胡曉麗

（桂林電子科技大學 教學實踐部，廣西 桂林 541004）

尿液中含有一些肉眼看不到的具有重大臨床價值的微小結構，并且數(shù)量很少。為了找到這些可能造成泌尿系統(tǒng)病變的物質，只能借助一定的設備與技術來觀察和分析，這就是尿沉渣分析。尿沉渣分析是用設備對尿液中有形成分的質和量檢查的組合，是比較重要的一項臨床檢驗工作，對腎和尿路疾患的診斷、疾病的嚴重程度及愈后的判斷都有極為重要的價值。尿沉渣檢查中的尿沉渣計數(shù)檢查是對尿液中有形沉淀物的分類識別計數(shù)，根據(jù)一定時間內一定量尿液中各種有形成分的種類和數(shù)量，了解腎和尿路健康情況。目前，在尿沉渣計數(shù)檢查方面，許多醫(yī)院仍采用人工識別的方法，該方法實現(xiàn)簡單、操作容易，但是勞動強度大、檢驗速度慢且檢驗結果受個人主觀因素影響較大?；谝陨显颍枰环N快速、客觀和統(tǒng)一的尿沉渣分析技術。近年來，計算機技術迅猛發(fā)展，圖像處理得到深入研究和廣泛應用，許多復雜算法可以較容易實現(xiàn)，因此完全可以將數(shù)字圖像處理技術與人類的經(jīng)驗結合起來，實現(xiàn)尿沉渣有形成分的快速和自動分析。

1 尿沉渣分析技術及特點

1.1 傳統(tǒng)的分析方法

由專門的檢驗人員在顯微鏡下觀察尿沉渣涂片，首先用低倍鏡觀察，找出有無各種有形物體，然后轉到高倍鏡仔細觀察確認分類和計數(shù)，該方法即為尿沉渣鏡檢。尿沉渣鏡檢分析是對尿液染色涂片放大400倍或100倍時所看見有形成分的識別及計數(shù)，在此放大范圍，可以識別的成分有紅細胞、白細胞、上皮細胞、管形以及其他一些結晶和雜質。檢驗時要求觀察多個視野，統(tǒng)計每一個視野下有形成分的種類和個數(shù)。但人為主觀因素對該檢驗方法的檢驗結果影響較大，不同的檢驗人員之間可能會使用不同的判別標準，導致檢查結果的差異，最后影響診斷結果。此外，采用人工觀察檢驗的方法效率很低。此外，還有采用在顯微鏡上加裝CCD攝像頭的方法，將所觀察畫面經(jīng)過圖像采集卡輸入計算機，然后再顯示在屏幕上，可以通過屏幕顯示來識別和計數(shù)有形成分，然后把分析結果和圖像通過打印機輸出，同時也可以保存[1]。該檢驗方法雖然使用了計算機，但是實質只是把圖像搬到計算機屏幕上而已，并沒有利用計算機強大的處理能力和圖像處理技術來進行識別、計數(shù)和分析，因此仍是傳統(tǒng)的識別分析方法。

1.2 非傳統(tǒng)的分析方法及特點

1.2.1 流式細胞術分析方法

流式細胞分析 FCM（Flow CytoMetry）是以高能量激光照射高速流動狀態(tài)下被熒光色素染色的單細胞或微粒，測量其產(chǎn)生的散射光和發(fā)射熒光的強度，從而對細胞（或微粒）的物理、生理、生化、免疫、遺傳、分子生物學性狀及功能狀態(tài)等進行定性或定量檢測的一種現(xiàn)代細胞分析技術。它具有如下幾個特點：（1）標本只要是單細胞即可用于分析；（2）分析細胞速度極快，只要標本中的細胞數(shù)量足夠，流式細胞儀（Flow Cytometer）能夠以每秒數(shù)十、數(shù)百、數(shù)千個細胞的速率進行測量，測量的細胞總數(shù)可達數(shù)千、數(shù)萬乃至數(shù)百萬個；（3）可同時分析單個細胞的多種特征，使細胞亞群的識別、計數(shù)更為準確；（4）定性或定量分析細胞。已開發(fā)出采用該技術的全自動尿有形成分分析儀，如Sysmex UF-100，其采用細胞術原理，對未離心尿中有形成分的DNA、細胞膜進行染色，然后測量細胞的前向散射光和前向熒光兩種參數(shù)，應用多參數(shù)算術法則直接計算和分析，可識別和計數(shù)尿液中紅細胞、白細胞、上皮細胞、管形及細菌5種有形成分[2-3]。流式細胞術是一種先進的檢驗方法，但由于不是確證檢驗，只能用于早期的篩選，具有一定的局限性，在許多重要診斷場合，最終還是采用鏡檢，因此流式細胞分析并不能夠完全代替尿沉渣鏡檢。

1.2.2基于圖像的分析方法

通過在顯微鏡上加裝一定的設備，就可以把尿沉渣圖像以一定格式輸入到計算機中，從而可以運用圖像處理的方法對尿沉渣圖像進行分析處理。根據(jù)尿液中各種有形成分的特點，選擇合適的處理過程和處理算法。利用計算機技術和模式識別相結合的方法來對尿沉渣中有形成分進行分析，可提高識別的質量和速度。由于對所有的檢驗樣本都采用統(tǒng)一的標準，在檢驗過程中沒有人為主觀因素的影響，因此可得到可信度更高的檢驗結果供參考。同時，由于采用適當?shù)奶幚矸椒?，可以對有形成分進行自動識別、計數(shù)，大大減少了人員的勞動強度。目前國內外已在此基礎上開發(fā)出不少基于圖像的尿沉渣分析儀，如美國IRIS推出的Yellow IRIS及IQ-200，國內推出的SQ-3000型全自動尿沉渣分析系統(tǒng)以及天海US2020系列等，但是實際的識別率以及自動化程度還有待進一步提高[4-6]。

2 基于圖像的尿沉渣分析

2.1 圖像采集、預處理

基于圖像的尿沉渣分析是將鏡檢與圖像處理技術相結合，既具有鏡檢的確證性，同時又利用了計算機強大的處理能力。通過在顯微鏡上加裝CCD攝像頭對光學圖像進行光電轉換輸入圖像采集卡，然后把圖像輸入計算機，接著對圖像進行預處理，再采用各種合適算法進行特征提取，做出判斷，如圖1所示。

2.2 分類識別計數(shù)處理

對所獲取的圖像進行預處理得到二值圖像以后，就可以運用各種過程和算法對圖像進行分割和識別，在此過程中所采用的圖像分割與特征提取算法以及整個處理過程對最后的識別結果很重要。目前許多技術都被用到圖像處理識別中，如神經(jīng)網(wǎng)絡、遺傳算法、支持向量機、免疫算法等，并且都獲得了一定的效果[7-13]。識別處理是整個分析系統(tǒng)最重要和關鍵的部分，最終識別率的高低以及自動識別程度主要由此決定，最后按一定的標準形式保存和輸出處理結果。

3 尿沉渣圖像分析儀

圖像分析儀又稱圖像分析系統(tǒng) （ImageAnalysis System），主要用來解決如何客觀地、較精確地用數(shù)字來表達存在于標本中的各種信息，它已經(jīng)成為一種實用有力的科學研究工具，并且在逐漸展現(xiàn)出巨大的潛能。圖像中包含著極其豐富的內容，是人們從客觀世界中獲得信息的重要手段，因此，正確地處理圖像從而獲取有用信息已成為圖像處理技術中的重要課題。

3.1 尿沉渣圖像分析儀硬件部分構成

尿樣本經(jīng)過染色、涂片后放在顯微鏡下，調焦至最清晰狀況，然后由CCD將此時圖像轉換為電信號輸入到圖像采集卡，再由圖像采集卡將圖像的電信號轉換為數(shù)字圖像輸出至計算機，最后經(jīng)過處理的圖像和各種處理結果一同輸出到輸出裝置，如圖2所示。

圖2 尿沉渣分析硬件系統(tǒng)

3.2 尿沉渣圖像分析儀軟件部分設計

對圖像的預處理后得到二值圖像，然后對有形成分進行分割、邊沿跟蹤、特征選擇、類聚與分類。也可以建立知識模塊，把醫(yī)生對有形成分分類的知識符號化，組成知識模塊，經(jīng)過學習與模糊推理得出分類結果[14]。軟件的實現(xiàn)處理過程如圖3所示。

