FR2733596A1 - Procede et dispositif d'identification de particules - Google Patents

Abstract

L'invention concerne un procédé et un dispositif d'identification de particules d'au moins une composition. Pour chacune des compositions, on réalise des mesures, on en effectue un prétraitement et on les analyse pour en extraire des informations sur les particules. Selon l'invention, deux étapes sont effectuées avant la mise en oeuvre du procédé: - dans une première étape préalable, on élabore au moins un réseau neuronal (52) ayant pour fonction de produire des résultats (54) utiles à une détermination des informations, - dans une seconde étape préalable, on effectue un apprentissage du réseau neuronal (52) au moyen de cas tests. Pour chacune des compositions, on met en oeuvre lors du prétraitement et/ou de l'analyse les réseaux neuronaux (52) ainsi conçus.

Description

L'invention concerne un procédé et un dispositif d'identification de particules de compositions. Elle a en particulier des applications en hématologie, pour caractériser des cellules sanguines.

Des analyses pratiquées en hématologie ont pour objet une identification et un comptage de plusieurs catégories de cellules, afin d'établir des diagnostics. Les cellules à reconnaître sont usuellement des globules blancs, qui se répartissent en plusieurs familles telles que lymphocytes, monocytes, ou granulocytes. On distingue pour les besoins actuels cinq familles de globules blancs à identifier.

Des mesures de différenciation sont traditionnellement effectuées en hématologie par effet Coulter. On fait pour cela passer des cellules dans un liquide conducteur à travers un orifice de petit diamètre, au niveau duquel est appliqué un courant électrique maintenu constant. Le passage d'une particule y provoque alors une variation transitoire de conductivité, représentative du volume occupé par la cellule traversante. Ce procédé de mesure par variation d'impédance permet de différentier les cellules en fonction de leur volume.

Cependant, des mesures d'identification par effet
Coulter s'avèrent insuffisantes pour collecter l'ensemble des informations nécessaires. En particulier, des cellules appartenant à des familles distinctes ont parfois des volumes très voisins.

Un autre procédé connu consiste à utiliser des moyens optiques.

Des cellules passant par un orifice de petit diamètre sont illuminées par un faisceau laser, et réfléchissent de la lumière. Cette réflexion doit être prise dans un sens très général et signifie non seulement transmettre et diffracter de la lumière, mais également engendrer de la lumière sous l'impact d'un faisceau lumineux, par exemple de la lumière de fluorescence de cellules convenablement marquées. Par la suite, on parlera indifféremment de réflexion de lumière. Le faisceau lumineux éclairant les cellules est très peu épais pour que les cellules soient détectées une par une, et constitué de lumière cohérente. On a habituellement recours comme source lumineuse à des lasers à gaz, typiquement He-Ne.

Des diodes laser, de développement plus récent, offrent des optiques plus performantes pour effectuer des focalisations, permettant à la fois des tailles plus petites et des coûts moins élevés. La lumière réfléchie par une particule passant dans le faisceau laser a une intensité en corrélation avec l'indice de réfraction de la cellule passante. La mesure de cette lumière réfléchie permet ainsi d'obtenir des informations sur l'état de surface d'une particule et/ou la structure de son noyau, liés à l'indice de réfraction.

Des mesures par faisceaux lumineux permettent des différenciations distinctes de celles obtenues par effet
Coulter. Elles ne sont cependant pas suffisantes en ellesmêmes. C'est pourquoi des mesures effectuées par ces deux moyens sont usuellement effectuées corrélativement. On parvient ainsi à un discernement beaucoup plus précis, en cumulant des informations sur le volume et l'état de surface et/ou la structure du noyau des cellules.

D'autres types de mesure peuvent fournir des informations complémentaires, obtenues par exemple avec des détecteurs de radiofréquences ou d'ultrasons.

Quel que soit le type de capteur employé, des particules à caractériser le traversent avec une vitesse importante. Chaque passage d'une particule provoque l'apparition d'un signal qui croit, atteint une valeur crête, puis décroît. Ce signal, qualifié d'événement, est habituellement caractérisé par la valeur crête ou par une intégration temporelle du signal. On parlera par la suite de valeur représentative de l'événement pour désigner ce résultat.

Pour analyser une solution sanguine, on en fait passer un flux par un ou plusieurs capteurs utilisés. Un ensemble de cellules génère ainsi des événements dans chacun des capteurs utilisés. Des valeurs caractéristiques des événements sont mesurées, et réparties selon des plages de valeurs juxtaposées dites canaux. Chaque capteur admet un nombre de canaux dépendant de sa définition.

En présence d'un unique moyen de mesure, les événements sont classiquement représentés sous forme d'histogramme. Un premier axe X correspond aux canaux, classés par valeurs croissantes, tandis qu'un axe Y donne le nombre d'événements par canal.

En présence de deux capteurs, un moyen classique de représentation consiste à associer respectivement chaque capteur à un axe, chacun des axes représentant des valeurs croissantes de canaux. Toute particule mesurée produisant dans chaque capteur un événement ayant une valeur caractéristique, on associe cette particule à un point situé à une intersection de deux canaux. A chaque point, est affectée une intensité croissante en fonction du nombre de particules associées. Une variation de couleurs est souvent employée à la place de cette variation d'intensité. Une telle représentation est désignée par scattergramme.

Les résultats de mesure étant obtenus et représentés, une étape essentielle consiste à les interpréter. En effet, un nombre important d'événements non significatifs sont présents et brouillent les mesures. En particulier, en même temps que les cellules à mesurer, circulent des éléments indésirables tels que par exemple bactéries, débris de cellules, ou encore micro-particules endogènes au dispositif de mesure. D'autre part, il peut arriver que deux cellules passent en même temps par un détecteur. Qui plus est, les capteurs ne sont pas parfaits et introduisent eux-mêmes des erreurs parasites, telles qu'un bruit électrique pour un capteur de conductivité ou optique.

Pour réussir à distinguer des familles de cellules dans un scattergramme ou un histogramme, on détermine généralement des zones fixes dans lesquelles sont censées se trouver ces familles. Ainsi, pour un scattergramme, on dessine des fenêtres prédéterminées connues à partir de mesures expérimentales, qui correspondent à des familles de cellules.

Une méthode de lissage permet d'éliminer les événements considérés comme aléatoires, et on peut effectuer un comptage dans chacune des zones et donc donner les résultats d'analyse de la composition.

Bien que ce procédé donne des résultats satisfaisants dans des situations standards, il se révèle problématique dès qu'apparaissent des phénomènes atypiques. En particulier, un sang présentant un état pathologique risque de provoquer une altération importante des zones habituelles. Même pour des sangs normaux, une dégradation avec le temps peut fausser les résultats de façon similaire. Les solutions sanguines risquent également de s'avérer instables avec la température, et les délais maximums entre la prise de sang et l'analyse ne sont pas toujours respectés. D'autre part, des dysfonctionnements dans le procédé de mesure sont susceptibles de fausser complètement la justesse d'une représentation. De tels dysfonctionnement peuvent consister par exemple en une panne, le bouchage d'un orifice de capteur ou la dégradation d'une électrode dans un capteur d'impédance. Les zones normales ne sont pas non plus à l'abri de dérives, dues par exemple au vieillissement d'une machine ou au colmatage partiel d'un orifice.

Habituellement, une batterie de tests est utilisée pour détecter une anomalie. Lorsqu'un dispositif de mesure ne peut pas indiquer un résultat, il le signale ainsi systématiquement. Une vérification manuelle de la solution à caractériser est alors effectuée grâce à une lame microscopique.

Bien souvent, des incertitudes apparaissent, rendant nécessaires ces vérifications. Or, visualiser et identifier des cellules par centaines au microscope s' avère une tache fastidieuse et entachée de risques d'erreurs. Qui plus est, les efforts accomplis pour ajuster les fenêtres afin de repérer les cellules cherchées se révèlent insuffisants dès lors que des résultats non répertoriés sont obtenus, tels que des dysfonctionnements ou des cas pathologiques. Ainsi, une analyse de sang s'avère souvent coûteuse et insuffisamment fiable, car elle nécessite l'usage d'une part importante de lames microscopiques.

La présente invention a pour objet de surmonter ces difficultés, grâce à un procédé d'identification de particules d'une composition quelconque.

Un objectif corollaire de l'invention est de diminuer sensiblement le nombre de lames microscopiques utilisées dans un examen de sang, sans diminuer la fiabilité des résultats.

Plus précisément, l'invention a pour but un procédé d'identification de particules capable de reconnaître par apprentissage des familles de particules dont les propriétés sont insuffisamment connues a priori.

C'est aussi un objectif de l'invention d'offrir des possibilités de recherche dynamique de groupes de particules.

En particulier, elle a pour but de reconnaître des familles de cellules morphologiquement anormales.

Un autre but de l'invention est d'identifier des cellules vieillies, à la suite d'un stockage trop long d'un sang à examiner.

L'invention a aussi pour but d'identifier des familles de cellules malgré des imperfections de fonctionnement, dues au matériel de détection.

L'invention vise également un procédé d'identification de particules permettant de diagnostiquer des pannes ou autres dysfonctionnements.

L'invention a aussi pour objet un dispositif d'identification de particules, permettant d'appliquer le procédé selon l'invention.

L'invention concerne ainsi un procédé d'identification de particules d'au moins une composition. Selon ce procédé, pour chacune des compositions:
- on réalise par au moins un moyen de mesure des mesures sur la composition,
- on effectue un prétraitement des mesures afin de les rendre exploitables par une analyse,
- et on analyse ces mesures pour en extraire des informations sur les particules.

Selon l'invention, deux étapes sont effectuées au préalable avant la mise en oeuvre du procédé:
- dans une première étape préalable, on élabore au moins un réseau neuronal de traitement d'information, comportant des entrées, au moins une sortie et des processeurs élémentaires dits "neurones", ce réseau neuronal ayant pour fonction de produire des résultats utiles à une détermination des informations, les entrées du réseau étant destinées à recevoir des données représentatives des mesures et les sorties du réseau à fournir les résultats,
- dans une seconde étape préalable, on effectue un apprentissage du réseau neuronal au moyen de cas tests pour lesquels les données et les résultats sont connus, en ajustant des paramètres du réseau aux cas tests.

Le procédé selon l'invention est tel que pour chacune des compositions, on met en oeuvre lors du prétraitement et/ou de l'analyse les réseaux neuronaux ainsi conçus.

Par rapport aux procédés d'identification connus, le procédé selon l'invention offre une très grande souplesse. En effet, au lieu de moyens figés, on a recours à une méthode s'adaptant dynamiquement aux problèmes traités.

Plus précisément, le procédé d'identification de particules selon l'invention est appliqué avantageusement au moyen d'un ou de plusieurs réseaux neuronaux élaborés de façon à donner une partie au moins des résultats suivants:
- Les résultats indiquent lors de l'analyse la présence d'au moins un type de particules.

- Les résultats indiquent lors de l'analyse les proportions de plusieurs familles de particules.

- Les résultats signalent lors du prétraitement la présence de dysfonctionnements des moyens de mesure.

- Les résultats indiquent lors du prétraitement la présence de dérives des mesures par rapport à des mesures de référence, ces dérives étant dues à une altération des moyens de mesure.

- Les résultats donnent lors du prétraitement un lissage des mesures réalisées.

Selon un mode de réalisation préféré du procédé d'identification de particules, le nombre de moyens de mesure étant égal à N:
- on établit pour chaque moyen de mesure des plages juxtaposées de valeurs, dites canaux,
- on effectue N mesures par particule d'un ensemble de particules de la composition, les N mesures étant réalisées par respectivement les N moyens de mesures,
- pour chaque N-uplet de canaux des N moyens de mesure, on compte le nombre de particules ayant des mesures correspondantes,
- et on déduit de ces nombres les données.

Selon la nature du réseau neuronal considéré, les données sont déduites différemment des nombres obtenus. Cette déduction peut inclure en particulier des regroupements de plusieurs N-uplets, par exemple par sommation. Elle peut également faire intervenir des multiplications par des coefficients normateurs. Des opérations de filtrage ou de lissage peuvent aussi intervenir dans la déduction des données, les différents traitements énoncés à titre d'illustration n'étant nullement limitatifs.

Préférentiellement, pour réaliser les mesures, on fait passer un flux des particules par les moyens de mesure, on détecte avec ces moyens des événements correspondant aux passages des particules, et on calcule des mesures représentatives de ces événements par une unité de traitement.

Plusieurs moyens de mesure étant utilisés, on vérifie alors avantageusement une cohérence temporelle des événements détectés par les différents moyens de mesure au passage de chaque particule, afin d'effectuer un filtrage préalable.

Dans une mise en oeuvre préférée du procédé d'identification de particules selon l'invention, ces particules sont des cellules sanguines.

I1 est alors intéressant qu'aux passages des cellules sanguines, un premier moyen de mesure détecte des variations de conductivité représentatives des volumes des cellules, et un second moyen de mesure détecte une lumière réfléchie par le flux de cellules éclairé par un faisceau laser, cette lumière étant représentative des indices de réfraction des cellules.

I1 peut être avantageux qu'au moins un troisième moyen de mesure appartienne à un ensemble comprenant un détecteur de radiofréquence et un détecteur d'ultrasons.

L'invention a également trait à un dispositif d'identification de particules de compositions, comprenant:
- au moins un moyen de mesure permettant d'effectuer des mesures sur les compositions,
- une unité de traitement apte à exploiter les mesures pour en extraire des informations sur les particules.

Le dispositif selon l'invention est original en ce que l'unité de traitement comprend au moins un réseau neuronal de traitement d'information, comportant des entrées destinées à recevoir des données représentatives des mesures, au moins une sortie destinée à fournir des résultats utiles à une détermination des informations et des processeurs élémentaires dits neurones.

La présente invention sera mieux comprise à la lecture de la description qui suit d'un exemple de mise en oeuvre du procédé selon l'invention et de réalisation du dispositif de l'invention donné à titre indicatif et nullement limitatif, en référence aux dessins annexés, sur lesquels:
La Figure 1 est un schéma synoptique d'un dispositif d'identification de particules selon l'invention.

La Figure 2 est une vue schématique d'un cytomètre utilisé dans le dispositif de la Figure 1.

La Figure 3 montre l'évolution temporelle de signaux détectés par un capteur du cytomètre de la Figure 2 au passage de cellules biologiques.

La Figure 4 représente un scattergramme d'un flux des cellules biologiques, obtenu par les deux capteurs présents dans le cytomètre de la Figure 2.

La Figure 5 est un schéma synoptique d'un premier réseau neuronal utilisé pour analyser le scattergramme de la
Figure 4 dans le cadre du procédé selon l'invention.

La Figure 6 est un schéma synoptique d'un second réseau neuronal utilisé pour analyser le scattergramme de la Figure 4.

Un dispositif d'identification de particules selon l'invention, représenté sur la Figure 1, comprend un cytomètre 1 destiné à réaliser des mesures sur des compositions de cellules biologiques. I1 comprend également une unité de traitement 2 reliée au cytomètre 1, et recevant en entrée les mesures effectuées. L'unité de traitement 2 fournit en sortie des informations I sur les compositions analysées. En particulier, elle permet d'identifier des cellules dans ces compositions. Elle peut également être utilisée pour établir des proportions selon lesquelles se répartissent les cellules d'une composition donnée dans différentes familles de cellules.

L'unité de traitement 2 est constituée de deux modules 18 et 19. Le premier module 18 effectue des prétraitements des mesures, afin de les rendre exploitables pour une analyse. Ces prétraitements peuvent inclure une mise en forme de mesures, des diagnostics de dysfonctionnement ou une prise en compte d'altérations de mesures dues à un vieillissement de machine.

Le second module 19, relié au premier 18, réalise l'analyse proprement dite et fournit les informations I.

La séparation de l'unité de traitement 2 en deux modules 18 et 19 est en réalité fictive, les deux modules 18 et 19 n'étant pas physiquement séparés mais étant intégrés et mêlés dans l'unité de traitement 2. Cette séparation est cependant utile à des fins explicatives.

En fonctionnement, un flux 3 de cellules biologiques d'une composition traverse le cytomètre 1. Celui-ci produit alors des mesures qui sont transmises au premier module 18 de l'unité de traitement 2. Le premier module 18 prétraite ces mesures et génère des données exploitables par le second module 19. Finalement, celui-ci fournit les informations I.

Le cytomètre 1, détaillé sur la Figure 2, comprend un support 4 d'axe 15 contenant un conduit 5 destiné à la circulation d'une suspension de cellules biologiques qui sont plus précisément, dans l'exemple présenté, des cellules sanguines. Le conduit 5 est inclus dans une chambre d'écoulement 6 à l'intérieur du support 4, qui contient un liquide entraîneur 8 et qui est terminé par une buse 7. Le conduit 5 et la chambre d'écoulement 6 sont dirigés suivant l'axe 15, et permettent d'obtenir un écoulement axial du flux 3. La buse 7 concentre le flux 3 dans la direction 15. Elle est terminée à son extrémité 9 par un orifice de très petite taille, typiquement de l'ordre de 80 pm, de façon à ce qu'une seule cellule passe à la fois. Le liquide 8 entraîneur est de préférence isotonique par rapport à une solution circulant dans le conduit 5.

Le cytomètre 1 comporte également un capteur laser 20.

Celui-ci comprend un dispositif optique 10 admettant un élément optique 14. Dans un mode de réalisation avantageux, cet élément 14 est réalisé en un matériau tel que la silice fondue ou le matériau commercialement disponible sous le nom de Suprasil par exemple, de façon que ces éléments puissent être traversés par de la lumière ayant des fréquences suffisamment élevées. Dans une autre configuration, l'élément 14 peut être muni d'orifices destinés à laisser passer des rayons lumineux. L'élément optique 14 comporte intérieurement une chambre 12, ouverte en deux extrémités opposées selon l'axe 15 et centrées autour d'un point 11. L'élément optique 14 est fixé au support 4 de façon que la buse 7 débouche dans la chambre 12 par l'une des extrémités de celle-ci, et que le flux 3 de cellules passe par le point 11 central de la chambre 12.Une autre buse 13 est fixée à l'élément optique 14 de façon à communiquer avec la chambre 12 par l'autre extrémité de celle-ci et se trouver en regard de la buse 7. Le flux 3 de cellules, après avoir traversé la chambre 12, débouche ainsi à l'air libre par l'intermédiaire de l'autre buse 13.

Le capteur laser 20 comporte également un laser 23 apte à émettre un faisceau lumineux 22 qui est focalisé sur le flux 3 de cellules, au point 11 central de la chambre 12, dans laquelle il pénètre par l'élément optique 14. Le capteur laser 20 comporte aussi un ensemble de détection (non représenté), qui mesure de la lumière réfléchie latéralement par les cellules.

Le volume délimité par le support 4 et la chambre 12 est rempli d'un liquide physiologique 16. Celui-ci consiste en un liquide conducteur quelconque. Le liquide physiologique 16 lave en permanence le dispositif optique 10 et évite des recirculations de cellules devant le faisceau lumineux 22.

Le cytomètre 1 comprend également un capteur d'impédance 25, constitué par des moyens électroniques de mesure 27 reliés au conduit 5, et une électrode 26 mise à la masse. L'électrode 26 est disposée dans le volume délimité par le support 4, rempli du liquide physiologique 16. Ce dernier constitue ainsi un plan de masse pour l'électrode 26. Les moyens électroniques 27 et l'électrode 26 permettent de compter électriquement le nombre de cellules passant dans le conduit 5 et d'en mesurer électriquement le volume, selon la méthode de Coulter.

En fonctionnement, on fait circuler un flux 3 de cellules biologiques à mesurer dans le conduit 5. Sa vitesse de passage est typiquement de l'ordre de 5 m/s. Parvenues à l'extrémité du conduit 5, les cellules sont entraînées par le liquide entraîneur 8 vers l'extrémité 9 de la buse 7. Elles traversent ensuite l'élément optique 14 et sont finalement expulsées par la buse de sortie 13.

Le passage des cellules dans le conduit 5 par les moyens électroniques de mesure 27 provoque une variation d'impédance proportionnelle aux volumes occupés par les cellules. On obtient ainsi un premier type de mesure.

Le second type de mesures est réalisé par le capteur laser 20, lors du passage des cellules par la chambre 12.

La durée séparant le passage de deux cellules consécutives par l'un des deux capteurs est typiquement de 500 ps, la durée de passage d'une particule dans le champ d'un des capteurs étant de l'ordre de 12 ps.

Plusieurs événements parasites sont susceptibles de se produire pendant les mesures. En particulier, deux cellules risquent de passer en même temps par un capteur. D'autre part, des bactéries, débris de cellules, ou encore micro-particules endogènes au cytomètre 1 sont susceptibles de se mêler aux cellules mesurées. Qui plus est, du bruit électrique risque d'apparaître dans les moyens électroniques 27 et l'ensemble de détection du capteur laser 20. D'autres types de perturbations, tels qu'électromagnétiques, fluidiques, ou électrolytiques, peuvent également fausser les mesures optiques. Un préfiltrage est pour cette raison effectué en corrélant des informations en provenance des deux capteurs.

Les mesures ne sont validées qu'en cas de cohésion temporelle d'un capteur à l'autre.

Le nombre de cellules conservées dans les mesures doit être suffisamment grand pour être représentatif d'un échantillon mesuré. Par exemple, ce nombre est fixé égal à 10.000, la durée d'analyse étant alors comprise entre 5 et 10 secondes.

L'allure typique des mesures, indiquée sur la Figure 3, peut être représentée selon deux axes 30 et 31. L'axe 30 est celui temporel, et l'axe 31 correspond à une grandeur mesurée qui dépend du capteur considéré. Pour le capteur d'impédance 25, il s'agit par exemple d'une différence de potentiel, tandis que pour le capteur laser 20, il s'agit d'une intensité lumineuse. Chaque passage d'une particule provoque l'apparition d'un signal de durée T1, T2, T3 de l'ordre de 12 ys dans l'exemple exposé, ce signal présentant une croissance, une valeur crête 36, 37, 38 et une décroissance.

L'événement associé à chacun des signaux donne une valeur représentative, qui peut être la valeur crête 36, 37, 38, ou l'intégration temporelle 33, 34, 35 du signal. Les événements sont séparés d'une durée T4 égale à 500 ps dans l'exemple de mise en oeuvre.

Les mesures effectuées dans le cytomètre 1 sont transmises au premier module 18 de l'unité de traitement 2, qui détermine les valeurs 33, 34, 35 ou 36, 37, 38 représentatives des événements mesurées. Ces valeurs sont portées dans un diagramme dit scattergramme, représenté sur la
Figure 4, généré par le premier module 18. Ce diagramme admet deux axes 40 et 41 correspondant respectivement au capteur d'impédance 25, et au capteur laser 20. Les axes 40 et 41 sont discrétisés en des abscisses associées à des intervalles de valeurs croissantes. Ces intervalles sont donnés par des canaux propres aux capteurs et dépendant de leur définition, chaque canal couvrant une plage de valeur mesurée.

On associe ainsi, à chaque particule mesurée, des coordonnées selon les axes 40 et 41. La particule est donc associée à un point du scattergramme. Pour un échantillon donné, comprenant 10.000 cellules dans l'exemple décrit, on affecte à chaque point du scattergramme une intensité proportionnelle au nombre de particules qui lui sont associées, selon un procédé en soi connu. On peut également avoir recours à une couleur variable en fonction du nombre de particules.

Un scattergramme obtenu avec un échantillon donné, tel que celui représenté à la Figure 4, fait alors apparaître des zones 43, 44, 45 significatives, indiquant une grande densité de particules. Ces zones 43, 44, 45 sont représentatives de familles de cellules à identifier. Elles sont cependant brouillées par des points 42 parasites dus à divers événements de brouillage évoqués précédemment, et à des incertitudes dépendant du contenu de l'échantillon.

Contrairement à la méthode usuelle, pour laquelle le second module 19 utilise des fenêtres établies au préalable et tracées sur le scattergramme, on ne fait pas de présupposés sur l'emplacement des zones 43, 44, 45.

Selon l'invention, l'analyse des mesures et/ou leur prétraitement sont menés grâce à au moins un réseau neuronal présent dans le premier module 18 ou le second module 19.

Les techniques de réseaux neuronaux dites neuromimétiques, en soi connues, sont des méthodes de traitement d'informations inspirées du fonctionnement du cerveau humain. Ce fonctionnement est par exemple exposé dans l'ouvrage "L'homme neuronal" de Jean Pierre CHANGEUX, édition
Fayard, 1983. Les techniques neuromimétiques sont décrites de façon détaillée dans "Réseaux neuronaux et traitement du signal", de Jeanny HERAULT et Christian JUTTEN, édition
Hermès.

Un premier réseau neuronal 52, schématisé sur la Figure 5, est implanté dans le second module 19 de l'unité de traitement 2. Des informations de base 53 représentatives du scattergramme sont transmises par des entrées 55 au réseau neuronal 52, dont on extrait un résultat 54 par une sortie 56.

A titre d'exemple, on obtient d'une solution sanguine dont on veut savoir si elle contient ou non des cellules immatures. Un flux de cette solution étant passé dans le cytomètre 1 et des mesures ayant été effectuées avec préfiltrage pour 10.000 cellules, on obtient un scattergramme dont le nombre de points est trop important pour servir directement d'informations de base 53. Le premier module 18 regroupe alors ces points en paquets, en additionnant ou en moyennant les intensités des points de chaque paquet.

Typiquement, le scattergramme comprend 65536 points correspondant à 256 x 256, 256 étant le nombre de points selon chacun des axes 40 et 41. On regroupe ces 65536 entités par paquets de 64. On obtient ainsi 1024 informations de base 53 introduites dans le réseau 52 par 1024 entrées 55. Ces informations 53 doivent être ordonnées linéairement pour être soumises au réseau neuronal 52. Pour ce faire, on effectue un balayage du scattergramme, en parcourant ses points de gauche à droite et de bas en haut. Des informations en deux dimensions sont ainsi réduites à une dimension.

Ces données initiales sont réduites au préalable à une échelle unitaire par le premier module 18 grâce à un coefficient normateur, pour des commodités de prétraitement.

Le résultat 54 consiste en une réponse comprise entre 0 et 1: elle vaut 0 en présence d'un sang normal, 1 quand la solution est constituée de cellules immatures, et peut prendre toute valeur intermédiaire dès lors que des cellules immatures sont présentes dans la solution.

Le réseau neuronal 52 du second module 19 comporte des processeurs élémentaires dits neurones 50 ayant chacun au moins une entrée 58 et au moins une sortie 59. Les neurones 50 sont reliés les uns aux autres sélectivement par des liaisons orientées dites synapses 51. Chacune des synapses 51 affecte à la sortie 59 d'un neurone 50 amont, un coefficient multiplicateur dit poids synaptique en entrée d'un neurone 50 aval.

Le réseau neuronal 52 choisi dans le mode particulier de réalisation présenté comprend trois couches 61, 62, 63 successives de- neurones référencés 50, chacune étant reliée exclusivement et de façon orientée à la suivante. La première couche 61 est une couche d'entrée, chacun de ses neurones référencés 50 ayant, pour entrée 58, une entrée 55 du réseau neuronal 52. Cette première couche 61 comprend donc 1024 neurones référencés 50 d'entrée. La deuxième couche 62 du réseau neuronal 52 comprend 50 neurones référencés 50.

L'interconnexion entre la première couche 61 et la deuxième couche 62 est complète, chacun des neurones 50 de la première 61 étant relié à tous ceux de la deuxième 62. La troisième couche 63 de sortie comprend, quant à elle, un unique neurone 50 dont la sortie 59 est celle 56 du réseau neuronal 52.

L'interconnexion entre la deuxième couche 62 et la troisième 63 est également complète, tous les neurones 50 de la deuxième couche 62 étant reliés au neurone 50 de la troisième couche 63.

Chacun des neurones 50 du réseau 52 est associé à une fonction de transfert permettant de passer de son entrée 58 à sa sortie 59. Dans l'exemple présenté, les fonctions de transfert en soi connues de la première couche 61 et de la troisième couche 63 sont linéaires, tandis que celles de la couche intermédiaire 62 sont sigmoïdes.

Avant d'être confronté à une solution inconnue pour laquelle des mesures ont été obtenues, le réseau neuronal 52 est soumis à un apprentissage: on lui présente un ensemble de cas connus permettant un ajustement des poids synaptiques. Par exemple, on choisit comme fichiers d'apprentissage 50 cas de sangs normaux et 50 autres cas de sangs constitués de cellules immatures. L'apprentissage peut être effectué par une méthode en soi connue, telle que celle dite de back-propagation. Selon cette méthode, l'ensemble des 100 cas connus est passé simultanément dans le réseau neuronal 52 de façon à obtenir un ensemble de résultats de calcul. On détermine alors un écart entre les résultats théoriques connus et ceux obtenus par le calcul, et on en déduit un écart moyen, typiquement par une méthode de moindres carrés.La connaissance de cet écart permet d'ajuster les poids synaptiques, et on réitère le passage simultané des 100 cas en reproduisant ces opérations.

On effectue ensuite de nouvelles itérations, jusqu'à ce que l'écart obtenu soit inférieur à un seuil de précision fixé, ou qu'un nombre maximal d'itérations soit atteint. Lors de chacune des itérations, des modifications minimes sont effectuées, si bien qu'un grand nombre d'opérations est nécessaire pour parvenir à la précision souhaitée. Le nombre d'itérations utilisé dans cet exemple est de l'ordre de 10.000.

D'autre part, les paramètres d'ajustement peuvent inclure en plus des poids synaptiques des coefficients intervenant dans les fonctions de transfert, lorsque ces dernières ne sont pas fixées a priori.

Une fois le réseau neuronal 52 ajusté aux 100 cas connus, on repasse les 100 fichiers associés pour vérifier que les résultats 54 obtenus sont corrects. Un écart avec les résultats connus inférieur à 5% s'avère très satisfaisant.

Si certains des cas sont mal représentés, on peut augmenter le nombre d'itérations de façon à améliorer la précision. I1 n'est cependant pas acquis que le processus itératif converge vers de très faibles erreurs pour l'ensemble des fichiers. En fait, pour obtenir de bons résultats, il est recommandé de choisir un ensemble de cas tests cohérents, en rapport avec l'objet de l'analyse effectuée. En cas de résultats médiocres, le jeu de fichiers peut ainsi être modifié et complété en conséquence.

Le réseau neuronal 52 est ensuite testé par des cas connus ne faisant pas partie de l'apprentissage. A titre d'exemple, on lui soumet l'analyse d'une solution contenant des cellules immatures, et d'une solution sanguine normale. La première donne une réponse de l'ordre de 0,7 et la seconde une réponse proche de 0 comme résultat 54. La fiabilité du réseau 52 est ainsi validée.

Le choix du nombre de fichiers d'apprentissage est délicat, et dépend étroitement du problème traité, comprenant l'architecture du réseau neuronal 52 et les informations en entrée 55 et en sortie 56. Si ce nombre est trop petit, l'apprentissage est insuffisant et le réseau neuronal 52 n'est pas apte à reconnaître des situations avec suffisamment de précision. En revanche, si le nombre de fichiers d'apprentissage est trop grand, les itérations effectuées risquent de ne pas converger.

Le nombre de fichiers d'apprentissage doit donc répondre à un équilibre entre une précision suffisante et une convergence satisfaisante, pour maintenir intacte la faculté d'extrapoler du réseau neuronal 52.

Une fois l'apprentissage et les vérifications effectués, il suffit d'entrer les informations de base 53 correspondant au scattergramme étudié, pour en déduire si la solution sanguine comprend ou non des cellules immatures.

Les résultats 54 sont obtenus de manière très souple, puisqu'ils reposent sur une adaptation automatique du réseau neuronal 52 à des situations réelles, et non sur des présupposés concernant les résultats cherchés.

D'autre part, l'utilisation des réseaux neuronaux permet d'obtenir une bonne insensibilité à des événements non significatifs. Ils donnent aux résultats obtenus une grande fiabilité par rapport aux méthodes habituelles.

On peut aussi ne s'intéresser qu'à un seul des capteurs, et examiner les résultats de mesure correspondant.

Dans ce cas, au lieu de reporter les mesures sur un scattergramme, le premier module 18 les fait figurer sur un histogramme en représentant le nombre de valeurs 33, 34, 35, 36, 37, 38 représentatives d'événements mesurés en fonction des canaux du capteur utilisé. I1 procède ensuite comme précédemment, les paquets de points étant des regroupements de canaux voisins.

Un second réseau neuronal 57, schématisé sur la Figure 6, est inclus dans le second module 19 de l'unité de traitement 2.

Les mêmes numéros se référant aux mêmes objets que ceux du réseau neuronal 52 précédemment décrit, le réseau 57 reçoit des informations de base 53 par des entrées 55. Ces informations 53 sont établies de la même façon que pour le réseau 52 à partir du scattergramme obtenu (Figure 4). On soumet ainsi au réseau neuronal 57, 1024 entrées 55.

En revanche, le réseau neuronal 57 donne simultanément plusieurs résultats 54, par l'intermédiaire de cinq sorties 56. Les résultats 54 déduits du réseau 57 consistent en la répartition selon cinq familles de globules blancs des cellules sanguines de la solution analysée. Les cinq familles de globules blancs comprennent les lymphocytes, les monocytes, les neutrophiles, les éosinophiles et les basophiles. On obtient ainsi en sorties 56 du réseau 57 cinq valeurs comprises entre 0 et 1, indiquant les pourcentages de cellules appartenant respectivement à chacune des cinq familles.

Le réseau neuronal 57 comprend une première couche 64 d'entrée et une seconde couche 65 de sortie et il est dépourvu de couche intermédiaire. La couche 64 d'entrée comporte 1024 neurones 50 ayant pour entrées, 58 les entrées 55 du réseau neuronal 57. La couche 65 de sortie comprend, quant à elle, cinq neurones 50 ayant pour sorties 59 les sorties 56 du réseau 57. L'interconnexion entre la couche 64 d'entrée et la couche 65 de sortie est complète, chacun des neurones 50 de la première 64 étant relié à tous ceux de la deuxième 65.

Les fonctions de transfert des neurones 50 de la première couche 64 sont linéaires, et celles des neurones 50 de la seconde couche 65 sont sigmoïdes.

L'apprentissage de ce réseau neuronal 57 est effectué par la méthode en soi connue de back-propagation, avec 80 fichiers de cas test. Dans l'exemple traité, le nombre d'itérations est égal à 100.000, l'ensemble des 80 fichiers étant passé à chaque itération.

Comme pour le réseau 52, on vérifie la fiabilité de l'ajustement du réseau neuronal 57 en repassant les 80 cas d'apprentissage. Un écart inférieur à 5% par rapport aux résultats connus s'avère tout à fait satisfaisant.

Le réseau neuronal 57 est ensuite testé avec quinze cas connus ne faisant pas partie de l'apprentissage. Ces vérifications permettent de confirmer la fiabilité du réseau 57.

Le réseau neuronal 57 ainsi ajusté et validé permet d'analyser la composition de la solution mesurée, en utilisant les informations de base 53 déduites du scattergramme associé.

Même si les informations dont on dispose a priori concernant certaines des cinq familles de globules blancs sont très succinctes, le réseau neuronal 57 a la faculté d'identifier précisément ces familles, grâce à ses capacités d'apprentissage et de généralisation.

Les réseaux neuronaux 52 et 57 sont implantés l'un et l'autre dans le second module 19 de l'unité de traitement 2 du cytomètre 1. Ils fournissent des informations complémentaires, le réseau 52 permettant d'abord de vérifier que le sang examiné est normal, et le réseau 57 permettant ensuite d'en analyser la composition.

I1 est également possible de regrouper les réseaux 52 et 57 en un unique réseau fournissant l'ensemble des résultats souhaités. Cependant, cette configuration est beaucoup moins judicieuse que celle du mode de réalisation choisi. Dans ce dernier, en effet, les réseaux neuronaux 52 et 57 gagnent sensiblement en efficacité, grâce au fait que chacun d'entre eux a une fonction bien ciblée et examine des aspects cohérents.

Les réseaux 52 et 57 sont implantés, ajustés et vérifiés au préalable dans l'unité de traitement 2 ainsi qu'éventuellement d'autres réseaux neuronaux. Une fois mis au point en laboratoire, ils sont utilisés industriellement en boîte noire pour un nombre illimité d'analyses. Un utilisateur n'a donc pas à se préoccuper du contenu de l'unité de traitement 2, et il lui suffit de soumettre des échantillons à analyser pour en déduire directement les informations souhaitées.

Dans le mode de réalisation présenté, les réseaux neuronaux 52 et 57 sont présents dans l'unité de traitement 2 sous une forme algorithmique. I1 est cependant possible de fixer les réseaux neuronaux 52 et 57 sur des composants électroniques, afin de gagner en rapidité. Cette réalisation figée est intéressante si un grand nombre des composants doit être produit en série.

Les capacités d'analyse du dispositif selon l'invention peuvent être régulièrement améliorées par des mises à jour, consistant à modifier des réseaux neuronaux existants ou à en rajouter de nouveaux offrant de nouvelles possibilités. Ces mises à jour sont préparées en laboratoire, et introduites ensuite dans l'unité de traitement 2.

Dans un autre mode de réalisation que celui décrit précédemment, les capacités d'analyse du dispositif selon l'invention sont évolutives, un utilisateur pouvant lui-même soumettre des fichiers d'apprentissage à des réseaux neuronaux présents dans l'unité de traitement 2, afin de les adapter à des problèmes qui l'intéressent. Dans l'exemple présenté, le réseau neuronal 52 peut être utilisé pour détecter n'importe quel cas pathologique ou de dysfonctionnement, le réseau 52, dans ce dernier cas, n'étant plus présent dans le second module 19, mais dans le premier 18. I1 suffit pour cela que l'utilisateur soumette au réseau 52 un ensemble de fichiers d'apprentissage correspondant, puis effectue les phases de vérification nécessaires. De façon similaire, le réseau 57 peut être exploité pour reconnaître cinq familles distinctes quelconques.

Le procédé selon l'invention présente ainsi une très grande souplesse et permet de mener des analyses précises et sophistiquées à l'aide de résultats expérimentaux prétraités de façon élémentaire.

Les réseaux 52 et 57 présentés dans l'exemple de réalisation ne sont pas limitatifs, toute autre architecture étant a priori possible. En particulier, le nombre de couches des réseaux 52 et 57 peut être quelconque, et des connexions reliant des sorties 59 de neurones 50 d'une couche donnée à des entrées 58 de la même couche ou de couches précédentes, dites connexions récurrentes, sont également possibles. Le réseau peut aussi ne pas être organisé par couches. De plus, des réseaux de réseaux peuvent être constitués. De façon générale, toutes les techniques en soi connues d'élaboration de réseaux neuronaux sont applicables pour le procédé d'identification et de comptage de particules selon 1 'invention.

D'autre part, toute autre méthode d'apprentissage que la back-progression est utilisable, telle que par exemple la méthode d'auto-organisation du réseau, en soi connue.

Aux deux réseaux 52 et 57 précédemment décrits, il est avantageux d'adjoindre dans l'unité de traitement 2 quatre autres réseaux neuronaux. On en décrira ci-dessous les fonctions, ainsi que le contenu des entrées et des sorties, l'architecture des réseaux pouvant être choisie parmi celles des réseaux neuronaux 52 et 57, ou parmi d'autres architectures en soi connues.

Les trois premiers réseaux supplémentaires sont implantés dans le premier module 18, et le quatrième dans le second module 19.

Le premier réseau neuronal supplémentaire (module 18) a pour fonction un lissage de courbes, obtenues lors du tracé d'histogrammes. Ces courbes sont représentatives de mesures effectuées avec un unique capteur. Leur lissage consiste à éliminer l'influence d'événements parasites indésirables. Ce lissage peut permettre d'analyser directement des résultats de mesure obtenus avec l'un des deux capteurs, d'impédance 25, ou laser 20. Le lissage peut aussi constituer une étape intermédiaire lors de l'exploitation simultanée des informations recueillies grâce aux deux capteurs 20, 25.

Dans un exemple particulier de réalisation du réseau neuronal de lissage utilisé, les informations de base 53 sont constituées par des points de la courbe à lisser. Les résultats 54 donnent ces mêmes points après lissage. Le nombre d'entrée 55 est donc égal au nombre de sortie 56. La façon de procéder pour rendre opérationnel le réseau neuronal de lissage, par apprentissage et vérification, est exactement la même que précédemment. Cette technique de lissage présente une grande fiabilité par rapport aux techniques habituellement utilisées pour éliminer les effets parasites obtenus lors de mesure, ces techniques consistant à ajuster les courbes obtenues à des formes particulières.

Le deuxième réseau neuronal supplémentaire (module 18) a pour fonction de détecter des anomalies de fonctionnement.

Ces entrées sont les mêmes que pour les réseaux neuronaux 52 et 57, et ils comportent une unique sortie 56, indiquant la présence ou l'absence d'un dysfonctionnement. Le résultat 54 obtenu en sortie 56 est compris entre 0 et 1, étant proche de
O si aucun problème n'apparaît, et proche de 1 en cas d'anomalie.

Ce deuxième réseau neuronal supplémentaire peut également comporter plusieurs sorties 56, dans une configuration plus élaborée. Dans cette configuration, chaque sortie 56 correspond au diagnostic d'un dysfonctionnement particulier: bouchage, problème électrique, dégradation d'une électrode, etc.... .

Le troisième réseau neuronal supplémentaire (module 18) a pour fonction de détecter sur un scattergramme une dérive des zones 43, 44, 45 indicatrices de famille de cellules, cette dérive étant due à une dégradation de la qualité des mesures. La dégradation est par exemple causée par un vieillissement de l'appareillage du cytomètre 1 ou par un léger colmatage de l'extrémité 9 de la buse 7. Les entrées 55 et les sorties 56 de ce troisième réseau supplémentaire se présentent comme celles du deuxième réseau neuronal supplémentaire utilisées pour détecter des anomalies.

Le quatrième réseau neuronal supplémentaire (module 19) est destiné à une reconnaissance dynamique de groupes. I1 permet de localiser sur un scattergramme le centre d'un groupe de cellules et ses limites, ce groupe pouvant être a priori inconnu. Les informations de base 53 utilisées en entrée 55 de ce quatrième réseau neuronal supplémentaire sont les mêmes que pour les réseaux neuronaux 52 et 57. Dans le mode de réalisation choisi, dix résultats sont prévus en sortie 56 du réseau. Deux d'entre eux indiquent les coordonnées du centre du groupe étudié, et les huit autres donnent les coordonnées de quatre points définissant un quadrilatère qui délimite l'étendue du groupe.

Ce quatrième capteur supplémentaire présente un intérêt manifeste pour la détection de situations pathologiques mal connues et pour leur analyse.

Les six réseaux neuronaux décrits dans l'exemple de réalisation sont implantés dans l'unité de traitement 2. Ils sont préférentiellement prévus pour fonctionner successivement dans un ordre prédéterminé: le lissage de courbes est suivi d'un test de détection d'anomalie plus d'un autre de dérive, puis on vérifie si la solution examinée est normale ou contient des cellules immatures. On calcule ensuite les pourcentages de cellules dans les cinq familles de globules blancs. Une option permet de localiser éventuellement sur un scattergramme un groupe de cellules insuffisamment connu.

D'autres modes de réalisation peuvent laisser plus ou moins de latitude à un utilisateur pour choisir les réseaux neuronaux actionnés.

I1 est clair que d'autres réseaux neuronaux peuvent être ajoutés à ceux décrits à titre d'exemple. Ainsi, on peut prévoir d'évaluer dans le premier module 18 les proportions de toutes familles de cellules choisies a priori.

D'autre part, les sorties 56 des réseaux neuronaux utilisés peuvent être rendues plus nombreuses afin d'affiner les résultats. Ainsi, au lieu d'analyser la présence ou l'absence de cellules immatures dans une solution, on peut souhaiter obtenir une évaluation précise de leur proportion.

Pour ce faire, il est possible de prévoir plusieurs neurones 50 de sortie, chacun d'entre eux correspondant à une plage de pourcentage.

L'utilisation des réseaux neuronaux est très souple, et peut être combinée dans l'unité de traitement 2 avec d'autres méthodes. Ainsi, rien n'empêche de ne faire appel qu'à une partie des six réseaux neuronaux décrits, voire à un seul d'entre eux. En particulier, il est possible d'effectuer tout le prétraitement dans le premier module 18 avec des réseaux neuronaux (lissage de courbes, diagnostic de dysfonctionnement, identification de décalage de zones), et d'effectuer l'analyse dans le second module 19 avec une méthode classique, telle que celle de fenêtrage en soi connue.

L'emploi de réseaux neuronaux pour l'analyse présente cependant par rapport à cette combinaison, des avantages manifestes déjà exposés précédemment.

Au lieu du capteur d'impédance 25 et du capteur laser 20 employés dans l'exemple présenté, on peut utiliser tout autre moyen de mesure, tel qu'un détecteur de radiofréquence ou d'ultra-sons. D'autre part, pour améliorer la richesse des informations, on peut également utiliser plus de deux capteurs. Au lieu d'obtenir un scattergramme à deux dimensions, on obtient alors un scattergramme à N dimension, N étant le nombre de moyens de mesure.

Le procédé et le dispositif selon l'invention sont particulièrement adaptés au domaine de l'hématologie.
Cependant, ils sont également applicables à l'identification et éventuellement au comptage de particules d'une composition quelconque.

Claims (13)

REVENDICATIONS

1. Procédé d'identification de particules d'au moins une composition, selon lequel pour chacune des compositions:

- on réalise par au moins un moyen de mesure (20, 25) des mesures (33, 34, 35, 36, 37, 38) sur la composition,

- on effectue un prétraitement desdites mesures afin de les rendre exploitables par une analyse,

- et on analyse lesdites mesures pour en extraire des informations (I) sur lesdites particules, caractérisé en ce que deux étapes étant effectuées au préalable avant la mise oeuvre dudit procédé::

- dans une première étape préalable, on élabore au moins un réseau neuronal (52, 57) de traitement d'information, comportant des entrées (55), au moins une sortie (56) et des processeurs élémentaires dits neurones (50), ledit réseau neuronal ayant pour fonction de produire des résultats (54) utiles à une détermination desdites informations (I), les entrées (55) du réseau (52, 57) étant destinées à recevoir des données (53) représentatives des mesures (33, 34, 35, 36, 37, 38) et les sorties (56) du réseau (52, 57) à fournir lesdits résultats (54),

- dans une seconde étape préalable, on effectue un apprentissage dudit réseau neuronal (52, 57) au moyen de cas tests pour lesquels les données (53) et les résultats (54) sont connus, en ajustant des paramètres du réseau (52, 57) auxdits cas tests, ledit procédé étant tel que pour chacune des compositions, on met en oeuvre lors du prétraitement et/ou de l'analyse les réseaux neuronaux (52, 57) ainsi conçus.

2. Procédé d'identification de particules d'au moins une composition selon la revendication 1, caractérisé en ce que lesdits résultats (54) indiquent lors de l'analyse la présence d'au moins un type de particules.

3. Procédé d'identification de particules d'au moins une composition selon l'une des revendications 1 ou 2, caractérisé en ce que lesdits résultats (54) indiquent lors de l'analyse les proportions de plusieurs familles de particules.

4. Procédé d'identification de particules d'au moins une composition selon l'une des revendications 1 à 3, caractérisé en ce que lesdits résultats (54) signalent lors du prétraitement la présence de dysfonctionnements des moyens de mesure (20, 25).

5. Procédé d'identification de particules d'au moins une composition selon l'une des revendications 1 à 4, caractérisé en ce que lesdits résultats (54) indiquent lors du prétraitement la présence de dérives des mesures (33, 34, 35, 36, 37, 38) par rapport à des mesures de référence, lesdites dérives étant dues à une altération des moyens de mesure (20, 25).

6. Procédé d'identification de particules d'au moins une composition selon l'une des revendications 1 à 5, caractérisé en ce que lesdits résultats (54) donnent lors du prétraitement un lissage des mesures réalisées.

7. Procédé d'identification de particules d'au moins une composition selon l'une des revendications 1 à 6, caractérisé en ce que le nombre de moyens de mesure (20, 25) étant égal à N:

- on établit pour chaque moyen de mesure des plages juxtaposées de valeurs, dites canaux,

- on effectue N mesures (33, 34, 35, 36, 37, 38) par particule d'un ensemble de particules de la composition, les N mesures étant réalisées par respectivement les N moyens de mesure,

- pour chaque N-uplet de canaux des N moyens de mesure, on compte le nombre de particules ayant des mesures correspondantes,

- et on déduit desdits nombres lesdites données (53).

8. Procédé d'identification de particules d'au moins une composition selon l'une des revendications 1 à 7, caractérisé en ce que pour réaliser les mesures (33, 34, 35, 36, 37, 38), on fait passer un flux desdites particules par les moyens de mesure (20, 25), on détecte avec lesdits moyens des événements correspondant au passage des particules, et on calcule des mesures représentatives desdits événements par une unité de traitement (2).

9. Procédé d'identification de particules d'au moins une composition selon la revendication 8, caractérisé en ce que plusieurs moyens de mesure (20, 25) étant utilisés, on vérifie une cohérence temporelle des événements détectés par les différents moyens de mesure (20, 25) au passage de chaque particule, afin d'effectuer un filtrage préalable.

10. Procédé d'identification de particules d'au moins une composition selon l'une des revendications 1 à 9, caractérisé en ce que lesdites particules sont des cellules sanguines.

11. Procédé d'identification de particules d'au moins une composition selon la revendication 10, caractérisé en ce qu'aux passages des cellules sanguines, un premier moyen de mesure (25) détecte des variations de conductivité représentatives des volumes des cellules, et un second moyen de mesure (20) détecte une lumière réfléchie par le flux de cellules éclairé par un faisceau laser (22), ladite lumière étant représentative des indices de réfraction des cellules.

12. Procédé d'identification de particules d'au moins une composition selon la revendication 11, caractérisé en ce qu'au moins un troisième moyen de mesure appartient à un ensemble comprenant un détecteur de radiofréquences et un détecteur d'ultrasons.

13. Dispositif d'identification de particules de compositions, comprenant:

- au moins un moyen de mesure (20, 25) permettant d'effectuer des mesures (33, 34, 35, 36, 37, 38) sur lesdites compositions,

- une unité de traitement (2) apte à exploiter les mesures pour en extraire des informations (I) sur lesdites particules, caractérisé en ce que l'unité de traitement (2) comprend au moins un réseau neuronal (52, 57) de traitement d'information, comportant des entrées (55) destinées à recevoir des données (53) représentatives des mesures (33, 34, 35, 36, 37, 38), au moins une sortie (56) destinée à fournir des résultats (54) utiles à une détermination desdites informations (I) et des processeurs élémentaires dits neurones (50).