一种识别异常粒子的方法和系统及其细胞分析仪

摘要

本发明提供了一种识别异常粒子的方法和系统及其细胞分析仪，所述方法包括：S1、将待检测的粒子逐一通过一个检测器，并记录每个粒子通过检测器的时间点；S2、计算任意两个相邻粒子通过检测器的时间间隔；S3、识别可疑粒子；S4、识别异常粒子。本发明提供的一种识别异常粒子的方法和系统及其细胞分析仪，利用异常粒子所产生的脉冲间距不符合统计学规律的特性，简单有效地识别出异常粒子，进而排除识别到的异常粒子；通过去除异常粒子，显著提高粒子计数结果的准确性，进而为临床诊断提供了准确的信息支持。

权利要求

1.一种识别异常粒子的方法，其特征在于，包括：

S1、将待检测的粒子逐一通过一个检测器，并记录每个粒子通过检测器的时间点；

S2、计算任意两个相邻粒子通过检测器的时间间隔；

S3、识别可疑粒子：对于第i个粒子，如果di＜λ且di-1≥λ，则将其标记为A类可疑粒子；

如果di＜λ且di-1＜λ，则将其标记为B类可疑粒子；

如果di≥λ且di-1＜λ，则将其标记为C类可疑粒子；

其中，i＝2,3,...,N；N+1为粒子总数，di为第i个粒子与第i+1个粒子通过检测器的时间间隔，di-1为第i-1个粒子与第i个粒子通过检测器的时间间隔，λ为异常间距判定阈值；

S4、识别异常粒子：将A类可疑粒子、B类可疑粒子和C类可疑粒子中的任意一种或任意两种或三种识别为异常粒子。

2.根据权利要求1所述的识别异常粒子的方法，其特征在于，在S3中，所述λ是根据已知的粒子样本的统计结果预先得出的预设值；或者，所述λ是所有相邻粒子的平均时间间隔的一个正相关函数。

3.根据权利要求1所述的识别异常粒子的方法，其特征在于，在S3中，所述λ为所有相邻粒子的平均时间间隔的0.001至0.3倍。

4.根据权利要求1所述的识别异常粒子的方法，其特征在于，还包括：S5、报警：当异常粒子数占粒子总数的比例超过一设定值时，则将对应的粒子测量结果视为存在干扰，输出提示，进行报警。

5.根据权利要求1所述的识别异常粒子的方法，其特征在于，还包括：S5、排除异常粒子：在后续统计及分析中，忽略所述异常粒子；或者，将粒子总数减去异常粒子数，得出的结果即为排除异常粒子后的实际粒子总数。

6.一种识别异常粒子的系统，其特征在于，包括相互连接的检测器和运算装置；

检测器用于将待检测的粒子逐一通过，并记录每个粒子通过的时间点；

运算装置用于根据检测器中检测到的每个粒子通过的时间点，计算出任意两个相邻粒子通过检测器的时间间隔，进而根据相邻粒子通过检测器的时间间隔特征，识别出可疑粒子，并排除其中的异常粒子。

7.根据权利要求6所述的识别异常粒子的系统，其特征在于，还包括与运算装置连接的报警装置，所述运算装置计算出异常粒子数和粒子总数的比例，当该比例超过设定值时，运算装置通过报警装置发出报警提示。

8.根据权利要求6所述的识别异常粒子的系统，其特征在于，根据相邻粒子通过检测器的时间间隔特征，识别出可疑粒子的方法为：对于第i个粒子，如果di＜λ且di-1≥λ，则将其标记为A类可疑粒子；

如果di＜λ且di-1＜λ，则将其标记为B类可疑粒子；

如果di≥λ且di-1＜λ，则将其标记为C类可疑粒子；

其中，i＝2,3,...,N；N+1为粒子总数，di为第i个粒子与第i+1个粒子通过检测器的时间间隔，di-1为第i-1个粒子与第i个粒子通过检测器的时间间隔，λ为异常间距判定阈值。

9.根据权利要求8所述的识别异常粒子的系统，其特征在于，所述λ是根据已知的粒子样本的统计结果预先得出的预设值；或者，所述λ是所有相邻粒子的平均时间间隔的一个正相关函数。

10.根据权利要求8所述的识别异常粒子的系统，其特征在于，所述λ为所有相邻粒子的平均时间间隔的0.001至0.3倍。

11.根据权利要求8所述的识别异常粒子的系统，其特征在于，排除其中的异常粒子的方法为：将A类可疑粒子、B类可疑粒子和C类可疑粒子中的任意一种或任意两种或三种识别为异常粒子，进行排除；

在后续统计及分析中，忽略所述异常粒子；或者，将粒子总数减去异常粒子数，得出的结果即为排除异常粒子后的实际粒子总数。

12.一种细胞分析仪，其特征在于，包括如权利要求6至11任意一项所述的识别异常粒子的系统。

说明书

一种识别异常粒子的方法和系统及其细胞分析仪

技术领域

[0001] 本发明涉及粒子检测领域，具体涉及一种识别异常粒子的方法和系统及其细胞分析仪。

背景技术

[0002] 外周血的血细胞主要分为红细胞(Red Blood Cell，RBC)、白细胞(White Blood Cell，WBC)、血小板(Platelet，PLT)三类细胞。目前业界通常运用阻抗法、流式激光散射法等方法进行白细胞测量。红细胞一般运用库尔特原理进行测量，当细胞通过检测孔时产生相应的电脉冲，根据电脉冲的多少确定红细胞的数量。血小板的测量通常伴随红细胞在同一个检测系统中进行，由于红细胞体积与血小板体积有明显的差异，检测仪器上设定了固定或者浮动的阈值，将高于阈值的粒子定为红细胞，反之定为血小板，电脉冲原始数据经检测仪器内部的计算机程序处理后分别给出血小板和红细胞数目。

[0003] 但是有时，系统会存在一些非细胞粒子，例如气泡、电噪声、测量系统中的杂质等，这些粒子被称为异常粒子。有些异常粒子因脉冲信号与正常细胞粒子的脉冲信号特征接近，会被识别为正常细胞粒子，这将影响正常细胞粒子的计数，导致出现不准确的细胞计数结果。

[0004] 中国发明专利ZL200810067278.5提出了一种获取体积信息有效粒子脉冲及粒子体积分布的方法和装置，其利用每个粒子在检测微孔中的运行轨迹信息识别脉冲的有效性，即鉴别粒子脉冲是否真实有效地反应粒子的体积信息，进而排除失真信息较大的脉冲，之后用所有被判定为体积有效的粒子脉冲个数作为粒子计数值。该方法只针对脉冲本身的形态特征进行分析，当异常粒子的脉冲特性同正常粒子差别较小时，异常粒子将无法被识别出来。尤其在检测白细胞时，血液细胞分析仪需要加入试剂对红细胞和血小板进行裂解，排除红细胞和血小板对白细胞检测的干扰，当细胞碎片在样本准备通道未清洗干净时，仪器会检测到这些异常粒子，对白细胞计数产生干扰。

[0005] 此外，在利用流式激光散射法进行计数检测时，细小的气泡也可能成为异常粒子，干扰细胞计数。

发明内容

[0006] 本发明的目的在于，针对现有技术中的缺陷，提供一种识别异常粒子的方法和系统及其细胞分析仪，实现在血细胞计数测量时有效地识别异常粒子，给出细胞计数值的准确结果。

[0007] 为实现上述目的，本发明采用以下技术方案：

[0008] 一种识别异常粒子的方法，包括：

[0009] S1、将待检测的粒子逐一通过一个检测器，并记录每个粒子通过检测器的时间点；

[0010] S2、计算任意两个相邻粒子通过检测器的时间间隔；

[0011] S3、识别可疑粒子：对于第i个粒子，如果di＜λ且di-1≥λ，则将其标记为A类可疑粒子；

[0012] 如果di＜λ且di-1＜λ，则将其标记为B类可疑粒子；

[0013] 如果di≥λ且di-1＜λ，则将其标记为C类可疑粒子；

[0014] 其中，i＝2,3,...,N；N+1为粒子总数，di为第i个粒子与第i+1个粒子通过检测器的时间间隔，di-1为第i-1个粒子与第i个粒子通过检测器的时间间隔，λ为异常间距判定阈值；

[0015] S4、识别异常粒子：将A类可疑粒子、B类可疑粒子和C类可疑粒子中的任意一种或任意两种或三种识别为异常粒子。

[0016] 一种识别异常粒子的系统，包括相互连接的检测器和运算装置；

[0017] 检测器用于将待检测的粒子逐一通过，并记录每个粒子通过的时间点；

[0018] 运算装置用于根据检测器中检测到的每个粒子通过的时间点，计算出任意两个相邻粒子通过检测器的时间间隔，进而根据相邻粒子通过检测器的时间间隔特征，识别出可疑粒子，并排除其中的异常粒子。

[0019] 一种细胞分析仪，包括以上所述的识别异常粒子的系统。

[0020] 本发明提供的一种识别异常粒子的方法和系统及其细胞分析仪，利用异常粒子所产生的脉冲间距不符合统计学规律的特性，简单有效地识别出异常粒子，进而排除识别到的异常粒子；通过去除异常粒子，显著提高粒子计数结果的准确性，进而为临床诊断提供了准确的信息支持。

附图说明

[0021] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0022] 图1为正常样本和带有异常粒子的样本的散点对比图。

[0023] 图2为正常粒子脉冲间距和异常粒子脉冲间距的对比图。

[0024] 图3为本发明实施例一的一种识别异常粒子的方法的流程图。

[0025] 图4为本发明实施例二的一种识别异常粒子的方法的流程图。

[0026] 图5为本发明实施例三的一种识别异常粒子的方法的流程图。

[0027] 图6为使用本发明实施例三提供的方法对存在异常粒子的样本进行处理的效果对比图。

[0028] 图7为使用本发明实施例三提供的方法对无异常粒子的样本进行处理的效果对比图。

[0029] 图8为本发明实施例四的一种识别异常粒子的系统的结构框图。

具体实施方式

[0030] 下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

[0031] 在研究中，发明人发现有些样本的白细胞计数值不够准确，通过将这些样本的散点图和正常样本的散点图进行对比，如图1所示，发明人发现有很多异常粒子导致的杂点干扰了计数。详细研究后，发明人进一步发现异常粒子的脉冲间的间距特性可以用来帮助识别异常粒子。如图2所示，左侧图形所示正常粒子脉冲间距比右侧图形所示的异常粒子的脉冲间距大得多。因此，发明人针对血细胞粒子的计数过程，提供了一种识别异常粒子的方法和系统，利用粒子产生的脉冲间距的统计特性，提高了粒子计数的准确性。

[0032] 实施例一

[0033] 如图3所示，本发明实施例提供了一种识别异常粒子的方法，具体包括以下步骤：

[0034] S1、将待检测的粒子逐一通过一个检测器，并记录每个粒子通过检测器的时间点；在本发明实施例中，假设检测器共检测到N+1个粒子，则每个粒子通过检测器的时间点分别为T1,T2,…,TN+1。

[0035] S2、获取粒子通过检测器的时间点，计算任意两个相邻粒子通过检测器的时间间隔：

[0036] di＝Ti+1-Ti，i＝1,2,...,N；

[0037] 其中，Ti为第i个粒子通过检测器的时间点，Ti+1为第i+1个粒子通过检测器的时间点，di为第i个粒子与第i+1个粒子通过检测器的时间间隔。

[0038] S3、识别可疑粒子：对于第i个粒子，如果di＜λ且di-1≥λ，则将其标记为A类可疑粒子；

[0039] 如果di＜λ且di-1＜λ，则将其标记为B类可疑粒子；

[0040] 如果di≥λ且di-1＜λ，则将其标记为C类可疑粒子；

[0041] 其中，i＝2,3,...,N；λ为异常间距判定阈值。

[0042] 具体地，λ可以是所有相邻粒子的平均时间间隔 的一个正相关函数，即：

[0043]

[0044] 其中，k为倍率系数。由于相邻粒子通过检测器的时间间隔服从指数分布，因此通过概率统计能够得到倍率系数k取值在0.001和0.3之间，这一取值能够特异性地去除异常粒子，而对正常粒子的误识别概率也保持在可接受范围。

[0045] 除此之外，λ还可以是一个预设值，所述预设值是根据已知的粒子样本的统计结果预先得到的；不同仪器的该预设值可能不同，但都可以事先通过统计的方式得到，并预先设置在仪器中。

[0046] S4、识别异常粒子：将A类可疑粒子、B类可疑粒子和C类可疑粒子中的任意一种或任意两种或三种识别为异常粒子。

[0047] 将A、B、C三类可疑粒子都识别为异常粒子是最优选的实施方式。但是，为了减少计算量，也可以根据某一场景下最常出现的异常粒子的性质，将其中的一种或两种可疑粒子识别为异常粒子。只要用到S3步骤的判断条件之一进行异常粒子识别的，都应在本发明保护的范围之内。

[0048] 实施例二

[0049] 如图4所示，本发明实施例在实施例一的基础上进行了改进，具体地，除实施例一所述的步骤S1至S4外，本发明实施例还包括后续的步骤：

[0050] S5、报警：当异常粒子数占粒子总数的比例超过一设定值时，则将对应的粒子测量结果视为存在干扰，输出提示，进行报警。例如，通过一报警装置输出报警信号，或者在人机交互界面上显示报警信息。

[0051] 其中，所述设定值的确定方法有多种，本发明实施例提供有以下几种方法，以确定所述设定值：

[0052] 方法一：先随机选取若干例正常样本，统计异常粒子数占粒子总数的比例；再随机选取若干例出现异常粒子的样本(后称异常样本)，统计异常粒子数占粒子总数的比例；根据上述正常样本和异常样本中异常粒子比例确定所述设定值。例如，可以先分别求出正常样本中异常粒子比例的平均值和异常样本中异常粒子比例的平均值，将上述两个平均值的平均值作为设定值。

[0053] 方法二：根据这两个比例的统计分布情况，确定一满足报警准确度的合适的值作为设定值。

[0054] 方法三：分别统计正常样本和异常样本的异常粒子总数，通过计算其平均值或根据其分布情况，确定所述设定值。

[0055] 方法四：通过理论模型推断正常样本中异常粒子比例或总数，再根据报警准确度的要求确定出一设定值。

[0056] 实施例三

[0057] 如图5所示，本发明实施例在实施例一的基础上进行了改进，具体地，除实施例一所述的步骤S1至S4外，本发明实施例还包括后续的步骤：

[0058] S5、排除异常粒子。具体地，本发明实施例提供两种排除异常粒子的方式。其中，第一种方式是在后续统计及分析中，忽略所述异常粒子，例如从散点图中删去异常粒子对应的点等等。第二种方式为，将粒子总数减去异常粒子数，得出的结果即为排除异常粒子后的实际粒子总数。

[0059] 下面将详细介绍第二种排除方式，具体地，由于在S4中，可以将A类可疑粒子、B类可疑粒子和C类可疑粒子中的任意一种或任意两种或三种识别为异常粒子；因此，针对S4中的不同识别结果，实际存在七种不同的排除方法。为便于理解，下面将针对这七种排除方法，结合具体实验数据进行详细说明，用以对本发明实施例的技术效果进行佐证。

[0060] 首先，取一份已知白细胞计数值的血样，已知其白细胞计数值为5.75×10^9/L，在没有清洗样本准备通道的深圳迈瑞生物医疗电子股份有限公司生产的BC-6800血液细胞分析仪上检测前向散射光和侧向散射光强度，得到的散射图上有异常粒子，粒子总数N+1＝4599，对应的白细胞计数值为6.78×10^9/L。然后采用S1至S3的步骤识别可疑粒子，得出A类可疑粒子数NA＝92、B类可疑粒子数NB＝996、C类可疑粒子数NC＝90。进一步地，采用S4中的方法排除异常粒子，并结合S5进行判断。具体有以下七种方法：

[0061] 方法一：将A类可疑粒子识别为异常粒子，进行排除；此时，异常粒子数为NA，排除异常粒子后的实际粒子总数为：

[0062] N_real＝N+1-NA

[0063]       ＝4599-92

[0064]       ＝4507

[0065] 对应的白细胞计数值约为6.69×10^9/L，更接近真实值。

[0066] 此外，还可以设置合适的阈值，当异常粒子数占粒子总数的比例超过该阈值时，通过一个报警装置进行报警，提示此次粒子测量结果存在干扰，是不可靠的。

[0067] 可以按照下面方法确定阈值：先随机选取100例正常样本，统计A类可疑粒子占粒子总数的比例平均值，再随机选取100例出现异常粒子的样本，统计A类可疑粒子占粒子总数的比例平均值，所述阈值即取上述两个比例平均值的平均值。

[0068] 方法二：将B类可疑粒子识别为异常粒子，进行排除；此时，异常粒子数为NB，排除异常粒子后的实际粒子总数为：

[0069] N_real＝N+1-NB

[0070]       ＝4599-996

[0071]       ＝3603

[0072] 对应的白细胞计数值约为5.95×10^9/L，更接近真实值。

[0073] 报警提示的判断方法可参考方法一的后续步骤进行，在此不再赘述。

[0074] 方法三：将C类可疑粒子识别为异常粒子，进行排除；此时，异常粒子数为NC，排除异常粒子后的实际粒子总数为：

[0075] N_real＝N+1-NC

[0076]       ＝4599-90

[0077]       ＝4509

[0078] 对应的白细胞计数值约为6.69×10^9/L，更接近真实值。

[0079] 报警提示的判断方法可参考方法一的后续步骤进行，在此不再赘述。

[0080] 方法四：将A类可疑粒子和B类可疑粒子识别为异常粒子，进行排除；此时，异常粒子数为NA+NB，排除异常粒子后的实际粒子总数为：

[0081] N_real＝N+1-NA-NB

[0082]       ＝4599-92-996

[0083]       ＝3511

[0084] 对应的白细胞计数值约为5.79×10^9/L，更接近真实值。

[0085] 报警提示的判断方法可参考方法一的后续步骤进行，在此不再赘述。

[0086] 方法五：将A类可疑粒子和C类可疑粒子识别为异常粒子，进行排除；此时，异常粒子数为NA+NC，排除异常粒子后的实际粒子总数为：

[0087] N_real＝N+1-NA-NC

[0088]       ＝4599-92-90

[0089]       ＝4417

[0090] 对应的白细胞计数值约为6.49×10^9/L，更接近真实值。

[0091] 报警提示的判断方法可参考方法一的后续步骤进行，在此不再赘述。

[0092] 方法六：将B类可疑粒子和C类可疑粒子识别为异常粒子，进行排除；此时，异常粒子数为NB+NC，排除异常粒子后的实际粒子总数为：

[0093] N_real＝N+1-NB-NC

[0094]       ＝4599-996-90

[0095]       ＝3513

[0096] 对应的白细胞计数值约为5.80×10^9/L，更接近真实值。

[0097] 报警提示的判断方法可参考方法一的后续步骤进行，在此不再赘述。

[0098] 方法七：将A类可疑粒子、B类可疑粒子和C类可疑粒子均识别为异常粒子，进行排除；此时，异常粒子数为NA+NB+NC，排除异常粒子后的实际粒子总数为：

[0099] N_real＝N+1-NB-NC-NA

[0100]       ＝4599-996-90-92

[0101]       ＝3421

[0102] 对应的白细胞计数值约为5.71×10^9/L，最接近真实值。

[0103] 报警提示的判断方法可参考方法一的后续步骤进行，在此不再赘述。

[0104] 由此可见，对于存在异常粒子的样本，方法一到方法七中的任意一种方法，排除异常粒子后获得的白细胞计数值更加准确。以上方法对出现异常粒子的样本处理效果较好，处理效果对比如图6所示。

[0105] 对于无异常粒子的样本，采用本发明实施例提供的方法进行处理，正常粒子被误识别的概率极低，约为千分之一。下面将举出另一组试验数据加以证明。

[0106] 随机选取一例正常样本，使用深圳迈瑞生物医疗电子股份有限公司生产的BC-6800血液细胞分析仪，运用以上方法进行处理，结果如下：

[0107] 仪器检测到的粒子总数N+1＝6312,对应的白细胞计数值约为：8.19×10^9/L，A类可疑粒子数NA＝2、B类可疑粒子数NB＝1、C类可疑粒子数NC＝1。选用方法一到方法七中任意一种方法，排除异常粒子；在此，选用方法七，排除最大的异常粒子数NA+NB+NC，即实际粒子总数为：

[0108] N_real＝N+1-NB-NC-NA

[0109]       ＝6312-2-1-1

[0110]       ＝6308

[0111] 对应的白细胞计数值约为：8.19×10^9/L，经详细对比，白细胞计数值保持不变，即本发明实施例提供的方法对无异常粒子的样本几乎无影响。处理后的散点图效果对比详见图7。由此可见，本方法对异常粒子的识别有很好的特异性，不会对正常样本产生不利影响。

[0112] 实施例四

[0113] 本发明实施例提供了一种识别异常粒子的系统，用于结合以上三个实施例提供的方法，在血细胞粒子的计数过程中，对异常粒子的干扰进行识别和排除。

[0114] 具体地，如图8所示所述识别异常粒子的系统包括依次连接的检测器、运算装置和报警装置。

[0115] 所述检测器用于将待检测的粒子逐一通过，并记录每个粒子通过的时间点，即实施例一中所述的S1中进行的操作。

[0116] 所述运算装置用于根据检测器中检测到的每个粒子通过的时间点，计算出任意两个相邻粒子通过检测器的时间间隔，进而根据相邻粒子通过检测器的时间间隔特征，识别出可疑粒子，并排除其中的异常粒子。同时，所述运算装置还用于计算异常粒子数和粒子总数的比例，并将该比例与设定值进行对比运算。即实施例二和实施例三中所述的S2至S5中进行的操作。

[0117] 所述报警装置用于根据运算装置的控制，发出报警提示。

[0118] 本发明实施例提供的一种识别异常粒子的系统的具体工作流程已于以上三个实施例中详细说明，故在此不再赘述。

[0119] 本发明还提供了一种细胞分析仪，包括上述的识别异常粒子的系统，提高细胞检测的准确性。

[0120] 本发明提供的一种识别异常粒子的方法和系统及其细胞分析仪，利用异常粒子所产生的脉冲间距不符合统计学规律的特性，简单有效地识别出异常粒子，进而排除识别到的异常粒子；通过去除异常粒子，显著提高粒子计数结果的准确性，进而为临床诊断提供了准确的信息支持。

[0121] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。