CN1296699C - 显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法 - Google Patents
显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法 Download PDFInfo
- Publication number
- CN1296699C CN1296699C CNB2003101116115A CN200310111611A CN1296699C CN 1296699 C CN1296699 C CN 1296699C CN B2003101116115 A CNB2003101116115 A CN B2003101116115A CN 200310111611 A CN200310111611 A CN 200310111611A CN 1296699 C CN1296699 C CN 1296699C
- Authority
- CN
- China
- Prior art keywords
- image
- automatic
- marrow
- cell
- array ccd
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种显微多光谱骨髓及外周血细胞自动分析仪,它包括光源、显微镜、显示器及、面阵CCD和计算机;其特征在于:a、有一个滤光系统;b、有一个CCD控制和数据采集系统;c、有一个三维移动控制系统;d、还有计算机。本发明还公开了一种分析骨髓及外周血细胞的方法,其工作程序包括下述步骤:a、自动聚焦;b、光谱图像的采集;c、基于光谱图像的细胞分割;d、图像特征测量;e、细胞分类;f、自动扫描;g、疾病分类。本发明显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞方法自动化程度高,分析结果准确,可靠性强,充分利用显微光谱对血细胞进行光谱识别和分类,为血液病的诊断提供新的光谱学依据。
Description
技术领域
本发明涉及一种显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法,属于生物医疗检测分析仪器和方法技术领域,特别是涉及人类血液细胞的快速检测分析仪和方法。
背景技术
血液病是严重威胁人类健康的重大疾病之一,不同的血液病,其患者的血液细胞有不同的质(包括形态)和量的变化,常规骨髓(血)细胞瑞氏染色在光镜下人工识别分类存在费时(2小时/例左右),主观性强(不同认识水平的人,或同一人不同时间观察分类结果不一样)。不利于对患者的准确诊治,因此用智能化血液细胞分析仪和方法代替人工分类是医学领域的重要课题。
目前,在血液病诊断中所用的手段主要分为两种:一种是近十年来得到广泛应用的,根据电阻变化、激光散射、射频、组织化学和流式细胞仪诸原理设计制造的自动血液分析仪和方法(AHA)。该方法简单、快速而且可进行多参数测定,但是该类仪器主要根据血细胞的体积大小进行分类,对各种细胞的具体形态、结构特点不能识别,可利用信息较少,一般只能实现三分类或五分类。准确地说应该叫分群,而不叫分类。医学系统的许多研究表明,该类仪器分类对白血病及各种贫血病的异常细胞无能为力,掩盖了许多有效疾病诊断信息。即使是较高档次的自动血液分析仪和方法也仅能作为正常标本的筛选。若不与涂片镜检相配合,很容易产生漏诊或误诊。另一种是通过骨髓细胞涂片染色,然后在显微镜下人工操纵手工机械移动器,用肉眼观察寻找血液细胞,对血细胞的种类及其个数进行观察、判断,这种逐个查看细胞的检查工作是极为烦琐和劳累,需要很多的人力,而且需要专门的医学人员才能识别;由于有些细胞变化差异很小,而且缺乏客观的判定尺度,主观误差无法避免,同时也无法形成有效的定量描述结果。在集体普查逐步开展的今天,传统的检查方法已经不适应需要,人们需要能够自动地完成这些工作的仪器,即用计算机来实现血液细胞的自动识别的方法。
国际上此类仪器最近的发展是第一种方式的仪器综合两种乃至多种信号来提高分类质量,如Coulter公司的VCS自动白细胞分析仪和方法综合了体积分析、高频传导分析和激光散射分析三种技术。研究表明它确实有助于鉴别诊断部分血液病,但不能作骨髓血细胞分类。第二种方式的发展是采用了自动图像分析仪和方法器,通过计算机提取血细胞和胞核的形态和纹理参数,利用人工智能模仿人眼对细胞进行自动分类。美国和以色列等国均推出了多种商品化的设备,价格在40万美元左右。国内从上世纪八十年代开始从事细胞诊断方面的研究,成立了癌细胞自动识别研究协作组,取得了一些初步成果。九十年代初,东南大学罗立民等利用微机和单色面阵CCD采集白细胞图像,较系统的研究了白细胞自动识别问题,但由于采用单色灰度图像,使细胞分割特征描述方法存在一定难度,导致识别准确率不太理想,其后,随着计算机技术和彩色面阵CCD成像技术的发展,汪定慧、张勇等人将彩色图像处理和分析技术应用于血液细胞自动分类研究,使得系统识别率得到提高,但是目前这些研究成果并未能得到实际应用。
第一种方式利用了细胞的物理化学组成信息和细胞大小信息,但却无法像血液病医生一样利用细胞丰富的形态信息;第二种利用细胞的形态和纹理信息,却无法利用细胞本身的成分变化信息。而且第一种方式只适用于外周血检查,不适合于骨髓血细胞。因此目前都无法达到代替人工骨髓(血)细胞分类,只能作为一种过筛手段。使用这类仪器,病人涂片可复检率在30-50%之间。
