紅細胞形態學分析裝置及其方法:專利背景,發明內容,專利目的,技術方案,有益效果,附

《紅細胞形態學分析裝置及其方法》是長沙高新技術產業開發區愛威科技實業有限公司於2011年9月16日申請的發明專利，該專利的申請號為2011102752536，公布號為CN102359938A，公布日為2012年2月22日，發明人是丁建文、周豐良、梁光明。

《紅細胞形態學分析裝置及其方法》其可將樣本置於自動顯微鏡下放大後由CCD採取樣本中各細胞形態學圖像，並經圖像數字轉換器數位化後，進行圖像分割定位和目標特徵參數提取，通過建立在神經網路基礎上的分類器分離出各紅細胞的形態學特徵參數，再通過建立在模糊聚類基礎上的特徵融合器對各類紅細胞形態特徵參數數據進行歸一化處理、對得到的每一類歸一化參數分別進行統計分析，或根據幾類參數進行綜合統計分析，並以圖形或數表的方式表達出來，以此來判斷紅細胞的形態是否正常，通過對各類異常形態紅細胞的檢測可以鑑定紅細胞來源和性質。

2014年11月6日，《紅細胞形態學分析裝置及其方法》獲得第十六屆中國專利優秀獎。

（概述圖為《紅細胞形態學分析裝置及其方法》摘要附圖）

基本介紹

中文名：紅細胞形態學分析裝置及其方法
公布號：CN102359938A
公布日：2012年2月22日
申請號：2011102752536
申請日：2011年9月16日
申請人：長沙高新技術產業開發區愛威科技實業有限公司
地址：湖南省長沙市長沙高新開發區火炬城M1組團4樓
發明人：丁建文、周豐良、梁光明
分類號：G01N21/17（2006.01）I；G01N21/27（2006.01）I；G06N3/02（2006.01）I
代理機構：長沙正奇專利事務所有限責任公司
類別：發明專利
代理人：何為、李宇

專利背景,發明內容,專利目的,技術方案,有益效果,附圖說明,權利要求,實施方式,榮譽表彰,

專利背景

早在1852年就有人開始設計紅細胞的計數方法，1855年發明了用於計數紅細胞的計數板。1947年美國科學家庫爾特（W.H.Coulter）發明了用電阻法計數粒子的專利技術。並在1956年將這一技術套用於紅細胞計數獲得成功。隨著科學技術的日新月異，各種新的檢測紅細胞數目的手段不斷湧現。2011年9月前套用的研究開發手段主要有：電容式、光電式與雷射式、離心式、電阻式及各種方式的聯合式。到2011年9月為止已經有許多國家開始生產各種類型的紅細胞分析儀，經過半個多世紀的發展，這種儀器已經有了非常明顯的進步。紅細胞的分類變得細緻，計數變得越來越精確。但是，紅細胞形態學分析的紅細胞參數都是通過計算平均值來獲得，比如用作貧血的形態學分類參數平均紅細胞體積（meancorpus cular volume，MCV）、平均紅細胞血紅蛋白含量（meancorpus cular hemoglobin，MCH）、平均紅細胞血紅蛋白濃度（meancorpus cular hemoglobin concentration，MCHC）都是根據紅細胞、血紅蛋白濃度和紅細胞比容結果，計算而得，不是實際測得的數值，這樣紅細胞數、血紅蛋白含量、紅細胞比容的測定數據必須準確，否則得到的形態學分類參數的誤差很大。

人工鏡檢是經典的檢測方法，其通過顯微鏡，使用目鏡上的測微尺來人工測量每個紅細胞直徑大小，再對數據進行分析，進而作出判斷。但人工鏡檢方法工作人員工作量大，由於疲勞容易引起誤判；工作效率低，速度慢，有可能延誤病人的診斷。

因此，如何使紅細胞計數更快、更準、更節約成本，是2011年9月前醫院臨床檢驗中面臨的問題。

發明內容

專利目的

《紅細胞形態學分析裝置及其方法》所要解決的技術問題是，針對2011年9月前已有技術不足，提供一種運用形態學特徵參數及神經網路對樣本中紅細胞的來源和性質進行統計學方法表達，以供相關人員參考判斷紅細胞形態是否正常，輔助鑑定紅細胞來源和性質的紅細胞形態學分析裝置及其方法。

技術方案

《紅細胞形態學分析裝置及其方法》所採用的技術方案是：一種紅細胞形態學分析裝置，其包括：

a.一自動顯微鏡，該自動顯微鏡的低倍物鏡頭對所設定區域的樣本進行掃描，對發現的目標區域予以標記，並同時由該自動顯微鏡的高倍物鏡頭對已標記區域進行掃描；

b.一攝像機或CCD元件，該攝像機或CCD元件對已標記區域進行圖像信息採集；

c.一用以對上述圖像進行分析處理的圖像數字轉換器，該圖像數字轉換器先將採集的圖像根據所含的紅細胞進行分割定位，再對分割後的圖像進行數位化處理，即提取各紅細胞的大小、形狀、色度及紋理四類形態學特徵參數；

d.一建立在神經網路基礎上的分類器，用於根據上述步驟取得的各細胞的大小、形狀、色度及紋理四類形態學特徵參數，從各類細胞中分離出紅細胞；

e.一建立在模糊聚類基礎上的特徵融合器，該特徵融合器用於將上述步驟分離出的紅細胞的大小、形狀、色度及紋理四類多維形態學特徵參數進行歸一化降維處理得到大小、形狀、色度及紋理4個特徵值，再根據標本中所有紅細胞的大小、形狀、色度、紋理特徵分別進行統計計算和統計圖形表達，為分析樣本中紅細胞類別及來源提供真實客觀依據；

f.一輸出設備，用於直觀顯示檢測結果；

g.一控制單元，該控制單元分別連線上述自動顯微鏡、攝像機或CCD元件、圖像數字轉換器及輸出設備，以控制該自動顯微鏡、攝像機或CCD元件、圖像數字轉換器及輸出設備動作。

