CN115326501A - 检测新型隐球菌的方法、装置、电子设备及可读存储介质 - Google Patents
检测新型隐球菌的方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115326501A CN115326501A CN202210846375.4A CN202210846375A CN115326501A CN 115326501 A CN115326501 A CN 115326501A CN 202210846375 A CN202210846375 A CN 202210846375A CN 115326501 A CN115326501 A CN 115326501A
- Authority
- CN
- China
- Prior art keywords
- sample
- images
- cryptococcus neoformans
- blood sample
- positive
- 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
Links
- 201000007336 Cryptococcosis Diseases 0.000 title claims abstract description 114
- 241000221204 Cryptococcus neoformans Species 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 210000004369 blood Anatomy 0.000 claims abstract description 95
- 239000008280 blood Substances 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000011521 glass Substances 0.000 claims description 43
- 239000012530 fluid Substances 0.000 claims description 34
- 210000004027 cell Anatomy 0.000 claims description 24
- 230000003287 optical effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 239000000758 substrate Substances 0.000 claims description 17
- 230000009089 cytolysis Effects 0.000 claims description 15
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 12
- 238000010186 staining Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 9
- 210000000601 blood cell Anatomy 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- DBMJMQXJHONAFJ-UHFFFAOYSA-M Sodium laurylsulphate Chemical compound [Na+].CCCCCCCCCCCCOS([O-])(=O)=O DBMJMQXJHONAFJ-UHFFFAOYSA-M 0.000 claims description 4
- 229940083575 sodium dodecyl sulfate Drugs 0.000 claims description 4
- 235000019333 sodium laurylsulphate Nutrition 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 24
- 244000052769 pathogen Species 0.000 abstract description 22
- 230000001717 pathogenic effect Effects 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 13
- 244000005700 microbiome Species 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 143
- 230000006870 function Effects 0.000 description 44
- 239000007788 liquid Substances 0.000 description 38
- 230000004913 activation Effects 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 15
- 239000000975 dye Substances 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 14
- 239000000243 solution Substances 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 239000010627 cedar oil Substances 0.000 description 8
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 7
- 239000012535 impurity Substances 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000002775 capsule Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 239000000427 antigen Substances 0.000 description 4
- 102000036639 antigens Human genes 0.000 description 4
- 108091007433 antigens Proteins 0.000 description 4
- XRPLBRIHZGVJIC-UHFFFAOYSA-L chembl3182776 Chemical compound [Na+].[Na+].NC1=CC(N)=CC=C1N=NC1=CC=C(C=2C=CC(=CC=2)N=NC=2C(=CC3=CC(=C(N=NC=4C=CC=CC=4)C(O)=C3C=2N)S([O-])(=O)=O)S([O-])(=O)=O)C=C1 XRPLBRIHZGVJIC-UHFFFAOYSA-L 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 210000004276 hyalin Anatomy 0.000 description 4
- 210000000987 immune system Anatomy 0.000 description 4
- 238000003752 polymerase chain reaction Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241001337994 Cryptococcus <scale insect> Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012136 culture method Methods 0.000 description 3
- 238000004043 dyeing Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- 238000000386 microscopy Methods 0.000 description 3
- 244000144977 poultry Species 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000271566 Aves Species 0.000 description 2
- 241000272201 Columbiformes Species 0.000 description 2
- 201000009906 Meningitis Diseases 0.000 description 2
- 238000009640 blood culture Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000013592 cell lysate Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 231100000673 dose–response relationship Toxicity 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007447 staining method Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000010399 Wasting Syndrome Diseases 0.000 description 1
- YVNQAIFQFWTPLQ-UHFFFAOYSA-O [4-[[4-(4-ethoxyanilino)phenyl]-[4-[ethyl-[(3-sulfophenyl)methyl]amino]-2-methylphenyl]methylidene]-3-methylcyclohexa-2,5-dien-1-ylidene]-ethyl-[(3-sulfophenyl)methyl]azanium Chemical compound C1=CC(OCC)=CC=C1NC1=CC=C(C(=C2C(=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S(O)(=O)=O)C)C=2C(=CC(=CC=2)N(CC)CC=2C=C(C=CC=2)S(O)(=O)=O)C)C=C1 YVNQAIFQFWTPLQ-UHFFFAOYSA-O 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- DPKHZNPWBDQZCN-UHFFFAOYSA-N acridine orange free base Chemical compound C1=CC(N(C)C)=CC2=NC3=CC(N(C)C)=CC=C3C=C21 DPKHZNPWBDQZCN-UHFFFAOYSA-N 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- DZBUGLKDJFMEHC-UHFFFAOYSA-N benzoquinolinylidene Natural products C1=CC=CC2=CC3=CC=CC=C3N=C21 DZBUGLKDJFMEHC-UHFFFAOYSA-N 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- RKBIDRCIXOIYKC-MJIGAOGXSA-N chembl2398349 Chemical compound C([C@H]1O2)OP(O)(=O)O[C@H]3[C@@H](F)[C@H](N4C5=C(C(NC(N)=N5)=O)N=C4)O[C@@H]3COP(O)(=O)O[C@H]1[C@@H](F)[C@@H]2N1C(N=C(NC2=O)N)=C2N=C1 RKBIDRCIXOIYKC-MJIGAOGXSA-N 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- NKLPQNGYXWVELD-UHFFFAOYSA-M coomassie brilliant blue Chemical compound [Na+].C1=CC(OCC)=CC=C1NC1=CC=C(C(=C2C=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=2C=CC(=CC=2)N(CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=C1 NKLPQNGYXWVELD-UHFFFAOYSA-M 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002073 fluorescence micrograph Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 239000006166 lysate Substances 0.000 description 1
- 230000002934 lysing effect Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- COCAUCFPFHUGAA-MGNBDDOMSA-N n-[3-[(1s,7s)-5-amino-4-thia-6-azabicyclo[5.1.0]oct-5-en-7-yl]-4-fluorophenyl]-5-chloropyridine-2-carboxamide Chemical compound C=1C=C(F)C([C@@]23N=C(SCC[C@@H]2C3)N)=CC=1NC(=O)C1=CC=C(Cl)C=N1 COCAUCFPFHUGAA-MGNBDDOMSA-N 0.000 description 1