光谱成像技术的出现,第一次从根本上打破了这种局面。它使我们在获得骨髓(血)细胞形态的同时又能获得骨髓(血)细胞的光谱图,使我们能将骨髓(血)细胞的形态和成分信息同时放到一起进行分析。光谱成像技术最早应用于遥感分析(又称多光谱成像或超谱成像),它使得我们在得到地面照片的同时能根据光谱信息识别出森林、麦田、草地,乃至是地表下面的矿藏。用于显微光谱成像的器件从98年以后逐渐走向成熟。国外众多的研究工作者正在逐步改进器件的性能和扩大应用领域。
生物医学上的多光谱成像技术可用来加大获取的信息,加强计算机对细胞的识别能力。从原理上讲,当正常细胞的性质发生改变时,其细胞核中的一些物质,如脱氧核糖核酸(DNA)的含量亦随之而变,导致细胞核的形态、大小及核浆比例发生变化,并且变化的类型根据细胞的种类及恶性程度而有所不同;因而对一般细胞图像灰度和形态学的分析,最多只能得到细胞60%-70%的识别信息;远不如多光谱图像在观察细胞形态的同时,通过成像光谱分析,得到细胞中组成变化的信息(被吸收光的波长直接与吸收光的物质成分有关),这些细胞化学成分定量分析信息,使得原有的计算机图像分析方法有了很广泛的应用前景。国内一些学者用光纤光谱仪在显微镜上研究了人体血液白细胞光谱,他们注意到了患者的淋巴细胞和粒细胞与正常人的相比具有明显不同的光谱特性,而且不同类型的患者的同一种白细胞的光谱也不相同。由此可见,利用显微光谱能对白细胞进行光谱识别和分类,可为白血病诊断提供新的光谱学依据。
发明内容
本发明目的是:提供一种显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法,它是将多光谱成像技术与显微技术相结合,利用新型的电调谐液晶滤光器(LCTF)代替传统的滤光器实现波长的快速扫描,采用高灵敏度制冷面阵CCD对骨髓(血)细胞瑞氏染色涂片图像进行数字化。它在获得骨髓(血)细胞形态的同时,又获得了骨髓(血)细胞的光谱图。利用光谱成像技术系统的研究正常人骨髓(血)涂片中不同血细胞的特征(同种细胞的共性,不同细胞的差异性,以及制样、光源等外界因素对光谱的影响及消除方法),发生病变后细胞的光谱特性的变化,血细胞的形态参数特性等,为血液病的早期诊断和自动化诊断研究打下坚实的基础。通过成像光谱分析,可以得到细胞中组成变化的信息,从而使对未病变细胞和病变细胞的分析识别更加准确快速。与国际上目前只利用细胞形态的血液自动图像分析仪和方法相比,本仪器自动化程度以及分析结果的准确性和可靠性都得到了极大的提高。和人工检查相比,除了能减轻复杂手工劳动外,检测准确率将大大提高,将使更多的患者在早期就能发现疾病,达到治愈的目的,其社会效益是巨大的。和国际上目只利用细胞形态的血液自动图像分析仪和方法相比,检测准确率有明显提高。
本发明所涉及的一种显微多光谱骨髓及外周血细胞自动分析仪的技术目的是这样实现的:它包括光源、显微镜、显示器及、面阵CCD和计算机;其特征在于:a、有一个滤光系统,其核心部件是电调谐滤光器,它与电调谐滤光器控制器和面阵CCD配置在显微镜上,用于实现显微光谱图像的快速采集,计算机则通过控制电调谐滤光器控制器调节加在电调谐滤光器上的电压,改变其通频带的中心频率;b、有一个CCD控制和数据采集系统,用于实现将面阵CCD检测出的图像信号通过图像采集卡转换成数字图像存贮在计算机中,供计算机进行图像处理和分析;c、有一个三维移动控制系统,用于在计算机控制下实现自动聚焦和自动扫描,自动载物台通过三维移动控制系统与计算机连接,由计算机通过扫描;d、还有计算机,用于对三维移动控制系统的控制和对采集到的光谱图像进行图像合成、图像校正、自动分割、自动分类识别;所述电调谐滤光器,一端通过标准C接口安装在显微镜上,另一端与面阵CCD连接,染色涂片细胞像经过电调谐滤光器后成像在面阵CCD上。面阵CCD采集的图像计算聚焦、控制自动载物台上下移动进行自动聚焦,水平移动实现涂片。
所述用显微多光谱骨髓及外周血细胞自动分析仪分析骨髓及外周血细胞的方法,其特征在于,其工作程序包括下述步骤:a、自动聚焦;b、光谱图像的采集;c、基于光谱图像的细胞分割;d、图像特征测量;e、细胞分类;f、自动扫描;g、疾病分类’
所述光谱图像的采集和背景校正包括下述步骤:a、先在每一所选波段采集一幅背景图像;b、根据所采集到的背景图像计算出每一光谱波段的积分时间;c、再根据计算出的积分时间在每一选定的波段采集一幅增强的背景图像;d、以后采集到的图像在每一波段用与增强的背景图像相同的的积分时间,每个波段的图像都根据增强的背底图像进行灰度校正,以消除或减少光源、光学元件、面阵CCD(12)感光单元、感光灵敏度和光谱响应的影响;
所述的细胞分割检测,采用一种全自动的光谱分割方法,它是采用光谱比值的方法得到若干灰度图像,再利用自动阈值分割方法和二值形态学方法进行由粗到精的分割。
本发明的技术效果:与现有技术相比,具有突出的特点和显著的进步。其中,与国际上目前只利用细胞形态的血液自动图像分析仪和方法相比,自动化程度、分析结果准确性、可靠性有显著的提高,充分利用显微光谱对血细胞进行光谱识别和分类,为血液病的诊断提供新的光谱学依据;与人工检查相比,除了能减轻复杂手工劳动外,检测准确率大大提高。本发明使更多的患者在早期就能发现疾病,达到治愈的目的,其社会效益巨大。
附图说明
图1是整个仪器的结构和方法示意图,其中:1-显微镜 2-光源,3-自动载物台,4-三维移动控制系统 5-电调谐滤光器控制器,6-打印机及其它外设,7-计算机,8-数据备份恢复系统,9-显示器,10-图像监视器,11-CCD控制和数据采集系统,12-面阵CCD,13、电调谐滤光器。