該輸出設備表達出各種類型紅細胞所特有的代表紅細胞中央區大小、形狀、色度和紋理的特徵參數數據組合，樣本中紅細胞的分析鑑定方法，是根據紅細胞中央區特徵的改變來判斷樣本中紅細胞的來源或紅細胞的類型。

樣本中紅細胞形態學分析方法，是參照臨床確認的代表不同意義的各種類型紅細胞具有不同的形態學特徵參數數據，據此進行識別分類計數，再根據樣本中各類型紅細胞某一形態學特徵參數數據組合占總紅細胞的同類形態學特徵參數數據組合的比例經統計學處理後以圖形或數據方式表達。

作為其中的分析方法和檢測手段，將樣本中各類型紅細胞的兩種以上的紅細胞形態學特徵參數組合用統計學方法綜合分析，得到樣本中各類型紅細胞多參數分析結果，根據其改變判斷紅細胞形態學變化，通過圖形和數據直觀的表達出樣本中紅細胞形態學變化類型。

利用該裝置進行紅細胞分析所表達的相同的結果，在不同的樣本中具有不同的臨床意義，如樣本中出現小體積低色素紅細胞時，該裝置分析出的結果是單個紅細胞體積小、色度低，總紅細胞形態特徵參數以表示大小的參數組合為橫坐標，表示色度的特徵參數數據為縱坐標的形態學分析圖形表達為紅細胞分布寬度增加往左偏移，紅細胞分布區域向下移，表達為向左分散向下沉的紅細胞形態分布圖，此類圖形在血液樣本中出現提示一種類型貧血，如果在尿液樣本中出現並占一定比例則意味著來源於腎性紅細胞；如樣本中出現大體積高色素紅細胞時，該裝置分析出的結果是單個紅細胞體積大、色度高，總紅細胞形態特徵參數以表示大小的參數組合為橫坐標，表示色度的特徵參數數據為縱坐標的形態學分析圖形表達為紅細胞分布寬度增加往右偏移，紅細胞分布區域向上移，表達為向右分散向上升的紅細胞形態分布圖，此類圖形在血液樣本中出現提示另一種類型貧血，如果在尿液樣本中出現並占一定比例則意味著來源於非腎性紅細胞。

該發明還公開了一種紅細胞形態學分析方法，其包括下列步驟：

步驟1：用自動顯微鏡的低倍物鏡頭對所設定區域的樣本進行掃描，對發現的目標區域予以標記，並同時由該自動顯微鏡的高倍物鏡頭對已標記區域樣本進行掃描；

步驟2：用攝像機或CCD元件對已標記區域樣本進行圖像信息採集；

步驟3：用圖像數字轉換器對採集的圖像先根據所含的細胞進行分割定位，再對分割後的圖像進行數位化處理，即提取各細胞的形態學特徵參數，用大小、形狀、色度以及紋理四類特徵來描述各細胞；

步驟4：將上述步驟取得的各細胞的大小、形狀、色度及紋理四類形態學特徵參數輸入建立在神經網路基礎上的分類器，由該分類器從各類細胞中分離出紅細胞大小、形狀、色度及紋理四類形態學特徵參數；

步驟5：將步驟4分離出來的紅細胞的大小、形狀、色度以及紋理四類形態學特徵參數輸入建立在模糊聚類基礎上的特徵融合器，由該特徵融合器將每一類多維形態學特徵參數進行歸一化處理，得到一維特徵向量；

步驟6：將每個標本中所有紅細胞的每一類歸一化特徵量經輸出設備顯示出來，即得出每一類歸一化特徵參數的統計學圖表。

上述紅細胞形態學分析方法，還包括步驟7：根據樣本中各類型紅細胞占總紅細胞數的比例經統計學處理，以圖形或數據方式表達，對樣本中紅細胞進行分析鑑定；

上述紅細胞形態學分析方法，還包括步驟8：對每一類經過歸一化的形態學特徵向量，通過給出一個特徵量閥值，計算高於或者低於閥值的紅細胞占樣本總紅細胞同類形態學特徵參數數據組合的比例，經統計學處理後以圖形或數據方式表達，以提供對樣本中紅細胞進行分析鑑定的客觀依據。

該建立在神經網路基礎上的分類器包括一反饋過程，該反饋過程是對分類出來的可疑目標及識別錯誤目標進行細化、分類、補充特徵參數，並建立相應的數學模型，對神經網路進行訓練，神經網路自動學習並記憶該些細化、分類、補充的特徵參數進入模型資料庫，再返回基於神經網路的分類器進行細胞分類。

步驟6中得出的歸一化的大小特徵向量表達出各種類型紅細胞所特有的代表大小的特徵參數數據組合，樣本中紅細胞分析鑑定方法，可根據紅細胞大小分布與正常的紅細胞的大小分布進行比對，根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

步驟6中得出的歸一化的形狀特徵向量表達出各種類型紅細胞所特有的代表形狀的特徵參數數據組合，樣本中紅細胞的分析鑑定方法，可根據紅細胞形狀特徵參數的變化來判斷樣本中紅細胞的來源或紅細胞的類型。

步驟6中得出的歸一化的色度特徵向量表達出各種類型紅細胞所特有的代表色度的特徵參數數據組合，樣本中紅細胞的分析鑑定方法，可根據紅細胞色度與正常的紅細胞色度進行比對根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

步驟6中得出的歸一化的紋理特徵向量表達出各種類型紅細胞所特有的代表紋理的特徵參數數據組合，樣本中紅細胞的分析鑑定方法，可根據紅細胞紋理特徵參數的變化來判斷樣本中紅細胞的來源或紅細胞的類型。

