DE69327615T2 - Verfahren und Vorrichtung zur Partikelanalyse - Google Patents
Verfahren und Vorrichtung zur PartikelanalyseInfo
- Publication number
- DE69327615T2 DE69327615T2 DE69327615T DE69327615T DE69327615T2 DE 69327615 T2 DE69327615 T2 DE 69327615T2 DE 69327615 T DE69327615 T DE 69327615T DE 69327615 T DE69327615 T DE 69327615T DE 69327615 T2 DE69327615 T2 DE 69327615T2
- Authority
- DE
- Germany
- Prior art keywords
- clusters
- centers
- gravitational
- gravity
- particle
- 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 - Lifetime
Links
- 239000002245 particle Substances 0.000 title claims description 63
- 238000000034 method Methods 0.000 title claims description 31
- 238000004458 analytical method Methods 0.000 title claims description 12
- 238000009826 distribution Methods 0.000 claims description 44
- 230000005484 gravity Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 210000000601 blood cell Anatomy 0.000 description 50
- 238000010586 diagram Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 12
- 210000004698 lymphocyte Anatomy 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 9
- 210000001616 monocyte Anatomy 0.000 description 8
- 210000003714 granulocyte Anatomy 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000000805 cytoplasm Anatomy 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000003219 hemolytic agent Substances 0.000 description 1
- 230000002949 hemolytic effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1031—Investigating individual particles by measuring electrical or magnetic effects
- G01N15/12—Investigating individual particles by measuring electrical or magnetic effects by observing changes in resistance or impedance across apertures when traversed by individual particles, e.g. by using the Coulter principle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1019—Associating Coulter-counter and optical flow cytometer [OFC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1024—Counting particles by non-optical means
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Description
- Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Analyse mehrerer Arten von miteinander vermischten Partikeln, wobei aufgrund von Messungen bestimmter Partikeleigenschaften und Zählung der Anzahl von Partikeln, die zu jeder Art gehören, auf die Art jedes Partikels geschlossen wird, und insbesondere bezieht sich die Erfindung auf ein System zur Vermutung der Art jedes detektierten Partikels aufgrund von Verteilungsdaten, welche gewonnen werden unter Anwendung eines Neuronalnetzes und diesem zuvor zugeführter Information über die jeweiligen Charakteristika einer Anzahl von Partikeln, um es deren Verteilungszustände lernen zu lassen.
- Ein solcher Partikelanalysator ist beispielsweise als Blutkörperchen-Analysator zum Klassifizieren und Zählen von Blutkörperchen im Blut geeignet, und ein derartiges Gerät ist z. B. in der JP-A-3131756 beschrieben. Bei diesem bekannten Gerät werden vorbestimmte charakteristische Werte (hier verallgemeinert als "charakteristischer Parameter" bezeichnet) der Blutkörperchen, welche zu mehreren Arten gehören (nachfolgend allgemein als Kategorien bezeichnet) einer Eingangsebene eines Neuronalnetzes vom Fehler-Rückausbreitungs(back propagation)-Typ zugeführt, um dieses zu veranlassen ihre Verteilungszustände durch Beobachtung kennenzulernen, und danach werden die charakteristischen Parameter jedes detektierten Partikels der Eingangsebene zugeführt, um sie zu veranlassen, die (hier als Häufung ("Cluster") bezeichnete) Gruppe oder Kategorie zu vermuten, zu welcher das Partikel gehören soll, also einen Häufungsvorgang aufgrund der resultierenden Lerndaten durchzuführen.
- Jedoch hat dieses Gerät den Nachteil, daß es fälschlich ein Partikel einer nicht gelernten Kategorie in eine gelernte Kategorie klassifiziert, wenn die charakteristischen Parameter eines solchen Partikels einer ungelernten Kategorie benutzt werden, und darüber hinaus benötigt es eine lange Lernzeit, wenn die Verteilung der charakteristischen Parameter kompliziert ist, weil es mit einem Neuronalnetzwerk des Fehler- Rückausbreitungs-Typs arbeitet.
- Ein weiterer Neuronalnetz-Ansatz zur Blutkörperchen-Analyse ist beschrieben von Fu L. et al. in "A Hybrid System Approach to Multivariate Analysis of Flow Cytometry Data", Seiten 315 bis 324, Procs Fifth Annual IEEE Symposium on Computer-Based Medical Systems, 14.-17. Juni 1992. Hier wird ein Neuronalnetz-Algorithmus benutzt, der als Real Time Adaptive Clustering bekannt ist, um die Haufenbildung (Clustering) eines Datenraums, welcher Blutkörperchentypen darstellt, durchzuführen. Nach der Haufenbildung der Daten wird eine statistische Abschätzung vorgenommen, und es läßt sich eine Häufung der Zugehörigkeit jedes Korpuskelclusters finden.
- Der Stand der Technik verläßt sich somit völlig auf ein Neuronalnetzwerk zur Durchführung der Datenhäufung oder Clusterbildung, und dies hat eine Anzahl von Nachteilen. Weil erstens das Neuronalnetz sowohl nichtlinear als auch selbstaggregierend ist, wird es sehr schwierig, herauszufinden, was der reale Clusterungsvorgang tatsächlich ist. Weiterhin berichtet der Stand der Technik, daß der Ansatz in einigen Testfällen zu einer Zufallsclusterung führen kann, wobei eine zufällige willkürliche Anzahl von Clustern gebildet wird ohne Rücksicht auf die Anzahl von Korpuskeltypen in der Probe.
- Demnach besteht eine Aufgabe der Erfindung in der Schaffung eines Verfahrens und eines Gerätes zur Clusterbildung von aus einer Partikelanalyse gewonnenen räumlichen Verteilungsdaten, das in der Lage ist, eine genaue Clusterbildung in kurzer Zeit unabhängig von einer abnormalen oder komplizierten Verteilung der vorliegenden Parameter durchzuführen.
- Ferner liefert die Erfindung eine bekannte resultierende Anzahl von Clustern entsprechend den verschiedenen bekannten Typen von Partikeln, welche in einer Probe vorliegen können.
- Bei dem Verfahren und der Vorrichtung gemäß der Erfindung wird eine zeitliche Folge gemessener Daten, welche eine Mehrzahl charakteristischer Parameter bilden zur gleichen Zeit einem Voranalysator, wie einem Neuronalnetzwerk, zugeführt, wie sie in Verteilungsdaten in einem charakteristischen Parameterraum umgewandelt werden, und aus den Verteilungsdaten wird eine Clusterinformation, wie das Gravitationszentrum des Clusters jeder Kategorie, angenommen, um eine genaue Clusterbildung der detektierten Partikel auf Grundlage der angenommenen anfänglichen Clusterinformationen vorzunehmen.
- Im einzelnen wird eine Mischung einer Anzahl von Partikeln, die zu mehreren Kategorien gehören, einem Partikeldetektor, wie einem Flußzytometer zugeführt, um sukzessiv vorbestimmte charakteristische Parameter jedes Partikels zu messen, und die gemessenen Werte werden in Verteilungsdaten eines vorbestimmten Raums charakteristischer Parameter umgewandelt. Zur gleichen Zeit werden die gemessenen Werte sequentiell einem Voranalysator, wie etwa einem Neuronalnetzwerk zugeführt, welches eine Eingangsebene hat, die zumindest Neuronen entsprechend jeweils den oben genannten charakteristischen Parametern aufweist und welches eine Ausgangsebene hat, welche zumindest Neuronen entsprechend jeweils den erwarteten Kategorien aufweist, zur Durchführung unüberwachter Lernvektor-Quantisierung zur Annahme von Clusterinformationen einschließlich Gravitationsvektorinformatinenen der Cluster entsprechend jeweils den oben genannten Kategorien. Nach der Bildung dieser anfänglich angenommenen Clusterinformation erfolgt eine Clusterbildung der oben genannten Verteilungsdaten durch das erfindungsgemäße Clusterungsverfahren oder -gerät entsprechend den angenommenen Clusterinformationen, welche als Basis für die Clusterbildung benutzt werden.
