一种新型无标记的白细胞分类方法

基于折射率层析成像和深度学习的无标记的白细胞分类方法

传统的血细胞检测方法，如血涂片分析法和荧光激活细胞分选法，需要由具有一定专业知识的医学人员完成，这个过程会花费大量的时间和成本。虽然基于样本固有对比度的无标签成像技术已用于表征血细胞，但其成像程序和仪器也相对耗时且复杂。

针对上述情况，这篇文章提出了一种利用深度学习和无标记折射率（RI）断层成像的快速准确的血细胞识别法。该方法通过基于马赫-曾德尔干涉仪的断层显微镜获取骨髓白细胞的RI断层图，并通过3D卷积神经网络模型进行分类。该研究的相关成果已发表在期刊BME Frontiers上。

图1  无标记的骨髓白细胞分类流程

这篇文章利用光学衍射层析成像（ODT）和深度神经网络，开发无标记的骨髓白细胞分类框架。如图1所示，首先从最小密度梯度离心过程中获取骨髓白细胞，并在没有任何标记剂的情况下进行层析成像，生成无标签的RI断层图。随后，使用ODT技术测量细胞的3D折射率，并提取RI断层图像的各种形态和生化参数，如细胞体积、干质量和蛋白质密度等。最后，训练一个优化的深度学习分类器，完成对骨髓白细胞的准确而快速的分类。分类的[w1] 准确率可以达到95%以上，分类速度可在1s以内。

图2  3D卷积神经网络分类模型

3D深度学习分类网络模型如图2所示，该卷积神经网络使用FISH-Net，包含两个下采样模块和一个上采样模块，以及一个分类器模块。该网络首先在下采样操作中对骨髓白细胞的RI断层图像进行分析处理，提取每个白细胞的特征；在上采样阶段细化从先前模块获得的特征；最后的分类器可以输出该细胞最有可能属于的类别，实现对白细胞的分类推断。

本文测试了从健康捐赠者收集的四种类型的骨髓白细胞（单核细胞、骨髓细胞、B淋巴细胞和T淋巴细胞）的深度学习分类器。文章结果显示，髓系和淋巴系的二元分类准确率>99%，B淋巴细胞和T淋巴细胞、单核细胞和骨髓细胞的四种分类准确率>96%。如图3所示，与需要手工提取特征的传统机器学习分类方法、输入数据为二维的二维卷积神经网络分类方法相比，本文使用的三维深度学习分类方法准确率更高。

图3  3D深度学习分类方法与传统分类器、2D深度学习分类方法比较，准确性更高

这篇文章的方法充分利用了骨髓白细胞的断层信息，不仅能够通过深度学习对血细胞进行分类，还可以定量研究其形态学和生化特性，以便进行血液学研究。并且，这篇文章提出的细胞分类框架可以扩展到各种亚型分类，并且可以很容易地集成到现有的血细胞检测工作流程中，为血液系统恶性肿瘤提供经济、高效、快速的诊断。

原文链接：

https://doi.org/10.34133/2021/9893804

END

往期推荐

About BME Frontiers

BME Frontiers(《生物医学工程前沿》)是中国科学院苏州生物医学工程技术研究所(SIBET CAS)与美国科学促进会(AAAS)/Science合作出版的开放获取国际学术期刊。期刊旨在为生物医学工程这一交叉学科提供一个高效的交流平台，以推动领域内的科学家、工程师和临床医学专家及时地交流，共同促进人类健康。关注在致病机理研究和疾病预防、诊断、治疗及评估方面取得的突破性进展，包括概念、设备、材料、组织、过程和方法。致力于报道临床前的基础研究、转化医学和临床研究的成果。

期刊网址：

https://spj.sciencemag.org/journals/bmef/

投稿网址：

https://www.editorialmanager.com/bmef/

欢迎各位同仁踊跃投稿！

点击下方“阅读原文”查看文章原文

点击“在看”，助力传播