- 244000039328 opportunistic pathogen Species 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002504 physiological saline solution Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- XJMOSONTPMZWPB-UHFFFAOYSA-M propidium iodide Chemical compound [I-].[I-].C12=CC(N)=CC=C2C2=CC=C(N)C=C2[N+](CCC[N+](C)(CC)CC)=C1C1=CC=CC=C1 XJMOSONTPMZWPB-UHFFFAOYSA-M 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000003753 real-time PCR Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
- G01N2001/302—Stain compositions
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本申请属于微生物检测技术领域，提供了一种检测新型隐球菌的方法、装置、电子设备及可读存储介质。该方法包括获取血液样本的M个目标图像；采用第一识别模型从M个目标图像中确定N1个第一阳性样本图像，N1个第一阳性样本包括假阳性样本和真阳性样本；采用第二识别模型从N1个第一阳性样确定N2个第二阳性样本图像；第二识别模型是通过假阳性样本和真阳性样本进行训练得到的；根据N2个第二阳性样本图像，确定血液样本中的新型隐球菌的浓度。本方法通过识别模型对血液样本中的新型隐球菌数量以及浓度进行检测，解决了现有技术中的检测过程受限，且检测结果只能定性，不能对病原体做定量的分析的问题。
Description
技术领域
本申请属于微生物检测技术领域，尤其涉及一种检测新型隐球菌的方法、装置、电子设备及可读存储介质。
背景技术
新型隐球菌(Crytococcus Neofonmans)为一种在自然界比较常见的病原体，且为条件致病菌，即在满足一定条件时会对接触到该类病原体的人员生命健康产生威胁。
目前，直接用光学显微镜检测人体内新型隐球菌的方法通常为墨汁染色法。该方法是将含有较大浓度病原体的样本(通常为脑脊液)，经离心浓缩，涂片，并用墨汁染色。由于染色后的新型隐球菌存在透明荚膜，因此，若观察到染色后的样本中存在透明荚膜，则确定该样本中存在新型隐球菌。该种方法需要新型隐球菌细胞的浓度较大，否则在光学显微镜下无法看到新型隐球菌细胞。然而脑脊液样本是以有创的方式从患者身上取出来的，会给患者带来身体或精神上的痛苦，不能经常多次取样，使得检测的频率受限。且通过该种方法所得到的检测结果只能定性，不能对病原体做定量的分析。
发明内容
有鉴于此，本申请实施例提供了一种检测新型隐球菌的方法、装置、电子设备及可读存储介质，该检测方法是以血液为检测样本，通过深度学习图像识别模型对血液样本中的新型隐球菌数量进行检测，解决了现有技术中的检测频率受限，且检测结果只能定性，不能对病原体做定量的分析的问题。
本申请实施例的第一方面提供了一种检测新型隐球菌的方法，该方法包括：获取血液样本的M个目标图像；采用第一识别模型从M个目标图像中确定N1个第一阳性样本图像，N1个第一阳性样本包括假阳性样本和真阳性样本；采用第二识别模型从N1个第一阳性样确定N2个第二阳性样本图像；第二识别模型是通过假阳性样本和真阳性样本进行训练得到的；根据N2个第二阳性样本图像，确定血液样本中的新型隐球菌的浓度。
结合第一方面，在第一方面的第一种可能实现方式中，在获取血液样本的M个目标图像之前，方法还包括：获取血液样本的K个待处理图像；对K个待处理图像进行切割处理，得到目标尺寸的M个目标图像。
结合第一方面，在第一方面的第二种可能实现方式中，K个待处理图像是通过对血液样本进行血细胞的裂解以及新型隐球菌的染色后所采集到的图像。
结合第一方面，在第一方面的第三种可能实现方式中，对血液样本进行血细胞的裂解包括：使用含有2％NaOH，2％十二烷基磺酸钠的裂解液；对血液样本进行新型隐球菌的染色包括：采用1％直接黑VSF-600染料对新型隐球菌进行染色。
结合第一方面，在第一方面的第四种可能实现方式中，K个待处理图像是以高光强的白光作为光源，以双层鞘液池玻璃芯片作为血液样本的样本池，通过与光学显微镜连接的高速摄像机进行采集的。
结合第一方面，在第一方面的第五种可能实现方式中，双层鞘液池玻璃芯片包括玻璃基片，以及设置在玻璃基片上的第一鞘液通道、第二鞘液通道以及样本通道；第一鞘液通道、第二鞘液通道以及样本通道的入口各自独立，出口均汇集在玻璃基片的视窗结构中；视窗结构远离出口的一端设置有出水通道，出水通道的末端设置有出水孔；第一鞘液通道设置在玻璃基片的最顶层，样本通道设置在玻璃基片的中间层，第二鞘液通道设置在玻璃基片的最底层。
结合第一方面，在第一方面的第六种可能实现方式中，第一识别模型和第二识别模型为卷积神经网络模型。
本申请实施例的第二方面提供了一种检测新型隐球菌的装置，该装置包括：获取单元，用于获取血液样本的M个目标图像；第一识别单元，用于采用第一识别模型从M个目标图像中确定N1个第一阳性样本图像，N1个第一阳性样本包括假阳性样本和真阳性样本；第二识别单元，用于采用第二识别模型从N1个第一阳性样确定N2个第二阳性样本图像；第二识别模型是通过假阳性样本和真阳性样本进行训练得到的；确定单元，用于根据N2个第二阳性样本图像，确定血液样本中的新型隐球菌的浓度。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请技术方案采用血液样本作为检测样本，在取样时不会给患者带来精神上或者身体上的痛苦，且可以多次取样，本方法通过深度学习图像识别模型对血液样本中的新型隐球菌数量以及浓度进行检测，解决了现有技术中的取样过程受限，且检测结果只能定性，不能对病原体做定量的分析的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种双层鞘液池玻璃芯片的结构示意图；
图2是本申请实施例提供的图1中双层鞘液池玻璃芯片各个通道的分布结构示意图；
图3是本申请实施例提供的双层鞘液池玻璃芯片中液体流向的示意图；
图4是本申请实施例提供的一种检测新型隐球菌的图像分析流程示意图；
图5是本申请实施例提供的一种检测新型隐球菌的操作方法流程的示意图；
