粒子分类方法及血细胞分析仪与流程

1.本技术属于医疗器械技术领域，具体涉及一种粒子分类方法及血细胞分析仪。


背景技术：

2.血细胞分析仪是一种可检测血液中细胞的仪器，可以对白细胞、红细胞、血小板、有核红细胞、网织红细胞等细胞进行计数及分类。
3.血细胞分析仪一般通过光照射流经检测区域的细胞粒子，收集各类粒子反射或散射的光信号，然后通过对光信号进行处理和分析，从而对血细胞进行分类和计数。其中，收集的光信号可以包括前散脉冲信号、侧散脉冲信号和荧光脉冲信号；前散脉冲信号可反映细胞的大小信息，侧散脉冲信号可反映细胞内部结构的复杂程度，荧光脉冲信号可反映细胞内dna、rna等可被荧光染料染色物质的含量。
4.目前，在利用上述多种光信号构建散点图进行血细胞分类和计数的过程中，当某些血液样本存在异常时，散点图上相邻粒子团之间的叠加程度加大，进而导致分类结果的准确性降低。


技术实现要素：

5.本技术提供一种粒子分类方法及血细胞分析仪，以提高粒子分类结果的准确性。
6.为解决上述技术问题，本技术采用的一个技术方案是：提供一种粒子分类方法，包括：获得同一血液样本的前散脉冲信号、侧散脉冲信号和荧光脉冲信号，并分别获得所述前散脉冲信号、所述侧散脉冲信号和所述荧光脉冲信号的预设峰系数；基于所述前散脉冲信号、所述侧散脉冲信号和所述荧光脉冲信号中的两个脉冲信号的所述预设峰系数获得增强信号；基于所述前散脉冲信号、所述侧散脉冲信号和所述荧光脉冲信号中的剩余一个脉冲信号的所述预设峰系数、以及所述增强信号构建增强散点图；基于所述增强散点图获得增强粒子分类结果。
7.为解决上述技术问题，本技术采用的一个技术方案是：提供一种血细胞分析仪，包括：光学检测器件组，用于获得同一血液样本的前散脉冲信号、侧散脉冲信号和荧光脉冲信号；存储器，用于存储程序数据；控制器，与所述光学检测器件组和所述存储器耦接，用于执行所述程序数据以实现上述任一实施例中所述的粒子分类方法。
8.区别于现有技术情况，本技术的有益效果是：本技术所提供的粒子分类方法中会基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的两个脉冲信号的预设峰系数获得增强信号，并基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的剩余一个脉冲信号的预设峰系数、以及增强信号构建增强散点图；最后基于增强散点图获得增强粒子分类结果。上述设计方式中将两个维度的信息综合计算获得增强信号，可以使得最终获得的增强散点图中不同类型的粒子团（细胞团）分离得更远，相互之间叠加更少，以使得最终分类结果更为准确。
附图说明
9.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：图1为本技术血细胞分析仪一实施方式的结构示意图；图2为本技术粒子分类方法一实施方式的流程示意图；图3为本技术粒子分类方法另一实施方式的流程示意图；图4为当前血液样本对应的原始散点图一实施方式的结构示意图；图5为图4中原始散点图对应的增强散点图一实施方式的结构示意图。
具体实施方式
10.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
11.在本技术中，血液样本可以是从人体或者动物体内采集并与试剂反应后得到的样本，其中试剂包括荧光试剂等。血液样本中包括多种细胞，如红细胞、白细胞、血小板等。对于红细胞而言可从发育程度的角度对其进行分类，具体细分为成熟红细胞、网织红细胞等，其中，网织红细胞是指尚未完全成熟的红细胞。本技术中所提及的散点图是根据血液样本的前散脉冲信号、侧散脉冲信号及荧光脉冲信号建立的二维散点图。
12.请参阅图1，图1为本技术血细胞分析仪一实施方式的结构示意图，该血细胞分析仪可以为荧光流式血细胞分析仪等，其包含多个检测通道，例如，有核红细胞（wnr）检测通道、网织红细胞（ret）检测通道、白细胞分类（wdf）通道，异常淋巴细胞（wpc）检测通道等。该血细胞分析仪具体包括鞘流组件设备10、驱动设备12、半导体激光器14、光学检测器件组16、存储器18和控制器11。
