专利名称：红细胞形态学分析装置的制作方法
技术领域：
本实用新型涉及ー种样本中红细胞形态学分析装置及其方法，特别是ー种能够自动鉴定样本中所含红细胞的类型和来源的红细胞形态学分析装置及其方法。
背景技术：
早在1852年就有人开始设计红细胞的计数方法，1855年实用新型了用于计数红细胞的计数板。1947年美国科学家库尔特(W. H. Coulter)实用新型了用电阻法计数粒子的专利技木。并在1956年将这ー技术应用于红细胞计数获得成功。随着科学技术的日新月异，各种新的检测红细胞数目的手段不断涌现。目前应用的研究开发手段主要有电容式、光电式与激光式、离心式、电阻式及各种方式的联合式。到目前为止已经有许多国家开始生产各种类型的红细胞分析仪，经过半个多世纪的发展，这种仪器已经有了非常明显的进歩。红细胞的分类变得细致，计数变得越来越精确。但是，现有红细胞形态学分析的红细胞參数都是通过计算平均值来获得，比如用作贫血的形态学分类參数平均红细胞体积(meancorpuscular volume, MCV)、平均红细胞血红蛋臼含量(mean corpuscular hemoglobin,MCH)、平均红细胞血红蛋白浓度(mean corpuscular hemoglobin concentration,MCHC)都是根据红细胞、血红蛋白浓度和红细胞比容结果，计算而得，不是实际测得的数值，这样红细胞数、血红蛋白含量、红细胞比容的测定数据必须准确，否则得到的形态学分类參数的误差很大。人工镜检是经典的检测方法，其通过显微镜，使用目镜上的测微尺来人工测量每个红细胞直径大小，再对数据进行分析，进而作出判断。但人工镜检方法工作人员工作量大，由于疲劳容易引起误判；工作效率低，速度慢，有可能延误病人的诊断。因此，如何使红细胞计数更快、更准、更节约成本，是目前医院临床检验中面临的问题。
实用新型内容本实用新型所要解决的技术问题是，针对现有技术不足，提供一种运用形态学特征參数及神经网络对样本中红细胞的来源和性质进行统计学方法表达，以供相关人员參考判断红细胞形态是否正常，辅助鉴定红细胞来源和性质的红细胞形态学分析装置及其方法。为解决上述技术问题，本实用新型所采用的技术方案是一种红细胞形态学分析装置，其包括a. ー自动显微镜，该自动显微镜的低倍物镜头对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜的高倍物镜头对已标记区域进行扫描；b. 一摄像机或(XD元件,该摄像机或(XD元件对已标记区域进行图像信息采集；c. 一用以对上述图像进行分析处理的图像数字转换器，该图像数字转换器先将采集的图像根据所含的红细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各红细胞的大小、形状、色度及纹理四类形态学特征參数；d. 一建立在神经网络基础上的分类器，用于根据上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征參数，从各类细胞中分离出红细胞；e. 一建立在模糊聚类基础上的特征融合器，该特征融合器用于将上述步骤分离出的红细胞的大小、形状、色度及纹理四类多维形态学特征參数进行归一化降维处理得到大小、形状、色度及纹理4个特征值，再根据标本中所有红细胞的大小、形状、色度、纹理特征分别进行统计计算和统计图形表达，为分析样本中红细胞类别及来源提供真实客观依据；f. 一输出设备,用于直观显不检测结果；g. 一控制单元，该控制単元分别连接上述自动显微镜、摄像机或CXD元件、图像数 字转换器及输出设备，以控制该自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备动作。该输出设备表达出各种类型红细胞所特有的代表红细胞中央区大小、形状、色度和纹理的特征參数数据组合，样本中红细胞的分析鉴定方法，是根据红细胞中央区特征的改变来判断样本中红细胞的来源或红细胞的类型。