图6是本申请实施例提供的通过识别模型识别新型隐球菌感染的剂量反应曲线示意图；
图7是本申请实施例提供的通过本方法识别新型隐球菌感染的受试者工作特征曲线示意图；
图8是本申请实施例提供的通过本方法检测400份临床样本中的检测结果数值分布示意图；
图9是本申请实施例提供的一种检测新型隐球菌的装置的示意图；
图10是本申请实施例提供的一种电子设备的组成示意图。
附图标记
1-出水孔，2-第一鞘液入口，3-样本入口，4-第二鞘液入口，5-玻璃基片，6-第一鞘液通道，7-样本通道，8-第二鞘液通道，9-新型隐球菌细胞，10-视窗。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
以下结合具体的实施例对本申请提供的技术方案进行详细的解释说明。
新型隐球菌为一种在自然界比较常见的病原体，普遍存在于鸟类、鸽子等家禽的粪便中，因此，鸽子及其他家禽的饲养人员以及接触鸟类粪便的农业从业人员，为较容易接触到新型隐球菌的人群。新型隐球菌是条件致病菌，在健康人的身体中可处于定植状态，且可能会在健康人的口腔中发现。所谓的定植状态是微生物在体表存在且可以有限增殖，但受到人体免疫系统的有效控制，同时与其他微生物形成平衡，不能侵入人体的血液及器官内部，不会致病。但是，当人体的免疫系统受到损伤时，例如罹患消耗性疾病，使用了抑制免疫系统的药物后，条件致病性病原体与免疫系统的平衡被打破，这些病原体就可能大量繁殖并侵入人类内部，形成炎症及其他症状，甚至可能危及生命。
新型隐球菌可以感染人的肺部，形成肺新型隐球菌病，也可以感染人的中枢神经系统，形成新型隐球菌脑膜炎。新型隐球菌脑膜炎的死亡率比较高，达到30-40％。因此，及时准确地诊断新型隐球菌的感染，并较早地采取治疗措施，可以有效提高患者的治愈率。
目前，检测人体内新型隐球菌的方法通常为墨汁染色法。该方法是将含有较大浓度病原体的样本(例如脑脊液等)经离心浓缩，涂片，并用墨汁染色。由于染色后的新型隐球菌存在透明荚膜，因此，若观察到染色后的样本中存在透明荚膜，则确定该样本中存在新型隐球菌。该种方法需要新型隐球菌细胞的浓度较大，也就是作为样本的脑脊液的取样量较大，否则在光学显微镜下无法清楚的看到新型隐球菌。然而脑脊液样本是以有创的方式从患者身上取出来的，会给患者带来身体或精神上的痛苦，不能经常多次取样，使得检测的频率受限。且通过该种方法所得到的检测结果只能定性，不能对病原体做定量的分析。
另外，聚合酶链式反应法(Polymerase Chain Reaction，PCR)、新型隐球菌荚膜抗原法、培养法等同样均为检测人体内新型隐球菌的方法。其中，PCR检测新型隐球菌时，由于对新型隐球菌破壁比较难，且在提取过程中，样本中可能存在的DNA有较大的损耗，因此通过PCR检测新型隐球菌的灵敏度不够高。新型隐球菌荚膜抗原法是检测新型隐球菌特异的抗原，由于新型隐球菌有定植的可能，因此，检测新型隐球菌荚膜抗原可能会出现的假阳性。培养法会受到取样体积，用药，操作规范性等因素的影响，易出现假阳性和假阴性，且培养法所需要的时间比较久，需要数日才能报阴性结果，医生往往等不到培养法的结果出来就需要采取治疗措施，否则病人的病情就会受到较严重的耽误。
基于此，本实施例中提供了一种检测新型隐球菌的方法，该方法以血液为检测样本，并基于训练好的识别模型对该检测样本中的新型隐球菌进行处理，实现在定性检测新型隐球菌的基础上，同时能够对新型隐球菌进行定量分析。
本申请实施例提供的检测新型隐球菌的方法，应用于电子设备主要包括：首先，获取血液样本的M个目标图像。然后，采用第一识别模型从M个目标图像中确定N1个第一阳性样本图像，N1个第一阳性样本包括假阳性样本和真阳性样本。采用第二识别模型从N1个第一阳性样确定N2个第二阳性样本图像；该第二识别模型是通过假阳性样本和真阳性样本进行训练得到的。最后，根据N2个第二阳性样本图像，确定血液样本中的新型隐球菌的浓度。
在介绍本实施例提供的检测新型隐球菌的方法之前，首先通过(一)血液样本的前处理、(二)血液样本中待处理图像的采集、(三)构建二级串联卷积神经网络和训练集三个部分对本申请实施例中所提及的M个目标图像的来源以及识别模型的构建以及训练过程进行详细的解释说明。
(一)血液样本的前处理
在本实施例中，血液样本的前处理包括血细胞的裂解、新型隐球菌的染色。其中，血细胞的裂解过程包括使用裂解液对血液样本进行处理；新型隐球菌的染色包括采用瞬时染色剂处理对血液样本进行处理。
在一些实施例中，使用裂解液对血液样本进行处理时，可以使用含有2％NaOH，2％十二烷基磺酸钠，1％直接黑VSF-600的裂解液，对血液样本进行裂解处理。本实施例中，通过使用细胞裂解液对血液样本进行处理，用于去除血液样本中的干扰性对象。在分析检测新型隐球菌的过程中，血液样本中存在大量能够形成干扰图像的干扰对象，极大地增加后续图像处理分析的计算量，示例性的，这些干扰对象包括红细胞，白细胞，以及各种细胞碎片等。如果不在物理上对这些干扰对象进行清除，一帧图像(800*600像素)就需要数秒的计算时间，且计算设备常常被大量的计算卡死。实验研究表明，经过细胞裂解液对血液样本进行处理之后得到的待处理图像，其计算分析的工作量可减少到不经过处理的十万分之一。这对于需要大量计算的卷积神经网络而言，是保证工作可以进行的必需的手段。同时，选择合适的裂解液对清除减少样本中的有形杂质是十分有益的。因此，裂解液要求将杂质去除但不能破坏其中可能存在的病原体或有意义的有形物的结构。实验表明，通过使用含有2％NaOH，2％十二烷基磺酸钠，1％直接黑VSF-600的处理液对血液样本同时进行裂解以及染色可以起到良好的处理效果。
在一些实施例中，采用瞬时染色剂对新型隐球菌进行染色时，可以选择直接黑染料。在实施例中，选择直接黑染料作为新型隐球菌染色的染料，能够增加病原体成像的对比度。病原体本身是无色的，在光学显微镜下之所以能够成像，是因为病原体细胞本身与周围液体的折射率不同，使得病原体细胞的结构在光学显微镜下可以形成可能与周围环境有差异的光学折射图像。但该光学折射图像中，在血液样本中存在一些干扰杂质存在且病原体不能反复观察的情况下，常常会将杂质误判为病原体细胞，因此，光学折射图像提供的信息的特异度是不够的。为了解决这一问题，需要对一些常规的染色方法进行筛除。首先排除荧光染料。该荧光燃料包括钙荧光白，吖啶橙，碘化丙啶等常用的且在通常应用场景下效果较好的荧光染料。这些染料在荧光显微镜下可以形成特异度较高的荧光图像，但是这些荧光是比较弱的，需要较长的曝光时间(毫秒级)才能形成质量较好的图像，但是对于从血液中的筛选病原体的应用而言，为了保证系统的灵敏度和和成像质量，需要将曝光时间限定在1微秒的范围内。这么小的曝光时间，荧光的光强是不足以形成图像的。因此只能选择在白光下染色的染液。经过实验测试，在考马斯亮蓝G250，直接黑VSF-600，直接黑GGF，直接黑EX，直接黑38等染料中，选择效果最好的直接黑VSF-600作为染色剂。主要限制因素有两个：染色剂在的碱性环境中起作用，以及染色反应的时间长度(即需要在1钟以内能够显著提高细胞成像的对比度)。考马斯亮蓝需要在酸性条件下才能着色，故染色效果不佳。直接黑系列的染料可以耐受较强的碱性环境，在四种候选的直接黑中，直接黑GGF和直接黑EX对图像对比度的提升不够明显。直接黑38对部分真菌的对比度的提高不明显，因此，选择直接黑VSF-600作为新型隐球菌染色的染料。详细的检测结果见表1。
