061]由于成本低，在紧凑安装的同时可以尽可能大的保持传动比率，同步齿带驱动系统是非常理想的直线移动机构。适当紧张的同步齿带驱动系统能够减轻有齿轮的线性移动系统的内部齿隙效应。应当指出的是，张力系统也可以使用受载弹簧机制或如图2所示的被动张紧机构实施。通过改进驱动皮带轮Pl和P2的直径，可以调整装置的移动范围和拆分度。
[0062]下文即可理解，成像窗口的精确度对本发明非常重要。为了定位特定的成像窗口或复杂的移动序列，需要独立地控制轴。图3示出了两个步进电机装置的定位和定向，Al和A2分别提供X和Y方向的运动。步进电机可以经由步进电机驱动器控制，其能产生适当的信号以提供不连续的运动，如图4所示。步进电机驱动器能够接受并处理的G码，是计算机数字控制中广泛使用和标准化使用的语言。步长范围从全，半，四分之一，八分之一和十六分之一步都可以通过步进电机驱动器调整，以使依据速度、步进分辨率和扭力输出方面满足多种要求。步进电机驱动器提供信号，使得作出梯形速度曲线图。所有参数包括加速度、预定速度和减速度都可以变化以适应速度需求及移动距离。
[0063]步脉冲之间使用迭代的方法实时计算延迟时间，以生成平滑曲线图。当加速和减速时应注意监控实时的轴速度，以保证平稳和精确的稳定速度。当梯形速度曲线图仍有不连续的加速曲线时，在接近稳定速度的过程中加速度渐变能使在最小的震动下获得尽可能高的速度。这可以提高移动精度和最大速度。
[0064]上述的系统可以用于从红细胞计数的切片上采集图像。上述切片的制作通常是根据定量胎儿-母体出血的标准临床方法Kleihauer-Betke (KB)试验。由于红细胞在KB切片上分布不均匀，这种情况在最左端和最右端更严重，图像的采集应围绕在切片的中心。因此，切片中心定位可方便地通过自动化系统进行。图5显示了一个示例性的移动序列以自动地中心定位KB切片。为获得自动的切片中心定位，机械X-Y显微镜载物台加入了移动限制闸位(图5中的X闸位和Y闸位)以探测显微镜载物台的移动界限。KB切片在视野下的初始位置由图5中心为S1的虚线矩形表示。显微镜载物台上的闸位可以使系统自动地由S1移至Sp利用相对于显微镜载物台的移动界限的这个已知位置，系统就可以将KB切片移动至视野的中心(图5中“C”位置)，它是整个设备的中心轴和X-Y载物台水平面的交叉点。执行中心定位的算法是本领域的公知技术，不再进一步描述细节。
[0065]图6显示了最少地变化方向采集细胞图像的样品移动序列。在切片中心定位后，系统在X和Y方向移动预定的距离，然后在现有视野下作出第一个用于采集的图像框(图6中Is)。系统根据图6上标记的移动序列，采集第一个图像13至最后一个图像IE。这种移动序列可以较少盲区或当步进电机变化转动方向时内部发生的步缺失的影响。为保证在多重图像获取过程中样本在聚焦位置，KB切片被两个压钩紧紧地压住，如图7所示。由于两个视野之间对应一个很小的物理距离，所以在KB切片的不同区域获得几百个图像并不需要X-Y显微镜载物台大规模移动；因此，焦平面变化并不明显。然后，夹紧KB切片已被证明对保持所有图像在整个扫描/图像采集过程在聚焦位置是必须的。这种夹紧设计避免了 Z-焦距调校并简化了硬件和控件的复杂性。
[0066]B.图像处理
图8显示了根据本发明的示例性方法，其包含了根据本发明的上述系统和新颖的图像处理技术。
[0067]在步骤801中，用于KB试验的切片置于X-Y显微镜载物台并被样品夹紧。在步骤802中，完成自动中心定位。在步骤803和804中，根据图6所示的移动序列，通过连接于显微镜的彩色相机采集连续的图像，并储存于计算机硬盘、网络储存空间或其他计算机可读介质。一个图像一经采集和储存，系统控制机械载物台移动至下一个窗口 /视野以采集下一个图像，重复这一过程直至相机扫描完切片并获得了足够多的图像(即直到图6中的Ie位置)。本领域技术人员应当认识到，只要可以获得足够的图像数量，其他的方法也可以考虑O
[0068]获取的细胞图像是彩色的，并可以被现有技术人工计数。这种人工计数需要技术人员或其他使用者的主观评估以鉴定和分类在显微镜下的每个细胞。本发明描述的方法，又提供了一种自动的方法，用于对鉴定和分类胎儿红细胞、母体红细胞及成人F红细胞的定量评估。这种定量评估使得切片间更加一致并提供了一种更统一的鉴定胎儿红细胞的方法。进一步地，现有技术的主观方法他们本身在鉴别成人F红细胞(即成人体内的有胎儿血红蛋白的成人红细胞)和胎儿红细胞时有难度。本发明的目的在于不仅要鉴别母体红细胞和胎儿红细胞，也要鉴定成人F红细胞。
[0069]通常，20X显微镜下观察每个图像中大约有500个细胞。为了获得更精确的计数结果，要计数大量的细胞。相应地，步骤805用于检查是否有合适数量的图片，在工作示例中，可以从KB切片的中心周围的不同区域采集120张图片，所以优选地计数大约60000个红细胞。
[0070]不同的KB切片存在有细胞颜色和细胞重叠程度的不同。因此，无监督聚类方法可适用于红细胞计数。在步骤806中，120个原始图像被转换为转换成色相饱和度(HSV)色彩空间。HSV色彩空间是一种已知的用于在RGB色下展示图片的方法并不再进一步描述细节，但是其在本发明领域的应用时具有新颖性的。
[0071]在步骤807中，所有图像像素的色度、饱和度和纯度数值构建的ΛΧ3空间矩阵鳥#适用于作为无监督聚类算法(例如高斯混合分析)的输入信号，此处M戈表所有采集图像的总像素数量。例如，当图像分辨率是800像素X600像素并有120个图像要处理，N等于800X600X120。在步骤808中，有一对模型。模型I产生在上应用高斯混合分析后，用于在图像背景中分离红细胞。在模型I中转换的色彩空间中，胎儿和母体红细胞在HSV空间饱和度通道上具有不同的值(饱和度通道图像示于图9 )。接着，通过结合细胞饱和度数值SA^ce77X 3矩阵而产生一个矩阵。模型2通过在应用高斯混合分析而产生。通过模型2，胎儿红细胞可以与母体红细胞相分别。在步骤809和810中，生成模型I和模型2后，通过数量计算模块顺序地处理采集的图像以计数总红细胞、成人F红细胞和胎儿红细胞数量。
[0072]在步骤811中，如果所有保存的图像都已经被处理，则总红细胞数、胎儿红细胞、成人F红细胞和它们的浓度在步骤812中被计算。在步骤813中，报告试验结果。
[0073]图10的流程图中展示了用于确定母体和胎儿红细胞数量的数量计算模块。数量计算模块通常通过计算机可读介质上的计算机可读指令实施，当其被包括有处理器的计算机系统执行的时候，就可产生上述被执行方法的步骤。在步骤1001和1002中，原始图像(用J呢表示)被读入到存储器中，其背景图像数据被模型I去除。步骤1003中，获得的仅包含有胎儿红细胞、母体红细胞和污染物的灰度图像Gl如图11所示。污染物是作为背景数据没有被容易地分辩的那些特征或图像部分，其在此步骤中并未被移除。污染物也可能包括成人F红细胞，成人F红细胞具有和胎儿红细胞相类似的一些特征。处理图像主要有两个步骤:一个是计数所有的红细胞，另一个是计数胎儿红细胞和成人F红细胞(即区分胎儿红细胞和成人F红细胞)。在步骤1004中，灰度图像Gl进行阈值为零的二值化。那些像素强度高于零的将在二值图像中设为I。
[0074]在二值图像中包含有重叠/粘连的红细胞。通过在细胞轮廓上加圆圈利用圆形霍夫变换(CHT)算法可用于识别和分割重叠的红细胞。在步骤1005中，在二值图像中应用诸如Canny和LoG边缘检测算法可以检测到所有的细胞轮廓。在步骤1006中，检测到的红细胞边缘点和假定的红细胞半径范围能够圈出潜在的红细胞目标。在20X显微镜物镜下红细胞半径平均大约20像素。因此，圆圈检测的半径范围可以设定为例如[20X0.8,20X1.5]的区间内。半径超出此范围的细胞在计算时会被忽略。因此，那些不规则形状的污染物由于其半径大和颜色不同未被计数。实验数据已经证明重叠/粘连的细胞可以被有效识别。图12显示的是圆圈标出重叠细胞和加号标出分离的细胞的处理图像。在步骤1007中，适配圆圈和黑色加号的标记信号的数量就被作为图像中红细胞的总数量。
[0075]接下来的步骤是计数胎儿红细胞的数量和成人F红细胞的数量，并计算出各自的百分比。在采集的彩色图像中，胎儿红细胞内部显示为深红、光亮并平滑，而母体红细胞显示为浅色并粉红。因此，颜色信息为本发明鉴别胎儿细胞和母体细胞的第一线索。不幸的是。由于在不同KB切片的在细胞颜色、大小或重叠的不同情况，仅依靠饱和度通道信息依赖的阈值转换法并不是可靠的方法。胎儿红细胞百分比可能被估高或估低。因此，在本发明中除了颜色信息外，其他包括细胞大小、圆度，梯度，细胞和整个载玻片之间的饱和度均用来从母体红细胞中区别胎儿红细胞。根据这些特征，分类器(如神经网络、支持向量机、K-最近邻居法、高斯混合模型、朴素贝叶斯、决策树或RBF分类器)可以用于将细胞分为胎儿红细胞、母体红细胞和成人F红细胞。这些分类器可以通过监督式学习算法训练以提高分类精确度。因此，用于训练的数据集可较好地建立。
[0076]在步骤1008和1009中，灰度图像G2 (参照图13)在依据模型2分离胎儿红细胞和母体红细胞后获得。在步骤1010中，在图像G2内的可能的胎儿细胞被提取，并储存对应的彩色细胞。提取的细胞的质心坐标与他们对应的原始图像名称也