周明月

（吉林師范大學(xué) 信息技術(shù)學(xué)院，四平 136000）

尿沉渣分析是對(duì)尿液有形成分的檢查和識(shí)別，包括尿液中的紅細(xì)胞、白細(xì)胞、草酸鈣結(jié)晶等各種有形成分，通過分析它們?cè)谀蛞褐械暮磕茌o助對(duì)泌尿系統(tǒng)疾病做出診斷，它對(duì)腎臟疾病、泌尿道疾病、循環(huán)系統(tǒng)疾病以及感染性疾病的診斷治療具有十分重要的作用［1］。

本文以模式識(shí)別技術(shù)和人工神經(jīng)網(wǎng)為基礎(chǔ)，實(shí)現(xiàn)對(duì)細(xì)胞的自動(dòng)識(shí)別與分類。通過對(duì)尿沉渣圖像的預(yù)處理、圖像分割、細(xì)胞特征提取，根據(jù)提取的細(xì)胞特征利用BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行紅細(xì)胞、白細(xì)胞、草酸鈣結(jié)晶的識(shí)別分類。

1 尿沉渣細(xì)胞識(shí)別算法

1.1 圖像的預(yù)處理及分割

在尿沉渣圖像中，由于病變或者其他原因，一些有形成分的邊緣非常模糊，還有些圖像的光照不均勻，所以對(duì)尿沉渣細(xì)胞的識(shí)別首先需要進(jìn)行預(yù)處理。本文采用Sobel算子對(duì)尿沉渣細(xì)胞圖像進(jìn)行邊緣提取。為了得到比較好的效果需要對(duì)提取邊緣后的圖像進(jìn)行二值化，然后應(yīng)用中值濾波器，可以濾除噪聲的同時(shí)很好的保護(hù)圖像的邊緣細(xì)節(jié)［2-4］。

最后確定目標(biāo)體在圖像中的坐標(biāo)位置。按目標(biāo)像素在圖片中的坐標(biāo)，做出矩形，對(duì)應(yīng)原圖的位置即完成目標(biāo)體的分割。圖像分割完成從圖像中分割出各個(gè)有形成分的區(qū)域。圖1(a)、(b)、(c)分別是一些經(jīng)分割得到的紅細(xì)胞、白細(xì)胞、草酸鈣結(jié)晶。

1.2 圖像的特征選擇和提取

特征選擇和提取的基本任務(wù)是如何從許多特征中找出那些最有效的特征，即從各個(gè)分割區(qū)域中計(jì)算出一組描述區(qū)域大小、形狀以及內(nèi)部紋理等一系列參數(shù)。這一任務(wù)是在分類器設(shè)計(jì)之前進(jìn)行，為分類器提供數(shù)據(jù)基礎(chǔ)。該任務(wù)完成的好壞直接關(guān)系后續(xù)分類器的設(shè)計(jì)，即分類問題直接與特征提取有關(guān)。

圖1 分割后的細(xì)胞Fig.1 The segmentation of cells

對(duì)紅細(xì)胞、白細(xì)胞、草酸鈣結(jié)晶進(jìn)行快速傅里葉變換（FFT）變換，研究頻域圖像，容易發(fā)現(xiàn)二值化之后的圖像反映的信息更為明確，利于分析和計(jì)算一些特征的特征值?？焖俑道锶~變換（FFT）的圖像二值化之后的圖像如圖 2-4所示。如圖所示，可以看出紅細(xì)胞和白細(xì)胞的頻譜都呈現(xiàn)出近似圓形的特征，而草酸鈣結(jié)晶的頻譜呈現(xiàn)出十字線的特征。紅細(xì)胞的圓形度比白細(xì)胞圓形度要好，所以可以對(duì)頻域進(jìn)行提取圓形度特征。有部分白細(xì)胞與紅細(xì)胞很相似，我們可以通過面積特征將其區(qū)分開來進(jìn)行粗分類。草酸鈣結(jié)晶具有十字線特征。本文先后選取FFT的圓形度、FFT的十字線方差、FFT的內(nèi)接半徑、外接矩形比值方差、圓形度、目標(biāo)體面積、邊緣夾角方差、拉長度、內(nèi)接矩形、核的圓形度等十個(gè)特征。

圖2 紅細(xì)胞FFT及二值化后圖像Fig.2 FFT and binary of RBC

圖3 白細(xì)胞FFT及二值化后圖像Fig.3 FFT and binary of WBC

圖4 草酸鈣結(jié)晶FFT及二值化后圖像Fig.4 FFT and binary of CCO

進(jìn)行特征值歸一化。設(shè)特征值為x，xmin和xmax分別為該特征中最小值和最大值，利用公式（1）來計(jì)算歸一化。經(jīng)過計(jì)算得到若干個(gè)歸一化后的特征值。

1.3 基于BP神經(jīng)網(wǎng)絡(luò)的細(xì)胞識(shí)別方法

識(shí)別出細(xì)胞種類是整個(gè)系統(tǒng)的核心。人工神經(jīng)網(wǎng)絡(luò)具有類似人的學(xué)習(xí)、歸納與分類的能力以及良好的容錯(cuò)性和泛化能力。本文采用BP人工神經(jīng)網(wǎng)絡(luò)制作分類器，采用有監(jiān)督的學(xué)習(xí)方法，大量的訓(xùn)練對(duì)對(duì)分類器進(jìn)行訓(xùn)練，使誤差不斷減小。

本文的分類器是基于BP神經(jīng)網(wǎng)絡(luò)理論所設(shè)計(jì)的分類器，采用BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及BP算法。該分類器網(wǎng)絡(luò)的結(jié)構(gòu)層次為輸入層、隱層一、隱層二、輸出層，其中輸入層和輸出層與外界相連接，為可見層。輸入層的輸入向量為細(xì)胞的若干個(gè)特征值（經(jīng)歸一化后的特征值），輸出層的輸出的向量為若干類別，即識(shí)別的細(xì)胞類別。輸入層單元數(shù)、輸入向量維數(shù)、輸入細(xì)胞的特征值個(gè)數(shù)三者相同，輸出層單元數(shù)、輸出向量維數(shù)、輸出類別個(gè)數(shù)三者相同［4，5］，隱層單元數(shù)不固定，必須經(jīng)過多次實(shí)驗(yàn)才能得出最佳設(shè)定值［5-7］。分類器的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 The structure of ANN

2 仿真實(shí)驗(yàn)

本文應(yīng)用VC++6.0的設(shè)計(jì)平臺(tái)，在此操作平臺(tái)上，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)可以調(diào)整神經(jīng)元數(shù)及隱層層數(shù)，并且觀察誤差變化情況。

選取神經(jīng)網(wǎng)絡(luò)分類器的網(wǎng)絡(luò)結(jié)構(gòu)為輸入特征向量為10維，即選取的是細(xì)胞的十個(gè)特征。隱層一為30單元，隱層二為50單元，輸出層為3類。

采用未知類別特征向量送該分類器進(jìn)行分類，紅細(xì)胞1500個(gè)，白細(xì)胞1100個(gè)，草酸鈣結(jié)晶1000個(gè)，分類結(jié)果見表1。由表1可以看出，識(shí)別出紅細(xì)胞準(zhǔn)確率大于95.5%，白細(xì)胞大于94.2%，草酸鈣結(jié)晶大約96.9%。

表1 識(shí)別結(jié)果Tab.1 Identification results

3 結(jié)論

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)和模式識(shí)別技術(shù)，通過實(shí)驗(yàn)和仿真很好的完成了尿沉渣細(xì)胞的識(shí)別與分類。結(jié)果表明，本文算法的識(shí)別效率較高，具有較高的實(shí)用性。隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，計(jì)算機(jī)技術(shù)己成為醫(yī)學(xué)研究領(lǐng)域中必不可少的得力工具，利用數(shù)字圖像處理技術(shù)、模式識(shí)別技術(shù)、人工神經(jīng)網(wǎng)絡(luò)技術(shù)以及人類的實(shí)踐經(jīng)驗(yàn)結(jié)合起來，醫(yī)學(xué)技術(shù)必將會(huì)有飛躍的發(fā)展。這也是醫(yī)學(xué)系統(tǒng)的一個(gè)發(fā)展方向。

［1］張家紅，張國鋒.UF-100尿沉渣分析儀測(cè)定尿液有形成分影響因素探討［J］.中國醫(yī)科大學(xué)學(xué)報(bào)，2004，33（4）：371-371.

［2］王傳永.基于人工神經(jīng)網(wǎng)絡(luò)的血液細(xì)胞圖像分割方法研究［D］.天津理工大學(xué)研究生學(xué)位論文，2005.

［3］溫建明.神經(jīng)網(wǎng)絡(luò)算法在彈性限位浮筏系統(tǒng)中的應(yīng)用［J］.長春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，33（1）：141-143.

［4］Philippe Schmid.Segmentation of Digitized Dermatoscopic Images by Two-Dimensional Color Clustering［J］.IEEE Trans.On Medical Imaging，1999，18（2）：164-171.

［5］沈鳳龍，畢娟.基于BP神經(jīng)網(wǎng)絡(luò)分類器的多目標(biāo)識(shí)別方法研究［J］.遼東學(xué)院學(xué)報(bào)，2008，15（4）：205-209.

［6］江虹，曾立波，胡繼明.優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)與實(shí)現(xiàn)［J］.計(jì)算機(jī)工程與應(yīng)用，2001：122-125.

［7］Chuang G，Ming C.Semantic Video Object Segmentation and Tracking using Mathematical Morphology and Perspective Motion Model.IEEE.Proceeding，pages 1997，514-517.