WO2023077177A1 - Two-step image-based automatic classification of a blood sample - Google Patents

Two-step image-based automatic classification of a blood sample Download PDF

Info

Publication number
WO2023077177A1
WO2023077177A1 PCT/AT2022/060375 AT2022060375W WO2023077177A1 WO 2023077177 A1 WO2023077177 A1 WO 2023077177A1 AT 2022060375 W AT2022060375 W AT 2022060375W WO 2023077177 A1 WO2023077177 A1 WO 2023077177A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
cells
blood sample
blood
camera
Prior art date
Application number
PCT/AT2022/060375
Other languages
German (de)
French (fr)
Inventor
Stanislav BEREZOVSKII
Original Assignee
West Medica Produktions- Und Handels-Gmbh
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 West Medica Produktions- Und Handels-Gmbh filed Critical West Medica Produktions- Und Handels-Gmbh
Publication of WO2023077177A1 publication Critical patent/WO2023077177A1/en

Links

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

Definitions

  • the invention relates to a method for analyzing a blood sample, in which, in a first step, an image of a blood sample is recorded by a camera and, in a second step, the image is evaluated by a computer, with the cells visible on the image being classified to be decorated .
  • the invention also relates to a system for analyzing a blood sample, in particular for carrying out a method according to the invention, comprising a recording for the blood sample, a camera and a computer connected to the camera, which is designed to evaluate the images received from the camera , whereby the cells visible in the picture are classified .
  • the blood sample from a human or an animal is examined with regard to the quantity and/or the quality of the blood cells it contains. From such an examination, far-reaching conclusions can be drawn about the condition and the microcirculation in the tissue, the existing immune protection and, in general, the overall state of health of the body.
  • a number of methods for analyzing a blood sample are known from the prior art in order to determine the cell composition and the cell morphology as part of a blood count.
  • Blood test by a doctor or other to do this trained person using a conventional microscope.
  • the blood sample is provided on a slide made of glass, for example, and then optionally stained with a liquid, which makes the cell composition easier to see visually.
  • the blood sample is dried and can then be viewed and evaluated under a microscope.
  • the image of the blood sample is magnified approx. 400 to 1,000 times in order to make the cells visible to the human eye.
  • the user determines the cell types based on size, shape and/or color. Disadvantages of this method are the high amount of work involved and the high degree of subactivity of the result, the quality of which depends primarily on the user's work performance.
  • hematology devices can be used to carry out automated blood analyses.
  • Most such devices are based on measuring the change in average electrical conductivity between two electrodes placed in a liquid, each placed in a chamber separated by a narrow opening (Coulter counter). The opening is slightly larger than the cells or particles to be measured.
  • the cells or particles to be measured flow from one chamber into the other chamber by means of a flow generated, for example, by a negative pressure, so that the electrical resistance between the two electrodes changes. Since the change is proportional to the size of the cell or particle, can both the number and the size of the cells or Particles are recorded and evaluated.
  • red blood essentially only the number of red blood cells and hemoglobin can be measured directly.
  • the remaining components are calculated mathematically and not measured, so that the error rate is relatively high.
  • shape of the red blood cells and in particular the number of red blood cells with a changed shape cannot be determined using conventional methods. This method can also be used to determine the number and size of white blood cells.
  • a disadvantage of such known systems is that some pathological cells are optically very similar to one another, and from each other only, for example. can be distinguished by the granularity or other inconspicuous details. Even if the algorithms used are designed to recognize even small differences, the optical similarities often lead to incorrect determinations or Misclassifications and thus an incorrect analysis result.
  • a simple, reliable and rapid method for analyzing a blood sample is to be provided.
  • the image is re-evaluated in a third step, with the cells visible on the image being reclassified.
  • the picture can be the entire Blood sample map, or, preferably, a portion of
  • Algorithm evaluated, with j ede recognized cell in particular based on their shape, their size, their color and possibly. is mapped to other properties of a (predefined) group of cells.
  • a first classification is obtained which, based on the number of cells in each category, makes it possible to obtain an initial assessment of the state of health.
  • a decision is now made as to whether the image should not be examined further, e.g. if the blood count indicates a good state of health, or whether further classification (reclassification) should be carried out using a second algorithm, especially if the blood count indicates a pathological condition, e.g. due to the presence of pathological cells or an insufficient or excessive number of certain blood components.
  • predefined values are preferably calculated according to a predefined routine and compared with predefined threshold values or Reference ranges compared, e.g. whether the number of vesicles and promyelocytes exceeds a certain concentration in the blood. If it is determined here that a pathological condition may be present, a specific mathematical algorithm tailored to the corresponding situation can be used in order to improve the classification, ie to reduce the probability of error.
  • This method step makes it possible, after the first analysis by a general mathematical algorithm for recognizing cells, to create a specific situation based on the situation recognized in the first analysis To select a tailored special mathematical algorithm and thus to carry out a second analysis, whereby the probability of error in the classification and thus the result of the blood analysis is significantly improved compared to a method that only includes the first analysis.
  • the second mathematical algorithm is specially tailored to a specific clinical picture recognized in the second step by the first algorithm and is therefore able to recognize even the smallest optical differences between the individual cells.
  • the classification takes place, for example. characterized in that the image is evaluated by an image acquisition, where, for example. the number of cells whose color, size and shape is determined. These values can e.g. transferred to numeric scales and stored. Subsequently, on the basis of these ascertained values, the first algorithm, which further processes the ascertained values and, for example, weighted determines which types of cells were detected on the image.
  • the detected cells are re-examined, this time with the help of a different, second algorithm, and each cell type is assigned again.
  • the camera can be any device that can capture an image and store it in the form of (electronic) data on a storage medium so that it can be evaluated by an algorithm.
  • the computer is preferably a digital computer and can be designed, for example, as a workstation computer or tablet computer.
  • the mathematical algorithms (potentially) used in the third step are preferably stored in a database. Depending on the requirements or the result in the second step, the appropriate algorithm is selected and used to carry out the evaluation in the third step.
  • the red blood cells and the blood platelets are classified according to their size, color and shape and their concentration in the blood is determined.
  • the reclassification in the third method step is only carried out with regard to a specific cell type, with, for example, only the white blood cells being reclassified.
  • a specific cell type with, for example, only the white blood cells being reclassified.
  • this enables the use of an even more specific algorithm, which is specialized for this type of cell and is appropriately designed or trained, and can therefore deliver an even more precise result.
  • all cell types are reclassified.
  • the result of the blood analysis i.e. in particular the number of individual recognized blood cells, is preferably stored on a data carrier and/or on an output unit, e.g. a screen. spent .
  • a data carrier e.g. a data carrier
  • an output unit e.g. a screen. spent .
  • the mathematical algorithms are preferably stored on a local data carrier of the computer, but they can also be be stored on a central data medium (e.g. a server), which can be accessed by several computers to carry out the method. This allows the algorithms to be updated quickly and easily.
  • a central data medium e.g. a server
  • the method is (partially) computer-implemented, with the necessary algorithms and other program parts for carrying out the method being stored in particular on a data carrier.
  • the blood sample is prepared accordingly, e.g. applied to a carrier and dried and then, for example. placed in a recording of a camera-microscope combination, so that images of the blood sample can be taken by the camera.
  • White blood cells are differentiated according to their respective characterizing properties of size, color and shape. E.g. the white blood cells are divided into the following groups during the analysis:
  • Eosinophils main task is to fight multicellular parasites
  • Segmented neutrophils largest group of granulocytes
  • Lymphocytes Provide humoral and cellular immunity and regulate the activity of other cell types
  • Monocytes Provide innate immunity and carry pattern-recognizing receptors
  • pathological cells can also be contained in the blood, e.g. the following :
  • Promyelocytes myeloid cells, the precursors of granulocytes during granulopoiesis, developing from myeloblasts into myelocytes
  • Myelocytes (young cells of the granulocytic series, normally found in bone marrow but not in peripheral blood)
  • Metamyelocytes myeloid cells undergoing granulopoiesis and derived from myelocytes
  • Bladders young , immature cells produced in the bone marrow
  • Plasma cells immunocompetent cells that produce antibodies. Normally their proportion of white blood cells is no more than 0.5%)
  • Atypical lymphocytes the presence of these cells in the blood indicates an acute infection and thus the need for antibody synthesis
  • Reactive lymphocytes cytotoxic lymphocytes that have increased in size due to stimulation by an antigen
  • Prolymphocytes progressive cells of lymphopoiesis, the direct precursors of lymphocytes that arise from lymphoblasts
  • the first mathematical algorithm used in the second step includes or is formed here by a first (artificial) neural network.
  • Neural networks are very efficient when complex patterns have to be recognized and classified during image processing.
  • the first neural network is preferably formed or trained to take blood samples of any kind, especially inconspicuous, healthy blood samples with at most slight deviations from the norm, such as reactive lymphocytosis or a slight left shift, to be able to analyze well, especially to capture and categorize all possible cells.
  • the first neural network is provided with a large number of healthy or is only trained for blood counts that deviate slightly from the norm.
  • the first neural network is better at recognizing and classifying healthy, i.e. at least essentially normal, blood counts that do not show any malignant cells and serious pathological conditions.
  • a second neural network is used for classification in the third step.
  • the one used in the third step mathematical algorithm includes or is formed here by a second (artificial) neural network, which differs from the first mathematical algorithm or from the first neural network and is specifically intended and designed for a specific blood count classified in the second step.
  • the second neural network is thus preferably designed or trained in order to be able to distinguish pathological cells from one another and to be able to categorize them accordingly.
  • the second neural network is trained (exclusively) with a large number of sick blood counts, ie blood counts that deviate from the norm, in particular malignant cells, rare and/or pathological clinical pictures. With this training, the second neural network is better at recognizing, distinguishing and classifying very immature, malformed and deformed cell groups, as it has a high sensitivity to small deviations in nuclei and cytoplasms of immature cells.
  • the first algorithm is better at detecting immature cells and classifying normal cells, while the second algorithm is better at distinguishing between and classifying individual groups of immature cells.
  • Neural network training involves estimating the parameters of the neural network to enable the most accurate classification of blood cells possible.
  • the parameters of the neural network are adjusted on the basis of training data, ie blood counts that have already been classified and are fed to the neural network, which leads to more precise results. If only the first algorithm is used for classification, only a low level of accuracy is achieved in distinguishing between immature cell groups, since the first algorithm does not (reliably) recognize the fine details in distinguishing these cell groups. If, on the other hand, only the second algorithm is used to classify a normal blood sample, an overly sensitive analysis is output which is susceptible to false positive detections and is therefore also imprecise.
  • a further image of another partial area of the blood sample is recorded and this further image is subjected to the second and the third step.
  • a certain predefined number of certain blood parts for example. red blood cells and/or white blood cells must be recognized and classified accordingly by the first algorithm in order to enable a meaningful analysis. If the corresponding number of blood parts is not present in the first image and accordingly not enough blood parts are classified by the first mathematical algorithm, another image of a different area of the blood sample can be recorded by the camera, e.g. in an area of the blood sample adjacent to the first image. Like the first image, this additional image is also processed according to the second step and then, if necessary.
  • the image recording further images are made possible by a mechanical displacement device, which is preferred, for example. via a control unit, connected to the computer and from this if necessary. is controlled accordingly.
  • the individual images preferably do not overlap one another and are particularly preferably directly adjacent to one another in order to enable the blood sample to be analyzed as precisely as possible.
  • the displacement device can displace the blood sample relative to the camera and/or the camera relative to the blood sample in order to make it possible to produce an image of a recording area of the blood sample that is independent of the first image.
  • a system for analyzing a blood sample comprising a receptacle for the blood sample, a camera and a computer connected to the camera, which is designed to evaluate the images received from the camera, wherein the cells visible on the image are classified, the computer being further designed to re-evaluate the image based on the classification of the cells, the cells visible on the image being reclassified.
  • a microscope is preferably also provided in order to enlarge the image of the blood sample.
  • the magnification of the microscope is preferably adjustable and the microscope is particularly preferably connected to the computer and can be controlled by this, for example. change the magnification.
  • the system preferably includes a Displacement device to move the receptacle for the blood sample relative to the camera, in particular to move it in a translatory manner.
  • the displacement device can preferably be designed to move the camera relative to the blood sample, in particular to move it in a translatory manner.
  • FIG. 1 a method according to the invention in a schematic representation
  • FIG. 2 shows a schematic representation of a system according to the invention
  • FIG. 3 some exemplary image sections of blood cells.
  • a method according to the invention is shown schematically.
  • the method is started after a blood sample to be examined has been placed in a photograph of a microscope.
  • an image of part of the blood sample is now produced with the aid of a camera (step 1).
  • the image is then fed to a computer and evaluated by this using a first mathematical algorithm, in particular a first neural network, with the cells recognized in the image being classified, for example depending on the color , size and shape of the individual cells .
  • a first cell type e.g. red blood cells
  • the classification of the image is first completed at 4 and the recording area of the camera is then changed at 5 so that another partial area of the blood sample can be recorded by the camera, resulting in another image is generated, which is also analyzed and the recognized cells are classified. This is continued until it is determined at 3 that sufficient cells of one type (e.g. red blood cells) have now been recorded and classified on the images taken up to now. It is then checked at 6 whether a second type of cell (e.g. white blood cells) was detected in a sufficient quantity on the images taken up to now. If not, the detected cells are analyzed at 7 and the field of view of the camera is changed at 5 in order to obtain an image of another partial area of the blood sample, which is also examined again. If sufficient cells of the second cell type were detected, the classified cells are checked with regard to several criteria at 8, 9, 10, 11 and 12, for example as follows:
  • Banded neutrophils to leukocytes ratio is greater than 0.1
  • ratio of myezolytes and metamylocytes (IMGRA) to leukocytes is greater than 0.04
  • the blood sample is classified as "pathological" at 16. Based on which of the conditions is met, a second mathematical algorithm is then selected, for example from one Database, and the detected cells are analyzed and classified again at 17. This ensures that the cells are detected and assigned in the best possible way according to the condition of the blood sample, so that incorrect classifications are avoided or reduced as far as possible. After the reclassification at 17, the result stored at 14 and the method terminated at 15.
  • the cells are classified using the classification or the
  • FIG. 2 shows a system according to the invention, which is designed to carry out a method according to FIG.
  • the system includes a microscope 18, a camera 19, a receptacle 20 for a blood sample, a computer 21, an output unit 22 designed as a screen, a control unit 23 and a displacement device 24.
  • the computer 21 controls the method and receives the data from the camera 19 Images of the blood samples in order to subsequently evaluate them and to classify the detected cells and, if necessary, to select the appropriate algorithms and to classify the cells reclassify .
  • the displacement device 24 is designed to move the receptacle 20 relative to the camera 19 or the camera 19 relative to the receptacle 20 in all spatial directions, as required, in order on the one hand to enable the generation of images of several partial areas of the blood sample and on the other hand to focus the camera 19 to improve the blood test.
  • the result of the blood analysis, in particular the classification, can be displayed on the output unit 22 .
  • FIG. 3 some image sections of blood cells are shown as examples, each of which has great visual similarity to one another. Lymphocytes 25, prolymphocytes 26 and atypical lymphocytes 27 are shown in FIG. 3a. In Fig. 3b monocytes 28, vesicles 29 and reactive lymphocytes 30 are shown. Promyelocytes 31, myelocytes 32 and metamyelocytes 33 are shown in FIG. 3c.

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

The invention relates to a method for analysing a blood sample, in which, in a first step, an image of a blood sample is captured by a camera, and in a second step, the image is evaluated by a computer, wherein the cells visible in the image are classified, wherein, based on the classification carried out in step two, in a third step, the image is re-evaluated and the cells visible in the image are re-classified.

Description

ZWEI-STUFIGE BILDBASIERTE AUTOMATISCHE KLASSIFIKATION EINER BLUTPROBE TWO-STAGE IMAGE-BASED AUTOMATIC CLASSIFICATION OF A BLOOD SAMPLE
Die Erfindung betri f ft 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 klassi fi ziert werden . The invention relates to a method for analyzing a blood sample, in which, in a first step, an image of a blood sample is recorded by a camera and, in a second step, the image is evaluated by a computer, with the cells visible on the image being classified to be decorated .
Die Erfindung betri f ft 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 aus zuwerten, wobei die auf dem Bild ersichtlichen Zellen klassi fi ziert werden . The invention also relates to a system for analyzing a blood sample, in particular for carrying out a method according to the invention, comprising a recording for the blood sample, a camera and a computer connected to the camera, which is designed to evaluate the images received from the camera , whereby the cells visible in the picture are classified .
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 Gesundheits zustand des Körpers ziehen . When analyzing blood samples, the blood sample from a human or an animal is examined with regard to the quantity and/or the quality of the blood cells it contains. From such an examination, far-reaching conclusions can be drawn about the condition and the microcirculation in the tissue, the existing immune protection and, in general, the overall state of health of the body.
Aus dem Stand der Technik sind mehrere Verfahren zur Analyse einer Blutprobe bekannt , um die Zell zusammensetzung und die Zellmorphologie als Teil eines Blutbildes zu ermitteln . A number of methods for analyzing a blood sample are known from the prior art in order to determine the cell composition and the cell morphology as part of a blood count.
Die einfachste Möglichkeit ist die manuelle Analyse einerThe easiest way is to analyze one manually
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 Sub ektivität des Ergebnisses, dessen Qualität primär von der Arbeitsleistung des Nutzers abhängt. Blood test by a doctor or other to do this trained person using a conventional microscope. The blood sample is provided on a slide made of glass, for example, and then optionally stained with a liquid, which makes the cell composition easier to see visually. The blood sample is dried and can then be viewed and evaluated under a microscope. The image of the blood sample is magnified approx. 400 to 1,000 times in order to make the cells visible to the human eye. During the analysis itself, the user determines the cell types based on size, shape and/or color. Disadvantages of this method are the high amount of work involved and the high degree of subactivity of the result, the quality of which depends primarily on the user's work performance.
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 Änderung 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 Unterdrück 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 Änderung 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 . In order to eliminate these disadvantages, hematology devices can be used to carry out automated blood analyses. A variety of different systems exist for counting or classifying the blood cells in a blood sample. Most such devices are based on measuring the change in average electrical conductivity between two electrodes placed in a liquid, each placed in a chamber separated by a narrow opening (Coulter counter). The opening is slightly larger than the cells or particles to be measured. The cells or particles to be measured flow from one chamber into the other chamber by means of a flow generated, for example, by a negative pressure, so that the electrical resistance between the two electrodes changes. Since the change is proportional to the size of the cell or particle, can both the number and the size of the cells or Particles are recorded and evaluated.
Nachteilig bei diesen Systemen ist , dass bei rotem Blut im Wesentlichen lediglich die Anzahl von roten Blut zellen 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 Blut zellen mit veränderter Form nicht ermittelt werden . Weiters kann mit dieser Methode auch die Anzahl und die Größe weißer Blutzellen ermittelt werden . The disadvantage of these systems is that in the case of red blood essentially only the number of red blood cells and hemoglobin can be measured directly. The remaining components are calculated mathematically and not measured, so that the error rate is relatively high. Furthermore, the shape of the red blood cells and in particular the number of red blood cells with a changed shape cannot be determined using conventional methods. This method can also be used to determine the number and size of white blood cells.
Bei heutigen Analysegeräten wird für die Erkennung und Zählung weißer Blutzellen die Durchfluss zytometriemethode 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 ausgerei fte Formen von Granulozyten ( Promyelozyten, Myelozyten, Metamyelozyten und Bänder ) nicht ef fektiv voneinander unterschieden und gezählt werden können . Weiters erlauben derartige Analysegeräte bei der Evaluierung der Leukozytenabstammung nicht die Erfassung von Änderungen im Zellkern und im Zytoplasma oder von pathologischer Granularität . Auch hier werden viele Parameter berechnet und geschätzt , wodurch eine hohe Fehleranfälligkeit gegeben ist . 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 Obj ektivität der Messungen . Today's analyzers use the flow cytometry method to detect and count white blood cells, in which the cells are moved past an electrical voltage or a beam of light. The resulting scattered light is captured and evaluated. In particular, this enables the individual types of white blood cells to be distinguished and counted accordingly. The disadvantage of this method, however, is that forms of granulocytes that are not yet mature (promyelocytes, myelocytes, metamyelocytes and ligaments) cannot be effectively differentiated from one another and counted. Furthermore, such analyzers do not allow for the detection of nuclear and cytoplasmic changes or pathological granularity when evaluating leukocyte lineage. Here, too, many parameters are calculated and estimated, resulting in a high error rate. More reliable automated analyzers are based on automated microscopy, in which images of the blood sample are captured by a camera and microscope, and these images are then evaluated based on appropriate algorithms. These analyzers reduce the analysis time and increase the objectivity of the measurements.
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 Ähnlichkeiten oftmals zu Fehlbestimmungen bzw . Fehlklassi fikationen und damit zu einem falschen Analyseergebnis . A disadvantage of such known systems is that some pathological cells are optically very similar to one another, and from each other only, for example. can be distinguished by the granularity or other inconspicuous details. Even if the algorithms used are designed to recognize even small differences, the optical similarities often lead to incorrect determinations or Misclassifications and thus an incorrect analysis result.
Es ist daher eine Aufgabe der Erfindung, die Analysezuverlässigkeit bei einem Verfahren der eingangs genannten Art zu erhöhen und Fehlklassi fikationen von Zellen zu reduzieren bzw . zu vermeiden . Insbesondere soll ein einfaches , zuverlässiges und schnelles Verfahren zur Analyse einer Blutprobe bereitgestellt werden . It is therefore an object of the invention to increase the analysis reliability in a method of the type mentioned and to reduce or eliminate misclassifications of cells. to avoid . In particular, a simple, reliable and rapid method for analyzing a blood sample is to be provided.
Erfindungsgemäß ist bei einem Verfahren der eingangs genannten Art vorgesehen, dass , basierend auf der im zweiten Schritt durchgeführten Klassi fikation, in einem dritten Schritt das Bild erneut ausgewertet wird, wobei die auf dem Bild ersichtlichen Zellen reklassi f i ziert werden . According to the invention, in a method of the type mentioned at the outset it is provided that, based on the classification carried out in the second step, the image is re-evaluated in a third step, with the cells visible on the image being reclassified.
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 derIt is therefore intended that an image (photo) of a blood sample is first taken. The picture can be the entire Blood sample map, or, preferably, a portion of
Blutprobe . Dieses Bild wird mithil fe eines erstenBlood sample . This image is created using a first
Algorithmus ausgewertet , wobei j ede 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 Klassi fi zierung erhalten, welche aufgrund der Anzahl der Zellen in j eder Kategorie ermöglicht , eine erste Einschätzung des Gesundheits zustandes zu erhalten . Anhand des Ergebnisses der ersten Klassi fi zierung der Zellen wird nunmehr entschieden, ob entweder keine weitere Untersuchung des Bildes erfolgt , bspw . wenn das Blutbild auf einen guten Gesundheits zustand hindeutet , oder ob eine weitere Klassi fi zierung (Reklassi fi zierung) mithil fe 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 tref fen, werden bevorzugt gemäß einer vorgegebenen Routine vordefinierte Werte errechnet und mit vorgegebenen Schwellwerten bzw . Referenzbereichen verglichen, bspw . ob die Anzahl der Blästen 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 Klassi fi zierung 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 spezi fischen, 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 Klassi fi zierung und damit dem Ergebnis der Blutanalyse im Vergleich zu einem lediglich die erste Analyse umfassenden Verfahren deutlich verbessert wird . Algorithm evaluated, with j ede recognized cell in particular based on their shape, their size, their color and possibly. is mapped to other properties of a (predefined) group of cells. As a result, a first classification is obtained which, based on the number of cells in each category, makes it possible to obtain an initial assessment of the state of health. Based on the result of the first classification of the cells, a decision is now made as to whether the image should not be examined further, e.g. if the blood count indicates a good state of health, or whether further classification (reclassification) should be carried out using a second algorithm, especially if the blood count indicates a pathological condition, e.g. due to the presence of pathological cells or an insufficient or excessive number of certain blood components. In order to make a decision in this step, predefined values are preferably calculated according to a predefined routine and compared with predefined threshold values or Reference ranges compared, e.g. whether the number of vesicles and promyelocytes exceeds a certain concentration in the blood. If it is determined here that a pathological condition may be present, a specific mathematical algorithm tailored to the corresponding situation can be used in order to improve the classification, ie to reduce the probability of error. This method step makes it possible, after the first analysis by a general mathematical algorithm for recognizing cells, to create a specific situation based on the situation recognized in the first analysis To select a tailored special mathematical algorithm and thus to carry out a second analysis, whereby the probability of error in the classification and thus the result of the blood analysis is significantly improved compared to a method that only includes the first analysis.
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 . This is possible because the second mathematical algorithm is specially tailored to a specific clinical picture recognized in the second step by the first algorithm and is therefore able to recognize even the smallest optical differences between the individual cells.
Die Klassi fikation 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 mithil fe des ersten Algorithmus , der die ermittelten Werte weiterverarbeitet und bspw . gewichtet , bestimmt , welche Arten von Zellen auf dem Bild erkannt wurden . The classification takes place, for example. characterized in that the image is evaluated by an image acquisition, where, for example. the number of cells whose color, size and shape is determined. These values can e.g. transferred to numeric scales and stored. Subsequently, on the basis of these ascertained values, the first algorithm, which further processes the ascertained values and, for example, weighted determines which types of cells were detected on the image.
Bei der Reklassi f ikation werden die erkannten Zellen erneut untersucht , diesmal mithil fe eines anderen, zweiten Algorithmus , und erneut j eweils einer Zellart zugeordnet . During the reclassification, the detected cells are re-examined, this time with the help of a different, second algorithm, and each cell type is assigned again.
Die Kamera kann j ede 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 . Der Computer ist bevorzugt ein Digitalrechner und kann bspw. als Arbeitsplatzrechner oder Tabletcomputer ausgebildet sein. The camera can be any device that can capture an image and store it in the form of (electronic) data on a storage medium so that it can be evaluated by an algorithm. The computer is preferably a digital computer and can be designed, for example, as a workstation computer or tablet computer.
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. The mathematical algorithms (potentially) used in the third step are preferably stored in a database. Depending on the requirements or the result in the second step, the appropriate algorithm is selected and used to carry out the evaluation in the third step.
Bei der Klassifikation bzw. der Reklassif ikation 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 Mikro Zirkulationsstörungen . In the classification or reclassification, for example, the red blood cells and the blood platelets are classified according to their size, color and shape and their concentration in the blood is determined. The greater the proportion of morphologically altered and destroyed blood cells, the more pronounced are tissue hypoxia and microcirculation disorders.
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 reklassif iziert werden. Dies ermöglich insbesondere die Anwendung eines noch spezifischeren Algorithmus, der auf diese Zellart spzialisiert und entsprechend ausgebildet bzw. trainiert ist, und damit ein noch exakteres Ergebnis liefern kann. Alternativ werden alle Zellarten erneut klassifiziert. In a preferred embodiment, it is provided that the reclassification in the third method step is only carried out with regard to a specific cell type, with, for example, only the white blood cells being reclassified. In particular, this enables the use of an even more specific algorithm, which is specialized for this type of cell and is appropriately designed or trained, and can therefore deliver an even more precise result. Alternatively, all cell types are reclassified.
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 . After the third step, the result of the blood analysis, i.e. in particular the number of individual recognized blood cells, is preferably stored on a data carrier and/or on an output unit, e.g. a screen. spent . This enables the data to be stored, for example for later use or the display for a user to draw appropriate conclusions from the data.
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 zugrei fen können . Dies erlaubt eine schnelle und einfache Aktualisierung der Algorithmen . The mathematical algorithms are preferably stored on a local data carrier of the computer, but they can also be be stored on a central data medium (e.g. a server), which can be accessed by several computers to carry out the method. This allows the algorithms to be updated quickly and easily.
Das Verfahren ist ( teilweise ) computerimplementiert , wobei insbesondere auf einem Datenträger die nötigen Algorithmen und anderen Programmteile zur Durchführung des Verfahrens gespeichert sind . The method is (partially) computer-implemented, with the necessary algorithms and other program parts for carrying out the method being stored in particular on a data carrier.
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 . Before the first step of the process, the blood sample is prepared accordingly, e.g. applied to a carrier and dried and then, for example. placed in a recording of a camera-microscope combination, so that images of the blood sample can be taken by the camera.
Weiße Blutzellen werden gemäß ihren j eweils charakterisierenden Eigenschaften in Größe , Farbe und Form unterschieden . Bspw . werden die weißen Blutzellen während der Analyse in die folgenden Gruppen eingeteilt : White blood cells are differentiated according to their respective characterizing properties of size, color and shape. E.g. the white blood cells are divided into the following groups during the analysis:
• Basophile (Beteiligt an der Entwicklung von allergischen Reaktionen) • Basophils (involved in the development of allergic reactions)
Eosinophile (Hauptaufgabe ist die Bekämpfung mehrzelliger Parasiten) • Segmentierte Neutrophilen ( Größte Gruppe von Granulozyten) Eosinophils (main task is to fight multicellular parasites) • Segmented neutrophils (largest group of granulocytes)
• Bandneutrophile ( j unge , unrei fe Neutrophile ) • Ribbon neutrophils ( young , immature neutrophils )
• Lymphozyten ( Stellen humorale Immunität und zelluläre Immunität bereit und regulieren die Aktivität anderer Zelltypen) • Lymphocytes (Provide humoral and cellular immunity and regulate the activity of other cell types)
• Monozyten ( Stellen die angeborene Immunität bereit und tragen mustererkennende Rezeptoren) • Monocytes (Provide innate immunity and carry pattern-recognizing receptors)
• Große granuläre Lymphozyten (Anteil von ca . 5% bis 20% an der Gesamtanzahl von Lymphozyten im Blut ) • Large granular lymphocytes (about 5% to 20% of the total number of lymphocytes in the blood)
Neben diesen normalen Blutbestandteilen können auch pathologische Zellen im Blut enthalten sein, bspw . die folgenden : In addition to these normal blood components, pathological cells can also be contained in the blood, e.g. the following :
• Promyelozyten (myeloische Zellen, die Vorprodukte von Granulozyten während der Granulopoese , entwickelnd aus Myeloblasten in Myelozyten) • Promyelocytes (myeloid cells, the precursors of granulocytes during granulopoiesis, developing from myeloblasts into myelocytes)
• Myelozyten ( j unge Zellen der Granulozitärreihe , kommen normalerweise im Knochenmark, aber nicht im peripheren Blut vor ) • Myelocytes (young cells of the granulocytic series, normally found in bone marrow but not in peripheral blood)
• Metamyelocytes (Myeloische Zellen, die die Granulopoese durchmachen und von Myelozyten abgeleitet sind) • Metamyelocytes (myeloid cells undergoing granulopoiesis and derived from myelocytes)
• Blästen ( j unge , unrei fe Zellen, die im Knochenmark produziert werden) • Bladders ( young , immature cells produced in the bone marrow)
• Plasmazellen ( immunkompetente Zellen die Antikörper produzieren . Normalerweise beträgt ihr Anteil an den weißen Blutzellen nicht mehr als 0 , 5% ) • Plasma cells (immunocompetent cells that produce antibodies. Normally their proportion of white blood cells is no more than 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) • Atypical lymphocytes (the presence of these cells in the blood indicates an acute infection and thus the need for antibody synthesis) • Reactive lymphocytes (cytotoxic lymphocytes that have increased in size due to stimulation by an antigen)
• Prolymphozyten (Verlauf erzellen der Lymphopoese , der direkten Vorprodukte der Lymphozyten, die aus Lymphoblasten entstehen) • Prolymphocytes (progressive cells of lymphopoiesis, the direct precursors of lymphocytes that arise from lymphoblasts)
Bevorzugt ist vorgesehen, dass im zweiten Schritt ein erstes neurales Netzwerk zur Klassi fi zierung 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 Ef fi zienz , wenn komplexe Muster bei der Bildverarbeitung erkannt und klassi fi ziert werden müssen . Das erste neurale Netzwerk ist bevorzugt ausgebildet bzw . trainiert , um Blutproben j eder Art , insbesondere unauf fällige , 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 Viel zahl 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 Klassi fi zierung von gesunden, also zumindest im Wesentlichen der Norm entsprechenden Blutbildern, die keine bösartigen Zellen und ernste pathologische Zustände aufweisen . Provision is preferably made for a first neural network to be used for classification in the second step. The first mathematical algorithm used in the second step includes or is formed here by a first (artificial) neural network. Neural networks are very efficient when complex patterns have to be recognized and classified during image processing. The first neural network is preferably formed or trained to take blood samples of any kind, especially inconspicuous, healthy blood samples with at most slight deviations from the norm, such as reactive lymphocytosis or a slight left shift, to be able to analyze well, especially to capture and categorize all possible cells. In order to make this possible, it is preferably provided that the first neural network is provided with a large number of healthy or is only trained for blood counts that deviate slightly from the norm. As a result of this training, the first neural network is better at recognizing and classifying healthy, i.e. at least essentially normal, blood counts that do not show any malignant cells and serious pathological conditions.
Weiters ist es bevorzugt vorgesehen, dass im dritten Schritt ein zweites neurales Netzwerk zur Klassi fi zierung 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. Furthermore, it is preferably provided that a second neural network is used for classification in the third step. The one used in the third step mathematical algorithm includes or is formed here by a second (artificial) neural network, which differs from the first mathematical algorithm or from the first neural network and is specifically intended and designed for a specific blood count classified in the second step. The second neural network is thus preferably designed or trained in order to be able to distinguish pathological cells from one another and to be able to categorize them accordingly. In order to make this possible, it is preferably provided that the second neural network is trained (exclusively) with a large number of sick blood counts, ie blood counts that deviate from the norm, in particular malignant cells, rare and/or pathological clinical pictures. With this training, the second neural network is better at recognizing, distinguishing and classifying very immature, malformed and deformed cell groups, as it has a high sensitivity to small deviations in nuclei and cytoplasms of immature cells.
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. Thus, the first algorithm is better at detecting immature cells and classifying normal cells, while the second algorithm is better at distinguishing between and classifying individual groups of immature cells.
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. Falls lediglich der erste Algorithmus zur Klassi fi zierung verwendet wird, wird lediglich eine geringe Genauigkeit bei der Unterscheidung zwischen unrei fen Zellgruppen erzielt , da der erste Algorithmus die feinen Details bei der Unterscheidung dieser Zellgruppen nicht ( zuverlässig) erkennt . Wird hingegen lediglich der zweite Algorithmus zur Klassi fi zierung einer normalen Blutprobe herangezogen, so wird eine übersensible Analyse ausgegeben, die anfällig für falschpositive Erkennungen und damit ebenfalls ungenau ist . Neural network training involves estimating the parameters of the neural network to enable the most accurate classification of blood cells possible. In this case, the parameters of the neural network are adjusted on the basis of training data, ie blood counts that have already been classified and are fed to the neural network, which leads to more precise results. If only the first algorithm is used for classification, only a low level of accuracy is achieved in distinguishing between immature cell groups, since the first algorithm does not (reliably) recognize the fine details in distinguishing these cell groups. If, on the other hand, only the second algorithm is used to classify a normal blood sample, an overly sensitive analysis is output which is susceptible to false positive detections and is therefore also imprecise.
Bei einer bevorzugten Ausbildung ist vorgesehen, dass , basierend auf der im zweiten Schritt durchgeführten Klassi fikation, 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 klassi fi ziert 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 klassi fi ziert 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 klassi fiziert werden, kann ein weiteres , drittes Bild sowie ggf . weitere Bilder auf genommen 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 . In a preferred embodiment, it is provided that, based on the classification carried out in the second step, a further image of another partial area of the blood sample is recorded and this further image is subjected to the second and the third step. In this case, for example provided that a certain predefined number of certain blood parts, for example. red blood cells and/or white blood cells must be recognized and classified accordingly by the first algorithm in order to enable a meaningful analysis. If the corresponding number of blood parts is not present in the first image and accordingly not enough blood parts are classified by the first mathematical algorithm, another image of a different area of the blood sample can be recorded by the camera, e.g. in an area of the blood sample adjacent to the first image. Like the first image, this additional image is also processed according to the second step and then, if necessary. examined and evaluated according to the third step. If too few blood parts are detected and classified again, a further, third image and, if necessary, more pictures to be taken. Preferably, the image recording further images are made possible by a mechanical displacement device, which is preferred, for example. via a control unit, connected to the computer and from this if necessary. is controlled accordingly. The individual images preferably do not overlap one another and are particularly preferably directly adjacent to one another in order to enable the blood sample to be analyzed as precisely as possible. The displacement device can displace the blood sample relative to the camera and/or the camera relative to the blood sample in order to make it possible to produce an image of a recording area of the blood sample that is independent of the first image.
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 aus zuwerten, wobei die auf dem Bild ersichtlichen Zellen klassi fi ziert werden, wobei der Computer weiters ausgebildet ist , um das Bild, basierend auf der Klassi fikation der Zellen, erneut aus zuwerten, wobei die auf dem Bild ersichtlichen Zellen reklassi f i ziert werden . According to the invention, a system for analyzing a blood sample, in particular for carrying out a method according to the invention, is also provided, comprising a receptacle for the blood sample, a camera and a computer connected to the camera, which is designed to evaluate the images received from the camera, wherein the cells visible on the image are classified, the computer being further designed to re-evaluate the image based on the classification of the cells, the cells visible on the image being reclassified.
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 . In this case, a microscope is preferably also provided in order to enlarge the image of the blood sample. The magnification of the microscope is preferably adjustable and the microscope is particularly preferably connected to the computer and can be controlled by this, for example. change the magnification.
Weiters umfasst das System bevorzugt eine Verschiebevorrichtung, um die Aufnahme für die Blutprobe relativ zur Kamera zu bewegen, insbesondere translatorisch zu verschieben . Die Verschiebevorrichtung kann alternativ oder zusätzlich bevorzugt ausgebildet sein, um die Kamera relativ zur Blutprobe zu bewegen, insbesondere translatorisch zu verschieben . Furthermore, the system preferably includes a Displacement device to move the receptacle for the blood sample relative to the camera, in particular to move it in a translatory manner. Alternatively or additionally, the displacement device can preferably be designed to move the camera relative to the blood sample, in particular to move it in a translatory manner.
Die Erfindung wird nachfolgend anhand eines in der Zeichnung schematisch dargestellten Aus führungsbeispiels 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 . The invention is explained in more detail below with reference to an exemplary embodiment shown schematically in the drawing. In this shows Fig. 1 a method according to the invention in a schematic representation, FIG. 2 shows a schematic representation of a system according to the invention and FIG. 3 some exemplary image sections of blood cells.
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 mithil fe einer Kamera angefertigt ( Schritt 1 ) . Anschließend wird das Bild einem Computer zugeführt und durch diesen mithil fe eines ersten mathematischen Algorithmus , insbesondere eines ersten neuralen Netzes ausgewertet , wobei die auf dem Bild erkannten Zellen klassi fi ziert 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 Klassi fi zierung 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 auf genommenen 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 auf genommenen 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: In Fig. 1 a method according to the invention is shown schematically. At 1 the method is started after a blood sample to be examined has been placed in a photograph of a microscope. At 2 an image of part of the blood sample is now produced with the aid of a camera (step 1). The image is then fed to a computer and evaluated by this using a first mathematical algorithm, in particular a first neural network, with the cells recognized in the image being classified, for example depending on the color , size and shape of the individual cells . At 3 it is determined whether a first cell type (e.g. red blood cells) was recognized in a sufficient quantity on the image. If not, the classification of the image is first completed at 4 and the recording area of the camera is then changed at 5 so that another partial area of the blood sample can be recorded by the camera, resulting in another image is generated, which is also analyzed and the recognized cells are classified. This is continued until it is determined at 3 that sufficient cells of one type (e.g. red blood cells) have now been recorded and classified on the images taken up to now. It is then checked at 6 whether a second type of cell (e.g. white blood cells) was detected in a sufficient quantity on the images taken up to now. If not, the detected cells are analyzed at 7 and the field of view of the camera is changed at 5 in order to obtain an image of another partial area of the blood sample, which is also examined again. If sufficient cells of the second cell type were detected, the classified cells are checked with regard to several criteria at 8, 9, 10, 11 and 12, for example as follows:
Bei 8: Anzahl Blästen und Promyelozyten größer als 9At 8: number of vesicles and promyelocytes greater than 9
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 If 9: Number of lymphocytes, reactive lymphocytes, atypical lymphocytes, large granular lymphocytes and plasma cells is greater than 0 and the ratio of reactive lymphocytes, atypical lymphocytes, large granular lymphocytes and plasma cells to lymphocytes, reactive lymphocytes, atypical lymphocytes, large granular lymphocytes and plasma cells is greater than 0 greater than 0.2
Bei 10: Quotient aus gebänderten Neutrophilen und Leukozyten ist größer als 0,1 At 10: Banded neutrophils to leukocytes ratio is greater than 0.1
Bei 11: Quotient aus Myezolyten und Metamylezyten (IMGRA) und Leukozyten ist größer als 0,04 At 11: ratio of myezolytes and metamylocytes (IMGRA) to leukocytes is greater than 0.04
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. 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. At 12: Banded Neutrophils to White Cells Ratio is greater than 0.07 and Myezolytes to Metamylocytes (IMGRA) to White Cells Ratio is greater than 0.02. If none of the conditions 8, 9, 10, 11 or 12 are met, the blood sample is classified as "normal" at 13, the results are stored at 14 and the method is terminated at 15.
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 Reklassif ikation bei 17 wird das Ergebnis bei 14 gespeichert und das Verfahren bei 15 beendet. If one of the conditions 8, 9, 10, 11 or 12 is met, the blood sample is classified as "pathological" at 16. Based on which of the conditions is met, a second mathematical algorithm is then selected, for example from one Database, and the detected cells are analyzed and classified again at 17. This ensures that the cells are detected and assigned in the best possible way according to the condition of the blood sample, so that incorrect classifications are avoided or reduced as far as possible. After the reclassification at 17, the result stored at 14 and the method terminated at 15.
Die Zellen werden mithilfe der Klassifikation bzw. derThe cells are classified using the classification or the
Reklassif ikation bspw. wie folgt eingeteilt:
Figure imgf000017_0001
Figure imgf000018_0001
Reclassification classified, for example, as follows:
Figure imgf000017_0001
Figure imgf000018_0001
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 reklassif izieren . 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. FIG. 2 shows a system according to the invention, which is designed to carry out a method according to FIG. The system includes a microscope 18, a camera 19, a receptacle 20 for a blood sample, a computer 21, an output unit 22 designed as a screen, a control unit 23 and a displacement device 24. The computer 21 controls the method and receives the data from the camera 19 Images of the blood samples in order to subsequently evaluate them and to classify the detected cells and, if necessary, to select the appropriate algorithms and to classify the cells reclassify . The displacement device 24 is designed to move the receptacle 20 relative to the camera 19 or the camera 19 relative to the receptacle 20 in all spatial directions, as required, in order on the one hand to enable the generation of images of several partial areas of the blood sample and on the other hand to focus the camera 19 to improve the blood test. The result of the blood analysis, in particular the classification, can be displayed on the output unit 22 .
In Fig. 3 sind einige Bildauschnitte von Blutzellen exemplarisch dargestellt, die jeweils große optische Ähnlichkeit miteinander aufweisen. In Fig. 3a sind Lymphozyten 25, Prolymphozyten 26 und atypische Lymphozyten 27 gezeigt. In Fig. 3b sind Monozyten 28, Blästen 29 und reaktive Lymphozyten 30 gezeigt. In Fig. 3c sind Promyelozyten 31, Myelozyten 32 und Metamyelozyten 33 gezeigt . In FIG. 3, some image sections of blood cells are shown as examples, each of which has great visual similarity to one another. Lymphocytes 25, prolymphocytes 26 and atypical lymphocytes 27 are shown in FIG. 3a. In Fig. 3b monocytes 28, vesicles 29 and reactive lymphocytes 30 are shown. Promyelocytes 31, myelocytes 32 and metamyelocytes 33 are shown in FIG. 3c.

Claims

Patentansprüche : Patent claims :
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 reklassif iziert werden. 1. A method for analyzing a blood sample, in which in a first step an image of a blood sample is recorded by a camera, and in a second step the image is evaluated by a computer, the cells visible on the image being classified, characterized in that that, based on the classification carried out in the second step, the image is re-evaluated in a third step, with the cells visible on the image being reclassified.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass im zweiten Schritt ein erstes neurales Netzwerk zur Klassifizierung genutzt wird. 2. The method according to claim 1, characterized in that a first neural network is used for classification in the second step.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass im dritten Schritt ein zweites neurales Netzwerk zur Klassifizierung genutzt wird. 3. The method according to claim 1 or 2, characterized in that a second neural network is used for classification in the third step.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass, 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. 4. The method according to any one of claims 1 to 3, characterized in that, based on the classification carried out in the second step, another image of another area of the blood sample is recorded and this image is subjected to the second and the third step.
5. System zur Analyse einer Blutprobe, insbesondere zur Durchführung eines Verfahrens gemäß einem der Ansprüche 1 bis 4, 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 reklassif iziert werden . 5. System for analyzing a blood sample, in particular for carrying out a method according to one of claims 1 to 4, comprising a receptacle for the blood sample, a camera and a computer connected to the camera, which is designed to evaluate the images received from the camera , wherein the cells visible in the image are classified, characterized in that the Computer is further designed to re-evaluate the image based on the classification of the cells, the cells visible on the image being reclassified.
6. System nach Anspruch 5, dadurch gekennzeichnet, dass weiters ein Mikroskop vorgesehen ist, um das Bild der Blutprobe zu vergrößern. 6. System according to claim 5, characterized in that a microscope is further provided to magnify the image of the blood sample.
7. System nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass eine Verschiebevorrichtung vorgesehen ist, um die Aufnahme für die Blutprobe relativ zur Kamera zu bewegen, insbesondere translatorisch zu verschieben. 7. System according to claim 5 or 6, characterized in that a displacement device is provided in order to move the receptacle for the blood sample relative to the camera, in particular to translate it.
PCT/AT2022/060375 2021-11-02 2022-11-02 Two-step image-based automatic classification of a blood sample WO2023077177A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ATA50863/2021 2021-11-02
ATA50863/2021A AT525533B1 (en) 2021-11-02 2021-11-02 Method and system for analyzing a blood sample

Publications (1)

Publication Number Publication Date
WO2023077177A1 true WO2023077177A1 (en) 2023-05-11

Family

ID=84363571

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/AT2022/060375 WO2023077177A1 (en) 2021-11-02 2022-11-02 Two-step image-based automatic classification of a blood sample

Country Status (2)

Country Link
AT (1) AT525533B1 (en)
WO (1) WO2023077177A1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002095394A2 (en) * 2001-05-18 2002-11-28 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for analyzing a biological sample
WO2021116960A1 (en) * 2019-12-12 2021-06-17 S.D. Sight Diagnostics Ltd Classification models for analyzing a sample

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6132182A (en) * 1984-07-24 1986-02-14 Hitachi Ltd Device for classifying cell
JPH0652263B2 (en) * 1985-12-10 1994-07-06 株式会社日立製作所 Cell analyzer
CN110852288B (en) * 2019-11-15 2022-07-05 苏州大学 Cell image classification method based on two-stage convolutional neural network
CN111815633A (en) * 2020-09-08 2020-10-23 上海思路迪医学检验所有限公司 Medical image diagnosis apparatus, image processing apparatus and method, determination unit, and storage medium

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002095394A2 (en) * 2001-05-18 2002-11-28 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for analyzing a biological sample
WO2021116960A1 (en) * 2019-12-12 2021-06-17 S.D. Sight Diagnostics Ltd Classification models for analyzing a sample

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "Differentialblutbild - DocCheck Flexikon", 17 June 2021 (2021-06-17), pages 1 - 4, XP093016767, Retrieved from the Internet <URL:https://web.archive.org/web/20210617003759/https://flexikon.doccheck.com/de/Differentialblutbild> [retrieved on 20230123] *
HABIBZADEH MEHDI ET AL: "Automatic white blood cell classification using pre-trained deep learning models: ResNet and Inception", PROCEEDINGS OF SPIE; [PROCEEDINGS OF SPIE ISSN 0277-786X VOLUME 10524], SPIE, US, vol. 10696, 13 April 2018 (2018-04-13), pages 1069612 - 1069612, XP060101284, ISBN: 978-1-5106-1533-5, DOI: 10.1117/12.2311282 *

Also Published As

Publication number Publication date
AT525533B1 (en) 2023-06-15
AT525533A1 (en) 2023-05-15

Similar Documents

Publication Publication Date Title
DE3146423C2 (en)
DE3531969A1 (en) DEVICE AND METHOD FOR DETECTING AND CLASSIFYING PARTICLES WITH THE AID OF TECHNIQUES OF FLOW CYTOMETRY
EP2997365B1 (en) Analysis method for supporting classification
DE69927871T2 (en) Apparatus and method for distinguishing erythrocytes into urine
DE2903625C2 (en)
DE19639884A1 (en) System for identifying pattern
DE3315194A1 (en) METHOD FOR SEPARATING PARTICLES FLOWING IN A FLUID SAMPLE
DE3315195A1 (en) METHOD FOR ALIGNING PARTICLES IN A FLUID SAMPLE
EP1849125B1 (en) Method and apparatus for analyzing body fluids
WO2005050175A1 (en) Method and device for detecting different types of cells in a biological sample
Evangeline et al. Computer aided system for human blood cell identification, classification and counting
AT525533B1 (en) Method and system for analyzing a blood sample
DE69635391T2 (en) Method for examining a cell sample
DE102009033927B4 (en) Apparatus and method for locating a valid region of a blood smear
EP3430565B1 (en) Method for testing distributed objects by segmenting an overview image
DE10341193A1 (en) Apparatus and method for the quantitative evaluation of the polypeptides contained in a body fluid sample and markers for the detection of pathological conditions
EP0012418B1 (en) Apparatus for classifying particles contained in a blood sample
EP0280849B1 (en) Method and device to determine the threshold values when analysing the corpuscles in a liquid
Pellegrino et al. Development of Anemia Cells Recognition System Using Raspberry Pi
DE19637741A1 (en) Cytological sample analysis system with individualized patient data
EP0016953A1 (en) Additional device for a particle analyzer
Harun et al. Automated blasts segmentation techniques based on clustering algorithm for acute leukaemia blood samples
DE10221124A1 (en) Automatic count and/or classification of plant pests uses a transparent underlay to catch pests from the leaves, to be scanned, and the image is analyzed by a data processing unit
Corsellis et al. Cell counting in the human brain: traditional and electronic methods
EP0922266B1 (en) Process for the determination of significant anomalies in cell growth

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22813395

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)