RU2024114328A - CELL ANALYSIS METHOD, TRAINING METHOD FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS DEVICE, TRAINING DEVICE FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS PROGRAM AND TRAINING PROGRAM FOR DEEP LEARNING ALGORITHM EXERCISES - Google Patents

CELL ANALYSIS METHOD, TRAINING METHOD FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS DEVICE, TRAINING DEVICE FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS PROGRAM AND TRAINING PROGRAM FOR DEEP LEARNING ALGORITHM EXERCISES Download PDF

Info

Publication number
RU2024114328A
RU2024114328A RU2024114328A RU2024114328A RU2024114328A RU 2024114328 A RU2024114328 A RU 2024114328A RU 2024114328 A RU2024114328 A RU 2024114328A RU 2024114328 A RU2024114328 A RU 2024114328A RU 2024114328 A RU2024114328 A RU 2024114328A
Authority
RU
Russia
Prior art keywords
cell
individual cells
waveform data
cell analyzer
deep learning
Prior art date
Application number
RU2024114328A
Other languages
Russian (ru)
Inventor
Конобу КИМУРА
Масамити ТАНАКА
Соитиро АСАДА
Original Assignee
Сисмекс Корпорейшн
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Сисмекс Корпорейшн filed Critical Сисмекс Корпорейшн
Publication of RU2024114328A publication Critical patent/RU2024114328A/en

Links

Claims (28)

1. Клеточный анализатор, сконфигурированный для определения типа клетки для каждой из отдельных клеток, содержащихся в биологическом образце, с использованием алгоритма глубокого обучения, имеющего структуру нейронной сети,1. A cell analyzer configured to determine the cell type for each of the individual cells contained in a biological sample using a deep learning algorithm having a neural network structure, причем клеточный анализатор содержит секцию обработки, при этомwherein the cell analyzer comprises a processing section, wherein секция обработки сконфигурирована для:The processing section is configured for: получения, для каждой из отдельных клеток, данных формы волны, в том числе значений сигналов, получаемых от каждой из отдельных клеток, проходящих через предварительно определенную область на пути потока;obtaining, for each of the individual cells, waveform data, including signal values obtained from each of the individual cells passing through a predetermined area along the flow path; ввода, для каждой из отдельных клеток, данных анализа, соответствующих полученным данным формы волны, в алгоритм глубокого обучения; иinputting, for each of the individual cells, analysis data corresponding to the obtained waveform data into the deep learning algorithm; And на основе результатов, выводимых алгоритмом глубокого обучения, определения типа клетки для каждой из отдельных клеток.Based on the output of the deep learning algorithm, it determines the cell type for each of the individual cells. 2. Клеточный анализатор по п. 1, в котором данные формы волны включают в себя множество типов данных формы волны.2. The cell analyzer according to claim 1, wherein the waveform data includes a plurality of types of waveform data. 3. Клеточный анализатор по п. 2, дополнительно содержащий:3. Cell analyzer according to claim 2, additionally containing: источник света, сконфигурированный для подачи света на каждую из отдельных клеток при их прохождении через предварительно определенную область на пути потока, при этомa light source configured to apply light to each of the individual cells as they pass through a predetermined area along the flow path, wherein множество типов данных формы волны включает в себя первые данные формы волны, включающие в себя значения сигналов первого типа, относящиеся к рассеянному свету от каждой из отдельных клеток, и вторые данные формы волны, включающие в себя значения сигналов второго типа, относящиеся к флуоресцентному свету от каждой из отдельных клеток.the plurality of types of waveform data includes first waveform data including first type signal values related to scattered light from each of the individual cells, and second waveform data including second type signal values related to fluorescent light from each of the individual cells. 4. Клеточный анализатор по п. 3, в котором первые данные формы волны включают в себя третьи данные формы волны, включающие в себя значения сигналов третьего типа, относящиеся к прямому рассеянному свету от каждой из отдельных клеток, и четвертые данные формы волны, включающие в себя значения сигналов четвертого типа, относящиеся к боковому рассеянному свету от каждой из отдельных клеток.4. The cell analyzer of claim 3, wherein the first waveform data includes third waveform data including third type signal values related to direct scattered light from each of the individual cells, and fourth waveform data including The values of signals of the fourth type, related to the lateral scattered light from each of the individual cells. 5. Клеточный анализатор по п. 1, дополнительно содержащий:5. Cell analyzer according to claim 1, additionally containing: проточный цитометр, включающий в себя проточную ячейку, имеющую внутри упомянутый путь потока, источник света, сконфигурированный для подачи света на каждую из отдельных клеток при их прохождении через предварительно определенную область на пути потока, и световой детектор, сконфигурированный для обнаружения света от каждой из отдельных клеток.a flow cytometer including a flow cell having within said flow path, a light source configured to apply light to each of the individual cells as they pass through a predetermined area in the flow path, and a light detector configured to detect light from each of the individual cells. 6. Клеточный анализатор по п. 1, дополнительно содержащий:6. Cell analyzer according to claim 1, additionally containing: детектор электрического сопротивления, включающий в себя секцию отверстия, имеющую внутри путь потока, горлышко для образца, сконфигурированное для подачи биологического образца в путь потока, и трубку для сбора, сконфигурированную для сбора биологического образца, прошедшего через путь потока.an electrical resistance detector including an opening section having within a flow path, a sample neck configured to introduce a biological sample into the flow path, and a collection tube configured to collect a biological sample passed through the flow path. 7. Клеточный анализатор по п. 1, в котором биологическим образцом является образец крови.7. Cell analyzer according to claim 1, in which the biological sample is a blood sample. 8. Клеточный анализатор по п. 7, в котором тип клетки, который подлежит определению, включает в себя нейтрофил, лимфоцит, моноцит, эозинофил или базофил.8. The cell analyzer according to claim 7, wherein the cell type to be determined includes a neutrophil, lymphocyte, monocyte, eosinophil or basophil. 9. Клеточный анализатор по п. 7, в котором тип клетки, который подлежит определению, включает в себя незрелый гранулоцит, опухолевую клетку, лимфобласт, плазматическую клетку, атипичный лимфоцит, реактивный лимфоцит, ядросодержащий эритроцит или мегакариоцит.9. The cell analyzer of claim 7, wherein the cell type to be determined includes an immature granulocyte, a tumor cell, a lymphoblast, a plasma cell, an atypical lymphocyte, a reactive lymphocyte, a nucleated erythrocyte, or a megakaryocyte. 10. Клеточный анализатор по п. 9, в котором тип клетки, который подлежит определению, включает в себя ядросодержащий эритроцит.10. The cell analyzer according to claim 9, wherein the cell type to be determined includes a nucleated red blood cell. 11. Клеточный анализатор по п. 7, в котором тип клетки, который подлежит определению, включает в себя аномальную клетку, и секция обработки сконфигурирована для:11. The cell analyzer of claim 7, wherein the cell type to be determined includes an abnormal cell, and the processing section is configured to: вывода информации, указывающей, что аномальная клетка содержится в биологическом образце, если предварительно определенное количество отдельных клеток было определено как аномальная клетка на основе результатов, выведенных алгоритмом глубокого обучения.outputting information indicating that an abnormal cell is contained in the biological sample if a predetermined number of individual cells has been determined to be an abnormal cell based on the results output by the deep learning algorithm. 12. Клеточный анализатор по п. 1, в котором биологическим образцом является образец мочи.12. Cell analyzer according to claim 1, in which the biological sample is a urine sample. 13. Клеточный анализатор по п. 1, в котором значения сигналов в данных формы волны включают в себя первое значение сигнала, которое сначала достигло предварительно определенного порогового значения, и значения сигналов, получаемые в течение предварительно определенного времени после упомянутых первых значений сигналов.13. The cell analyzer of claim 1, wherein the signal values in the waveform data include a first signal value that first reaches a predetermined threshold value, and signal values obtained for a predetermined time after said first signal values. 14. Клеточный анализатор по п. 1, в котором секция обработки сконфигурирована для:14. The cell analyzer according to claim 1, wherein the processing section is configured to: получения данных анализа путем применения предварительно определенного процесса к данным формы волны.obtaining analysis data by applying a predefined process to the waveform data. 15. Клеточный анализатор по п. 1, в котором предварительно определенный процесс включает в себя удаление шума, коррекцию базовой линии или нормализацию.15. The cell analyzer of claim 1, wherein the predetermined process includes noise removal, baseline correction, or normalization. 16. Клеточный анализатор по п. 1, в котором секция обработки содержит CPU и ускоритель, сконфигурированный для содействия арифметической обработке, выполняемой посредством CPU.16. The cell analyzer of claim 1, wherein the processing section comprises a CPU and an accelerator configured to facilitate arithmetic processing performed by the CPU. 17. Клеточный анализатор по п. 16, в котором ускоритель содержит GPU.17. Cellular analyzer according to claim 16, in which the accelerator contains a GPU.
RU2024114328A 2019-03-22 2020-03-17 CELL ANALYSIS METHOD, TRAINING METHOD FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS DEVICE, TRAINING DEVICE FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS PROGRAM AND TRAINING PROGRAM FOR DEEP LEARNING ALGORITHM EXERCISES RU2024114328A (en)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019-055385 2019-03-22

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
RU2021130674A Division RU2820983C2 (en) 2019-03-22 2020-03-17 Cellular analysis method, training method for deep learning algorithm, cellular analysis device, training device for deep learning algorithm, cellular analysis program and training program for deep learning algorithm

Publications (1)

Publication Number Publication Date
RU2024114328A true RU2024114328A (en) 2024-05-31

Family

ID=

Similar Documents

Publication Publication Date Title
US10330584B2 (en) Cell analyzer and particle sorting method and device
US10222320B2 (en) Identifying and enumerating early granulated cells (EGCs)
CN104541149B (en) Method and apparatus for determining white blood cell count
US10337975B2 (en) Method and system for characterizing particles using a flow cytometer
CN110383037B (en) Platelet aggregation identification method and device and cell analyzer
WO2019015611A1 (en) Method and device for improving accuracy of white blood cell classification result and repeatability of counting result
CN105986003B (en) White blood cell counting method and device and cell analyzer
CN104515725A (en) Method and system for recognizing abnormal particles and cell analyzer thereof
CN104297133A (en) Pulse signal screening method and device based on principle of small-hole electrical impedance
CN110887818B (en) Analysis method of blood sample, blood cell analyzer and storage medium
US20210164885A1 (en) Method for detecting a blood sample, blood cell analyzer, and storage medium
CN104297135A (en) Recognizing method and recognizing system of particles in blood sample and blood cell analytic instrument
RU2024114328A (en) CELL ANALYSIS METHOD, TRAINING METHOD FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS DEVICE, TRAINING DEVICE FOR DEEP LEARNING ALGORITHM, CELL ANALYSIS PROGRAM AND TRAINING PROGRAM FOR DEEP LEARNING ALGORITHM EXERCISES
CN110241253A (en) Method for detecting Dengue infection
EP3244191A1 (en) Method and system for characterizing particles using a flow cytometer
RU2021130674A (en) CELL ANALYSIS METHOD, DEEP LEARNING ALGORITHM TRAINING METHOD, CELL ANALYSIS DEVICE, DEEP LEARNING ALGORITHM TRAINER, CELL ANALYSIS PROGRAM AND DEEP LEARNING ALGORITHM TRAINING PROGRAM TRAINING
EP4246124A1 (en) Specimen analyzer, specimen analysis method, and program
RU2820983C2 (en) Cellular analysis method, training method for deep learning algorithm, cellular analysis device, training device for deep learning algorithm, cellular analysis program and training program for deep learning algorithm
CN115236317A (en) Sample analyzer, method, device and medium
CN110108888A (en) The method for detecting red blood cell DNA damage signal and its application in lymthoma prognosis
CN105334191A (en) Hemoglobin concentration and volume correction method and apparatus for individual erythrocyte
RU2020124003A (en) METHOD FOR ANALYZING BIOLOGICAL SAMPLE CONTAINING BIOLOGICAL CELLS AND ANALYSIS DEVICE FOR IMPLEMENTING METHOD OF ANALYSIS