CN115855752A - 血液分析系统、方法、装置及计算机存储介质 - Google Patents

Abstract

公开了一种血液分析系统、方法、装置及计算机存储介质。血液分析系统包括：样本采集装置用于采集血液样本并将血液样本输送至样本制备装置；样本制备装置用于利用试剂对血液样本进行处理以制备得到待测样本液；阻抗检测装置用于对待测样本液进行检测以得到待测样本液中细胞的阻抗脉冲信号；数据处理装置用于执行如下步骤：根据阻抗脉冲信号得到待测样本液的血细胞直方图，将血细胞直方图输入至预先训练完成的深度学习神经网络模型得到深度学习神经网络模型输出的血细胞参数，血细胞参数为如下的至少一项：网织红细胞参数、网织血小板参数及红细胞碎片参数；深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

Description

血液分析系统、方法、装置及计算机存储介质

技术领域

本发明实施例涉及血液检测领域，并且更具体地，涉及一种血液分析系统、方法、装置及计算机存储介质。

背景技术

为了对血细胞进行分析，以确定关于血细胞的各种参数，目前常用的方式是基于光学信号检测得到各种参数。

一方面，光学信号检测对环境的要求较高，如果环境中存在影响光线传输的因素，会导致结果不准确。另一方面，光学信号检测方式需要多个光学器件等硬件，成本较高。

发明内容

本发明实施例提供了一种血液分析系统、血液分析方法、血液分析装置及计算机存储介质。

在第一方面，提供了一种血液分析系统，包括：

样本采集装置，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，用于利用试剂对所述血液样本进行处理，以制备得到待测样本液；

阻抗检测装置，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阻抗脉冲信号；

数据处理装置，用于执行如下步骤：

根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图，将所述血细胞直方图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参数，所述血细胞参数为如下的至少一项：网织红细胞参数、网织血小板参数及红细胞碎片参数；

其中，所述深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

在第二方面，提供了一种血液分析方法，包括：

获取阻抗检测装置对待测样本液进行检测所得到的待测样本液中细胞的阻抗脉冲信号；

根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图；

将所述血细胞直方图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参数，所述血细胞参数为如下的至少一项：

网织红细胞参数、网织血小板参数及红细胞碎片参数；

其中，所述深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

在第三方面，提供了一种血液分析装置，包括存储器、处理器及存储在所述存储器上且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第二方面所述方法的步骤。

在第四方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机或处理器执行时实现第二方面所述方法的步骤。

附图说明

为了更清楚地说明本发明实施例的技术方案，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是本发明实施例的血液分析系统的一个示意框图；

图2是本发明实施例的血液分析系统的另一个示意框图；

图3是本发明实施例的阻抗检测装置的一个示意图；

图4是本发明实施例的数据处理装置的一个示意框图；

图5是本发明实施例的第一深度学习网络的一个示意框图；

图6是本发明实施例得出的RET％与荧光染色得到的RET％之间的相关性示意图；

图7是本发明实施例得出的IPF％与荧光染色得到的IPF％之间的相关性示意图；

图8是本发明实施例得出的FRC％与荧光染色得到的FRC％之间的相关性示意图；

图9是本发明实施例的第二深度学习网络的一个示意框图；

图10是正常样本的血小板和红细胞的体积区分示意图；

图11是存在小体积红细胞和红细胞碎片时的血小板和红细胞的体积区分示意图；

图12是本发明实施例得出的PLT与现有技术得到的PLT之间的比对示意图；

图13是本发明一个实施例的血液分析方法的一个示意流程图；

图14是本发明另一个实施例的血液分析方法的一个示意流程图。

具体实施方式

人体外周血中含有的细胞通常为成熟的血细胞，当人体出现病变时，血液中会出现未成熟的细胞，对未成熟细胞的检测可以为临床疾病的诊断和治疗提供有用的参考。

例如，网织红细胞(Reticulocyte，RET)与红细胞(RBC)碎片(Fragment of RedBlood Cell，FRC)是重要的临床检测参数，可以反映骨髓红细胞的生成功能。未成熟血小板比率(Immature Platelet Fraction，IPF)可作为血小板减少病症的诊断指标和疗效观察的重要指标之一。血小板计数(Platelet count，PLT)对临床医生判断患者是否具有出血倾向有重要作用。但是目前使用的常规阻抗法测量PLT会受异常细胞干扰，例如样本中有红细胞碎片或小体积红细胞时，阻抗法检测PLT会假性偏高，样本中有大体积血小板时，阻抗法检测PLT会假性偏低。

目前对血液中FRC、RET、IPF的检测方法，通常需要在血细胞分析仪中增加专用的检测通道，增加仪器、试剂检测成本，以实现对其计数的功能。作为一例，目前的方法可以在RET通道内同时对FRC、RET和IPF进行计数。

目前对血液中PLT的检测方法是类似的，为了解决阻抗法受异常细胞干扰的问题，也是新增一个光学PLT-O通道来检测PLT，由于光学PLT-O检测不受异常细胞干扰，可准确报告血小板计数结果。

但是，上述对各个参数的检测方法均需要通过光学信号检测方法来实现，对环境依赖性强，且硬件成本高。

下面将结合图1至图14描述本发明实施例中的具体实现方式。

本发明实施例提供了一种血液分析系统，用于检测血液样本的血细胞参数。其中，血细胞参数可以包括但不限于网络红细胞参数、红细胞碎片参数、血小板参数的至少一类，网络红细胞参数包括但不限于网织红细胞数目(RET#)、网织红细胞数目比率(RET％)，红细胞碎片参数包括但不限于红细胞碎片数目(FRC#)或红细胞碎片比率(FRC％)、血小板参数包括但不限于未成熟血小板比率(IPF)、血小板计数(PLT)。其中，血液分析系统包括样本承载装置、样本采集装置、样本制备装置、阻抗检测装置和数据处理装置。

在一种实现方式中，数据处理装置可以被独立地布置在远端，例如被设置在另一计算机上。此时，如图1所示，血液分析系统包括血液分析仪100和计算机设备200，其中，血液分析仪100包括样本采集装置110、样本制备装置120和阻抗检测装置130，计算机设备200包括数据处理装置150，并且计算机设备200与血液分析仪100能够进行通信。示例性地，数据处理装置150可以从血液分析仪100获取阻抗脉冲信号。

在一种实现方式中，如图2所示，血液分析系统为血液分析仪100，该血液分析仪100包括样本采集装置110、样本制备装置120、阻抗检测装置130和数据处理装置150。并且，示例性地，该血液分析仪100还可以包括显示装置140。

在一些实施例中，如图2所示，血液分析仪100还包括第一机壳160和第二机壳170。阻抗检测装置130和数据处理装置150设置在第二机壳170的内部，分别设置在第二机壳170两侧。样本制备装置120设置在第一机壳160的内部。显示装置140设置在第一机壳160的外表面。

示例性地，样本采集装置110用于采集血液样本,并将血液样本输送至样本制备装置120，样本采集装置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。其中，该驱动部用于驱动吸移管通过吸移管嘴定量吸取待测的血液样本，例如采样针在驱动部的驱动下移动到从装有血液样本的样本容器中吸取待测的血液样本。

在一个示例中，样本制备装置120用于利用试剂对血液样本进行处理，以制备得到待测样本液，示例性地，样本制备装置120可以具有至少一个反应池和试剂供应装置。其中，该至少一个反应池用于接收由样本采集装置吸取的待测血液样本，该试剂供应装置将处理试剂提供给至少一个反应池，从而由样本采集装置所吸取的待测血液样本与由试剂供应装置提供的处理试剂在至少一个反应池中混合，以制备成待测样本液。在一些实施例中，所述试剂供应装置包括用于供给红细胞试剂的试剂供给部，所述红细胞试剂例如为稀释液。

示例性地，样本承载装置用于承载待测样本液。该样本承载装置可以包括样本容器等任意能够承载待测样本液的装置，可选地，样本容器包括但不限于试管、反应杯等。

示例性地，阻抗检测装置可以用于对所述待测样本液进行检测以得到待测样本液中细胞的阻抗脉冲信号。

在一些实施例中，阻抗检测装置130包括阻抗检测部132，该阻抗检测部132用于对由待测样本液的一部分与从试剂供给部供应的红细胞试剂所制备的待测样本液进行检测以获得阻抗脉冲信号。

例如，所述阻抗检测部132构造为鞘流阻抗检测部，如图3所示，该鞘流阻抗检测部132包括具有一带电极1323的孔1322的流动室1321。鞘流阻抗检测部132检测待测样本液中的粒子通过所述孔1322时产生的直流阻抗，并输出反映粒子通过孔时的信息的阻抗脉冲信号。

具体地，样本采集装置110在吸取血液样本之后由其驱动装置驱动并移动至样本制备装置120的反应池，将所吸取的血液样本注入到该反应池中。输送管路将在反应池中经稀释液处理后的待测样本液输送到鞘流阻抗检测部132中，即输送到流动室1321中。鞘流阻抗检测部132还可以设有未图示的鞘液舱，用于给流动室1321提供鞘液。在流动室1322中，待测样本液在鞘液的包裹下流过，小孔1322使待测样本液流变为细流，使待测试样中所含粒子(有形成份)逐一通过小孔1322。电极1323与直流电源1324电连接，直流电源1324向一对电极1323之间提供直流电。在直流电源1324提供直流电期间，可以检出一对电极1323间的阻抗。表示阻抗变化的阻抗脉冲信号被放大器1325放大后输送到数据处理装置150。

在一个实施例中，显示装置140用于显示与血细胞参数相关的信息。例如，显示装置140构造为用户界面。

在一个实施例中，如图4所示，数据处理装置150至少包括处理组件151、RAM152、ROM153、通信接口154、存储器156和I/O接口155。处理组件151、RAM152、ROM153、通信接口154、存储器156和I/O接口155通过总线157进行通信。处理组件可以为CPU，GPU或其它具有运算能力的芯片。存储器156中装有操作系统和应用程序等供处理器组件151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，均可以存储到存储器156中。I/O接口155由比如USB、IEEE 1394或RS-232C等串行接口、SCSI、IDE或IEEE 1284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155上连接有由键盘、鼠标、触摸屏或其它控制按钮构成的输入设备，用户可以用输入设备直接向数据处理装置150输入数据。另外，I/O接口155上还可以连接由具有显示功能的显示装置140，例如：液晶屏、触摸屏、LED显示屏等。数据处理装置150可以将处理的数据以图像显示数据输出到显示装置140上进行显示，例如：血细胞参数、仪器运行参数等。通信接口154是可以是目前已知的任意通信协议的接口。通信接口154通过网络与外界进行通信。数据处理装置150可以通过通信接口154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。

在一些实施例中，血液分析仪100还包括血液样本分配装置(未示出)，血液样本分配装置用于将由样本采集装置110所吸取的待测样本液分为不同的至少两部分血液样本，以用于制备检测不同血细胞参数的待测样本液。例如，血液样本分配装置用于将待测样本液分为第一部分血液样本和第二部分血液样本。例如，第一部分血液样本用于检测诸如网织红细胞比率(RET％)、未成熟血小板比率(IPF)等血细胞参数，第二部分血液样本用于检测诸如血小板计数(PLT)等血细胞参数。血液样本分配装置例如可以构造为分血阀。可选地，血液样本分配装置也可以为样本采集装置110的采样针，在该情况下，样本采集装置110的驱动部驱动采样针运动到样本制备装置120的不同反应池的位置，以分别将待测样本液的一部分分配至不同的反应池中与相应的处理试剂进行反应。

在一些实施例中，数据处理装置150包括处理器和存储有计算机程序的存储介质，该数据处理装置配置为当所述计算机程序被所述处理器执行时，执行以下步骤：根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图，将所述血细胞直方图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参数，所述血细胞参数为如下的至少一项：网织红细胞参数、网织血小板参数及红细胞碎片参数；其中，所述深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

在一示例中，网织红细胞参数可以包括网织红细胞数目(RET#)和/或网织红细胞比率(RET％)。在另一示例中，网织血小板参数可以包括网织血小板数目和/或网织血小板比率(IPF％)。在另一示例中，红细胞碎片参数可以包括红细胞碎片数目(FRC#)和/或红细胞碎片比率(FRC％)。

进一步地，数据处理装置150还配置用于控制显示装置140显示该待测样本液的血细胞参数。并且进一步地，数据处理装置150配置用于在控制显示装置140显示待测样本液的血细胞参数的同时，显示报警提示信息。例如，在任一血细胞参数超出对应的阈值范围时，显示报警提示信息。

在一个实现方式中，本发明实施例通过训练预先得到深度学习神经网络模型预先训练完成的深度学习神经网络模型。示例性地，深度学习神经网络模型深度学习神经网络模型可以具有类似AlexNet的网络结构，例如包括多个卷积层、池化层、全连接层(FC)以及回归层。

如图5所示为该实现方式中的一个实施例，样本采集装置采集到的血液样本可以在样本制备装置中与试剂发生反应，制备得到的待测样本液进入阻抗检测装置，从而获得阻抗脉冲信号，可选地，阻抗脉冲信号可以包括电压脉冲信号。

在图5的示例中，数据处理装置可以获取输入的阻抗脉冲信号例如电压脉冲信号，根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图，例如RBC/PLT统计直方图。此外，图5所示的深度学习神经网络模型包括AlexNet、全连接层(FC-4096，FC-1024，FC-2)以及回归层。并且，图5中所示的深度学习神经网络模型的输出包括IPF％、RET％和FRC％。

可理解的是，图5所示仅是示意性的，本申请对该深度学习模型的具体结构不作限定，并且该深度学习模型的输出不限于IPF％、RET％和FRC％，可以为RET#、RET％、IPF％、FRC#、FRC％中的至少一项。

示例性地，深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。其中，血液训练样本中可以包括大量的训练数据。

在一个示例中，当深度学习神经网络模型预定用于输出的血细胞参数包括网织红细胞参数时，血液训练样本为带有网织红细胞参数标记的血液训练样本，所述血液训练样本包括带有网织红细胞的血液训练样本以及不带有网织红细胞的血液训练样本，其中，不带有网织红细胞的血液训练样本对应的网织红细胞参数标记为0。

在一个示例中，当深度学习神经网络模型预定用于输出的血细胞参数包括网织血小板参数，血液训练样本为带有网织血小板参数标记的血液训练样本，血液训练样本包括带有网织血小板的血液训练样本以及不带有网织血小板的血液训练样本，其中，不带有网织血小板的血液训练样本对应的网织血小板参数标记为0。

在一个示例中，当深度学习神经网络模型预定用于输出的血细胞参数包括红细胞碎片参数，血液训练样本为带有网织血小板参数标记的血液训练样本，血液训练样本包括带有细胞碎片参数的血液样本以及不带有细胞碎片参数的血液样本，不带有细胞碎片参数的血液样本对应的细胞碎片参数标记为0。

在训练时，基于上述血液训练样本获得血细胞直方图，深度学习神经网络模型是通过学习不同血细胞参数对应的血细胞直方图的形态特征得到对应的血细胞参数，例如，当血细胞直方图包括红细胞体积分布时，深度学习神经网络模型是通过学习红细胞体积分布的形态特征得到网织红细胞参数，再例如，当血细胞直方图包括血小板体积分布，深度学习神经网络模型是通过学习血小板体积分布的形态特征得到所述网织血小板参数。又例如，当血细胞直方图包括红细胞体积分布和血小板体积分布，深度学习神经网络模型是通过学习红细胞体积分布与血小板体积分布之间的过度区域的形态特征得到红细胞碎片参数。

可选地，上述形态特征包括但不限于：脉冲宽度、阻抗通道体积统计直方图尾部比例、脉冲峰值等特征中的一种或多种，其中，可以基于光学信号检测得到每个训练数据的血细胞参数，并将得到的血细胞参数作为对应的训练数据的标注信息，也就是说，标注信息包括RET#、RET％、IPF％、FRC#、FRC％中的至少一项，而基于阻抗检测装置获得每个训练数据的血细胞直方图，可以将训练数据输入到待训练的深度学习神经网络模型中，待训练的深度学习神经网络模型学习每个训练数据的不同血细胞参数对应的血细胞直方图的形态，也即学习不同形态直方图对应的各血细胞参数，将血细胞直方图输入到待训练的深度学习神经网络模型得到输出(该输出也即为血细胞参数)基于该对应的输出和标注信息构建损失函数，从而可以根据该损失函数判断训练是否完成。

其中，基于光学信号检测得到血细胞参数的方法可以参见已有的光学血细胞分析仪；对深度学习神经网络模型进行训练的方法可以参见已有的诸如神经网络的训练过程；本申请中不再赘述。

这样，本申请中能够基于深度学习神经网络模型得到诸如RET#、RET％、IPF％、FRC#、FRC％等血细胞参数，不需要对细胞进行荧光染色，操作更加简单，节省了检测成本。

如图6至图8示出了通过本申请的方案得到的血细胞参数与通过荧光染色方案得到的血细胞参数之间的相关性示意图，可以看出，本申请所得到的血细胞参数的准确度高。

图6中的横坐标(x)表示荧光染色所得到的RET％，纵坐标(y)表示本申请的深度学习神经网络模型所得到的RET％，可见，两者相关性满足：y＝0.649x+0.7595，相关性系数为R²＝0.6573。

图7中的横坐标(x)表示荧光染色所得到的IPF％，纵坐标(y)表示本申请的深度学习神经网络模型所得到的IPF％，可见，两者相关性满足：y＝0.7663x+1.2235，相关性系数为R²＝0.7063。

图8中的横坐标(x)表示荧光染色所得到的FRC％，纵坐标(y)表示本申请的深度学习神经网络模型所得到的FRC％，可见，两者相关性满足：y＝0.8422x+0.176，相关性系数为R²＝0.8293。

在一个示例中，数据处理装置150还用于根据细胞的阻抗脉冲信号得到血细胞直方图，血细胞直方图反应所述待测血液样本中各类血细胞的体积分布例如红细胞、血小板、小体积红细胞和红细胞碎片等的体积分布；数据处理装置150还用于将血细胞直方图输入至预先训练完成的深度学习神经网络模型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。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样本以及血细胞直方图样本对应的干扰消除后的血细胞直方图。

可选地，未去除干扰的血细胞直方图中反应所述待测样本液中血小板体积分布，小体积红细胞体积分布和正常红细胞体积分布，其中小体积红细胞体积分布和血小板体分布存在重叠，因此其对于血小板的计数等存在干扰。

可选地，所述深度学习神经网络模型输出的血细胞直方图为排除了小体积红细胞体积分布的直方图。

具体地，利用训练数据集预先训练得到深度学习神经网络模型训练数据集包括存在干扰的血细胞直方图(例如阻抗通道体积直方图)和对应的基于光学信号检测而获得的不受干扰的血细胞直方图例如光学通道体积直方图。深度学习神经网络模型学习的是有干扰的血液样本的阻抗通道体积直方图以及光学PLT-O检测得到的不受干扰的光学通道体积直方图，通过学习上述两类体积直方图挖掘特征，该特征用于回归预测去干扰，去除阻抗通道统计直方图中的小体积红细胞和红细胞碎片等的干扰，从而得到输出。该输出可以是去除干扰后的血细胞直方图，可以利用该去除干扰后的血细胞直方图去对血小板进行计数等。对深度学习神经网络模型进行训练的方法可以参见已有的诸如神经网络的训练过程；本申请中不再赘述。

如图9所示为该实现方式中的一个实施例，样本采集装置采集到的血液样本可以在样本制备装置中与试剂发生反应，制备得到的待测样本液进入阻抗检测装置，从而获得阻抗脉冲信号例如电压脉冲信号。

在图9的示例中，数据处理装置150可以用于：根据细胞的阻抗脉冲信号得到血细胞直方图，例如RBC/PLT体积统计直方图，血细胞直方图中反应所述待测样本液中血小板体积分布，小体积红细胞体积分布和正常红细胞体积分布，其中小体积红细胞体积分布和血小板体分布存在重叠。

为消除初始血细胞直方图中的干扰信息，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直方图。深度学习神经网络模型的一种结构如图9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的血细胞直方图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的血细胞直方图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体积分布的血细胞直方图(也即去除干扰的血细胞直方图)，提高了血小板统计结果的准确度。在实际应用中可以根据处理需求，基于去除干扰的血细胞直方图对血小板进行各种分析处理，包括但不限于血小板计数。

而数据处理装置150还可以基于去除干扰的血细胞直方图获取血小板参数，所述血小板参数包括网织血小板比率和/或血小板计数(PLT#)。或者，还可以深度学习神经网络模型不输出去除干扰的血细胞直方图，而是利用去除干扰的血细胞直方图直接获取并输出血小板参数等。

可理解的是，图9所示仅是示意性的，本申请对深度学习神经网络模型的具体结构不作限定。

在现有的血球仪当中对血小板的计数(PLT#)和红细胞的计数(RBC#)是在同一个通道中进行的。对于正常的样本，由于PLT和RBC的体积差异，可以通过体积信息将两种粒子区分开来，计数时互不干扰，如图10所示，其中体积大于体积分界线的为RBC，体积小于体积分界线的为PLT。但是当血液样本中存在大量小体积的红细胞或者红细胞的碎片，由于RBC的数量通常远远大于PLT，这部分小体积红细胞和红细胞碎片就会严重影响到血小板的计数，造成血小板计数值假性偏高，如图11所示，体积大于处于体积分界线附近的小体积红细胞和红细胞碎片可能会被当作是PLT而使得PLT#过大。

本申请中利用深度学习神经网络模型，能够通过回归预测出去除红细胞碎片和小体积红细胞干扰后的血细胞直方图。参照图12，其中现有技术得到的PLT是在阻抗通道信息的基础上直接基于体积大小分布所得出的初始的血细胞直方图(也即阻抗通道PLT统计直方图)，其中本申请得到的PLT是通过深度学习神经网络模型所得出的去除干扰的血细胞直方图(也即利用深度学习神经网络模型预测的PLT统计直方图)。直方图的横坐标表示血细胞体积，虚线表示以预定体积值为界，初始的血细胞直方图和去除干扰的血细胞直方图的左右两侧分别为血小板和红细胞的统计结果。通过对比两个直方图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，初始的血细胞直方图中血小板的统计结果高于去除干扰的血细胞直方图中血小板的统计结果，如图12中斜线条阴影所示，两个直方图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。

在一个实施例中，显示装置140可以用于显示与血细胞参数相关的信息。作为一例，利用预先训练完成的深度学习神经网络模型获得网织血小板参数例如网织血小板数目和/或网织血小板比率，可以进一步通过显示装置140显示去除干扰的血细胞直方图(也可称PLT直方图或PLT的体积统计直方图)，如图12中的所示。

在一个实施例中，显示装置140还可以用于显示报警提示信息。

在一例中，如果数据处理装置150得到的血细胞参数包括RET#，且其位于RET的阈值范围(如[RET1#,RET2#])之外，例如，RET#<RET1#或者RET#>RET2#，那么可以由显示装置140显示第一报警提示信息。例如，该第一报警提示信息包括RET#以及[RET1#,RET2#]，还可以包括超出阈值范围是过大还是过小，还可以以特定的显示方式(如第一颜色等)显示该RET#。

在另一例中，如果数据处理装置150得到的血细胞参数包括FRC％，且其位于FRC的阈值范围(如[FRC1％,FRC2％])之外，例如，FRC％<FRC1％或者FRC％>FRC2％，那么可以由显示装置140显示第二报警提示信息。例如，该第二报警提示信息包括FRC％以及[FRC1％,FRC2％]，还可以包括超出阈值范围是过大还是过小，还可以以特定的显示方式(如第二颜色等)显示该FRC％。

类似地，针对其他的血细胞参数，如RET％、IPF％、FRC#、PLT，当超出各自对应的阈值范围时，可以类似地显示对应的报警提示信息，这里不再一一罗列。

本发明实施例还提供了一种血液分析方法，如图13所示，所述方法包括如下步骤：

S10，获取阻抗检测装置对待测样本液进行检测所得到的待测样本液中细胞的阻抗脉冲信号。

S20，根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图。

S30，将所述血细胞直方图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参数，所述血细胞参数为如下的至少一项：网织红细胞参数、网织血小板参数及红细胞碎片参数；其中，所述深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

示例性地，S10之前可以包括：由血液分析系统的样本采集装置采集血液样本；由血液分析系统的样本制备装置在至少一个反应池中混合血液样本与试剂，以制备待测样本液。

步骤S30中，对深度学习神经网络模型的训练方法可以参考前文的描述在此不再一一描述。

本发明实施例还提供了一种血液分析方法，如图14所示，所述方法包括如下步骤：

S110，获取阻抗检测装置对待测样本液进行检测所得到的待测样本液中细胞的阻抗脉冲信号；

S120，根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图；

S130，将血细胞直方图输入至预先训练完成的深度学习神经网络模型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。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样本以及血细胞直方图样本对应的干扰消除后的血细胞直方图。

可选地，血细胞直方图例如阻抗通道体积直方图中反应所述待测样本液中血小板体积分布，小体积红细胞体积分布和正常红细胞体积分布，其中小体积红细胞体积分布和血小板体分布存在重叠；预先训练完成的深度学习神经网络模型输出的血细胞直方图为排除了小体积红细胞体积分布的直方图，其可以包括血小板体积分布，或者还可以包括血小板体积分布和红细胞体积分布。

可理解，如图13或图14所示的方法可以由上述的数据处理装置150执行，具体地可以由数据处理装置150所包含的处理器执行。

本发明实施例还提供了一种血液分析装置，该装置包括处理器和存储器，其中，该存储器上存储有计算机程序且该计算机程序能够在处理器上运行以执行上述如图13所示的方法或执行上述如图14所示的方法。

示例性地，血液分析装置可以是前述的数据处理装置150，作为一例，可以如图4所示。

另外，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序。当该计算机程序被计算机或者处理器执行时，可以实现前述结合图13所述的方法的步骤或者实现前述结合图14所述的方法的步骤。例如，该计算机存储介质为计算机可读存储介质。

在一个实施例中，该计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤：根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图，将所述血细胞直方图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参数，所述血细胞参数为如下的至少一项：网织红细胞参数、网织血小板参数及红细胞碎片参数；其中，所述深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

在另一个实施例中，该计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤：根据阻抗脉冲信号得到所述待测样本液的血细胞直方图；将血细胞直方图输入至预先训练完成的深度学习神经网络模型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。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样本以及血细胞直方图样本对应的干扰消除后的血细胞直方图。

计算机存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。

另外，本发明实施例还提供了一种计算机程序产品，其包含指令，当该指令被计算机所执行时，使得计算机执行上述结合图13所述的方法的步骤。

由此可见，本发明实施例中，能够基于预先训练完成的深度学习神经网络模型得到待测样本液的血细胞参数，无需对细胞进行荧光染色，操作更加简单，节省了检测成本，并且得到的血细胞参数准确度高。

尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。

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发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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设备，或一些特征可以忽略，或不执行。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(Digital Signal Processing，DSP)来实现根据本发明实施例的血液分析系统中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本发明的具体实施方式或对具体实施方式的说明，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种血液分析系统，其特征在于，包括：

样本采集装置，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，用于利用试剂对所述血液样本进行处理，以制备得到待测样本液；

阻抗检测装置，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阻抗脉冲信号；

数据处理装置，用于执行如下步骤：

根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图，将所述血细胞直方图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参数，所述血细胞参数为如下的至少一项：网织红细胞参数、网织血小板参数及红细胞碎片参数；

其中，所述深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

2.根据权利要求1所述的血液分析系统，其特征在于，所述深度学习神经网络模型输出的血细胞参数包括网织红细胞参数，所述血液训练样本为带有网织红细胞参数标记的血液训练样本，所述血液训练样本包括含有网织红细胞的血液训练样本以及不含有网织红细胞的血液训练样本，其中，不含有网织红细胞的血液训练样本对应的网织红细胞参数标记为0。

3.根据权利要求1或2所述的血液分析系统，其特征在于，所述深度学习神经网络模型输出的血细胞参数包括网织血小板参数，所述血液训练样本为带有网织血小板参数标记的血液训练样本，所述血液训练样本包括含有网织血小板的血液训练样本以及不含有网织血小板的血液训练样本，其中，不含有网织血小板的血液训练样本对应的网织血小板参数标记为0。

4.根据权利要求1-3任一项所述的血液分析系统，其特征在于，所述深度学习神经网络模型输出的血细胞参数包括红细胞碎片参数，所述血液训练样本为带有网织血小板参数标记的血液训练样本，所述血液训练样本包括含有细胞碎片参数的血液样本以及不含有细胞碎片参数的血液样本，所述不含有细胞碎片参数的血液样本对应的细胞碎片参数标记为0。

5.根据权利要求2所述的血液分析系统，其特征在于，血细胞直方图包括红细胞体积分布，所述深度学习神经网络模型是通过学习所述红细胞体积分布的形态特征得到所述网织红细胞参数。

6.根据权利要求3所述的血液分析系统，其特征在于，所述血细胞直方图包括血小板体积分布，所述深度学习神经网络模型是通过学习所述血小板体积分布的形态特征得到所述网织血小板参数。

7.根据权利要求4所述的血液分析系统，其特征在于，所述血细胞直方图中包括红细胞体积分布和血小板体积分布，所述深度学习神经网络模型是通过学习红细胞体积分布与血小板体积分布之间的过度区域的形态特征得到红细胞碎片参数。

8.根据权利要求1所述的血液分析系统，其特征在于，还包括：

显示装置，用于显示所述血细胞参数。

9.根据权利要求1所述的血液分析系统，其特征在于，还包括：

显示装置，用于在任一所述血细胞参数超出对应的阈值范围时，显示报警提示信息。

10.根据权利要求1所述的血液分析系统，其特征在于，所述网织红细胞参数包括网织红细胞数目和/或网织红细胞比率，所述红细胞碎片参数包括红细胞碎片数目和/或红细胞碎片比率，所述网织血小板参数包括网织血小板数目和/或网织血小板比率。

11.一种血液分析方法，其特征在于，包括：

获取阻抗检测装置对待测样本液进行检测所得到的待测样本液中细胞的阻抗脉冲信号；

根据所述阻抗脉冲信号得到所述待测样本液的血细胞直方图；

将所述血细胞直方图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参数，所述血细胞参数为如下的至少一项：

网织红细胞参数、网织血小板参数及红细胞碎片参数；

其中，所述深度学习神经网络模型是通过机器学习算法对带有血细胞参数标记的血液训练样本训练得到的。

12.一种血液分析装置，包括存储器、处理器及存储在所述存储器上且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权利要求11所述方法的步骤。

13.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机或处理器执行时实现权利要求11所述方法的步骤。

Images