對樣本中紅細胞的分析鑑定，單獨採用其中任意一條來分析，或綜合採用其中的多條來分析。

有益效果

該發明將樣本（血、尿）置於顯微鏡下放大後由CCD採取樣本中各細胞形態學圖像並通過數字圖像處理後得到各細胞的形態學特徵參數，將參數輸入建立在神經網路基礎上的分類器分離出各紅細胞，再通過建立在模糊聚類基礎上的特徵融合器對各類紅細胞形態特徵參數數據進行歸一化處理、對得到的每一類歸一化參數分別進行統計分析，或根據幾類參數進行綜合統計分析，以圖形或數表的方式表達出來，以此來判斷紅細胞的形態是否正常，通過對各類異常形態紅細胞的檢測可以鑑定紅細胞來源和性質。

該發明在原有尿液細胞識別基礎上，考慮到軟體對個別目標識別可能存在誤差，引入了形態學參數及其統計分析方法，採用該方法，儀器可根據一個樣本中所有目標參數的統計分析，自動分析血尿樣本中的紅細胞來源。這種方法由於採用樣本內全體目標進行統計判斷，降低了個別目標識別錯誤帶來的誤差影響。是統計學方法在尿液紅細胞形態學參數分析上的一個套用創新。

附圖說明

圖1為該發明紅細胞形態學分析裝置結構示意圖。

圖2為該發明紅細胞形態學分析方法的操作流程示意圖。

圖3為PCA加權的特徵融合算法原理圖。

圖4為該發明中提到的分布寬度、峰值示意圖。

圖5為數碼CCD拍攝的正常形態紅細胞圖像。

圖6.1為正常形態紅細胞大小特徵參數統計曲線圖，其分布寬度a＜L，其峰值為b在正常範圍內，D1＜b＜D2。

圖6.2-圖6.9為圖6.1的另一種表示。

圖7為正常形態紅細胞形狀特徵參數統計曲線圖，其分布集中，分布寬度小，峰值對應的頻數值C＞H（60％）。

圖8為正常形態紅細胞色度特徵參數統計曲線圖，呈單一窄峰，其分布集中，峰值對應的頻數值C＞H（60％）。

圖9為正常形態紅細胞紋理特徵參數統計曲線圖，其峰值對應X軸數值b在正常範圍內，W1＜b＜W2。

圖10為正常形態紅細胞的大小和色度特徵參數綜合分析散點圖，正常形態紅細胞集中分布在75＜X＜125並且20＜Y＜40之間。

圖11為數碼CCD攝取的芽孢形紅細胞圖像，芽孢紅細胞，在紅細胞外膜有小泡突出或細胞呈黴菌孢子樣改變。體積不均、有芽孢的變形狀、色度通常淺。其特徵參數統計圖的表達，如圖12-15所示。圖中正常形紅細胞以虛線方式表示以進行比較。

圖12為芽孢形紅細胞大小特徵參數統計曲線圖，與正常形紅細胞比較，因為大小不均且因為芽孢而有偏大趨勢，其大小特徵參數統計圖分布寬度a大，分布不集中；並形成1個以上峰值，峰值處頻數相應降低。其分布寬度a＞L，從圖上看寬度比正常形紅細胞分布寬度a大，表示紅細胞大小分布不均。b＞D2，部分紅細胞大小偏大。

圖13為芽孢形紅細胞形狀特徵參數統計曲線圖，其峰值對應頻數值C小於正常形態紅細胞，C＜H（60％）。

圖14為芽孢形紅細胞色度特徵參數統計曲線圖，其芽孢形紅細胞色度均值顯著降低，其峰值對應頻數值C均明顯小於正常形態紅細胞，C＜H，且芽孢形紅細胞色度分布寬度變化不大，細胞分布均勻呈較窄單峰。。

圖15為芽孢形紅細胞紋理特徵參數統計曲線圖，芽孢紅細胞紋理較正常紅細胞複雜，其紋理特徵參數統計圖，紋理峰值對應X軸數值b較大，b＞W2。

圖16為芽孢形態紅細胞的大小和色度特徵參數綜合分析散點圖，其紅細胞色度明顯偏低，而且紅細胞大小範圍擴大，主要分布在80＜X＜160之間。

圖17為數碼CCD攝取的大小不均紅細胞圖像。大小不一形紅細胞，指紅細胞之間直徑相差一倍以上的情況，常見於各種增生性貧血及巨幼細胞性貧血，體積大小不一，色度淺，形狀正常。其特徵參數統計圖的表達，如圖18-22所示。圖中正常形紅細胞以虛線方式表示以進行比較。

圖18為大小不均形紅細胞大小特徵參數統計曲線圖，其分布寬度a＞L，從圖上看寬度比正常形紅細胞分布寬度a大，表示紅細胞大小分布不均。b＞D2，部分紅細胞大小偏大。

圖19為大小不均形紅細胞形狀特徵參數統計曲線圖，其峰值對應頻數值C小於正常形態紅細胞，C＜H（60％）。

圖20為大小不均形紅細胞色度特徵參數統計曲線圖。大小不均紅細胞色度均值偏高，其峰值對應頻數值C均明顯小於正常形態紅細胞，C＜H（60％）。其分布寬度往色度值較大方向明顯增大。

圖21為大小不均形紅細胞紋理特徵參數統計曲線圖。

圖22為大小不均形紅細胞的大小和色度特徵參數綜合分析散點圖，圖中顯示紅細胞的色度和大小分布範圍大，5＜X＜30且40＜Y＜150。

圖23為小體積低色素紅細胞（貧血或腎性）特徵參數綜合分析散點圖。

圖24為樣本中各種細胞占總紅細胞數的比例統計圖。

圖25為一樣本色度特徵參數統計圖。

圖26為圖24的一個變化表達形式。

圖27為以多圖排列的方式表達的統計圖。

權利要求

1.一種紅細胞形態學分析裝置，其特徵在於包括：

b.一攝像機或CCD元件，該攝像機或CCD元件對已標記區域進行圖像信息採集；

c.一用以對上述圖像進行分析處理的圖像數字轉換器，該圖像數字轉換器先將採集的圖像根據所含的細胞進行分割定位，再對分割後的圖像進行數位化處理，提取各細胞的大小、形狀、色度及紋理四類形態學特徵參數；

d.一建立在神經網路基礎上的分類器，用於根據上述步驟取得的各細胞的大小、形狀、色度及紋理四類形態學特徵參數對細胞進行分類，以從各類細胞中分離出紅細胞；

f.一輸出設備，用於直觀顯示檢測結果；

2.根據權利要求1所述的紅細胞形態學分析裝置，其特徵在於，該輸出設備表達出各種類型紅細胞所特有的代表紅細胞中央區色梯、紋理的特徵參數數據組合，該樣本中紅細胞的分析鑑定方法是根據紅細胞中央區的特徵改變來判斷樣本中紅細胞的來源或紅細胞的類型。

3.根據權利要求1所述的紅細胞形態學分析裝置，其特徵在於，該樣本中紅細胞形態學分析方法是參照臨床確認的代表不同意義的各種類型紅細胞具有不同的形態學特徵參數數據，據此進行識別分類計數，再根據樣本中各類型紅細胞某一形態學特徵參數數據組合占總紅細胞的同類形態學特徵參數數據組合的比例經統計學處理後以圖形或數據方式表達。

4.根據權利要求1所述的紅細胞形態學分析裝置，其特徵在於，該樣本中紅細胞形態學分析方法是將樣本中各類型紅細胞的兩種以上的紅細胞形態學特徵參數組合用統計學方法綜合分析，得到樣本中各類型紅細胞多參數分析結果，根據其改變判斷紅細胞形態學變化，通過圖形和數據直觀的表達出樣本中紅細胞形態學變化類型。

5.一種紅細胞形態學分析方法，其特徵在於，包括下列步驟：

步驟2：用攝像機或CCD元件對已標記區域樣本進行圖像信息採集；

步驟3：用圖像數字轉換器對採集的圖像先根據所含的細胞進行分割定位，再對分割後的圖像進行數位化處理，提取各細胞的形態學特徵參數，用大小、形狀、色度以及紋理四類特徵來描述各細胞；

步驟4：將上述步驟取得的各細胞的大小、形狀、色度及紋理四類形態學特徵參數輸入建立在神經網路基礎上的分類器，由該分類器從各類細胞中分離出紅細胞；

步驟6：將每個標本中所有紅細胞的每一類歸一化特徵量經輸出設備顯示出來，即得出每一類歸一化特徵參數的統計學圖表。

6.根據權利要求5所述的紅細胞形態學分析方法，其特徵在於，還包括步驟7：根據樣本中各類型紅細胞占總紅細胞數的比例經統計學處理，以圖形或數據方式表達，對樣本中紅細胞進行分析鑑定。

7.根據權利要求6所述的紅細胞形態學分析方法，其特徵在於，還包括步驟8：對每一類經過歸一化的形態學特徵向量，通過給出一個特徵量閥值，計算高於或者低於閥值的紅細胞占樣本總紅細胞同類形態學特徵參數數據組合的比例，經統計學處理後以圖形或數據方式表達，以提供對樣本中紅細胞進行分析鑑定的客觀依據。

8.根據權利要求5所述的紅細胞形態學分析方法，其特徵在於，該建立在神經網路基礎上的分類器包括一反饋過程，該反饋過程是對分類出來的可疑目標及識別錯誤目標進行細化、分類、補充特徵參數，並建立相應的數學模型，對神經網路進行訓練，神經網路自動學習並記憶該些細化、分類、補充的特徵參數進入模型資料庫，再返回基於神經網路的分類器進行細胞分類。

9.根據權利要求6記載的紅細胞形態學分析方法，其特徵在於，步驟6中得出的歸一化的大小特徵向量表達出各種類型紅細胞所特有的代表大小的特徵參數數據組合，樣本中紅細胞分析鑑定方法，可根據紅細胞大小分布與正常的紅細胞的大小分布進行比對，根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

10.根據權利要求6記載的紅細胞形態學分析方法，其特徵在於，步驟6中得出的歸一化的形狀特徵向量表達出各種類型紅細胞所特有的代表形狀的特徵參數數據組合，樣本中紅細胞的分析鑑定方法，可根據紅細胞形狀特徵參數的變化來判斷樣本中紅細胞的來源或紅細胞的類型。

11.根據權利要求6記載的紅細胞形態學分析方法，其特徵在於，步驟6中得出的歸一化的色度特徵向量表達出各種類型紅細胞所特有的代表色度的特徵參數數據組合，樣本中紅細胞的分析鑑定方法，可根據紅細胞色度與正常的紅細胞色度進行比對根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

12.根據權利要求6記載的紅細胞形態學分析方法，其特徵在於，步驟6中得出的歸一化的紋理特徵向量表達出各種類型紅細胞所特有的代表紋理的特徵參數數據組合，樣本中紅細胞的分析鑑定方法，可根據紅細胞紋理特徵參數的變化來判斷樣本中紅細胞的來源或紅細胞的類型。

13.根據權利要求6記載的紅細胞形態學分析方法，其特徵在於，對樣本中紅細胞的分析鑑定，單獨採用綜合採用權利要求9-12中的分析鑑定方法中的多條來分析。

14.根據權利要求9-12中中任一項所述的紅細胞形態學分析裝置，其特徵在於，利用該裝置進行紅細胞分析所表達的相同的結果，在不同的樣本中具有不同的臨床意義，如樣本中出現小體積低色素紅細胞時，該裝置分析出的結果是單個紅細胞體積小、色度低，總紅細胞形態特徵參數以表示大小的參數組合為橫坐標，表示色度的特徵參數數據為縱坐標的形態學分析圖形表達為紅細胞分布寬度增加往左偏移，紅細胞分布區域向下移，表達為向左分散向下沉的紅細胞形態分布圖，此類圖形在血液樣本中出現提示一種類型貧血，如果在尿液樣本中出現並占一定比例則意味著來源於腎性紅細胞；如樣本中出現大體積高色素紅細胞時，該裝置分析出的結果是單個紅細胞體積大、色度高，總紅細胞形態特徵參數以表示大小的參數組合為橫坐標，表示色度的特徵參數數據為縱坐標的形態學分析圖形表達為紅細胞分布寬度增加往右偏移，紅細胞分布區域向上移，表達為向右分散向上升的紅細胞形態分布圖，此類圖形在血液樣本中出現提示另一種類型貧血，如果在尿液樣本中出現並占一定比例則意味著來源於非腎性紅細胞。

實施方式

圖1為該發明紅細胞形態學分析裝置的示意圖。如圖所示，該發明紅細胞形態學分析裝置包括：

a.一自動顯微鏡1，該自動顯微鏡1的低倍物鏡頭先對所設定區域的樣本進行掃描，並對發現的目標區域予以標記，並同時由該自動顯微鏡1的高倍物鏡頭對已標記區域樣本進行掃描；

b.一攝像機或CCD元件2，該攝像機或CCD元件2對已標記區域樣本進行圖像信息採集；

c.一用以產生上述圖像的數字表示的圖像數字轉換器3，該圖像數字轉換器3先將採集的圖像根據所含細胞進行分割定位，再對分割後的圖像進行數位化處理，即提取各細胞的大小、形狀、色度及紋理四類形態學特徵參數；

d.一建立在神經網路基礎上的分類器，用於根據上述步驟取得的各細胞的大小、形狀、色度及紋理四類形態學特徵參數，從各類細胞中分離出紅細胞；

e.一建立在模糊聚類基礎上的特徵融合器4，該特徵融合器用於將上述步驟取得的每一類多維形態學特徵參數進行歸一化處理，以提供紅細胞統計分類依據；

f.一輸出設備6，該輸出設備6可包括監控器及印表機，用於直觀顯示檢測結果；

g.一控制單元5，該控制單元5分別連線上述自動顯微鏡1、攝像機或CCD元件2、圖像數字轉換器3及輸出設備6，以控制該自動顯微鏡1、攝像機或CCD元件2、圖像數字轉換器3及輸出設備6動作。

在該實施例中，該分類器7中採用的神經網路是基於RDROP算法的BP三層神經網路，該三層神經網路包括一輸入層，一輸出層和一隱藏著的中間層。且該神經網路的數據可擴充，具有自記憶性。該神經網路用於專家系統訓練和樣本目標識別。當然，該分類器也可採用其他類型的神經網路。

關於神經網路，已經有很多資料對其進行了詳細介紹，因而在此不作過多敘述。

該發明神經網路具有多個輸入節點，每一輸入節點表達待測細胞的某一形態學特徵參數。該些形態學特徵參數的提取方法及形態學特徵參數分類狀態說明如下：

1.特徵提取方法

首先通過大量樣本圖片，由專家人工依據紅細胞形態學特徵對樣本圖片中的有形成分進行分類，依此建立分類語義模型，在此基礎上建立分類數學模型，從而定義紅細胞的各種形態學特徵，一共有四大類特徵，包括大小特徵、形狀特徵、色度特徵、紋理特徵。

2.特徵分類

該發明提取了多達一百多維目標特徵，以下僅為代表性特徵描述：

2.1大小特徵，包括面積、周長、等效直徑、長軸、短軸、平均半徑等；

2.2形狀特徵：形狀特徵用於描述目標的形態，主要包括圓率、離心率、區域重心、曲率、區域弦分布形態描述子相關特徵、邊界擬合多邊形形態描述子、傅立葉係數形態描繪特徵矢量、基於凸包的形態描述相關特徵、基於外接矩形的特徵描述、基於不變距特徵的形狀特徵描述和基於區域骨架提取的形狀特徵共26個特徵。其中區域弦分布形態描述子、基於凸包的形態描述相關特徵、基於外接矩形的特徵描述、基於不變距特徵的形狀特徵描述和基於區域骨架提取的形狀特徵等幾類特徵是該發明中提出的描述形態的新方法；

2.3色度特徵：包括基於HSV目標區域顏色直方圖、基於機率窗的區域目標主色特徵提取、色彩距離；

2.4紋理特徵，是基於小波變換域的多尺度紋理特徵：其包括多尺度小波能量比例、多尺度小波標準差、綜合共生矩陣的紋理特徵、融合紋理譜的Zernike矩特徵描述。

具體來說，如圖2所示，該發明紅細胞形態學分析方法的操作步驟為：

步驟1：用自動顯微鏡1的低倍物鏡頭先對所設定區域的樣本進行掃描，對發現的目標區域予以標記，並同時由該自動顯微鏡1的高倍物鏡頭對已標記區域進行掃描；

步驟2：用攝像機或CCD元件2對已標記區域進行圖像信息採集，圖5、圖11、圖17即為採集到的紅細胞圖像；正常形態紅細胞，細胞大小較為一致，胞體正常或偏大，血紅蛋白豐富，無芽孢形成，細胞膜完整。各類參數統計曲線圖基本上為常態分配，分布區域較集中。

步驟3：用圖像數字轉換器3對採集的圖像先根據所含細胞進行分割定位，再對分割後的圖像進行數位化處理，即提取各細胞的形態學特徵參數，用大小、形狀、色度以及紋理四類特徵來描述各細胞

步驟4：將步驟3取得的各細胞的大小、形狀、色度及紋理四類形態學特徵參數輸入建立在神經網路基礎上的分類器，由該分類器從各類細胞中分離出紅細胞；下表為不同種類的某一個紅細胞的部分特徵參數舉例表：

步驟5：將步驟4分離出的紅細胞的形態學特徵參數輸入建立在模糊聚類基礎上的特徵融合器，由該特徵融合器進行歸一化處理，得到一維特徵向量；

該特徵融合器的具體操作實際就是將初始得到的每一類特徵參數通過基於PCA加權的特徵融合算法計算得出一個歸一化的特徵值。

下面具體說明介紹該PCA加權的特徵融合算法：

1.圖3為該PCA加權的特徵融合算法原理圖。首先，輸入訓練樣本n維特徵向量，該n維特徵向量可以是大小、形狀、紋理、色度特徵向量。然後，通過PCA算法進行特徵抽取，特徵抽取分為K-L特徵壓維和主分量特徵選擇。在特徵抽取後得到的主分量特徵向量空間中分別選出大小特徵、形狀特徵、紋理特徵、色度特徵。接著對這些特徵子空間進行特徵向量歸一化，再聯合各維向量的權重進行加權融合，各特徵子空間通過加權融合後得到相應的一個特徵量，再將其融為一維特徵向量。

2.具體而言，基於PCA的特徵選擇算法原理為：

設輸入原始特徵空間F＝{f₁，f₂，…，f_n}，將其通過K-L正交變換得到對應特徵值從大到小排列的正交特徵向量空間{x₁，x₂，…，x_n}，各特徵向量分別對應特徵值（λ₁，λ₂，…，λ_n）。通過累加貢獻率得到壓維後的特徵向量空間，累加貢獻率如式（1）：

（1）

若e_m＞e（e為貢獻率閾值，0＜e≤1）則選擇滿足條件的最小m（m≤N）。取{x₁，x₂，…，x_n}前m壓維後的特徵向量作為特徵向量空間V＝{x₁，x₂，…，x_m}。

PCA的目標就是通過該正交向量矩陣V來提取出原始特徵空間F的m維主分量特徵向量。其原理是將原始特徵向量{f₁，f₂，…，f_n}沿著x_j方向投影時，PCA將使得到的f₁能量最大，這時f₁稱為第一主分量；在與x₁正交的條件下，原始特徵空間在x₂上的投影，使得f₂能量最大，這時稱為第二主分量，以此類推可得到主分量特徵空間Y＝{f₁，f₂，…，f_m}。

3.特徵歸一化

在主分量特徵空間Y分別選出色度、紋理、形狀、大小特徵子空間Y_c、Y_t、Y_s、Y_e，子空間表達式如式（2）：

（2）

分別對色度、紋理、形狀、大小特徵子空間內的各維特徵向量歸一化，歸一化公式如式（3）：

（3）

其中f_pi為第p維特徵向量中第i個特徵值，f_pmax和f_pmin分別為第p維特徵向量中最大和最小特徵值。通過式（3）得到歸一化後的特徵子空間Y_cn、Y_tn、Y_sn、Y_en。

4.基於權函式的特徵融合

由於歸一化的特徵子空間是在主分量特徵空間中提取出來的，可知每一維特徵向量的貢獻能力有大小之分，因此所占權重也有所不同。可計算特徵向量的均值和標準方差來描述特徵向量的貢獻能力，計算公式如式（4）：

（4）

式中μ_p和σ_p分別表示第p維向量的均值和標準方差。

可利用|μ_p|和σ_p定義下面的代價函式評估特徵的鑑別能力，評估函式如式（5）：

（5）

J_p越大表明該特徵的鑑別能力越強，可用J_p來表示各向量的權重。則各個向量對應的權重向量為（J₁，J₂，…，J_d），d為某一特徵子空間的特徵維數。可通過矩陣變換將特徵子空間融合得到一維特徵值。矩陣變換如式（6）：

（6）

（a₁，a₂，…，a_m）中的元素a_i表示第i個訓練樣本對應與某一特徵子空間降維後的特徵值。該特徵值都歸一化到0～1之間，可分段表示各類型的特徵。

通過該方法可得到融合後的歸一化色度、紋理、形狀、大小特徵的一維特徵向量空間（a_c，a_t，a_s，a_e）。

步驟6：將每個標本中所有紅細胞的每一類歸一化特徵量經輸出設備顯示出來，即得出每一類歸一化特徵參數的統計學圖表；

步驟6.1

分別得出樣本大小、形狀、色度、紋理四類特徵參數統計學圖表；根據作出的四類特徵參數統計學分布圖與正常的紅細胞的大小分布進行比對，根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

樣本大小、形狀、色度、紋理四類特徵參數統計學數據圖表達方式不限定，可以是直方圖、分布圖、散射圖、曲線圖、直方圖、面積圖、餅圖、散點圖、環形圖、雷達圖、氣泡圖、圓柱圖等。

步驟6.1.1使用融合後的歸一化的大小特徵向量，作出紅細胞大小分布特徵曲線，如圖6.1-圖6.9、圖12及圖18所示。橫坐標為大小值，縱坐標為對應大小值出現的頻數。

紅細胞大小特徵主要反映樣本中紅細胞的大小分布情況。紅細胞大小分布特徵曲線左移為小紅細胞性改變，曲線右移為大紅細胞性改變，曲線出現多個峰值即表明紅細胞有大有小，存在不均一性。若峰值小，則細胞體積小；峰值大，細胞體積大。在出現多個峰值的情形下，則表示有明顯大小不均混合的細胞，通過將多峰值與參考值比較可以得出細胞大小分布情況。頻數的分布寬度的大小表明細胞大小的集中程度。根據樣本紅細胞大小分布與正常的紅細胞的大小分布進行比對根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

如圖6.1，為一個包含正常紅細胞的尿液樣本的大小特徵參數的統計圖，這裡以曲線的方式顯示。但特徵參數統計曲線圖可以以多種形式的統計圖表達，如圖6.2-圖6.9所示，均為正常形態紅細胞大小特徵參數統計圖。

為了更方便說明統計圖，如圖4所示，a表示統計圖中的分布寬度。就大小特徵統計曲線而言，當紅細胞大小越相近，分布寬度a越小。紅細胞大小越不均一，分布寬度a越大。設定分布寬度閥值L，當分布寬度a＞L的時候，可以判定該樣本紅細胞為大小不均紅細胞，系統提示樣本疑似大小不均紅細胞。

b為統計圖分布峰值對應的X軸數值，當b值變化時，在統計圖用曲線表達的情況下，表現為曲線的左移或右移。設峰值最小閥值D1，最大閥值D2。當D1＜b＜D2時，紅細胞大小在正常範圍內。當b＜D1，曲線左移，系統提示樣本疑似小紅細胞；當b＞D2，曲線右移，系統提示樣本疑似大紅細胞。

圖12、圖18為紅細胞大小特徵統計圖例圖。圖12表述芽孢形紅細胞大小特徵，在芽孢形紅細胞外膜有小泡突出或細胞呈黴菌孢子樣改變。圖18表述大小不均紅細胞大小特徵。2個圖的紅細胞大小分布寬度a＞L，從圖上看寬度比正常形紅細胞分布寬度a大，表示紅細胞大小分布不均。b＞D2，部分紅細胞大小偏大。

步驟6.1.2使用融合後的歸一化的形狀特徵向量，作出紅細胞形狀分布特徵曲線，如圖7、圖13及圖19所示。橫坐標為形狀特徵值，縱坐標為對應特徵值出現的頻數。

紅細胞形狀分布特徵指標主要反映畸形紅細胞分布情況。使用代表形狀的特徵參數數據組合（如圓率、方框率、弦分布對稱、凸孢、內切等）來分析。正常紅細胞的形態是雙凹圓盤狀，畸形紅細胞的形態是芽孢樣、口型狀等。根據紅細胞形狀特徵參數的變化來判斷樣本中紅細胞的來源或紅細胞的類型。

如圖7，為一個包含正常紅細胞的尿液樣本的形狀特徵參數的統計圖，此處以曲線的方式顯示。

就形狀特徵統計曲線而言，當紅細胞形態越接近理想標準紅細胞形態，分布越集中，分布寬度越小，峰值對應的頻數值C越大（0＜C＜100％）。設形狀特徵統計曲線的峰值對應頻數閥值為H，此處以H＝60％為例，當C＜H時，系統提示樣本形態疑似較多偏離理想紅細胞形態。

圖13及圖19為紅細胞形狀特徵統計圖例圖。圖13是芽孢形紅細胞形狀特徵圖，在芽孢形紅細胞外膜有小泡突出或細胞呈黴菌孢子樣改變。圖19表述大小不均紅細胞形狀特徵。兩圖的紅細胞形狀分布寬度與正常紅細胞相比變化不大。而峰值對應頻數值C均小於正常形態紅細胞，C＜H。

步驟6.1.3使用融合後的歸一化的色度特徵向量，作出紅細胞色度分布特徵曲線，如圖8、圖14及圖20所示。橫坐標為色度值，縱坐標為對應色度值出現的頻數。

紅細胞色度分布特徵主要反映紅細胞血色素丟失情況。使用代表色度的特徵參數數據組合（如色調、飽和度等）來分析。根據紅細胞色度與正常的紅細胞色度進行比對根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

紅細胞失血色素後色度會變淺，此類情況紅細胞色度分布特徵頻數直方圖曲線會發生左移，峰值變小；紅細胞在高滲尿液中易失水形成皺縮紅細胞，色度會變深，此類情況色度頻數直方圖曲線會發生右移，峰值變大。這類情況不屬於異常範圍，需注意鑑別判斷。

如圖8，為一個含有正常紅細胞的尿液樣本的色度特徵參數的統計圖，此處以曲線的方式顯示。就色度特徵統計曲線而言，當紅細胞色度越接近正常紅細胞色度，分布越集中，峰值對應的頻數值C越大（0＜C＜100％）。設色度特徵統計曲線的峰值對應頻數閥值為H，此處以H＝60％為例，當C＜H時，系統提示樣本中紅細胞色度較多偏離理想紅細胞色度。就色度特徵統計曲線而言，當紅細胞色度分布越接近，分布寬度越小。

圖4中的b為統計圖分布峰值對應的X軸數值，當b值變化時，在統計圖用曲線表達的情況下，表現為曲線的左移或右移，也就是紅細胞色度的深淺變化。色度越深，b值越大；色度越淺，b值越小。設峰值對應X軸最小閥值S1，最大閥值S2。當S1＜b＜S2時，紅細胞色度在正常範圍內。當b＜S1，曲線左移，表示細胞色度偏低，當b＞S2，曲線右移，表示細胞色度偏高。

圖14、圖20為紅細胞色度特徵統計圖例圖。虛線表示正常紅細胞色度，呈單一窄峰，說明細胞的色度非常均勻，沒有細胞漿的丟失。紅細胞的色度與血紅蛋白含量有相關性。圖14表述芽孢形紅細胞色度特徵。圖20表述大小不均紅細胞色度特徵。兩圖的紅細胞色度均值與正常形態紅細胞相比均有變化。圖14芽孢形紅細胞色度均值顯著降低，圖20大小不均紅細胞色度均值偏高。其峰值對應頻數值C均明顯小於正常形態紅細胞，C＜H。圖14芽孢形紅細胞色度分布寬度變化不大，細胞分布均勻呈較窄單峰。圖21大小不均紅細胞分布寬度往色度值較大方向明顯增大。

