Author Affiliations
Abstract
1 Guangdong-Hong Kong-Macao Joint Laboratory for Intelligent, Micro-Nano Optoelectronic Technology, School of Physics and Optoelectronic Engineering, Foshan University, Foshan 528225, P. R. China
2 Department of Biomedical Engineering, Peking University, Beijing 100081, P. R. China
The study of circulating cells in the blood stream is critical, as it covers many fields of biomedicine, including immunology, cell biology, oncology, and reproductive medicine. In-vivo flow cytometry (IVFC) is a new tool to monitor and count cells in real time for long durations in their native biological environment. This review describes two main categories of IVFC, i.e., labeled and label-free IVFC. It focuses on label-free IVFC and introduces its technological development and related biological applications. Because cell recognition is the basis of flow cytometry counting, this review also describes various methods for the classification of unlabeled cells, including the latest machine learning-based technologies.
In-vivo flow cytometry label-free cell classification Journal of Innovative Optical Health Sciences
2023, 16(3): 2330005
1 西安电子科技大学生命科学技术学院西安市跨尺度生命信息智能感知与调控重点实验室，陕西 西安 710126
2 西安电子科技大学电子工程学院，陕西 西安 710126
无透镜计算显微成像是一种低成本、高效的成像技术。这种成像方式具有大视野、高通量的特点，能够实时地对细胞进行无标记成像。提出了一种轻量化网络模型(Depthwise-ResNeXt)，将该神经网络与无透镜计算显微成像进行有机结合，实现了实时准确的细胞分类。使用SUM、MCF10A、ECa109、CL-1四种细胞作为分类数据，Depthwise-ResNeXt对这四类细胞的分类准确率达到92.8%，参数量仅有806 kB。该网络证明了神经网络与无透镜计算显微成像在细胞分类领域相结合的可能性，并大大降低了神经网络在细胞分类方面的应用成本。
生物光学 数字全息 计算显微成像 无透镜成像技术 细胞分类 神经网络 轻量化网络
Author Affiliations
Abstract
1 MOE Key Laboratory of Material Physics and Chemistry under Extraordinary Conditions, and Shaanxi Key Laboratory of Optical Information Technology, School of Physical Science and Technology, Northwestern Polytechnical University, Xi’an 710129, China
2 School of Life Sciences, Northwestern Polytechnical University, Xi’an 710072, China
We present a deep learning approach for living cells mitosis classification based on label-free quantitative phase imaging with transport of intensity equation methods. In the approach, we applied a pretrained deep convolutional neural network using transfer learning for binary classification of mitosis and non-mitosis. As a validation, we demonstrated the performances of the network trained by phase images and intensity images, respectively. The convolutional neural network trained by phase images achieved an average accuracy of 98.9% on the validation data, which outperforms the average accuracy 89.6% obtained by the network trained by intensity images. We believe that the quantitative phase microscopy in combination with deep learning enables researchers to predict the mitotic status of living cells noninvasively and efficiently.
cell classification quantitative phase imaging deep learning Chinese Optics Letters
2021, 19(5): 051701
北方工业大学 机械与材料工程学院, 北京 100144
为了解决人工镜检白细胞识别效率低下的问题, 采用计算机显微视觉平台进行了白细胞自动识别研究。白细胞图像分割方面, 筛选图像颜色模型之后采用区域生长算法实现白细胞与图像背景的精确剥离; 并利用大津法(即灰度直方图波谷阈值分割方法)实现了白细胞细胞核和细胞浆的提取; 根据细胞的形态、颜色及纹理特征用人工神经网络分类器对大样本量的白细胞进行了识别分类。结果表明,采用白细胞图像分割和智能辨识算法具有较高的精度和效率, 最终准确度能够达到95.6%。该系统满足临床医学显微视觉白细胞自动检测的需求。
图像处理 白细胞识别 灰度直方图波谷阈值分割方法 人工神经网络 image processing white blood cell classification valley threshold segmentation method of gray histo artificial neural network
1 江苏大学 理学院, 江苏 镇江 212013
2 江苏大学 机械工程学院, 江苏 镇江 212013
针对传统流式细胞分析技术中, 细胞亚结构形态识别困难以及荧光染色又会改变细胞活性问题的研究需要, 依据淋巴细胞和嗜酸性粒细胞形态特征建立了对应的偏心单核细胞模型及双核细胞模型。基于光散射理论下的仿真实验软件, 设计了可同时接收细胞前向和后向散射光谱的仿真实验光路, 获得了这两种细胞模型下的散射分布图谱, 由此建立了不同核质相对折射率下的前、后向散射光光强与442、532、633 nm入射波长关系。通过前、后向散射光谱特征分析, 发现在以后向散射光信号为纵轴, 前向散射光信号为横轴表征下, 淋巴细胞和嗜酸性粒细胞具有明显的分类分区散点特征, 从而提出了一种淋巴细胞以及嗜酸性粒细胞的分类识别方法。该散射分类识别计数方法对于设计全光学、非入侵、免标记的血细胞分析仪有一定的潜在应用价值。
光散射 细胞亚结构 前、后向散射 细胞分类 模拟仿真 light scattering cell substructure forward and backward scattering cell classification simulation 红外与激光工程
2019, 48(5): 0533001
1 南昌大学信息工程学院, 江西 南昌 330031
2 南昌百特生物高新技术股份有限公司, 江西 南昌 330012
传统的五分类血液分析仪一般与化学方法配合使用以提高白细胞的分类精度，增加了仪器结构的复杂程度和仪器的使用、维修成本。设计了一种特殊结构的光学系统，该系统引入了对后向散射光的检测，并采用直流(DC)信号、激光前向散射信号和后向散射信号相结合的方式实现了白细胞五分类。实验结果表明装有该系统的样机对LYM、MON、NEU、EOS、BAS 的分类相对偏差均小于5%，其性能与血液分析仪Mythic 22 接近。优化后的光学系统可完成对白细胞的原位检测和分类，且具有结构简单、性能稳定的特点。
医用光学 血液分析仪 细胞分类 光学系统 后向散射光 原位检测