样本中红细胞形态学分析方法，是參照临床确认的代表不同意义的各种类型红细胞具有不同的形态学特征參数数据，据此进行识别分类计数，再根据样本中各类型红细胞某一形态学特征參数数据组合占总红细胞的同类形态学特征參数数据组合的比例经统计学处理后以图形或数据方式表达。作为其中的分析方法和检测手段，将样本中各类型红细胞的两种以上的红细胞形态学特征參数组合用统计学方法综合分析，得到样本中各类型红细胞多參数分析结果，根据其改变判断红细胞形态学变化，通过图形和数据直观的表达出样本中红细胞形态学变化类型。利用本装置进行红细胞分析所表达的相同的结果，在不同的样本中具有不同的临床意义，如样本中出现小体积低色素红细胞时，本装置分析出的结果是单个红细胞体积小、色度低，总红细胞形态特征參数以表示大小的參数组合为横坐标，表示色度的特征參数数据为纵坐标的形态学分析图形表达为红细胞分布宽度增加往左偏移，红细胞分布区域向下移，表达为向左分散向下沉的红细胞形态分布图，此类图形在血液样本中出现提示ー种类型贫血,如果在尿液样本中出现并占一定比例则意味着来源于肾性红细胞；如样本中出现大体积高色素红细胞时，本装置分析出的结果是单个红细胞体积大、色度高，总红细胞形态特征參数以表示大小的參数组合为横坐标，表示色度的特征參数数据为纵坐标的形态学分析图形表达为红细胞分布宽度增加往右偏移，红细胞分布区域向上移，表达为向右分散向上升的红细胞形态分布图，此类图形在血液样本中出现提示另ー种类型贫血，如果在尿液样本中出现并占一定比例则意味着来源于非肾性红细胞。本实用新型还公开了一种红细胞形态学分析方法，其包括下列步骤步骤I :用自动显微镜的低倍物镜头对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜的高倍物镜头对已标记区域样本进行扫描；步骤2 :用摄像机或CXD元件对已标记区域样本进行图像信息采集；步骤3 :用图像数字转换器对采集的图像先根据所含的细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各细胞的形态学特征參数，用大小、形状、色度以及纹理四类特征来描述各细胞；步骤4 :将上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征參数输入建立在神经网络基础上的分类器，由该分类器从各类细胞中分离出红细胞大小、形状、色度及纹理四类形态学特征參数；步骤5 :将步骤4分离出来的红细胞的大小、形状、色度以及纹理四类形态学特征參数输入建立在模糊聚类基础上的特征融合器，由该特征融合器将每ー类多维形态学特征參数进行归ー化处理，得到一维特征向量；步骤6 :将每个标本中所有红细胞的每ー类归ー化特征量经输出设备显示出来，即得出每ー类归ー化特征參数的统计学图表。上述红细胞形态学分析方法，还包括步骤7 :根据样本中各类型红细胞占总红细胞数的比例经统计学处理，以图形或数据方式表达，对样本中红细胞进行分析鉴定；上述红细胞形态学分析方法，还包括步骤8 :对每ー类经过归ー化的形态学特征向量，通过给出一个特征量阀值，计算高于或者低于阀值的红细胞占样本总红细胞同类形态学特征參数数据组合的比例，经统计学处理后以图形或数据方式表达，以提供对样本中红细胞进行分析鉴定的客观依据。该建立在神经网络基础上的分类器包括一反馈过程，该反馈过程是对分类出来的可疑目标及识别错误目标进行细化、分类、补充特征參数，并建立相应的数学模型，对神经网络进行训练，神经网络自动学习并记忆该些细化、分类、补充的特征參数进入模型数据库，再返回基于神经网络的分类器进行细胞分类。步骤6中得出的归ー化的大小特征向量表达出各种类型红细胞所特有的代表大小的特征參数数据组合，样本中红细胞分析鉴定方法，可根据红细胞大小分布与正常的红细胞的大小分布进行比对，根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。步骤6中得出的归ー化的形状特征向量表达出各种类型红细胞所特有的代表形状的特征參数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞形状特征參数的变化来判断样本中红细胞的来源或红细胞的类型。步骤6中得出的归ー化的色度特征向量表达出各种类型红细胞所特有的代表色度的特征參数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞色度与正常的红细胞色度进行比对根据偏离的方向和程度来判断样本中红细胞的来源或红细胞的类型。步骤6中得出的归ー化的纹理特征向量表达出各种类型红细胞所特有的代表纹理的特征參数数据组合，样本中红细胞的分析鉴定方法，可根据红细胞纹理特征參数的变化来判断样本中红细胞的来源或红细胞的类型。对样本中红细胞的分析鉴定，単独采用其中任意一条来分析，或综合采用其中的多条来分析。与现有技术相比，本实用新型所具有的有益效果为本实用新型将样本(血、尿)置于显微镜下放大后由C⑶采取样本中各细胞形态学图像并通过数字图像处理后得到各细胞的形态学特征參数，将參数输入建立在神经网络基础上的分类器分离出各红细胞，再通过建立在模糊聚类基础上的特征融合器对各类红细胞形态特征參数数据进行归ー化处理、对得到的每ー类归ー化參数分别进行统计分析，或根据几类參数进行综合统计分析，以图形或数表的方式表达出来，以此来判断红细胞的形态是否正常，通过对各类异常形态红细胞的检测可以鉴定红细胞来源和性质。本实用新型在原有尿液细胞识别基础上，考虑到软件对个别目标识别可能存在误差，我们引入了形态学參数及其统计分析方法，采用该方法，仪器可根据ー个样本中所有目标參数的统计分析，自动分析血尿样本中的红细胞来源。这种方法由于采用样本内全体目标进行统计判断，降低了个别目标识别错误带来的误差影响。是统计学方法在尿液红细胞形态学參数分析上的ー个应用创新。
图I为本实用新型红细胞形态学分析装置结构示意图。图2为本实用新型红细胞形态学分析方法的操作流程示意图。图3为PCA加权的特征融合算法原理图。图4为本实用新型中提到的分布宽度、峰值示意图。图5为数码CXD拍摄的正常形态红细胞图像示意图。图6. I为正常形态红细胞大小特征參数统计曲线图，其分布宽度a < L，其峰值为b在正常范围内，Dl < b < D2。图6. 2_图6. 9为图6. I的另一种表不。图7为正常形态红细胞形状特征參数统计曲线图，其分布集中，分布宽度小，峰值对应的频数值C > H(60% )。图8为正常形态红细胞色度特征參数统计曲线图，呈单ー窄峰，其分布集中，峰值对应的频数值C > H(60% )。图9为正常形态红细胞纹理特征參数统计曲线图，其峰值对应X轴数值b在正常范围内，Wl < b < W2。图10为正常形态红细胞的大小和色度特征參数综合分析散点图，正常形态红细胞集中分布在75 < X < 125并且20 < Y < 40之间。图11为数码CXD摄取的芽孢形红细胞图像示意图，芽孢红细胞，在红细胞外膜有小泡突出或细胞呈霉菌孢子样改变。体积不均、有芽孢的变形状、色度通常浅。其特征參数统计图的表达，如图12-15所示。图中正常形红细胞以虚线方式表示以进行比较。图12为芽孢形红细胞大小特征參数统计曲线图，与正常形红细胞比较，因为大小不均且因为芽孢而有偏大趋势，其大小特征參数统计图分布宽度a大，分布不集中；并形成 I个以上峰值，峰值处频数相应降低。其分布宽度a > L，从图上看宽度比正常形红细胞分布宽度a大，表示红细胞大小分布不均。b > D2，部分红细胞大小偏大。图13为芽孢形红细胞形状特征參数统计曲线图，其峰值对应频数值C小于正常形态红细胞，C<H(60% )。图14为芽孢形红细胞色度特征參数统计曲线图，其芽孢形红细胞色度均值显著降低，其峰值对应频数值C均明显小于正常形态红细胞，C < H，且芽孢形红细胞色度分布宽度变化不大，细胞分布均匀呈较窄单峰。。图15为芽孢形红细胞纹理特征參数统计曲线图，芽孢红细胞纹理较正常红细胞复杂，其纹理特征參数统计图，纹理峰值对应X轴数值b较大，b > W2。[0051]图16为芽孢形态红细胞的大小和色度特征參数综合分析散点图，其红细胞色度明显偏低，而且红细胞大小范围扩大，主要分布在80 < X < 160之间。[0052]图17为数码CXD摄取的大小不均红细胞图像示意图。大小不一形红细胞，指红细胞之间直径相差一倍以上的情况，常见于各种增生性贫血及巨幼细胞性贫血，体积大小不一，色度浅，形状正常。其特征參数统计图的表达，如图18-22所示。图中正常形红细胞以虚线方式表示以进行比较。[0053]图18为大小不均形红细胞大小特征參数统计曲线图，其分布宽度a > L，从图上看宽度比正常形红细胞分布宽度a大，表示红细胞大小分布不均。b > D2，部分红细胞大小偏大。图19为大小不均形红细胞形状特征參数统计曲线图，其峰值对应频数值C小于正常形态红细胞，C<H(60% )0图20为大小不均形红细胞色度特征參数统计曲线图。大小不均红细胞色度均值偏高，其峰值对应频数值C均明显小于正常形态红细胞，C < H(60% )0其分布宽度往色度值较大方向明显増大。图21为大小不均形红细胞纹理特征參数统计曲线图。图22为大小不均形红细胞的大小和色度特征參数综合分析散点图，图中显示红细胞的色度和大小分布范国大，5 < X < 30且40 < Y < 150。图23为小体积低色素红细胞(贫血或肾性)特征參数综合分析散点图。图24为样本中各种细胞占总红细胞数的比例统计图。图25为ー样本色度特征參数统计图。 图26为图24的ー个变化表达形式。图27为多个參数统计结果输出界面示意图。
具体实施方式
图I为本实用新型红细胞形态学分析装置的示意图。如图所示，本实用新型红细胞形态学分析装置包括a. ー自动显微镜1，该自动显微镜I的低倍物镜头先对所设置区域的样本进行扫描，并对发现的目标区域予以标记，并同时由该自动显微镜I的高倍物镜头对已标记区域样本进行扫描；b. 一摄像机或(XD元件2,该摄像机或(XD元件2对已标记区域样本进行图像信息采集；c. 一用以产生上述图像的数字表示的图像数字转换器3，该图像数字转换器3先将采集的图像根据所含细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各细胞的大小、形状、色度及纹理四类形态学特征參数；d. 一建立在神经网络基础上的分类器，用于根据上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征參数，从各类细胞中分离出红细胞；e. 一建立在模糊聚类基础上的特征融合器4，该特征融合器用于将上述步骤取得的每ー类多维形态学特征參数进行归一化处理，以提供红细胞统计分类依据；f. ー输出设备6,该输出设备6可包括监控器及打印机,用于直观显不检测结果；[0070]g. 一控制单元5,该控制单元5分别连接上述自动显微镜I、摄像机或(XD元件2、图像数字转换器3及输出设备6，以控制该自动显微镜I、摄像机或CCD元件2、图像数字转换器3及输出设备6动作。在本实施例中，该分类器7中采用的神经网络是基于RDROP算法的BP三层神经网络，该三层神经网络包括一输入层，一输出层和一隐藏着的中间层。且该神经网络的数据可扩充，具有自记忆性。该神经网络用于专家系统训练和样本目标识别。当然，该分类器也可采用其他类型的神经网络。关于神经网络，已经有很多资料对其进行了详细介绍，因而在此不作过多叙述。本实用新型神经网络具有多个输入节点，每ー输入节点表达待测细胞的某一形态学特征參数。该些形态学特征參数的提取方法及形态学特征參数分类状态说明如下I.特征提取方法首先通过大量样本图片，由专家人工依据红细胞形态学特征对样本图片中的有形成分进行分类，依此建立分类语义模型，在此基础上建立分类数学模型，从而定义红细胞的各种形态学特征，一共有四大类特征，包括大小特征、形状特征、色度特征、纹理特征。2.特征分类本实用新型提取了多达ー百多维目标特征，以下仅为代表性特征描述2. I大小特征，包括面积、周长、等效直径、长轴、短轴、平均半径等；2. 2形状特征形状特征用于描述目标的形态，主要包括圆率、离心率、区域重心、曲率、区域弦分布形态描述子相关特征、边界拟合多边形形态描述子、傅里叶系数形态描绘特征矢量、基于凸包的形态描述相关特征、基于外接矩形的特征描述、基于不变距特征的形状特征描述和基于区域骨架提取的形状特征共26个特征。其中区域弦分布形态描述子、基于凸包的形态描述相关特征、基于外接矩形的特征描述、基于不变距特征的形状特征描述和基于区域骨架提取的形状特征等几类特征是本实用新型中提出的描述形态的新方法；2. 3色度特征包括基于HSV目标区域顔色直方图、基于概率窗的区域目标主色特征提取、色彩距离；2. 4纹理特征，是基于小波变换域的多尺度纹理特征其包括多尺度小波能量比例、多尺度小波标准差、综合共生矩阵的纹理特征、融合纹理谱的Zernike矩特征描述。具体来说，如图2所示，本实用新型红细胞形态学分析方法的操作步骤为步骤I :用自动显微镜I的低倍物镜头先对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜I的高倍物镜头对已标记区域进行扫描；步骤2 :用摄像机或CXD元件2对已标记区域进行图像信息采集，图5、图11、图17即为采集到的红细胞图像；正常形态红细胞，细胞大小较为一致，胞体正常或偏大，血红蛋白丰富，无芽孢形成，细胞膜完整。各类參数统计曲线图基本上为正态分布，分布区域较集中。步骤3 :用图像数字转换器3对采集的图像先根据所含细胞进行分割定位，再对分割后的图像进行数字化处理，即提取各细胞的形态学特征參数，用大小、形状、色度以及纹理四类特征来描述各细胞步骤4 :将步骤3取得的各细胞的大小、形状、色度及纹理四类形态学特征參数输入建立在神经网络基础上的分类器，由该分类器从各类细胞中分离出红细胞；下表为不同
权利要求1.一种红细胞形态学分析装置，其特征在于包括 a.一自动显微镜，该自动显微镜的低倍物镜头对所设置区域的样本进行扫描，对发现的目标区域予以标记，并同时由该自动显微镜的高倍物镜头对已标记区域进行扫描； b.—摄像机或CCD元件,该摄像机或CCD元件对已标记区域进行图像信息采集； c.一用以对上述图像进行分析处理的图像数字转换器，该图像数字转换器先将采集的图像根据所含的细胞进行分割定位，再对分割后的图像进行数字化处理，提取各细胞的大小、形状、色度及纹理四类形态学特征参数； d.一建立在神经网络基础上的分类器，用于根据上述步骤取得的各细胞的大小、形状、色度及纹理四类形态学特征参数对细胞进行分类，以从各类细胞中分离出红细胞； e.一建立在模糊聚类基础上的特征融合器，该特征融合器用于将上述步骤分离出的红细胞的大小、形状、色度及纹理四类多维形态学特征参数进行归一化降维处理得到大小、形状、色度及纹理4个特征值，再根据标本中所有红细胞的大小、形状、色度、纹理特征分别进行统计计算和统计图形表达，为分析样本中红细胞类别及来源提供真实客观依据； f.一输出设备，用于直观显示检测结果； g.一控制单元，该控制单元分别连接上述自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备，以控制该自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备动作。
专利摘要本实用新型公开了一种红细胞形态学分析装置，其包括自动显微镜、摄像机或CCD元件、用以对上述图像进行分析处理的图像数字转换器、建立在神经网络基础上的分类器、建立在模糊聚类基础上的特征融合器、输出设备及控制单元，该控制单元分别连接上述自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备，以控制该自动显微镜、摄像机或CCD元件、图像数字转换器及输出设备动作。本实用新型将样本置于自动显微镜下放大后由CCD采取样本中各细胞形态学图像，并经图像数字转换器数字化，通过建立在神经网络基础上的分类器分离出各红细胞，再通过建立在模糊聚类基础上的特征融合器对红细胞形态特征参数进行归一化处理，对得到的每一类归一化参数进行统计分析，并以图形或数表的方式表达出来。
文档编号G06N3/02GK202393695SQ20112034758
公开日2012年8月22日 申请日期2011年9月16日 优先权日2011年9月16日
发明者丁建文, 周丰良, 梁光明 申请人:长沙高新技术产业开发区爱威科技实业有限公司