- Nach der Clusterbildung können Partikelzugehörigkeiten für jeden Cluster gefunden werden.
- Diese und andere Merkmale und Funktionen der Erfindung werden nachfolgend anhand einer bevorzugten Ausführungsform mit Bezug auf die beiliegenden Zeichnungen beschrieben. Es zeigen:
- Fig. 1 ein Blockschaltbild der Konfiguration einer Ausführungsform des Partikelanalysators gemäß der Erfindung;
- Fig. 2a und 2b erläuternde Diagramme eines Blutkörperchen- Detektorverfahrens in einer Vorrichtung zur Ermittlung von Blutkörperchen gemäß der Ausführung nach Fig. 1;
- Fig. 3 ein Blockschaltbild der inneren Ausbildung eines Analysators gemäß Fig. 1;
- Fig. 4 ein Diagramm für ein Beispiel der Verteilung von Daten, die vom Datenwandler gemäß Fig. 3 gebildet wurden;
- Fig. 5 ein erläuterndes Diagramm eines Beispiels für die Ausbildung eines Neuronalnetzes gemäß Fig. 3 und seiner Funktion;
- Fig. 6 ein Flußdiagramm zur Veranschaulichung der Gravitationszentrumsberechnung und der Partikelzählvorgänge in der Clusterbildungsanordnung gemäß Fig. 3;
- Fig. 7 ein erläuterndes Diagramm einer Domänenteilung bei dem Vorgang gemäß Fig. 6;
- Fig. 8 ein erläuterndes Diagramm der Messung des Abstandes eines detektierten Partikels zum Gravitationszentrum jedes Partikelclusters bei dem Vorgang gemäß Fig. 6;
- Fig. 9a und 9b Diagramme für ein Beispiel der Datenverteilung für normale Blutkörperchen und ein Ergebnis ihrer Clusterbildung;
- Fig. 10a und 10b Diagramme für ein Beispiel der Datenverteilung abnormaler Blutkörperchen und das entsprechende Ergebnis der Clusterbildung; und
- Fig. 11a und 11b Diagramme zur Veranschaulichung eines anderen Beispiels der Datenverteilung abnormaler Blutkörperchen und ihres Clusterungsergebnisses.
- In den Zeichnungen sind entsprechende Elemente mit denselben Bezugsziffern bezeichnet.
- Fig. 1 zeigt eine Gesamtkonfiguration einer Klassifizierungs- und Zählvorrichtung für Blutkörperchen als eine bevorzugte Ausführungsform eines Partikelanalysators gemäß der Erfindung. Das Gerät enthält einen Blutkörperchendetektor 2, einen Signalverstärker 4, einen Analog/Digital-Wandler (A/D) 6, einen Analysator 8 und eine Anzeigevorrichtung (Display) 10. Der Blutkörperchendetektor 2 ist ein bekanntes Gerät wie etwa ein Flußzytometer, und wenn eine Blutprobe, die nur Leukozyten enthält, welche durch eine vorangehende Behandlung abgetrennt wurden, wie beispielsweise Verdünnung und Hinzufügen eines Hämolysemittels, zugeführt wird, dann detektiert er Blutkörperchen einzeln und erzeugt aufeinanderfolgende elektrische Signale, die jeweils vorbestimmte Charakteristika der jeweiligen Blutkörperchen anzeigen. Wenn beispielsweise die Blutprobe durch einen feinen Kanal geleitet wird, durch welchen sie einzeln hindurchlaufen, und wenn quer zu diesem Kanal gleichzeitig ein Gleichstrom und ein hochfrequenter Wechselstrom fließen, dann liefert der Gleichstrom ein Signal, welches proportional zur Größe des Zytoplasmas jedes Blutkörperchens ist, weil der Gleichstrom durch das Zytoplasma 12 unterbrochen wird, wie Fig. 2a zeigt. Im Gegensatz dazu durchdringt hochfrequenter Wechselstrom das Zytoplasma 12 niedriger Dichte und niedrigen Widerstandes und wird nur durch einen Kern oder Granulus 14 hoher Dichte und hoher Impedanz unterbrochen, wie dies Fig. 2b zeigt, und daher ergibt sich ein Signal, welches in Beziehung zur Dichte und Größe des Kerns oder Granulus steht. So erhält man für jedes Blutkörperchen Meßwerte für zwei Arten charakteristischer Parameter.
- Diese beiden Arten von Ausgangssignalen des Blutkörperchendetektors 2 werden vom Verstärker 4 bekannten Typs verstärkt und dann vom A/D-Wandler 6 in digitale Signale umgewandelt. Bei der beschriebenen Ausführung sind beide Signale jeweils in 256 Kanäle quantisiert, insgesamt von Kanal Nr. 0 bis Kanal Nr. 255. Diese beiden Arten quantisierter Signale, die von den jeweiligen Blutkörperchen stammen, werden nachstehend als Daten X(x&sub1;, x&sub2;) bezeichnet, die aus einem charakteristischen Parameter x&sub1;, welcher die oben genannte Gleichstromkomponente angibt, und einem charakteristischen Parameter x&sub2;, welcher die oben genannte Wechselstromkomponente angibt, bestehen. Die Daten X werden dann dem Analysator 8 zugeführt, der wesentlich für die Erfindung ist. Dieser Analysator 8 besteht aus einem Personalcomputer, Mikrocomputer oder Mikroprozessor und enthält funktionsmäßig eine Datenverarbeitungseinrichtung 16, ein Neuronalnetz 18 und eine Clusterbildungseinrichtung 20, wie dies Fig. 3 zeigt.
- Die Daten X werden sukzessive dem Datenwandler 16 und dem Neuronalnetz 18 zugeführt. Sie werden vom Datenwandler in Verteilungsdaten F(x&sub1;, x&sub2;) in einem 2-dimensionalen Raum umgewandelt, wie ihn Fig. 4 zeigt, mit den charakteristischen Parametern x&sub1;, x&sub2; als seinen zwei Variablen. Da die charakteristischen Parameter x&sub1; und x&sub2; jeweils in 256 Kanäle, wie oben gesagt, quantisiert werden, besteht dieser Verteilungsraum insgesamt aus 256 · 256 Basiselementen, von denen jedes die Anzahl der Blutkörperchen speichert, deren charakteristische Parameter x&sub1; und x&sub2; zu zwei entsprechenden Kanälen gehören. Beispielsweise zeigt Fig. 4, daß die Anzahl von Blutkörperchen, deren Signal eine zum Kanal Nr. 1 gehörige Gleichstromkomponente x&sub1; und eine zum Kanal Nr. 2 gehörige Wechselstromkomponente x&sub2; hat, sechs ist und mit anderen Worten F(1, 2) = 6 ist. Da die Leukozyten verschiedene Blutkörperchen umfassen, wie etwa Lymphozyten, Monozyten, Granulozyten oder dgl., deren charakteristische Parameter verschiedene Werte haben, tendieren die Verteilungsdaten gemäß Fig. 4 zur Clusterbildung für die jeweiligen Arten von Blutkörperchen. Das Neuronalnetz 18 dient zur Annahme des Gravitationszentrums, der Varianzen und der Anzahl von Korpuskeln jedes Clusters auf Grundlage der Eingangsdaten X.