表1染料筛选结果
在本实施例中，当血液样本的裂解液以及染料确认后，需要进一步确定染料具体的使用浓度和用量。在本实施例的一个示例中，可以通过以下表2中前处理液的配方组分对血液样本进行血细胞的裂解、新型隐球菌的染色，实验表明，表2中的浓度配比，能够得到较好的处理效果。前处理完成之后可以将处理后的血液样本通过筛网(网孔径为10微米)筛除孔径较大的杂质组分，将其中的聚集物去掉，以免堵塞管路。在本实施例中，裂解反应与染色反应可以同时进行，也可以分开处理。
表2前处理液的配方
此外，为了保证后续前处理后的血液样本的成像质量，本实施例中还介绍一种构建高速捕获待处理图像的显微成像体系。本实施例中，为了提高血液样本成像的清晰度，图像采集设备需要较长的曝光时间，而为了使血液样本搜索的范围能够达到能发现数量极少的病原体，需要单位时间拍摄的待处理图像足够多，也就是较高的帧率和较小的曝光时间，同时，较大的搜索体积也需要较高的流速，也就意味着需要较小的曝光时间，以减少图像的拖尾。
示例性的，本实施例中通过以下方式解决上述问题：一，确定图像采集设备为高速摄像机，该高速摄像机与光学显微镜连接。普通的摄像机单个视野成像所需要的曝光时间较长(毫秒级)，对于动态的对象(例如流动的血液样本)，此曝光时间要求物体的移动速度较慢，约为毫米每秒。以此速度分析血液样本，每10分钟分析的血液样本的总体积在10微升以内(因液流芯片和感光芯片的尺寸的不同而稍有差异)。这样是达不到筛检血液样本中含量极低的病原微生物的目标的。因此，必须使用曝光时间在1微秒以内且图像质量较高的相机作为捕获待处理图像的相机。二，确定高光强的白光作为光源。在血液样本前处理中染料的选择时，可以看出，荧光成像设备的信号是激发出的荧光，受到荧光强度和反应饱和度的限制，在单位时间内荧光光强不够高，在曝光时间比较短的情况下，不能为感光芯片提供足够数量的的光子数用于成像。高光强的白光形成的图像是原始光源的中的部分光子经折射后形成的折射图像，其总体光强没有显著减少，可能通过控制光源的强度，使得在较少的曝光时间内，进入感光芯片的光子数足够多，同时可以保证信号特征(图像结构)不变。实验研究表明，在曝光时间为1微米时，调整白光的光强，可以使成像的各像素点的平均亮度为180±10(取值空间为0-256)时，可以提高血液样本的待处理图像的稳定性以及血液样本中信号的完备性。因此，本实施例中，以图像采集设备为高速摄像机(帧率为1000PFS，200万像素，黑白CCD相机)，高光强的白光作为光源对血液样本进行图像采集，在可以采集到尽可能多的图像下，提高了检测的样本数据量，其中，高光强是指能够使成像的各像素点的平均亮度为180±10时所需要的白光强度。
(二)血液样本图像的采集方法
在本实施例中，待处理图像为使用图像采集设备在血液样本流过双层鞘液池玻璃芯片时所采集的样本图像。示例性的，该图像采集设备可以为高速摄像机，为了使得高速摄像机采集的样本图像能够尽量清晰，需将与高速摄像机连接的光学显微镜的焦距对准样本层。
示例性的，图1和图2为本申请一个实施例提供的双层鞘液池玻璃芯片结构示意图，由图可见，该双层鞘液池玻璃芯片包括玻璃基片5，以及设置在玻璃基片5上的第一鞘液通道6、第二鞘液通道8以及样本通道7。其中，第一鞘液通道6上设置有第一鞘液入口2，第二鞘液通道8上设置有第二鞘液入口4，样本通道7上设置有样本入口3。第一鞘液通道6、第二鞘液通道8以及样本通道7为设置在玻璃基片5上且各自独立的通道，但各个通道的出口汇集在玻璃基片5的视窗10结构中。该视窗10结构远离各个通道出口的一端设置有出水通道，该出水通道的末端设置有出水孔1。其中，第一鞘液通道6的通道出口设置在最顶层，样本通道7的通道出口设置在中间层，第二鞘液通道8的通道出口设置在最底层。
图3为待检测的血液样本流经各个通道的场景示意图。参见图3并结合图1和图2所示，作为光疏介质的香柏油通过第一鞘液入口2沿第一鞘液通道6流入出口处的视窗10结构中，待检测的血液样本(该血液样本中包括如图3所示的新型隐球菌细胞9)通过样本入口3沿样本通道7流入出口处的视窗10结构中，鞘液通过第二鞘液入口4沿第二鞘液通道8流入出口处的视窗10结构中。需要说明的是，本实施例中可以采用注射泵将香柏油、血液样本和鞘液以一定的流速(例如100微升每分钟)从各自通道的入口推入玻璃芯片的沟槽里。在一个示例中，香柏油、血液样本和鞘液的体积的比例为5:3:5。然后通过图像采集设备在视窗10结构处将液体流过的图像拍摄下来，得到待处理图像。
在本实施例中，使用双层鞘液池玻璃芯片通过图像采集设备来捕获待处理图像，主要解决了两个问题。第一，传统的玻璃芯片容易堵塞的问题。传统光学显微镜显微的景深一般在几微米以内，为了让与之连接的高速摄像机成像的质量较高，需要将血液样本的厚度限定在较窄的范围内。一般不能厚于30微米。但是当玻璃芯片沟道尺寸比较逛窄时，沟道易被血液样本中可能的团块(凝块，皮屑，微尘，管道中的微塑料等)堵住。玻璃芯片堵塞事件会极大地影响光学显微镜成像的稳定性。所以，为了让沟道不易堵住，需要将沟道的深度加大。因此，为了解决这一对矛盾，在玻璃芯片中设计了双层鞘液池结构。鞘液的存在，一方面使得玻璃芯片的沟道的尺寸比较大，不容易被血液样本中的团块堵住，另一方面，可以将血液样本的液体限制在一个较薄的液层中，使光学显微镜的成像系统可以聚焦到这一层，得到较好的成像质量。第二，光学显微镜观察微流控芯片时清晰度不够的问题。在使用光学显微镜观察血液样本时，需要在血液样本和物镜之间设置有一层香柏油，设置香柏油的作用是提供一个比空气高的光疏介质。使用光学显微镜时，如果没有加香柏油，光学显微镜对血液样本的成像是不清晰的。在使用双层鞘液池玻璃芯片时，因为血液样本是以液体的形式流过双层鞘液池玻璃芯片内的沟槽，光学显微镜捕获血液样本中的对象的待处理图像时，血液样本对象与物镜之间隔着液体层，玻璃芯片层，空气三层物质，其成像较模糊。但是当上层鞘液为香柏油时，且物镜与芯片之间也为香柏油时，成像质量会明显提高，玻璃芯片层在此时仅仅是一个双面平行的透镜的作用，光学显微镜与血液样本的成像效果是最好的。
因此，本实施例中使用双层鞘液池玻璃芯片通过图像采集设备来捕获待处理图像，可以显著提高显著提高待处理图像的清晰度和光学显微镜运行的稳定性。
(三)构建二级串联卷积神经网络和训练集
在本实施例中，构建二级串联卷积神经网络和训练集主要包括：一、训练集的生成和标注方法；二、二级串联卷积神经网络的结构和训练方法两个部分。
一、训练集的生成和标注方法。