步驟6.1.4使用融合後的歸一化的紋理特徵向量，作出紅細胞紋理分布特徵曲線，如圖9、圖15及圖21所示。橫坐標為紋理值，縱坐標為對應紋理值出現的頻數。

紅細胞紋理分布特徵使用代表紅細胞中央區色梯（如中央蒼白區擴大、中央蒼白區消失、中央區色度增強等）及代表紋理的特徵參數數據組合（如出現不規則紋理、皺縮等）來分析。根據紅細胞紋理與正常的紅細胞紋理進行比對根據偏離的方向和程度來判斷樣本中紅細胞的來源或紅細胞的類型。

如圖9，為一個包含正常紅細胞的尿液樣本的紋理特徵參數的統計圖，此處以曲線的方式顯示。就紋理特徵統計曲線而言，當紅細胞的紋理越豐富，其紋理值越大。如圖4所示，a表示統計圖中的分布寬度。當樣本中細胞的紋理變化差別越小，統計圖的分布寬度a越小；細胞的紋理變化差別越大，統計圖的分布寬度a越大。

圖4中的b為統計圖分布峰值對應的X軸數值，當b值變化時，在統計圖用曲線表達的情況下，表現為曲線的左移或右移，也就是紅細胞紋理的強度變化。紋理越強，其能量越大，b值越大；紋理越淺，b值越小。設峰值對應X軸最小閥值W1，最大閥值W2。當W1＜b＜W2時，紅細胞紋理在正常範圍內。當b＜W1，表示樣本紋理細弱，曲線左移；當b＞W2，表示樣本紋理較粗，曲線右移。

圖15表述芽孢形紅細胞紋理特徵。圖21表述大小不均紅細胞紋理特徵。兩圖的紅細胞紋理均值與正常形態紅細胞相比均有變化。

步驟6.2將二種以上類別的歸一化特徵向量組合，用統計學方法綜合分析，得到多參數分析圖表；

以紅細胞大小和色度這兩種歸一化特徵向量組合進行綜合分析為例，如圖10、圖16、圖22及圖23所示。橫坐標為紅細胞大小值，縱坐標為對應紅細胞色度值，作出散點圖。

圖10為正常形態紅細胞的大小和色度綜合分析圖中，正常形態紅細胞集中分布在75＜X＜125並且20＜Y＜40之間。

圖16為芽孢形態紅細胞的大小和色度綜合分析圖中，紅細胞色度明顯偏低，而且紅細胞大小範圍擴大，主要分布在80＜X＜160之間。在圖22大小不均形紅細胞綜合分析圖中，紅細胞的色度和大小分布範圍更大，5＜X＜30且40＜Y＜150。

利用該裝置進行紅細胞分析方法所表達的相同的結果，在不同的樣本中具有不同的臨床意義，如樣本中出現小體積低色素紅細胞時，該裝置分析出的結果是單個紅細胞體積小、色度低，總紅細胞形態特徵參數以表示大小的參數組合為橫坐標，表示色度的特徵參數數據為縱坐標的形態學分析圖形表達為紅細胞分布寬度增加往左偏移，紅細胞分布區域向下移，表達為向左分散向下沉的紅細胞形態分布圖，此類圖形在血液樣本中出現提示貧血，如果在尿液樣本中出現並占一定比例則意味著來源於腎性紅細胞。

如圖23所示，當血液樣本中P％（50≤P≤100）的紅細胞分布在X＜75並且Y＜20區間，系統提示樣本疑似貧血；當尿液樣本中P％（50≤P≤100）的紅細胞分布在X＜75並且Y＜20區間，系統提示樣本疑似腎病。

步驟7根據樣本中各類型紅細胞占總紅細胞數的比例經統計學處理，以圖形或數據方式表達，對樣本中紅細胞進行分析鑑定。

如圖24所示，通過對樣本中細胞進行識別後分類計數，得出樣本中各種細胞占其中總紅細胞數的比例。在通過圖形或數據的表達情形下，方便操作者以此數據為依據，對樣本情形作出判斷。此處以統計學餅圖的方式表達為例。

步驟7根據樣本中各類型紅細胞的一個歸一化的一維形態學特徵向量，通過給出一個特徵量閥值，計算高於或者低於閥值的紅細胞占樣本總紅細胞同類形態學特徵參數數據組合的比例，經統計學處理後以圖形或數據方式表達。

圖25為一樣本色度特徵參數統計圖。圖中，使用融合後的歸一化的色度一維特徵向量，設色度給定閥值為H來判斷低色素紅細胞，樣本中細胞色度低於閥值H的比例為40％。也就是說，該樣本中低色素紅細胞占樣本中總紅細胞數的40％。圖26為圖25的一個變化表達形式。

上述圖形或數據方式表達在輸出裝置上顯示，供相關人員參考。該輸出裝置可以是該發明紅細胞形態學分析裝置上的顯示視窗，也可以是與裝置相連線的顯示器，及與網路連線用於遠程會診的顯示器，或者是以列印的方式表達出來，以便於醫生分析。

該統計圖可以以多圖排列的方式表達，如圖27所示。也可以轉換為單圖方式顯示。

另外，該發明涉及樣本可以是尿液樣本、血液樣本。這裡需要特別指出的是，血液樣本不做塗片處理，而是以一定的倍數進行稀釋後進行分析，這樣就不會因為塗片而破壞樣本中的部分細胞。該發明要求樣本新鮮，最好是取得樣本2小時內進行檢查，樣本無須染色，但不限於不染色，這樣在檢驗中不需用到昂貴的試劑，因而經濟節約，無污染，有利於環保。

榮譽表彰