AT525533B1 - Verfahren und System zur Analyse einer Blutprobe - Google Patents
Verfahren und System zur Analyse einer Blutprobe Download PDFInfo
- Publication number
- AT525533B1 AT525533B1 ATA50863/2021A AT508632021A AT525533B1 AT 525533 B1 AT525533 B1 AT 525533B1 AT 508632021 A AT508632021 A AT 508632021A AT 525533 B1 AT525533 B1 AT 525533B1
- Authority
- AT
- Austria
- Prior art keywords
- image
- cells
- blood sample
- blood
- camera
- Prior art date
Links
- 210000004369 blood Anatomy 0.000 title claims abstract description 68
- 239000008280 blood Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 description 67
- 210000004698 lymphocyte Anatomy 0.000 description 25
- 210000000265 leukocyte Anatomy 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- 230000001575 pathological effect Effects 0.000 description 12
- 238000004820 blood count Methods 0.000 description 9
- 210000003743 erythrocyte Anatomy 0.000 description 8
- 210000000601 blood cell Anatomy 0.000 description 7
- 210000000440 neutrophil Anatomy 0.000 description 7
- 210000003887 myelocyte Anatomy 0.000 description 6
- 210000004180 plasmocyte Anatomy 0.000 description 5
- 210000004765 promyelocyte Anatomy 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004159 blood analysis Methods 0.000 description 3
- 210000001772 blood platelet Anatomy 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 210000003714 granulocyte Anatomy 0.000 description 3
- 210000001616 monocyte Anatomy 0.000 description 3
- 210000003651 basophil Anatomy 0.000 description 2
- 239000012503 blood component Substances 0.000 description 2
- 210000001185 bone marrow Anatomy 0.000 description 2
- 210000003979 eosinophil Anatomy 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 210000002652 macrocyte Anatomy 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 210000001237 metamyelocyte Anatomy 0.000 description 2
- 230000004089 microcirculation Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000000066 myeloid cell Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 241000380131 Ammophila arenaria Species 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010050789 Hypochromasia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010025280 Lymphocytosis Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 210000004430 acanthocyte Anatomy 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000003969 blast cell Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000007969 cellular immunity Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 231100000433 cytotoxic Toxicity 0.000 description 1
- 230000001472 cytotoxic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000004727 humoral immunity Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000015788 innate immune response Effects 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 210000001167 myeloblast Anatomy 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 210000005259 peripheral blood Anatomy 0.000 description 1
- 239000011886 peripheral blood Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001090 spherocyte Anatomy 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
- G01N2015/012—Red blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
- G01N2015/016—White blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
- G01N2015/018—Platelets
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N2015/0294—Particle shape
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1488—Methods for deciding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1493—Particle size
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1497—Particle shape
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Dispersion Chemistry (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Erfindungsgemäß ist ein Verfahren zur Analyse einer Blutprobe, bei welchem in einem ersten Schritt ein Bild einer Blutprobe durch eine Kamera aufgenommen wird, und in einem zweiten Schritt das Bild durch einen Computer ausgewertet wird, wobei die auf dem Bild ersichtlichen Zellen klassifiziert werden, vorgesehen, bei welchem, basierend auf der im zweiten Schritt durchgeführten Klassifikation, in einem dritten Schritt das Bild erneut ausgewertet wird, wobei die auf dem Bild ersichtlichen Zellen reklassifiziert werden, wobei basierend auf der im zweiten Schritt durchgeführten Klassifikation, ein weiteres Bild eines anderen Bereichs der Blutprobe aufgenommen wird und dieses Bild dem zweiten und dem dritten Schritt unterzogen wird.
Description
[0001] Die Erfindung betrifft ein Verfahren zur Analyse einer Blutprobe, bei welchem in einem ersten Schritt ein Bild einer Blutprobe durch eine Kamera aufgenommen wird, und in einem zweiten Schritt das Bild durch einen Computer ausgewertet wird, wobei die auf dem Bild ersichtlichen Zellen klassifiziert werden.
[0002] Die Erfindung betrifft weiters ein System zur Analyse einer Blutprobe, insbesondere zur Durchführung eines erfindungsgemäßen Verfahrens, umfassend eine Aufnahme für die Blutprobe, eine Kamera sowie einen mit der Kamera verbundenen Computer, der ausgebildet ist, um die von der Kamera empfangenen Bilder auszuwerten, wobei die auf dem Bild ersichtlichen Zellen klassifiziert werden.
[0003] Bei der Analyse von Blutproben wird die Blutprobe eines Menschen oder eines Tiers hinsichtlich der Quantität und/oder der Qualität der enthaltenen Blutzellen untersucht. Aus einer solchen Untersuchung lassen sich weitreichende Rückschlüsse auf den Zustand sowie die Mikrozirkulation im Gewebe, den vorhandenen Immunschutz sowie allgemein den gesamten Gesundheitszustand des Körpers ziehen.
[0004] Aus dem Stand der Technik sind mehrere Verfahren zur Analyse einer Blutprobe bekannt, um die Zellzusammensetzung und die Zellmorphologie als Teil eines Blutbildes zu ermitteln.