在本实施例中，使用新型隐球菌阳性的肺泡灌洗液作为训练样本，按1:1的比例将训练样本与配好的前处理液混匀。然后将处理后的血液样本通过拍摄约60万张图像(也可称为原图像)，每张图像的像素约为800*600像素。通过图像切割设备从60万张图像中切割出约3万张新型隐球菌的图像(标注为P)，以及约6万张确认非新型隐球菌的杂质的图像(标注为N)，切割的出的图像的大小为60*60像素。
在本申请的一个示例中，从800*600像素的图像中切割出60*60像素可以基于一定的切割算法实现。示例性的，具体的切割算法见表3所示。
表3图像的切割算法
需要说明的是，对于新型隐球菌病患者而言，如果新型隐球菌感染的是呼吸系统，则肺泡灌洗液中一般会有较大量的新型隐球菌。新型隐球菌感染者的血液中的新型隐球菌细胞的数量比较少，能够拍到的图像的数量太少，不宜作为获得训练集的来源。另外，体外培养的新型隐球菌的结构与体内的结构有较明显和差异，主要表现为体外的没有荚膜或荚膜很薄，不宜作业标图像训练识别模型。因此，本实施例中选择新型隐球菌阳性的肺泡灌洗液作为训练样本。
二，二级串联卷积神经网络的结构和训练方法
在本申请的一个示例中，第一级神经网络的结构为卷积层(32个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，卷积层(64个神经元，卷积核为(3,3)，激活函数为relu函数)，最大池化层，卷积层(128个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，最大池化层，卷积层(256个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，最大池化层，卷积层(512个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，最大池化层，线性化层，全连接层(128个神经元，激活函数为relu函数)，Dropout层，全局平均池化层，Dropout层，全连接层(128个神经元，激活函数为relu函数)，Dropout层，归一化层，全连接层(2个神经元，激活函数为relu函数)，详细参考表4。
在本实施例中，通过标注完成后的新型隐球菌的图像和非新型隐球菌的图像作为训练集对第一级神经网络进行训练。示例性的，将标注完成的约3万张新型隐球菌的图像(标注为P)，以及约6万张确认非新型隐球菌的杂质的图像(标注为N)作为训练集对第一级神经网络进行训练。其中以每种标注图像的60％作为调参数据(Training_data)，40％作为验证数据(Validation_data)，将准确度Accuracay设为loss函数。训练速度参数设置为0.0001，batch大小为50，迭代次数设置为150。训练生成的模型则为第一识别模型。
表4第一级神经网络的结构
在本申请的一个示例中，第二级神经网络的结构为卷积层(32个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，卷积层(128个神经元，卷积核为(3,3)，激活函数为relu函数)，最大池化层，卷积层(128个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，最大池化层，卷积层(256个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，最大池化层，卷积层(256个神经元，卷积核为(3,3)，激活函数为relu函数)，归一化层，最大池化层，线性化层，全连接层(128个神经元，激活函数为relu函数)，Dropout层，全局平均池化层，Dropout层，全连接层(128个神经元，激活函数为relu函数)，Dropout层，归一化层，全连接层(2个神经元，激活函数为relu函数)，详细参考表5所示。
表5第二级神经网络的结构
在本实施例中，通过第一识别模型对训练集中的所有图像分类后，标注为新型隐球菌的样本中有29355个对象被识别为阳性(真阳性)，1678份被识别为阴性(假阴性)，灵敏度为94.59％。标注为非新型隐球菌的样本中有57362个对象被识别为阴性(真阴性)，2206份被识别为阳性(假阳性)，特异度为96.30％。其中，阳性和阴性是指通过第一识别模型识别出为阳性或者阴性的识别结果；真阳性是指通过第一识别模型识别为阳性且实际亦为阳性的识别结果；假阴性是指通过第一识别模型识别为阴性但实际为阳性的识别结果；真阴性是指通过第一识别模型识别为阴性且实际亦为阴性的识别结果；假阳性是指通过第一识别模型识别为阳性但实际为阴性的识别结果。
在本实施例中，采用标注为NP的假阳性样本，标注为PP的真阳性样本，形成的图片的集合作为训练集对第二级神经网络进行训练。其中以每种标注图像的60％作为调参数据(Training_data)，40％作为验证数据(Validation_data)，将准确度Accuracay设为loss函数。训练速度参数设置为0.0001，batch大小为20，迭代次数设置为150。训练生成的模型则为第二识别模型。
通过本实施例提供的第一识别模型和第二识别模型在进行临床样本测试时，先采用第一识别模型识别M个目标对象，然后将第一识别模型识别为阳性的N1个样本再采用第二识别模型进行识别，得到的阳性样本才是是候选的阳性对象。具体流程可参考图4所示。
基于通过上述血液样本的前处理方法得到的待处理图像，以及通过上述二级串联卷积神经网络的结构和训练方法创建的第一识别模型和第二识别模型，本实施例中提供一种检测新型隐球菌的方法。
图5为本申请一实施例提供的检测新型隐球菌的操作方法流程示意图，参见图1所示，该方法应用于电子设备，包括以下步骤S501-S504。
S501、电子设备获取血液样本的K个待处理图像。
在一些实施例中，电子设备通过图像采集设备(例如与光学显微镜连接的高速摄像机)在双层鞘液池玻璃芯片的视窗结构中采集血液样本的K个待处理图像。
在一个示例中，图像采集设备采集K个待处理图像时，K个待处理图像是通过血液样本、香柏油以及鞘液在预设时间内流经双层鞘液池玻璃芯片的视窗结构时所拍摄到的图像，为了拍摄的图像尽量清晰，须将图像采集设备的焦距对准样本层。其中，预设时间可以为10分钟，K约为50万。
需要说明的是，该采集该待处理图像的图像采集设备与执行检测新型隐球菌方法的电子设备可以是同一设备，也可以是不同的设备。
S501、电子设备对K个待处理图像进行切割，得到M个目标图像。
在本实施例中，电子设备采用图像切割算法对K个待处理图像进行切割，得到目标大小的M个目标图像，示例性的，该目标大小可以为50*50。
S502、电子设备采用第一识别模型从M个目标图像中确定N1个第一阳性样本图像。
S503、电子设备采用第二识别模型从N1个第一阳性样确定N2个第二阳性样本图像。
在本实施例中，电子设备采用第一识别模型和第二识别模型，对目标图像进行识别分析后，将两个识别模型均识别为新型隐球菌的阳性样本作为备选的阳性样本。
S504、电子设备根据N2个第二阳性样本图像，确定血液样本中的新型隐球菌的浓度。
在一些实施例中，电子设备根据确定的N2个第二阳性样本图像，以及血液样本的体积，即可得到确定得到血液样本中的新型隐球菌的浓度，即在单位体积内新型隐球菌的数量。
以下以一个具体的实施例对本申请提供的从血液中检测新型隐球菌的方法作进一步的解释说明。
实验操作步骤如下：
将500微升血液样本和500微升前处理液加入到2mL的EP(Eppendorf)管中，用移液器吹打6次，混匀，得到血液样本和前处理液的混合液。
采用筛孔为10微米的过滤器将混合液过滤。
用注射泵将过滤后的样本推过双层鞘液池的玻璃芯片中，控制液体的流速为100微升/分钟。
将微流泵的流速调为100微升/分钟，同时使用与光学显微镜连接的高速摄像机拍摄待处理图像。拍摄时间设置为10分钟，约可获得60万到100万张图像。
采用流速为180ml/min的隔膜泵在双层鞘液池玻璃芯片的出水口吸走废液。
对拍摄得到的待处理进行切割处理，得到目标大小的目标图像。
采用第一识别模型和第二识别模型，分析得到的目标图像，将两个模型均识别为新型隐球菌的样本作为备选的阳性样本，得到在单位体积内新型隐球菌的数量。
图6为通过识别模型识别新型隐球菌感染的剂量反应曲线示意图。参见图7所示，实验结果表明，在5-10000范围内，通过本方法检测出的新型隐球菌的检出浓度与实际配制的新型隐球菌的标识浓度的线性相关性为0.9999，具有较高的线性相关性。配制10000细胞每毫升的新型隐球菌参考品。其中，实际配制标识浓度的新型隐球菌的配置方法可以包括以下方式：首先配置一个较大浓度(大于10000细胞每毫升)的新型隐球菌的悬浊液，然后使用生理盐水将配制浓度分别为10000，2000，400，80，16，5细胞每毫升的新型隐球菌悬浊液。使用这些参考样本作为检测对象。
图7为通过本方法识别新型隐球菌感染的受试者工作特征曲线(receiveroperating characteristic curve，ROC曲线)示意图，其鉴权中心(AUthenticationCenter，AUC)为1.00，P<0.0001。在ROC曲线中，通常，AUC的值介于0.5到1.0之间，较大的AUC代表了较好的性能。可见，本申请提供的方法具有较好的识别性能。
图8为本实施例中提供的通过本方法检测400份临床样本中的阳性结果数值分布示意图。使用本方法检测了400份临床样本，在其中的21份样本中检出了新型隐球菌的存在。在阳性样本中，最近为7细胞/毫升，最多为267细胞/毫升，平均值为78.71细胞/毫升。这些阳性阳本均经过有经验的专业人员确认过。因此，从图9中的检测结果可知，通过本方法可以较为准确的检测出检测样本中的阳性样本。
本实施例中提供的方法，采用血液样本作为检测样本，在取样时不会到患者带来精神上或者身体上的痛苦，且可以多次取样，通过本方法在检测血液样本中新型隐球菌的数量或者浓度时，可以在10分钟内检测新型隐球菌的感染。相对于传统方法中的血培养检测，在检测效率上取得了较大程度的提高。同时，通过识别模型检测新型隐球菌，其灵敏度可达到5细胞/毫升。相对于传统的血培养检测法、涂片镜检法，以及荧光定量PCR法其灵敏度更高。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图9为本申请实施例提供的一种检测新型隐球菌的装置的示意图，如图9所示，该装置包括：获取单元，用于获取血液样本的M个目标图像；第一识别单元，用于采用第一识别模型从M个目标图像中确定N1个第一阳性样本图像，N1个第一阳性样本包括假阳性样本和真阳性样本；第二识别单元，用于采用第二识别模型从N1个第一阳性样确定N2个第二阳性样本图像；第二识别模型是通过假阳性样本和真阳性样本进行训练得到的；确定单元，用于根据N2个第二阳性样本图像，确定血液样本中的新型隐球菌的浓度。
图10是本申请一实施例提供的电子设备的示意图。如图10所示，该实施例的电子设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如检测新型隐球菌的程序。所述处理器100执行所述计算机程序102时实现上述各个检测新型隐球菌的方法实施例中的步骤。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在所述电子设备10中的执行过程。
所述电子设备10可以是平板电脑、平板电脑、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图10仅仅是电子设备10的示例，并不构成对电子设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述电子设备10的内部存储单元，例如电子设备10的硬盘或内存。所述存储器101也可以是所述电子设备10的外部存储设备，例如所述电子设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括所述电子设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种检测新型隐球菌的方法，其特征在于，所述方法包括：
获取血液样本的M个目标图像；
采用第一识别模型从所述M个目标图像中确定N1个第一阳性样本图像，所述N1个第一阳性样本包括假阳性样本和真阳性样本；
采用第二识别模型从所述N1个第一阳性样确定N2个第二阳性样本图像；所述第二识别模型是通过所述假阳性样本和所述真阳性样本进行训练得到的；
根据所述N2个第二阳性样本图像，确定所述血液样本中的新型隐球菌的浓度。
2.根据权利要求1所述的方法，其特征在于，在所述获取血液样本的M个目标图像之前，所述方法还包括：
获取所述血液样本的K个待处理图像；
对所述K个待处理图像进行切割处理，得到目标尺寸的所述M个目标图像。
3.根据权利要求2所述的方法，其特征在于，所述K个待处理图像是通过对所述血液样本进行血细胞的裂解以及新型隐球菌的染色后所采集到的图像。
4.根据权利要求3所述的方法，其特征在于，
所述对所述血液样本进行血细胞的裂解包括：使用含有2％NaOH，2％十二烷基磺酸钠的裂解液，对所述血液样本进行裂解处理；
所述对所述血液样本进行新型隐球菌的染色包括：采用1％直接黑VSF-600染料对所述新型隐球菌进行染色。
5.根据权利要求1～4任一项所述的方法，其特征在于，所述K个待处理图像是以高光强的白光作为光源，以双层鞘液池玻璃芯片作为所述血液样本的样本池，通过与光学显微镜连接的高速摄像机进行采集的。
6.根据权利要求5所述的方法，其特征在于，所述双层鞘液池玻璃芯片包括玻璃基片，以及设置在玻璃基片上的第一鞘液通道、第二鞘液通道以及样本通道；
所述第一鞘液通道、所述第二鞘液通道以及所述样本通道的入口各自独立，出口均汇集在所述玻璃基片的视窗结构中；所述视窗结构远离所述出口的一端设置有出水通道，所述出水通道的末端设置有出水孔；
所述第一鞘液通道设置在所述玻璃基片的最顶层，所述样本通道设置在所述玻璃基片的中间层，所述第二鞘液通道设置在所述玻璃基片的最底层。
7.根据权利要求1～6任一项所述的方法，其特征在于，所述第一识别模型和所述第二识别模型为卷积神经网络模型。
8.一种检测新型隐球菌的装置，其特征在于，所述装置包括：
获取单元，用于获取血液样本的M个目标图像；
第一识别单元，用于采用第一识别模型从所述M个目标图像中确定N1个第一阳性样本图像，所述N1个第一阳性样本包括假阳性样本和真阳性样本；
第二识别单元，用于采用第二识别模型从所述N1个第一阳性样确定N2个第二阳性样本图像；所述第二识别模型是通过所述假阳性样本和所述真阳性样本进行训练得到的；
确定单元，用于根据所述N2个第二阳性样本图像，确定所述血液样本中的新型隐球菌的浓度。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210846375.4A CN115326501A (zh) | 2022-07-19 | 2022-07-19 | 检测新型隐球菌的方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210846375.4A CN115326501A (zh) | 2022-07-19 | 2022-07-19 | 检测新型隐球菌的方法、装置、电子设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115326501A true CN115326501A (zh) | 2022-11-11 |
Family
ID=83917484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210846375.4A Pending CN115326501A (zh) | 2022-07-19 | 2022-07-19 | 检测新型隐球菌的方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115326501A (zh) |
-
2022
- 2022-07-19 CN CN202210846375.4A patent/CN115326501A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12005443B2 (en) | Apparatus and method for analyzing a bodily sample | |
| Mehanian et al. | Computer-automated malaria diagnosis and quantitation using convolutional neural networks | |
| US10365203B2 (en) | Method and apparatus for automated whole blood sample analyses from microscopy images | |
| CN105143849B (zh) | 用于血液样品中粒子分析的动态范围扩展系统和方法 | |
| US10502674B2 (en) | Apparatus and method for label-free analysis of rare cells from bodily fluids | |
| Khan et al. | Content based image retrieval approaches for detection of malarial parasite in blood images | |
| CN110473167B (zh) | 一种基于深度学习的尿沉渣图像识别系统及方法 | |
| JP2016511424A (ja) | 携帯用血液計数モニタ | |
| WO2019144700A1 (zh) | 一种基于深度学习的快速精准高通量药物筛选系统 | |
| CN107064079A (zh) | 用于识别全血样品中的血小板的方法和设备 | |
| WO2015173774A2 (en) | A microscopy system and a method for analyzing fluids | |
| CN108845153B (zh) | 一种白细胞粒子分析系统及方法 | |
| US20230026108A1 (en) | Classification models for analyzing a sample | |
| CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
| CN114787685A (zh) | 人工生成彩色血液涂片图像 | |
| Khan et al. | An adaptive filtering technique for segmentation of tuberculosis in microscopic images | |
| Shapiro | “Cellular astronomy”—A foreseeable future in cytometry | |
| Jagannadh et al. | Microfluidic microscopy-assisted label-free approach for cancer screening: automated microfluidic cytology for cancer screening | |
| US20220383629A1 (en) | Label-free cell classification and screening system based on hybrid transfer learning | |
| CN115326501A (zh) | 检测新型隐球菌的方法、装置、电子设备及可读存储介质 | |
| Li et al. | A recognition method of urine cast based on deep learning | |
| CN114152557A (zh) | 基于图像分析的血细胞计数方法和系统 | |
| Ghazali et al. | Microscopy image processing analaysis for automatic detection of human intestinal parasites ALO and TTO | |
| CN112507821A (zh) | 基于高内涵成像的细胞耐药性检测方法、介质及电子设备 | |
| Samuel et al. | Design to automate the detection and counting of Tuberculosis (TB) bacilli |
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 |