图2是系统工作流程图
图3是多光谱图像采集流程图
图4是一幅典型的骨髓图像,
图5是图4中矩形区域内一个平均的背底、成熟的红细胞、细胞浆和细胞核的光谱曲线
图6是自动分割算法流程图
具体实施方式
下面结合附图对本发明的技术方案及原理做进一步说明如下:
图1是本发明显微多光谱骨髓及外周血细胞自动分析仪的一个实施例。它有一个光源2、显微镜1、显示器9及面阵CCD12和计算机7;还有:a、有一个滤光系统,其核心部件是电调谐滤光器13,它与电调谐滤光器控制器5和面阵CCD12配置在显微镜1上,用于实现显微光谱图像的快速采集,计算机7则通过控制电调谐滤光器控制器5调节加在电调谐滤光器13上的电压,改变其通频带的中心频率;b、有一个CCD控制和数据采集系统11,用于实现将面阵CCD12检测出的图像信号通过图像采集卡转换成数字图像存贮在计算机7中,供计算机进行图像处理和分析;c、有一个三维移动控制系统4,用于在计算机控制下实现自动聚焦和自动扫描,自动载物台3通过三维移动控制系统4与计算机7连接,由计算机7通过面阵CCD12采集的图像计算聚焦、控制自动载物台3上下移动进行自动聚焦和水平移动实现涂片扫描;d、还有计算机7,用于对三维移动控制系统(4)的控制和对采集到的光谱图像进行图像合成、图像校正、自动分割、自动分类识别;进一步地说:所述电调谐滤光器13一端通过标准C接口安装在显微镜1上,另一端与面阵CCD12连接,染色涂片细胞像经过电调谐滤光器13后成像在面阵CCD12上;电调谐器件13是安装在面阵CCD12的前方,通过一个用于补偿光路长度镜筒安装在显微镜1上;目标物像通过显微镜放大后,再通过电调谐滤光器13成象在面阵CCD12上;面阵CCD12检测出的图像信号通过面阵CCD的控制和数据采集系统11转换成数字图像存贮在计算机7中,供计算机7进行图像处理和分析;电调谐滤光器13作为滤光器件,它的带宽为5-30nm,可以是液晶调谐滤光器,也可以是其他类型的电调谐滤光器,通过计算机控制加在电调谐滤光器13上的电压,改变透过电调谐滤光器13的光波长;涂片在连续光的照射下,细胞或其它微小物体所产生的光信号(透射光)通过电调谐滤光器13后,成像在面阵CCD12上;在计算机7的控制下,在每个视场下,可在选取的几个波段上每个波段采集一幅图像,然后通过计算机7对所采集到的光谱图像进行图像合成、图像校正、自动分割、自动分类识别等操作;光源2采用科勒照明,保证视场的均匀性;在不同的放大倍数下采用不同的面阵CCD12曝光时间以及不同的光源强度,在相同的放大倍数下,采用相同的面阵CCD12曝光时间和相同的光源强度,保证了采集条件的一致性。
图2、3、4、5、6是用本发明所述显微多光谱骨髓及外周血细胞自动分析仪分析骨髓及外周血细胞的方法的实施例:
打开显微镜1的光源2和电调谐滤光器控制器5,约半小时待光源2稳定后,就可以开始工作了。首先采集背景光谱,方法见后面的多光谱图像采集方法。骨髓(血)涂片放到自动载物台3上后,手动聚焦,调到合适位置;启动计算机7自动扫描程序;在计算机7的控制下,自动移动到一个视场,将电调谐滤光器13的透射波长定位到将要采集的波长的中间波长,在此波长下采集一幅图像,对采集到的图像进行分析,利用图像处理的方法判断玻片是否聚焦,如果没有聚焦,那么在计算机7的控制下不断调节自动载物台3的高度直到聚焦为止;当一个视场聚焦后,就可以采集一个多光谱图像,一个视场的多光谱图像采集完毕后,计算机7自动进行图像分割,找出细胞浆和细胞核;图像经分割完后,可以进行细胞特征测量,提取一些形态特征和光谱特征,用这些特征进行细胞分类,一个视场分割和分析完毕后,再继续采集和分析下一个视场,待采集的视场数目达到一定要求后,停止采集图像,对前面所有采集的细胞进行综合分析,根据在医生指导下建立的疾病数据库利用神经网络分类器得出疾病分类。
图3是多光谱图像采集流程图。由于对光谱图像是由一系列的单色图像组合而成的,因此,在每个视场下需要在每一个我们选定的波长下采集一幅图像;打开光源2和电调谐滤光器控制器5,约半小时光源稳定后,把骨髓(血)涂片放在自动载物台3上,把光源2调节到一个合适的位置,对于相同的放大倍率以后每次都放到相同的位置,使照明强度相同;调节显微镜1的光源到科勒照明,以保证视场的亮度均匀;图像采集的方法是在每一个视场下,首先将电调谐滤光器13的透射波长定位到我们要采集的波长的中间波长,在计算机7的控制下利用图像处理算法进行自动聚焦,使视场最清晰,然后通过计算机7控制电调谐滤光器5切换到一个选定的波段下,采集一幅图像,对采集到的图像进行灰度校正,然后再切换到下一个选定的波段再采集一幅图像再进行灰度校正,如此循环,直到所有所选的波段全部采集完毕,再进行彩色合成和数据存储,利用计算机7图像处理技术自动找出血细胞的胞核和胞浆,测量出细胞的特征参数,利用神经网络的方法得出细胞所属的类别,连同特征参数一并存入数据库。再采集下一个视场,直到扫描视场数目达到要求;当一个涂片的所有感兴趣的区域都采集完毕以后,就可以对测量的数据进行全自动分析,给出是否病变信息、百分比、良性恶性程度等信息;
由于白炽光源在光谱输出中呈现为光谱中的蓝光较低,而近红外(NIR)较高;面阵CCD的量子效率(QE)曲线通常是在蓝色区域很少,而在红光最高。电调谐滤光器13的通量特性(throughput properties)也表现为一定的光谱曲线。例如,LCTF滤光器在蓝光透过较少,而在NIR部分透过率高些。因此,我们会遇上在蓝光的低性能的综合影响的麻烦。这个问题可以通过选择在蓝色部分具有较高QE的面阵CCD来得到缓解,例如一个薄的背照式(backilluminate)面阵CCD。但是这种情况下就需要一个高性能的相机,这将导致价格的提高。本发明通过软件校正的方法很好的解决了白炽光源的问题,还有效的消除激发光源2、显微镜1、电调谐滤光器13、检测器对成像光谱的影响,保证成像检测的一致性;
灰度校正的方法是:聚焦涂片,使细胞最佳清晰;移动涂片到空白区域,在一个空视场下,略微散焦,通过计算机7控制电调谐滤光器5和面阵CCD12,用一个相同的积分时间在每一个所选定的波段采集一幅图像,再根据这些图像算出每个波段下一个合适的积分时间,对于灰度值比较低的波段可以给一个长的积分时间,对于灰度值高的波段给一个短的积分时间,以对整个波段范围进行平衡补偿。根据计算出的积分时间再在每个选定的波段下重新采集一幅图像,得到增强的背底光谱图像。以后对于每一个波段的图像,都用与增强的背底光谱图像相同的积分时间进行采集,都与增强的背底光谱图像对应的波段图像进行除运算然后再乘以一个比例因子对灰度值进行提升,这样处理后可以保证背底区域在不同的波段都有一致的灰度值,便于图像处理和分析。由于对背底的校正是以象素为单位进行处理的,所以不仅可以有效去除成像系统对不同波段灵敏度不同的影响,也可一对蓝光波段进行补偿提升,有效的消除一些轻微的视场不均匀性以及面阵CCD12各象素感光灵敏度差异。
图4是一幅典型的骨髓图像,图5是图4中矩形区域内的背底、成熟的红细胞、细胞浆和细胞核的平均的光谱曲线。图5的横坐标是波长,纵坐标是透射光的强度,每隔10nm采集一幅图像,每个点代表图4中在每个波段内的单色图像的矩形区域内的平均灰度。
从图5可以看出,不同的物质,它们的光谱透射率是不一样的。我们可以利用这些差异对它们进行自动分割。由于细胞核、细胞浆和背景区域具有不同的光谱特性,利用它们的光谱差异,采用基于象素的图像分割方法对图像进行分割,取得了良好的分割效果。
主要采用的分割方法光谱比值操作。由于不同类型骨髓细胞有的颜色差别较小,而且由于染色深浅也很难完全一致,单纯利用某一个波段的差别或者利用图像的绝对灰度值还很难准确的区分出细胞核、细胞浆和背底。因此,我们采用谱比值的方法来加大它们之间的差异,而且比值是相对值,这就大大减小了染色深浅以及感光单元灵敏度对图像分割结果的影响。具体方法是选择两个波段,对每个图像象素,利用这两个波段的灰度进行相除运算,再把得到的结果乘以一个固定的放大因子,生成一幅新的单色图像,再利用这个单色图像进行自动阈值分割,本发明用的是最大方差阈值法,取得了良好的效果。本发明找到了几组波长,可以分别分割出细胞浆和细胞核;
由于光谱图像的海量数据,波段选择是处理光谱图像的一个必要环节,波段选择一方面能有效的减少计算量,另一方面也去除了其中的冗余信息。特征选择的搜索算法可分为最优搜索和次优搜索两类,最优算法有穷举法和分支定界算法;次优算法则包括模拟退火算法、Tabu算法和遗传算法等等。从既能得到最优结果并且实现简单的角度出发,本发明采用穷举法。本发明找波长的方法是用穷举法遍历所有可能的波长组,对应不同的波长组,分别求出这两种物质对应的灰度的比值,构成特征空间,然后求出这两类物质的可分性判据(如类内类间距离,Bhattacharyya距离和散度),比较分类时的错误率,错误率最小的一组波长即为所求。
图6是骨髓(血)涂片细胞图像自动分割(检测)流程图
本发明研究了骨髓(血)涂片细胞图像自动分割(检测)算法,找到了一系列全自动快速分割算法。图像分割主要采用谱比值的方法。由于细胞核、细胞浆、成熟的红细胞以及背底具有不同的光谱特性,因此,可以利用它们的光谱特性进行全自动图像分割。具体分割流程是:选取若干个波段,利用这些波段信息找出空白区域;再选若干波段,利用波段信息找出成熟的红细胞区域;删除红细胞区域和空白背底区域后就可以得到有核细胞区域。再执行腐蚀膨胀等二值形态学操作去除一些小的颗粒,得到区域S1。选择两个波段,进行光谱比值操作,对得到的比值图像,在S1所标记的区域利用最大方差阈值法找到一个全局的阈值,可以把胞浆和胞核分开,得到胞核区域S2,这样分割的效果比较粗略,但速度很快。删除S2中小面积区域,删除的部分用胞浆标记填充,然后再删除没有与胞核相连的区域得到区域S3,那么S3就是一个一个的细胞了。由于前面的分割是一个粗略的分割,因此,再选若干个波段,以每个细胞作为分割单位,利用波段信息对它进行精确分割,可以准确的分割出每个细胞的胞核和胞浆。细胞分割完之后,就可以进行分类识别了。
利用目视的方法来看图像分割的效果。对于外周血涂片,对Wright染色的约8000个细胞进行分割,单核细胞、淋巴细胞、中性杆状核粒细胞、中性分叶核粒细胞、嗜酸性粒细胞的细胞核分割的准确度在98.7%以上,嗜碱性粒细胞细胞核分割的准确度为90.2%。其细胞浆分割的准确度稍差一点,主要是因为有的细胞浆与其它无核细胞相比,其光谱差异极小,但分割准确率也达到了90%以上,远高于现有文献所报道的值。对于Wright染色的骨髓细胞涂片,对约9000个细胞进行分割,常见的晚幼红细胞、中幼红细胞、早幼红细胞、中性分叶核、中性杆状核、中性中幼粒细胞、中性晚幼粒细胞、淋巴细胞其细胞核分割的准确度在98.5%以上,对于比较少的嗜酸性和嗜碱性细胞,细胞核分割的准确度在95.1%以上,对于胞浆的分割,除了晚幼红以外,准确率均在94.3%以上,由于晚幼红长大以后就变成了成熟的红细胞,所以其胞浆的光谱特性与成熟的红细胞十分接近,故容易出现错分的情况,从目前的情况来看,准确率也达到了85.7%。
