专利名称：通过显微图像用于全血样品自动分析的方法和装置的制作方法
通过显微图像用于全血样品自动分析的方法和装置
本申请要求2010年8月5日递交的序列号为61/371，020的美国临时专利申请的权益，其所公开的基本主题通过引用并入文中。技术领域
本发明总体涉及用于通过显微图像对全血样品进行分析的方法和装置，尤其涉及进行自动分析的该方法和装置。
背景技术：
医学诊断通常包括来自患者的全血样品的分析。更流行的诊断中的一个诊断为全血细胞计数(称作“CBC”)，全血细胞计数为一系列测试，除了列举细胞组分外，其还包括红血细胞测量、网状红细胞计数、白细胞分类计数(“LDC”;有时称作“白血细胞分类”)，白细胞分类计数是辨别和计数血样中存在的白血细胞(WBC)的类型。
过去，已经使用用于计数的方法中的不同方法执行CBC的分类。例如，在过去，CBC的LDC部分已经通过将少量的未稀释的血液涂抹在载玻片上、对干燥的、固定的涂片进行染色、和在显微镜下检查该涂片而实现。从这样的涂片可得到合理的结果，但数据的精确度和可靠性很大程度上取决于技术人员的经验和技术。出于几个原因，血液涂片是有问题的，例如:细胞必须被杀死且固定，该过程阻止了许多类型的体外活体染色和分析，其结果依赖于活体细胞；并且血液涂片需要劳动密集型的工作、成本太高且耗费时间。由于至少这些原因，商业化应用血液涂片通常不受欢迎。
对于全血样品的自动化分析的尝试已经取得一些成功，但通常具有几个缺陷。例如，电阻抗或光学流式细胞术仪器可用于执行LDC。流式细胞术包括使稀释的血液样品穿过小的容器，在该容器中当细胞连续地穿过该容器时，电阻抗传感器或光学传感器能够评估组成细胞。这些仪器通常需要流体处理设备并且需要稀释样品。
需要的是:用于执行全血样品的自动化分析(包括LDC)的装置和方法，其可克服现有技术的局限性，该局限性包括用于执行该分析所需的时间、用于执行该分析所需的操作员技术水平；并且，该装置和方法比已知的现有技术的方法和装置能够提供更广泛的适用性。发明内容
根据本发明的一个方面，提供了一种用于识别全血样品中至少一种类型的白血细胞(WBC)的方法，包括以下步骤:a)将至少一种着色剂添加到全血样品中，该着色剂可操作以将至少一种类型的WBC与另一类型的WBC区别地识别出；b)将全血样品置于由至少一个透明板限定的腔内；c)产生静止地位于该腔内的血液样品的至少一个图像；d)识别该血液样品图像内的WBC ;e)相对于一个或多个预定的可定量确定的特征，定量分析图像内的至少一些被识别的WBC ;和f)使用该可定量确定的特征来从识别的WBC中识别至少一种类型的 WBC。
根据本发明的另一方面，提供了一种用于分析静止地位于腔内的全血样品的装置。所述装置包括:物镜、样品照明器、析像管和可程控分析仪。样品照明器可操作以提供激发荧光和一种或多种透射光。析像管适于接收来自样品的发荧光的光和穿过样品传输的光中的一种或两种，并且适于生成代表这种光的信号。可程控分析仪适于接收代表光的信号并且产生静止地位于该腔内的血液样品的至少一个图像。可程控分析仪还适于定量分析图像以识别图像内的WBC，并且相对于一个或多个预定的可定量确定的特征，定量分析图像内的至少一些被识别的WBC。可程控分析仪可操作以使用该可定量确定的特征来从识别的WBC中识别和计数至少一种类型的WBC。
根据本发明的另一方面，提供了一种用于识别生物样品内的一种或多种目标组分的方法。所述方法包括以下步骤:a)将至少一种着色剂添加到样品中，该着色剂可操作以区别样品内的目标组分山)将样品置于由至少一个透明板限定的腔中；c)产生静止地位于该腔内的样品的至少一个图像；d)识别样品图像内的目标组分；e)相对于一个或多个预定的可定量确定的特征，定量分析图像内的至少一些被识别的目标组分；和f)使用该可定量确定的特征在被识别的目标组分中识别至少一种类型的目标组分。
根据下文提供的本发明的详细描述以及在附图中所示内容，本发明的这些目的和其他目的、特征和优势将变得明显。
通过参考以下的图，本发明的原理将变得更加清晰，其中:
图1为本发明方法的框图2为腔的剖面示意图3为生物流体样品盒的俯视示意图，其类型为可包括如图2所示的腔的类型；
图4为可操作以对置于腔内的样品进行分析的分析装置的示意图5A至图为淋巴细胞(5A)、嗜中性粒细胞(5B)、嗜酸性粒细胞(5C)和单核细胞(5D)的合成图像；
图6A至图6D为来自淋巴细胞(6A)、嗜中性粒细胞(6B)、嗜酸性粒细胞(6C)和单核细胞(6D)的发红色荧光的图像；
图7A至图7D为来自淋巴细胞(7A)、嗜中性粒细胞(7B)、嗜酸性粒细胞(7C)和单核细胞(7D)的发绿色荧光的图像；
图8A至图8D为对于淋巴细胞(8A)、嗜中性粒细胞(8B)、嗜酸性粒细胞(8C)和单核细胞(8D)，具有由红色曲线标记的细胞边界且在蓝光波长下的光密度的图像；
图9A至图9D为细胞图像，其中对于淋巴细胞(9A)、嗜中性粒细胞(9B)、嗜酸性粒细胞(9C)和单核细胞(9D)，表现出超过预定强度的红色荧光和绿色荧光的连续的像素被遮盖；
图1OA至图1OD为细胞的图像，其中对于淋巴细胞(10A)、嗜中性粒细胞(10B)、嗜酸性粒细胞(IOC)和单核细胞(10D)，表现出超过预定强度的绿色荧光的连续的像素被遮盖；
图1lA至图1lD为对于淋巴细胞(11A)、嗜中性粒细胞(11B)、嗜酸性粒细胞(IlC)和单核细胞(11D)，包括一组或多组表现出绿色荧光通道中局部最大强度的连续的像素的图像；
图12A至图12D为细胞的图像，其中对于淋巴细胞(12A)、嗜中性粒细胞(12B)、嗜酸性粒细胞(12C)和单核细胞(12D)，具有超过预定阈值的蓝色OD值的连续的像素被遮盖；
图13为描述从对于淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种细胞的样品图像的训练组采集的经验数据(以概率密度函数-Pdf的形式存在)相对于叶数目的曲线图。术语“概率密度函数”描述了特征具有特殊值的可能性。对于具有离散值(如叶的数目)的特征，Pdf与特征具有特殊值的频率相同。例如，图13示出在总体内大约83%的淋巴细胞仅具有一个叶，约15%的淋巴细胞具有两个叶。注意叶的该数目从样品图像中计算，因此由于图像不完整和图像分析算法的限制，叶的数目可具有与实际生物组分不同的值。对于图像计算的全部特征是相应的生物学组分的近似值，并且某种程度上不精确性是内在的。然而，在本发明中通过在分析(例如，LDC)期间利用多个特征可极大地减少这些内在的不精确性，从而导致具有闻精确度的分析；
图14为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一个的训练组采集的经验数据(以概率密度函数-Pdf的形式存在)相对于上述WBC中的每一种的所确定的细胞面积的曲线图15为描述细胞内的高蓝OD区域的图像；
图16为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一个的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的大颗粒比率的曲线图17为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一个的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的核比率的曲线图18为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一个的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的红-绿比的曲线图19为描述与遮盖的细胞的核相关的像素的图像，并具有应用至该图像上的环以估计被遮盖的区域；
图20为在图19中示出的图像的版本，其强调了仅仅位于遮盖区域的边缘(即，在核的边缘上)上的那些像素，包括形心和几个示例性的在形心和有关的边缘像素之间延伸的定位线段；
图21为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的核形状的曲线图22为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的细胞形状的曲线图23为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的在413nm下的平均细胞吸收的曲线图24为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的核纹理的曲线25A和图25B为示出对于红色荧光图像和绿色荧光图像，在细胞内部设置的一组像素的强度和在细胞外部设置的一组像素的强度之间的差异的图像。图25B包含与图25A中的那些图像相似的图像，包括环绕线以有利于识别细胞的外部和细胞的内部；
图26为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的核凹陷度的曲线图27为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的细胞质纹理的曲线图28为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以概率密度函数-Pdf的形式存在)相对于上述WBC的每一种的细胞质凹陷度的曲线图29为描述从淋巴细胞、嗜中性粒细胞、嗜酸性粒细胞和单核细胞中的每一种的训练组采集的经验数据(以Pdf的形式存在)相对于上述WBC的每一种的在413nm下的细胞吸收纹理的曲线图30为WBC类型以及与特殊WBC类型相关的特征的表；
图31为示出本发明的学习模型的实施方式的流程图32为说明训练组的淋巴细胞的一组十二副图像；
图33为说明训练组的单核细胞的一组十二副图像；
图34为说明训练组的嗜酸性粒细胞的一组十二副图像；
图35为示出训练组的嗜中性粒细胞的一组十二副图像。
具体实施方式
现参考图1，如在下文更详细描述的那样，本发明包括用于识别静止地置于分析腔内的生物流体样品内的组分的方法和装置。通常，将至少一种着色剂添加至样品中以有利于在样品内将一种组分与另一组分相区别。使静止地置于分析腔内的样品成像，并且使在样品图像内的组分定位。分析在图像内定位的组分中的至少一些组分以确定所分析的每一具体组分的一种或多种特征(例如，以确定组分具有特殊特征的程度)。从图像中可定量评估每一特征。使用该特征从所定位的组分中确定至少一种类型的组分。
当应用本发明以对全血样品进行白细胞分类计数(“LDC”)时，本发明还具有特殊的效用。如上所述，LDC为这样的分析，在该分析中，识别不同类型的WBC并且确定这些类型的数目。以所识别的WBC类型的相对百分数表示结果。除了其他用途外，本发明可用于辨别血液样品内的组分(例如WBC)，诸如单核细胞、嗜酸性粒细胞、嗜中性粒细胞和淋巴细胞。为了说明本发明的效用，将依据LDC应用描述本发明以识别单核细胞、嗜酸性粒细胞、嗜中性粒细胞和淋巴细胞。然而，本发明不限于该具体的应用，并且可用于识别全血样品内的其他类型的组分，或者使用组分特征识别其他类型的生物学样品内的组分，该组分特征从样品图像中可彼此定量确定。
如上所述，本发明可操作以对静止地置于腔内的全血样品执行分析，该腔包括至少一块透明板。本发明不限于使用任何特定的腔的实施方式。在美国专利申请公布N0.2007/0243117和美国临时专利申请N0.61/287，955 (下文中称作“955申请”)中描述了可接受的腔的示例，这两个申请中的每一个申请的全部内容通过弓I用方式并入本文。
在图2和图3中示出可接受腔的类型的一个示例。通过第一平面构件52、第二平面构件54、以及设置在第一平面构件52和第二平面构件54之间的至少三个分离器56形成腔50。第一平面构件52和第二平面构件54中的至少一个平面构件是透明的。分离第一平面构件52和第二平面构件54以形成腔50的分离器56，有助于确立腔50的高度58。第一平面构件52和第二平面构件54中的至少一个平面构件或者分离器56的柔韧性足以允许位于所述两个构件之间的平均腔高度58非常接近于分离器56的平均高度。
可以多种不同的实施方式实现上文描述的腔50。“955申请”描述一种实施方式，其中腔50设置在样品采集和分析盒60中(见图3)。盒60适于与具有成像硬件和处理器(例如，可程控分析仪)的自动化分析装置62 (图4中示意性示出)一起使用，以控制、处理和分析样品的图像。
参照图4，可操作以与上文描述的腔一起使用的分析装置62通常包括物镜64、盒固定和操作装置(例如机动台)66、样品照明器68、析像管70和可程控分析仪72。物镜64和盒固定装置66中的一个或两个可朝向彼此移动和彼此远离，以改变分析装置相对于腔以及置于腔内的样品的相对焦点位置。
样品照明器68使用沿着预定波长的光照射样品。例如，样品照明器可包括落射荧光光源68A和透射光源68B。如下文将解释的，诸如吖啶橙(也称为“碱性橙15”或“AC0”)和碱性橙(也称作“A0”或碱性橙21)的着色剂当与全血混合且处于落射荧光光源(该光源通常发出在约450nm至490nm的范围内的光)发出的激发波长时，发出具有特定波长的光。约470nm的激发波长是尤其有用的。透射光源是可操作以产生与红光、绿光和蓝光中的一种或多种相关的波长的光。产生的红光通常在约600nm至700nm的范围内，优选地红光约为660nm。产生的绿光通常在约515nm至570nm的范围内，优选地绿光约为540nm。如下文所讨论的，产生的蓝光通常在约405nm至425nm的范围内，优选地蓝光约为413nm。使用析像管捕获穿过样品传输的光或者样品发出的荧光，并且，代表所捕获的光的信号被发送至可程控分析仪，在可程控分析仪处信号被处理成图像。以这样的方式制作图像:允许在每单位基础上确定图像内所捕获的透光率或荧光强度；例如“每单位基础”为增加的单位，其中样品图像可被分割(例如像素)。