[0005] Die einfachste Möglichkeit ist die manuelle Analyse einer Blutprobe durch einen Arzt oder eine andere dazu ausgebildete Person mithilfe eines herkömmlichen Mikroskops. Die Blutprobe wird auf einem Objektträger bereitgestellt, der bspw. aus Glas besteht, und anschließend ggf. mit einer Flüssigkeit gefärbt, wodurch die Zellzusammensetzung optisch besser ersichtlich gemacht wird. Die Blutprobe wird getrocknet und kann anschließend unter einem Mikroskop betrachtet und ausgewertet werden. Das Bild der Blutprobe wird hierbei ca. 400 bis 1.000-fach vergrößert, um die Zellen mit dem menschlichen Auge sichtbar zu machen. Bei der Analyse selbst bestimmt der Nutzer die Zelltypen anhand der Größe, der Form und/oder der Farbe. Nachteilig bei diesen Verfahren sind ein hoher Arbeitsaufwand sowie eine hohe Subjektivität des Ergebnisses, dessen Qualität primär von der Arbeitsleistung des Nutzers abhängt.
[0006] Um diese Nachteile zu beseitigen, können Hämatologiegeräte eingesetzt werden, um automatische Blutanalysen durchführen zu können. Es existiert eine Vielzahl von verschiedenen Systemen, um die Blutzellen in einer Blutprobe zu zählen bzw. zu klassifizieren. Die meisten derartigen Vorrichtungen basieren auf der Messung der Anderung der mittleren elektrischen Leitfähigkeit zwischen zwei in einer Flüssigkeit angeordneten Elektroden, die jeweils in einer durch eine schmale Öffnung getrennten Kammer angeordnet sind (Coulter-Zähler). Die Öffnung ist geringfügig größer als die zu messenden Zellen bzw. Partikel. Durch eine bspw. durch einen Unterdruck erzeugte Strömung fließen die zu messenden Zellen bzw. Partikel von einer Kammer in die andere Kammer, sodass sich der elektrische Widerstand zwischen den beiden Elektroden verändert. Da die Anderung proportional zur Größe der Zelle bzw. des Partikels ist, kann sowohl die Anzahl als auch die Größe der Zellen bzw. Partikel erfasst und ausgewertet werden.
[0007] Nachteilig bei diesen Systemen ist, dass bei rotem Blut im Wesentlichen lediglich die Anzahl von roten Blutzellen und von Hämoglobin direkt gemessen werden kann. Die übrigen Bestandteile werden mathematisch berechnet und nicht gemessen, sodass die Fehleranfälligkeit relativ hoch ist. Weiters kann mit herkömmlichen Verfahren die Form der roten Blutzellen sowie insbesondere die Anzahl roter Blutzellen mit veränderter Form nicht ermittelt werden. Weiters kann mit dieser Methode auch die Anzahl und die Größe weißer Blutzellen ermittelt werden.
[0008] Bei heutigen Analysegeräten wird für die Erkennung und Zählung weißer Blutzellen die Durchflusszytometriemethode verwendet, bei welcher die Zellen an einer elektrischen Spannung oder einem Lichtstrahl vorbeigeführt werden. Das dabei entstehende Streulicht wird aufgefangen und ausgewertet. Dies ermöglicht es insbesondere, dass die einzelnen Arten weißer Blutzellen unterschieden und entsprechend gezählt werden können. Nachteilig bei dieser Methode ist allerdings, dass noch nicht ausgereifte Formen von Granulozyten (Promyelozyten, Myelozyten, Me-
tamyelozyten und Bänder) nicht effektiv voneinander unterschieden und gezählt werden können. Weiters erlauben derartige Analysegeräte bei der Evaluierung der Leukozytenabstammung nicht die Erfassung von Anderungen im Zellkern und im Zytoplasma oder von pathologischer Granularität. Auch hier werden viele Parameter berechnet und geschätzt, wodurch eine hohe Fehleranfälligkeit gegeben ist.
[0009] Zuverlässigere automatische Analysegeräte basieren auf der automatischen Mikroskopie, bei welcher Bilder der Blutprobe durch eine Kamera und ein Mikroskop aufgenommen werden und diese Bilder anschließend basierend auf entsprechenden Algorithmen ausgewertet werden. Diese Analysegeräte verringern die Analysezeit und erhöhen die Objektivität der Messungen.
[0010] Die CN 110852288 A zeigt ein Verfahren zur Klassifizierung eines Zellbildes, insbesondere zur Klassifizierung von Epithelzellen, bei welchem ein Bild einer Zelle aufgenommen wird und dieses Bild mithilfe eines groben Klassifizierungsmodels grob klassifiziert wird.
[0011] Die CN 111815633 A zeigt ein Verfahren zur Klassifizierung von pathologischen Bildern, insbesondere hinsichtlich von Tumorzellen, wobei das pathologische Bild in mehrere Blöcke aufgeteilt wird und die Blöcke mithilfe eines ersten Klassifizierungsmodels klassifiziert werden. Anschließend werden die Blöcke mithilfe eines zweiten Klassifizierungsmodels erneut klassifiziert.
[0012] Nachteilig bei derartigen bekannten Systemen ist es, dass einige pathologische Zellen einander optisch sehr ähnlich sind, und voneinander lediglich bspw. durch die Granulität oder andere unscheinbare Details unterschieden werden können. Auch wenn die verwendeten Algorithmen ausgebildet sind, um auch geringe Unterschiede zu erkennen, kommt es aufgrund der optischen Ahnlichkeiten oftmals zu Fehlbestimmungen bzw. Fehlklassifikationen und damit zu einem falschen Analyseergebnis.
[0013] Es ist daher eine Aufgabe der Erfindung, die Analysezuverlässigkeit bei einem Verfahren der eingangs genannten Art zu erhöhen und Fehlklassifikationen von Zellen zu reduzieren bzw. zu vermeiden. Insbesondere soll ein einfaches, zuverlässiges und schnelles Verfahren zur AnaIyse einer Blutprobe bereitgestellt werden.
[0014] Erfindungsgemäß ist bei einem Verfahren der eingangs genannten Art vorgesehen, dass, basierend auf der im zweiten Schritt durchgeführten Klassifikation, in einem dritten Schritt das Bild erneut ausgewertet wird, wobei die auf dem Bild ersichtlichen Zellen reklassifiziert werden, wobei basierend auf der im zweiten Schritt durchgeführten Klassifikation, ein weiteres Bild eines anderen Bereichs der Blutprobe aufgenommen wird und dieses Bild dem zweiten und dem dritten Schritt unterzogen wird.
[0015] Es ist also vorgesehen, dass zunächst ein Bild (ein Foto) einer Blutprobe aufgenommen wird. Das Bild kann die gesamte Blutprobe abbilden, oder, bevorzugt, einen Teilbereich der Blutprobe. Dieses Bild wird mithilfe eines ersten Algorithmus ausgewertet, wobei jede erkannte Zelle insbesondere anhand ihrer Form, ihrer Größe, ihrer Farbe und ggf. anderen Eigenschaften einer (vordefinierten) Gruppe von Zellen zugeordnet wird. Hierdurch wird eine erste Klassifizierung erhalten, welche aufgrund der Anzahl der Zellen in jeder Kategorie ermöglicht, eine erste Einschätzung des Gesundheitszustandes zu erhalten. Anhand des Ergebnisses der ersten Klassifizierung der Zellen wird nunmehr entschieden, ob entweder keine weitere Untersuchung des Bildes erfolgt, bspw. wenn das Blutbild auf einen guten Gesundheitszustand hindeutet, oder ob eine weitere Klassifizierung (Reklassifizierung) mithilfe eines zweiten Algorithmus erfolgen soll, insbesondere wenn das Blutbild auf einen pathologischen Zustand hindeutet, bspw. aufgrund der Anwesenheit pathologischer Zellen oder einer zu geringen oder zu hohen Anzahl von bestimmten Blutbestandteilen. Um in diesem Schritt eine Entscheidung zu treffen, werden bevorzugt gemäß einer vorgegebenen Routine vordefinierte Werte errechnet und mit vorgegebenen Schwellwerten bzw. Referenzbereichen verglichen, bspw. ob die Anzahl der Blasten und Promyelozyten eine bestimmte Konzentration im Blut übersteigt. Falls hierbei festgestellt wird, dass ein pathologischer Zustand vorliegen kann, kann ein bestimmter, auf die entsprechende Situation zugeschnittener mathematischer Algorithmus verwendet werden, um die Klassifizierung zu verbessern, also die Fehlerwahrscheinlichkeit zu reduzieren. Durch diesen Verfahrensschritt wird es ermöglicht, nach
der ersten Analyse durch einen allgemeinen mathematischen Algorithmus zur Erkennung von Zellen einen spezifischen, auf die bei der ersten Analyse erkannte Situation zugeschnittenen speziellen mathematischen Algorithmus zu wählen und damit eine zweite Analyse durchzuführen, wodurch die Fehlerwahrscheinlichkeit bei der Klassifizierung und damit dem Ergebnis der Blutanalyse im Vergleich zu einem lediglich die erste Analyse umfassenden Verfahren deutlich verbessert wird.
[0016] Dies ist möglich, da der zweite mathematische Algorithmus speziell auf ein bestimmtes, im zweiten Schritt durch den ersten Algorithmus erkanntes Krankheitsbild zugeschnitten ist und daher in der Lage ist, auch kleinste optische Unterschiede zwischen den einzelnen Zellen zu erkennen.
[0017] Die Klassifikation erfolgt bspw. dadurch, dass das Bild von einer Bilderfassung ausgewertet wird, wobei bspw. die Anzahl der Zellen, deren Farbe, Größe und Form ermittelt wird. Diese Werte können bspw. auf numerische Skalen übertragen und gespeichert werden. Anschließend wird anhand dieser ermittelten Werte mithilfe des ersten Algorithmus, der die ermittelten Werte weiterverarbeitet und bspw. gewichtet, bestimmt, welche Arten von Zellen auf dem Bild erkannt wurden.
[0018] Bei der Reklassifikation werden die erkannten Zellen erneut untersucht, diesmal mithilfe eines anderen, zweiten Algorithmus, und erneut jeweils einer Zellart zugeordnet.
[0019] Erfindungsgemäß ist vorgesehen, dass, basierend auf der im zweiten Schritt durchgeführten Klassifikation, ein weiteres Bild eines anderen Teilbereichs der Blutprobe aufgenommen wird und dieses weitere Bild dem zweiten und dem dritten Schritt unterzogen wird. Hierbei ist bspw. vorgesehen, dass eine bestimmte vordefinierte Anzahl gewisser Blutteile, bspw. rote Blutzellen und/oder weiße Blutzellen erkannt und durch den ersten Algorithmus entsprechend klassifiziert werden muss, um eine aussagekräftige Analyse zu ermöglichen. Sollte die entsprechende Anzahl an Blutteilen im ersten Bild nicht vorhanden sein und dementsprechend nicht ausreichend Blutteile durch den ersten mathematischen Algorithmus klassifiziert sein, kann ein weiteres Bild eines anderen Bereichs der Blutprobe durch die Kamera aufgenommen werden, bspw. in einem an das erste Bild angrenzenden Bereich der Blutprobe. Dieses weitere Bild wird, wie das erste Bild, ebenfalls gemäß dem zweiten Schritt und anschließend ggf. gemäß dem dritten Schritt untersucht und ausgewertet. Falls erneut zu wenige Blutteile erkannt und klassifiziert werden, kann ein weiteres, drittes Bild sowie ggf. weitere Bilder aufgenommen werden. Bevorzugt kann die Bildaufnahme weiterer Bilder durch eine mechanische Verschiebevorrichtung ermöglicht werden, die bevorzugt, bspw. über eine Steuerungseinheit, mit dem Computer verbunden ist und von diesem ggf. entsprechend angesteuert wird. Die einzelnen Bilder überlappen einander bevorzugt nicht und grenzen besonders bevorzugt direkt aneinander, um eine möglichst genaue Analyse der Blutprobe zu ermöglichen. Die Verschiebevorrichtung kann die Blutprobe relativ zur Kamera und/oder die Kamera relativ zur Blutprobe verschieben, um das Anfertigen eines Bildes von einen vom ersten Bild unabhängigen Aufnahmebereich der Blutprobe zu ermöglichen.
[0020] Die Kamera kann jede Vorrichtung sein, die ein Bild erfassen und dieses in Form von (elektronischen) Daten auf ein Speichermedium speichern kann, sodass es durch einen Algorithmus ausgewertet werden kann.
[0021] Der Computer ist bevorzugt ein Digitalrechner und kann bspw. als Arbeitsplatzrechner oder Tabletcomputer ausgebildet sein.
[0022] Die im dritten Schritt (potentiell) verwendeten mathematischen Algorithmen werden bevorzugt in einer Datenbank gespeichert. Je nach Bedarf bzw. Ergebnis im zweiten Verfahrensschritt wird der entsprechende Algorithmus ausgewählt und angewandt, um die Auswertung im dritten Verfahrensschritt durchzuführen.
[0023] Bei der Klassifikation bzw. der Reklassifikation werden bspw. die roten Blutzellen und die Blutplättchen gemäß ihrer Größe, Farbe und Form klassifiziert sowie ihre Konzentration im Blut ermittelt. Je größer der Anteil morphologisch veränderter und zerstörter Blutzellen ist, desto ausgeprägter sind bzw. Gewebehypoxie und Mikrozirkulationsstörungen.
[0024] Bei einer bevorzugten Ausbildung ist vorgesehen, dass die Reklassifizierung im dritten Verfahrensschritt lediglich hinsichtlich einer bestimmten Zellart durchgeführt wird, wobei bspw. lediglich die weißen Blutzellen reklassifiziert werden. Dies ermöglich insbesondere die Anwendung eines noch spezifischeren Algorithmus, der auf diese Zellart spezialisiert und entsprechend ausgebildet bzw. trainiert ist, und damit ein noch exakteres Ergebnis liefern kann. Alternativ werden alle Zellarten erneut klassifiziert.
[0025] Nach dem dritten Schritt wird das Ergebnis der Blutanalyse, also insbesondere die Anzahl der einzelnen erkannten Blutzellen, bevorzugt auf einem Datenträger gespeichert und/oder auf einer Ausgabeeinheit, bspw. einem Bildschirm, ausgegeben. Dies ermöglicht die Speicherung der Daten bspw. zur späteren Verwendung bzw. die Anzeige für einen Benutzer, um die entsprechenden Schlüsse aus den Daten zu ziehen.
[0026] Die mathematischen Algorithmen sind bevorzugt in einem lokalen Datenträger des Computers gespeichert, können aber auch bspw. auf einem zentralen Datenträger (bspw. einem Server) gespeichert sein, auf welchen mehrere Computer zur Durchführung des Verfahrens zugreifen können. Dies erlaubt eine schnelle und einfache Aktualisierung der Algorithmen.
[0027] Das Verfahren ist (teilweise) computerimplementiert, wobei insbesondere auf einem Datenträger die nötigen Algorithmen und anderen Programmteile zur Durchführung des Verfahrens gespeichert sind.
[0028] Vor dem ersten Verfahrensschritt wird die Blutprobe ggf. entsprechend aufbereitet, bspw. auf einen Träger aufgebracht und getrocknet und anschließend bspw. in eine Aufnahme einer Kamera-Mikroskop-Kombination gelegt, sodass von der Blutprobe durch die Kamera Bilder gemacht werden können.
[0029] Weiße Blutzellen werden gemäß ihren jeweils charakterisierenden Eigenschaften in Größe, Farbe und Form unterschieden. Bspw. werden die weißen Blutzellen während der Analyse in die folgenden Gruppen eingeteilt: * Basophile (Beteiligt an der Entwicklung von allergischen Reaktionen) * Eosinophile (Hauptaufgabe ist die Bekämpfung mehrzelliger Parasiten) * Segmentierte Neutrophilen (Größte Gruppe von Granulozyten) * Bandneutrophile (junge, unreife Neutrophile) * Lymphozyten (Stellen humorale Immunität und zelluläre Immunität bereit und regulieren die Aktivität anderer Zelltypen) * Monozyten (Stellen die angeborene Immunität bereit und tragen mustererkennende Rezeptoren) * Große granulare Lymphozyten (Anteil von ca. 5% bis 20% an der Gesamtanzahl von Lymphozyten im Blut)
[0030] Neben diesen normalen Blutbestandteilen können auch pathologische Zellen im Blut enthalten sein, bspw. die folgenden: * Promyelozyten (myeloische Zellen, die Vorprodukte von Granulozyten während der Granulopoese, entwickelnd aus Myeloblasten in Myelozyten) * Myelozyten (junge Zellen der Granulozitärreihe, kommen normalerweise im Knochenmark, aber nicht im peripheren Blut vor) * Metamyelocytes (Myeloische Zellen, die die Granulopoese durchmachen und von Myelozyten abgeleitet sind) * Blasten (Junge, unreife Zellen, die im Knochenmark produziert werden) * Plasmazellen (immunkompetente Zellen die Antikörper produzieren. Normalerweise beträgt ihr Anteil an den weißen Blutzellen nicht mehr als 0,5%) * Atypische Lymphozyten (die Anwesenheit dieser Zellen im Blut deutet auf eine akute Infektion und damit den Bedarf an einer Antikörpersynthese hin) * Reaktive Lymphozyten (zytotoxische Lymphozyten, die aufgrund der Stimulierung durch ein Antigen größer wurden) * Prolymphozyten (Vorläuferzellen der Lymphopoese, der direkten Vorprodukte der Lymphozyten, die aus Lymphoblasten entstehen)
[0031] Bevorzugt ist vorgesehen, dass im zweiten Schritt ein erstes neurales Netzwerk zur Klassifizierung genutzt wird. Der im zweiten Schritt genutzte erste mathematische Algorithmus umfasst bzw. wird hierbei durch ein erstes (künstliches) neurales Netzwerk gebildet. Neurale Netzwerke haben eine hohe Effizienz, wenn komplexe Muster bei der Bildverarbeitung erkannt und klassifiziert werden müssen. Das erste neurale Netzwerk ist bevorzugt ausgebildet bzw. trainiert, um Blutproben jeder Art, insbesondere unauffällige, gesunde Blutproben mit allenfalls leichten Abweichungen von der Norm, wie bspw. reaktive Lymphozytose oder eine leichte Linksverschiebung, gut analysieren zu können, insbesondere um alle möglichen Zellen zu erfassen und zu kategorisieren. Um dies zu ermöglichen, ist bevorzugt vorgesehen, dass das erste neurale Netzwerk mit einer Vielzahl von gesunden bzw. lediglich leicht von der Norm abweichenden Blutbildern trainiert ist. Durch dieses Training ist das erste neurale Netzwerk besser bei der Erkennung und Klassifizierung von gesunden, also zumindest im Wesentlichen der Norm entsprechenden Blutbildern, die keine bösartigen Zellen und ernste pathologische Zustände aufweisen.
[0032] Weiters ist es bevorzugt vorgesehen, dass im dritten Schritt ein zweites neurales Netzwerk zur Klassifizierung genutzt wird. Der im dritten Schritt eingesetzte mathematische Algorithmus umfasst bzw. wird hierbei durch ein zweites (künstliches) neurales Netzwerk gebildet, welches sich vom ersten mathematischen Algorithmus bzw. vom ersten neuralen Netzwerk unterscheidet und spezifisch für ein bestimmtes, im zweiten Schritt klassifiziertes Blutbild gedacht und ausgebildet ist. Das zweite neurale Netzwerk ist also bevorzugt ausgebildet bzw. trainiert, um pathologische Zellen voneinander zu unterscheiden und entsprechend kategorisieren zu können. Um dies zu ermöglichen, ist bevorzugt vorgesehen, dass das zweite neurale Netzwerk (ausschließlich) mit einer Vielzahl von kranken, also von der Norm abweichenden Blutbildern, insbesondere bösartigen Zellen, seltenen und/oder pathologischen Krankheitsbildern, trainiert ist. Durch dieses Training ist das zweite neurale Netzwerk besser bei der Erkennung, Unterscheidung und Klassifizierung von sehr unreifen, missgebildeten und deformierten Zellgruppen, da es eine hohe Sensitivität in Bezug auf geringe Abweichungen bei Kernen und Zytoplasmen unreifer Zellen aufweist.
[0033] Der erste Algorithmus ist also besser darin, unreife Zellen zu erkennen und normale Zellen zu klassifizieren, während der zweite Algorithmus besser darin ist, zwischen einzelnen unreifen Zellgruppen zu unterscheiden und diese zu klassifizieren.
[0034] Das Training neuraler Netze beinhaltet das Schätzen der Parameter des neuralen Netzes, um eine möglichst genaue Klassifizierung der Blutzellen zu ermöglichen. Hierbei wird anhand von Trainingsdaten, also bereits klassifizierten Blutbildern, die dem neuralen Netz zugeführt werden, eine Anpassung der Parameter des neuralen Netzes erreicht, die zu genaueren Ergebnissen führen.
[0035] Falls lediglich der erste Algorithmus zur Klassifizierung verwendet wird, wird lediglich eine geringe Genauigkeit bei der Unterscheidung zwischen unreifen Zellgruppen erzielt, da der erste Algorithmus die feinen Details bei der Unterscheidung dieser Zellgruppen nicht (zuverlässig) erkennt. Wird hingegen lediglich der zweite Algorithmus zur Klassifizierung einer normalen Blutprobe herangezogen, so wird eine übersensible Analyse ausgegeben, die anfällig für falschpositive Erkennungen und damit ebenfalls ungenau ist.
[0036] Erfindungsgemäß ist weiters ein System zur Analyse einer Blutprobe, insbesondere zur Durchführung eines erfindungsgemäßen Verfahrens vorgesehen, umfassend eine Aufnahme für die Blutprobe, eine Kamera sowie einen mit der Kamera verbundenen Computer, der ausgebildet ist, um die von der Kamera empfangenen Bilder auszuwerten, wobei die auf dem Bild ersichtlichen Zellen klassifiziert werden, wobei der Computer weiters ausgebildet ist, um das Bild, basierend auf der Klassifikation der Zellen, erneut auszuwerten, wobei die auf dem Bild ersichtlichen Zellen reklassifiziert werden, wobei das System weiters ausgebildet ist, um basierend auf der im zweiten Schritt durchgeführten Klassifikation ein weiteres Bild eines anderen Bereichs der Blutprobe aufzunehmen und dieses Bild dem zweiten und dem dritten Schritt zu unterziehen.
[0037] Hierbei ist bevorzugt weiters ein Mikroskop vorgesehen, um das Bild der Blutprobe zu vergrößern. Die Vergrößerung des Mikroskops ist bevorzugt verstellbar und besonders bevorzugt
ist das Mikroskop mit dem Computer verbunden und kann ggf. von diesem angesteuert werden, um bspw. die Vergrößerung zu verändern.
[0038] Weiters umfasst das System bevorzugt eine Verschiebevorrichtung, um die Aufnahme für die Blutprobe relativ zur Kamera zu bewegen, insbesondere translatorisch zu verschieben.
[0039] Die Verschiebevorrichtung kann alternativ oder zusätzlich bevorzugt ausgebildet sein, um die Kamera relativ zur Blutprobe zu bewegen, insbesondere translatorisch zu verschieben. Die Erfindung wird nachfolgend anhand eines in der Zeichnung schematisch dargestellten Ausführungsbeispiels näher erläutert. In dieser zeigt Fig. 1 ein erfindungsgemäßes Verfahren in einer schematischen Darstellung, Fig. 2 eine schematische Darstellung eines erfindungsgemäßen Systems und Fig. 3 einige exemplarische Bildauschnitte von Blutzellen.
[0040] In Fig. 1 ist ein erfindungsgemäßes Verfahren schematisch dargestellt. Bei 1 wird das Verfahren gestartet, nachdem eine zu untersuchende Blutprobe in einer Aufnahme eines Mikroskops gelegt wurde. Bei 2 wird nunmehr ein Bild eines Teils der Blutprobe mithilfe einer Kamera angefertigt (Schritt 1). Anschließend wird das Bild einem Computer zugeführt und durch diesen mithilfe eines ersten mathematischen Algorithmus, insbesondere eines ersten neuralen Netzes ausgewertet, wobei die auf dem Bild erkannten Zellen klassifiziert werden, bspw. in Abhängigkeit von Farbe, Größe und Form der einzelnen Zellen. Bei 3 wird festgestellt, ob eine erste Zellart (bspw. rote Blutzellen) in einer ausreichenden Menge auf dem Bild erkannt wurde. Falls nicht, wird zunächst die Klassifizierung des Bildes bei 4 abgeschlossen und der Aufnahmebereich der Kamera anschließend bei 5 verändert, sodass ein anderer Teilbereich der Blutprobe durch die Kamera erfasst werden kann, wodurch ein weiteres Bild erzeugt wird, welches ebenfalls analysiert und die erkannten Zellen klassifiziert werden. Dies wird solange fortgesetzt, bis bei 3 festgestellt wird, dass auf den bisher aufgenommenen Bildern nunmehr ausreichend Zellen einer Art (bspw. rote Blutzellen) erfasst und klassifiziert wurden. Anschließend wird bei 6 geprüft, ob eine zweite Zellart (bspw. weiße Blutzellen) in einer ausreichenden Menge auf den bisher aufgenommenen Bildern erkannt wurde. Falls nicht, werden die erkannten Zellen bei 7 analysiert und bei 5 der Aufnahmebereich der Kamera verändert, um ein Bild eines anderen Teilbereiches der Blutprobe zu erhalten, welches ebenfalls erneut geprüft wird. Falls ausreichend Zellen der zweiten Zellart erkannt wurden, werden die klassifizierten Zellen hinsichtlich mehrere Kriterien bei 8, 9, 10, 11 und 12 bspw. wie folgt überprüft:
[0041] Bei 8: Anzahl Blasten und Promyelozyten größer als 9
[0042] Bei 9: Anzahl Lymphozyten, reaktive Lymphozyten, atypische Lymphozyten, große granuläre Lymphozyten und Plasmazellen größer als 0 und der Quotient aus reaktiven Lymphozyten, atypischen Lymphozyten, großen granulären Lymphozyten und Plasmazellen sowie Lymphozyten, reaktiven Lymphozyten, atypischen Lymphozyten, großen granulären Lymphozyten und Plasmazellen ist größer als 0,2
[0043] Bei 10: Quotient aus gebänderten Neutrophilen und Leukozyten ist größer als 0,1
[0044] Bei 11: Quotient aus Myezolyten und Metamylezyten (IMGRA) und Leukozyten ist größer als 0,04
[0045] Bei 12: Quotient aus gebänderten Neutrophilen und Leukozyten ist größer als 0,07 und der Quotient aus Myezolyten und Metamylezyten (IMGRA) sowie Leukozyten ist größer als 0,02.
[0046] Sollte keine der Bedingungen 8,9,10,11 oder 12 erfüllt sein, so wird die Blutprobe bei 13 als „normal“ eingestuft, die Ergebnisse werden bei 14 gespeichert und das Verfahren bei 15 abgeschlossen.
[0047] Falls eine der Bedingungen 8,9,10,11 oder 12 erfüllt sein sollte, so wird die Blutprobe bei 16 als „pathologisch“ eingestuft. Basierend darauf, welche der Bedingungen erfüllt ist, wird anschließend ein zweiter mathematischer Algorithmus ausgewählt, bspw. aus einer Datenbank, und die erkannten Zellen werden bei 17 erneut analysiert und klassifiziert. Dadurch wird sichergestellt, dass die Zellen bestmöglich gemäß dem Zustand der Blutprobe erkannt und zugeordnet werden,
sodass Fehlklassifikationen möglichst vermieden bzw. verringert werden. Nach der Reklassifikation bei 17 wird das Ergebnis bei 14 gespeichert und das Verfahren bei 15 beendet.
[0048] Die Zellen werden mithilfe der Klassifikation bzw. der Reklassifikation bspw. wie folgt eingeteilt:
Weiße Rote Blutzellen Plättchen Blutzellen Basophile Größe Farbe Form Mikroplättchen Eosinophile Mikrozyten Polychromie Poikilo Makrozyten plättchen Promyelo Makrozyten Hypochromie Codo Normale zyten zyten Plättchen Myelozyten Normale Hyperchromie Schisto Größe zyten Band Normochromie Helm neutrophile zellen Segmentierte Sichel Neutrophile zellen Lymphozyten Sphero zyten Monozyten Ellipto zyten Plasmazellen Ovalo zyten Reaktive Tränen Lymphozyten Tropfen zellen Große granuläre Stomato Lymphozyten zyten Prolympho Acantho zyten zyten Atypische Echino Lymphozyten zyten Blasten Normale Form
[0049] In Fig. 2 ist ein erfindungsgemäßes System dargestellt, welches zur Ausführung eines Verfahrens gemäß Fig. 1 ausgebildet ist. Das System umfasst ein Mikroskop 18, eine Kamera 19, eine Aufnahme 20 für eine Blutprobe, einen Computer 21, eine als Bildschirm ausgebildete Ausgabeeinheit 22, eine Steuerungseinheit 23 sowie eine Verschiebevorrichtung 24. Der Computer 21 steuert das Verfahren und empfängt von der Kamera 19 die Bilder der Blutproben, um diese anschließend auszuwerten und die erkannten Zellen zu klassifizieren sowie ggf. die entsprechenden Algorithmen auszuwählen und die Zellen zu reklassifizieren. Die Verschiebevorrichtung 24 ist ausgebildet, um je nach Bedarf die Aufnahme 20 relativ zur Kamera 19 bzw. die Kamera 19 relativ zur Aufnahme 20 in allen Raumrichtungen zu bewegen, um einerseits die Erzeugung von Bildern mehrerer Teilbereiche der Blutprobe zu ermöglichen und andererseits die Fokussierung der Kamera 19 auf die Blutprobe zu verbessern. Das Ergebnis der Blutanalyse, insbesondere die Klassifizierung, kann auf der Ausgabeeinheit 22 dargestellt werden.
[0050] In Fig. 3 sind einige Bildauschnitte von Blutzellen exemplarisch dargestellt, die jeweils große optische Ahnlichkeit miteinander aufweisen. In Fig. 3a sind Lymphozyten 25, Prolympho-
zyten 26 und atypische Lymphozyten 27 gezeigt. In Fig. 3b sind Monozyten 28, Blasten 29 und reaktive Lymphozyten 30 gezeigt. In Fig. 3c sind Promyelozyten 31, Myelozyten 32 und Metamyelozyten 33 gezeigt.
Claims (6)
1. Verfahren zur Analyse einer Blutprobe, bei welchem in einem ersten Schritt ein Bild einer Blutprobe durch eine Kamera aufgenommen wird, und in einem zweiten Schritt das Bild durch einen Computer ausgewertet wird, wobei die auf dem Bild ersichtlichen Zellen klassifiziert werden, dadurch gekennzeichnet, dass, basierend auf der im zweiten Schritt durchgeführten Klassifikation, in einem dritten Schritt das Bild erneut ausgewertet wird, wobei die auf dem Bild ersichtlichen Zellen reklassifiziert werden, wobei basierend auf der im zweiten Schritt durchgeführten Klassifikation, ein weiteres Bild eines anderen Bereichs der Blutprobe aufgenommen wird und dieses Bild dem zweiten und dem dritten Schritt unterzogen wird.
2, Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass im zweiten Schritt ein erstes neurales Netzwerk zur Klassifizierung genutzt wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass im dritten Schritt ein zweites neurales Netzwerk zur Klassifizierung genutzt wird.
4. System zur Analyse einer Blutprobe, insbesondere zur Durchführung eines Verfahrens gemäß einem der Ansprüche 1 bis 3, umfassend eine Aufnahme für die Blutprobe, eine Kamera sowie einen mit der Kamera verbundenen Computer, der ausgebildet ist, um die von der Kamera empfangenen Bilder auszuwerten, wobei die auf dem Bild ersichtlichen Zellen klassifiziert werden, dadurch gekennzeichnet, dass der Computer weiters ausgebildet ist, um das Bild, basierend auf der Klassifikation der Zellen, erneut auszuwerten, wobei die auf dem Bild ersichtlichen Zellen reklassifiziert werden, wobei das System weiters ausgebildet ist, um basierend auf der im zweiten Schritt durchgeführten Klassifikation ein weiteres Bild eines anderen Bereichs der Blutprobe aufzunehmen und dieses Bild dem zweiten und dem dritten Schritt zu unterziehen.
5. System nach Anspruch 4, dadurch gekennzeichnet, dass weiters ein Mikroskop vorgesehen ist, um das Bild der Blutprobe zu vergrößern.
6. System nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass eine Verschiebevorrichtung vorgesehen ist, um die Aufnahme für die Blutprobe relativ zur Kamera zu bewegen, insbesondere translatorisch zu verschieben.
Hierzu 2 Blatt Zeichnungen
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ATA50863/2021A AT525533B1 (de) | 2021-11-02 | 2021-11-02 | Verfahren und System zur Analyse einer Blutprobe |
PCT/AT2022/060375 WO2023077177A1 (de) | 2021-11-02 | 2022-11-02 | Zwei-stufige bildbasierte automatische klassifikation einer blutprobe |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ATA50863/2021A AT525533B1 (de) | 2021-11-02 | 2021-11-02 | Verfahren und System zur Analyse einer Blutprobe |
Publications (2)
Publication Number | Publication Date |
---|---|
AT525533A1 AT525533A1 (de) | 2023-05-15 |
AT525533B1 true AT525533B1 (de) | 2023-06-15 |
Family
ID=84363571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ATA50863/2021A AT525533B1 (de) | 2021-11-02 | 2021-11-02 | Verfahren und System zur Analyse einer Blutprobe |
Country Status (2)
Country | Link |
---|---|
AT (1) | AT525533B1 (de) |
WO (1) | WO2023077177A1 (de) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6132182A (ja) * | 1984-07-24 | 1986-02-14 | Hitachi Ltd | 細胞分類装置 |
DE3642209A1 (de) * | 1985-12-10 | 1987-06-11 | Hitachi Ltd | Zellanalysensystem |
CN110852288A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 一种基于两阶段卷积神经网络的细胞图像分类方法 |
CN111815633A (zh) * | 2020-09-08 | 2020-10-23 | 上海思路迪医学检验所有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10124340A1 (de) * | 2001-05-18 | 2002-12-05 | Fraunhofer Ges Forschung | Verfahren zur Analyse einer biologischen Probe |
US20230026108A1 (en) * | 2019-12-12 | 2023-01-26 | S.D. Sight Diagnostics Ltd | Classification models for analyzing a sample |
-
2021
- 2021-11-02 AT ATA50863/2021A patent/AT525533B1/de active
-
2022
- 2022-11-02 WO PCT/AT2022/060375 patent/WO2023077177A1/de active Search and Examination
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6132182A (ja) * | 1984-07-24 | 1986-02-14 | Hitachi Ltd | 細胞分類装置 |
DE3642209A1 (de) * | 1985-12-10 | 1987-06-11 | Hitachi Ltd | Zellanalysensystem |
CN110852288A (zh) * | 2019-11-15 | 2020-02-28 | 苏州大学 | 一种基于两阶段卷积神经网络的细胞图像分类方法 |
CN111815633A (zh) * | 2020-09-08 | 2020-10-23 | 上海思路迪医学检验所有限公司 | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
AT525533A1 (de) | 2023-05-15 |
WO2023077177A1 (de) | 2023-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE3146423C2 (de) | ||
DE69218912T2 (de) | Schwerkraftsattraktionsmaschine zur anpassungsfähigen autoclusterbildung n-dimensionaler datenströme | |
DE68926796T2 (de) | System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk | |
DE68919622T2 (de) | Teilchenanalysevorrichtung und Verfahren zur Bestimmung einer Kernverschiebungsmesszahl. | |
DE68917064T2 (de) | Vorrichtung zur Teilchenanalyse und Verfahren zur Bestimmung des Kernverschiebungsindex. | |
DE3751859T2 (de) | Durchflusszytometrie-Verfahren zur Klassifikation von Leukozyten und Reagenzien dafür | |
DE69209886T2 (de) | Gerät zur Zellenanalyse im Urin | |
EP2997365B1 (de) | Analyseverfahren zur klassifikationsunterstützung | |
DE69927871T2 (de) | Vorrichtung und Verfahren zur Unterscheidung von Erythrozyten in Urin | |
DE3531969A1 (de) | Geraet und verfahren zur erfassung und klassifizierung von teilchen mit hilfe von techniken der durchfluss-cytometrie | |
DE2903625C2 (de) | ||
DE69027593T2 (de) | Verfahren und Reagenz zur Leukozytenklassifikation | |
DE3315194A1 (de) | Verfahren zum trennen von in einer fluidprobe stroemenden teilchen | |
DE3315195A1 (de) | Verfahren zum ausrichten von teilchen in einer fluidprobe | |
WO2005050175A1 (de) | Verfahren und vorrichtung zur erfassung von verschiedenen zelltypen von zellen in einer biologischen probe | |
DE3789736T2 (de) | Verfahren zur Auswertung eines Teilchengrössenverteilung. | |
DE102009033927B4 (de) | Vorrichtung und Verfahren zum Lokalisieren eines validen Bereiches eines Blutausstriches | |
AT525533B1 (de) | Verfahren und System zur Analyse einer Blutprobe | |
DE3855153T2 (de) | Verfahren zum klassifizieren von leukozyten und reagenzien | |
DE69635391T2 (de) | Verfahren zur Untersuchung einer Zellprobe | |
DE69028399T2 (de) | Verfahren zum sichten von zellen oder geformten körpern mit ausgewählten eigenschaften unter benutzung eines nachweisparameters | |
EP0012418B1 (de) | Anordnung zur Klassierung von in einer Blutprobe enthaltenen Teilchen | |
EP0280849B1 (de) | Verfahren und Vorrichtung zum Bestimmen von Schwellenwerten bei der Teilchenanalyse einer Flüssigkeit | |
DE3686867T2 (de) | Verfahren und mittel zum erkennen einer infektion bei tieren. | |
EP3540631A1 (de) | In-vitro-verfahren zum markierungsfreien bestimmen eines zelltyps einer weissen blutzelle |