- Wie Fig. 5 zeigt, enthält das Neuronalnetz 18 eine Eingangsebene mit zwei Neuronen 22 und 24, die jeweils den beiden oben genannten charakteristischen Parametereingängen x&sub1; und x&sub2; entsprechen, und eine Ausgangsebene mit fünf Neuronen 26, 28, 30, 32 und 34, welche jeweils den erwarteten fünf Klassifikationskategorien entsprechen, nämlich denjenigen der Lymphozyten, Monozyten, Granulozyten, Ghostteilchen (nichthämolisierten Blutplättchen und Erythrozyten) und anderen Teilchen oder Korpuskeln (unreife Blutkörperchen und ähnliches). Das in der Eingangsebene liegende Neuron 22 für den charakteristischen Parameter x&sub1; ist mit den in der Ausgangsebene liegenden Neuronen 26, 28, 30, 32 und 34 über Gewichtungen W&sub1;&sub1;, W&sub1;&sub2;, W&sub1;&sub3;, W&sub1;&sub4; bzw. W&sub1;&sub5; verbunden, und das Eingangsebenenneuron 24 für den charakteristischen Parameter x&sub2; ist mit den Ausgangsebenenneuronen 26, 28, 30 und 34 über Gewichtungen W&sub2;&sub1;, W&sub2;&sub2;, W&sub2;&sub3;, W&sub2;&sub4; bzw. W&sub2;&sub5; verbunden.
- Werden den Gewichtungen W&sub1;&sub1;, W&sub1;&sub2;, W&sub1;&sub3;, W&sub1;&sub4;, W&sub1;&sub5;, W&sub2;&sub1;, W&sub2;&sub2;, W&sub2;&sub3;, W&sub2;&sub4; und W&sub2;&sub5; und einem Teil oder sämtlichen Daten X für die Eingangsebenenneuronen 22 und 24 anfänglich willkürliche Werte gegeben, dann beginnt das Neuronalnetz 18 mit einem Lernprozeß aufgrund eines Verfahrens unüberwachter Vektorquantisierung. Das Verfahren der Vektorquantisierung ist im einzelnen beispielsweise beschrieben in "Neural Networks for Signal Processing", erschienen bei Prentice-Hall Internatinal Editions.
- Während das Neuronalnetz 18 eine Wahrscheinlichkeitsdichtefunktion der Eingangsdaten X lernt, werden die Gewichtungen W&sub1;&sub1; bis W&sub1;&sub5; und W&sub2;&sub1; bis W&sub2;&sub5; graduell aktualisiert, und die schließ lich erhaltenen Gewichtsvektoren V&sub1; (Gewichtungen W&sub1;&sub1; und W&sub2;&sub1;), V&sub2; (Gewichtungen W&sub1;&sub2; und W&sub2;&sub2;), V&sub3; (Gewichtungen W&sub1;&sub3; und W&sub2;&sub3;), V&sub4; (Gewichtungen W&sub1;&sub4; und W&sub2;&sub4;) und V&sub5; (Gewichtungen W&sub1;&sub5; und W&sub2;&sub5;) geben die angenommenen Positionen der Gravitationszentren der Cluster von Lymphozythen, Monozyten, Granulozyten, Ghostkörpern und anderen Korpuskeln in den jeweiligen Verteilungsdaten F(x&sub1;, x&sub2;). Im Falle einer normalen Probe kann der Gewichtsfaktor 5 gegenüber seinem Anfangswert unverändert bleiben.
- Nach Beendigung des Lernprozesses kann das Neuronalnetz 18 eine Annahme über die Anzahl von Blutkörperchen jeder Art aus relativ wenigen Eingangsdaten treffen, da es die Wahrscheinlichkeitsdichtefunktion der Eingangsdaten gelernt hat. Im einzelnen sind Zähler jeweils für die Lymphozythen, Monozyten, Granulozyten, Ghost-Körperchen und andere Korpuskel vorgesehen, und ihre Zählwerte werden als ml, m², m³, m&sup4; und m&sup5; angenommen. Wenn ein bestimmtes Datum X&sub1; aus Gleich- und Wechselstromkomponenten x&sub1;&sub1; und x&sub2;&sub1; besteht, dann werden jeweils die Werte von (x&sub1;&sub1; - W&sub1;&sub1;)² + (x&sub2;&sub1; - W&sub2;&sub1;)², (X&sub1;&sub1; - W&sub1;&sub2;)² + (X&sub2;&sub1; - W&sub2;&sub2;)² (X&sub1;&sub1; - W&sub1;&sub3;)² + (X&sub2;&sub1; - W&sub2;&sub3;)², (X&sub1;&sub1; - W&sub1;&sub4;)² + (X&sub2;&sub1; - W&sub2;&sub9;)² und (X&sub1;&sub1; - W&sub1;&sub5;)² + (X&sub2;&sub1; - W&sub2;&sub5;)² berechnet. Mit anderen Worten werden die Distanzen zwischen Signal- und Gewichtsvektoren dn = x&sub1; - Wn gesucht, wobei n = 1, ... 5 und Wn = (W1n, W2n) ist. Mindestens eine dieser Distanzen wird ausgewählt. Wenn beispielsweise die Distanz d&sub1; oder (x&sub1;&sub1; - W&sub1;&sub1;)² + (x&sub2;&sub1; - W&sub2;&sub1;)² die geringste ist, dann wird der Zählwert des entsprechenden Lymphozytenzählers um 1 erhöht. Ähnliche Berechnungen werden für die anderen Daten durchgeführt, welche danach sequentiell zugeführt werden, und die geringsten Abstände werden gewählt, um die entsprechenden Zähler schrittweise zu erhöhen. Dann geben die schließlich erhaltenen Zählwerte ml bis m&sub5; der jeweiligen Zähler das Verhältnis der angenommenen Anzahlen von Blutkörperchen an, welche zu den jeweiligen Kategorien gehören, wenn die entsprechenden Cluster der Blutkörperchen die gleiche Verteilung haben. Im Falle einer normalen Probe kann m&sub5; fehlen, und daher wird angenommen, daß das entsprechende Cluster nicht existiert, wenn m&sub5; kleiner als ein vorbestimmter Wert ist.
- Wenn die Anzahlen von Blutkörperchen angenommen worden sind, dann werden die zu den jeweiligen Kategorien gehörigen Daten gespeichert, und die Varianzen der Körperchen in den entsprechenden Clustern werden auf dieser Basis berechnet. Wenn beispielsweise X&sub1;(x&sub1;&sub1;, x&sub2;&sub1;), X&sub3;(x&sub1;&sub3;, x&sub2;&sub3;) und X&sub7;(x&sub1;&sub7;, x&sub2;&sub7;) als Daten gespeichert werden, welche zu der Lymphozytenkategorie gehören, dann wird die angenommene Varianz si der Lymphozyten berechnet durch Teilen der Summe der gesamten quadratischen Abweichungen von x&sub1;&sub1;, x&sub1;&sub3; und x&sub1;&sub7; von ihrem Mittelwert und der gesamten quadratischen Abweichungen von x&sub2;&sub1;, x&sub2;&sub3; und x&sub2;&sub7; von ihrem Mittelwert durch die Anzahl von Teilchen. Die angenommenen Varianzen s&sub1;, s&sub3;, s&sub4; und s&sub5; der anderen Kategorien werden gleichermaßen erhalten. Auch in diesem Falle braucht s&sub5; nicht berechnet zu werden, falls die Probe normal ist.
- Der Blutklassifizierungs- und Zählvorgang läßt sich bei der oben angenommenen Anzahl von Körperchen mit nur dann vervollständigen, wenn die zu einer bestimmten Kategorie gehörenden Körperchen dieselbe Verteilung gezeigt haben; die angenommenen Zahlen mn und Varianzen sn (n = 1, ...5), wie sie oben erhalten worden sind, sind Näherungswerte, da ihre Verteilungen in der Praxis nicht immer dieselben sind. Daher häuft die Clusterbildungseinrichtung 20 die vom Datenwandler 16 erhaltenen Verteilungsdaten F(x&sub1;, x&sub2;) unter Verwendung dieser Näherungswerte und der angenommenen Gravitationszentren Vn (n = 1, ...5) der jeweiligen Cluster, welche zuvor berechnet worden waren. Der Betrieb der Clusterbildungseinrichtung 20 wird nachfolgend mit Bezug auf das Flußdiagramm gemäß Fig. 6 beschrieben.
- Die anfängliche Aufteilung der Verteilungsdaten F(x&sub1;, x&sub2;) wird zuerst ausgeführt, nachdem ein Memorywert K, welcher die Anzahl von Iterationen angibt, auf 1 gesetzt worden ist (Schritt S1). Bei dieser anfänglichen Teilung wird die Verteilung der Grundelemente in den Verteilungsdaten gemäß Fig. 4 in vier feste Domänen A&sub1;, A&sub2;, A&sub3; und A&sub4; dividiert, in denen die Lymphozyten, Monozyten, Granulozyten und Ghostkörperchen jeweils wahrscheinlich verteilt sind, wie dies Fig. 7 zeigt, unabhängig von der Anzahl der in jedem Element gespeicherten Körper chen. In diesem Falle wird keine Domäne für die anderen Körperchen eingerichtet. Bezeichnet man die Cluster der Lymphozyten, Monozyten, Granulozyten, Ghostkörperchen und anderer Korpuskeln mit C&sub1;, C&sub2;, C&sub3;, C&sub4; bzw. C&sub5;, dann werden die Zugehörigkeitswerte der Blutkörperchen, welche in den oben genannten festen Domänen A&sub1;, A&sub2;, A&sub3; und A&sub4; existieren, zu jeweiligen Clustern C&sub1;, C&sub2;, C&sub3; und C&sub4; alle als eins (1) angenommen. Die zum Cluster C&sub5; gehörigen Blutkörperchen sind unbestimmt. Die Domäne A&sub0; in Fig. 7 ist eine Domäne mit unbestimmten Zugehörigkeiten zu allen Clustern C&sub1; bis. C&sub5;.
- Als nächstes werden die anfänglichen Gravitationszentren bestimmt (Schritt 2). In diesem Falle werden mit der Annahme, daß die anderen Teilchen ebenfalls existieren und unter Verwendung der Gravitationszentrumsvektoren, welche das Neuronalnetz 18 angenommen hat, die anfänglichen Gravitationszentrumpositionen der jeweiligen Cluster C&sub1;, C&sub2;, C&sub3;, C&sub4; und C&sub5;, bestimmt zu (xG11, xG21), (xG12, xG22), (xG13, xG23) (xG14, XG24) bzw. (xG15, sxG25).
- Als nächstes werden die Zugehörigkeitswerte der Körperchen, welche nicht in irgendeiner der festen Domänen A&sub1;, A&sub2;, A&sub3; und A&sub4; enthalten sind, d. h. die Körperchen, welche sich in der Domäne A&sub0; nach Fig. 7 zu den Clustern C&sub1;, C&sub2;, C&sub3;, C&sub4; und C&sub5; verteilen, jeweils berechnet (Schritt 3). Zu diesem Zweck wird zuerst die Distanz L von jedem Blutkörperchen in der Domäne A&sub0; zum Gravitationszentrum jedes Clusters berechnet. Diese Distanz ist keine euklidische Distanz und ist als der kleinere Radius einer Ellipse 38 definiert, deren Mittelpunkt im Gravitationszentrum (xG1n, xG2n) liegt und deren größere Achse um einen Winkel % gegenüber der X&sub1;-Achse nach Fig. 7 geneigt ist und welche durch das fragliche Teilchen 36 verläuft, wie dies Fig. 8 zeigt, wobei der Index n der Einfachheit halber weggelassen worden ist. Der Winkel θn hat einen Wert, der zuvor für jedes Cluster θn experimentell gewählt worden ist. Der Grund für diese Definition der Distanz L ist, daß die aktuellen Verteilungen aller Cluster im wesentlichen eine Ellipsenform haben. Daher sollten alle Teilchen, die in derselben Ellipse liegen, dieselbe Distanz vom Gravitationszentrum haben und dieselbe Zugehörigkeit zum Cluster Cn, wie nachstehend beschrieben wird.
- Die Distanz L läßt sich folgendermaßen berechnen. Wenn die neuen Koordinaten-Achsen X&sub1;" und X&sub2;" entlang der großen und kleinen Achsen der Ellipse 38 gelegt werden und die großen und kleinen Ellipsenradii mit L bzw. kL bezeichnet werden (wobei k eine Proportionalitätskonstante ist), dann ist der auf der Ellipse liegende Punkt 36 (x&sub1;", x&sub2;") durch die folgende Gleichung gegeben:
- Sie wird folgendermaßen nach dem kleinen Radius L aufgelöst:
- Wie sich aus Fig. 8 ergibt, ist die Beziehung zwischen den Koordinaten (x&sub1;", x&sub2;") und den Originalkoordination (x&sub1;, x&sub2;) des Punktes 36 durch die folgenden Gleichungen gegeben:
- x&sub1;" = cosθn(x1 - xG1n) + sinθn(x&sub2; - XG2n) (3)
- x&sub2;" = sinθn (x1 - xG1n) + cosθn(x&sub2; - xG2n) (4)
- Durch Einsetzen der Gleichungen 3 und 4 in Gleichung 2 und durch Benutzung des Neigungswinkels θn für des Cluster wird die Distanz Ln(36) für das Blutkörperchen 36 zum Gravitationszentrum jedes Clusters Cn berechnet. Dann ergibt sich mit der angenommenen Anzahl und Varianz mn und sn der Körperchen in jedem Cluster Cn, die von dem Neuronalnetz 18 wie oben beschrieben erhalten worden sind, die Zugehörigkeit Un(36) des Teilchens 36 zum Cluster Cn durch die folgende Gleichung:
- Un(36) = Rn(36)/Σn Rn(36)
- wobei
- Rn(36) = mit Sn/Ln(36)², (n = 1, 2, ...5) (6).
- Die oben stehenden Gleichungen beruhen auf der Annahme, daß die Zugehörigkeit nicht nur umgekehrt proportional zum Quadrat der Distanz zum Gravitationszentrum jedes Clusters ist, sondern auch proportional zur Anzahl der Teilchen und der Standardabweichung des Clusters.
- Die Zugehörigkeiten jedes Blutkörperchens in der Domäne A&sub0; zum entsprechenden Cluster Cn werden wie oben berechnet, und jedes Blutkörperchen wird als zugehörig zu den entsprechenden Clustern Cn mit Raten oder Gewichtungen angenommen, die seinen Zugehörigkeiten Un entsprechen. Die Lagen der Gravitationszentren der jeweiligen Cluster werden korrigiert unter Berücksichtigung solcher Gewichtungen jedes Blutkörperchens. Mit anderen Worten werden die gewichteten Gravitationszentren berechnet (Schritt S4). Die Koordinaten xG1n und xG2n der gewichteten Gravitationszentren des Clusters Cn ergeben sich aus den folgenden Gleichungen:
- xG1n' = Σi Σi Unij · Nij · i/Σi Σi Unij · Nij (7)
- xG2n' = Σj Σj Unij · Nij · j/Σj Σj Unij · Nij (8)
- wobei i und j quantisierte Kanalnummern der charakteristischen Parameter X&sub1; und X&sub2; der Verteilungsdaten F(x&sub1;, x&sub2;) gemäß Fig. 4 sind und beide bei dieser Ausführung Werte von 0, 1, 2... 255 annehmen können. Unij ist eine Zugehörigkeit eines Grundelementes, welches zu den Kanalnummern i und j gehört und Nij ist die Anzahl von Blutkörperchen in diesem Element.
- Nach Berechnung des gewichteten Gravitationszentrums jedes Clusters, wie oben dargelegt, wird es mit dem entsprechenden anfänglichen Gravitationszentrum verglichen zur Beurteilung, ob die dazwischenliegende Differenz D gleich oder kleiner als ein vorbestimmter Wert D&sub0; ist oder nicht (Schritt S5). Der Wert von D&sub0; kann beispielsweise 0 sein. Ist D in irgendeinem Clu ster nicht größer als D&sub0;, dann werden die Distanzen von jedem Blutkörperchen zu entsprechenden Clustern noch nicht festgelegt, und es wird angenommen, daß keine Zugehörigkeit dieses Blutkörperchens zu diesem Cluster eindeutig entschieden worden ist. In diesem Fall wird das anfängliche Gravitationszentrum jedes Clusters mit den berechneten gewichteten Gravitationszentrum aktualisiert, und es wird entschieden, ob die gespeicherte Anzahl von Iterationen K gleich einem vorbestimmten Wert K&sub0; ist oder nicht (Schritt S6). Ist dies nicht der Fall, dann wird der Wert K um 1 erhöht (Schritt S7), und Schritt S3 wird wieder durchgeführt zur Wiederholung desselben Vorgangs für die Aktualisierung des Gravitationszentrums. Wird K = während einer solchen Wiederholung erreicht, dann werden Worte wie "ANALYSE UNMÖGLICH" auf dem Display 10 angezeigt, um das Verfahren abzuschließen (Schritt S8). Wenn andererseits D ≤ D&sub0; in Schritt S5 erreicht wird, dann sind die Zugehörigkeiten jedes Blutkörperchens zu allen Clustern bestimmt worden, und daher wird die Anzahl von Blutkörperchen in jedem Cluster auf dieser Grundlage berechnet (Schritt S9). Diese Berechnung erfolgt nach einer der beiden nachstehenden Methoden.
- Bei der ersten Methode wird der Cluster, welcher der größten Zugehörigkeit jedes Blutkörperchens in der Domäne A&sub0; entspricht, als ein Cluster bezeichnet, zu welchem das Blutkörperchen gehört. Wenn beispielsweise ein bestimmtes Grundelement zehn Blutkörperchen enthält und die Zugehörigkeiten U&sub1;, U&sub2;, U&sub3;, U&sub4; und U&sub5; dieser Blutkörperchen zu den Clustern C&sub1;, C&sub2;, C&sub3;, C&sub4; und C&sub5; von Lymphozyten, Monozyten, Granulozyten, Ghost- Körperchen und anderen Korpuskeln 0,95, 003, 002, 0,00 bzw. 0,00 sind, dann werden alle diese zehn Blutkörperchen als zum Lymphozyten-Cluster C&sub1; gehörig bezeichnet. Dieses Verfahren eignet sich in einem Fall, wo ein fragliches Blutkörperchen eine besonders große Zugehörigkeit speziell zu einem der Cluster aufweist und die Cluster klar getrennt sind. Andererseits teilen sich bei der zweiten Methode die Blutkörperchen in jedem Grundelement in die entsprechenden Cluster mit der Rate der Zugehörigkeiten. Wenn also beispielsweise das fragliche Grundelement zehn Blutkörperchen enthält und die Zugehörigkeiten U&sub1;, U&sub2;, U&sub3;, U&sub4; und U&sub5; dieser Blutkörperchen 0,2, 05, 03, 0,0 bzw. 0,0 sind, dann liegen die Zugehörigkeiten, welche nicht U&sub4; und U&sub5; sind, dicht beieinander, und es tritt eine teilweise Überlappung der Cluster C&sub1;, C&sub2; und C&sub3; auf. Wenn sich alle zehn Blutkörperchen nur in den Monozyten-Cluster der größten Zugehörigkeit, entsprechend der ersten Methode in diesem Fall, teilen, dann kann ein großer Zählfehler auftreten. Daher teilen sich entsprechend proportionaler Verteilung aufgrund der Zugehörigkeiten zwei, fünf, drei, null und null Teilchen jeweils in die Cluster C&sub1;, C&sub2;, C&sub3;, C&sub4; und U. Diese Methode ist wirkungsvoll, wenn die Verteilungsmuster der jeweiligen Cluster sich teilweise überlappen, wie oben gesagt. Daher werden die Cluster, zu denen jedes Blutkörperchen gehört, entschieden und die Anzahl der Blutkörperchen jedes Clusters wird berechnet.
- Da bei dieser Ausführung das letztendliche Gravitationszentrum jedes Clusters sowie die großen und kleinen Radien der Ellipse, welche die Ausdehnung ihrer Verteilung darstellen, wie oben beschrieben berechnet werden, ist es möglich, diese Werte mit ihren Normalwerten zu vergleichen, um ihre Abweichung von den Normalwerten, und damit einen Gesundheitszustand, zu diagnostizieren.
- Es folgt nun die Beschreibung eines Ergebnisses der tatsächlichen Durchführung dieser Ausführungsform unter Verwendung eines handelsüblichen 32 Bit-Personalcomputers als Analysator 8. Die Fig. 9a und 9b zeigen Streuungsdiagramme einer normalen Probe, und die Fig. 10a, 10b, 11a und 11b zeigen Streuungsdiagramme zweier abnormaler Proben. Die Fig. 9a, 10a und 11a veranschaulichen ihre Verteilungsdaten F(x1, x2) vor der Clusterbildung, und die Fig. 9b, 10b und 11b zeigen diese nach der Clusterbildung. Bei dieser Ausführung sind sowohl die normalen als auch die abnormalen Proben korrekt geclustert.
- Tabelle 1 zeigt die Gravitationszentren, welche vom Neuronalnetz 18 angenommen worden sind, und diejenigen Gravitationszentren, die letztlich durch den nachfolgenden Clusterungsvorgang bestimmt worden sind, aufgrund der Verteilungsdaten F(x&sub1;, x&sub2;) der Proben Nr. 1, 2 und 3 gemäß den Fig. 9a, 10a und 11a. Beide liegen im wesentlichen ungefähr beieinander, und man versteht daraus den Nutzen der Annahme mit Hilfe des Neuronalnetzes 18.
- Tabelle 2 zeigt die Varianzen, welche vom Neuronalnetz 18 angenommen werden, und diejenigen Varianzen, die schließlich durch den Clusterungsvorgang aufgrund derselben Verteilungsdaten bestimmt worden sind. Obwohl einige Unterschiede zwischen Ihnen auftreten, ist die Annahme fast eingetreten.
- Tabelle 3 zeigt, wieviele Operationen für die Berechnung der letztendlichen Gravitationszentren durch die Clusterbildung der Daten der obengenannten Proben Nr. 1, 2 und 3 erforderlich waren, mit und ohne der Annahme des Neuronalnetzes 18. Wenn auch im Falle einer normalen Probe Nummer 1 kein Unterschied zwischen beiden besteht, so zeigt das Neuronalnetz doch wesentlich geringere Werte im Falle der abnormalen Proben Nr. 2 und 3, und insbesondere erhält man kein gutes Ergebnis im Falle der abnormalen Probe Nr. 3 ohne Benutzung des Neuronalnetzes. TABELLE 1 (Gravitationszentrum)
- (P: angenommen; F: endgültig)
- Proben angenommen nicht angenommen
- Nr. 1 (normal) 2 mal 2 mal
- Nr. 2 (abnormal) 2 mal 4 mal
- Nr. 3 (abnormal) 2 mal 4 mal
- Die obige Ausführungsform ist nur als Beispiel anzusehen. Es versteht sich für den Fachmann, daß man zahlreiche Abwandlungen und Variationen machen kann, beispielsweise brauchen die der erfindungsgemäßen Analyse zu unterwerfenden Partikel nicht immer Blutkörperchen sein, sondern es können auch andere Arten von Partikeln sein, wie etwa Metallpulver. Bei einigen solcher anderen Partikel kann der oben genannte Abstand vom Gravitationszentrum eine euklidische Distanz sein. Weiterhin können anstatt der oben genannten Gleichstrom- und Wechselstromimpedanzen als charakteristische Parameter der Partikel andere charakteristische Signale benutzt werden, wie etwa Streulicht oder Fluoreszenzintensitäten. Bei Verwendung von drei oder mehreren charakteristischen Parametern kann eine Datenverteilung in einem 3- oder höherdimensionalen Raum behandelt werden. Wenn auch das Gravitationszentrum, die Anzahl von Partikeln und die Varianzen jedes Clusters als Gegenstand der Annahme durch das Neuronalnetzwerk hier benutzt worden sind, kann man auch das Gravitationszentrum allein oder zusammen mit der Anzahl von Partikeln benutzen. Weiterhin kann die Konfiguration des Neuronalnetzes willkürlich verändert werden. Ist die Anzahl von Kategorien beispielsweise groß, dann kann zwischen den Neuronen der Ausgangsebene eine unterdrückende Kopplung eingefügt werden, so daß bei Erregung eines bestimmten Neurons die Nachbarneuronen daraufhin gesperrt werden.
Claims (6)
1. Partikelanalyseverfahren zur Clusterbildung räumlicher
Verteilungsdaten, die erhalten werden durch Analysieren einer
Mischung von in mehrere Kategorien gehörigen Partikeln, um auf
diese Weise die Anzahl von Partikeln zu zählen, welche in
jeweilige Kategorien aus einer Mehrzahl von Kategorien gehören,
wobei das Verfahren den Schritt einer Clusterbildung der
räumlichen Verteilungsdaten mit angenommenen Gravitationszentren
enthält und gekennzeichnet ist durch die folgenden Schritte:
(a) anfängliches Teilen der räumlichen Verteilungsdaten in
feste Domänen (A&sub1;, A&sub2;, A&sub3; und A&sub4;), in welche Partikel der
jeweiligen Kategorien wahrscheinlich verteilt sind, wobei die
Zugehörigkeitswerte der Partikel, welche in den entsprechenden
festen Domänen (A&sub1;, A&sub2;, A&sub3; und A&sub4;) vorhanden sind, zu den
entsprechenden Clustern (C&sub1;, C&sub2;, C&sub3; und C&sub4;) auf vorbestimmte Werte
gesetzt werden;
(b) Bestimmung anfänglicher Gravitationszentren der
jeweiligen Cluster auf Grundlage der angenommenen
Gravitationszentren;
(c) Berechnung der Distanzen zwischen jedem Partikel in
einer Domäne (A&sub0;) außerhalb der festen Domänen (A&sub1;, A&sub2;, A&sub3; und
A&sub4;) und den Gravitationszentren der entsprechenden Cluster
(C&sub1;, C&sub2;, C&sub3; und C&sub4;) zur Berechnung der Zugehörigkeitswerte Un
des in der Außendomäne (A&sub0;) vorhandenen Partikels zu den
jeweiligen Clustern (C&sub1;, C&sub2;, C&sub3; und C&sub4;);
(d) Berechnung gewichteter Gravitationszentren der
jeweiligen Cluster (C&sub1;, C&sub2;, C&sub3; und C&sub4;) unter Berücksichtigung der
Zugehörigkeiten jedes Partikels zum betreffenden Cluster;
(e) Vergleichen der berechneten gewichteten
Gravitätszentren jedes Clusters mit dem entsprechenden Gravitätszentrum,
ehe es berechnet wurde, zur Beurteilung, ob die
dazwischenliegende Differenz (D) in jedem Cluster gleich oder kleiner
als ein vorbestimmter Wert ist;
(f) Aktualisierung der Gravitationszentren der jeweiligen
Cluster mit den berechneten gewichteten Gravitationszentren,
falls in irgendeinem der Cluster die Differenz (D) größer als
der vorbestimmte Wert ist;
(g) Wiederholung der Schritte (c) bis (f) unter Verwendung
der aktualisierten Gravitationszentren;
(h) falls die Gravitationszentrumsdifferenzen (D) in
allen der Cluster als gleich oder kleiner als der vorbestimmte
Wert in Schritt (e) angesehen werden, Berechnung der Anzahl
von Partikeln in jedem Cluster auf Grundlage der
Zugehörigkeiten jedes Partikels zu den entsprechenden Clustern; und
(i) Anzeigen einer Nachricht auf einem Display und Beenden
des Verfahrens, wenn die Gravitationszentrumsdifferenz (D) in
irgendeinem der Cluster als größer als der vorbestimmte Wert
in Schritt (e) angesehen wird, selbst wenn die Schritte (c)
bis (f) eine vorbestimmte Anzahl von Malen wiederholt worden
sind;
wobei die angenommenen Gravitationszentren berechnet
werden von einem Teil der Meßdaten, die zur Ableitung der
räumlichen Verteilungsdaten benutzt worden sind.
2. Partikelanalyseverfahren nach Anspruch 1, bei welchem
die angenommenen Gravitationszentren durch ein Neuronalnetz
berechnet sind.
3. Partikelanalyseverfahren nach Anspruch 1, bei welchem der
Schritt der Ableitung der räumlichen Verteilungsdaten und der
Schritt der Berechnung der angenommenen Gravitationszentren
parallel miteinander ausgeführt werden.
4. Partikelanalysegerät zur Clusterbildung räumlicher
Verteilungsdaten, die durch Analyse einer Mischung von in mehrere
Kategorien gehörigen Partikeln abgeleitet werden, um auf diese
Weise die Anzahl von Partikeln zu zählen, welche in jeweilige
Kategorien aus einer Mehrzahl von Kategorien gehören, wobei
das Gerät eine Clusterbildungseinrichtung für die räumlichen
Verteilungsdaten enthält, welche angenommene
Gravitationszentren benutzt und gekennzeichnet ist durch:
(a) eine Einrichtung zum anfänglichen Aufteilen der
räumlichen Verteilungsdaten in feste Domänen (A&sub1;, A&sub2;, A&sub3; und A&sub4;), in
welche Partikel der jeweiligen Kategorien wahrscheinlich
verteilt sind, wobei die Einrichtung Zugehörigkeitswerte der in
den jeweiligen festen Domänen (A&sub1;, A&sub2;, A&sub3; und A&sub4;) vorhandenen
Partikel zu den entsprechenden Clustern (C&sub1;, C&sub2;, C&sub3; und C&sub4;) auf
vorbestimmte Werte setzt;
(b) eine Einrichtung zur Bestimmung anfänglicher
Gravitationszentren der jeweiligen Cluster aufgrund der angenommenen
Gravitationszentren;
(c) eine Einrichtung zur Berechnung der Distanzen zwischen
jedem Partikel in einer Domäne (A&sub0;) außerhalb der festen
Domänen (A&sub1;, A&sub2;, A&sub3; und A&sub4;) und den Gravitationszentren der
jeweiligen Cluster (C&sub1;, C&sub2;, C&sub3; und C&sub4;) zur Berechnung der
Zugehörigkeitswerte Un der in der Außendomäne (A&sub0;) vorhandenen Partikel
zu den jeweiligen Clustern (C&sub1;, C&sub2;, C&sub3; und C&sub4;);
(d) eine Einrichtung zur Berechnung gewichteter
Gravitationszentren der jeweiligen Cluster (C&sub1;, C&sub2;, C&sub3; und C&sub4;) unter
Berücksichtigung der Zugehörigkeiten jedes Partikels zu den
jeweiligen Clustern;
(e) eine Einrichtung zum Vergleichen der berechneten
gewichteten Gravitationszentren jedes Clusters mit den
entsprechenden noch nicht berechneten Gravitationszentren zur
Beurteilung, ob die Differenz (D) zwischen ihnen in jedem Cluster
gleich oder kleiner als ein vorbestimmter Wert ist;
(f) eine Einrichtung zur Aktualisierung der
Gravitationszentren der jeweiligen Cluster mit den berechneten gewichteten
Gravitationszentren, falls in irgendeinem der Cluster die
Differenz (D) größer als der vorbestimmte Wert ist;
(g) eine Einrichtung zur Wiederholung der Bearbeitung
durch die Einrichtungen (c) bis (f) in dieser Reihenfolge
unter Verwendung der aktualisierten Gravitationszentren;
(h) eine Einrichtung zur Berechnung der Anzahl von
Partikeln in jedem Cluster auf Grundlage der Zugehörigkeitswerte
jedes Partikels zu den betreffenden Clustern, wenn die
Gravitationszentrumsdifferenzen (D) in allen der Cluster von der
Einrichtung (e) als gleich oder kleiner als der vorbestimmte
Wert angesehen werden; und
(i) eine Einrichtung zur Anzeige einer Nachricht auf
einem Display und Beendigung des Verfahrens falls die
Gravitationszentrumsdifferenz (D) in einem der Cluster von der
Einrichtung (e) als größer als der vorbestimmte Wert angesehen
wird, selbst wenn die Verarbeitung durch die Einrichtungen (c)
bis (f) in dieser Reihenfolge eine vorbestimmte Anzahl von
Malen wiederholt worden ist,
wobei die vorbestimmten Gravitationszentren berechnet
werden von einem Teil der Meßdaten, die bei der Ableitung der
räumlichen Verteilungsdaten benutzt worden sind.
5. Partikelanalysegerät nach Anspruch 4, bei welchem die
angenommenen Gravitationszentren durch ein Neuronalnetz
berechnet sind.
6. Partikelanalysegerät nach Anspruch 4, bei welchem die
Einrichtung zur Ableitung der räumlichen Verteilungsdaten und die
Einrichtung zur Berechnung der angenommenen
Gravitationszentren parallel miteinander arbeiten.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP18626592A JP3165247B2 (ja) | 1992-06-19 | 1992-06-19 | 粒子分析方法及び装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE69327615D1 DE69327615D1 (de) | 2000-02-24 |
DE69327615T2 true DE69327615T2 (de) | 2000-08-03 |
Family
ID=16185263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE69327615T Expired - Lifetime DE69327615T2 (de) | 1992-06-19 | 1993-06-09 | Verfahren und Vorrichtung zur Partikelanalyse |
Country Status (6)
Country | Link |
---|---|
US (1) | US5703959A (de) |
EP (1) | EP0575091B1 (de) |
JP (1) | JP3165247B2 (de) |
AU (1) | AU648466B2 (de) |
CA (1) | CA2098785A1 (de) |
DE (1) | DE69327615T2 (de) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69429145T2 (de) * | 1993-08-19 | 2002-07-18 | Hitachi, Ltd. | Klassifikation und Prüfvorrichtung für Teilchen in einer Flüssigkeit |
EP0660104A3 (de) * | 1993-12-27 | 1995-08-09 | Hitachi Ltd | Vorrichtung zur Untersuchung von Sedimenten im Harn. |
JP3050046B2 (ja) * | 1994-07-18 | 2000-06-05 | 株式会社日立製作所 | 粒子自動分類システム |
WO1996009598A1 (en) * | 1994-09-20 | 1996-03-28 | Neopath, Inc. | Cytological slide scoring apparatus |
FR2733596B1 (fr) * | 1995-04-28 | 1997-07-18 | Hycel Groupe Lisabio | Procede et dispositif d'identification de particules |
FR2754346B1 (fr) * | 1996-10-07 | 1999-02-05 | Hycel Groupe Lisabio | Procede d'identification de groupes de particules et dispositif d'identification correspondant |
US6038340A (en) * | 1996-11-08 | 2000-03-14 | Seiko Epson Corporation | System and method for detecting the black and white points of a color image |
JP3817091B2 (ja) * | 1999-07-02 | 2006-08-30 | テルモ株式会社 | 細胞数測定装置 |
US6631211B1 (en) * | 1999-07-08 | 2003-10-07 | Perkinelmer Las, Inc. | Interactive system for analyzing scatter plots |
US6633669B1 (en) * | 1999-10-21 | 2003-10-14 | 3M Innovative Properties Company | Autogrid analysis |
US7236623B2 (en) * | 2000-04-24 | 2007-06-26 | International Remote Imaging Systems, Inc. | Analyte recognition for urinalysis diagnostic system |
JP4708605B2 (ja) * | 2000-07-24 | 2011-06-22 | シスメックス株式会社 | 粒子分析装置とその粒子分画方法 |
US6793642B2 (en) * | 2001-05-07 | 2004-09-21 | Biomed Solutions, Llc | Flow cytometer |
US6525325B1 (en) * | 2001-03-21 | 2003-02-25 | The United States Of America As Represented By The Secretary Of The Navy | System for quantifying the hydrocarbon content of aqueous media |
WO2002092161A1 (en) * | 2001-05-10 | 2002-11-21 | Biophan, Llc | Miniaturized particle analyzer |
US6979570B2 (en) | 2001-07-26 | 2005-12-27 | Sysmex Corporation | Particle analyzer and particle analyzing method |
US7129095B2 (en) * | 2002-03-29 | 2006-10-31 | Smiths Detection Inc. | Method and system for using a weighted response |
US7324694B2 (en) * | 2003-05-23 | 2008-01-29 | International Remote Imaging Systems, Inc. | Fluid sample analysis using class weights |
JP3861157B2 (ja) * | 2004-02-27 | 2006-12-20 | 国立大学法人広島大学 | 参照データ最適化装置とパターン認識システム |
GB2421307A (en) * | 2004-11-19 | 2006-06-21 | Hull And East Yorkshire Hospit | Identifying an adenocarcinoma in a cell sample |
JP4550882B2 (ja) * | 2004-11-25 | 2010-09-22 | シャープ株式会社 | 情報分類装置、情報分類方法、情報分類プログラム、情報分類システム |
US7523117B2 (en) * | 2005-05-04 | 2009-04-21 | West Virginia University Research Corporation | Method for data clustering and classification by a graph theory model—network partition into high density subgraphs |
JP5168658B2 (ja) * | 2008-11-21 | 2013-03-21 | 国立大学法人高知大学 | 血球分析装置、血球分析方法及びコンピュータプログラム |
DE102009033927B4 (de) * | 2009-07-20 | 2011-07-28 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., 80686 | Vorrichtung und Verfahren zum Lokalisieren eines validen Bereiches eines Blutausstriches |
US10289802B2 (en) | 2010-12-27 | 2019-05-14 | The Board Of Trustees Of The Leland Stanford Junior University | Spanning-tree progression analysis of density-normalized events (SPADE) |
WO2013037119A1 (zh) * | 2011-09-16 | 2013-03-21 | 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 |
CN108463208B (zh) | 2015-12-30 | 2021-12-07 | 高露洁-棕榄公司 | 口腔护理组合物 |
EP3380064B1 (de) | 2015-12-30 | 2020-05-06 | Colgate-Palmolive Company | Kosmetische formulierungen |
CN108472209B (zh) | 2015-12-30 | 2021-06-25 | 高露洁-棕榄公司 | 个人护理组合物 |
CN109069391B (zh) | 2015-12-30 | 2022-02-11 | 高露洁-棕榄公司 | 口腔护理组合物 |
CN106021852B (zh) * | 2016-05-06 | 2018-11-06 | 鼎泰生物科技(海南)有限公司 | 基于密度聚类算法的血糖数据异常值计算方法和装置 |
CN112384804A (zh) * | 2018-06-05 | 2021-02-19 | 克洛诺斯健康公司 | 用于控制液体运动和分析生物样品的装置、盒和传感器 |
US20220283073A1 (en) * | 2019-08-23 | 2022-09-08 | Sony Group Corporation | Information processing device, information processing method, program, and information processing system |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4097845A (en) * | 1976-11-01 | 1978-06-27 | Rush-Presbyterian-St. Luke's Medical Center | Method of and an apparatus for automatic classification of red blood cells |
US4661913A (en) * | 1984-09-11 | 1987-04-28 | Becton, Dickinson And Company | Apparatus and method for the detection and classification of articles using flow cytometry techniques |
US4791355A (en) * | 1986-10-21 | 1988-12-13 | Coulter Electronics Inc. | Particle analyzer for measuring the resistance and reactance of a particle |
US4965725B1 (en) * | 1988-04-08 | 1996-05-07 | Neuromedical Systems Inc | Neural network based automated cytological specimen classification system and method |
JPH03131756A (ja) * | 1989-10-18 | 1991-06-05 | Hitachi Ltd | 血球自動分類装置 |
US5255346A (en) * | 1989-12-28 | 1993-10-19 | U S West Advanced Technologies, Inc. | Method and apparatus for design of a vector quantizer |
ES2102518T3 (es) * | 1991-08-28 | 1997-08-01 | Becton Dickinson Co | Motor de atraccion por gravitacion para el agrupamiento autoadaptativo de corrientes de datos n-dimensionales. |
JP3076118B2 (ja) * | 1991-11-27 | 2000-08-14 | シスメックス株式会社 | 粒子計数方法 |
-
1992
- 1992-06-19 JP JP18626592A patent/JP3165247B2/ja not_active Expired - Fee Related
-
1993
- 1993-05-26 AU AU39809/93A patent/AU648466B2/en not_active Ceased
- 1993-06-09 EP EP93304472A patent/EP0575091B1/de not_active Expired - Lifetime
- 1993-06-09 DE DE69327615T patent/DE69327615T2/de not_active Expired - Lifetime
- 1993-06-18 CA CA002098785A patent/CA2098785A1/en not_active Abandoned
-
1995
- 1995-01-03 US US08/368,053 patent/US5703959A/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
EP0575091A2 (de) | 1993-12-22 |
CA2098785A1 (en) | 1993-12-20 |
US5703959A (en) | 1997-12-30 |
AU648466B2 (en) | 1994-04-21 |
EP0575091B1 (de) | 2000-01-19 |
AU3980993A (en) | 1993-12-23 |
JP3165247B2 (ja) | 2001-05-14 |
DE69327615D1 (de) | 2000-02-24 |
EP0575091A3 (en) | 1994-08-24 |
JPH063252A (ja) | 1994-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69327615T2 (de) | Verfahren und Vorrichtung zur Partikelanalyse | |
DE3146423C2 (de) | ||
DE69218912T2 (de) | Schwerkraftsattraktionsmaschine zur anpassungsfähigen autoclusterbildung n-dimensionaler datenströme | |
DE69701446T2 (de) | Verfahren und vorrichtung zur bestimmung des hämoglobingehalts von einzelnen roten blutkörperchen | |
DE69324052T2 (de) | Neuronalnetzwerk-Lernsystem | |
DE69031774T2 (de) | Adaptiver Gruppierer | |
DE69322095T2 (de) | Verfahren und gerät zur identifizierung eines objekts mittels eine geordneten folge von grenz-pixel-parametern | |
DE69217746T2 (de) | Methode und Apparat für automatisiertes Lernen und ein System, das einen solchen Apparat enthält | |
DE69332692T2 (de) | Verfahren und Vorrichtung zur Artikelklassifizierung | |
DE19639884C2 (de) | Mustererkennungssystem | |
DE112019006156T5 (de) | Erkennung und behandlung von unsachgemässen eingaben durch neuronale netzwerke | |
DE4221807C2 (de) | Verfahren zur analytischen Bestimmung der Konzentration eines Bestandteiles einer medizinischen Probe | |
DE2903625A1 (de) | Vorrichtung zur automatischen blutanalyse | |
CH640433A5 (de) | Vorrichtung zur unterscheidung von pruefobjekten. | |
DE3688048T2 (de) | Verfahren und vorrichtung zur aufbereitung von durch partikel erzeugten elektrischen impulsen. | |
DE3787395T2 (de) | Parallele Berechnungsschaltung. | |
DE19530646C1 (de) | Lernverfahren für ein rekurrentes neuronales Netz | |
DE3789736T2 (de) | Verfahren zur Auswertung eines Teilchengrössenverteilung. | |
DE69811088T2 (de) | Klassifizieranlage und klassifizierverfahren unter verwendung einer kombination von warscheinlichkeitsverfahren und neuronalen netzwerken | |
DE68924765T2 (de) | Methode zur Separation der drei Haupttypen von Blutzellen aus einem Leukocyten-Histogramm. | |
EP0003958B1 (de) | Verfahren zur Analyse einer Messflüssigkeit in Abhängigkeit von einem Aufbereitungszustand einer in der Messflüssigkeit enthaltenen Probe | |
EP0012418B1 (de) | Anordnung zur Klassierung von in einer Blutprobe enthaltenen Teilchen | |
DE4434197A1 (de) | Diagnosetechnik für den Betrieb eines Abgassauerstoffsensors | |
DE4331018C2 (de) | Verfahren zur Bewertung von Blutproben | |
EP0016953A1 (de) | Zusatzvorrichtung zu einem Teilchenanalysator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8364 | No opposition during term of opposition |