CN116359175A - 一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法 - Google Patents
一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法 Download PDFInfo
- Publication number
- CN116359175A CN116359175A CN202310197045.1A CN202310197045A CN116359175A CN 116359175 A CN116359175 A CN 116359175A CN 202310197045 A CN202310197045 A CN 202310197045A CN 116359175 A CN116359175 A CN 116359175A
- Authority
- CN
- China
- Prior art keywords
- cell
- urine
- cells
- holographic
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003384 imaging method Methods 0.000 title claims abstract description 41
- 238000012216 screening Methods 0.000 title claims abstract description 24
- 201000009030 Carcinoma Diseases 0.000 title claims abstract description 5
- 210000001635 urinary tract Anatomy 0.000 title claims abstract description 5
- 210000002700 urine Anatomy 0.000 claims abstract description 77
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 20
- 201000011510 cancer Diseases 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 206010044412 transitional cell carcinoma Diseases 0.000 claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000002347 injection Methods 0.000 claims abstract description 9
- 239000007924 injection Substances 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 239000000243 solution Substances 0.000 claims description 13
- 230000004075 alteration Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010587 phase diagram Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 18
- 238000012706 support-vector machine Methods 0.000 abstract description 6
- 238000010186 staining Methods 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 118
- 210000003850 cellular structure Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 238000000684 flow cytometry Methods 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010005003 Bladder cancer Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000023915 Ureteral Neoplasms Diseases 0.000 description 1
- 206010046392 Ureteric cancer Diseases 0.000 description 1
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 239000006285 cell suspension Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002380 cytological effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- -1 electronics Substances 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 208000020984 malignant renal pelvis neoplasm Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000771 oncological effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 201000007444 renal pelvis carcinoma Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 201000005112 urinary bladder cancer Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/0005—Adaptation of holography to specific applications
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
- G01N21/45—Refractivity; Phase-affecting properties, e.g. optical path length using interferometric methods; using Schlieren methods
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/22—Processes or apparatus for obtaining an optical image from holograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/0005—Adaptation of holography to specific applications
- G03H2001/005—Adaptation of holography to specific applications in microscopy, e.g. digital holographic microscope [DHM]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
- G03H2001/0445—Off-axis recording arrangement
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法。该发明将数字全息显微成像与微流控芯片技术相结合实现对尿液中尿路上皮癌细胞的检测。利用注射泵驱动临床尿液样本在微流控芯片中进行流动,采用离轴数字全息显微成像系统进行流动细胞的全息干涉图像采集,进而对全息图像进行数值衍射再现并分割出单细胞聚焦、连续的定量相位图像组成数据集,对图像数据集提取形态特征、光学相位特征及纹理特征参数组成高维特征数据集,并利用机器学习算法支持向量机进行训练得到可用于尿液细胞分类人工智能模型,最后,利用所建立的分类模型对临床尿液样本中的癌细胞进行识别筛选。本发明为尿细胞学检查提供了一种低成本、快速、便捷的检测方法,适用于无需染色标记的临床尿液样本中尿路上皮癌的早期筛查。
Description
技术领域
本发明涉及一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法,可用对尿液中脱落的尿路上皮癌细胞进行无标记成像与识别。
背景技术
尿路上皮癌包括膀胱癌、输尿管癌和肾盂癌,是男性发病率第二位的恶性肿瘤。尿路上皮癌高发于老年人,随着人口老龄化,尿路上皮癌的患者群体越来越大,针对该群体的诊疗方案改进是亟需解决的医疗需求。尿细胞学检查是早期诊断尿路上皮癌的最便捷的手段。但尿液细胞的肿瘤学诊断具有一定的复杂性,尿液中细胞成分复杂,包括大量的红细胞和白细胞、较多的生理脱落的正常尿路上皮细胞、少量的尿路上皮癌细胞,以及较多的无机晶体。尿液中各类细胞崩解的速度快,样本检测窗口期短,癌细胞的快速精准捕捉是高效检测的关键。而传统的尿脱落细胞学病理检测耗时长,细胞崩解率高,易受炎症影响,检测阳性率极低。基于经典抗体染色的流式细胞检测进行癌细胞分类识别要求尿液标本实时处理并染色,抗体成本高,临床应用可行性差,因此亟需一种低成本、快速、便捷的检测方法。
数字全息显微成像技术是一种现代相干成像方法,用光电图像传感器记录全息图,通过模拟光场衍射计算来完成全息再现,从而定量获得物光场的振幅和相位分布,是一种高分辨率、高灵敏度的定量相位成像技术。数字全息显微成像技术在识别细胞方面具有天然优势,无需进行染色即可对活细胞内部折射率进行定量分析,因此更加适合血液和尿液中细胞成分的快速识别。流式细胞术是一种利用流体力学原理使细胞快速依次通过检测区域,应用现代光电检测技术对细胞进行检测,获取大量单细胞数据和开展统计学分析的方法。特别是基于微流控芯片的流式细胞检测技术,即微流控芯片技术,能够在微米尺度下完成对样品进行检测、分选和操控等各种操作,是生物、化学、医学、流体、电子、材料、机械等学科交叉的崭新研究领域。癌症诊断是微流控芯片研究的热点方向之一。将数字全息显微成像技术与微流控芯片技术结合能够对尿液样本中的悬浮细胞进行无标记、高通量成像,对所采集细胞数字全息图像进行数字再现能够获取单细胞三维定量相位信息。之后通过提取细胞相位图像的形态特征、光学相位特征及纹理特征,包括细胞相位高度、相位体积、投影面积等参数构成样本细胞特征数据集,进而采用机器学习算法对样本集进行分类训练建立机器学习分类模型,可实现对尿液中不同类型细胞的无染色、高通量的分类识别及癌细胞筛选。
发明内容
本发明为了解决尿液样本中尿路上皮癌的早期筛查问题,提出一种结合数字全息显微成像与微流控芯片技术的尿路上皮癌细胞检测方法。利用注射泵驱动临床尿液样本在微流控芯片中进行流动,采用数字全息显微成像系统进行流动细胞的全息干涉图像采集,进而对全息图像进行数字再现并分割出单细胞相位图像。之后,采用流式细胞仪将尿液中不同细胞进行分选,然后进行数字全息流式成像以及再现得到相位图像组成数据集,对图像数据集提取高维特征参数并利用机器学习算法支持向量机进行训练得到可用于尿液细胞分类人工智能模型。最后,利用所建立的分类模型对患者临床尿液样本进行成像进而实现尿液癌细胞的识别筛选。