图像分割的最终目的是为了进行分类识别。为了能够有效的进行识别,必须先建立特征库。建立特征库的方法是,先收集正常人群、各期白血病类型的病例玻片300例,采集它们的显微多光谱图像,并在专家指导下进行人工分类,编制程序进行手动精确分割和测量,进行特征提取。由于提取的参数众多,且多光谱图像有很多个波段,因此,它的光谱特征要比普通的灰度图像多出数倍。而太多的特征不仅会使分析的速度变慢,而且也可能使分析的结果出现更多的误差。因此,进行特征选择和特征筛选,降低特征的维数是很有必要的。对于训练样本,本发明提取了形态学参数、光密度参数和纹理参数以及光谱比值参数共计438个特征,本发明采用遗传算法来进行特征选择,分析不同类型白血病、不同类型细胞的光谱和形态特性,分析它们的特异性和相关性,挑选细胞分类的特征参数,取得了良好的效果。经过遗传算法,最后得到最优特征132个,特征选择完毕后,我们就利用选择后的特征建立原始特征数据库。
原始特征库建立好了以后,构建一个3层神经网络,利用神经网络对这些样本进行训练,网络训练完毕后把训练的权值数据存入数据库。
有了原始特征库和神经网络训练的结果,我们就可以对未知样本进行识别。本发明采用神经网络对待测细胞进行自动识别分类,取得了良好的结果,而且速度极快。从识别效果看,对于外周血涂片,对Wright染色的约8000个细胞进行分类,单核细胞正确率为97.2%、淋巴细胞正确率为98.7%、中性杆状核粒细胞正确率为95.3%、中性分叶核粒细胞正确率为96.6%、嗜酸性粒细胞正确率为97.6%,嗜碱性粒细胞正确率为92.1%。对于Wright染色的骨髓细胞涂片,对约9000个细胞进行分类,准确率为:常见的晚幼红细胞94.6%、中幼红细胞93.2%、早幼红细胞90.7%、中性分叶核95.5%、中性杆状核87.4%、中性中幼粒细胞89.4%、中性晚幼粒细胞88.3%、淋巴细胞92.0%,对于比较少的嗜酸性和嗜碱性细胞以及其它细胞均在80.3%以上。
Claims (7)
1、一种显微多光谱骨髓及外周血细胞自动分析仪,它包括光源(2)、显微镜(1)、显示器(9)及面阵CCD(12)和计算机(7);其特征在于:a、有一个滤光系统,其核心部件是电调谐滤光器(13),它与电调谐滤光器控制器(5)和面阵CCD(12)配置在显微镜(1)上,用于实现显微光谱图像的快速采集,计算机(7)则通过控制电调谐滤光器控制器(5)调节加在电调谐滤光器(13)上的电压,改变其通频带的中心频率;b、有一个CCD控制和数据采集系统(11),用于实现将面阵CCD(12)检测出的图像信号通过图像采集卡转换成数字图像存贮在计算机(7)中,供计算机进行图像处理和分析;c、有一个三维移动控制系统(4),用于在计算机控制下实现自动聚焦和扫描,自动载物台(3)通过三维移动控制系统(4)与计算机(7)连接,由计算机(7)通过面阵CCD(12)采集的图像计算聚焦、控制自动载物台(3)上下移动进行自动聚焦和水平移动实现涂片扫描;d、还有计算机(7),用于对三维移动控制系统(4)的控制和对采集到的光谱图像进行图像合成、图像校正、自动分割、自动分类识别;所述电调谐滤光器(13)一端通过标准C接口安装在显微镜(1)上,另一端与面阵CCD(12)连接,染色涂片细胞像经过电调谐滤光器(13)后成像在面阵CCD(12)上。
2、按权利要求1所述的显微多光谱骨髓及外周血细胞自动分析仪,其特征在于,电调谐滤光器(13)的带宽为5-30nm。
3、按权利要求1所述的显微多光谱骨髓及外周血细胞自动分析仪,其特征在于,光源(2)采用科勒照明,用于保证视场的均匀性,它是在不同的放大倍数下采用不同的面阵CCD(12)曝光时间以及不同的光源强度,在相同的放大倍数下,采用相同的面阵CCD(12)曝光时间和相同的光源强度,保证采集条件的一致性。
4、一种用权利要求1所述显微多光谱骨髓及外周血细胞自动分析仪分析骨髓及外周血细胞的方法,其特征在于,其工作程序包括下述步骤:a、自动聚焦;b、光谱图像的采集;c、基于光谱图像的细胞分割;d、图像特征测量;e、细胞分类;f、自动扫描;g、疾病分类;光谱图像的采集包括下述步骤:a、先在每一所选波段采集一幅背景图像;b、根据所采集到的背景图像计算出每一光谱波段的积分时间;c、再根据计算出的积分时间在每一选定的波段采集一幅增强的背景图像;d、以后采集到的图像在每一波段用与增强的背景图像相同的积分时间,每个波段的图像都根据增强的背底图像进行灰度校正,以消除或减少光源、光学元件、面阵CCD(12)感光单元、感光灵敏度和光谱响应的影响;细胞分割检测采用一种全自动的光谱分割方法,它是采用光谱比值的方法得到灰度图像,再利用自动阈值分割方法和二值形态学方法进行由粗到精的分割。
5、按权利要求4所述的分析骨髓及外周血细胞的方法,其特征在于,所述全自动的光谱分割流程是:选取波段,利用这些波段信息找出空白区域,再选波段,利用波段信息找出成熟的红细胞区域,删除红细胞区域和空白背底区域后就得到有核细胞区域;再执行腐蚀膨胀等二值形态学操作去除一些小的颗粒,得到区域S1;选择两个波段,进行光谱比值操作,对得到的比值图像,在S1所标记的区域利用最大方差阈值法找到一个全局的阈值,把胞浆和胞核分开,得到胞核区域S2,这样分割的效果比较粗略,但速度很快;删除S2中小面积区域,删除的部分用胞浆标记填充,然后再删除没有与胞核相连的区域得到区域S3,那么S3就是一个一个的细胞;由于前面的分割是一个粗略的分割,因此,再选波段,以每个细胞作为分割单位,利用波段信息对它进行精确分割,准确的分割出每个细胞的胞核和胞浆;细胞分割完之后,就进行分类识别。