圖3 尿沉渣分析及分類軟件系統(tǒng)

4 分析標準化

目前許多已開發(fā)出來的尿沉渣分析儀所標稱的識別率雖然很高，但都是在使用特殊圖片處理下得到的結果，不具有廣泛性和可比性。因此可以對采用各種不同算法、不同廠家生產(chǎn)的尿沉渣分析儀性能的對比判斷有一個統(tǒng)一的標準。分析標準化包括：（1）對尿液收集的規(guī)范、何時收取以及收集量的多少、是否離心以及使用多大的玻璃片來制作沉渣涂片作出規(guī)定；（2）制定出檢驗用的標準圖像庫；（3）對識別計數(shù)結果表示的標準化。本文對尿沉渣分析的原理及目前所采用的技術特點進行了歸納，重點介紹了基于圖像的尿沉渣有形成分識別計數(shù)方法，對基于圖像處理方法研制的尿沉渣分析儀進行了說明，同時指出對尿沉渣分析標準化的重要性。雖然目前已開發(fā)出不少尿沉渣分析儀，但是在識別率及自動識別程度上還不是很讓人滿意，仍還有許多問題有待解決。

[1]鄭善鑾，蘇明權，郝曉柯.尿液沉渣分析系統(tǒng)的研制及其數(shù)據(jù)管理系統(tǒng)的開發(fā)[J].醫(yī)療衛(wèi)生裝備，2003（10）：71-72.

[2]范瑋琦，劉曉，張宏勛.血細胞的圖像檢測方法研究[J].儀器儀表學報，1996（6）：305-307.

[3]胡曉波，熊立凡，王鴻利.全自動尿有形成分分析儀及其臨床應用[J].現(xiàn)代醫(yī)學儀器與應用，1998，10（1）：9-11.

[4]王凱，張建正.尿顯微圖像中細胞自動識別與分類的研究與分析系統(tǒng)的實現(xiàn)[J].儀器儀表學報，2000，21（6）：648-650.

[5]KING C.Automated methods in urinalysis[J].Clin Lab Sci， 1998，11：44-46.

[6]叢玉隆，馬俊龍.尿液干化學分析與顯微鏡檢查[J].中華醫(yī)學檢驗雜志，1997，20：135-137.

[7]李根乾，余心宏，羅子健.計算機信號處理的細胞識別診斷系統(tǒng)[J].中國科學基金，2000，（1）：57-59.

[8]Zhen Ningfeng， TANIGUCHI K， WATANAEIE S， et al.A precise classifier for thesubstancesin urinarysediment images based on neural networks and fuzzy reasoning[C].2000 IEEE International Conference on Systems， Man， and Cybernetiss，2003（3）：1928-1933.

[9]Lin Wei， Xiao Jianhong， TZANAKOU E M.A computational intelligence system for cell classification[C].Proceedings of International Conference on Information Technology Application in Biomedicine， 1998：105-109.

[10]Liu Binghan，F(xiàn)ang Xiuduan，Wang Weizhi，et al.Automatic separation of overlapping objects[C].Proceedings of the 4th World Congress on Intelligent Control and Automation，2002：2901-2905.

[11]He Wei，WILDER J.Nucleus shape recognition for an automated hematology analyzing system[C].Proceedings of the Second Joint Engineering in Medicine and Biology，2002 24th AnnualConference and the AnnualFall Meeting ofthe BiomedicalEngineeringSociety EMBS/BMES Conference， 2002（2）：1043-1044.

[12]王洪元，石澄賢，曾生根，等.癌細胞顯微圖像分割與識別研究[J].計算機工程與應用，2003（36）：214-216.

[13]張燕寧，黃偉華，侯建軍.采用一種新的馬爾可夫模型進行癌癥醫(yī)學圖像分割[J].北方交通大學學報，2003，27（5）：42-45.

[14]蔣紅兵，夏永祥，馬建寧，等.尿沉渣分析儀的研制[J].中國醫(yī)療器械雜志，2002，26（2）：112-114.