本发明是一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法,由于尿液中细胞成分复杂,尿液中存在大量的红细胞、白细胞、上皮细胞及少量的癌细胞,因此需要对不同种类细胞进行数字全息显微成像,建立人工智能模型训练所需的数据集。因此,尿液细胞的识别分类主要包括四个步骤:第一步,将尿液样本置于注射器中,注射泵系统与微流控芯片相连接,在注射泵的驱动下细胞溶液在微流控芯片上的微通道里流动,同时,由数字全息离轴显微成像系统对流动细胞的全息干涉图像进行采集。第二步,将采集到的全息图像进行数值再现,通过数值算法重建细胞的相位图像。由于细胞在微通道内流动时,不可能所有的细胞均处于同一高度,因此,需要对相位图像中的单细胞进行识别,并对每一个细胞进行数值重聚焦,计算得到针对不同细胞的聚焦距离后再现出多幅相位图像,然后从中识别并分割出聚焦的单细胞相位图像。第三步,将临床尿液样本采用流式细胞仪对不同种类的细胞进行分选。然后分别将分选后的不同种类尿液细胞制成一定浓度的尿液细胞悬液,重复步骤一、二,将不同种类尿液细胞的单细胞图像组成数据集,通过提取细胞的形态特征、光学相位特征以及纹理特征等多个特征参数组成高维特征数据集,利用支持向量机对参数数据集进行分类训练得到分类机器学习模型。第四步,将临床采集的无标记的尿液样本重复步骤一、二得到细胞图像,并采用步骤三所得的分类模型对尿液细胞进行分类与癌细胞筛选。具体步骤如下:
第一步,利用注射泵系统驱动尿液样本在微流控芯片的微通道内流动,同时采用离轴数字全息显微成像系统记录流动细胞全息图像。具体包括以下几个步骤:
(1)将尿液样本置于注射泵系统的注射器中,注射器与微流控芯片相连接,在注射泵的驱动下细胞溶液以一定的速度在微流控芯片上的微通道里流动;
(2)将微流控芯片置于透视式数字全息光路系统的显微物镜前,使光路的物光光路垂直透过微通道内流动的细胞溶液;
(3)调节参考光的角度,使其与物光之间存在一定的夹角产生离轴干涉,相机记录微通道内流动细胞的全息干涉图像;
第二步,对记录得到的不同尿液细胞的全息图像进行数值衍射再现,得到单个细胞的相位差图像,组成图像数据集。具体包括:
(1)全息图像切趾与空间滤波。切趾操作将全息图像乘以一个二维三次样条插值函数,去除由于CCD的大小有限所产生的衍射条纹对波前的影响。空间滤波通过将全息图的空间频谱乘以一个带通空间滤波器对离轴全息图像进行滤波即可得到单独的衍射项;
(2)采用角谱传播算法对全息图像进行数值传播,该方法的优势在于无论传播距离如何,目标图像的大小保持不变;
(3)采用泽尼克多项式拟合方法对数字全息成像光路系统中由于显微物镜的使用、光学元件的缺陷以及实验系统引起的像差进行补偿。首先,将带有像差的完整的相位图像进行多项式拟合对图像进行初步的粗补偿,粗补偿可以补偿大部分像差因此采用阈值分割算法识别细胞区域,之后对识别出的无细胞背景区域重新进行多项式拟合,完成对相位图像像差的精确补偿;
(4)对每一个细胞进行数值重聚焦,对识别出的单一细胞采用自动聚焦算法计算出最佳的传播距离,来补偿全息图像记录过程中由于细胞的不同流动深度产生的离焦,得到清晰的细胞相位图像;
(5)对细胞相位图像进行解包裹,将约束在-π和π之间的相位值进行解构,得到数值连续的细胞相位图像。
第三步:将临床尿液中不同种类的细胞采用流式细胞仪进行分选,分别制成一定浓度的尿液细胞溶液,重复步骤一、二,得到不同种类尿液细胞的单细胞图像组成图像数据集,分别采用基于特征的机器学习算法进行分类训练,得到用于尿液细胞分类的人工智能模型。具体如下:
(1)将不同种类的尿液细胞进行分选,并将不同种类的细胞制成单一种类的尿液细胞溶液;
(2)重复步骤一、二,得到尿液细胞的单细胞图像数据集,提取图像形态特征、光学相位特征以及多种纹理特征参数组成特征数据集;
(3)采用支持向量机机器学习算法对特征数据集进行训练得到用于尿液癌细胞识别的分类模型。为了防止模型过拟合,提高模型的泛化性,训练过程中采用10折交叉验证方法,将特征数据集随机分为10份,其中8份进行训练,1份在训练过程中进行验证,另外1份对机器学习模型性能进行测试。
第四步:采集临床尿液样本,对其进行细胞富集后重复步骤一、二得到细胞图像,并采用步骤三所得分类模型进行分类,完成癌细胞筛查任务。
通过上述的数字全息流式显微成像方法可以对无标记的尿液样本进行高通量成像与癌细胞筛选,为尿路上皮癌的早期筛查提供一种低成本、快速、便捷的检测方法。
本发明的优点在于:
(1)数字全息流式显微成像技术将数字全息显微技术与微流控芯片技术相结合,可实现快速、高通量的细胞成像;
(2)与传统的相差显微镜得到的相差图像不同,数字全息技术是一种定量相位成像技术,相比,通过模拟光场衍射计算进行全息再现能够定量获得物光场的振幅和相位分布,实现对活细胞内部折射率的定量分析;
(3)数字全息成像技术具有数值重聚焦的能力,能够对微通道内的每一个流动细胞进行自动聚焦,得到单个细胞清晰、聚焦的相位图像;
(4)单细胞的定量相位图像组成图像数据集包含了不同种类尿液细胞的内部形态结构差异,采用人工智能算法能够实现尿液细胞自动分类与癌细胞识别。
(5)相比于传统的尿脱落细胞学病理检测和经典抗体染色的流式细胞检测,本发明采用数字全息流式显微成像技术,无需对尿液样本进行染色标记,能够完成临床尿液样本的低成本、快速便捷、高通量的癌细胞筛查任务。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法,首先,在注射泵的驱动下尿液样本在微流控芯片上的微通道里流动,同时,由数字全息离轴显微成像系统对流动细胞的全息干涉图像进行采集。然后,将采集到的全息图像进行数值再现,通过数值算法重建不同细胞的单细胞定量相位图像。之后,分别将分选后的不同种类的尿液细胞制成一定浓度的细胞溶液,将不同种类尿液细胞分别成像并再现得到单细胞图像组成数据集,采用基于特征的机器学习方法训练人工智能分类模型。最后,采用建立的分类模型对临床尿液样本中的细胞进行分类与癌细胞识别筛选,包括以下几个步骤:
具体步骤如下:
第一步,利用注射泵系统驱动尿液样本在微流控芯片的微通道内流动,同时采用离轴数字全息显微成像系统记录流动细胞全息图像。具体包括以下几个步骤:
(1)将尿液置于注射泵系统的注射器中,注射器与微流控芯片相连接,在注射泵的驱动下细胞溶液以一定的速度在微流控芯片上的微通道里流动;
(2)将微流控芯片置于数字全息成像光路的物光光路中的显微物镜前,使物光垂直透过微通道内流动的细胞溶液;
(3)物光光路中显微物镜与其后的透镜组成共焦系统,同时微调会聚透镜、显微物镜与透镜的相对位置,使其出射的光为平行光波;
(4)调节光路中的反射镜系统参考光的角度,使其与物光之间存在一定的夹角产生离轴干涉,相机记录细胞的全息干涉图像;
第二步,对记录得到的不同尿液细胞的全息图像进行数值衍射再现,再现流程包含在图1中,将得到单个细胞的相位差图像组成图像数据集。具体包括:
(1)全息图像切趾与空间滤波。切趾操作将全息图像乘以一个二维三次样条插值函数,去除由于CCD的大小有限所产生的衍射条纹对波前的影响。空间滤波通过将全息图的空间频谱乘以一个带通空间滤波器对离轴全息图像进行滤波即可得到单独的衍射项;
(2)采用角谱传播算法对全息图像进行数值传播,该方法的优势在于无论传播距离如何,目标图像的大小保持不变;
(3)采用泽尼克多项式拟合方法对数字全息成像光路系统中由于显微物镜的使用、光学元件的缺陷以及实验系统引起的像差进行补偿。首先,将带有像差的完整的相位图像进行多项式拟合对图像进行初步的粗补偿,粗补偿可以补偿大部分像差因此采用阈值分割算法识别细胞区域,之后对识别出的无细胞背景区域重新进行多项式拟合,完成对相位图像像差的精确补偿;
(4)对每一个细胞进行数值重聚焦,对识别出的单一细胞采用自动聚焦算法计算出最佳的传播距离,来补偿全息图像记录过程中由于细胞的不同流动深度产生的离焦,得到清晰的细胞相位图像;
(5)对细胞相位图像进行解包裹,将约束在-π和π之间的相位值进行解构,得到数值连续的细胞相位图像。
第三步:将尿液中不同种类细胞进行分选后再分别制成一定浓度的尿液细胞溶液,重复步骤一、二,得到不同种类细胞的单细胞图像组成图像数据集,对图像数据集提取高维特征参数,并采用机器学习算法支持向量机对特征数据集进行分类训练,得到用于尿液细胞分类的人工智能模型。具体如下:
(1)将不同种类的尿液细胞进行分选后制成一定浓度的尿液细胞溶液;
(1)对尿液细胞重复步骤一、二,得到单细胞图像数据集提取形态特征、光学相位特征以及多种纹理特征参数组成特征数据集;
(2)采用支持向量机算法对高维特征数据集进行分类模型训练。为了防止模型过拟合,提高模型的泛化性,训练过程中采用10折交叉验证方法,将特征数据集随机分为10份,其中8份进行训练,1份在训练过程中进行验证,另外1份对机器学习模型性能进行测试;
第四步:采集到临床尿液样本,对其进行细胞富集后重复步骤一、二,得到尿液中的细胞相位图,并采用步骤三所得的最优分类模型进行分类,完成癌细胞筛查任务。
通过上述的数字全息流式显微成像方法可以对无标记的尿液样本进行高通量成像与癌细胞筛选,为尿路上皮癌的早期筛查提供一种低成本、快速、便捷的检测方法。
所述方法适用于无需染色标记的临床尿液样本中尿路上皮癌的早期筛查。
Claims (1)
1.本发明是一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法,包括以下几个步骤:
第一步,采集临床尿液样本中流动细胞的数字全息图像。具体包括:
(1)由注射泵系统驱动注射器中细胞溶液以一定的速度在微流控芯片上的微通道里流动;
(2)将微流控芯片置于数字全息光路系统的显微物镜前,全息光路的物光光束垂直穿过微流控芯片;
(3)通过光路中的反射镜系统调节参考光的角度,使其与物光之间存在一定的夹角产生离轴干涉,相机记录微通道内流动细胞的全息干涉图像。
第二步,对记录得到的尿液细胞的全息图像进行数值衍射再现。具体包括:
(1)全息图像切趾与空间滤波。切趾操作将全息图像乘以一个二维三次样条插值函数,。空间滤波通过将全息图的空间频谱乘以一个带通空间滤波器得到单独的衍射项;
(2)采用角谱传播算法对全息图像进行数值传播;
(3)采用泽尼克多项式拟合方法对数字全息成像光路系统中的像差进行补偿,其包含粗补偿和精补偿两个过程;
(4)对不同流动深度的单细胞进行数值重聚焦,得到清晰的细胞相位图像;
(5)对细胞相位图像进行解包裹,得到数值连续的细胞相位图像。
第三步:将尿液中包含的不同种类细胞采用流式细胞仪进行分选并制成一定浓度的尿液细胞溶液,重复步骤一、二,得到不同种类细胞相位图像数据集,采用机器学习算法对数据集进行分类训练,得到用于尿液细胞分类的人工智能模型。具体如下:
(1)将不同种类的尿液细胞进行分选后制成一定浓度的单一种类的细胞溶液;
(1)重复步骤一、二,将得到的不同种类尿液细胞的单细胞图像组成数据集,提取其形态特征、光学相位特征以及多种纹理特征参数组成特征数据集;
(2)对高维特征数据集采用机器学习算法进行分类模型训练,训练过程中采用10折交叉验证方法,得到用于尿液癌细胞识别的细胞分类模型。
第四步:对患者临床尿液样本进行细胞富集后重复步骤一、二,得到尿液中的细胞相位图并采用步骤三得到的最优分类模型进行分类,完成癌细胞筛查任务。
通过上述的数字全息流式显微成像方法可以对无标记的尿液样本进行高通量成像与癌细胞筛选,为尿路上皮癌的早期筛查提供一种低成本、快速、便捷的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197045.1A CN116359175A (zh) | 2023-03-03 | 2023-03-03 | 一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197045.1A CN116359175A (zh) | 2023-03-03 | 2023-03-03 | 一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116359175A true CN116359175A (zh) | 2023-06-30 |
Family
