(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211004127.1 (22)申请日 2022.08.22 (71)申请人 伯图影从 （苏州） 科技有限公司 地址 215500 江苏省苏州市 常熟市东 南街 道黄浦江路13 3号 (72)发明人 李柏蕤　连荷清　 (74)专利代理 机构 北京巨弘知识产权代理事务 所(普通合伙) 11673 专利代理师 赵洋 (51)Int.Cl. G01N 35/00(2006.01) G06V 10/762(2022.01) (54)发明名称 一种基于细胞散点图的异常检测方法 (57)摘要 本发明公开了一种基于细胞散点图的异常 检测方法， 包括以下步骤： S1、 获取样本的细胞散 点图， 在细胞散点图内建立平面坐标系， 并遍历 每个点， 将坐标信息和种类信息赋予每个细胞 点； S2、 根据细胞种类信息， 计算各种细胞的细胞 簇中心和离群容忍度； S3、 根据各细胞种类的细 胞簇中心和离群容忍度进行高斯分布建模； S4、 设定风险数据阈值， 对每种细胞种类的容忍度外 各点进行风险数据评分； S5、 根据风险数据评分 判断各种类细胞是否存在。 本发 明避免给机器的 便携性和成本加大了负担， 不增 加额外的损耗。 权利要求书1页 说明书5页 附图1页 CN 115407076 A 2022.11.29 CN 115407076 A 1.一种基于细胞散点图的异常检测方法， 其特 征在于： 包括以下步骤： S1、 获取样本的细胞散点图， 在所述细胞散点 图内建立平面坐标系， 并遍历每个点， 将 坐标信息和种类信息赋予每 个细胞点； S2、 根据细胞种类信息， 计算各种细胞的细胞簇中心和离群容忍度； S3、 根据各细胞种类的细胞簇中心和离群容忍度进行高斯分布建模； S4、 设定风险数据阈值， 对每种细胞种类的容忍度外各点进行风险数据评分； S5、 根据风险数据评分判断各种类细胞 是否存在。 2.根据权利要求1所述的一种基于细胞散点图的异常检测方法， 其特征在于： 所述步骤 S1中在所述细胞散点图内建立平面坐标系， 并遍历每个点， 将坐标信息和种类信息赋予每 个细胞点具体包括将图像左下角作为坐标的原点， 横向是X轴的正半轴， 纵向是Y轴的正半 轴， 遍历像素的方式找到每个点的坐标信息和种类信息， 所述坐标信息表 示为Zi＝(xi,yi)， 其中Zi为细胞的坐标信息， xi为x轴坐标， yi为y轴坐标； 所述种类信息包括淋巴细胞、 单核细 胞、 粒细胞及嗜碱性粒细胞、 嗜酸 性粒细胞和幼稚粒细胞。 3.根据权利要求1所述的一种基于细胞散点图的异常检测方法， 其特征在于： 所述步骤 S2中所述细胞簇中心具体计算方法为根据相同种类信息的细胞 的坐标信息计算坐标均值 作为细胞簇中心的位置数据。 4.根据权利要求1所述的一种基于细胞散点图的异常检测方法， 其特征在于： 所述步骤 S2中各种类细胞的所述离群容忍度具体计算方法为根据相同种类信息的细胞的坐标信息 计算坐标方差作为细胞的所述离群容忍度。 5.根据权利要求2所述的一种基于细胞散点图的异常检测方法， 其特征在于： 所述步骤 S3所述的根据各细胞种类的细胞簇中心和离群容忍度进行高斯分布建模具体公式为： 其中， uz为该类别所有坐标 数据Zn的二维均值， εz为协方差 。 6.根据权利要求5所述的一种基于细胞散点图的异常检测方法， 其特征在于： 所述步骤 S4的风险数据评分根据以下公式： 7.根据权利要求1所述的一种基于细胞散点图的异常检测方法， 其特征在于： 所述步骤 S5具体为设定总的风险阈值， 累加所有建模过程中被列为存在风险数据的评分总和， 总分 数高于总风险阈值则被判断该种类细胞存在异常， 否则判定为该种类细胞不存在异常。 8.根据权利要求1所述的一种基于细胞散点图的异常检测方法， 其特征在于： 所述步骤 S5具体为将各种类细胞的各点与风险数据阈值进 行对比， 超过风险数据阈值的点标记为异 常范围细胞， 否则标记为安全范围细胞， 并计算各种类细胞中异常范围细胞和安全范围细 胞的比例， 根据所述比例得到细胞存在异常情况的可能性大小。权　利　要　求　书 1/1 页 2 CN 115407076 A 2一种基于细胞散点图的异常检测方 法 技术领域 [0001]本发明涉及 细胞检测领域， 特别是 涉及一种基于细胞散点图的异常检测方法。 背景技术 [0002]血细胞分析仪blood  cell analyzer， 通过溶血剂破坏红细胞， 白细胞胞膜 轻微受 损， 利用SS C获得不同白细胞内部构造复杂程度的差异； 通过荧光 染色， 利用SFL 获得不同白 细胞核酸及细胞器种类和多少的差异， 从而对各类白细胞进行区别计数。 并对所测细胞进 行统计， 以SSC为横坐标， 以SFL为纵坐标， 得到WDF散点图。 统计种类主要包括五种细胞： Debris： 影细胞/细胞碎片； NRBC： 有核红细胞； LYMPH： 淋巴细胞； Abnormal  lymph Blast： 异 常淋巴细胞/原幼淋巴细胞； Atypical  lymph： 不典型淋巴细胞/异型淋巴细胞； MONO： 单核 细胞； Blast： 原始细胞； NEUT+BASO： 中性粒细胞及嗜碱性粒细胞； Left  shift： 核左移； IG： 幼稚粒细胞； EO： 嗜酸 性粒细胞。 [0003]散点图的异常检测是目前提升血球仪的一种有效手段。 由于目前血球仪自动判别 的准确率仍存在一定的缺陷， 由于目前并没有将散点图的识别看做一个异常检测任务， 因 此我们宏观的讨论异常检测 算法的相关工作。 对于数据质量的不同， 异常检测主要分为三 大类： [0004]监督任务： 这类任务的数据有很明确的异常或正常的标签。 一般处理这种情况， 操 作者会将其看待成二分类的任务。 但它面临着昂贵的数据标记和实践中离群值稀缺的问 题。 [0005]半监督任务： 首先， 由于问题的性质， 很难获得大量的异常数据， 无论是标记的还 是未标记的。 这类任务的数据对正常样本有很明确的标注， 异常类没有 标注。 由于对异常数 据的访问受 限， 构建异常检测器通常只使用正常数据进行半监督或一类分类设置。 这种情 况一般会采用引入代理任务， 从而通过自监督的方式来完成异常检测任务。 这种 方法通过 构建异常检测器通常只使用正常数据进行半监督或一类分类设置。 生成模 型在概率密度低 于某个阈值时声明异常。 然而， 异常分数被定义为像素级重建错误或概率密度的集合， 无法 捕获高级语义信息 。 [0006]无监督任务： 这类任务就是所有的数据都没有标注。 在这种情况下会首先对数据 进行特征抽取， 然后通过测距的类似方法进行分类。 其中特征的抽取可以看做是一种生成 任务。 近年来， 海量的图像/视频数据激发了无监督异常检测在计算机视觉中的重要应用， 如提炼web图像查询结果、 视频异常事件检测等。 不幸的是， 尽管端到端深度神经网络(DNN) 在计算机视觉领域取得了显著的成功， 但一种有效的端到端 无监督异常检测策略仍在探索 中:最先进的方法都依赖于深度自动编码器(AE)或卷积自动编码器(CAE)来实现易于实现 的基于DNN的无监督异常检测模 型， 但它们都存在AE/CAE的无效表 示学习。 另外必须对概念 进行两个澄清:首先， 在一些文献中， “无监督离群值/异常检测 ”实际上指的是半监督的任 务， 而不是这里特指的无监督。 其次， 最近的一个话题是离群分布样本检测， 它检测的样本 不是来自于训练样本的分布。 它类似于半监督任务， 但它需要标记良好的多类数据进行训说　明　书 1/5 页 3 CN 115407076 A 3