可接受的析像管70的示例为电荷耦合器件(CXD)型图像传感器，该图像传感器使穿过样品的光(或来自样品的光)转化成电子数据格式图像。互补性金属氧化物半导体(“CMOS”)型图像传感器为可使用的图像传感器的另一示例。来自析像管的信号为图像的每一像素提供信息，该信息包括或者可被推导出包括强度、波长和光密度。为强度值赋予例如O单位至4095单位(IVU)中的任意数值范围。光密度(“0D”)为相对于穿过基质传输的光量，所吸收的光量的度量；例如，“0D”值越高，则在透射期间所吸收的光量越大。可以光密度单位(“0D”)或其分数定量描述OD ;例如，毫OD为OD的千分之一。一个“0D”单位降低90%的光强度。作为定量值的“0D”或“毫0D”可用于通过透射光所获得的图像或通过透射光所衍生的图像，例如在图8A至图8D中所示出的透射蓝光。来自析像管的信息被分成多个通道。在下文中将来自析像管的信息描述为分成三个通道，该数目对于确定四部分LDC提供了特定的效用。然而，本发明不限于三通道的实施方式。三个通道中的第一通道用于提供与样品发出的第一波长(例如，540nm，呈现绿色)的光有关的信息。第二通道用于提供与样品发出的第二波长(例如，660nm，呈现红色)的光有关的信息。第三通道用于提供与穿过样品的第三波长(例如，413nm，该波长用于确定蓝光密度一 “0D”)的光有关的信息。当对全血样品进行LDC时，这些波长值和通道数目特别有用。本发明不限于这些特定的波长或通道数目。可实现附加的通道以收集在不同的波长值和/或透射值时的信息。反过来，该信息可用于评估样品内的附加组分和/或增加分析的精确度。例如，在期望进一步区别样品内的嗜碱性粒细胞的应用中，可添加第四通道和第五通道。第四通道可用于提供与穿过样品的第四波长(例如540nm)的光有关的信息，其用于确定绿色OD ;而第五通道可用于提供与穿过样品的第五波长(例如660nm)的光有关的信息，该波长用于确定红色0D。反过来，这些OD值可用于识别嗜碱性粒细胞。
可程控分析仪包括中央处理单元(CPU)，且与盒固定和操作装置、样品照明器和析像管进行通信。可程控分析仪适于(例如，被程控)发送和接收来自盒固定和操作装置、样品照明器和析像管中的一个或多个的信号。例如，该可程控分析仪适于:1)发送和接收来自盒固定和操作装置的信号以相对于光学器件、照明器和析像管而定位盒和腔；2)将信号发送给样品照明器以产生规定波长(或可替选地多个波长)的光；和3)发送和接收来自析像管的信号以捕获规定的时间段的光。应当注意，使用硬件、软件、固件或其组合可实现可程控分析仪的功能。本领域技术人员将能够程序控制处理单元以执行本文所描述的功能，而不需过度的实验。
可程控分析仪还适于根据一个或多个预定的算法，处理从析像管所接收的信号。特定算法的细节将取决于将要进行的分析。如上文所示，当应用本发明以对全血样品执行LDC时，本发明具有特别的效用，并且当执行LDC时示出本发明描述的实用性。然而，本发明不限于该特定的分析。
为了执行LDC，算法利用了一组识别特征，每一识别特征可区别于其他特征，且每一识别特征是可根据样品的图像定量确定的。每一 WBC的特征可在于存在或不存在某些识别特征，和/或与某些特征相关联的定量信息。为了提供可行的公开，在文中依据一组示例性的识别特征描述本发明，该识别特征可用于选择性识别和区别WBC。该组特征并不包括所有可能的特征，因此本发明不限于该特定的组。
对于WBC分析，一组示例性的识别特征包括那些已命名的特征:细胞、核、叶数目、细胞面积、核面积、大颗粒比率、核比率、红-绿比、核形状、细胞形状、核亮度、细胞质亮度、特定波长下平均细胞吸收、核纹理、细胞质纹理、特定波长下细胞吸收纹理、核凹陷度和细胞质凹陷度；下文对每一特征进行描述。
在一些例子中，某些特征直接提供了关于特定细胞的信息(例如，核形状)。在另一些例子中，可使用特征(例如，细胞面积)来间接提供关于特定细胞的信息(例如核面积与细胞面积的比率-上文称作“核比率”，等)。
识别特征基于可以计量的特性，例如光强度、光颜色、0D、面积和相对位置(例如形状)。如上文所述，通过一种或多种着色剂与样品混合而形成颜色，当在与特殊颜色相关联的特定波长下受到激发时，着色剂发射荧光。当对全血样品执行LDC时，可使用的可接受的着色剂的一个示例为吖啶橙(“ACO”)。ACO为荧光染料，当其与全血样品混合时，选择性地对样品内的组分(例如，白血细胞、血小板、网状细胞、和有核的红血细胞)染色。关于WBC，ACO穿过各个WBC传输且对其DNA和RNA进行染色。在WBC内染料发出的颜色随着许多因素而变化，包括:染料内的RNA和DNA的量、组分中染料的浓度、以及组分的pH值。本发明不限于使用ACO ;可使用其它染料(例如碱性橙)代替AC0，或者结合ACO使用其它染料。以ACO和白血细胞作为示例，如果样品经受在470nm波长或大约470nm波长的激发光照射，则与白血细胞核内的物质(例如DNA)结合的ACO将发射大约540nm的光(呈现绿色)，而与白血细胞的细胞质内的物质(例如RNA)结合的ACO将发射大约660nm的光(呈现红色)。
如上所述，样品内的OD值通过细胞内自然存在的物质而随着在预定波长处的光的吸收率而变化，和/或可通过样品内的组分而随着所吸收(或未吸收的)的着色剂而变化。
使用各种不同的技术可进行在一个或多个限定的波长下特定组的像素的识别。例如，分割技术可用于生成遮盖的图像，该图像仅描述图像内的符合标准(例如强度和颜色)的那些像素。对于那些仅从图像的绿光部分(例如核)或红光部分(例如细胞质)或者从绿光部分和红光部分得出信息的分析，样品图像可被屏蔽以生成仅描述显示绿色、或红色、或者绿色和红色的那些像素的部分图像，且也可通过预定强度阈值而被区别。本发明不限于任何特定的分割技术，可鉴于即将进行的应用来选择具体的技术。例如，可使用硬分割技术，其中，像素被分配成属于对象或不属于对象。可使用阈值、区域增长或分水岭式程序来执行“硬”分割技术。可替选地，可利用软分割技术，例如“�：狈指睿谀：指钪校渲校恳幌袼乇环峙銸至I范围内的一个值，该值描述具体的像素属于对象的可能性。下文中每一识别特征的描述将提供清晰的示例:诸如与波长和强度相关的定量数据如何能够为将一种WBC与另一种WBC区分提供依据。本发明也不限于使用分割技术，可使用选择(即“拾取”)像素或者区别具有特定属性的像素的其它技术。