ID=86932000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310197045.1A Pending CN116359175A (zh) | 2023-03-03 | 2023-03-03 | 一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116359175A (zh) |
-
2023
- 2023-03-03 CN CN202310197045.1A patent/CN116359175A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7361149B2 (ja) | デジタルホログラフィ顕微鏡検査および無傷の(untouched)末梢血白血球を用いる高精度の5部鑑別(5-part Differential) | |
US7948632B2 (en) | Method and apparatus for analysis of a sample of cells | |
Yoon et al. | Identification of non-activated lymphocytes using three-dimensional refractive index tomography and machine learning | |
US10025271B2 (en) | Method and system for detecting and/or classifying cancerous cells in a cell sample | |
US7756305B2 (en) | Fast 3D cytometry for information in tissue engineering | |
EP2300800A2 (en) | Flow cytometer apparatus for three dimensional diffraction imaging and related methods | |
CN108388853B (zh) | 针对白细胞与血小板共存全息图的分步重建与计数方法 | |
CN110334691A (zh) | 微生物水质监测方法、系统及存储介质 | |
CN113689456A (zh) | 基于深度学习的外泌体粒径分析装置及方法 | |
Chen et al. | Automatic whole blood cell analysis from blood smear using label-free multi-modal imaging with deep neural networks | |
CN113588522A (zh) | 基于微流控和图像识别的循环肿瘤检测与分选方法及系统 | |
CN108387553B (zh) | 针对白细胞与血小板共存全息图的分块重建与分类计数方法 | |
CN116359175A (zh) | 一种基于数字全息流式显微成像的尿路上皮癌细胞早期筛查方法 | |
CN114518362A (zh) | 精子质量分析装置、系统、方法及可读存储介质 | |
CN116630689A (zh) | 一种基于数字全息流式显微成像及特征重要性分析的卵巢癌梯度耐药细胞快速分类方法 | |
WO2023002355A1 (en) | Computer-implemented method and corresponding apparatus for identifying subcellular structures in the non-chemical staining mode from phase contrast tomography reconstructions in flow cytometry | |
Ahmed et al. | Semantic analysis of biological imaging data: challenges and opportunities | |
WO2021205483A1 (en) | Method and system to detect and classify bacteria and other cells in a urine sample | |
CN115452769A (zh) | 一种基于全息成像的赤潮藻三维检测方法及装置 | |
EP4293342A1 (en) | Automatic analyzer and method for optically analyzing a biological sample | |
Chen et al. | A Miniaturized and Intelligent Lensless Holographic Imaging System With Auto-Focusing and Deep Learning-Based Object Detection for Label-Free Cell Classification | |
WO2023119267A1 (en) | Method and system for visualization of the structure of biological cells | |
Hu et al. | Few-Cell Culture Monitoring and Analysis in Real-Time Using the Lensless Imaging System | |
Hassini | Automatic analysis of blood smears images: contribution of phase modality in Fourier Ptychographic Microscopy | |
CN114445680A (zh) | 用于胸腹水细胞分类模型的训练方法和乳腺癌预测的系统 |
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 |