齊天白

白細(xì)胞自動分類系統(tǒng)的設(shè)計

齊天白①

目的：設(shè)計一種白細(xì)胞自動識別分類系統(tǒng)，并對該系統(tǒng)進(jìn)行評價，以解決臨床實驗室人工顯微鏡檢查速度慢、檢測結(jié)果不準(zhǔn)確的問題。方法：采用MATLAB軟件實現(xiàn)圖像處理和算法分類，系統(tǒng)軟件由數(shù)字圖像處理模塊、自動分析模塊組成。通過分類器功能模塊，進(jìn)行判別函數(shù)的分類決策，并對系統(tǒng)進(jìn)行仿真實驗檢測。結(jié)果：通過系統(tǒng)仿真實驗，對樣本細(xì)胞進(jìn)行了檢測，檢測的識別精度達(dá)到93%，識別速度達(dá)到97.8個/s。結(jié)論：白細(xì)胞自動分類系統(tǒng)不僅降低人力消耗，而且提高白細(xì)胞檢測精度和檢測速度，具有一定的臨床應(yīng)用意義。

白細(xì)胞分類；MATLAB軟件；分類器；系統(tǒng)仿真實驗

齊天白,男,(1984- ),碩士，工程師。湖州市第三人民醫(yī)院設(shè)備科，從事醫(yī)療器械的臨床使用和維護(hù)研究工作。

白細(xì)胞分類對臨床診斷具有重要價值，為此臨床專家呼吁要重視外周血細(xì)胞形態(tài)學(xué)檢測[1]。臨床檢測中，經(jīng)過血液分析儀初篩后仍有相當(dāng)一部分標(biāo)本需要檢驗科技師進(jìn)行顯微鏡的鏡檢，而這也是當(dāng)前血細(xì)胞形態(tài)學(xué)檢查的主要方法[2]。目前，大型醫(yī)院的門診住院人數(shù)逐年增加，為提高患者各類樣本的檢測效率，本研究設(shè)計一種白細(xì)胞自動分類系統(tǒng)，通過模糊模式識別的方法對白細(xì)胞進(jìn)行分類，將顯微鏡下的模擬圖像轉(zhuǎn)換成數(shù)字圖像，通過對白細(xì)胞的分割圖像和特征識別，從而達(dá)到白細(xì)胞的自動分類識別的目的。

1 白細(xì)胞自動分類系統(tǒng)設(shè)計

白細(xì)胞自動識別分類系統(tǒng)的設(shè)計由硬件系統(tǒng)和軟件系統(tǒng)組成[3]。

1.1 硬件系統(tǒng)結(jié)構(gòu)

硬件系統(tǒng)由Olympus BXx-51顯微鏡(日本，奧林巴斯公司)、TK-9250EC CCD攝像機(日本，JVC公司)、T6900C計算機(北京，聯(lián)想集團(tuán))以及顯示器組成，其結(jié)構(gòu)如圖1所示；

圖1 硬件系統(tǒng)結(jié)構(gòu)圖

采用MATLAB軟件實現(xiàn)圖像處理和算法分類，軟件開發(fā)環(huán)境采用Windows作為操作系統(tǒng)。白細(xì)胞分類系統(tǒng)操作界面如圖2所示。

圖2 白細(xì)胞分類系統(tǒng)操作界面圖

1.2 軟件系統(tǒng)設(shè)計

軟件設(shè)計主要由數(shù)字圖像處理模塊、自動分析模塊以及數(shù)據(jù)庫管理模塊組成。

(1)數(shù)字圖像處理模塊。設(shè)計主要實現(xiàn)白細(xì)胞圖像的預(yù)處理工作，包括對樣本細(xì)胞圖像的顏色模型轉(zhuǎn)換和圖像分割兩部分。數(shù)字圖像處理模塊是自動分析模塊的基礎(chǔ)[4]。

(2)自動分析模塊。將數(shù)字圖像處理模塊中的基本功能進(jìn)行模糊模式識別算法的結(jié)合，完成白細(xì)胞圖像自動分類任務(wù)。

(3)數(shù)據(jù)庫管理模塊。此模塊主要完成數(shù)據(jù)的管理工作，包括測試樣本的數(shù)據(jù)庫和分類結(jié)果數(shù)據(jù)。

1.3 分類器設(shè)計

(1)分類器設(shè)計步驟。①選擇訓(xùn)練樣本集，計算隸屬度函數(shù)[7]；②在圖像的特征空間內(nèi)對每類樣本進(jìn)行統(tǒng)計分析，訓(xùn)練學(xué)習(xí)分類器，計算可靠值；③掃描整個數(shù)據(jù)庫，分別計算每個數(shù)據(jù)的低速度函數(shù)值；④根據(jù)決策規(guī)則，進(jìn)行決策分類。

(2)多類分類器與兩類分類器的設(shè)計。分類器是由硬件和軟件組成的功能模塊，主要用于判別函數(shù)的分類決策，因此判別函數(shù)的確定十分重要[5]。分類器首先計算出N個判別函數(shù)，再從中選出對應(yīng)于判別函數(shù)為最大值的類作為決策結(jié)果[6]。多類分類器的結(jié)構(gòu)如圖3所示。

圖3 多類分類器構(gòu)成示圖

目前需要分類器處理的圖像內(nèi)容主要是圖像大或小和顏色為藍(lán)色或紫紅色兩類。因此，本研究設(shè)計兩類分類器，其結(jié)構(gòu)如圖4所示。

圖4 兩類分類器結(jié)構(gòu)示圖

2 白細(xì)胞自動分類系統(tǒng)檢測實驗

2.1 白細(xì)胞檢測系統(tǒng)基礎(chǔ)

檢測對象為外周血細(xì)胞涂片，經(jīng)過顯微圖像采集和篩選后的細(xì)胞圖像為檢測對象[8]。檢測對象的形態(tài)特征顯著，并經(jīng)過專家確認(rèn)。

(1)檢測目的。為使細(xì)胞圖像有統(tǒng)一標(biāo)準(zhǔn)，使細(xì)胞識別的考核有統(tǒng)一標(biāo)準(zhǔn)，同時使系統(tǒng)有可操作的檢驗平臺，要求對酸細(xì)胞、堿細(xì)胞的比例大于病理診斷的最低限[9]。

(2)總體指標(biāo)。①檢測項目：白細(xì)胞，淋巴細(xì)胞、淋巴細(xì)胞百分比(LY%)及淋巴細(xì)胞核面積，中性粒細(xì)胞、中性粒細(xì)胞百分比(N%)及中性粒細(xì)胞核面積，堿性粒細(xì)胞、堿性粒細(xì)胞百分比(BA%)及堿性粒細(xì)胞核面積，酸性粒細(xì)胞、酸性粒細(xì)胞百分比(EO%)及酸性粒細(xì)胞核面積；②單一樣本的平均檢驗時間＜2 min；③人工干預(yù)后與人工鏡檢符合率≥95%(與專家判斷的數(shù)據(jù)庫有關(guān))；④單一涂片的重復(fù)率≥90%；⑤自動識別的精度≥90%。

(3)檢驗中的白細(xì)胞比例的定義。參照中國醫(yī)學(xué)科學(xué)院血液學(xué)研究所的外周血白細(xì)胞計數(shù)的參考值：①中性粒細(xì)胞為0.46%～0.64%；②酸性粒細(xì)胞為0～0.05%；③堿性粒細(xì)胞為0～0.01%；④淋巴細(xì)胞為0.24%～0.47%；⑤單核細(xì)胞為0.01%～0.07%。

為使檢驗指標(biāo)對酸性、堿性粒細(xì)胞具有較強的檢測能力，并滿足病理診斷的要求，對于識別軟件的考核綜合評價指標(biāo)中，提高酸性、堿性細(xì)胞的權(quán)重到10%，提高單核細(xì)胞的權(quán)重到15%。降低中性粒細(xì)胞的權(quán)重到45%，降低淋巴細(xì)胞的權(quán)重到20%。即：LY%=20%，N%=45%，MO%=15%，EO%=10%，BA%=10%。

(4)特征提取。對白細(xì)胞圖像進(jìn)行特征提取時，環(huán)境條件包括光線環(huán)境、樣本制作條件及硬件設(shè)備條件(顯微鏡和圖像采集設(shè)備)。白細(xì)胞顯微圖像如圖5所示。

圖5 白細(xì)胞顯微圖(×100)

本研究采用圖像面積(A)度量細(xì)胞、細(xì)胞核、顆粒和細(xì)胞漿的大小；采用色度(H)度量細(xì)胞、細(xì)胞核、顆粒和細(xì)胞漿的顏色特征，采用類圓度(F)度量細(xì)胞、細(xì)胞核和顆粒的類圓程度；采用充實度(SOL)度量核的凹凸程度，在圖像特征空間里將血細(xì)胞進(jìn)行分類。以淋巴細(xì)胞為例得到的細(xì)胞分割，如圖6所示。

圖6 淋巴細(xì)胞分割示圖

2.2 檢測指標(biāo)精度定義

(1)自動識別的錯誤率用E表示。以細(xì)胞圖像特征顯著，經(jīng)專家確認(rèn)的外周血白細(xì)胞作為考核對象，分別對淋巴細(xì)胞、中性粒細(xì)胞、單核細(xì)胞、堿性粒細(xì)胞以及酸性粒細(xì)胞進(jìn)行識別，自動識別的錯誤率E的計算為公式1：

式中El為淋巴細(xì)胞識別的錯誤率；Eg為中性粒細(xì)胞識別的錯誤率；Em為單核細(xì)胞識別的錯誤率；Eb為堿性粒細(xì)胞識別的錯誤率；Ee為酸性粒細(xì)胞識別的錯誤率。LY%=20%，N%=45%，MO%=15%，EO%=10%，BA%=10%。

(2)自動識別的精度用PR表示。PR的計算為公式2：

(3)單一樣本的平均檢驗時間(T)。以細(xì)胞圖像特征顯著，經(jīng)專家確認(rèn)的外周血白細(xì)胞作為考核對象，分別對淋巴細(xì)胞、中性粒細(xì)胞、單核細(xì)胞、堿性粒細(xì)胞以及酸性粒細(xì)胞進(jìn)行識別，每一百個上述6類細(xì)胞識別的時間分別用字母Tl、Tg、Tm、Tb、Te及Tab表示，自動識別的平均檢驗時間T的計算為公式3：

(4)人工干預(yù)后的錯誤率用EM表示。以細(xì)胞圖像特征顯著，經(jīng)專家確認(rèn)的外周血白細(xì)胞作為考核對象，分別對淋巴細(xì)胞、中性粒細(xì)胞、單核細(xì)胞、堿性粒細(xì)胞以及酸性粒細(xì)胞進(jìn)行識別，自動識別后，人工檢查識別結(jié)果，并對識別結(jié)果進(jìn)行修正，修正后上述6類細(xì)胞的錯誤率分別用EMl、EMg、EMm、Emb和EMe表示，人工干預(yù)后的錯誤率EM的計算為公式4：

(5)人工干預(yù)后與人工鏡檢符合率用PRm表示，PRm的計算為公式5：

2.3 檢測結(jié)果及分析

在完成理論和仿真工作后，需要通過實驗完成系統(tǒng)檢測。檢測所用標(biāo)本均由湖州市第三人民醫(yī)院兩位檢驗科技師共同采集，采集時間＜3 h。所有標(biāo)本立刻進(jìn)行檢驗，均需通過白細(xì)胞自動分類系統(tǒng)和一位工齡＞10年的檢驗科中級技師進(jìn)行顯微鏡人工分類鏡檢，并設(shè)定人工鏡檢數(shù)據(jù)為最終準(zhǔn)確結(jié)果值。由于目前對異常細(xì)胞未進(jìn)行形態(tài)測試和確認(rèn)，僅對5種正常外周血細(xì)胞進(jìn)行測試，為了在對樣本訓(xùn)練時獲得較好的收斂性，本研究采用歸一化處理方法，對輸入數(shù)據(jù)進(jìn)行歸一化處理[9]。所有標(biāo)本分別處理后得到的實驗原始記錄見表1(5種正常細(xì)胞檢測結(jié)果)；并通過表1的正確數(shù)量和總檢測數(shù)量相比，分別計算出誤識率和符合率見表2(識別程序誤識率測試結(jié)果)；測試時間的統(tǒng)計見表3(每100個細(xì)胞的測試時間表)。

表1 5種正常細(xì)胞檢測結(jié)果

表2 識別程序誤識率測試結(jié)果

表3 每100個細(xì)胞的測試時間表

3 討論

表1結(jié)果計算可得到五類細(xì)胞的總的誤識率和符合率，表2識別程序誤識率測試結(jié)果表，以及算出這五類細(xì)胞的檢測速度。表2顯示，使用該白細(xì)胞自動識別分類系統(tǒng)進(jìn)行檢測，中性細(xì)胞數(shù)量最多，權(quán)重占到了45%，而誤識率最低，僅為5.45%，酸性細(xì)胞和堿性細(xì)胞權(quán)重分別為10%，誤識率也分別接近18.4%和14%，單核細(xì)胞占了測試細(xì)胞的15%，誤識率為11.3%，淋巴細(xì)胞接近20%，誤識率為7.45%。該程序的總誤識率為7%，符合率高達(dá)93%，效果十分理想。表3顯示，檢測占45%權(quán)重的中性細(xì)胞最快，每100個細(xì)胞用時87 s。每100個酸性細(xì)胞檢測用時97 s，每100個堿性細(xì)胞用時154 s，每100個單核細(xì)胞用時117 s，每100個淋巴細(xì)胞用時80 s，由此可得出每100個測試細(xì)胞用時為97.8 s，極大縮短了檢測時間。而正確率完全在誤差允許范圍內(nèi)。

4 結(jié)論

本研究設(shè)計的白細(xì)胞自動識別分類研究系統(tǒng)基本硬件結(jié)構(gòu)由顯微鏡、CCD攝像機、計算機及顯示器組成。采用MATLAB軟件實現(xiàn)圖像處理和算法分類[10-11]。系統(tǒng)軟件由數(shù)字圖像處理模塊、自動分析模塊組成。該系統(tǒng)主要通過分類器功能模塊，進(jìn)行判別函數(shù)的分類決策[12]。本研究通過大量反復(fù)的實驗操作，最后通過系統(tǒng)仿真實驗，對樣本細(xì)胞進(jìn)行了檢測，其檢測識別精度達(dá)到93%，速度達(dá)到每100個細(xì)胞的測試時間為97.8 s[13]。本研究結(jié)果表明，白細(xì)胞圖像語義識別研究有效可行，能夠很好的解決白細(xì)胞實時檢測時的精度和速度問題[14-15]。而之前的醫(yī)學(xué)圖像識別領(lǐng)域，多數(shù)的研究者采用神經(jīng)網(wǎng)絡(luò)識別、支持向量機以及K均值算法等模式識別方法來進(jìn)行相關(guān)的研究。

本研究探討用模糊模式來設(shè)計一種白細(xì)胞自動分類系統(tǒng)，用顯微鏡下的細(xì)胞圖像變成數(shù)字圖像，通過對白細(xì)胞形態(tài)語義特征通過模糊識別的方法來進(jìn)行識別，達(dá)到白細(xì)胞自動分類的目的，并且縮短了檢測時間，為現(xiàn)代醫(yī)學(xué)血液診斷提供了理論參考價值和工程應(yīng)用價值。

[1]劉敏，郭曉英，曹艷菲.淺談白細(xì)胞分類計數(shù)方法及臨床意義[J].家庭心理醫(yī)生，2015(6)：116-117.

[2]Huang DC，Huang KD，Chan YK.A computer assisted method for leukocyte mucleus segmentation and recognition in blood smear images[J]. J Syst Softw，2012，85(9)：2104-2118.

[3]Yu H，Ok CY，Hesse A，et al.Evaluation of an automated digital imaging system，Nextslide Digital Review Network，for examination of peripheral blood smears[J].Arch Pathol Lab Med，2012，136(6)：660-667.

[4]Li Y，Zhu R，Qian Y，et al.The Characteristics of Blood Glucose and WBC Counts in Peripheral Blood of cases of Hand Foot and Mouth Diseasa in China：A Systematic Review[J].Plos One，2012，7(17)：e29003.

[5]徐寧，王棟，李曼，等.血液白細(xì)胞圖像自動識別系統(tǒng)開發(fā)與應(yīng)用[J].實驗技術(shù)與管理，2012，29(12)：44-47.

[6]屈晨雪，吳雪蓮，戴菊華，等.流式細(xì)胞術(shù)在外周血白細(xì)胞分類計數(shù)中的應(yīng)用[J].中華檢驗醫(yī)學(xué)雜志，2016，39(5)：389-392.

[7]Khashman A.Investigation of different neural models for blood cell type identification[J]. NNeural Comput Appleural Computing and Ap plications，2012，21(6)：1171-1183.

[8]Gondek LP，DeZern AE.I walk the line：How to tell MDS from other bone marrow failure conditions[J].Curr Hematol Malig Rep，2014，9(4)：389-399.

[9]Wuilleme S，Le Bris Y.Misleading acute promyelocytic leukemia morphology[J].Blood，2015，125(24)：3815.

[10]Gasper BL，Sherma P，Das R.Anemia in malignancies：pathogenetic and diagnostic consideratings[J].Hematology，2015，20(1)：18-25.

[11]Rollins-Raval MA，Raval JS，Contis L.Experience with Cella Vision DM96 for peripheral blood differentials in a large multi-center academic hospital system[J].J Pathol Inform，2012，3(25)：29-32.

[12]Maenou I，Tabe Y，Bengtsson HI，et al. Performance evaluation of the autom-ated morphological analysis of erythrocytes by CellaVision DM96[J].Clin Lab，2013，59(11-12)：1413-1417.

[13]Bitencourt ED，Voegeli CF，Gabriela DS.Validation of the sysmex sp-1000i automated slide preparer-stainer in a clinical laboratory[J].Rev Bras Hematol Hemoter，2013，35(6)：404-408.

[14]中華醫(yī)學(xué)會血液學(xué)分會實驗診斷血液學(xué)學(xué)組.血細(xì)胞形態(tài)學(xué)分析中國專家共識(2013年版)[J].中華血液學(xué)雜志，2013，34(6)：558-560.

[15]刑瑩，閆曉華，普程偉，等.全自動數(shù)字圖像分析在外周血白細(xì)胞形態(tài)學(xué)復(fù)檢中的臨床應(yīng)用[J].中華醫(yī)學(xué)雜志，2016，96(8)：634-639.

A design of automatic classification system for leukocyte

/QI Tian-bai//
China Medical Equipment,2017,14(3):16-20.

Objective: To design a automatic classification system for leukocytes in order to increase detection speed of manual microscope inspection and reduce the inaccurate detected results in clinical laboratory; and to evaluate this system. Methods: In this system, the image processing and algorithm classifying were achieved by MATLAB software consisted of digital image processing module and automatic classification module. Classification decision for discrimination function and simulated detection for this system were achieved by using automatic classification module. Results: In the simulation experiments, the detection results for sample cell demonstrated the recognition accuracy can achieve to 93% and the speed canachieve to 97.8 cells per second for this system. Conclusion: The automatic recognition and classification system for leukocyte not only reduces human consumption, but also improves the detection accuracy and detection speed for leukocyte, and it has some significant in clinical application.

Leukocyte classification; MATLAB software; Classifier; System simulation experiment

1672-8270(2017)03-0016-05

R197.324

A

10.3969/J.ISSN.1672-8270.2017.03.004

2016-12-05

①湖州市第三人民醫(yī)院設(shè)備科 浙江 湖州 313000

[First-author’s address] Department of Equipment, Huzhou Third Municipal Hospital, Huzhou 313000, China.