一种获取全血细胞计数值的方法及装置、系统、电子设备

本发明涉及血样检测，具体涉及一种获取全血细胞计数值的方法及装置、电子设备。

背景技术：

1、全血细胞计数(cbc)主要是统计单位体积血液中各种血细胞的数量、形态以及比例等，目前主要依靠血细胞分析仪来完成。对于异常样本，则需要推片染色，然后人工镜检确认或使用形态学阅片设备进行复检确认。

2、全血细胞计数的常规流程复杂，涉及仪器多，成本较高。目前已有一些厂家推出采用图像法输出cbc参数的仪器，如roche开发的cobas m511、pixcell公司开发的hemoscreen等，这些仪器直接利用显微镜拍摄血细胞图像并分类计数，流程简单。但是这类产品需要借助复杂而昂贵的技术使细胞单层排列，如cobas m511采用的细胞喷涂技术、hemoscreen采用的粘弹性聚焦技术、微流控技术等，成本仍然较高。

3、另外，一些厂家简单根据图像法细胞计数值与经验系数来输出全血细胞计数值，如cellavision阅片机采用系数法估计血小板数量，精确度不高。原因是推片形成的血膜形态不一致以及分布密度不均匀，系数法未充分考虑推片因素对细胞计数值的影响。

4、因此，有必要提出一种简单有效且成本较低的全血细胞计数值的获取方法。

技术实现思路

1、本发明的目的在于提供一种获取全血细胞计数值的方法，该方法不仅成本较低，且获取全血细胞计数值的精确度较高。

2、此外，本发明还提供一种获取全血细胞计数值的装置、系统和一种电子设备。

3、本发明通过下述技术方案实现：

4、一种获取全血细胞计数值的方法，包括以下步骤：

5、s1、制备不同细胞浓度样本的血涂片，并获取血涂片制备参数，所述血涂片制备参数包括推片参数和血膜形态参数，根据推片参数确定细胞计数区域，基于图像法获取不同细胞浓度样本的细胞值；采用血细胞分析仪直接获取不同细胞浓度样本的全血细胞计数值；

6、s2、以步骤s1获取的各个样本的细胞值和血涂片制备参数作为机器学习模型的输入，以各个样本的全血细胞计数值作为标签，进行模型训练，获得训练后的cbc参数预测模型；

7、s3、获取待测样本的细胞值和血涂片制备参数作为cbc参数预测模型的输入，输出该样本的全血细胞计数值。

8、一方面，本发明通过采用模型训练获得cbc参数预测模型，直接通过待测样本的细胞值和血涂片制备参数作为cbc参数预测模型的输入，即可输出该样本的全血细胞计数值，相比现有简单根据图像法细胞计数值与经验系数来输出全血细胞计数值，提高了全血细胞计数值测量的准确度。

9、另一方面，本发明采用常规推片方式即可制备血涂片，不需要借助复杂而昂贵的技术使细胞单层排列，成本更低。推片采用现有的推片机操作即可，推片机基于样本的hct值或粘度自动确定推片参数，样本hct值和粘度可以分别由hct检测装置和粘度检测装置获得。

10、综上，本发明利用基于推片染色和图像法获取的各个样本的细胞值和血涂片制备参数作为机器学习模型的输入进行模型训练，用于预测全血细胞计数值，不仅成本较低，且获取全血细胞计数值的精确度较高。

11、进一步地，步骤s1中，获取不同细胞浓度样本的细胞值的具体过程为：

12、获取不同细胞浓度的样本，并分别对不同细胞浓度的样本进行推片染色处理获得血涂片，然后基于图像法获取血涂片上n个位置的细胞图像，n为大于等于1的整数；分别对n个位置的细胞图像进行分类计数，获得细胞值。

13、其中，血涂片采用常规推片方式制作，血涂片头、体、尾分明，两边和两端留有空隙，血膜由厚到薄均匀地分布在血涂片上。

14、进一步地，采用形态学自动阅片设备拍摄血涂片上n个位置的细胞图像。

15、上述所采用的血细胞分析仪和形态学自动阅片设备均为现有设备。

16、更进一步地，采用高倍镜进行拍摄，高倍镜为放大倍率超过40倍的镜头。(为了提高效率，同时兼顾准确性，仅做细胞计数时采用40x，同时考虑细胞亚分类时采用更高的倍率，如plt计数用40x，wbc、rbc分类计数采用100x)。

17、进一步地，采用细胞识别算法对所拍摄的细胞图像中的细胞进行分类计数。

18、更进一步地，采用深度学习目标检测算法对细胞进行分类计数，以提高准确率。

19、进一步地，图像法获取细胞值的过程中，当某个区域不适合细胞计数时，如出现划痕或分布不均匀的空白区域，具有划痕的拍摄区域的示意图如图9所示，具有分布不均匀的空白区域的拍摄区域如图10所示，拍摄等效的区域以代替该区域。等效区域可以是同面积相邻区域或血膜厚度相同或相近的其他区域。划痕或分布不均匀的空白区域可通过图像算法识别出来，该算法与下文中计算重叠率的算法为同一模块。