6、按权利要求4所述的分析骨髓及外周血细胞的方法,其特征在于,所述显微多光谱分析的波段选择,它是利用可分离性判据,用穷举法从设定的波段中选出能区分两种物质的一组波段。
7、按权利要求4所述的分析骨髓及外周血细胞的方法,其特征在于,所述的疾病分类:a、建立原始特征数据库:它是根据先收集正常人群、各期白血病类型的病例玻片、采集显微多光谱图像、进行人工分类、编制程序进行手动精确分割和测量、进行特征提取、筛选、提取形态学参数、光密度参数和纹理参数以及光谱比值参数特征、分析不同类型白血病、不同类型细胞的光谱和形态特性、分析它们的特异性和相关性、挑选细胞分类的特征参数、最后得到特征,再将选择后的特征建立原始特征数据库;b、构建一个3层神经网络,利用神经网络对这些样本进行训练,网络训练完毕后把训练的权值数据存入数据库;c、根据原始特征库和神经网络训练的结果,对未知样本进行识别,用神经网络对待测细胞进行自动识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101116115A CN1296699C (zh) | 2003-12-19 | 2003-12-19 | 显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101116115A CN1296699C (zh) | 2003-12-19 | 2003-12-19 | 显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1553166A CN1553166A (zh) | 2004-12-08 |
CN1296699C true CN1296699C (zh) | 2007-01-24 |
Family
ID=34336221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2003101116115A Expired - Fee Related CN1296699C (zh) | 2003-12-19 | 2003-12-19 | 显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1296699C (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126699B (zh) * | 2007-09-27 | 2010-07-21 | 中国气象局北京城市气象研究所 | 一种花粉粒子影像数据采集系统 |
CN101339185B (zh) * | 2008-06-23 | 2011-03-02 | 武汉呵尔医疗科技发展有限公司 | 用于脱落细胞检测的自动显微成像仪及检测方法 |
JP2010281604A (ja) * | 2009-06-02 | 2010-12-16 | Aoi Seiki Kk | 検体処理装置及び検体処理方法 |
JP5557091B2 (ja) * | 2010-03-30 | 2014-07-23 | 日本電気株式会社 | 画像処理装置、画像読取装置、画像処理方法及び画像処理プログラム |
EP2617010B1 (en) | 2010-09-17 | 2017-07-26 | Koninklijke Philips Electronics N.V. | Choosing anatomical variant model for image segmentation |
CN102625022B (zh) * | 2011-01-29 | 2014-05-28 | 麦克奥迪实业集团有限公司 | 一种带有像方补偿运动的快速显微切片扫描方法及装置 |
CN102359938B (zh) * | 2011-09-16 | 2012-09-05 | 长沙高新技术产业开发区爱威科技实业有限公司 | 红细胞形态学分析装置及其方法 |
ES2641480T3 (es) * | 2013-03-15 | 2017-11-10 | Ventana Medical Systems, Inc. | Sistema de aprendizaje automático basado en objetos de tejido para puntuación automatizada de portaobjetos digitales completos |
CN103146800B (zh) * | 2013-03-27 | 2014-08-13 | 朱耀辉 | 全自动细胞非染色图像识别计数方法 |
GB2542765A (en) * | 2015-09-23 | 2017-04-05 | Pathxl Ltd | Method and apparatus for tissue recognition |
CN105319381A (zh) * | 2015-11-16 | 2016-02-10 | 青岛安倍康生物医药技术有限公司 | 一种全自动血细胞计数仪及其计数控制方法 |
US9971966B2 (en) | 2016-02-26 | 2018-05-15 | Google Llc | Processing cell images using neural networks |
CN107505698B (zh) * | 2017-07-17 | 2024-01-12 | 中国家用电器研究院 | 一种生物的识别计数装置及方法 |
CN108693096A (zh) * | 2017-12-13 | 2018-10-23 | 青岛汉朗智能医疗科技有限公司 | 红细胞检测方法及系统 |
CN108896363A (zh) * | 2018-05-28 | 2018-11-27 | 杭州智微信息科技有限公司 | 一种骨髓涂片数字化的流程方法 |
CN109211803B (zh) * | 2018-09-17 | 2020-10-09 | 中国科学院生态环境研究中心 | 一种基于显微多光谱技术对微塑料进行快速识别的装置 |
CN109489816B (zh) * | 2018-10-23 | 2021-02-26 | 华东师范大学 | 一种显微高光谱成像平台及大区域数据立方体采集的方法 |
CN109473151A (zh) * | 2018-10-31 | 2019-03-15 | 青岛大学 | 一种医院临床检验用血液采集存储装置及其采集方法 |
CN109324197A (zh) * | 2018-11-16 | 2019-02-12 | 北京诚名扬科技发展有限公司 | 血型鉴定记录仪及鉴定记录方法 |
CN113039551B (zh) * | 2018-11-19 | 2024-01-23 | 深圳迈瑞生物医疗电子股份有限公司 | 分析细胞的方法、细胞分析设备与计算机可读存储介质 |
CN109612997B (zh) * | 2019-01-22 | 2021-06-29 | 济南星齐医学检验有限公司 | 一种病理科临床用定性诊断装置 |
CN110411717B (zh) * | 2019-08-30 | 2021-06-18 | 广东北创光电科技股份有限公司 | 显微球面光谱自动分析仪及应用其的光谱自动分析方法 |
CN110767307A (zh) * | 2019-09-20 | 2020-02-07 | 杭州憶盛医疗科技有限公司 | 一种细胞形态学人工智能自动诊断新方法 |
CN111504885B (zh) * | 2020-04-04 | 2022-03-15 | 电子科技大学 | 一种基于机器视觉的全自动血涂片形态分析装置的分析方法 |
CN111458269A (zh) * | 2020-05-07 | 2020-07-28 | 厦门汉舒捷医疗科技有限公司 | 一种外周血淋巴微核细胞图像人工智能识别方法 |
CN111795918B (zh) * | 2020-05-25 | 2024-03-01 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测扫描结构及扫描方法 |
CN111795919B (zh) * | 2020-05-25 | 2024-03-26 | 中国人民解放军陆军军医大学第二附属医院 | 一种骨髓细胞形态学自动检测系统及其工作方法 |
CN112070059A (zh) * | 2020-09-18 | 2020-12-11 | 厦门汉舒捷医疗科技有限公司 | 一种血液细胞及骨髓细胞图像人工智能分类识别方法 |
CN112396583B (zh) * | 2020-11-18 | 2024-01-26 | 深思考人工智能机器人科技(北京)有限公司 | 一种基于巴氏染色方式的dna倍体定量分析的方法及系统 |
CN112432948A (zh) * | 2020-12-03 | 2021-03-02 | 中国人民解放军陆军军医大学第二附属医院 | 一种外周血细胞形态学自动检测方法 |
CN112378727A (zh) * | 2020-12-14 | 2021-02-19 | 湖南莱博赛医用机器人有限公司 | 基于机器视觉的dna倍体定量分析装置及其应用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2032446U (zh) * | 1988-01-12 | 1989-02-15 | 华东师范大学 | 智能微粒检测仪 |
CN1037035A (zh) * | 1988-04-08 | 1989-11-08 | 神经医学系统公司 | 基于神经网络的自动细胞试样分类系统和方法 |
JPH09197290A (ja) * | 1996-01-12 | 1997-07-31 | Omron Corp | 顕微鏡画像入力装置 |
CN1277394A (zh) * | 2000-07-05 | 2000-12-20 | 徐秀林 | 一种显微生物医学图像识别系统及其分析方法 |
CN1308230A (zh) * | 2001-03-08 | 2001-08-15 | 武汉大学 | 高分辨阿达玛变换显微图像分析仪 |
-
2003
- 2003-12-19 CN CNB2003101116115A patent/CN1296699C/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2032446U (zh) * | 1988-01-12 | 1989-02-15 | 华东师范大学 | 智能微粒检测仪 |
CN1037035A (zh) * | 1988-04-08 | 1989-11-08 | 神经医学系统公司 | 基于神经网络的自动细胞试样分类系统和方法 |
JPH09197290A (ja) * | 1996-01-12 | 1997-07-31 | Omron Corp | 顕微鏡画像入力装置 |
CN1277394A (zh) * | 2000-07-05 | 2000-12-20 | 徐秀林 | 一种显微生物医学图像识别系统及其分析方法 |
CN1308230A (zh) * | 2001-03-08 | 2001-08-15 | 武汉大学 | 高分辨阿达玛变换显微图像分析仪 |
Also Published As
Publication number | Publication date |
---|---|
CN1553166A (zh) | 2004-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1296699C (zh) | 显微多光谱骨髓及外周血细胞自动分析仪和分析骨髓及外周血细胞的方法 | |
JP6726704B2 (ja) | 細胞の体積および成分の計測 | |
US7587078B2 (en) | Automated image analysis | |
US6181414B1 (en) | Infrared spectroscopy for medical imaging | |
CN1236302C (zh) | 一种多光谱细胞涂片自动分析仪及其用于宫颈细胞的分析方法 | |
US4175860A (en) | Dual resolution method and apparatus for use in automated classification of pap smear and other samples | |
CA1312276C (en) | Methods and apparatus for immunoploidy analysis | |
JP6031513B2 (ja) | 網赤血球の同定および測定 | |
KR102140385B1 (ko) | 골수 판독을 위한 셀존 레이블링 장치 및 이를 포함하는 셀존 검출 시스템 | |
CN101339185A (zh) | 用于脱落细胞检测的自动显微成像仪及检测方法 | |
US11519843B2 (en) | Biosensor platform and method for the simultaneous, multiplexed, ultra-sensitive and high throughput optical detection of biomarkers | |
WO2009009779A2 (en) | Automated bone marrow cellularity determination | |
US11519856B2 (en) | Method for optically detecting biomarkers | |
Rodenacker et al. | Automatic analysis of aqueous specimens for phytoplankton structure recognition and population estimation | |
US20180328848A1 (en) | Cell detection, capture, analysis, aggregation, and output methods and apparatus | |
Chen et al. | Automatic whole blood cell analysis from blood smear using label-free multi-modal imaging with deep neural networks | |
Priyankara et al. | An extensible computer vision application for blood cell recognition and analysis | |
US20220383629A1 (en) | Label-free cell classification and screening system based on hybrid transfer learning | |
CN110335249A (zh) | 基于高光谱成像技术的柑橘黄龙病检测方法 | |
CA2279945A1 (en) | Infrared spectroscopy for medical imaging | |
CN116071367B (zh) | 基于显微图像的粪便有形成分定量分析及控制方法和系统 | |
Poon | Algorithms for detecting and segmenting nucleated blood cells | |
Boev et al. | Automated microscopy system for peripheral blood cells | |
WO2001032914A1 (en) | Method of analysing cell samples, by creating and analysing a resultant image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C19 | Lapse of patent right due to non-payment of the annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |