CN115409068B - 一种基于流式细胞数据的分析处理方法 - Google Patents

一种基于流式细胞数据的分析处理方法 Download PDF

Info

Publication number
CN115409068B
CN115409068B CN202211101712.3A CN202211101712A CN115409068B CN 115409068 B CN115409068 B CN 115409068B CN 202211101712 A CN202211101712 A CN 202211101712A CN 115409068 B CN115409068 B CN 115409068B
Authority
CN
China
Prior art keywords
data matrix
dimensional
electrical characteristic
longitudinal
samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211101712.3A
Other languages
English (en)
Other versions
CN115409068A (zh
Inventor
燕自保
陈柳青
胡彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUHAN ZKKL OPTOELECTRONIC TECHNOLOGY CO LTD
Original Assignee
WUHAN ZKKL OPTOELECTRONIC TECHNOLOGY CO LTD
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WUHAN ZKKL OPTOELECTRONIC TECHNOLOGY CO LTD filed Critical WUHAN ZKKL OPTOELECTRONIC TECHNOLOGY CO LTD
Priority to CN202211101712.3A priority Critical patent/CN115409068B/zh
Publication of CN115409068A publication Critical patent/CN115409068A/zh
Application granted granted Critical
Publication of CN115409068B publication Critical patent/CN115409068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Complex Calculations (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请公开了一种基于流式细胞数据的分析处理方法，包括以下步骤：使用电磁激励源多种不同的频率检测流式细胞样品的电特性；分别建立所述不同频率与所述电特性映射关系表并合并形成电特性数据矩阵，对数据矩阵进行二维傅里叶变换，得到频谱分析结果，当频谱分析结果在纵向频谱的低频分量超过阈值时，对数据矩阵处理后形成二维图输入训练好的全卷积网络，否则对所有样本加权后形成二维图输入全卷积网络；根据全卷积网络的输出结果判断风险等级。本发明对大量样本流式细胞进行电特性分析时，通过频域分析和梯度分析，快速定位异常细胞的在海量数据中的数据位置和数量得到风险等级，提供一种较为准确的风险预判方法，有利于提高肿瘤预测准确率。

Description

一种基于流式细胞数据的分析处理方法
技术领域
本发明涉及人工智能领域，具体为一种基于流式细胞数据的分析处理方法。
背景技术
许多疾病难以通过单一途径或方法来检测。尤其是，许多发病率和死亡率高的严重疾病，包括呼吸道/肺部疾病，癌症和心脏病，都难以通过一种检测设备以高灵敏度，特异性和高效率在早期进行诊断。值得注意的是，当前对许多重要的肺部疾病(例如，肺炎，肺结核，严重急性呼吸***综合症(SARS)和冠状病毒)的检测仍然无效，复杂和/或昂贵。
另外，目前的疾病诊断技术通常检测和依赖于单一的宏观数据和信息，如体温、血压、身体扫描图像。例如，检测癌症这类重大疾病，现在常用的每种诊断仪器大多是基于影像技术的设备，如X射线、CT扫描或核磁共振(NMR)成像技术。当这些诊断仪器组合使用时，对疾病的诊断在不同程度上是有用的。然而，当这些设备各自单独使用时，都不能在重大疾病发病的早期进行准确的、可信的、高效的、经济的检测，并且难以同时检测多种类型的癌症。另外，很多这些现有诊断设备体型较大且具有侵入性，如X射线、CT扫描或核磁共振(NMR)成像技术。
即使最近涌现出了基于基因检测的新技术，它也通常依赖于单一的诊断技术，不能对重大疾病进行全面的、可靠的、准确的、可信的、经济的检测。近年来，人们在将纳米技术应用于多种生物领域方面做了诸多努力，大量的工作集中在疾病检测领域中基因图谱及其微小变化。到目前为止，大多数上述技术局限于单一的传感技术，使用相对结构简单、大尺寸且功能有限、缺乏灵敏度与特异性的***。而且，现有这些技术需要用多种设备一起进行多次检测。这些会增加费用并影响灵敏度和特异性。
因此，寻找一种能够减少病人检测流程，提高胆部等消化***中的肿瘤预测的准确率，并为医生的诊断提供有效数据支撑的方法是本领域技术人员亟待解决的技术问题。
发明内容
针对上述现有技术的不足，本发明的目的在于提供一种基于流式细胞数据的分析处理方法，包括以下步骤：
提取多份所述流式细胞样品；
使用电磁激励源采用特定范围内的多种不同的频率检测所述流式细胞样品的电特性；
分别建立所述不同频率与所述电特性映射关系表；
合并所述多份流式细胞样品的电特性映射表形成电特性数据矩阵，将相同频率激励下的电特性数据放在同一维度中；
对所述数据矩阵进行二维傅里叶变换，得到相应的频谱分析结果；
当所述频谱分析结果在纵向频谱的低频分量超过阈值时，对所述数据矩阵进行处理后形成的二维图输入训练好的全卷积网络，否则直接的对所有样本的纵向分量进行加权平均后形成二维图输入训练好的全卷积网络；
根据全卷积网络的输出结果判断风险等级。
其中，所述多种不同的频率范围为[10000Hz，300000Hz]。
其中，所述电特性包括相位和振幅。
其中，所合并所述多份流式细胞样品的电特性映射表形成电特性数据矩阵，将相同频率激励下的电特性数据放在同一维度中，包括：
将样品测试中频率、相位、振幅一一对应，建立映射关系表；
建立振幅特性数据矩阵，将不同样本中在同一频率激励下产生的振幅特性值放在同一纵向维度，不同的样本数据放在不同纵向维度上；
建立相位特性数据矩阵，将不同样本中在相同频率激励下产生的相位特性值放在同一纵向维度，不同的样本数据放在不同纵向维度上。
其中，对所述数据矩阵进行二维傅里叶变换，包括通过二维傅里叶变换得到电特性数据的频谱特性：
其中，f(x，y)为二维图的M*N的空间数据矩阵，x＝0,1,2,…,M-1和y＝0，1,2，…N-1,F(u，v)表示f(x，y)的傅里叶变换，其为大小为M*N的频域数据矩阵，u＝0,1,2,…,M-1和v＝0，1,2，…N-1,M为样本个数，N为频率测试点位个数。
其中，所述频谱分析结果在纵向频谱的低频分量超过阈值，表明存在样本之间的电特性发生了较大变化的情形，使用低通滤波器对频谱分析结果进行滤波，当低通带上的低频分量超过阈值时需定向异常样品的电特性数据，所述阈值是根据历史测试数据进行确定的。
其中，对所述数据矩阵进行处理后形成的二维图包括：对电特性数据矩阵进行纵向差分后，得到差分后的电特性数据矩阵，再对差分后的矩阵求解纵向上的梯度，得到梯度图，选择所有在梯度图出现凹陷轮廓位置的纵列编号，查找电特性数据矩阵的对应纵列，将选择的各纵列进行加权平均得到二维图；
分别得到振幅特性数据矩阵和相位特性数据矩阵的梯度图，分别对选择两个数据矩阵中选择的纵列进行加权平均后，得到两个一维纵向量，将两者倒置成两个一维横向量后进行组合得到一个N*2的二维图。
其中，直接的对所有样本的纵向分量进行加权平均后形成二维图包括：将振幅特性数据矩阵和相位特性数据矩阵的各纵列进行加权平均得到二维图；得到两个一维纵向量，将两者倒置成两个一维横向量后进行组合得到一个N*2的二维图。
其中，在离线阶段根据全卷积网络的输出结果判断风险等级包括：预先使用标记过的电特性数据进行训练得到全卷积网络，所述全卷积网络可以输出对应的风险系数；
在线阶段时，将二维图输入该全卷积网络，输出对应的风险系数；
结合风险系数和计算二维图时选择的纵列占所有样本的比例确定对应的风险等级。
同时，本发明还提出一种电子设备，包括存储器和处理器，所述处理器用于执行所述存储器中存储的风险等级模型，以实现上述任意一项所述的一种基于流式细胞数据的分析处理方法。
与现有技术相比，本发明能够取得下列有益效果：对大量样本流式细胞进行电特性分析时，通过频域分析和梯度分析，快速定位异常细胞的在海量数据中的数据位置，得到所有异常样本的数量，同时综合分析异常程度和异常样本占比，得到风险等级，本发明提供一种较为准确的风险预判方法，有利于提高肿瘤预测准确率。
附图说明
图1为本发明一实施方式的一种基于流式细胞数据的分析处理方法的流程图；
图2为本发明一实施方式的风险等级确定的流程图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
需要说明的是，当元件被称为“固定于”或“设置于”另一个部件上，它可以直接在另一个部件上或者间接设置在另一个部件上；当一个部件被称为是“连接于”另一个部件，它可以是直接连接到另一个部件或间接连接至另一个部件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或部件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。
须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。
如图1所示，本发明一优选实施方式提供一种基于流式细胞数据的分析处理方法，包括以下步骤：
提取多份所述流式细胞样品；
使用电磁激励源采用特定范围内的多种不同的频率检测所述流式细胞样品的电特性；
分别建立所述不同频率与所述电特性映射关系表；
合并所述多份流式细胞样品的电特性映射表形成电特性数据矩阵，将相同频率激励下的电特性数据放在同一维度中；
对所述数据矩阵进行二维傅里叶变换，得到相应的频谱分析结果；
当所述频谱分析结果在纵向频谱的低频分量超过阈值时，对所述数据矩阵进行处理后形成的二维图输入训练好的全卷积网络，否则直接的对所有样本的纵向分量进行加权平均后形成二维图输入训练好的全卷积网络；
根据全卷积网络的输出结果判断风险等级。
在一种实施例中，所述多种不同的频率范围为[10000Hz，300000Hz]。
在一种实施例中，所述电特性包括相位和振幅。
在一种实施例中，所合并所述多份流式细胞样品的电特性映射表形成电特性数据矩阵，将相同频率激励下的电特性数据放在同一维度中，包括：
将样品测试中频率、相位、振幅一一对应，建立映射关系表；
建立振幅特性数据矩阵，将不同样本中在同一频率激励下产生的振幅特性值放在同一纵向维度，不同的样本数据放在不同纵向维度上；
建立相位特性数据矩阵，将不同样本中在相同频率激励下产生的相位特性值放在同一纵向维度，不同的样本数据放在不同纵向维度上。
在一种实施例中，对所述数据矩阵进行二维傅里叶变换，包括通过二维傅里叶变换得到电特性数据的频谱特性：
其中，f(x，y)为二维图的M*N的空间数据矩阵，x＝0,1,2,…,M-1和y＝0，1,2，…N-1,F(u，v)表示f(x，y)的傅里叶变换，其为大小为M*N的频域数据矩阵，u＝0,1,2,…,M-1和v＝0，1,2，…N-1,M为样本个数，N为频率测试点位个数。
在一种实施例中，所述频谱分析结果在纵向频谱的低频分量超过阈值，表明存在样本之间的电特性发生了较大变化的情形，使用低通滤波器对频谱分析结果进行滤波，当低通带上的低频分量超过阈值时需定向异常样品的电特性数据，所述阈值是根据历史测试数据进行确定的。
其中，使用快速傅里叶变换对频谱进行分析需要的计算时间较短，同时又能快速判断大量的样本中是否存在正常样本和异常样本混杂的情形，因为大量样本夹杂纵向数据差异较大时，在实验中发现数据矩阵会出现明显的异常数据带和正常数据带分隔的情况，通过低通带可以将这部分情形筛选出来，以减小将正常细胞数据和异常细胞数据进行统一分析时，对结果造成较大误差。
在一种实施例中，对所述数据矩阵进行处理后形成的二维图包括：对电特性数据矩阵进行纵向差分后，得到差分后的电特性数据矩阵，再对差分后的矩阵求解纵向上的梯度，得到梯度图，选择所有在梯度图出现凹陷轮廓位置的纵列编号，查找电特性数据矩阵的对应纵列，将选择的各纵列进行加权平均得到二维图；
由于异常电特性数据的电阻电容特性升高，其幅值相位会出现向下偏移的特点，根据这个特点，异常电特性数据带会在矩阵对应的梯度图中处于凹陷轮廓处，因此可以通过梯度图中所有的凹陷轮廓快速定位到所有的异常数据纵列序列，再查找到数据矩阵的原始数据位置，同时可以获得异常数据条数，和异常数据条数占所有样本的比例。
分别得到振幅特性数据矩阵和相位特性数据矩阵的梯度图，分别对选择两个数据矩阵中选择的纵列进行加权平均后，得到两个一维纵向量，将两者倒置成两个一维横向量后进行组合得到一个N*2的二维图。
在一种实施例中，直接的对所有样本的纵向分量进行加权平均后形成二维图包括：将振幅特性数据矩阵和相位特性数据矩阵的各纵列进行加权平均得到二维图；得到两个一维纵向量，将两者倒置成两个一维横向量后进行组合得到一个N*2的二维图。
在一种实施例中，根据全卷积网络的输出结果判断风险等级包括：在离线阶段，预先使用标记过的电特性数据进行训练得到全卷积网络，所述全卷积网络可以输出对应的风险系数；
在线阶段时，将二维图输入该全卷积网络，输出对应的风险系数；
结合风险系数和计算二维图时选择的纵列占所有样本的比例确定对应的风险等级。
如果样本数据差异很小，则表明所有样本细胞的特性较为一致，可以使用所有样本的加权平均来得到风险系数，但当差异很大时，利用所有样本的加权会使得结果出现较大误差，因此需要把异常数据筛选出来，但如果异常数据仅占所有样本的比例非常低，可能该样本的风险也不算很高，需结合风险样本的比例和风险系数综合得到整体风险等级，例如可以预先给不同的比例范围确定比例系数，再使用风险系数乘以该比例系数得到最终的风险等级。
与现有技术相比，本发明能够取得下列有益效果：对大量样本流式细胞进行电特性分析时，通过频域分析和梯度分析，快速定位异常细胞的在海量数据中的数据位置，得到所有异常样本的数量，同时综合分析异常程度和异常样本占比，得到风险等级，本发明提供一种较为准确的风险预判方法，有利于提高肿瘤预测准确率。
本发明还提出一种电子设备，包括存储器和处理器，所述处理器用于执行所述存储器中存储的风险等级模型，以实现上述任意一项所述的一种基于流式细胞数据的分析处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于流式细胞数据的分析处理方法，其特征在于，包括以下步骤：
提取多份所述流式细胞样品；
使用电磁激励源采用特定范围内的多种不同的频率检测所述流式细胞样品的电特性；
分别建立所述不同频率与所述电特性映射关系表；
合并所述多份流式细胞样品的电特性映射表形成电特性数据矩阵，将相同频率激励下的电特性数据放在同一维度中；
对所述数据矩阵进行二维傅里叶变换，得到相应的频谱分析结果；
当所述频谱分析结果在纵向频谱的低频分量超过阈值时，对所述数据矩阵进行处理后形成的二维图输入训练好的全卷积网络，否则直接的对所有样本的纵向分量进行加权平均后形成二维图输入训练好的全卷积网络；
根据全卷积网络的输出结果判断风险等级；
对所述数据矩阵进行处理后形成的二维图包括：对电特性数据矩阵进行纵向差分后，得到差分后的电特性数据矩阵，再对差分后的矩阵求解纵向上的梯度，得到梯度图，选择所有在梯度图出现凹陷轮廓位置的纵列编号，查找电特性数据矩阵的对应纵列，将选择的各纵列进行加权平均得到二维图；
其中，分别得到振幅特性数据矩阵和相位特性数据矩阵的梯度图，分别对选择两个数据矩阵中选择的纵列进行加权平均后，得到两个一维纵向量，将两者倒置成两个一维横向量后进行组合得到一个N*2的二维图。
2.根据权利要求1所述的一种基于流式细胞数据的分析处理方法，其特征在于，所述多种不同的频率范围为[10000Hz，300000Hz]。
3.根据权利要求1所述的一种基于流式细胞数据的分析处理方法，其特征在于，所合并所述多份流式细胞样品的电特性映射表形成电特性数据矩阵，将相同频率激励下的电特性数据放在同一维度中，包括：
将样品测试中频率、相位、振幅一一对应，建立映射关系表；
建立振幅特性数据矩阵，将不同样本中在同一频率激励下产生的振幅特性值放在同一纵向维度，不同的样本数据放在不同纵向维度上；
建立相位特性数据矩阵，将不同样本中在相同频率激励下产生的相位特性值放在同一纵向维度，不同的样本数据放在不同纵向维度上。
4.根据权利要求3所述的一种基于流式细胞数据的分析处理方法，其特征在于，对所述数据矩阵进行二维傅里叶变换，包括通过二维傅里叶变换得到电特性数据的频谱特性：
其中，f(x，y)为二维图的M*N的空间数据矩阵，x＝0,1,2,…,M-1和y＝0，1,2，…N-1,F(u，v)表示f(x，y)的傅里叶变换，其为大小为M*N的频域数据矩阵，u＝0,1,2,…,M-1和v＝0，1,2，…N-1,M为样本个数，N为频率测试点位个数。
5.根据权利要求1所述的一种基于流式细胞数据的分析处理方法，其特征在于，所述频谱分析结果在纵向频谱的低频分量超过阈值，表明存在样本之间的电特性发生了较大变化的情形，使用低通滤波器对频谱分析结果进行滤波，当低通带上的低频分量超过阈值时需定向异常样品的电特性数据，所述阈值是根据历史测试数据进行确定的。
6.根据权利要求1中所述的一种基于流式细胞数据的分析处理方法，其特征在于，直接的对所有样本的纵向分量进行加权平均后形成二维图包括：将振幅特性数据矩阵和相位特性数据矩阵的各纵列进行加权平均得到二维图；得到两个一维纵向量，将两者倒置成两个一维横向量后进行组合得到一个N*2的二维图。
7.根据权利要求1所述的一种基于流式细胞数据的分析处理方法，其特征在于，在离线阶段根据全卷积网络的输出结果判断风险等级包括：预先使用标记过的电特性数据进行训练得到全卷积网络，所述全卷积网络可以输出对应的风险系数；
在线阶段时，将二维图输入该全卷积网络，输出对应的风险系数；
结合风险系数和计算二维图时选择的纵列占所有样本的比例确定对应的风险等级。
8.一种电子设备，其特征在于，包括存储器和处理器，所述处理器用于执行所述存储器中存储的计算机可执行程序，以实现权利要求1-7中任意一项所述的一种基于流式细胞数据的分析处理方法。
CN202211101712.3A 2022-09-09 2022-09-09 一种基于流式细胞数据的分析处理方法 Active CN115409068B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211101712.3A CN115409068B (zh) 2022-09-09 2022-09-09 一种基于流式细胞数据的分析处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211101712.3A CN115409068B (zh) 2022-09-09 2022-09-09 一种基于流式细胞数据的分析处理方法

Publications (2)

Publication Number Publication Date
CN115409068A CN115409068A (zh) 2022-11-29
CN115409068B true CN115409068B (zh) 2023-09-01

Family

ID=84165707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211101712.3A Active CN115409068B (zh) 2022-09-09 2022-09-09 一种基于流式细胞数据的分析处理方法

Country Status (1)

Country Link
CN (1) CN115409068B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1875883A (zh) * 2006-06-08 2006-12-13 天津大学 基于傅立叶变换的混频生物阻抗测量方法
WO2010032451A1 (ja) * 2008-09-19 2010-03-25 三井造船株式会社 強度変調したレーザ光による蛍光検出装置および蛍光検出方法
CN109490176A (zh) * 2018-11-30 2019-03-19 苏州深析智能科技有限公司 流式细胞检测数据处理方法、装置及分型方法、装置
CN112798504A (zh) * 2020-12-07 2021-05-14 西安电子科技大学 大视场高通量流式细胞分析***及分析方法
CN113785187A (zh) * 2019-03-22 2021-12-10 贝克顿·迪金森公司 使用射频多路复用激发数据对荧光成像进行光谱解混
CN113791019A (zh) * 2021-07-06 2021-12-14 中国地质大学（武汉） 数字同轴全息流式细胞检测方法、装置和存储设备
CN113939728A (zh) * 2018-12-18 2022-01-14 帕斯维尔公司 用于病理样本自动化成像和分析的基于计算显微镜的***和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8101426B2 (en) * 2007-03-02 2012-01-24 Icyt Mission Technology, Inc. System and method for the measurement of multiple fluorescence emissions in a flow cytometry system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1875883A (zh) * 2006-06-08 2006-12-13 天津大学 基于傅立叶变换的混频生物阻抗测量方法
WO2010032451A1 (ja) * 2008-09-19 2010-03-25 三井造船株式会社 強度変調したレーザ光による蛍光検出装置および蛍光検出方法
CN109490176A (zh) * 2018-11-30 2019-03-19 苏州深析智能科技有限公司 流式细胞检测数据处理方法、装置及分型方法、装置
CN113939728A (zh) * 2018-12-18 2022-01-14 帕斯维尔公司 用于病理样本自动化成像和分析的基于计算显微镜的***和方法
CN113785187A (zh) * 2019-03-22 2021-12-10 贝克顿·迪金森公司 使用射频多路复用激发数据对荧光成像进行光谱解混
CN112798504A (zh) * 2020-12-07 2021-05-14 西安电子科技大学 大视场高通量流式细胞分析***及分析方法
CN113791019A (zh) * 2021-07-06 2021-12-14 中国地质大学（武汉） 数字同轴全息流式细胞检测方法、装置和存储设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
微流控阻抗流式细胞仪在单细胞检测中的应用;冯迪 等;《化学进展》;第33卷(第4期);第555-567页 *

Also Published As

Publication number Publication date
CN115409068A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Lee et al. Intact metabolite spectrum mining by deep learning in proton magnetic resonance spectroscopy of the brain
US11179052B2 (en) Distinguishing diseased tissue from healthy tissue based on tissue component fractions using magnetic resonance fingerprinting (MRF)
Merisaari et al. Fitting methods for intravoxel incoherent motion imaging of prostate cancer on region of interest level: Repeatability and gleason score prediction
CN113129403B (zh) 基于前向模型的磁粒子成像***矩阵图像重建方法及***
US10145917B2 (en) Multi-component voxel separation using magnetic resonance fingerprinting with compartment exchange
US9501687B2 (en) Predictive modeling relating molecular imaging modalities
EP3296757A1 (de) Artefaktarme magnetresonanz-fingerprinting-messung
US8564289B2 (en) MR diffusion weighted method and system providing microstructural information of a biological target using SINe cardinal (SINC) function and q-space sampling
Lee et al. Deep learning‐based target metabolite isolation and big data‐driven measurement uncertainty estimation in proton magnetic resonance spectroscopy of the brain
US11965946B2 (en) Machine learning based processing of magnetic resonance data, including an uncertainty quantification
Sabett et al. L1, Lp, L2, and elastic net penalties for regularization of Gaussian component distributions in magnetic resonance relaxometry
Fechete et al. Fourier and Laplace-like low-field NMR spectroscopy: The perspectives of multivariate and artificial neural networks analyses
Periquito et al. Continuous diffusion spectrum computation for diffusion-weighted magnetic resonance imaging of the kidney tubule system
Maudsley et al. Numerical simulation of PRESS localized MR spectroscopy
Lee et al. Bayesian deep learning–based 1H‐MRS of the brain: Metabolite quantification with uncertainty estimation using Monte Carlo dropout
JP5006524B2 (ja) 緩和時間特定のためのｎｍｒ装置の信号処理方法
US10871539B2 (en) Determination of a joint probability distribution of radius and length of anisotropic pores from double pulsed field gradient MRI data
CN115409068B (zh) 一种基于流式细胞数据的分析处理方法
Shrestha et al. Morphological characterization of hepatic steatosis and Monte Carlo modeling of MRI signal for accurate quantification of fat fraction and relaxivity
Belkić et al. In vitro proton magnetic resonance spectroscopy at 14T for benign and malignant ovary: Part II, Signal processing by the parametric fast Padé transform
Drenthen et al. An optimized b‐value sampling for the quantification of interstitial fluid using diffusion‐weighted MRI, a genetic algorithm approach
WO2006091983A2 (en) Variable diffusion-time magnetic resonance-based system and method
Heinecke et al. Bayesian deconvolution and quantification of metabolites from J-resolved nmr spectroscopy
Jeong et al. Maximum-likelihood-constrained deconvolution of two-dimensional NMR spectra. Accuracy of spectral quantification
US10908247B2 (en) System and method for texture analysis in magnetic resonance fingerprinting (MRF)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant