CN113222969A - 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 - Google Patents
一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 Download PDFInfo
- Publication number
- CN113222969A CN113222969A CN202110594730.9A CN202110594730A CN113222969A CN 113222969 A CN113222969 A CN 113222969A CN 202110594730 A CN202110594730 A CN 202110594730A CN 113222969 A CN113222969 A CN 113222969A
- Authority
- CN
- China
- Prior art keywords
- image
- cell
- cells
- flow cytometry
- counting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000000694 effects Effects 0.000 title claims abstract description 30
- 238000000684 flow cytometry Methods 0.000 title claims abstract description 28
- 238000003384 imaging method Methods 0.000 title claims abstract description 28
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 23
- 238000002073 fluorescence micrograph Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 26
- XJMOSONTPMZWPB-UHFFFAOYSA-M propidium iodide Chemical compound [I-].[I-].C12=CC(N)=CC=C2C2=CC=C(N)C=C2[N+](CCC[N+](C)(CC)CC)=C1C1=CC=CC=C1 XJMOSONTPMZWPB-UHFFFAOYSA-M 0.000 claims description 8
- 230000002902 bimodal effect Effects 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 239000002699 waste material Substances 0.000 claims description 7
- 230000021164 cell adhesion Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 1
- 238000011410 subtraction method Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 abstract description 76
- 210000004698 lymphocyte Anatomy 0.000 abstract description 7
- 239000007788 liquid Substances 0.000 description 10
- 210000003743 erythrocyte Anatomy 0.000 description 4
- 210000005253 yeast cell Anatomy 0.000 description 4
- 238000004113 cell culture Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 208000029462 Immunodeficiency disease Diseases 0.000 description 2
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- ZXEKIIBDNHEJCQ-UHFFFAOYSA-N isobutanol Chemical compound CC(C)CO ZXEKIIBDNHEJCQ-UHFFFAOYSA-N 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 102000011767 Acute-Phase Proteins Human genes 0.000 description 1
- 108010062271 Acute-Phase Proteins Proteins 0.000 description 1
- 208000008190 Agammaglobulinemia Diseases 0.000 description 1
- 208000032467 Aplastic anaemia Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 102000008100 Human Serum Albumin Human genes 0.000 description 1
- 108091006905 Human Serum Albumin Proteins 0.000 description 1
- 241000701806 Human papillomavirus Species 0.000 description 1
- 206010020983 Hypogammaglobulinaemia Diseases 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 208000028018 Lymphocytic leukaemia Diseases 0.000 description 1
- 206010025280 Lymphocytosis Diseases 0.000 description 1
- 206010025327 Lymphopenia Diseases 0.000 description 1
- 208000015914 Non-Hodgkin lymphomas Diseases 0.000 description 1
- 201000005702 Pertussis Diseases 0.000 description 1
- QNVSXXGDAPORNA-UHFFFAOYSA-N Resveratrol Natural products OC1=CC=CC(C=CC=2C=C(O)C(O)=CC=2)=C1 QNVSXXGDAPORNA-UHFFFAOYSA-N 0.000 description 1
- KDYFGRWQOYBRFD-UHFFFAOYSA-N Succinic acid Natural products OC(=O)CCC(O)=O KDYFGRWQOYBRFD-UHFFFAOYSA-N 0.000 description 1
- LUKBXSAWLPMMSZ-OWOJBTEDSA-N Trans-resveratrol Chemical compound C1=CC(O)=CC=C1\C=C\C1=CC(O)=CC(O)=C1 LUKBXSAWLPMMSZ-OWOJBTEDSA-N 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 208000017733 acquired polycythemia vera Diseases 0.000 description 1
- 230000001780 adrenocortical effect Effects 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 239000002551 biofuel Substances 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- KDYFGRWQOYBRFD-NUQCWPJISA-N butanedioic acid Chemical compound O[14C](=O)CC[14C](O)=O KDYFGRWQOYBRFD-NUQCWPJISA-N 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 230000003013 cytotoxicity Effects 0.000 description 1
- 231100000135 cytotoxicity Toxicity 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 201000006747 infectious mononucleosis Diseases 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 208000003747 lymphoid leukemia Diseases 0.000 description 1
- 231100001023 lymphopenia Toxicity 0.000 description 1
- 208000025036 lymphosarcoma Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 229960002566 papillomavirus vaccine Drugs 0.000 description 1
- 208000037244 polycythemia vera Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229940016667 resveratrol Drugs 0.000 description 1
- 235000021283 resveratrol Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 201000008827 tuberculosis Diseases 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 235000014101 wine Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置。本发明方法，包括：获取待测样品的明视场图像和细胞荧光图像及空测时的背景图像，并对细胞荧光图像进行二值化处理；利用双向背景差分法提取目标轮廓差分图像和目标中心亮斑差分图像，并对两个差分图像进行融合及二值化处理，确定运动目标的位置；对二值化处理后的图像进行形态学闭运算，再进行形态学开运算；对二值图像矩阵进行遍历，实现待测细胞的数量计算以及种类的识别和分类。本发明技术方案解决了现有技术中耗时耗力、功能不全、通量低、价格昂贵等问题。能够实现对微藻细胞、293T淋巴细胞、小鼠细胞等多种细胞的计数和活性判断，应用范围广泛，鉴定指标稳定。
Description
技术领域
本发明涉及成像流式细胞检测与计数技术领域，具体而言，尤其涉及一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置。
背景技术
单细胞计数和成像是医学、环境科学、生物学等相关领域的关键技术，在疾病预测、病情诊断、细胞培养、环境监测等方面具有重要应用价值，细胞活性检测也是进行细胞生物学实验的一项重要指标，是评价细胞培养、细胞毒性及生理研究的基础。在医学领域，细胞计数具有非常重要的临床意义，如淋巴细胞，成人淋巴细胞约占白细胞的1/4，是人体重要的免疫活性细胞，淋巴细胞计数增多见于病毒性感染、结核病、百日咳、传染性单核细胞增多症、传染性淋巴细胞增多症、淋巴细胞白血病、淋巴肉瘤等。淋巴细胞计数减低可见于细胞免疫缺陷病、某些传染病的急性期、放射病、应用肾上腺皮质激素、抗淋巴细胞球蛋白治疗、淋巴细胞减少症、免疫缺陷病、丙种球蛋白缺乏症等等；再如常见的血红细胞，它是人体中最多的一类细胞，主要功能是通过细胞内含有的血红蛋白进行氧气于二氧化碳的交换，红细胞计数增多，多见于真性红细胞增多症、脱水、先天性心脏病等，红细胞计数降低多见于再生障碍性贫血、缺血性贫血、白血病等。因此，对一些人体关键细胞的检测在医学领域具有重大临床意义。
在细胞培养方面，对细胞的计数和活性检测非常关键，如酵母细胞的培养，几千年来，酵母一直被用来制造啤酒、面包和葡萄酒。在现代，它已成为生产燃料、化学品和药物(如胰岛素、人血清白蛋白)以及肝炎病毒和人乳头瘤病毒疫苗的商业主力军。酵母也被设计成工业规模的化学品(如琥珀酸、乳酸、白藜芦醇)和先进的生物燃料(如异丁醇)，对酵母细胞计数和快速检测并对酵母菌进行拍照和算法分析，为酵母细胞生长情况提供数据基础，可以有效避免发酵失败造成的经济损失，因此对酵母细胞进行计数和活性检测具有重大意义。
目前的细胞计数检测方法有：人工显微计数法，库尔特细胞计数法，基于图像的荧光计数法；人工显微计数法作为传统计数方法，一直是一件繁琐而费时的工作，操作人员观察时间久导致眼疲劳，进而可能引入计数误差。而库尔特细胞计数法虽然可行，但该方法无法获取细胞的形态学信息，如形状、尺寸等；基于图像的荧光计数法，虽然可以获取到细胞图像，但是通量低，细胞容易聚集；公开的商用图像流式细胞仪如Millipore公司的ImageStream和FlowSight，其光路和空间结构及其复杂，制造成本也比较高昂，限制了它的广泛使用。
综合以上分析，现有的一些计数检测方法具有耗时耗力、功能不全、通量低、价格昂贵等缺点。
发明内容
根据上述提出现有检测方法具有耗时耗力、功能不全、通量低、价格昂贵等技术问题，而提供一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置。本发明可以实现对微藻细胞、293T淋巴细胞、小鼠细胞等多种细胞的计数和活性判断，应用范围广泛，鉴定指标稳定。
本发明采用的技术手段如下：
一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，包括如下步骤：
S1、获取待测样品的明视场图像和细胞荧光图像及空测时的背景图像，并对细胞荧光图像进行二值化处理；
S2、利用双向背景差分法提取目标轮廓差分图像和目标中心亮斑差分图像，并对目标轮廓差分图像和目标中心亮斑差分图像进行融合及二值化处理，确定运动目标的位置；
S3、对二值化处理后的图像进行形态学闭运算，再进行形态学开运算；
S4、对二值图像矩阵进行遍历，实现待测细胞的数量计算以及待测细胞种类的识别和分类。
进一步地，所述步骤S2的具体实现过程如下：
S21、对所述明视场图像与所述背景图像进行差分，得到含有目标中心亮斑的正向差分图像Img1；
S22、对所述背景图像与所述明视场图像做差分，得到含有目标轮廓的反向差分图像Img2；
S23、根据公式ImgF(i,j)＝Img1(i,j)×μ1+Img2(i,j)×μ2+B对正向差分图像Img1和反向差分图像Img2进行图像融合，其中，ImgF表示计算后的融合图像，μ1、μ2为加权系数，(i,j)为图像像素点的坐标，B为亮度调节量；
S24、对融合图像ImgF进行二值化处理，确定二值化融合图像。
进一步地，所述步骤S3的具体实现过程如下：
S31、根据公式
对所述二值化融合图像进行闭运算处理，填充所述二值化融合图像中出现的细小孔洞缝隙；
S32、根据公式
对所述二值化融合图像进行开运算处理，去掉所述二值化融合图像中细小的噪声颗粒。
进一步地，所述步骤S4的具体实现过程如下：
S41、对二值图像矩阵进行遍历，得到图像中所有细胞的面积和AreaS；
S42、确定单个细胞的面积为二值图像中连通域面积的中值m，将细胞的面积和AreaS除以单个细胞的面积m，计算得到细胞数量；
S43、对二值图像矩阵进行遍历，得到细胞的周长L,通过公式
计算获取细胞的圆度信息；
S44、通过公式
计算得到细胞的粒径，其中S为细胞轮廓区域的面积，L为细胞轮廓的周长，实现对待测细胞种类的识别和分类。
本发明还提供了一种基于上述基于双向背景差分法的成像流式细胞粘连计数与活性检测方法的基于双模态成像流式细胞检测装置，包括：依次连接的光源模块、微流控芯片模块，液压驱动系统、光检测组件、图像采集组件和图像处理组件；
光源模块发出蓝光，光源照射细胞样品激发被碘化丙啶染色的细胞发出荧光，照射未被碘化丙啶染色的样品发出反射光；两种波长的光经过光检测组件传至图像采集组件得到细胞荧光图像和明视场图像，图像处理组件对图像进行处理实现细胞粘连计数与活性检测。
进一步地，所述微流控芯片模块包括样品孔、鞘液孔、废液孔、检测区，所述微流控芯片模块上还凹刻连通样品孔、鞘液孔、废液孔、检测区的流道。
进一步地，所述液压驱动系统包括正压压力源、负压压力源和电磁阀组，用于控制鞘液和待测样品形成样品，流经流道且连续流过所述检测区。
进一步地，所述光检测组件包括双光路镜头、二向色镜和滤光片；所述图像采集组件为CMOS传感器；所述图像处理组件为Jetson Nano处理器。
本发明还提供了一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时，执行上述基于双向背景差分法的成像流式细胞粘连计数与活性检测方法。
本发明还提供了电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器通过所述计算机程序运行执行上述基于双向背景差分法的成像流式细胞粘连计数与活性检测方法。
较现有技术相比，本发明具有以下优点：
1、本发明提供的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，能够实现对微藻细胞、293T淋巴细胞、小鼠细胞等多种细胞的计数和活性判断，应用范围广泛，鉴定指标稳定。
2、本发明提供的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，采用双向背景差分法并对差分得到的图像进行图像融合，有效解决了噪声对细胞计数的影响；
3、本发明提供的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，将连通域的面积和作为图像中所有细胞的面积和AreaS，将二值图像中连通域面积的中值作为单个细胞的面积m，将细胞面积和AreaS除以单个细胞面积m计算得到细胞数，有效解决了细胞粘连对细胞计数的影响。
4、本发明提供的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，通过对二值图像遍历得到细胞面积和周长信息，计算得出细胞的圆度和粒径，实现对待测细胞种类的识别和分类；
5、本发明提供的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，其双模态成像流式细胞检测装置可同时获取检测样品的细胞荧光图像和明视场图像，具有检测的效率高和准确性高的优点。
基于上述理由本发明可在成像流式细胞检测与计数等领域广泛推广。
附图说明
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做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明装置结构示意图。
图3为本发明装置中微流控芯片模块结构示意图。
图中：1、光源模块；2、微流控芯片模快；3、液压驱动系统；4、光检测组件模块；5、图像采集组件；6、图像处理组件；7、样品孔；8、鞘液孔；9、废液孔；10、检测区。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明提供了一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，包括如下步骤：
S1、获取待测样品的明视场图像和细胞荧光图像及空测时的背景图像，并对细胞荧光图像进行二值化处理；
S2、利用双向背景差分法提取目标轮廓差分图像和目标中心亮斑差分图像，并对目标轮廓差分图像和目标中心亮斑差分图像进行融合及二值化处理，确定运动目标的位置；
具体实施时，作为本发明优选的实施方式，所述步骤S2的具体实现过程如下：
S21、对所述明视场图像与所述背景图像进行差分，得到含有目标中心亮斑的正向差分图像Img1；
S22、对所述背景图像与所述明视场图像做差分，得到含有目标轮廓的反向差分图像Img2；
S23、根据公式ImgF(i,j)＝Img1(i,j)×μ1+Img2(i,j)×μ2+B对正向差分图像Img1和反向差分图像Img2进行图像融合，其中，ImgF表示计算后的融合图像，μ1、μ2为加权系数，(i,j)为图像像素点的坐标，B为亮度调节量；
S24、对融合图像ImgF进行二值化处理，确定二值化融合图像。
S3、对二值化处理后的图像进行形态学闭运算，再进行形态学开运算；
具体实施时，作为本发明优选的实施方式，所述步骤S3的具体实现过程如下：
S31、根据公式
对所述二值化融合图像进行闭运算处理，填充所述二值化融合图像中出现的细小孔洞缝隙；
S32、根据公式
对所述二值化融合图像进行开运算处理，去掉所述二值化融合图像中细小的噪声颗粒。
S4、对二值图像矩阵进行遍历，实现待测细胞的数量计算以及待测细胞种类的识别和分类。
具体实施时，作为本发明优选的实施方式，所述步骤S4的具体实现过程如下：
S41、对二值图像矩阵进行遍历，得到图像中所有细胞的面积和AreaS；
S42、确定单个细胞的面积为二值图像中连通域面积的中值m，将细胞的面积和AreaS除以单个细胞的面积m，计算得到细胞数量；
S43、对二值图像矩阵进行遍历，得到细胞的周长L,通过公式
计算获取细胞的圆度信息；
S44、通过公式
计算得到细胞的粒径，其中S为细胞轮廓区域的面积，L为细胞轮廓的周长，实现对待测细胞种类的识别和分类。
如图2所示，本发明提供了一种基于上述基于双向背景差分法的成像流式细胞粘连计数与活性检测方法的基于双模态成像流式细胞检测装置，包括：依次连接的光源模块1、微流控芯片模块2，液压驱动系统3、光检测组件4、图像采集组件5和图像处理组件6。光源模块1发出蓝光，光源照射细胞样品激发被碘化丙啶(PI)染色的细胞发出荧光，照射未被碘化丙啶(PI)染色的样品发出反射光；两种波长的光经过光检测组件4传至图像采集组件5得到细胞荧光图像和明视场图像，图像处理组件6对图像进行处理实现细胞粘连计数与活性检测。
具体实施时，作为本发明优选的实施方式，如图3所示，所述微流控芯片模块2包括样品孔7、鞘液孔8、废液孔9、检测区10，所述微流控芯片模块2上还凹刻连通样品孔7、鞘液孔8、废液孔9、检测区10的流道。
具体实施时，作为本发明优选的实施方式，所述液压驱动系统3包括正压压力源、负压压力源和电磁阀组，用于控制鞘液和待测样品形成样品，流经流道且连续流过所述检测区10。
具体实施时，作为本发明优选的实施方式，所述光检测组件包括双光路镜头、二向色镜和滤光片；所述图像采集组件为CMOS传感器；所述图像处理组件为Jetson Nano处理器。
在本申请所提供的实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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，或者对其中部分或者全部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实施例技术方案的范围。
Claims (10)
1.一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，其特征在于，包括如下步骤：
S1、获取待测样品的明视场图像和细胞荧光图像及空测时的背景图像，并对细胞荧光图像进行二值化处理；
S2、利用双向背景差分法提取目标轮廓差分图像和目标中心亮斑差分图像，并对目标轮廓差分图像和目标中心亮斑差分图像进行融合及二值化处理，确定运动目标的位置；
S3、对二值化处理后的图像进行形态学闭运算，再进行形态学开运算；
S4、对二值图像矩阵进行遍历，实现待测细胞的数量计算以及待测细胞种类的识别和分类。
2.根据权利要求1所述的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，其特征在于，所述步骤S2的具体实现过程如下：
S21、对所述明视场图像与所述背景图像进行差分，得到含有目标中心亮斑的正向差分图像Img1；
S22、对所述背景图像与所述明视场图像做差分，得到含有目标轮廓的反向差分图像Img2；
S23、根据公式ImgF(i,j)＝Img1(i,j)×μ1+Img2(i,j)×μ2+B对正向差分图像Img1和反向差分图像Img2进行图像融合，其中，ImgF表示计算后的融合图像，μ1、μ2为加权系数，(i,j)为图像像素点的坐标，B为亮度调节量；
S24、对融合图像ImgF进行二值化处理，确定二值化融合图像。
3.根据权利要求1所述的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，其特征在于，所述步骤S3的具体实现过程如下：
S31、根据公式
对所述二值化融合图像进行闭运算处理，填充所述二值化融合图像中出现的细小孔洞缝隙；
S32、根据公式
对所述二值化融合图像进行开运算处理，去掉所述二值化融合图像中细小的噪声颗粒。
4.根据权利要求1所述的基于双向背景差分法的成像流式细胞粘连计数与活性检测方法，其特征在于，所述步骤S4的具体实现过程如下：
S41、对二值图像矩阵进行遍历，得到图像中所有细胞的面积和AreaS；
S42、确定单个细胞的面积为二值图像中连通域面积的中值m，将细胞的面积和AreaS除以单个细胞的面积m，计算得到细胞数量；
S43、对二值图像矩阵进行遍历，得到细胞的周长L,通过公式
计算获取细胞的圆度信息；
S44、通过公式
计算得到细胞的粒径，其中S为细胞轮廓区域的面积，L为细胞轮廓的周长，实现对待测细胞种类的识别和分类。
5.一种基于权利要求1-4中任意一项权利要求所述基于双向背景差分法的成像流式细胞粘连计数与活性检测方法的基于双模态成像流式细胞检测装置，其特征在于，包括：依次连接的光源模块、微流控芯片模块，液压驱动系统、光检测组件、图像采集组件和图像处理组件；
光源模块发出蓝光，光源照射细胞样品激发被碘化丙啶染色的细胞发出荧光，照射未被碘化丙啶染色的样品发出反射光；两种波长的光经过光检测组件传至图像采集组件得到细胞荧光图像和明视场图像，图像处理组件对图像进行处理实现细胞粘连计数与活性检测。
6.根据权利要求5所述的基于双模态成像流式细胞检测装置，其特征在于，所述微流控芯片模块包括样品孔、鞘液孔、废液孔、检测区，所述微流控芯片模块上还凹刻连通样品孔、鞘液孔、废液孔、检测区的流道。
7.根据权利要求5所述的基于双模态成像流式细胞检测装置，其特征在于，所述液压驱动系统包括正压压力源、负压压力源和电磁阀组，用于控制鞘液和待测样品形成样品，流经流道且连续流过所述检测区。
8.根据权利要求5所述的基于双模态成像流式细胞检测装置，其特征在于，所述光检测组件包括双光路镜头、二向色镜和滤光片；所述图像采集组件为CMOS传感器；所述图像处理组件为Jetson Nano处理器。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时，执行所述权利要求1至4中任一项权利要求所述的方法。
10.一种电子装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器通过所述计算机程序运行执行所述权利要求1至4中任一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594730.9A CN113222969B (zh) | 2021-05-28 | 2021-05-28 | 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594730.9A CN113222969B (zh) | 2021-05-28 | 2021-05-28 | 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222969A true CN113222969A (zh) | 2021-08-06 |
| CN113222969B CN113222969B (zh) | 2024-05-14 |
Family
ID=77099496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110594730.9A Active CN113222969B (zh) | 2021-05-28 | 2021-05-28 | 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222969B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114418994A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的脆杆群体藻类细胞统计方法 |
| CN115715994A (zh) * | 2022-11-18 | 2023-02-28 | 深圳大学 | 一种图像激发超微注射方法、系统及设备 |
| CN116189178A (zh) * | 2022-12-30 | 2023-05-30 | 广州市明美光电技术有限公司 | 一种显微细胞图像的识别方法、设备及存储介质 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010041347A1 (en) * | 1999-12-09 | 2001-11-15 | Paul Sammak | System for cell-based screening |
| US20050136509A1 (en) * | 2003-09-10 | 2005-06-23 | Bioimagene, Inc. | Method and system for quantitatively analyzing biological samples |
| US20100189338A1 (en) * | 2008-04-09 | 2010-07-29 | Nexcelom Bioscience | Systems and methods for counting cells and biomolecules |
| CN101949819A (zh) * | 2010-09-16 | 2011-01-19 | 北京优纳科技有限公司 | 一种基于图像识别的细胞计数方法 |
| CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
| CN103559724A (zh) * | 2013-10-31 | 2014-02-05 | 苏州相城常理工技术转移中心有限公司 | 一种高粘连度细胞环境下的多细胞同步跟踪方法 |
| CN103617635A (zh) * | 2013-11-28 | 2014-03-05 | 南京理工大学 | 基于图像处理的瞬态火焰检测方法 |
| CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
| CN106875413A (zh) * | 2017-02-13 | 2017-06-20 | 华东师范大学 | 一种基于高光谱成像的粘连红细胞自动计数方法 |
| CN107766784A (zh) * | 2016-08-20 | 2018-03-06 | 宋坤骏 | 一种新型视频人数统计算法 |
| US20190163956A1 (en) * | 2016-06-10 | 2019-05-30 | Luminex Corporation | A Method To Combine Brightfield And Fluorescent Channels For Cell Image Segmentation And Morphological Analysis Using Images Obtained From Imaging Flow Cytometer (IFC) |
| CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
| CN110706206A (zh) * | 2019-09-11 | 2020-01-17 | 深圳先进技术研究院 | 荧光细胞计数方法、装置、终端设备及存储介质 |
| CN111429429A (zh) * | 2020-03-23 | 2020-07-17 | 深圳赛动生物自动化有限公司 | 干细胞融合度检测方法、装置、计算机设备及存储介质 |
| CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
| CN111912768A (zh) * | 2019-05-09 | 2020-11-10 | 磐创精准(北京)生物科技有限公司 | 一种白细胞计数仪及白细胞计数方法 |
| CN111912770A (zh) * | 2019-05-09 | 2020-11-10 | 磐创精准(北京)生物科技有限公司 | 一种手持式白细胞计数仪及白细胞计数方法 |
-
2021
- 2021-05-28 CN CN202110594730.9A patent/CN113222969B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010041347A1 (en) * | 1999-12-09 | 2001-11-15 | Paul Sammak | System for cell-based screening |
| US20050136509A1 (en) * | 2003-09-10 | 2005-06-23 | Bioimagene, Inc. | Method and system for quantitatively analyzing biological samples |
| US20100189338A1 (en) * | 2008-04-09 | 2010-07-29 | Nexcelom Bioscience | Systems and methods for counting cells and biomolecules |
| CN101949819A (zh) * | 2010-09-16 | 2011-01-19 | 北京优纳科技有限公司 | 一种基于图像识别的细胞计数方法 |
| CN102184552A (zh) * | 2011-05-11 | 2011-09-14 | 上海理工大学 | 一种基于差分融合与图像边缘信息的运动目标检测方法 |
| CN103559724A (zh) * | 2013-10-31 | 2014-02-05 | 苏州相城常理工技术转移中心有限公司 | 一种高粘连度细胞环境下的多细胞同步跟踪方法 |
| CN103617635A (zh) * | 2013-11-28 | 2014-03-05 | 南京理工大学 | 基于图像处理的瞬态火焰检测方法 |
| CN104794710A (zh) * | 2015-04-13 | 2015-07-22 | 上海泽煜实验设备有限公司 | 一种图像处理方法及装置 |
| US20190163956A1 (en) * | 2016-06-10 | 2019-05-30 | Luminex Corporation | A Method To Combine Brightfield And Fluorescent Channels For Cell Image Segmentation And Morphological Analysis Using Images Obtained From Imaging Flow Cytometer (IFC) |
| CN107766784A (zh) * | 2016-08-20 | 2018-03-06 | 宋坤骏 | 一种新型视频人数统计算法 |
| CN106875413A (zh) * | 2017-02-13 | 2017-06-20 | 华东师范大学 | 一种基于高光谱成像的粘连红细胞自动计数方法 |
| CN111912768A (zh) * | 2019-05-09 | 2020-11-10 | 磐创精准(北京)生物科技有限公司 | 一种白细胞计数仪及白细胞计数方法 |
| CN111912770A (zh) * | 2019-05-09 | 2020-11-10 | 磐创精准(北京)生物科技有限公司 | 一种手持式白细胞计数仪及白细胞计数方法 |
| CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、系统和设备 |
| CN110706206A (zh) * | 2019-09-11 | 2020-01-17 | 深圳先进技术研究院 | 荧光细胞计数方法、装置、终端设备及存储介质 |
| CN111429429A (zh) * | 2020-03-23 | 2020-07-17 | 深圳赛动生物自动化有限公司 | 干细胞融合度检测方法、装置、计算机设备及存储介质 |
| CN111882561A (zh) * | 2020-06-18 | 2020-11-03 | 桂林电子科技大学 | 一种癌细胞识别诊断系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李勤等: "图像融合方法在细胞图像处理中的应用", 《光学学报》, vol. 18, no. 12, pages 1658 - 1662 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114418994A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的脆杆群体藻类细胞统计方法 |
| CN115715994A (zh) * | 2022-11-18 | 2023-02-28 | 深圳大学 | 一种图像激发超微注射方法、系统及设备 |
| CN115715994B (zh) * | 2022-11-18 | 2023-11-21 | 深圳大学 | 一种图像激发超微注射方法、系统及设备 |
| CN116189178A (zh) * | 2022-12-30 | 2023-05-30 | 广州市明美光电技术有限公司 | 一种显微细胞图像的识别方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222969B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113222969B (zh) | 一种基于双向背景差分法的成像流式细胞粘连计数与活性检测方法、装置 | |
| JP7563680B2 (ja) | 機械学習を適用して高スループットシステムにおけるマイクロコピー画像を分析するためのシステムおよび方法 | |
| JP7361149B2 (ja) | デジタルホログラフィ顕微鏡検査および無傷の（ｕｎｔｏｕｃｈｅｄ）末梢血白血球を用いる高精度の５部鑑別（５－ｐａｒｔ Ｄｉｆｆｅｒｅｎｔｉａｌ） | |
| CN105102959B (zh) | 用于血样中的颗粒分析的流通池系统和方法 | |
| AU2016241935B2 (en) | Urine analysis system, image capturing apparatus, urine analysis method | |
| EP2268789B1 (en) | Systems and methods for counting cells and biomolecules | |
| CN107748256B (zh) | 一种循环肿瘤细胞的液体活检检测方法 | |
| US10502674B2 (en) | Apparatus and method for label-free analysis of rare cells from bodily fluids | |
| EP2602608A1 (en) | Analysis and sorting of biological cells in flow | |
| US11327004B2 (en) | Live-cell computed tomography | |
| Yang et al. | Recent development of portable imaging platforms for cell-based assays | |
| JP2021500901A (ja) | Ｃｒｏｆおよび機械学習を使用する画像ベースのアッセイのシステムおよび方法 | |
| Smith et al. | Single-step preparation and image-based counting of minute volumes of human blood | |
| JPH04184168A (ja) | フローサイトメトリーによる白血球の分類方法 | |
| Uslu et al. | Automated quantification of immunomagnetic beads and leukemia cells from optical microscope images | |
| Ugawa et al. | In silico-labeled ghost cytometry | |
| WO2021116960A1 (en) | Classification models for analyzing a sample | |
| Delikoyun et al. | 2 Deep learning-based cellular image analysis for intelligent medical diagnosis | |
| CN112750118A (zh) | 一种基于自动视觉检测的单细胞孔板测序中鉴定细胞个数的新方法及系统 | |
| JP2006330001A (ja) | 尿中赤血球の鑑別装置および方法 | |
| Zhang et al. | Machine learning assisted microfluidics dual fluorescence flow cytometry for detecting bladder tumor cells based on morphological characteristic parameters | |
| Iyengar et al. | Spectral analysis and sorting of microbial organisms using a spectral sorter | |
| Moradi et al. | Comprehensive quantitative analysis of erythrocytes and leukocytes using trace volume of human blood using microfluidic-image cytometry and machine learning | |
| US20240029458A1 (en) | A method for automated determination of platelet count based on microscopic images of peripheral blood smears | |
| Bravo-Frank et al. | Realtime particulate matter and bacteria analysis of peritoneal dialysis fluid using digital inline holography |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |