红细胞的物理特性参数确定方法及装置、存储介质、终端

1.本发明涉及细胞的物理特性参数测量技术领域，尤其涉及一种红细胞的物理特性参数确定方法及装置、存储介质、终端。


背景技术：

2.细胞的物理特性逐渐与细胞的生化表型一起，丰富着细胞力学的基础理论，逐渐成为个体化精准学诊疗技术发展中的新兴话题之一。红细胞是人类生命体中最为重要的一类细胞，其物理特性包括细胞面积、体积、膜剪切模量等，这些参数与人类的心血管疾病、代谢性疾病及神经性疾病中红细胞介导的流动阻力、物质传输等紧密相关。红细胞与其他细胞相比，优越的变形能力和它的海量统计数据采样要求，发展红细胞单细胞精准高通量测量具有重要的意义及挑战性。
3.现有的经典的单细胞物理特性参数测量方法包括：微吸管法、原子力显微镜法和光镊法，可以测量单个红细胞固有的力学特性，但测量速度仅为每小时10-100个细胞，而人体每毫升血液存在血细胞为300-500万数，采用上述方法在生物学和临床医学中难以兼顾时效和统计标准。近年来，许多学者发展了通过细胞变形后的形态参数表征有核细胞变形能力的高通量方法，比如：变形流式细胞仪(deformability cytometry，dc)、微通道悬臂共振仪(suspended microchannel resonator，smr)等，但这些高通量方法并不能反应细胞固有力学特性，并且获得的细胞变形参数与细胞尺寸相关；此外，将细胞视为粘弹性颗粒所获得的细胞变形参数耦合了细胞膜、核弹性以及细胞质粘性的综合影响，它们之间的权重无法一一区分。
4.为了在以流动为基础的高通量方法中消除细胞尺寸和变形特性之间的相互影响，更为复杂的方法开始利用狭窄通道中的流体-细胞膜耦合特性，反演细胞弹性模量，如：使用实时变形流式细胞仪(real-time deformability cytometry，rt-dc)测量得到细胞的杨氏模量，这一方法将细胞视为弹性均匀的实心球体，忽略了狭窄通道中的流固耦合影响，且测量误差随着通量的增加而增大，更无法适用于具有优良变形特性的红细胞力学特性测量。在此基础上，fregin等进一步开发了动态(drt-dc)高通量方法，将细胞弹性变形和粘性动态响应对应的细胞变形参数和变形特征时间分离并重构，得到细胞粘度参数。动态高通量方法基于弹性或者粘弹性球体颗粒力学模型，对于冗余面积较大的非球形、非均质细胞(例如红细胞)并不适用，且测量的准确性有待进一步验证。
5.因此，亟需一种红细胞的物理特性测量方法，可以实现在一次实验中获得红细胞的多种本征物理特性参数，且兼顾红细胞数量标准的同时，有效提高测量速度和测量精度。


技术实现要素：

6.本发明实现的目的之一是提供一种红细胞的物理特性参数确定方法及装置、存储介质、终端，可以在一次实验中获得红细胞的多种本征物理特性参数，且兼顾红细胞数量标准的同时，有效提高测量速度和测量精度。
7.为实现上述目的，本发明实施例提供一种红细胞的物理特性参数确定方法，包括以下步骤：对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；根据所述多帧流动红细胞图像，确定所述红细胞的形态参数，所述形态参数选自所述红细胞的长度值以及所述红细胞的轮廓；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数；其中，所述微管的直径数值范围为大于等于2.0微米且小于等于5.0微米。
8.可选的，所述多帧流动红细胞图像拍摄自所述微管的管口区域，所述形态参数选自所述红细胞的长度值，所述红细胞的物理特性参数为所述红细胞的粘弹性参数；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数包括：基于所述红细胞在所述多帧流动红细胞图像中的长度值，确定所述红细胞在所述微管的管口区域的蠕变函数；根据所述蠕变函数确定所述红细胞的粘弹性参数。
9.可选的，基于所述红细胞在所述多帧流动红细胞图像中的长度值，确定所述红细胞在所述微管的管口区域的蠕变函数包括：确定所述红细胞在各帧流动红细胞图像所属时刻的长度值；
10.采用下述公式，确定所述红细胞在各帧流动红细胞图像所属时刻的蠕变值：
11.ε＝2lp/d；
12.基于各个时刻的蠕变值，拟合所述红细胞随时间变化的蠕变函数；
13.采用下述公式，根据所述蠕变函数确定所述红细胞的粘弹性参数：
[0014][0015]
其中，ε(t)用于指示蠕变函数，t是指时刻，lp是指不同时刻所述红细胞在所述微管内的长度值，d是指所述微管的直径，β是指所述红细胞的粘弹性参数，τ0是标准化时间参数，a是常数。
[0016]
可选的，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓；根据所述多帧流动红细胞图像，确定所述红细胞的形态参数包括：对于所述多帧流动红细胞图像，选取其中包含所述红细胞的一帧图像作为实验图像，以及选取其中不包含所述红细胞的一帧图像作为背景图像；采用差分运动分析方法，对所述实验图像和所述背景图像进行差分处理，以确定差分图像；根据所述差分图像确定所述红细胞的轮廓。
[0017]
可选的，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓，所述红细胞的物理特性参数为所述红细胞的表面积和体积；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数包括：将所述红细胞的轮廓划分为多个圆台；对于每个圆台，分别确定所述圆台的左侧直径、右侧直径以及圆台高度；根据每个圆台的左侧直径、右侧直径以及圆台高度，确定每个圆台的圆台表面积和圆台体积；采用积分运算方法，将所述多个圆台的圆台表面积之和作为所述红细胞的表面积，以及将所述多个圆台的圆台体积之和作为所述红细胞的体积。
[0018]
可选的，采用下述公式，确定所述红细胞的表面积：
[0019][0020]
以及采用下述公式，确定所述红细胞的体积：
[0021][0022]
其中，a用于表示红细胞的表面积，ai指第i个圆台的圆台表面积，v指红细胞的体积，vi指第i个圆台的圆台体积，d
left
指圆台的左侧直径，d
right
指圆台的右侧直径，h指圆台高度。
[0023]
可选的，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓，所述红细胞的物理特性参数为所述红细胞的膜剪切模量；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数包括：根据所述红细胞的轮廓，确定所述红细胞在所述微管内的拉伸长度，以及确定所述红细胞在所述微管的稳定流动区域的流速；采用机器学习算法，至少基于所述红细胞的拉伸长度和所述红细胞的流速确定所述红细胞的膜剪切模量。
[0024]
可选的，采用机器学习算法，至少基于所述红细胞的拉伸长度和所述红细胞的流速确定所述红细胞的膜剪切模量包括：将所述红细胞的拉伸长度、所述红细胞的流速、所述微管的直径以及所述微管内无红细胞时的液体流速输入所述机器学习算法；将所述机器学习算法输出的结果作为所述红细胞的膜剪切模量。
[0025]
可选的，所述机器学习算法为神经网络算法，满足以下一项或多项：所述神经网络的输入层参数为所述红细胞的拉伸长度、所述红细胞的流速、所述微管的直径以及所述微管内无红细胞时的液体流速；所述神经网络的隐藏层采用激活函数；所述神经网络的输出层参数是所述红细胞的膜剪切模量。
[0026]
可选的，所述方法还包括：基于所述红细胞的物理特性参数，对所述红细胞的糖化血红蛋白比值进行预测；或者，基于所述红细胞的物理特性参数，对受试者的血清胆红素含量和血清白蛋白含量进行预测；或者，基于所述红细胞的物理特性参数，对所述红细胞的形态和力学特性分布进行表征。
[0027]
可选的，所述红细胞的物理特性参数包括所述红细胞的粘弹性参数和所述红细胞的膜剪切模量；基于所述红细胞的物理特性参数，对所述红细胞的糖化血红蛋白比值进行预测包括：采用所述红细胞的粘弹性参数和所述红细胞的膜剪切模量，构造第一参数乘积值；根据所述第一参数乘积值与第一预设阈值的比较结果，对所述红细胞的糖化血红蛋白比值进行预测。
[0028]
可选的，所述红细胞的物理特性参数包括所述红细胞的表面积和体积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数；基于所述红细胞的物理特性参数，对受试者的血清胆红素含量和血清白蛋白含量进行预测包括：基于所述红细胞的表面积和体积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数，分别构造第二参数乘积值和第三参数乘积值；根据所述第二参数乘积值与第二预设阈值的比较结果，对受试者的血清胆红素含量进行预测，以及根据所述第三参数乘积值与第三预设阈值的比较结果，对所述受试者血清白蛋白含量进行预测。
[0029]
可选的，所述红细胞的物理特性参数包括所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量；基于所述红细胞的物理特性参数，对所述红细胞的形态和力学特性分布进行表征包括：基于所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量，构造所述红细胞的形态和力学特性分布的
概率密度函数，从而对所述红细胞的形态和力学特性分布进行表征。
[0030]
本发明实施例还提供一种红细胞的物理特性参数确定装置，包括：
[0031]
流动红细胞图像确定模块，用于对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；红细胞形态参数确定模块，用于根据所述多帧流动红细胞图像，确定所述红细胞的形态参数，所述形态参数选自所述红细胞的长度值以及所述红细胞的轮廓；红细胞物理特性参数确定模块，用于根据所述红细胞的形态参数，确定所述红细胞的物理特性参数。
[0032]
本发明实施例还提供一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述红细胞的物理特性参数确定方法的步骤。
[0033]
本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述红细胞的物理特性参数确定方法的步骤。
[0034]
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
[0035]
在本发明实施例中，对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；然后根据所述多帧流动红细胞图像，确定所述红细胞的形态参数；再根据所述红细胞的形态参数，确定所述红细胞的物理特性参数；其中，所述微管的直径数值范围为大于等于2.0微米且小于等于5.0微米。相比于现有技术中传统的微吸管法、原子力显微镜法和光镊法测量速度受限；而变形流式细胞仪、微通道悬臂共振仪以及实时变形流式细胞仪等高通量测量方法，测量的准确度不足，或无法一次测量得到多种细胞特性参数，不适用于具有优良变形能力的细胞(如红细胞)的物理特性参数的测量，本发明的实施例所采用的微管的直径数值范围优化了高通量实验微管的直径，适用于具有优良变形特性的红细胞力学特性的测量，可以为红细胞流动提供一个合适的狭窄通道，使红细胞在微管中尽可能不发生堵塞，能产生合理范围的形变并且呈现轴对称状态，从而能够大幅降低测量红细胞面积和体积的误差，提高机器学习时获得红细胞的膜剪切模量的精确性。此外，本发明通过采用微流控技术，可以在兼顾红细胞数量标准的同时，提高红细胞物理特性参数的测量速度；与已有的高通量技术相比，本发明还采用力学无量纲分析方法和机器学习方法，解耦细胞尺寸与细胞弹性模量对红细胞变形能力的影响，可以测量红细胞的固有物理属性，提高了测量的精度；再者，本发明实施例解决了单次测量实验只能测量细胞的单一的物理特性参数的限制，实现了在同一实验中可以测量得到红细胞的多种本征物理特性参数的效果。
[0036]
进一步，通过采用差分运动分析法，根据所述多帧流动红细胞图像，确定所述红细胞的在所述微管内的轮廓。可以有效去除一部分与所述红细胞轮廓无关的噪声，而且可以去掉与流动红细胞检测无关的静止背景区域，从而得到所述红细胞在所述微管内呈现的尽可能完整清晰的轮廓，进而提高后续基于所述红细胞的轮廓计算所述红细胞的物理特性参数的精度。
[0037]
进一步，采用机器学习算法，至少基于所述红细胞的拉伸长度和所述红细胞的流速确定所述红细胞的膜剪切模量包括：将所述红细胞的拉伸长度、所述红细胞的流速、所述微管的直径以及所述微管内无红细胞时的液体流速输入所述机器学习算法；将所述机器学习算法输出的结果作为所述红细胞的膜剪切模量。本发明实施例通过结合对多帧流动红细
胞图像的分析和机器学习算法确定红细胞的膜剪切模量，可以有效提高测量的精度。
[0038]
进一步，在本发明实施例中，基于所确定的所述红细胞的粘弹性参数和所述红细胞的膜剪切模量，构造参数乘积值；并根据所述参数乘积值与预设阈值的比较结果，对所述红细胞的糖化血红蛋白比值进行预测，从而可以准确区分红细胞的糖化血红蛋白比值正常和异常，因此本发明实施例可应用于糖尿病分期、严重程度的预测，提高糖尿病预测的及时性、灵敏度和准确度。
[0039]
进一步，基于所述红细胞的表面积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数，构造参数乘积值；并根据所述参数乘积值与预设阈值的比较结果，对受试者的血清胆红素含和血清白蛋白含量进行预测，从而可以准确区分受试者体内的血清胆红素含量和血清白蛋白含量的正常和异常，因此本发明实施例可以提高血清胆红素和血清白蛋白所表达的相关疾病的预测及时性、灵敏度和准确度。
[0040]
进一步，基于所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量，构造所述红细胞的形态和力学特性分布的概率密度函数，从而对所述红细胞的形态和力学特性分布进行表征。在本发明实施例中，通过比较来源于受试者的红细胞的形态和力学特性分布特征以及来源于健康人的红细胞(参照样本)的形态和力学特性分布特征之间的差异，可以对所述受试者的血液疾病(例如镰型红细胞增多症、球型红细胞增多症)进行有效监测。
附图说明
[0041]
图1是本发明实施例中一种红细胞的物理特性参数确定方法的流程图；
[0042]
图2是本发明实施例中一种测量红细胞的物理特性参数的实验装置结构示意图；
[0043]
图3是本发明实施例中红细胞进入微管并稳定流动的状态示意图；
[0044]
图4是本发明实施例中根据差分运动分析方法提取红细胞的轮廓示意图；
[0045]
图5是图1中步骤s13的第一种具体实施方式的流程图；
[0046]
图6是图1中步骤s13的第二种具体实施方式的流程图；
[0047]
图7是本发明实施例中根据红细胞的轮廓计算红细胞表面积和体积的平面示意图；
[0048]
图8是图1中步骤s13的第三种具体实施方式的流程图；
[0049]
图9是本发明实施例中计算红细胞的膜剪切模量时所采用的神经网络模型示意图；
[0050]
图10是受试者的红细胞的糖化血红蛋白比值与红细胞的膜剪切模量和粘弹性参数的参数乘积值的二维相关性坐标图；
[0051]
图11是本发明实施例中一种红细胞的物理特性参数确定装置的结构示意图；
[0052]
附图标记说明：
[0053]
图像采集模块-21；发光器件-211；红细胞溶液容器-212；红细胞溶液-213；显微镜-214；增倍镜-215；图像传感器-216；微管-217；压力控制模块-22；连接管路-221；水槽-222；图像分析及数据处理模块-23。
具体实施方式
[0054]
如前所述，发展对红细胞的物理特性参数的精准、快速的高通量测量技术具有重要的意义及挑战性。
[0055]
在现有技术中，传统的细胞的物理特性参数测量技术往往采用微吸管法、原子力显微镜法和光镊法，可以测量单个红细胞固有的力学特性，但测量速度仅为每小时10-100个细胞，而人体每毫升血液存在血细胞为300-500万数。近年来，许多学者发展了通过细胞变形后的形态参数表征有核细胞变形能力的高通量方法，比如：变形流式细胞仪，通过测量细胞在对冲流动中受挤压后的瞬时长短轴比，间接评价细胞的变形能力；微通道悬臂共振仪，通过测量细胞在与其特征尺寸相当的缩放狭缝中通过的时间，来衡量细胞柔软程度。为了在以流动为基础的高通量方法中消除细胞尺寸和变形特性之间的相互影响，更为复杂的方法开始利用狭窄通道中的流体-细胞膜耦合特性，反演细胞弹性模量。如：实时变形流式细胞仪以及动态实时变形流式细胞仪技术。
[0056]
本发明的发明人经过研究发现，采用微吸管法、原子力显微镜法和光镊法在生物学和临床医学中难以兼顾时效和统计标准；变形流式细胞仪和微通道悬臂共振仪等高通量方法并不能反应细胞固有力学特性，并且获得的细胞变形参数与细胞尺寸相关，此外，将细胞视为粘弹性颗粒所获得的细胞变形参数耦合了细胞膜、核弹性以及细胞质粘性的综合影响，它们之间的权重无法一一区分；实时变形流式细胞仪测量技术将细胞视为弹性均匀的实心球体，忽略了狭窄通道中的流固耦合影响，并且其测量误差随着通量的增加而增大，更无法适用于具有优良变形特性的红细胞力学特性测量；在基础上发展起来的动态实时变形流式细胞仪对于冗余面积较大的非球形、非均质细胞并不适用，且其测量模型的准确性不足。
[0057]
在本发明实施例中，对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；然后根据所述多帧流动红细胞图像，确定所述红细胞的形态参数；再根据所述红细胞的形态参数，确定所述红细胞的物理特性参数；其中，所述微管的直径所述微管的直径数值范围为大于等于2.0微米且小于等于5.0微米。相比于现有技术中传统的微吸管法、原子力显微镜法和光镊法测量速度受限；而变形流式红细胞仪、微通道悬臂共振仪以及实时变形流式红细胞仪等高通量测量方法，测量的准确度不足、或无法一次测量得到多种红细胞特性参数、或不适用于具有优良变形能力的红细胞(如红细胞)的物理特性参数的测量，本发明的实施例所采用的微管的直径数值范围优化了高通量实验微管的直径，可以为红细胞流动提供一个合适的狭窄通道，使红细胞在微管中尽可能不发生堵塞，能产生合理范围的形变并且呈现轴对称状态，从而能够大幅降低测量红细胞面积和体积的误差，提高机器学习时获得红细胞的膜剪切模量的精确性。此外，本发明通过采用微流控技术，可以在兼顾红细胞数量标准的同时，提高红细胞物理特性参数的测量速度；与已有的高通量技术相比，本发明采用力学无量纲分析方法和机器学习方法，解耦红细胞尺寸与红细胞弹性模量对红细胞变形能力的影响，可以测量红细胞的固有物理属性，提高了测量的精度；再者，本发明实施例解决了单次测量实验只能测量细胞的单一的物理特性参数的限制，实现了在同一实验中可以测量红细胞的多种本征物理特性参数的效果。
[0058]
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细说明。
[0059]
参照图1，图1是本发明实施例中一种红细胞的物理特性参数确定方法的流程图。所述方法可以包括步骤s11至步骤s13：
[0060]
步骤s11：对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；
[0061]
步骤s12：根据所述多帧流动红细胞图像，确定所述红细胞的形态参数，所述形态参数选自所述红细胞的长度值以及所述红细胞的轮廓；
[0062]
步骤s13：根据所述红细胞的形态参数，确定所述红细胞的物理特性参数。
[0063]
其中，所述微管的直径数值范围为大于等于2.0微米且小于等于5.0微米。
[0064]
在步骤s11的具体实施中，所述微管可以是尖端平直的玻璃微管，通过在所述微管中加入红细胞溶液，采用压力系统恒定静水压差，从而驱动红细胞从微管管口吸入微管内并在微管中流动。所述对微管中流动的红细胞进行拍摄可以采用增倍显微镜和高速摄像机的组合设备，同时可以通过软件控制摄像机拍摄的图像帧数和曝光时间。
[0065]
在具体实施中，所述微管的直径数据范围可以为大于等于2.0微米且小于等于5.0微米；作为较佳的实施例，可以选择直径数值范围为大于等于3.0且小于等于3.2微米的微管作为实验微管，原因在于：小于3.0微米管径，红细胞堵塞微管的概率急剧增大，而大于3.2微米管径，红细胞形态不再严格轴对称形态，面积体积测量误差增大，而且管径越大，红细胞的膜剪切模量对微管内流动影响减弱，机器学习精度下降。
[0066]
参照图2，图2是本发明实施例中一种测量红细胞的物理特性参数的实验装置结构示意图，所述测量红细胞的物理特性参数的实验装置包括图像采集模块21，压力控制模块22，图像分析及数据处理模块23。
[0067]
在图像采集模块21中，包括发光器件211、红细胞溶液容器212、红细胞溶液213、显微镜214、增倍镜215、图像传感器216、微管217。
[0068]
其中，发光器件211用于提供拍摄所需的光源，可以是发光二极管(light emitting diode，led)；红细胞溶液容器212可以是厚1.5mm的玻璃中空容器，其中包含很多红细胞；红细胞溶液容器212中填充满了红细胞溶液213，所述红细胞溶液213可以采用1％的牛血清白蛋白-磷酸缓冲盐溶液(bovine serum albumin-phosphate-buffered saline，bsa-pbs)，其中，1％是指牛血清白蛋白的质量(克)与磷酸缓冲盐溶液的体积(ml)之间的比值为1％；显微镜214可以采用微分干涉显微镜，更易识别红细胞轮廓，其中，显微镜214的物镜可以采用60倍油浸物镜；增倍镜215可以采用两倍增倍镜进一步放大拍摄区域；图像传感器216可以是常规的图像采集设备，用于拍摄多帧流动红细胞图像，例如可以是高速摄像机，同时通过软件控制高速摄像机的拍摄，拍摄视频帧数为200帧(fps)，曝光时间为1ms；微管217可以是使用拉针仪将圆柱形硼硅酸盐毛细管拉成在尖端平直的玻璃微小管道后，再使用显微熔断仪将玻璃微小管道在3.0-3.2微米左右断成平整管口，内壁角度为0.05
°
内的微型管道，微管217中填充有1％bsa-pbs溶液。
[0069]
其中，所述多帧流动红细胞图像可以拍摄自所述微管217的管口区域，此时所述多帧流动红细胞图像可以反映出红细胞在微管217的管口区域吸入管内过程中的蠕变变形状态；所述多帧流动红细胞图像也可以拍摄自所述微管217的稳定流动区域，此时所述多帧流动红细胞图像可以反映出红细胞完全进入微管217后的稳定流动状态。
[0070]
具体地，可以采用距离微管217的管口70微米至120微米的区域作为所述红细胞的稳定流动区域，以确保红细胞变形且流动速度达到稳定状态。
[0071]
在压力控制模块22中，包括连接管路221和水槽222，可以通过压力系统恒定静水压差δp＝847pa以驱动红细胞进入微管217内。
[0072]
在图像分析及数据处理模块23中，白色的小圆圈表示的是红细胞，下排左右两边虚线框出的区域分别表示微管217的管口区域a和微管217的稳定流动区域b。在管口区域a，lp用于表示红细胞在微管217内的长度值；在稳定流动区域b，l用于表示红细胞在微管217内的拉伸长度。通过对拍摄自微管217的管口区域a的多帧流动红细胞图像进行图像分析与数据处理，可以确定红细胞的粘弹性参数；通过对拍摄自微管217的稳定流动区域b的多帧流动红细胞图像进行图像分析与数据处理，可以确定红细胞的表面积、体积和膜剪切模量。
[0073]
在本法明实施例中，所采用的微管的直径数值范围优化了高通量实验微管的直径，适用于具有优良变形特性的红细胞力学特性的测量，可以为红细胞流动提供一个合适的狭窄通道，使红细胞在微管中尽可能不发生堵塞，能产生合理范围的形变并且呈现轴对称状态，从而能够大幅降低测量红细胞面积和体积的误差，提高机器学习时获得红细胞的膜剪切模量的精确性。此外，本发明通过采用微流控技术，可以在兼顾红细胞数量标准的同时，提高红细胞物理特性参数的测量速度。
[0074]
参照图3，图3是本发明实施例中红细胞进入微管并稳定流动的状态示意图。
[0075]
本发明实施例中将所述微管分为三个特定区域，分别是管口区域、加速区域、稳定流动区域。
[0076]
其中，管口区域是用于确定红细胞的粘弹性参数的一个研究区域。由于红细胞在从所述管口区域吸入微管的过程中，会发生蠕变变形，通过采用摄像机针对所述管口区域拍摄记录的多帧图像，可以确定不同时刻t所述红细胞吸入微管内的长度值，进而拟合出所述红细胞的蠕变函数，再基于所述蠕变函数可以确定所述红细胞的粘弹性参数。
[0077]
加速区域是红细胞完全被吸入微管后的一个加速流动区域，在该区域内红细胞还未达到稳定流动状态。
[0078]
稳定流动区域是用于确定红细胞的表面积、体积和红细胞的膜剪切模量的一个研究区域，在该区域内红细胞以一个稳定的流速在微管内流动。通过采用摄像机针对所述稳定流动区域拍摄记录的多帧图像，可以确定所述红细胞的轮廓，进而计算出所述红细胞的表面积和体积；并且根据所述红细胞的轮廓还可以确定所述红细胞在所述稳定流动区域的拉伸长度和所述红细胞在所述稳定流动区域的流速(基于不同时刻t所述红细胞的轮廓的位置变化计算得到)，进而可以确定所述红细胞的膜剪切模量。
[0079]
继续参照图1，在步骤s12的具体实施中，所述红细胞的长度值可用于指示所述红细胞在微管的管口区域吸入微管的长度，所述红细胞的轮廓可用于指示红细胞在所述微管的稳定流动区域的完整轮廓。
[0080]
具体地，考虑到所述红细胞吸入微管的过程中可能会呈现不均匀的半椭球形态，因此，在一些非限制性的实施例中，所述红细胞的长度值(吸入微管的长度)可以是微管管口的截面(圆面)与红细胞在微管中的轮廓最远端的距离，也可以是微管管口的截面(圆面)与红细胞在微管中的轮廓不同位置之间的距离的平均值，也可以通过其他合理计算方式确定红细胞吸入微管中的长度值。
[0081]
进一步，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓；根据所述多帧流动红细胞图像，确定所述红细胞的形态参数包
括：对于所述多帧流动红细胞图像，选取其中包含所述红细胞的一帧图像作为实验图像，以及选取其中不包含所述红细胞的一帧图像作为背景图像；采用差分运动分析方法，对所述实验图像和所述背景图像进行差分处理，以确定差分图像；根据所述差分图像确定所述红细胞的轮廓。
[0082]
参照图4，图4是本发明实施例中根据差分运动分析方法提取红细胞的轮廓示意图。
[0083]
其中，左边的两帧图像由上至下分别是一帧微管中有流动红细胞的图像(实验图像)和一帧微管中没有流动红细胞的图像(背景图像)，右边是对所述实验图像和所述背景图像进行差分处理后确定的包含完整清晰的红细胞轮廓的图像。
[0084]
在本发明实施例中，通过采用差分运动分析法，根据所述多帧流动红细胞图像，确定所述红细胞的在所述微管内的轮廓。可以有效去除一部分与所述红细胞轮廓无关的噪声，而且可以去掉与流动红细胞检测无关的静止背景区域，并采用背景图像更新机制，还可以在一定程度上适应背景和光线的变化，从而得到所述红细胞在所述微管的稳定流动区域所呈现的尽可能完整清晰的轮廓曲线，进而提高后续基于所述红细胞的轮廓计算所述红细胞的物理特性参数的精确度。
[0085]
继续参照图1，在步骤s13的具体实施中，所述红细胞的形态参数选自所述红细胞的长度值时，根据所述红细胞的长度值，可以确定所述红细胞的粘弹性参数；所述红细胞的形态参数选自所述红细胞的轮廓时，根据所述红细胞的轮廓，可以确定所述红细胞的表面积、体积和膜剪切模量。
[0086]
参照图5，图5是图1中步骤s13的第一种具体实施方式的流程图。
[0087]
具体地，所述多帧流动红细胞图像拍摄自所述微管的管口区域，所述形态参数选自所述红细胞的长度值，所述红细胞的物理特性参数为所述红细胞的粘弹性参数；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数可以包括步骤s51至步骤s52，以下进行说明。
[0088]
在步骤s51中，基于所述红细胞在所述多帧流动红细胞图像中的长度值，确定所述红细胞在所述微管的管口区域的蠕变函数。
[0089]
可以理解的是，在所述微管的管口区域，所述红细胞逐步被吸入所述微管中，随着拍摄时刻的变化，各帧流动红细胞图像中的红细胞吸入微管内的长度在在变化。基于所述红细胞在各帧流动红细胞图像所属拍摄时刻的长度值(吸入微管内的长度)，可以确定所述红细胞在各个对应时刻的蠕变值。
[0090]
进一步，可以采用下述公式，确定所述红细胞在各帧流动红细胞图像所属时刻的蠕变值：
[0091]
ε＝2lp/d；
[0092]
其中，ε用于指示某一时刻红细胞的蠕变值，lp用于指示对应时刻红细胞在所述微管内的长度，d用于指示微管的直径。
[0093]
基于各个时刻的蠕变值，可以拟合出所述红细胞随时间变化的蠕变函数。
[0094]
在步骤s52中，根据所述蠕变函数确定所述红细胞的粘弹性参数。
[0095]
进一步，可以采用下述公式，根据所述蠕变函数确定所述红细胞的粘弹性参数：
[0096][0097]
其中，ε(t)用于表示蠕变函数，t用于表示时刻，β用于表示所述红细胞的粘弹性参数，τ0用于表示标准化时间参数，a用于表示常数。
[0098]
参照图6，图6是图1中步骤s13的第二种具体实施方式的流程图。
[0099]
具体地，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓，所述红细胞的物理特性参数为所述红细胞的表面积和体积；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数可以包括步骤s61至步骤s64，以下进行说明。
[0100]
在步骤s61中，将所述红细胞的轮廓划分为多个圆台。
[0101]
在一些非限制性的实施例中，可以按照预设的圆台总个数对所述红细胞的轮廓进行平均或任意地划分；也可以按照预设的平均值对所述红细胞的轮廓进行划分；还可以采用其他的方式进行划分。本发明实施例对所述红细胞的轮廓划分方式不做具体限制。
[0102]
可以理解的是，划分出的圆台的总个数越多，对于后续步骤中计算所述红细胞的表面积和体积得到的结果越精确。但是，划分的个数也不应过多，否则会增加运算开销，降低效率。在实际中，可以根据对结果的精度要求、运算开销以及效率要求等确定划分的具体个数。
[0103]
在步骤s62中，对于每个圆台，分别确定所述圆台的左侧直径、右侧直径以及圆台高度。
[0104]
其中，所述圆台的左侧直径可以是所述圆台的左侧截面(圆面)的直径，所述圆台的右侧直径可以是所述圆台的右侧截面(圆面)的直径，所述圆台的高度可以是所述圆台的左侧截面与右侧截面之间的垂直距离。
[0105]
在步骤s63中，根据每个圆台的左侧直径、右侧直径以及圆台高度，确定每个圆台的圆台表面积和圆台体积。
[0106]
在步骤s64中，采用积分运算方法，将所述多个圆台的圆台表面积之和作为所述红细胞的表面积，以及将所述多个圆台的圆台体积之和作为所述红细胞的体积。
[0107]
进一步，采用下述公式，确定所述红细胞的表面积：
[0108][0109]
以及采用下述公式，确定所述红细胞的体积：
[0110][0111]
其中，a用于表示红细胞的表面积，ai用于表示第i个圆台的圆台表面积，v用于表示红细胞的体积，vi用于表示第i个圆台的圆台体积，d
left
用于表示圆台的左侧直径，d
right
用于表示圆台的右侧直径，h用于表示圆台高度。
[0112]
需要指出的是，在上述计算所述红细胞的表面积和体积的步骤中，是基于所述红细胞呈轴对称形态这一前提。
[0113]
参照图7，图7是本发明实施例中根据红细胞的轮廓计算红细胞表面积和体积的平面示意图。
[0114]
其中，左侧是红细胞在微管的稳定流动区域呈现出的完整轮廓的平面图，根据两条互相垂直的对称轴将所述红细胞的轮廓划分为多个圆台；最右侧是划分出的圆台之一，根据每个圆台的左侧直径d
left
、右侧直径d
right
以及圆台高度h，可以确定各个圆台的表面积和体积。再对各个圆台的表面积和体积分别做积分运算，就可以计算出所述红细胞的表面积和体积。
[0115]
参照图8，图8是图1中步骤s13的第三种具体实施方式的流程图。
[0116]
具体地，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓，所述红细胞的物理特性参数为所述红细胞的膜剪切模量；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数可以包括步骤s81至步骤s82，以下进行说明。
[0117]
在步骤s81中，根据所述红细胞的轮廓，确定所述红细胞在所述微管内的拉伸长度，以及确定所述红细胞在所述微管的稳定流动区域的流速。
[0118]
需要指出的是，所述红细胞在所述微管内的拉伸长度是指所述红细胞在微管的稳定流动区域的拉伸长度值，不同于前文所述的红细胞的长度值(是指所述红细胞在微管的管口区域吸入微管内的长度)。
[0119]
在具体实施中，由于所述红细胞在微管中呈现压缩变形状态，因此所述红细胞的轮廓将是一个规则或不规则的椭球形状。在一些非限制性的实施例中，所述红细胞的拉伸长度可以是所述红细胞的轮廓(椭球)的最长直径，也可以是基于椭球的多个内部直径所确定的一个直径平均值，还可以是通过其他合理方式确定的。
[0120]
在具体实施中，所述红细胞在所述微管的稳定流动区域的流速，可以反映所述红细胞在微管中随时间的位置变化情况。所述红细胞的流速可以采用常规方法确定。例如，可以根据拍摄自所述微管的稳定流动区域的多帧流动红细胞图像，分别确定各帧流动红细胞图像的所属拍摄时刻以及图像中所述红细胞的轮廓的同一点的位置，计算任意两个位置差值与对应的两个拍摄时刻的差值之间的商，作为所述红细胞的流速(即所述红细胞的流速＝所述红细胞在微管中移动的距离/移动的时间)；也可以将计算出的多个商的平均值作为所述红细胞的流速，以更加准确地确定所述红细胞的流速。
[0121]
在步骤s82中，采用机器学习算法，至少基于所述红细胞的拉伸长度和所述红细胞的流速确定所述红细胞的膜剪切模量。
[0122]
具体地，可以将所述红细胞的拉伸长度、所述红细胞的流速、所述微管的直径以及所述微管内无红细胞时的液体流速输入所述机器学习算法；将所述机器学习算法输出的结果作为所述红细胞的膜剪切模量。
[0123]
在具体实施中，所述微管内无红细胞时的液体流速可以通过如下方式确定：使用荧光粒子溶液作为红细胞的溶液，其中，所述荧光粒子溶液可以采用10ul/ml 0.1μm荧光粒子-bsa/pbs溶液；在微管内填充所述荧光粒子溶液，相同的实验压差下针对同一微管拍摄记录所述溶液的流动；假定荧光粒子速度与溶液流速相同，使用图像处理软件(imagej)测量荧光粒子在微管中的最大运动速度作为所述微管内无红细胞时的液体流速。
[0124]
进一步，所述机器学习算法可以是神经网络算法，所述神经网络算法中可以采用神经网络模型。
[0125]
本发明实施例通过结合对多帧流动红细胞图像的分析和机器学习算法确定红细
胞的膜剪切模量，可以有效提高测量的精度。
[0126]
参照图9，图9是本发明实施例中计算红细胞的膜剪切模量时所采用的神经网络模型示意图，所述神经网络模型包括输入层、隐藏层和输出层。
[0127]
其中，输入层参数为所述红细胞的拉伸长度l、所述红细胞的流速uc、所述微管的直径d以及所述微管内无红细胞时的液体流速u0；隐藏层采用激活函数；输出层参数是所述红细胞的膜剪切模量es。
[0128]
其中，所述神经网络算法可以是三层误差逆传播神经网络模型；所述激活函数可以是s型线性激活函数(sigmoid)。
[0129]
在具体实施中，可以采用两种机器学习算法计算所述红细胞的膜剪切模量：首先，采用多元线性回归分析无量纲红细胞膜剪切模量与其余无量纲参数之间的线性关系，从而得到红细胞膜剪切模量的计算公式；同时，应用神经网络算法预测膜剪切模量。
[0130]
在一个非限制性的实施例中，总样本量可为118个，为了缓解神经网络的过拟合问题，采用早停策略，将整个样本分为训练集、验证集和测试集，其中训练集：验证集：测试集＝70％：15％：15％；其中，训练集可以用于计算梯度、更新连接权重值和阈值，用于神经网络对红细胞相关参数的特征进行学习；验证集可以用于计算均方误差，若训练集均方误差减低但验证集均方误差升高，则停止训练，同时返回具有最小验证集均方误差的连接权重值和阈值；而其中的拟合训练算法可以使用列文伯格-马夸尔特(levenberg-marquardt，lm)算法。
[0131]
进一步，所述红细胞的物理特性参数确定方法还包括：基于所述红细胞的物理特性参数，对所述红细胞的糖化血红蛋白比值进行预测；或者，基于所述红细胞的物理特性参数，对受试者的血清胆红素含量和血清白蛋白含量进行预测；或者，基于所述红细胞的物理特性参数，对所述红细胞的形态和力学特性分布进行表征。
[0132]
更进一步地，所述红细胞的物理特性参数包括所述红细胞的粘弹性参数和所述红细胞的膜剪切模量；基于所述红细胞的物理特性参数，对所述红细胞的糖化血红蛋白比值进行预测包括：采用所述红细胞的粘弹性参数和所述红细胞的膜剪切模量，构造第一参数乘积值；根据所述第一参数乘积值与第一预设阈值的比较结果，对所述红细胞的糖化血红蛋白比值进行预测。
[0133]
在具体实施中，所述红细胞的粘弹性参数和所述红细胞的膜剪切模量的确定方法，参照前文中关于确定红细胞的粘弹性参数和膜剪切模量的具体步骤，此处不再赘述。
[0134]
其中，所述红细胞的糖化血红蛋白比值用于指示所述红细胞的糖化血红蛋白含量与血红蛋白含量之间的比值。
[0135]
具体地，可以采用高通量方法测量糖化血红蛋白占比值从正常的5.7％至糖尿病确诊的9.6％的6位受试者的红细胞固有力学特性；不同糖化血红蛋白条件下红细胞力学特性非参数检验显示红细胞膜弹性剪切模量、细胞粘弹性参数、细胞面积和细胞体积特异性明显，有统计学意义；但是，红细胞力学特性随糖化血红蛋白的变化相关性并不一致：随着糖化血红蛋白比值升高，细胞膜剪切模量显著增大，细胞粘弹性增加，细胞体积面积平均值和比值变化不大；相关性分析显示：受试者血样糖化血红蛋白值与红细胞膜剪切模量显著正相关，与红细胞粘弹性也明确正相关，这表明糖化血红蛋白值高低对红细胞膜剪切模量和细胞粘弹性等流体动力学特性参数影响明显。进一步分析可发现，6组血样中力学特性测
量值拖尾分布特征明显；综合数据的拖尾分布特征，同时回避数据特异性影响，发现选取红细胞膜剪切模量90％百分位样本值时，它与糖化血红蛋白比值相关性高达0.943，细胞粘性75％百分位样本值与糖化血红蛋白比值相关性显著升高为0.886；并且，糖化血红蛋白值与膜剪切模量和细胞粘弹性二维相关性显著，达1.00。
[0136]
参照图10，图10是受试者的红细胞的糖化血红蛋白比值与红细胞的膜剪切模量和粘弹性参数乘积值的二维相关性坐标图。
[0137]
其中，横坐标为红细胞的糖化血红蛋白比值，纵坐标为红细胞的膜剪切模量的前90％百分位样本值和红细胞的粘弹性参数的前75％百分位样本值构造的参数乘积值。
[0138]
在本发明实施例中，通过建立红细胞膜剪切模量和红细胞粘弹性的二维流式红细胞力学特性分布谱图，以红细胞膜剪切模量的前90％百分位和红细胞粘弹性性的前75％百分位为特征区分区间，可以明确区分糖化血红蛋白比值正常和异常。如此，基于对红细胞构造的粘弹性参数和膜剪切模量乘积值，可以区分健康人群和糖尿病患者，因此本发明实施例可应用于辅助诊断糖尿病患者的病情，进行糖尿病分期、严重程度的预测，提高糖尿病预测或诊断的及时性、灵敏度和准确度。
[0139]
进一步，所述红细胞的物理特性参数包括所述红细胞的表面积和体积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数；基于所述红细胞的物理特性参数，对受试者的血清胆红素含量和血清白蛋白含量进行预测包括：采用所述红细胞的表面积和体积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数，分别构造第二参数乘积值和第三参数乘积值；根据所述第二参数乘积值与第二预设阈值的比较结果，对受试者的血清胆红素含量进行预测，以及根据所述第三参数乘积值与第三预设阈值的比较结果，对所述受试者血清白蛋白含量进行预测。
[0140]
在具体实施中，关于构造所述第二参数乘积值和所述第三参数乘积值的具体方法，可以结合实际应用场景的需要，参照前文采用所述红细胞的粘弹性参数和膜剪切模量构造的第一参数乘积值，对所述红细胞的糖化血红蛋白比值进行预测的方案，本发明实施例对此不做限制。
[0141]
其中，血清胆红素是体内衰老红细胞裂解而释放出的血红蛋白而产生的，它包括间接胆红素和直接胆红素；血清白蛋白是血清总蛋白的主要蛋白质成分，它在维持血液胶体渗透压、体内代谢物质运输、营养等方面均起着很重要的作用。在本发明实施例中，通过采用受试者的红细胞的表面积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数构造参数乘积值，可以准确区分受试者体内的血清胆红素含量和血清白蛋白含量的正常和异常，进而可以提高血清胆红素和血清白蛋白所表达的相关疾病的预测及时性、灵敏度和准确度。
[0142]
进一步，所述红细胞的物理特性参数包括所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量；基于所述红细胞的物理特性参数，对所述红细胞的形态和力学特性分布进行表征包括：基于所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量，构造所述红细胞的形态和力学特性分布的概率密度函数，从而对所述红细胞的形态和力学特性分布进行表征。
[0143]
在本发明实施例中，通过比较来源于受试者的红细胞的形态和力学特性分布特征以及来源于健康人的红细胞(参照样本)的形态和力学特性分布特征之间的差异(分析受试
者的红细胞的形态和力学特性分布的概率密度函数与健康人的红细胞的形态和力学特性分布的概率密度函数之间的差异)，可以对所述受试者的血液性疾病(如镰型细胞增多症、球形细胞增多症)进行有效监测。
[0144]
此外，在具体实施中，通过采用大数据分析方法，基于所构造的所述红细胞的形态和力学特性分布的概率密度函数，还可以对受试者的年龄、血压值以及简易精神状态检查表的检查结果进行预测。
[0145]
其中，年龄、血压值是普遍的人体健康程度量化指标，其作为人体健康程度的粗化指标，可用于心血管疾病的筛查；简易精神状态量表或称简易精神状态检查表(mini-mental state examination，mmse)是最具影响的标准化智力状态检查工具之一，其作为认知障碍检查方法，可以用于阿尔茨海默病的筛查。在本发明实施例中，通过将所述红细胞的形态和力学特性分布的概率密度函数与受试者的年龄、血压值以及简易精神状态检查表的检查结果进行数据学习和关联，可以实现对受试者的年龄、血压值和简易精神状态检查表的检查结果进行准确预测，进而对受试者的心脏功能和阿尔兹海默症等情况进行评估。
[0146]
需要指出的是，上述关于所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量确定方法，参照图1、图5、图6和图8及前文中关于测量红细胞的表面积和体积、粘弹性参数、膜剪切模量的具体步骤和描述，此处不再赘述。
[0147]
参照图11，图11是本发明实施例中一种红细胞的物理特性参数确定装置的结构示意图。所述红细胞的物理特性参数确定装置可以包括：
[0148]
流动红细胞图像确定模块111，用于对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；
[0149]
红细胞形态参数确定模块112，用于根据所述多帧流动红细胞图像，确定所述红细胞的形态参数，所述形态参数选自所述红细胞的长度值以及所述红细胞的轮廓；
[0150]
红细胞物理特性参数确定模块113，用于根据所述红细胞的形态参数，确定所述红细胞的物理特性参数。
[0151]
关于该红细胞的物理特性参数确定装置的原理、具体实现和有益效果请参照前文及图1至图10示出的关于红细胞的物理特性参数确定方法的相关描述，此处不再赘述。
[0152]
本发明实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序运行时执行上述红细胞的物理特性参数确定方法的步骤。所述计算机可读存储介质可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。
[0153]
具体地，在本发明实施例中，所述处理器可以为中央处理单元(central processing unit，简称cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0154]
还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称rom)、可编程只读存储器(programmable rom，简称prom)、可擦除可编程
只读存储器(erasable prom，简称eprom)、电可擦除可编程只读存储器(electrically eprom，简称eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称ram)可用，例如静态随机存取存储器(static ram，简称sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，简称sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，简称ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，简称esdram)、同步连接动态随机存取存储器(synchlink dram，简称sldram)和直接内存总线随机存取存储器(direct rambus ram，简称dr ram)。
[0155]
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述红细胞的物理特性参数确定方法的步骤。所述终端可以包括但不限于手机、计算机、平板电脑等终端设备，还可以为服务器、云平台等。
[0156]
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
[0157]
本技术实施例中出现的“多个”是指两个或两个以上。
[0158]
本技术实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本技术实施例中对设备个数的特别限定，不能构成对本技术实施例的任何限制。
[0159]
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
[0160]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

技术特征：
1.一种红细胞的物理特性参数确定方法，其特征在于，包括：对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；根据所述多帧流动红细胞图像，确定所述红细胞的形态参数，所述形态参数选自所述红细胞的长度值以及所述红细胞的轮廓；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数；其中，所述微管的直径数值范围为大于等于2.0微米且小于等于5.0微米。2.根据权利要求1所述的方法，其特征在于，所述多帧流动红细胞图像拍摄自所述微管的管口区域，所述形态参数选自所述红细胞的长度值，所述红细胞的物理特性参数为所述红细胞的粘弹性参数；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数包括：基于所述红细胞在所述多帧流动红细胞图像中的长度值，确定所述红细胞在所述微管的管口区域的蠕变函数；根据所述蠕变函数确定所述红细胞的粘弹性参数。3.根据权利要求2所述的方法，其特征在于，基于所述红细胞在所述多帧流动红细胞图像中的长度值，确定所述红细胞在所述微管的管口区域的蠕变函数包括：确定所述红细胞在各帧流动红细胞图像所属时刻的长度值；采用下述公式，确定所述红细胞在各帧流动红细胞图像所属时刻的蠕变值：ε＝2lp/d；基于各个时刻的蠕变值，拟合所述红细胞随时间变化的蠕变函数；采用下述公式，根据所述蠕变函数确定所述红细胞的粘弹性参数：其中，ε(t)用于指示蠕变函数，t是指时刻，lp是指不同时刻所述红细胞在所述微管内的长度值，d是指所述微管的直径，β是指所述红细胞的粘弹性参数，τ0是标准化时间参数，a是常数。4.根据权利要求1所述的方法，其特征在于，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓；根据所述多帧流动红细胞图像，确定所述红细胞的形态参数包括：对于所述多帧流动红细胞图像，选取其中包含所述红细胞的一帧图像作为实验图像，以及选取其中不包含所述红细胞的一帧图像作为背景图像；采用差分运动分析方法，对所述实验图像和所述背景图像进行差分处理，以确定差分图像；根据所述差分图像确定所述红细胞的轮廓。5.根据权利要求1所述的方法，其特征在于，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓，所述红细胞的物理特性参数为所述红细胞的表面积和体积；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数包括：将所述红细胞的轮廓划分为多个圆台；对于每个圆台，分别确定所述圆台的左侧直径、右侧直径以及圆台高度；根据每个圆台
的左侧直径、右侧直径以及圆台高度，确定每个圆台的圆台表面积和圆台体积；采用积分运算方法，将所述多个圆台的圆台表面积之和作为所述红细胞的表面积，以及将所述多个圆台的圆台体积之和作为所述红细胞的体积。6.根据权利要求5所述的方法，其特征在于，采用下述公式，确定所述红细胞的表面积：以及采用下述公式，确定所述红细胞的体积：其中，a用于表示红细胞的表面积，a
i
指第i个圆台的圆台表面积，v指红细胞的体积，v
i
指第i个圆台的圆台体积，d
left
指圆台的左侧直径，d
right
指圆台的右侧直径，h指圆台高度。7.根据权利要求1所述的方法，其特征在于，所述多帧流动红细胞图像拍摄自所述微管的稳定流动区域，所述形态参数选自所述红细胞的轮廓，所述红细胞的物理特性参数为所述红细胞的膜剪切模量；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数包括：根据所述红细胞的轮廓，确定所述红细胞在所述微管内的拉伸长度，以及确定所述红细胞在所述微管的稳定流动区域的流速；采用机器学习算法，至少基于所述红细胞的拉伸长度和所述红细胞的流速确定所述红细胞的膜剪切模量。8.根据权利要求7所述的方法，其特征在于，采用机器学习算法，至少基于所述红细胞的拉伸长度和所述红细胞的流速确定所述红细胞的膜剪切模量包括：将所述红细胞的拉伸长度、所述红细胞的流速、所述微管的直径以及所述微管内无红细胞时的液体流速输入所述机器学习算法；将所述机器学习算法输出的结果作为所述红细胞的膜剪切模量。9.根据权利要求8所述的方法，其特征在于，所述机器学习算法为神经网络算法，满足以下一项或多项：所述神经网络的输入层参数为所述红细胞的拉伸长度、所述红细胞的流速、所述微管的直径以及所述微管内无红细胞时的液体流速；所述神经网络的隐藏层采用激活函数；所述神经网络的输出层参数是所述红细胞的膜剪切模量。10.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于所述红细胞的物理特性参数，对所述红细胞的糖化血红蛋白比值进行预测；或者，基于所述红细胞的物理特性参数，对受试者的血清胆红素含量和血清白蛋白含量进行预测；或者，基于所述红细胞的物理特性参数，对所述红细胞的形态和力学特性分布进行表征。11.根据权利要求10所述的方法，其特征在于，所述红细胞的物理特性参数包括所述红
细胞的粘弹性参数和所述红细胞的膜剪切模量；基于所述红细胞的物理特性参数，对所述红细胞的糖化血红蛋白比值进行预测包括：采用所述红细胞的粘弹性参数和所述红细胞的膜剪切模量，构造第一参数乘积值；根据所述第一参数乘积值与第一预设阈值的比较结果，对所述红细胞的糖化血红蛋白比值进行预测。12.根据权利要求10所述的方法，其特征在于，所述红细胞的物理特性参数包括所述红细胞的表面积和体积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数；基于所述红细胞的物理特性参数，对受试者的血清胆红素含量和血清白蛋白含量进行预测包括：采用所述红细胞的表面积和体积、所述红细胞的膜剪切模量以及所述红细胞的粘弹性参数，分别构造第二参数乘积值和第三参数乘积值；根据所述第二参数乘积值与第二预设阈值的比较结果，对受试者的血清胆红素含量进行预测，以及根据所述第三参数乘积值与第三预设阈值的比较结果，对所述受试者的血清白蛋白含量进行预测。13.根据权利要求10所述的方法，其特征在于，所述红细胞的物理特性参数包括所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量；基于所述红细胞的物理特性参数，对所述红细胞的形态和力学特性分布进行表征包括：基于所述红细胞的表面积和体积、所述红细胞的粘弹性参数以及所述红细胞的膜剪切模量，构造所述红细胞的形态和力学特性分布的概率密度函数，从而对所述红细胞的形态和力学特性分布进行表征。14.一种红细胞的物理特性参数确定装置，其特征在于，包括：流动红细胞图像确定模块，用于对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；红细胞形态参数确定模块，用于根据所述多帧流动红细胞图像，确定所述红细胞的形态参数，所述形态参数选自所述红细胞的长度值以及所述红细胞的轮廓；红细胞物理特性参数确定模块，用于根据所述红细胞的形态参数，确定所述红细胞的物理特性参数。15.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至13任一项所述红细胞的物理特性参数确定方法的步骤。16.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至13任一项所述红细胞的物理特性参数确定方法的步骤。

技术总结
一种红细胞的物理特性参数确定方法及装置、存储介质、终端，所述方法包括：对微管中流动的红细胞进行拍摄，以确定多帧流动红细胞图像；根据所述多帧流动红细胞图像，确定所述红细胞的形态参数，所述形态参数选自所述红细胞的长度值以及所述红细胞的轮廓；根据所述红细胞的形态参数，确定所述红细胞的物理特性参数；其中，所述微管的直径数值范围为大于等于2.0微米且小于等于5.0微米。本发明能够在一次实验中获得红细胞的多种本征物理特性参数，且兼顾红细胞数量标准的同时，有效提高红细胞物理特性参数的测量速度和测量精度。理特性参数的测量速度和测量精度。理特性参数的测量速度和测量精度。


技术研发人员：龚晓波 魏桥栋
受保护的技术使用者：上海交通大学
技术研发日：2022.03.16
技术公布日：2023/9/22