20、进一步地，图像法获取细胞值的过程中，当发现红细胞凝集、缗钱时，给出报警信息。

21、进一步地，图像法获取n个位置的细胞图像时，n个位置包含血膜体尾交接处；和/或血膜体部；和/或血膜边缘；和/或血膜尾部。

22、进一步地，三种类型细胞(wbc、rbc和plt)在血膜上的分布规律不完全相同，均有其最佳拍摄区域；图像法获取n个位置的细胞图像时，拍摄的区域至少含有wbc、rbc和plt这三种类型细胞的最佳拍摄区域。

23、进一步地，n个位置的选取过程为：

24、首先，根据推片参数，自动确定拍摄位置p0(即步骤s1确定的拍摄区域)，然后，根据细胞重叠率进行微调，得到用于获取细胞值的n个计数位置p1。

25、不同类型细胞的计数区域可以是上述n个位置对应的n个区域中的m个区域，其中m小于等于n。且不同类型细胞的计数区域可以不同。不同类型的细胞包括白细胞、红细胞、血小板，对应的上述细胞值包括白细胞值、红细胞值、血小板值。

26、这样确定拍摄区域的理由是：

27、常规推片的血膜分布是不均匀的，图像法处理的过程中，会出现细胞重叠的现象导致图像法计数结果不准确。对于每个样本，细胞重叠率受计数位置及样本浓度的影响。首先，计数位置受血膜密度变化的影响，如果选择固定位置，则可能导致完全错失正确的计数区域或统计量不足。推片参数依据样本hct值和/或粘度确定，而hct值和/或粘度与样本细胞浓度强相关。因此，可以根据推片参数来选择合适的计数区域。其次，尽管选择了合适的计数区域，但依然可能因为样本间的差异导致可计数区域的细微偏差。因此需要根据细胞重叠率来对计数位置进行微调。综上，确定了n个位置的选取过程。

28、优选的，白细胞计数区域为血膜体尾交接处和/或血膜体部，红细胞计数区域为血膜体尾交接处，血小板计数区域为血膜体尾交接处和/或血膜边缘和/或血膜尾部。

29、白细胞、红细胞、血小板选择上述区域的原因在于：

30、1)、在血膜体尾交接处和血膜体部，白细胞分布均匀，血膜边缘或尾部，白细胞分布不均匀；

31、2)、在血膜体尾交接处，红细胞分布均匀，且在该区域红细胞单层分布或重叠率较低，适合算法分类计数；

32、3)、在血膜体尾交接处，血小板分布均匀。同时考虑到血小板聚集容易被推到血膜尾部和血膜边缘，有必要在拍摄时将血膜尾部和血膜边缘也考虑进来。

33、进一步地，利用推片染色制备血涂片时，血涂片的制备信息(血涂片制备参数)包括推片参数、血膜形态参数和染色信息；其中，推片参数包括滴血量(ul)、刮血角度、刮血速度(mm/s)、血滴延展时间(s)、推片角度、推片速度(mm/s)；血膜形态参数包括血膜长度和血膜宽度；染色信息包括染液类型、染液配比、染色时间、温度、湿度等。

34、申请人通过对推片参数、血膜形态参数和染色信息进行分析，最终选择了刮血角度、刮血速度、推片角度和推片速度作为选取拍摄位置的参数，选取了滴血量、血膜长度和血膜宽度作为训练模型的输入参数。

35、即步骤s2、步骤s3中，作为模型输入所用血涂片制备参数包括滴血量、血膜长度和血膜宽度。

36、申请人通过对推片参数、血膜形态参数和染色信息进行分析，得出以下结论：

37、1)、滴血量影响统计量，理论上不同样本滴血量应该相同(为了使不同样本的血膜形态，包括长短、宽窄、厚薄一致，不同粘度的样本，采用不同的滴血量)。

38、2)、刮血角度、刮血速度和血滴延展时间影响血膜在血涂片y方向的分布(血膜宽窄)和不同体积细胞的分布。

39、a)不同的刮血角度和刮血速度，细胞受力不一样，尤其对不同体积的细胞有影响，在外周血中，主要指白细胞(wbc)，红细胞(rbc)，血小板(plt)；因此，选取拍摄区域时，需要考虑这三种类型细胞的最佳区域。

40、b)不同延展时间影响血膜宽度，对于血细胞计数的影响等同于血膜形态参数中的血膜宽度，两者只考虑一个即可。

41、3)、推片角度和推片速度影响血膜在血涂片x方向的分布(血膜长短)和不同体积细胞的分布。

42、不同的推片角度和推片速度，细胞受力不一样，尤其对不同体积的细胞有影响，在外周血中，主要指白细胞，红细胞，血小板。因此，选取拍摄区域时，需要考虑这三种类型细胞的最佳区域。

43、4)染色信息对结果影响可以忽略不计，可以不考虑。

44、即推片参数中的滴血量影响统计量；刮血角度、刮血速度、推片角度和推片速度影响血膜形态和不同体积细胞在血膜上的密度分布；机器学习模型根据这些输入，消除统计量的影响，并自动确定合适的计数区域进行计数，提升性能。

45、即推片参数影响血膜形态以及不同体积细胞在血膜上的分布。增加血膜形态是为了考虑以下影响：血膜长短或宽窄影响了样本整体的细胞密度，如血膜较短时，单位面积的细胞密度更大。拍摄n个位置的细胞图像时，拍摄面积受细胞密度影响；血膜由厚到薄，拍摄位置更合理的是血膜的相对位置。为了消除这些影响，应该把血膜形态参数考虑进来。

46、综上，推片机通过控制推片参数可以使不同浓度样本的血膜长度和血膜宽度基本一致，但仍略有差异。为了提高cbc参数预测模型的准确率，有必要将血膜长度和血膜宽度考虑进来。

47、其中，血膜长度：影响细胞分布密度，同一样本血膜长度不同，同一拍摄位置的细胞密度不同。

48、其中，血膜宽度：影响细胞分布密度，同一样本血膜长度不同，同一拍摄位置的细胞密度不同。

49、步骤s1中，根据推片参数确定细胞计数区域，这里推片参数包含了刮血角度、刮血速度、推片角度和推片速度，通过拟合这些推片参数与合适的细胞计数位置之间的相关性，确定了不同推片参数对应的计数位置，并建立推片参数对应的计数位置查找表。样本拍摄时，根据推片参数，从查找表中查询对应的计数位置。

50、进一步地，步骤s2中，模型训练采用机器学习模型训练拟合细胞值；机器学习模型包括ann模型。

51、进一步地，步骤s2中，待测样本的细胞值的获取过程为：

52、将待测样本进行推片染色处理获得血涂片，并获取推片参数，再通过图像法获取血涂片上n个位置的细胞图像，n为大于等于1的整数；分别对n个位置的细胞图像进行分类计数，获得细胞值，并基于细胞图像获取血膜形态参数。

53、进一步地，步骤s1中，细胞值包括白细胞计数值、红细胞计数值和血小板计数值。

54、一种获取全血细胞计数值的系统，包括：

55、涂片制备装置，用于根据待测样本的特征确定血涂片制备参数，并基于所述血涂片制备参数将所述待测样本制备成血涂片；

56、调度装置，用于将所述待测样本的血涂片运送至细胞图像分析装置；

57、细胞图像分析装置，用于获取所述待测样本血涂片中多个局部区域的区域图像，并确定多个所述区域图像的细胞计数值；

58、控制器，用于将所述细胞计数值和所述涂片制备参数输入至预先构建的预测模型(cbc参数预测模型)中，以得到所述待测样本的全血细胞计数值。

59、其中，所述预测模型是以不同细胞浓度的训练样本的血涂片制备参数(滴血量、血膜长度和血膜宽度)以及基于训练样本血涂片图像得到的所述细胞值作为输入，通过细胞分析仪得到的所述不同细胞浓度的训练样本的全血细胞计数值为输出训练得到的。

60、其中，所述待测样本的特征为hct值或粘度，可分别由hct检测装置和粘度检测装置获。

61、一种获取全血细胞计数值的装置，包括：

62、数据获取模块，用于获取不同细胞浓度样本的细胞值、各个样本通过推片染色制备血涂片时的血涂片制备参数和不同细胞浓度样本的全血细胞计数值；

63、训练模块，用于以不同细胞浓度样本的细胞值和血涂片制备参数作为输入，血涂片制备参数包括滴血量、血膜长度和血膜宽度，以各个样本的全血细胞计数值作为标签，进行模型训练，获得训练后的cbc参数预测模型；

64、cbc参数预测模型如下所示：

65、

66、其中，a,b1,b2分别为与滴血量、血膜长度、血膜宽度相关的权重系数，n为前述的细胞图像拍摄位置数量，ki为图像拍摄位置i的细胞值对应的权重系数；

67、检测模块，用于获取待测样本的细胞值和血涂片制备参数，并将待测样本的细胞值和血涂片制备参数(滴血量、血膜长度和血膜宽度)输入cbc参数预测模型，输出全血细胞计数值。

68、一种电子设备，包括：

69、存储器；

70、处理器；以及

71、计算机程序；

72、其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现上述的方法。

73、本发明与现有技术相比，具有如下的优点和有益效果：

74、1、本发明利用基于推片染色和图像法获取的各个样本的细胞值和血涂片制备参数作为机器学习模型的输入进行模型训练，用于预测全血细胞计数值，不仅相比现有简单根据图像法细胞计数值与经验系数来输出全血细胞计数值，提高了全血细胞计数值测量的准确度，且无需采用借助复杂而昂贵的技术使细胞单层排列，具有成本较低的优点。

75、2、本发明根据分析筛选出刮血角度、刮血速度、推片角度和推片速度作为细胞计数位置选取的参数，使不同浓度的样本能够自动确定合适的计数区域进行计数；筛选出滴血量、血膜长度和血膜宽度作为训练模型的输入参数，推片参数中的滴血量影响统计量；血膜形态参数中的血膜长度和血膜宽度影响细胞分布密度；机器学习模型根据这些输入，消除统计量的影响。从而提高了cbc参数预测模型预测的精准度。