一种外周血细胞形态学判别细胞数目的自动检测系统及方法

摘要

本发明属于外周血细胞形态学检测技术领域，具体涉及一种外周血细胞形态学判别细胞数目的自动检测系统及方法，包括主控模块、扫描模块和人机交互机构，主控模块与扫描模块通信连接，人机交互机构和主控模块通信连接，扫描模块包括光源装置、滤光装置和图像采集装置，滤光装置加载在图像采集装置上，图像采集装置与主控模块通信连接，人机交互机构包括计算机、显示屏、警示模块和打印机，主控模块与计算机通信连接，主控模块与显示屏通信连接，警示模块与显示屏通信连接，打印机与计算机电连接，用来解决人工镜检对外周血细胞形态学检测时，存在的工作量大，可重复性差，不仅耗时耗力，且不适用于大批量标本的筛查以及容易影响病情诊断的问题。

说明书

技术领域

本发明属于外周血细胞形态学检测技术领域，具体涉及一种外周血细胞形态学判别细胞数目的自动检测系统及方法。

背景技术

外周血细胞检测是临床检验的一项常规工作，对许多疾病尤其是血液病的诊断和鉴别都有重要意义。目前实验室通常采用血液分析仪进行外周血细胞的分类计数，血液分析仪通常采用物理和细胞化学等技术进行细胞分类计数，自动化程度较高，但是准确度不高。因此，对外周血进行显微镜镜检仍然是诊断很多疾病和进行仪器性能评估的必要操作。

人工显微镜镜检是先通过低倍镜进行初步检测，然后再进行油镜镜检，并进行人工计数识别。而采用人工操作时检验工作量大，可重复性差，不仅耗时耗力，且不适用于大批量标本的筛查；而且由于细胞形态学检验工作者的经验情况以及工作数量等情况的影响，会导致医生判断结果的客观性不足，影响病情诊断。

发明内容

本发明的目的是：提供一种外周血细胞形态学判别细胞数目的自动检测系统及方法，用来解决人工镜检对外周血细胞形态学检测时，存在的工作量大，可重复性差，不仅耗时耗力，且不适用于大批量标本的筛查以及容易影响病情诊断的问题。

为实现上述技术目的，本发明采用的技术方案如下：

一种外周血细胞形态学判别细胞数目的自动检测系统，包括主控模块、扫描模块和人机交互机构，所述主控模块与扫描模块通信连接，所述人机交互机构和主控模块通信连接，所述扫描模块包括光源装置、滤光装置和图像采集装置，所述滤光装置加载在图像采集装置上，所述图像采集装置与主控模块通信连接，所述人机交互机构包括计算机、显示屏、警示模块和打印机，所述主控模块与计算机通信连接，所述主控模块与显示屏通信连接，所述警示模块与显示屏通信连接，所述打印机与计算机电连接。

进一步，所述图像采集装置包括摄像头、图像采集模块和补偿模块，所述摄像头由若干个不同放大倍数的镜头组组成；每个所述镜头组由若干个放大倍数相同且错位放置的镜头组成，所述图像采集模块由若干个图像传感器构成，所述图像传感器与主控模块通信连接，所述图像传感器安装在每个镜头后面，所述滤光装置安装在每个镜头上，所述补偿模块与图像传感器通信连接，所述补偿模块与主控模块通信连接。

进一步，所述光源装置为无影光源，所述无影光源与主控模块电连接。

进一步，所述一种外周血细胞形态学判别细胞数目的自动检测方法，包括以下步骤：S1：构建外周血细胞的形态学数据库；S2：对整体外周血细胞进行扫描，得到低倍图像区域，并对低倍图像区域进行分区，统计分区数量；S3：对每个分区进行高倍图像扫描，并对分区内的细胞进行识别和计数；S4：对不同分区的细胞进行分类统计，并对不同分区的细胞进行加权计算，得出计算数据；S5：对计算数据与正常数据进行参考对比，进行参考分析；S6：对异常信息进行再次扫描、并判断。

进一步限定，所述S1中外周血细胞的形态学数据库包括正常人类血细胞中红细胞以及网织红细胞的大小范围、各种形态和数量，白细胞中中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞以及淋巴细胞的细胞大小范围、细胞的各种形态以及数量，血小板的大小范围、各种形态以及数量；各期贫血、白血病、骨髓增生综合症等病人外周血细胞中红细胞以及网织红细胞的大小范围、各种形态和数量，白细胞中中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞以及淋巴细胞的细胞大小范围、细胞的各种形态以及数量，血小板的大小范围、各种形态以及数量。

进一步限定，所述S2中低倍图像的分区包括正计数区域和拓展计数区域，所述拓展计数区域位于正计数区域外围，为正计数区域的延伸；所述正计数区域的面积为a个细胞平均面积大小；所述的拓展计数区域的边界与正计数区域的边界距离为b个细胞平均直径距离；在对正计数区域内的细胞计数时，如果发现落入正计数区域内的细胞不完整，则将其延伸到拓展计数区域，然后测量该细胞在正计数区域的面积与在拓展计数区域的面积，将位于两个区域的面积作对比，如果在正计数区域内的面积大，则计数，反之则不计数。

进一步限定，所述细胞平均面积为检测部位的红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板的平均面积。

进一步限定，所述S3中高倍图像扫描包括以下步骤：A:构建一个8层卷积神经网络，并通过8层卷积神经网络对正常人外周血细胞中的红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板进行形态识别训练，将训练数据与S1中的外周血细胞的形态学数据库连接；B：通过卷积神经网络对各期贫血、白血病、骨髓增生综合症等病人外周血细胞中红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板中病变细胞的形态进行识别训练，将训练数据与S1中的外周血细胞的形态学数据库连接；C：构建一个图像采集数据库，将图像采集数据库划分为9个区域，其中8个区域分别对应红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板，另一个区域对应在人体外周血细胞中没有出现或记录的细胞形态，通过图像采集、提取红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板的形态特征，并对相同的特征进行筛选、合并，然后根据对应的图像采集区域分别归类、并计数；D：将图像采集数据库与卷积神经网络连接，并进行第一步判定，第一步判定后，与S1中的外周血细胞的形态学数据库连接，进而第二步判定。

进一步限定，所述步骤C中，图像采集通过彩色显像、九格特征锁定提取细胞的形态特征，通过彩色显像，将外周血细胞中的红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板形态显示清晰，避免细胞重叠或附着，通过九格特征锁定，将一个细胞划分不同的区域，再将各个区域的特征提取出来，组合成完整的细胞特征，更能观察出细胞的形态学特征变化。

进一步限定，所述步骤D中，第一步判定规则为：根据步骤C中采集的特征与卷积神经网络中的细胞形态进行对比，即正常细胞的不同形态与所检测细胞的形态进行的相似度对比，相似度大于相异度，则为正常细胞，相异度大于相似度，则进行第二步判定，所述第二步判定规则为：将相异度大于相似度的细胞与S1中的细胞数据库进行对比，相异度大于相似度的细胞与S1中的细胞数据相似度大于相异度，则为正常细胞，反之则为病变细胞。

本发明的有益效果：本系统通过构建外周血细胞的形态学数据库，将正常人外周血细胞中各种的细胞的形态统计归类，再将各期贫血、白血病、骨髓增生综合症等病人外周血细胞中各种的细胞的形态统计归类，使数据库内包含所有外周血细胞的形态与计数统计，再通过图像采集，卷积神经网络识别，将需要检测外周血细胞根据形态学进行精准的识别、分类、统计、归纳，从而完成对外周血细胞形态学自动检测，避免了人工镜检对外周血细胞形态学检测时，存在的工作量大，可重复性差，不仅耗时耗力，且不适用于大批量标本的筛查以及容易影响病情诊断的问题。

附图说明

本发明可以通过附图给出的非限定性实施例进一步说明；

图1为本发明一种外周血细胞形态学判别细胞数目的自动检测系统及方法实施例的整体工作流程示意图；

具体实施方式

以下将结合附图和具体实施例对本发明进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，实施例中提到的方向用语，例如“上”、“下”、“顶”、“底”、“左”、“右”、“前”、“后”等，仅是参考附图的方向，并非用来限制本发明的保护范围。

如图1所示，本发明的一种外周血细胞形态学判别细胞数目的自动检测系统及方法，包括主控模块、扫描模块和人机交互机构，主控模块与扫描模块通信连接，人机交互机构和主控模块通信连接，扫描模块包括光源装置、滤光装置和图像采集装置，光源装置为无影光源，无影光源与主控模块电连接，避免由于光源产生额外的干扰。滤光装置加载在图像采集装置上，图像采集装置与主控模块通信连接，人机交互机构包括计算机、显示屏、警示模块和打印机，主控模块与计算机通信连接，主控模块与显示屏通信连接，警示模块与显示屏通信连接，打印机与计算机电连接。

通过图像采集装置将需要检测的外周血细胞的形态学特征拍摄下来，然后传输给主控模块，经过主控模块的分析、统计，将检测出来的外周血细胞中红细胞、网织红细胞、白细胞中中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞以及淋巴细胞的全部数量统计、并显示在显示屏上，通过警示模块对有异常显示的区域提醒，然后通过医生操作计算机控制图像采集装置再次对异常显示区域进行图像扫描、并显示在显示屏上，通过放大显示屏上的异常区域，进行人工复检，确定无误后，通过操作计算机将最终的扫描结果打印出来，便于医生直接查看。

图像采集装置包括摄像头、图像采集模块和补偿模块，摄像头由若干个不同放大倍数的镜头组组成。每个镜头组由若干个放大倍数相同且错位放置的镜头组成，图像采集模块由若干个图像传感器构成，图像传感器与主控模块通信连接，图像传感器安装在每个镜头后面，滤光装置安装在每个镜头上，补偿模块与图像传感器通信连接，补偿模块与主控模块通信连接，通过不同的放大倍数的镜头，使在进行外周血细胞扫描时，能够进行三步扫描，第一步扫描时，进行低倍扫描，对外周血细胞涂片进行初步扫描，确定外周血细胞涂片是否符合检测要求，涂片上的染色是否符合要求以及是否有寄生虫存在，第一步检测完成后，进行第二步扫描，第二步扫描时，采用高倍扫描，将需要检测的外周血细胞中的红细胞、网织红细胞、白细胞中中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞以及淋巴细胞的形态特征全部扫描出来，并经过主控模块的分析和统计，将整体的细胞数目统计出来，再将正常的各种细胞数目统计以及各种形态学异常的细胞数目统计、分类，使结果能支管的显示在显示屏上。当有异常提醒时，进行第三步超高倍扫描，并通过补偿模块对异常区域进行像素补偿，使异常区域细胞的形态能够更充分的被扫描、提取，并显示在显示屏上，通过医生判断，异常区域的细胞形态是否有异常，从而使扫描结果精确。

外周血细胞形态学判别细胞数目的自动检测方法，包括以下步骤：

S1：构建外周血细胞的形态学数据库；S2：对整体外周血细胞进行扫描，得到低倍图像区域，并对低倍图像区域进行分区，统计分区数量；S3：对每个分区进行高倍图像扫描，并对分区内的细胞进行识别和计数；S4：对不同分区的细胞进行分类统计，并对不同分区的细胞进行加权计算，得出计算数据；S5：对计算数据与正常数据进行参考对比，进行参考分析；S6：对异常信息进行再次扫描、并判断。

通过构建外周血细胞的形态学数据库，将低倍图像区域分区后，对每个分区进行高倍扫描，识别处分区内的所有细胞和细胞形态，然后将所有分区的细胞和细胞形态进行加权统计计算，得出不同的细胞的数目，并与数据库内的细胞进行对比、判定，得出正常的细胞数目和各种异常细胞的数目，并对异常细胞与已知的病变细胞进行对比分析，得出是否病变，与已知数据库对比时，不能判断是否病变，则将该异常区域的细胞再次进行图像采集与特征分析，通过医生来判别是否病变，即能够自动分析、统计整个检测细胞的数目，又能自动将异常细胞对比、标记、记录，大大提升了检测的效率。

S1中外周血细胞的形态学数据库包括正常人类血细胞中红细胞以及网织红细胞的大小范围、各种形态和数量，白细胞中中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞以及淋巴细胞的细胞大小范围、细胞的各种形态以及数量，血小板的大小范围、各种形态以及数量；各期贫血、白血病、骨髓增生综合症等病人外周血细胞中红细胞以及网织红细胞的大小范围、各种形态和数量，白细胞中中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞以及淋巴细胞的细胞大小范围、细胞的各种形态以及数量，血小板的大小范围、各种形态以及数量，便于根据检测出的各种细胞的形态特征，确定细胞情况。

S2中低倍图像的分区包括正计数区域和拓展计数区域，拓展计数区域位于正计数区域外围，为正计数区域的延伸。正计数区域的面积为a个细胞平均面积大小，细胞平均面积为检测部位的红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板的平均面积。拓展计数区域的边界与正计数区域的边界距离为b个细胞平均直径距离，在对正计数区域内的细胞计数时，如果发现落入正计数区域内的细胞不完整，则将其延伸到拓展计数区域，然后测量该细胞在正计数区域的面积与在拓展计数区域的面积，将位于两个区域的面积作对比，如果在正计数区域内的面积大，则计数，反之则不计数。

S3中高倍图像扫描包括以下步骤：A:构建一个8层卷积神经网络，并通过8层卷积神经网络对正常人外周血细胞中的红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板进行形态识别训练，将训练数据与S1中的外周血细胞的形态学数据库连接，使卷积神经网络能够识别正常的红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板的各种形态，提高识别的准确率。

B：通过卷积神经网络对各期贫血、白血病、骨髓增生综合症等病人外周血细胞中红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板中病变细胞的形态进行识别训练，将训练数据与S1中的外周血细胞的形态学数据库连接，使卷积神经网络能够通过各种细胞的形态，从而识别红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板是否发生病变。

C：构建一个图像采集数据库，将图像采集数据库划分为9个区域，其中8个区域分别对应红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板，另一个区域对应在人体外周血细胞中没有出现或记录的细胞形态，通过图像采集、提取红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板的形态特征，即图像采集通过彩色显像、九格特征锁定提取细胞的形态特征，通过彩色显像，将外周血细胞中的红细胞、网织红细胞、中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞以及血小板形态显示清晰，避免细胞重叠或附着，通过九格特征锁定，将一个细胞划分不同的区域，再将各个区域的特征提取出来，组合成完整的细胞特征，更能观察出细胞的形态学特征变化，然后对相同的特征进行筛选、合并，然后根据对应的图像采集区域分别归类、并计数，图像采集数据库与图像采集模块以及补偿模块通信连接，使图像采集模块采集到的细胞形态图像信息传递给图像采集数据库，并在图像采集数据库内根据分类归档，并将采集的不能归类的细胞形态数据归纳到最后一个区域，并记录在卷积神经网络中。

D：将图像采集数据库与卷积神经网络连接，并进行第一步判定，第一步判定后，与S1中的外周血细胞的形态学数据库连接，进而第二步判定，在第一步判定时，通过8层卷积神经网络对图像采集数据库内的9个区域内的细胞形态分别进行识别、对比，即正常细胞的不同形态与所检测细胞的形态进行的相似度对比，相似度大于相异度，则为正常细胞，相异度大于相似度，则进行第二步判定，第二步判定规则为：将相异度大于相似度的细胞与S1中的细胞数据库进行对比，相异度大于相似度的细胞与S1中的细胞数据相似度大于相异度，则为正常细胞，反之则为病变细胞，都不能识别的细胞形态特征，则显示在显示屏上，等待医生的判断，从而准确的将正常细胞形态与病变细胞形态区分开，减少人工判定所需要的时间。

S5中对计算出的外周血细胞中各种正常的细胞数目的进行统计，并分别判断这种细胞数目与正常外周血细胞中的含量是否相吻合，然后对各种形态特征异常的细胞与可能的血液疾病相匹配，列出可能的百分比，提供给医生参考。

S6中医生对细胞形态特征有异常的细胞区域，可操作计算机再次对该区域进行超高倍扫描，然后将异常区域有异常的细胞形态筛选出来，在图像采集数据库和外周血细胞形态数据库中均不能识别的，则显示在显示屏上，等待医生判断，使医生只需要判断少数几个细胞形态即可，且不必医生来人工计数外周血细胞中各种细胞的数目，系统能够自动将各种形态的正常细胞与非正常细胞的数目均统计出来，并列出相对的疑似病例，使外周血细胞的检测更方便。

以上对本发明提供的一种外周血细胞形态学判别细胞数目的自动检测系统及方法进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。