术语“细胞”指这样的识别特征:包括图像内的一组基本上连续的像素，该连续的像素相对于整个图像的强度表现出在高强度(即，在预定的IVU阈值处或大于预定的IVU阈值)下发射绿光和/或发射红光。因此，在预定的强度下或高于预定的强度下具有预定的颜色(例如红色和绿色)的那些像素被定量识别。例如，图5A至图示出呈现绿光和红光的样本图像内包含WBC的区域。图9A至图9D示出处于阈值强度或高于阈值强度的区域，即在界定细胞的上述图像内的一组基本连续的像素。
术语“核”指这样的识别特征:包括图像内的一组连续的像素，其相对于整个图像的强度表现出在高强度下发射绿光。如上所述，分割技术可用于生成遮盖的图像，该图像仅描述该图像内在预定的强度阈值下或高于预定的强度阈值下满足发射绿光的定量值标准的那些像素。因此，描述在IVU阈值下或高于IVU阈值下发射绿光的图像内的每组连续的像素的特征为“核”特征。如上文所示，图1OA至图1Od显示了示出核特征的遮盖的图像。
术语“叶”指这样的识别特征:包括图像内的在绿色荧光通道(例如540nm)中为局部最大强度的一组连续的像素。术语“局部最大强度”指具有基本上相同的强度值(即可计量值)的一组像素，该值显著地高于周围的像素。图1lA示出具有单个叶的WBC，其可由显示出局部最大发射强度的单一组的像素识别。图1lC和图1lD示出具有一对叶的WBC。图1lB示出具有三个叶的WBC。图13用曲线图表示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关联的叶数目(即可计量值)的差异。例如，与嗜中性粒细胞相关联的叶数目使该叶数目作为可用于区别嗜中性粒细胞的识别特征。
图13、图14、图16-18、图21-24、和图26_29为描述从WBC图像的训练组收集的经验数据的曲线图。曲线图包括具有概率密度函数(“pdf”)值的纵轴和具有用于特定识别特征的相关可计量数据的横轴。这些曲线很好地示出WBC和各个特征之间的关系，但是本发明不限于这些特定类型的曲线图。例如，概率密度函数是来自训练组的经验数据的统计表示。可替选地，可使用其他统计表示。
“细胞面积”是这样的识别特征:其指图像内的确定为特定细胞的可计量面积。由于每一像素代表图像的已知面积，因此给定细胞或其他组分或成分的面积可通过像素的数目来确定。然而，本发明不限于这种确定细胞面积值的方法。图14示意性地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的细胞面积的差异。例如，与淋巴细胞相关联的细胞面积使细胞面积作为可用于区别淋巴细胞的识别特征。
“核面积”是这样的识别特征:其指图像内的被认为特定核的面积。例如，核面积可以上文所述的方式被确定以确定细胞面积。所确定的核面积的数值提供了核面积的可计量值。
“大颗粒比率”是这样的识别特征:其为细胞内的高蓝OD面积的总和与细胞面积的比率。术语“高蓝OD面积也称为“大颗粒”指图像内的一组连续的像素，该像素的蓝色OD值高于预定的阈值(即可计量值)。通过穿过样品传输约413nm波长的蓝光而产生蓝色OD值。用于确定蓝色OD值的传输蓝光可在约405nm至425nm的范围内。因为血红蛋白(HGB)在波长为413nm或大约413nm时具有峰值吸收率，因此传输约413nm的蓝光是有利的。每个大颗粒表现为在OD图像内的一组明亮像素，并且每个大颗�？赏ü齇D图像内的分割技术被检测，从而遮盖了全部像素，除了那些具有高于预定阈值(例如>300毫0D)的OD的像素外。图15示出细胞内的高蓝OD区域的示例(即嗜酸性粒细胞内的大颗粒)。图12A至图12D还示出在不同类型WBC中具有高蓝OD的像素。至今为止，本研究指出相对于LDC内的所考虑的细胞，在细胞内只有嗜酸性粒细胞具有大量的高强度蓝色OD区域。图16图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关联的大颗粒比率的差异。如可在图16中看到，大颗粒比率是可用于容易地将嗜酸性粒细胞与LDC内的其他组分区别的可计量识别特征。
“核比率”是这样的识别特征:如上文限定的那些特征，“核比率”为核面积与细胞面积的比率。图17图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的核比率(即可计量值)的差异。例如，与淋巴细胞相关联的核比率使核比率作为可用于区别淋巴细胞的识别特征。
“红-绿比”是这样的识别特征:在已识别的细胞内表现出红色荧光的那些像素(或区域)的平均强度值与在已识别的细胞内表现出绿色荧光的那些像素(或区域)的平均强度值的比率(即，各个光的平均值为可计量值)。图6A和图7A (或图6B和图7B、或图6C和图7C、或图6D和图7D)示出特殊类型的细胞的组合的红色荧光和绿色荧光。图6A (或图6B、图6C或图6D)示出的图像是仅仅描述来自红色荧光的成分的部分图像，而图7A (或图7B、图7C或图7D)示出的图像是仅仅描述来自绿色荧光的成分的相同细胞的部分图像。红-绿比是各个颜色的平均强度值的比率。图18图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的红-绿比的差异。例如，与淋巴细胞相关的红-绿比使红-绿比作为可用于区别淋巴细胞的识别特征。
“核形状”是描述核圆度的识别特征。可使用多种几何学方法来确定样本图像内的核的圆度，其中，在图像内该核表现为二维体。例如，对于单个细胞，可使用分割技术来识别与细胞核相关的那些像素(即，那些显示绿色的像素)。一旦核像素被识别，则位于核边界的像素被识别。核的形心(即，被核所覆盖的区域的形心)可通过平均所有的边界像素的位置而被确定。与像素限定的主体接近且以形心为中心的圆被应用于像素主体。图19示出在遮盖的图像内由像素限定的核的示例，以及应用到像素主体上的圆。图20示出相应的边界像素。边界像素的位置被共同地用于确定核的圆度；例如来自接近的圆的边界像素的偏差值(即可计量值)。例如，每个边界像素的位置可通过使边界像素的半径(rBP)与圆的半径(rc)的差值除以圆的半径用标准化术语进行描述Jh麵z CC
如果边界像素位于圆上，则分子(rBP-rc)等于O且偏差为O。来自圆度的偏差(r标 可被作为形状的圆度、例如核的圆度的度量。图21描述了比较统计上大量的淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞的核的圆度的曲线图。该曲线图清晰地示出淋巴细胞内的核的圆度与嗜中性粒细胞、单核细胞和嗜酸性粒细胞的圆度显著不同，从而使核形状成为可用于区别淋巴细胞的识别特征。上文所描述的用于确定核的圆度的技术是可接受的技术的一个示例且出于可行的目的而提供，但本发明不限于该特定的技术。
“细胞形状”是这样的识别特征:该特征评估细胞边界的形状，即图像的二维平面内的细胞的边界像素的分布。上文所描述的用于确定核的圆度的技术可用于确定细胞的细胞形状(例如椭圆、卵形等)。关于细胞形状，优选地使用该技术以确定细胞与形状(即可计量值)、诸如椭圆形的偏差，椭圆形较接近于自然存在的细胞形状。本发明不限于上述技术，或者不限于使用椭圆形状作为近似形状。图22图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的细胞形状的差异。例如，与嗜中性粒细胞相关的细胞形状使细胞形状成为可用于区别嗜中性粒细胞的识别特征。
“核亮度”是这样的识别特征:其量化核内的平均绿色荧光强度值。图7A至图7C示出淋巴细胞、嗜中性粒细胞和嗜酸性粒细胞的核比单核细胞的核(图7D)具有更大的强度(即显得更亮)。上述的强度差异是由于淋巴细胞核、嗜中性粒细胞核和嗜酸性粒细胞核内的染色质的相对密集分布相对于单核细胞核内的染色质的稀疏分布而造成的。在本发明的一些实施方式中，相对于核内的平 均绿色荧光强度值的标准化值而确定核亮度。该标准化的值有助于解释样品的内的多变性，例如样品内的不均匀染色。用于使强度值标准化的准确的技术可变化以适合即将进行的应用，并且本发明不限于任何特定的标准化方法。例如，在一些例子中，核内的平均绿色荧光强度值的强度值可相对于相邻细胞的强度值或者相对于整个样品的细胞的强度值而被标准化。
“细胞质亮度”是量化细胞质内的平均红色荧光强度值的识别特征。图6A至图6D示出某些细胞的细胞质区域发出的红色荧光的强度。淋巴细胞的细胞质发出的红光强度低于单核细胞的细胞质发出的红光强度。而单核细胞的细胞质发出的红光强度低于嗜中性粒细胞和嗜酸性粒细胞的细胞质发出的红光强度。如上所指出，在本发明的一些实施方式中，相对于标准化值、例如细胞内的标准化的平均红色荧光强度值，来确定亮度值。用于使强度值标准化的准确的技术可变化以适合即将进行的应用，并且本发明不限于任何特定的标准化方法。
“在给定波长下的平均细胞吸收”是这样的识别特征:其量化与穿过细胞传输的给定波长的蓝光相关的细胞的平均OD (例如“平均蓝色OD强度”)。如上文所指出，传输的蓝光可在约405nm至425nm的范围内，并且，因为在波长为413nm或约413nm时血红蛋白具有峰值吸收，因此约413nm的传输蓝光是有利的。为了量化细胞的平均蓝色OD强度，约413nm波长的蓝光传输通过各个细胞。基于每一像素确定与蓝光相关的0D。图9A至图9D分别描述各个细胞的遮盖形式，其中除了具有大于预定阈值的红色荧光强度值或绿色荧光强度值的那些像素外，全部被遮盖。各个细胞的遮盖部分内的OD的平均值(即，与413nm波长相关的0D)被确定。图8A至图8D示出由穿过各个细胞传输的上述光产生的蓝色OD的图像。为了促进图8A至图8D的评估，在每一图像中绘出环绕线，该线指示外部区域和内部区域之间的边界(此处平均细胞吸收被确定)。图23图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的在413nm下的平均细胞吸收的差异。例如，与嗜酸性粒细胞相关的在413nm下的平均细胞吸收使在413nm下的平均细胞吸收成为可用于区别嗜酸性粒细胞的识别特征，这在图8A至图8D中也是明显的。
“核纹理”是这样的识别特征:其量化细胞的核区域内发出的绿色荧光的“纹理”。术语“纹理”用于指通常基于每一像素的细胞的核内的绿色荧光的变化性。可使用数个不同的技术以量化核纹理。例如，每一像素的平均标准化绿色强度值的标准偏差可被用于量化核纹理。通过识别细胞内的发射绿色荧光的全部像素且将具有最低强度的像素赋予任意值O且将具有最高强度的像素赋予值I，可确定标准化的绿色荧光强度值。可使用已知技术从那些值计算强度值(即可计量的值)的标准偏差。图24图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的核纹理的差异。例如，与淋巴细胞相关的核纹理使核纹理成为可用于区别淋巴细胞的识别特征。
“核凹陷度(hollowness)”是附加于核纹理或者替代核纹理使用的识别特征。核凹陷度是绿色荧光图像中的位于细胞内部的一组像素的强度(即可计量值)与位于细胞外部的一组像素的强度(即可计量值)的比率。“外部”和“内部”的定义可例如基于经验数据被改变以适合即将进行的应用。例如，外部可被限定为位于细胞的边界处的一些像素的带，例如当像素尺寸为大约0.5 μ m时在细胞的边界处三个像素的带。因此，内部可为细胞内与外部不同的区域。图25A包括绿色通道中的细胞核以示出核的内部与核外部之间的强度的差异。图25B包含相似的图像，且包括环绕线以促进内部和外部的识别。内部组和外部组的像素的相对强度使得在一些嗜中性粒细胞中内部像素的强度在数量上通常小于外部像素的强度。图25A和图25B示出绿色通道图像和红色通道图像，其中图25A示出核中出现的像孔一样的暗淡部分。图26图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的“核凹陷度”的差异。例如，与嗜中性粒细胞相关的“核凹陷度”具有比其他类型的细胞大的值，其使“核凹陷度”成为可用于区别嗜中性粒细胞的识别特征。
“细胞质纹理”是量化细胞的细胞质内发射的红色荧光的“纹理”的识别特征。术语“纹理”用于指通常基于每一像素的细胞的细胞质内的红色荧光的变化性。可使用多个不同的技术量化细胞质纹理。例如，每一像素的平均标准化红色强度值的标准偏差可被用于量化细胞质纹理。通过识别细胞内的发射红色荧光的全部像素且将具有最低强度的像素赋予任意值O而将具有最高强度的像素赋予值I，可确定标准化的红色荧光强度值。使用已知技术从那些值可计算强度值的标准偏差。图27图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的细胞质纹理的差异。例如，与嗜中性粒细胞相关的细胞质纹理使细胞质纹理成为可用于区别嗜中性粒细胞的识别特征。
以与上文所描述的关于核纹理和核凹陷度类似的方式，“细胞质凹陷度”是可附加于细胞质纹理或者替代细胞质纹理使用的识别特征。细胞质凹陷度是红色荧光图像中的位于细胞质内部的一组像素的强度(即可计量值)与位于细胞质外部的一组像素的强度的比率。内部组和外部组的像素的相对强度使得在嗜中性粒细胞和嗜酸性粒细胞中内部像素的强度在数量上通常小于外部像素的强度。图28图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的“细胞质凹陷度”的差异。例如，与嗜中性粒细胞相关的“细胞质凹陷度”大于与淋巴细胞和单核细胞相关的细胞质凹陷度，但是小于与嗜酸性粒细胞相关的细胞质凹陷度，从而使“细胞质凹陷度”成为可用于区别嗜中性粒细胞的识别特征。
“在给定波长下的细胞吸收纹理”是这样的识别特征:其量化与穿过细胞传输的给定波长的蓝光相关的细胞的OD值的纹理，该OD是基于每一像素进行感测的。如上文所指出，传输的蓝光可在约405nm至425nm的范围内，并且，因为在波长为413nm或约413nm时血红蛋白具有峰值吸收，因此约413nm的传输蓝光是有利的。“纹理”指细胞内的OD值的变化性。也如上文所指出，可使用多个不同的技术量化纹理，例如，与413nm的蓝光相关的OD值的标准偏差。图29图解地示出与淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞相关的在413nm下的细胞吸收纹理的差异。例如，与嗜酸性粒细胞相关的在413nm下的细胞吸收纹理使在413nm下的细胞吸收纹理成为可用于区别嗜酸性粒细胞的识别特征。
上文的每一特征的描述代表可计量值，通过该可计量值可评估细胞的特征。本发明不限于可计量值的特定识别形式。例如，红-绿比可被描述为:已识别的细胞内表现为红色荧光的那些像素(或区域)的平均强度值与在已识别的细胞内表现为绿色荧光的那些像素(或区域)的平均强度值的比率。如括号内的“或区域”所指出，红-绿比可根据区域或者像素(每一像素代表样品图像内的区域)的比率进行描述，在该区域内，各个光的强度值满足预定的阈值。
如上所述，在执行LDC的算法内，可程控分析仪适于利用识别特征，例如上文所述描述的那些识别特征。通过上述特征而提供的定量信息可以多种不同的方式进行处理以提供与LDC相关的信息。
例如,在一些实施方式中，可程控分析仪适于包括基于规则的分类器，其相对于一个或多个特征评估样品图像且使用这种评估对样品内的细胞进行分类。如上文所述，每一特征是可根据定量值描述的。根据特征评估样品图像内的一些细胞或全部细胞，即从样品图像确定该特征的定量值。然后，相对于(做比较)用于该特征的基准值评估所确定的定量值，以确定该细胞是否是WBC的特定类型。随后，对于所考虑的每一种类型的特征，进行确定定量值且将定量值与基准值比较的过程(例如，根据即将进行的分析，一些分析可能不用考虑全部的特征)。例如，为了评估特定的细胞图像，分类器可首先考虑细胞面积特征。如果所确定的细胞面积值低于预定的细胞面积值(例如60)，则分类器所应用的规则可规定排除某些WBC类型而包括其他WBC类型；例如参见图14，其中淋巴细胞示出低于60 (以pdf表示)的面积，而嗜酸性粒细胞、单核细胞和嗜中性粒细胞分别具有大于60的面积。在文中使用的术语“排除”是指在统计上不可能的，而术语“包括的”是指相反含义-统计上可能的。然后，基于规则的分类器可评估细胞图像以确定叶的数目。如果所确定的叶的数目等于或大于预定值(例如2)，则分类器所应用的规则将说明某些WBC类型被排除而其他WBC类型被包括在内；参见图13，其示出单核细胞和嗜中性粒细胞具有两个叶或更多叶的可能性大于淋巴细胞，但仍基本上高于嗜酸性粒细胞。然后，基于规则的分类器可评估细胞图像以确定在给定波长下平均细胞吸收的定量值。如果所确定的在给定波长下(例如413nm)的平均细胞吸收值高于预定的阈值(例如约215)，则分类器所应用的规则将说明某些WBC类型被排除在外而其他WBC类型被包括在内；例如，参见图23，该图示出高于约215的值的嗜中性粒细胞、单核细胞和淋巴细胞可被排除在外，且仅有嗜酸性粒细胞可被包括在内。因此，通过确定所考虑的每一特征的定量值，以及随后使用某些规则评估那些值，基于规则的分类器对WBC类型(即嗜酸性粒细胞)做出基于定量的确定。
在来自特定对象的样品总体内，WBC类型的每一识别特征的定量值可在某种程度上发生变化，且还也在对象之间发生变化。例如，本发明通过利用多个特征评估细胞图像，来解释这种变化性。通过使用多于一个特征来评估和识别细胞，本方法降低了任何具体特征对评估的精确度产生负面影响的可能性。图30中提供的表格示出了与特定类型的WBC相关的成组的主要区别特征。这些特征分组是可用于在四部分LDC内将一种WBC与另一种WBC明显区别的组的示例。该变化性也可通过选择性调整与每一特征相关的基准定量值的幅值来说明。
在一些实施方式中，可程控分析仪适于包括基于学习模型的分类器。图31是示出与基于学习模型的分类器相关的过程的示例的流程图。从流程图中可以看出，训练样品图像用于训练分类器，而受过训练的分类器反过来构建学习模型。一旦建立学习模型，则利用该模式评估与来自样品的细胞图像相关的特征(例如，如上文所描述的那些特征)，以及基于那些特征将细胞分类为WBC的具体类型。
对于LDC内的每一类型的可识别的WBC，根据经验(例如由专业技术人员)采集训练样品图像。例如，图32示出来自训练组的12个淋巴细胞图像；且图33、图34和图35分别示出单核细胞、嗜酸性粒细胞和嗜中性粒细胞的训练组的示例。出于训练目的，对于每一WBC类型，选择每一组中的细胞图像的数目以提供充分的数据，即提供充分的数据以使分类器受到训练从而对于分析类型来说具有可接受的精确度水平。在该实施方式内所使用的学习模型不限于任何特定尺寸的训练组。训练组经�？砂砂俚匠汕Ц龈骼嘈偷腤BC以如实地表示在不同人、不同成像条件等中的变化性。
通过定量地评估训练组内的每一细胞图像可训练分类器(和建立学习模型)，以确定每一细胞的每一特征的基准定量值，然后确定训练组的每一特征的共同的基准定量值(或基准值的统计学表示；例如概率密度函数)。然后，共同的基准定量值(或基准值的统计学表示)可用于建立学习模型。图13、图14、图16至图18、图21至图24、和图26至图29图解地描述了对于与每一特征相关的淋巴细胞、单核细胞、嗜酸性粒细胞和嗜中性粒细胞，基于训练组的与所述特征相关的概率密度函数。学习模型允许本申请基于实际的图像数据和该图像数据的自动解释进行调整从而提供所需的精确度。
本发明不限于任何特定类型的学习模型。可接受类型的学习模型的示例包括诸如贝叶斯分类器的统计模型、诸如支持向量机(SVM)的线性模型、以及诸如多层感知器的神经网络模型。就贝叶斯分类器模型来说，贝叶斯模型可利用上文描述的用于每一特征的概率密度函数来实现，以计算每一 WBC类型的后验分布。在考虑相关的证据(例如，计算的特征)后，每一后验分布描述了一个事件(例如，特定WBC的发生)的条件概率。因此，贝叶斯模型评估后验分布以确定哪一个WBC具有最大的后验分布。所评估的细胞图像被标记为与具有最大的后验分布的WBC相同的类型。贝叶斯概率模型是熟知的且本发明不限于与贝叶斯模型相关的任何特定的数学方法。详细描述贝叶斯模型的文章的示例为R.0.Duda, P.E.Hart和 D.G.Stork 发表于 John ffiley&Sons (2001)的“Pattern Classification”,其全部内容通过引用并入文中。