13.其中，鞘流组件设备10和驱动设备12包括了样本的收集、混匀、反应、染色的所有部件，目的是让血细胞能有序单个地通过光学检测器件组16中进行光学检测的位置。
14.半导体激光器14用于发出稳定功率的激光信号，以激发出被染色细胞的荧光信号。
15.光学检测器件组16包括光学传感器、折射镜片、检测器等部件。光学检测器件组16可以包括前向散射光接收组件、侧向散射光接收组件和侧向荧光接收组件，分别用于获得同一血液样本的前散脉冲信号、侧散脉冲信号和荧光脉冲信号。光学检测器件组16还可以配合荧光染色技术，在检测器中加入滤光片，通过滤光片接收荧光信号。可选地，光学检测器件组16中所收集的1-5
°
的信号为前散脉冲信号，10~90
°
的信号为侧散脉冲信号。
16.存储器18用于存储程序数据；当然，存储器18也可用于存储光学检测器件组16所接收到的所有脉冲信号、后续处理获得的散点图、粒子分类结果以及计算结果等。
17.控制器11与光学检测器件组16和存储器18耦接，用于执行程序数据以实现如下实施例中所述的粒子分类方法。此外，控制器11还用于调控各个组件；例如，在检测启动时，控
制驱动设备12中的电机、阀、泵的等机械驱动器部件，以将血细胞染色并装载到鞘流组件设备10的粒子引导器中，以有序的推出每一个血细胞。
18.此外，请继续参阅图1，该血细胞分析仪还可以包括显示器13和ad转换组件15。其中，显示器13可以与控制器11耦接，用于显示散点图和粒子分类结果。ad转换组件15耦接于控制器11和光学检测器件组16之间，用于将光学检测器件组16所收集的电信号转化成控制器11可以处理的数字信号。
19.下面对上述控制器11所能实现的粒子分类方法作详细说明。请参阅图2，图2为本技术粒子分类方法一实施方式的流程示意图，该粒子分类方法具体包括：s101：获得同一血液样本的前散脉冲信号、侧散脉冲信号和荧光脉冲信号，并分别获得前散脉冲信号、侧散脉冲信号和荧光脉冲信号的预设峰系数。
20.具体地，前散脉冲信号、侧散脉冲信号和荧光脉冲信号可以分别由多个采样点形成，且采样点的横坐标为采样时间，单位可以为秒等；采样点的纵坐标可以为采样数据，例如为光强度值等。且针对同一采样时间，前散脉冲信号、侧散脉冲信号和荧光脉冲信号中可以分别有对应的采样数据。
21.可选地，上述预设峰系数可以为前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰值、峰面积、峰值和峰面积、峰值和峰宽、峰宽和峰面积、峰值和峰宽以及峰面积中任意一种。即后续粒子分类方法是基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰值进行；或后续粒子分类方法基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰面积进行；或后续粒子分类方法是基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰值和峰面积进行；或后续粒子分类方法是基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰值和峰宽进行；或后续粒子分类方法是基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰宽和峰面积进行；或后续粒子分类方法是基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰值、峰宽以及峰面积进行。该设计方式可以降低整个粒子分类方法的计算复杂程度。
22.s102：基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的两个脉冲信号的预设峰系数获得增强信号。
23.具体地，上述构建增强信号的两个脉冲信号的预设峰系数与增强信号正相关。上述设计方式可以将两种脉冲信号中对应同一粒子团的信息进行叠加，以使得各个不同的粒子团之间能够更好的区分开。
24.可选地，上述步骤s102的具体实现过程可以为：a、获得前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的两个脉冲信号的预设峰系数的均方根平均值。
25.具体地，前散脉冲信号、侧散脉冲信号和荧光脉冲信号中一般分别包含多个脉冲。
26.在一个应用场景中，上述步骤a的具体实现过程可以为：从所选择的两个脉冲信号中分别获得相同采样时间下的两个脉冲以形成多个脉冲对；针对每个脉冲对，获得同一脉冲对中两个脉冲的预设峰系数的均方根平均值；以公式表示为：；其中，x为均方根平均值，a和b分别为两个脉冲信号的预设峰系数，且可以认为a和
b分别为同一脉冲对中两个脉冲的预设峰系数。
27.在另一个应用场景中，上述步骤a的具体实现过程可以为：1）将从前散脉冲信号、侧散脉冲信号和荧光脉冲信号中所选定的两个脉冲信号分别定义为第一脉冲信号和第二脉冲信号，将前散脉冲信号、侧散脉冲信号和荧光脉冲信号中剩余的一个脉冲信号定义为第三脉冲信号。2）基于第一脉冲信号和第三脉冲信号的预设峰系数构建第一散点图、以及基于第二脉冲信号和第三脉冲信号的预设峰系数构建第二散点图，且第一散点图和第二散点图中的第三脉冲信号位于同一个坐标轴，例如，均位于x轴或y轴。3）从第一散点图和第二散点图中获得多个坐标点对，每个坐标点对包括从第一散点图中获得的第一坐标点、以及从第二散点图中获得的第二坐标点，且第一坐标点和第二坐标点所对应的第三脉冲信号的预设峰系数相同。4）获得同一坐标点对中第一脉冲信号和第二脉冲信号所对应的预设峰系数的均方根平均值。
28.b、基于二项式函数和均方根平均值获得增强信号。
29.具体地，针对每个脉冲对或坐标点对，基于二项式函数和每个脉冲对或每个坐标点对所对应的均方根平均值获得对应的增强值，多个增强值形成增强信号。
30.在本实施例中，对于二项式函数的具体构成不作限定。例如，该二项式函数以公式表示如下：其中，f(x)为增强信号，x为均方根平均值，k1、k2、k3均为系数，且k1、k2、k3的值可根据实际情况进行设定；例如，由前散脉冲信号和侧散脉冲信号构成的增强信号所对应的系数，与由侧散脉冲信号和荧光脉冲信号构成的增强信号所对应的系数不同。又例如，有核红细胞（wnr）检测通道、网织红细胞（ret）检测通道、白细胞分类（wdf）通道和异常淋巴细胞（wpc）检测通道所对应的增强信号的系数不同。
31.在一个具体的应用场景中，当对应于网织红细胞（ret）检测通道，且由侧散脉冲信号和前散脉冲信号形成增强信号时，k1可以为1.589*e-7
、k2可以为-9.766*e-4
，k3可以为2.333。
32.当然，在其他实施例中，也可基于均方根平均值和其他非线性函数获得增强信号，例如，其他非线性函数可以为log函数等。计算获得增强信号所涉及的函数或者规则在此不作限制，具体可根据实际需求进行设定和更改。
33.s103：基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的剩余一个脉冲信号的预设峰系数以及所述增强信号构建增强散点图。
34.具体地，增强信号可以作为增强散点图中的横坐标，剩余一个脉冲信号的预设峰系数可以作为纵坐标，以构建增强散点图；或者，增强散点图中增强信号可以作为纵坐标，剩余一个脉冲信号的预设峰系数可以作为横坐标构建增强散点图。
35.s104：基于增强散点图获得增强粒子分类结果。
36.具体地，上述步骤s104的具体实现过程可以为：根据不同血细胞的特征，在增强散点图的不同位置上对粒子进行分类，切割出各种粒子团的区域，这就是粒子的分类过程；例如，可以采用分水岭算法、聚类算法、等高线法、梯度法等从增强散点图中获得各个粒子团与其余粒子团的分界（即找到各个粒子团的边缘位置）；对各个粒子团进行计数，以获得增强粒子分类结果。
37.上述设计方式中将两个维度的信息综合计算获得增强信号，可以使得最终获得的增强散点图中不同类型的粒子团（细胞团）分离得更远，相互之间叠加更少，以使得最终分类结果更为准确。
38.请参阅图3，图3为本技术粒子分类方法另一实施方式的流程示意图。该粒子分类方法具体包括：s201：获得同一血液样本的前散脉冲信号、侧散脉冲信号和荧光脉冲信号，并分别获得前散脉冲信号、侧散脉冲信号和荧光脉冲信号的预设峰系数。
39.具体地，该步骤与上述步骤s101相同，在此不再赘述。
40.s202：基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的两个脉冲信号的预设峰系数构建原始散点图。
41.具体地，上述预设峰系数可以为前散脉冲信号、侧散脉冲信号和荧光脉冲信号中各个脉冲的峰值、峰面积、峰值和峰面积、峰值和峰宽、峰宽和峰面积、峰值和峰宽以及峰面积中任意一种。其中，峰面积≈峰值*峰宽。上述步骤s202具体包括：基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中两个脉冲信号的峰值构建原始散点图；或者，基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中两个脉冲信号的峰面积构建原始散点图。
42.s203：基于原始散点图获得原始粒子分类结果。
43.具体地，上述步骤s203的具体实现过程可以为：根据不同血细胞的特征，在原始散点图的不同位置上对粒子进行分类，切割出各种粒子团的区域，这就是粒子的分类过程；例如，可以采用分水岭算法、聚类算法、等高线法、梯度法等从增强散点图中获得各个粒子团与其余粒子团的分界（即找到各个粒子团的边缘位置）；对各个粒子团进行计数，以获得原始粒子分类结果。
44.s204：基于原始粒子分类结果判断原始散点图中任意两个粒子团的叠加系数是否符合预设要求；其中，两个粒子团之间粒子重合度越大，叠加系数越大。
45.具体地，在一个实施例中，上述步骤s204的具体实现过程可以为：a、基于原始粒子分类结果获得各个粒子团的边缘位置；例如，可以采用分水岭算法、聚类算法、等高线法、梯度法等从原始散点图中获得各个粒子团的边缘位置。b、获得每个粒子团的边缘位置上粒子的浓度，并将浓度作为对应粒子团的叠加系数。c、判断每个叠加系数是否小于或等于对应阈值。可选地，不同粒子团对应的阈值可以不同。上述判断叠加系数是否符合预设要求的过程较为简单，且易于实现。
46.在另一个实施例中，上述步骤s204的具体实现过程可以为：a、基于原始粒子分类结果获得各个粒子团的边缘位置；例如，可以采用分水岭算法、聚类算法、等高线法、梯度法等从原始散点图中获得各个粒子团的边缘位置。b、获得任意相邻两个粒子团的边缘位置之间粒子的浓度，并将浓度作为叠加系数。可选地，任意相邻两个粒子团的边缘位置之间可能存在可识别的干扰粒子，此时可以仅计算两个粒子团的边缘位置之间的干扰粒子的浓度，并将该浓度作为叠加系数。c、判断每个叠加系数是否小于或等于对应阈值。可选地，各个叠加系数对应的阈值可以不同。上述判断叠加系数是否符合预设要求的过程较为简单，且易于实现。
47.s205：若是，则输出原始粒子分类结果。
48.s206：若否，则基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的两个脉冲信
号的预设峰系数获得增强信号；基于前散脉冲信号、侧散脉冲信号和荧光脉冲信号中的剩余一个脉冲信号的预设峰系数、以及增强信号构建增强散点图；基于增强散点图获得增强粒子分类结果。
49.具体地，若两个粒子团的叠加系数较大，则表明两个粒子团之间粒子重合度较大，两个粒子团不能很好的区分开，原始粒子分类结果中各个粒子团的计数结果的可信度降低。因此，此时为了保证分类结果的准确性，可以进行上述步骤s206的增强计数过程。而上述步骤s206的具体实现过程与上述步骤s102-s104的步骤相同，在此不再赘述。
50.此外，需要说明的是，上述步骤s202-s206中构建原始散点图中的一个脉冲信号用于构建增强信号，构建原始散点图中的另一个脉冲信号用于与增强信号构建增强散点图。即在进行步骤s206时，可以保持原始散点图中的一个坐标不变，使另一个坐标与剩余脉冲信号进行增强处理，以降低数据处理的复杂程度。而具体选择原始散点图中哪个坐标保持不变，可根据实际情况进行选择，只要使得后续增强散点图中任意两个粒子团之间区分度更好即可。在其他实施例中，还可以选择构建原始散点图的两个脉冲信号用于构建增强信号，三个脉冲信号中剩余的一个脉冲信号用于与增强信号构建增强散点图。
51.上述设计方式中，会先获得原始散点图对应的原始粒子分类结果；只有在原始散点图中相邻两个粒子团之间不能很好的区分开时，才进行后续增强处理过程，以使得两个粒子团之间更好的区分，提高粒子分类结果的准确度。该设计方式可以降低对现有计算程序的更改程度。
52.此外，在上述步骤s206中获得增强粒子分类结果后，还可包括输出利用增强信号获得增强粒子分类结果的提醒信息。即提醒操作人员此次粒子分类结果是基于增强方式获得。
53.下面以一个具体的网织红细胞（ret）检测通道的应用场景对本技术所提供的粒子分类方法作进一步说明。
54.网织红细胞（ret）是尚未完全成熟的红细胞，在周围血液中的数值可反映骨髓红细胞的生成功能，因而对血液病的诊断和治疗反应的观察均有其重要意义。网织红细胞（ret）检测通道处理细胞时，没有溶解细胞的流程，而是荧光染料对由稀释液处理的红细胞、血小板和白细胞的核酸进行染色；其中，网织红细胞和白细胞的核酸含量更多，荧光更强，红细胞体积较大，其对应的前散脉冲信号和侧散脉冲信号比血小板强，根据体积和荧光强度信息，可以对网织红细胞通道中的各类细胞进行分类。具体分类过程可以为：a、获得该血液样本的前散脉冲信号（fsc）、侧散脉冲信号（ssc）和荧光脉冲信号（sfl），并分别获得前散脉冲信号（fsc）、侧散脉冲信号（ssc）和荧光脉冲信号（sfl）的预设峰系数。
55.b、基于前散脉冲信号（fsc）和荧光脉冲信号（sfl）中的预设峰系数构建网织红细胞检测通道所对应的原始散点图。例如，如图4所示，图4为当前血液样本对应的原始散点图一实施方式的结构示意图。在该原始散点图中，荧光脉冲信号（sfl）中的预设峰系数为x轴，前散脉冲信号（fsc）的预设峰系数为y轴。
56.c、基于原始散点图对红细胞（rbco）粒子团、血小板（plto）粒子团、白细胞（wbco）粒子团和网织红细胞（ret）粒子团进行分类和计算，粒子分布的区域如图4所示。
57.d、计算任意相邻两个粒子团之间的叠加系数；例如，以相邻的红细胞（rbco）粒子
团和血小板（plto）粒子团为例，可以将红细胞碎片的浓度作为叠加系数。
58.e、响应于红细胞碎片的浓度大于或等于2%，即进行创建增强散点图的过程。请参阅图5，图5为图4中原始散点图对应的增强散点图一实施方式的结构示意图。在本实施例中，可以利用前散脉冲信号（fsc）和侧散脉冲信号（ssc）的信息形成增强信号，并作为y轴数据，x轴数据仍然使用荧光脉冲信号（sfl）的数据。从图5中可以明显看出，增强散点图中红细胞粒子团（rbco）和血小板粒子团（plto）的区分度加大，并且在增强散点图上还扩展出了二倍体红细胞团，而二倍体红细胞团可以反映当前红细胞通过鞘流时候的重叠程度。
59.f、基于增强散点图获得增强分类结果并输出。
60.总而言之，在原始网织红细胞通道ret散点图中，红细胞碎片干扰到血小板粒子团（plto）和红细胞粒子团（rbco）的计数，但是通过增强散点图，红细胞碎片干扰程度可以明显降低，以有效提高血小板粒子团（plto）和红细胞粒子团（rbco）计数的准确性。尤其是当某些血液样本为贫血样本时，贫血样本中会有红细胞碎片增多和平均红细胞体积mcv偏低的现象，网织红细胞通道所对应的原始散点图中的红细胞碎片对红细胞粒子团（rbco）计数和血小板粒子团（plto）计数会有干扰，导致血小板粒子团（plto）和红细胞粒子团（rbco）的边界严重叠加，因可以此采用增强信号散点图可以优化此类问题。
61.进一步，如下表1所示，表1为原始散点图和增强散点图计算结果表。下表1中相关性是衡量从原始散点图或增强散点图中计算获得的粒子数与设备预设参考值之间的趋势相关性程度，准确性可以衡量从原始散点图或增强散点图中计算获得的粒子数与真实值之间的差异程度。从表1中可以看出，增强散点图所计算的相关性以及准确性均优于原始散点图。
62.表1：原始散点图和增强散点图计算结果表原始散点图计算的相关性增强散点图计算的相关性rbco0.9940.996plto0.9660.992原始散点图计算的准确性增强散点图计算的准确性rbco99�%plto90�%以上所述仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本技术的专利保护范围内。