析方法及系统
EP3244191A1 (en) Method and system for characterizing particles using a flow cytometer
CN116030957A (zh) 知识图谱构建方法、装置、辅助诊断设备及存储介质
CN115053117A (zh) 具有阻抗信号处理功能的医学分析设备
Zeb et al. Classification of Acute Myeloid Leukaemia using Deep Learning Features
US20220292855A1 (en) Analysis method and analyzer
US20230314457A1 (en) Specimen analyzer, specimen analysis method, and program
US20210041345A1 (en) Detecting and reporting subpopulations of neutrophils
CN116952807A (zh) 辅助诊断方法及其生物样本分析方法、装置、设备和介质
CN116420074A (zh) 一种动物用血液分析装置和血液分析方法
Alharthi et al. An Overview Proper Sampling for Peripheral Blood Smear for Accurate Diagnosis
CN116029960A (zh) 辅助诊断方法、图像处理模型及存储介质
Shaikh et al. Automated red blood cells count
CN116030958A (zh) 辅助诊断方法、装置、设备及系统、存储介质

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