支持向量机(“SVM”)为线性分类器，其利用为特征而建立的训练样品且组织该训练样品以确定在η维空间中数据是否是可线性分离的。如果数据是通过在特征数据组之间延伸的η-l维超平面可线性分离的，则数据可根据其相对于超平面的位置而被分类。通过使用与来自每一数据组的数据点一致的支持向量，可选择超平面相对于数据的最佳位置。一旦确定最佳超平面位置(即，在该位置处超平面和最近的数据点/支持向量之间的边界最大)，则超平面的位置成为用于区别WBC的机构，S卩，位于超平面的一侧上的数据点与特定类型的WBC相关，而位于超平面的另一侧的数据点与另一类型的WBC相关。就SVM来说，超平面可被认为是两维的、三维的或更高维的“基准值”。在概率信息不可线性分离的某些例子中，有时可能使用数据操作技术(通常称为“核技巧”)，其中，可以使用非线性函数(例如多项式函数或RBF核函数)重新组织数据。重新组织的数据允许超平面的定位、以及随后确定WBC类型。SVM类型分类器是熟知的且本发明不限于其任何特定的实施方式。详细描述SVM类型的分类器的文章的示例为B.Ε.Boser, 1.Μ.Guyon和V.N.Vapnik发表的“A Training Algorithm for Optimal Margin Classifiers，，，In D.Haussler,编辑，5thAnnual ACM Worshop on COLT,第 144-152 页，Pittsburgh, PA, 1992, ACM Press ；以及C.J.C.Burges 的“A Tutorial on Support Vector Machines for Pattern Recognition，，，Data Mining and Data Knowledge Discovery, 2:121-167,1998,每一文章的全部内容在此通过引入并入文中。
如上文所指出，本发明不限于使用任何特定的学习模型。在一些例子中，可使用的模型的组合。例如，在某些应用中可实现基于规则的分类器以形成数据的最初组织。可以使用诸如上文所述的SVM模型的学习模型来分析其余的数据。
在本发明的操作中，将未稀释的全血样品采集到例如图3所示的一次性盒中。包括一种或多种着色剂(例如ACO)和抗凝血剂(例如EDTA)的试剂，被添加到样品中以促进LDC分析。将与试剂混合的样品置于盒的分析腔部分中，在成像过程期间样品静止地位于该盒中。将盒插入(或者接合)到分析装置中，通过盒固定和操作装置将盒相对于物镜、样品照明器和析像管合适地定位，随后进行成像。
在多数情况下，分析装置被程控以对静止地置于腔内的全部样品进行成像。然而，在一些应用中，可对样品的一部分进行成像。成像方法可根据即将进行的应用而变化。对于上述的四部分LDC，成像方法包括使样品受到荧光激发光源(例如来自落射荧光光源的约470nm的光)和透射光源(例如413nm或约413nm的蓝光)照射。激发光源导致与位于样品内的成分结合的着色剂发出两个不同的波长的荧光(例如，发出约660nm的红光，发出约540nm绿光)。一定量的透射光穿过样品，而剩余的光被样品/着色剂吸收。析像管捕获穿过样品传输的光和来自样品的发荧光的光，并且提供了代表所捕获的光的强度和颜色的信号。该信号被处理成允许可程控分析仪基于信号形成样品图像的形式，该图像可被定量分析以执行四部分LDC。
如上文指出，在本发明一些实施方式中，可程控分析仪适用于包括学习模型的算法。使用训练组建立模型，一旦该模型建立则可用于精确地识别样品内的WBC，且将WBC分类为淋巴细胞、单核细胞、嗜酸性粒细胞或嗜中性粒细胞。可从原本提供特定分析装置中的算法(包括那些利用学习模型的算法)，并且将该算法下载到该特定分析装置的可程序分析仪中。
参照图30和图31，在定量分析样品图像时，算法识别图像内的WBC。为了促进和/或加速分析，样品图像可被遮盖(例如通过分割)以去除除了那些被识别为细胞的部分外的全部样品图像。依据一个或多个特征(例如，参见在图30中所公开的特征分组)，且通常基本上依据全部特征，定量评估被识别为细胞的图像部分。对于每一特征，在算法(例如，学习模型部分)内利用每一细胞的定量值(或概率密度函数)分类细胞。一旦细胞被分类和计数，则数据被组织以提供LDC数据。
对本发明方法和装置的精确度的初步研究显示出高的精确度。初步研究利用来自总共62个对象的样品，并且将使用本发明所确定的每一样品的WBC识别结果与通过训练的血液学家手动检测样品所得到的样品分析结果相比较。从每一样品中评估了 500个至1000个细胞的组。样品的两次分析中的线性回归分析表明:对于嗜中性粒细胞、淋巴细胞、单核细胞和嗜酸性粒细胞，R2值显示手动分析结果与来自根据本发明的分析装置的结果之间相差很小。
尽管已经根据本发明的详细实施方式示出和描述了本发明，但是本领域技术人员应该理解在不偏离本发明的精神和范围的情况下，本发明可进行形式和细节上的各种修改。
权利要求
1.一种用于识别全血样品内的至少一种类型的白血细胞WBC的方法，所述方法包括以下步骤: 将至少一种着色剂添加到所述全血样品中，该着色剂可操作以将至少一种类型的WBC与另一类型的WBC区别地识别出； 将所述全血样品置入腔中，该腔由至少一个透明板限定； 产生静止地位于所述腔内的所述样品的至少一个图像； 识别所述样品图像内的WBC ； 相对于一个或多个预定的可定量确定的特征，定量分析所述图像内的至少一些所识别的 WBC ； 使用所述可定量确定的特征，从所识别的WBC中识别至少一种类型的WBC。
2.根据权利要求1所述的方法，其中，定量分析至少一些所识别的WBC的步骤包括基于光强度、光色、光密度和几何形状中的一个或多个来评估所识别的WBC。
3.根据权利要求2所述的方法，其中，所述一个或多个预定的可定量确定的特征包括叶数目、大颗粒比率、核比率、红-绿比、核亮度和细胞质亮度中的一个或多个。
4.根据权利要求3所述的方法，其中，所述可定量确定的特征中的核亮度包括步骤:量化核内的绿色荧光强度值和确定平均的绿色荧光值。
5.根据权利要求3所述的方法，其中，所述可定量确定的特征中的细胞质亮度包括步骤:量化WBC中的细胞质内的红色荧光强度值和确定平均的红色荧光值。
6.根据权利要求2所述的方 法，其中，所述一个或多个预定的可定量确定的特征包括在给定波长下的平均细胞吸收和在给定波长下的细胞吸收纹理中的一个或多个。
7.根据权利要求6所述的方法，其中，所述可定量确定的特征中的在给定波长下的细胞吸收纹理包括步骤:确定与405nm至425nm的波长范围内的光相关的光密度值和确定所确定的光密度值的统计学平均偏差。
8.根据权利要求2所述的方法，其中，所述一个或多个预定的可定量确定的特征包括细胞面积和/或核面积。
9.根据权利要求2所述的方法，其中，所述一个或多个预定的可定量确定的特征包括核纹理和/或细胞质纹理。
10.根据权利要求9所述的方法，其中，所述可定量确定的特征中的核纹理包括步骤:量化核内的绿色荧光强度值和确定所确定的绿色荧光强度值的统计学偏差。
11.根据权利要求9所述的方法，其中，所述可定量确定的特征中的细胞质纹理包括步骤:量化WBC中的细胞质内的红色荧光强度值和确定所确定的红色荧光强度值的统计学平均偏差。
12.根据权利要求2所述的方法，其中，所述一个或多个预定的可定量确定的特征包括核凹陷度和/或细胞质凹陷度。
13.根据权利要求2所述的方法，其中，所述识别所述样品图像内的WBC的步骤包括使用分割技术识别所述样品图像内的WBC。
14.根据权利要求1所述的方法，其中，相对于一个或多个特征定量分析所述图像内的至少一些所识别的WBC的步骤包括:确定用于所述图像内的至少一些所识别的WBC中的每一种WBC的所述一个或多个特征中的每一个特征的定量值。
15.根据权利要求14所述的方法，其中，对于与WBC类型相关的训练图像组，确定所述一个或多个预定的可定量确定的特征中的每一个特征。
16.根据权利要求14所述的方法，其中，相对于一个或多个预定的可定量确定的特征定量分析所述图像内的至少一些所识别的WBC的步骤还包括:使用基于规则的分类器来比较所确定的定量值。
17.根据权利要求14所述的方法，其中，相对于一个或多个预定的可定量确定的特征定量分析所述图像内的至少一些所识别的WBC的步骤还包括:使用基于学习模型的分类器来评估所确定的定量值。
18.根据权利要求17所述的方法，其中，所述基于学习模型的分类器为贝叶斯分类器。
19.根据权利要求17所述的方法，其中，所述基于学习模型的分类器为支持向量机线性分类器。
20.根据权利要求17所述的方法，其中，所述基于学习模型的分类器为神经网络模型。
21.根据权利要求1所述的方法，其中，从所识别的WBC中识别至少一种类型的WBC的步骤包括:识别淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞中的一种或多种。
22.根据权利要求21所述的方法，其中，使用叶数目、细胞面积、核比率和核形状中的一个或多个特征来识别淋巴细胞。
23.根据权利要求21所述的方法，其中，使用叶数目、细胞面积、核比率和核形状中的一个或多个特征来识别嗜中性粒细胞。
24.根据权利要求21所述的方法，其中，使用叶数目、细胞面积和核比率中的一个或多个特征来识别单核细胞。
25.根据权利要求21所述的方法，其中，使用给定波长下的平均细胞吸收、给定波长下的细胞吸收纹理和大颗粒比率中的一个或多个特征来识别嗜酸性粒细胞。
26.一种用于分析静止地位于腔内的全血样品的装置，包括: 物镜； 样品照明器，所述样品照明器可操作以提供激发荧光和一种或多种透射光； 析像管，所述析像管适于接收来自所述样品的发荧光的光和穿过所述样品传输的光中的一种或两种，并且生成代表这种光的信号`；和 可程控分析仪，所述可程控分析仪适于接收代表所述光的信号且产生静止地位于所述腔内的所述样品的至少一个图像，且还适于定量分析所述图像以识别所述图像内的白血细胞(WBC)，相对于一个或多个预定的可定量确定的特征定量分析所述图像内的至少一些所识别的WBC，以及使用所述可定量确定的特征从所识别的WBC中识别至少一种类型的WBC。
27.根据权利要求26所述的装置，其中，所述一个或多个预定的可定量确定的特征中的每一个特征基于光强度、光色、光密度和几何形状中的一个或多个。
28.根据权利要求27所述的装置，其中，所述一个或多个预定的可定量确定的特征包括叶数目、大颗粒比率、核比率、红-绿比、核亮度和细胞质亮度中的一个或多个。
29.根据权利要求27所述的装置，其中，所述一个或多个预定的可定量确定的特征包括在给定波长下的平均细胞吸收和在给定波长下的细胞吸收纹理中的一个或多个。
30.根据权利要求27所述的装置，其中，所述一个或多个预定的可定量确定的特征包括细胞面积和/或核面积。
31.根据权利要求27所述的装置，其中，所述一个或多个预定的可定量确定的特征包括核纹理和/或细胞质纹理。
32.根据权利要求27所述的装置，其中，所述一个或多个预定的可定量确定的特征包括核凹陷度和/或细胞质凹陷度。
33.根据权利要求26所述的装置，其中，所述分析仪适于确定用于所述图像内的至少一些所识别的WBC中的每一种WBC的所述一种或多种特征中的每一种特征的定量值。
34.根据权利要求33所述的装置，其中，对于与WBC类型相关的训练图像组，计算所述一个或多个预定的可定量确定的特征中的每一个特征。
35.根据权利要求33所述的装置，其中，所述分析仪适于使用基于规则的分类器和/或基于学习模型的分类器来评估每一个确定的定量值。
36.根据权利要求35所述的装置，其中，所述基于学习模型的分类器为贝叶斯分类器、支持向量机线性分类器或神经网络模型。
37.根据权利要求26所述的装置，其中，所述分析仪适于识别WBC中的淋巴细胞、嗜中性粒细胞、单核细胞和嗜酸性粒细胞类型中的一种或多种。
38.一种用于识别生物样品内的一种或多种目标组分的方法，包括以下步骤: 将至少一种着色剂添加到所述生物样品中，该着色剂可操作以区别所述样品内的目标组分； 将所述样品置入腔中，该腔由至少一个透明板限定； 产生静止地位于所述腔内的所述样品的至少一个图像； 识别所述样品图像内的目标组分； 相对于一个或多个预定的可定量确定的特征，定量分析所述图像内的至少一些所识别的目标组分； 使用所述可定量确定的特征，在所识别的目标组分内识别至少一种类型的目标组分。
全文摘要
提供了用于识别生物样品内的一种或多种目标组分(例如白血细胞)的方法和装置。所述方法包括以下步骤a)将至少一种着色剂添加到所述样品中；b)将所述样品置于腔内，所述腔由至少一个透明板限定；c)产生静止地位于所述腔内的样品的至少一个图像；d)识别所述样品图像内的目标组分；e)相对于一个或多个预定的可定量确定的特征，定量分析所述图像内的至少一些所识别的目标组分；和f)使用所述可定量确定的特征，在所识别的目标组分内识别至少一种类型的目标组分。
文档编号G01N33/50GK103154732SQ201180048525
公开日2013年6月12日 申请日期2011年8月5日 优先权日2010年8月5日
发明者大卫·赫尔佐格, 王志洲, 史蒂芬·沃德劳, 谢敏 申请人:艾博特健康公司
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
