懷聽聽，趙建偉，曹飛龍，呂永標(biāo)，楚建軍

（1.中國計(jì)量學(xué)院 理學(xué)院，浙江 杭州 310018；2.嘉善加斯戴克醫(yī)療器械有限公司，浙江 嘉興 314100）

眾所周知，血液中各類白細(xì)胞的計(jì)數(shù)是醫(yī)學(xué)血常規(guī)檢查的主要項(xiàng)目之一.臨床上醫(yī)護(hù)人員常以血常規(guī)檢查中各類白細(xì)胞的數(shù)目以及形態(tài)學(xué)特征作為系統(tǒng)疾病診斷的重要依據(jù).根據(jù)細(xì)胞的不同形態(tài)和大小，白細(xì)胞主要分為嗜堿性粒細(xì)胞、嗜酸性粒細(xì)胞、淋巴細(xì)胞、單核細(xì)胞和中性粒細(xì)胞［1］.

傳統(tǒng)手工操作的血常規(guī)檢查除了工作量大、效率低等缺點(diǎn)外，還容易受人為因素的影響.隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的快速發(fā)展，數(shù)字圖像處理技術(shù)被廣泛應(yīng)用于醫(yī)學(xué)顯微圖像研究領(lǐng)域.而血液白細(xì)胞圖像自動(dòng)分類識(shí)別技術(shù)正是這一應(yīng)用的體現(xiàn)，它不僅可以解決白細(xì)胞人工計(jì)數(shù)方法存在的問題，而且還具有圖片可保存、便于以后查驗(yàn)分類等優(yōu)點(diǎn).

一般來說，白細(xì)胞自動(dòng)識(shí)別技術(shù)主要包括圖像采集、圖像分割、特征提取和分類四個(gè)方面，其中特征提取和分類是關(guān)鍵.目前，許多文獻(xiàn)利用特征方法和分類器對(duì)白細(xì)胞進(jìn)行自動(dòng)識(shí)別的研究［2－8］.其中，文獻(xiàn)［6］提出的白細(xì)胞自動(dòng)分類識(shí)別方法是利用序列前向選擇算法（sequential forward selection，SFS）對(duì)白細(xì)胞的二十多種形態(tài)和幾何特征進(jìn)行不同維數(shù)的約減和選擇，并分別采用支持向量機(jī)（support vector machine，SVM）分類器和人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）對(duì)五類白細(xì)胞進(jìn)行分類.實(shí)驗(yàn)證明該分類方法的結(jié)果不僅與特征的選擇有關(guān)，而且受分類器類型的影響.文獻(xiàn)［7］采取了分層支持向量機(jī)的方法（hierarchical SVM，HSVM）對(duì)五類白細(xì)胞進(jìn)行識(shí)別，該方法可以減少分類提取的特征數(shù)目并降低每一層的分類復(fù)雜度，但是存在誤差逐層傳遞且得不到修正的問題，從而影響最終的分類效果.文獻(xiàn)［8］提出了一種基于集成特征和隨機(jī)森林的白細(xì)胞分類方法（ensemble features and random forest，EFRF），該方法利用隨機(jī)森林分類算法對(duì)細(xì)胞核圖像上提取的若干個(gè)特征進(jìn)行分類，實(shí)驗(yàn)取得了比SVM分類器更好的識(shí)別效果.然而，EFRF在細(xì)胞核的特征選取上存在不足，即所選的特征不具有代表性，以致難以表達(dá)各類白細(xì)胞之間的差異，特別是三類顆粒細(xì)胞，因?yàn)槠浼y理和顏色特征大部分集中在細(xì)胞質(zhì)上.

特征的提取和分類器的選擇是繼白細(xì)胞圖像分割之后影響分類結(jié)果的重要因素.提取每一類白細(xì)胞最顯著性的特征，對(duì)于有效區(qū)分五種細(xì)胞類型是十分關(guān)鍵的.為此，我們將提取細(xì)胞核和細(xì)胞質(zhì)中的某些重要信息作為綜合特征，提取常用的核質(zhì)比和圓形度特征加大白細(xì)胞之間的類別區(qū)分度.同時(shí)，針對(duì)細(xì)胞核形狀的多樣性，引入積分不變量［11］提取白細(xì)胞的細(xì)胞核形狀特征.該形狀特征不受細(xì)胞核的尺度變換和旋轉(zhuǎn)變換的影響.另外，我們引入旋轉(zhuǎn)不變共生局部二值模式（pairwise rotation invariant Co－Occurrence local binary pattern，PRICoLBP）［9］來描述三類顆粒細(xì)胞之間的差異信息以及細(xì)胞質(zhì)的顏色特征.將該特征用于顆粒細(xì)胞的識(shí)別，有利于提高算法的識(shí)別精度.最后利用運(yùn)行速度快、識(shí)別精度高的隨機(jī)森林作為分類器對(duì)上述所提取的綜合化了的四類特征進(jìn)行分類.實(shí)驗(yàn)證明我們所提出的白細(xì)胞分類方法比其他白細(xì)胞分類方法具有更高的分類精度，而且分類所需要的特征數(shù)目也遠(yuǎn)少于其他方法.

1 基于綜合特征和隨機(jī)森林的白細(xì)胞分類方法

提取白細(xì)胞的一些重要特征，如關(guān)于紋理、顏色和形態(tài)方面的特征，再結(jié)合隨機(jī)森林作為分類器，設(shè)計(jì)了一種高效的白細(xì)胞分類算法.具體流程見圖1.

在分割的細(xì)胞圖像中，首先提取細(xì)胞的核質(zhì)比、細(xì)胞核的圓形度、RGB顏色通道的PRICoLBP特征和細(xì)胞核的形狀特征；其次，對(duì)細(xì)胞核的形狀特征利用k－means算法進(jìn)行中心聚類，并把所有的細(xì)胞核形狀與每一類細(xì)胞核的形狀中心的距離作為細(xì)胞核形狀特征的表示；同時(shí)，針對(duì)PRICoLBP特征具有維數(shù)高以及隨機(jī)森林節(jié)點(diǎn)屬性隨機(jī)選擇的特點(diǎn)，利用SVM分類器獲取PRICoLBP特征在五類白細(xì)胞上的“分?jǐn)?shù)”，即該特征屬性在每一類白細(xì)胞上的區(qū)分度，并以此替代原來維數(shù)過高的紋理PRICoLBP特征；然后，對(duì)上述提取的四個(gè)白細(xì)胞特征進(jìn)行組合并作歸一化處理；最后，選取效率高的隨機(jī)森林作為分類器對(duì)上述特征進(jìn)行識(shí)別，從而確定五類白細(xì)胞.

圖1 基于綜合特征和隨機(jī)森林的白細(xì)胞分類方法Figure 1 A classification method based on synthetic feature and random forest for WBC

1.1 特征提取

五類成熟白細(xì)胞在細(xì)胞核的形狀、大小和細(xì)胞質(zhì)的顏色以及顆粒信息等方面存在不同程度的差異性，圖2是五類成熟白細(xì)胞的圖像.

圖2 五類白細(xì)胞示意圖Figure 2 Five types of WBC

從圖2所示的白細(xì)胞圖像上，我們可以看出細(xì)胞核的形狀可以呈現(xiàn)多葉或單葉狀態(tài)，不同時(shí)期的細(xì)胞核形態(tài)又不完全相同.對(duì)于顆粒細(xì)胞來說其主要特征幾乎都呈現(xiàn)在細(xì)胞質(zhì)的顆粒和顏色上，這也是醫(yī)學(xué)上用來區(qū)分顆粒和無顆粒細(xì)胞的重要依據(jù).因此，在分割的細(xì)胞核和細(xì)胞質(zhì)圖像上，我們提取了白細(xì)胞的如下特征：核質(zhì)比、細(xì)胞核的圓形度、PRICoLBP特征和形狀特征等.下面詳細(xì)闡述本文所選取的白細(xì)胞的重要特征.

1.1.1 核質(zhì)比特征

白細(xì)胞的細(xì)胞核與細(xì)胞質(zhì)的面積之比簡(jiǎn)稱為核質(zhì)比R，可以表示為

其中：Snuc—細(xì)胞核面積，Scyt—細(xì)胞質(zhì)面積.五類白細(xì)胞中，淋巴細(xì)胞與單核細(xì)胞的核質(zhì)比存在差異最大.

1.1.2 圓形度特征

圓形度C是用來描述細(xì)胞核形狀類圓度特征，其數(shù)學(xué)表達(dá)式為

式（2）中：P—細(xì)胞核邊界的周長(zhǎng).圓形度越接近于1表示細(xì)胞核形狀越接近圓形，0表示非圓.五類白細(xì)胞中，淋巴細(xì)胞的細(xì)胞核圓形度最大.

1.1.3 旋轉(zhuǎn)不變共生局部二值模式特征

PRICoLBP是在局部二值模式（Local Binary Pattern，LBP）［10］上的變形和改進(jìn).LBP是一種對(duì)灰度變換和旋轉(zhuǎn)變換都具有不變性的紋理特征，由于其能較好地刻畫圖像的紋理特性并且計(jì)算簡(jiǎn)單，因此它在圖像分類和人臉識(shí)別領(lǐng)域有廣泛地應(yīng)用.PRICoLBP特征是對(duì)兩個(gè)相對(duì)不同位置上的LBP紋理特征的結(jié)合，它可以表示成如下的數(shù)學(xué)形式：

其中：LBPru（A），LBPu（B，i（A））—A 點(diǎn)的旋轉(zhuǎn)不變LBP特征和B點(diǎn)的一致LBP特征.B是相對(duì)于A點(diǎn)的一個(gè)坐標(biāo)，它的位置由A點(diǎn)唯一確定.記A點(diǎn)的梯度方向和法方向分別為g（A）和n（A），則B點(diǎn)的位置計(jì)算如下：

其中a和b為常量.

PRICoLBP特征集合了A、B兩點(diǎn)的LBP特征的同時(shí)又加入了它們之間的角度信息，使得它能夠更強(qiáng)地描述紋理和空間的結(jié)構(gòu)信息，并且它具有共生旋轉(zhuǎn)不變性，如圖3.

由于顆粒細(xì)胞的細(xì)胞質(zhì)中還包含著大量的顏色信息，為了進(jìn)一步描述細(xì)胞質(zhì)的顏色特征和局部結(jié)構(gòu)信息，本文把PRICoLBP特征的提取擴(kuò)展到多尺度和多顏色通道上.在提取A點(diǎn)的紋理特征之前，我們先要根據(jù)式（4）確定B點(diǎn)的位置，然后通過計(jì)算式（3）得到這一點(diǎn)的PRICoLBP特征.文中選擇在RGB彩色圖像中提取白細(xì)胞在這三個(gè)顏色通道上的PRICoLBP特征，并設(shè)置該特征的多尺度模板參數(shù)為2.這樣，提取到的多顏色PRICoLBP紋理特征是一個(gè)3540維的向量.

為了降低PRICoLBP特征的維數(shù)，我們利用核函數(shù)為χ2距離的SVM分類器對(duì)PRICoLBP特征進(jìn)行降維.其目的是在不降低PRICoLBP特征描述力的情況下減少PRICoLBP特征對(duì)綜合特征中其它低維特征的影響.具體的過程是利用PRICoLBP特征和SVM分類器對(duì)白細(xì)胞進(jìn)行初步分類，得到SVM在五類白細(xì)胞上的一個(gè)類別判斷，并用它替代原來的PRICoLBP特征，從而使得PRICoLBP變成一個(gè)5維的向量.

通過實(shí)驗(yàn)發(fā)現(xiàn)多尺度多顏色的紋理特征PRICoLBP不僅能夠提取顆粒細(xì)胞的紋理還可以更好地描述細(xì)胞質(zhì)的顏色信息，在一定程度上增加了五類細(xì)胞之間的區(qū)分度，提高了細(xì)胞的總體分類精度.

1.1.4 基于積分不變量的形狀特征

白細(xì)胞的細(xì)胞核形狀可以分為類圓形、單葉核、多葉核和不規(guī)則形狀等，而且在不同成長(zhǎng)階段細(xì)胞核形狀又呈現(xiàn)出不同程度的差異.提取細(xì)胞核的形狀特征不僅對(duì)細(xì)胞分類有用，而且可以根據(jù)細(xì)胞核的形狀來確定白細(xì)胞所處的生長(zhǎng)時(shí)期，如晚幼或中幼的顆粒細(xì)胞.

為達(dá)到合理有效地描述細(xì)胞核的形狀特征，我們引入積分不變量［11］提取了白細(xì)胞的細(xì)胞核形狀特征.基于積分不變量的形狀特征SD（σ）可描述為

其中：Gρ— 高斯核函數(shù)為尺度參數(shù)，表示形狀目標(biāo)D的特征函數(shù).

為了在分類中進(jìn)一步合理利用細(xì)胞核的形狀特征，本文利用k－means聚類算法對(duì)每一類細(xì)胞核的形狀進(jìn)行中心聚類，計(jì)算所有形狀特征與中心形狀的距離，并把它作為最終的形狀表示用于分類實(shí)驗(yàn).

利用積分不變量提取的形狀特征不僅對(duì)尺度變換和旋轉(zhuǎn)具有不變性，而且對(duì)噪聲有一定的魯棒性.該特征對(duì)于多核和單核細(xì)胞具有很高的辨識(shí)度，同時(shí)對(duì)于判斷多葉的核細(xì)胞所處的生長(zhǎng)階段也有所幫助.

1.2 隨機(jī)森林分類器

隨機(jī)森林是由若干個(gè)相互獨(dú)立的決策樹構(gòu)成的一個(gè)多分類器［12］.每棵決策樹就是一個(gè)獨(dú)立的分類器｛h（x，θk，M）｜k＝1，2，…，N｝，其中 N 是樣本個(gè)數(shù)，｛θk，M｜k＝1，2，…，N｝是訓(xùn)練決策樹的樣本集合，x為測(cè)試樣本的特征向量.單棵決策樹的訓(xùn)練過程如下：在大小為N的原始樣本中按照有放回的bagging采樣規(guī)則進(jìn)行N次隨機(jī)采樣得到｛θk，M｝，把它作為決策樹根節(jié)點(diǎn)的訓(xùn)練樣本.決策樹在當(dāng)前節(jié)點(diǎn)的M維特征屬性中隨機(jī)選擇其中的m（m?M）維，并逐個(gè)計(jì)算它們的基尼不純度指數(shù).利用基尼不純度最小準(zhǔn)則選出不純度指數(shù)最小的特征，把它作為該節(jié)點(diǎn)的分裂屬性，由分裂函數(shù)把當(dāng)前樹在此節(jié)點(diǎn)分為左右兩支子樹，以此循環(huán)直到不能再分裂或到達(dá)葉子節(jié)點(diǎn)為止.

隨機(jī)森林分類包含了訓(xùn)練和測(cè)試兩部分，由于決策樹的訓(xùn)練是兩個(gè)隨機(jī)選擇的過程，所以決策樹的深度可以達(dá)到最大，在訓(xùn)練過程中不會(huì)出現(xiàn)過擬合的問題.隨機(jī)森林對(duì)一個(gè)新的測(cè)試樣本x分類，每棵決策樹會(huì)給出一個(gè)類別判斷，最后隨機(jī)森林綜合所有決策樹的投票.按照最大投票法則得出分類結(jié)果，即把每棵決策樹給出的分類看作是“選票”，隨機(jī)森林分類要選出得票數(shù)最多的那一類作為測(cè)試樣本的分類結(jié)果.

2 實(shí)驗(yàn)與分析

實(shí)驗(yàn)中所用到的白細(xì)胞圖像共有800張，其中60張是來自于Cellavision細(xì)胞數(shù)據(jù)庫網(wǎng)站上提供的標(biāo)準(zhǔn)白細(xì)胞圖片，其余的白細(xì)胞圖像都是由嘉善第一人民醫(yī)院提供的.一般來說，人體外周血液中五種白細(xì)胞所占的比例不同.其中嗜中性粒細(xì)胞占50%～70%，淋巴細(xì)胞占20%～40%，單核細(xì)胞占3%～8%，嗜酸性粒細(xì)胞占1%～5%，嗜堿性粒細(xì)胞不超過1%.考慮到上述事實(shí)，本文在設(shè)計(jì)實(shí)驗(yàn)時(shí)采用非均衡的方法對(duì)五類進(jìn)行采樣，以盡量貼近實(shí)際情況.實(shí)驗(yàn)中用到的白細(xì)胞具體數(shù)目如下：嗜堿性粒細(xì)胞16張、嗜酸性粒細(xì)胞15張、淋巴細(xì)胞269張、單核細(xì)胞21張和中性粒細(xì)胞479張.由于原始細(xì)胞圖像尺寸大小不一，本文實(shí)驗(yàn)中把細(xì)胞圖片的分辨率均調(diào)整為300×300，并且在每一類白細(xì)胞圖像中隨機(jī)選取50%的樣本作為訓(xùn)練樣本，剩余的細(xì)胞圖像作為測(cè)試樣本.文中所有實(shí)驗(yàn)均在 MATLAB 8.2.0（2013b），4核1.9GHz處理器和8GB RAM 環(huán)境下運(yùn)行.

實(shí)驗(yàn)中把提取的4個(gè)白細(xì)胞特征向量：細(xì)胞的核質(zhì)比、細(xì)胞核的圓形度特征、降維后的RGB顏色通道的PRICoLBP特征和基于積分不變量的形狀特征放到同一向量中，形成綜合特征.為了縮小綜合特征向量的不同分量之間取值量的巨大差異性，本文按照min－max標(biāo)準(zhǔn)化方法對(duì)它們作歸一化處理，從而應(yīng)用于隨機(jī)森林分類器中.

在隨機(jī)森林分類器中，我們?cè)O(shè)置其決策樹的個(gè)數(shù)為300，且每次用于隨機(jī)選擇最優(yōu)節(jié)點(diǎn)分裂的特征數(shù)目為默認(rèn)參數(shù)，一般取［］或［log2M＋1］，其中M為特征的維數(shù).實(shí)驗(yàn)過程共重復(fù)進(jìn)行100次，取其平均結(jié)果作為最終的分類精度.表1是本文所提出的方法在800張細(xì)胞圖像數(shù)據(jù)庫上與文獻(xiàn)［6］、［7］和［8］中的幾種白細(xì)胞分類方法的測(cè)試實(shí)驗(yàn)結(jié)果比較.

表1 白細(xì)胞分類實(shí)驗(yàn)結(jié)果Table 1 Classification results of white blood cell%

表1的實(shí)驗(yàn)結(jié)果表明本文所提的白細(xì)胞分類方法比文獻(xiàn)［6］、［7］和［8］中的方法有更好的分類效果.文獻(xiàn)［6］和文獻(xiàn)［7］采用細(xì)胞的一般形態(tài)學(xué)特征對(duì)顆粒細(xì)胞進(jìn)行識(shí)別，因此識(shí)別率相對(duì)比較低，從而導(dǎo)致平均識(shí)別結(jié)果不高.文獻(xiàn)［8］采用了隨機(jī)森林作為分類器對(duì)白細(xì)胞進(jìn)行分類，雖然在整體和樣本數(shù)目較多的細(xì)胞類型上取得了比前兩種方法（［6］和［7］）更好的分類結(jié)果，但是由于其缺乏細(xì)胞質(zhì)的紋理和顏色等信息，使得它在樣本數(shù)量較少的顆粒細(xì)胞上的精度不高.本文所提出的白細(xì)胞分類算法無論是從每一類白細(xì)胞的分類精度還是從平均識(shí)別結(jié)果上都要比文獻(xiàn)［6］、［7］和［8］中的方法要高，總體達(dá)到95%左右.其中嗜堿性粒細(xì)胞和嗜酸性粒細(xì)胞識(shí)別結(jié)果相對(duì)較低，主要是由于這兩類顆粒細(xì)胞數(shù)目較少，而且提取的特征容易受分割效果以及染色情況的影響.本文的分類方法之所以取得較好的識(shí)別結(jié)果，一方面是因?yàn)檫x取了有效描述白細(xì)胞的特征，另一方面是因?yàn)殡S機(jī)森林在分類上有較高的分類精度.

3 結(jié) 語

針對(duì)五類白細(xì)胞的細(xì)胞核和細(xì)胞質(zhì)的特性，在常用的核質(zhì)比和圓形度特征的基礎(chǔ)上，我們引入描述效果較好的PRICoLBP特征和形狀特征等，并選取高效的隨機(jī)森林作為上述特征的分類器.實(shí)驗(yàn)表明本文所提出的白細(xì)胞分類算法要優(yōu)于其他幾種分類方法，原因是本文選取的特征，特別是PRICoLBP特征和形狀特征能夠更有效地描述細(xì)胞質(zhì)的顏色、顆粒以及細(xì)胞核的形狀等信息，從而提高特征的區(qū)分度；同時(shí)，選擇的隨機(jī)森林分類器具有更高的分類精度.

本文所提出的白細(xì)胞分類算法只適用于正常的成熟白細(xì)胞，對(duì)于病變細(xì)胞或者其他類型的細(xì)胞，還需要根據(jù)不同細(xì)胞類型的特點(diǎn)選擇合適的特征.除此之外，如何進(jìn)一步提高顆粒細(xì)胞特別是嗜堿性粒細(xì)胞和嗜酸性粒細(xì)胞的識(shí)別精度還有待深入地研究.

［1］王曉霞.外周血細(xì)胞形態(tài)學(xué)檢查技術(shù)［M］.北京：人民衛(wèi)生出版社，2010：8－18.

［2］張立偉.白細(xì)胞顯微圖像分類研究［D］.哈爾濱：哈爾濱工程大學(xué)，2008.ZHANG Liwei.The classification research on microscopic leucocyte image［D］.Harbin：Harbin Engineering University，2008.

［3］PIURI V，SCOTTI F.Morphological classification of blood leucocytes by microscope images［C］／／Proceedings of 2004 IEEE International Conference on Computational Intelligence for Measurement Systems and Applications.Boston：IEEE，2004：103－108.

［4］莊楊凱.基于形狀特征學(xué)習(xí)的血液白細(xì)胞自動(dòng)分類研究［D］.杭州：浙江理工大學(xué)，2013.ZHUANG Yangkai.Automatic leukocytes classification based on morphological features learning［D］.Hangzhou：Zhejiang Sci－Tech University，2013.

［5］SARASWAT M，ARYA K V.Automated microscopic image analysis for leukocytes identification：A survey［J］.Micron，2014，65：20－33.

［6］REZATOFIGHI S H，SOLTANIAN－ZADEH H.Automatic recognition of five types of white blood cells in peripheral blood［J］.Computerized Medical Imaging and Graphics，2011，35（4）：333－343.

［7］TAI Weiliang，HU R M，HSIAO H C W，et al.Blood cell image classification based on hierarchical SVM［C］／／Proceedings of 2011IEEE International Symposium on Multimedia（ISM）.California：IEEE，2011：129－136.

［8］KO B C，GIM J W，NAM J Y.Cell image classification based on ensemble features and random forest［J］.Electronics Letters，2011，47（11）：638－639.

［9］QI Xianbiao，XIAO Rong，LI Chunguang，et al.Pairwise rotation invariant co－occurrence local binary pattern［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，36（11）：2199－2213.

［10］OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution gray－scale and rotation invariant texture classification with local binary patterns［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971－987.

［11］HONG B，SOATTO S.Shape matching using multiscale integral invariants［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（1）：151－160.

［12］BREIMAN L.Random forests［J］.Machine Learning，2001，45（1）：5－32.