鐘 亞 張 靜 肖 峻

(電子科技大學光電科學與工程學院，成都 610054)

引言

隨著科學技術的發(fā)展和自動化檢測設備的普及，越來越多的醫(yī)療設備為醫(yī)院和患者帶來了便利。其中，血液分析儀，經(jīng)過多年的發(fā)展已日趨成熟；糞便檢測儀，也由簡單的生化檢測到半自動，時至今日已有多家公司開發(fā)出了全自動的糞便檢測儀。然而，白帶檢測儀仍處于初期階段。在開發(fā)過程中，顯微圖像中細胞的自動檢測是體現(xiàn)儀器自動化與智能化的重要一環(huán)。

從醫(yī)學方面來講，白帶常規(guī)檢查作為婦科最常規(guī)的檢驗項目，有著相當廣泛的應用。白帶是女性陰道黏膜滲出物、宮頸腺體以及子宮內膜分泌物的混合物，生殖道發(fā)生病原菌感染均可從白帶常規(guī)檢查中檢出，區(qū)別陰道炎癥的種類及了解陰道內細菌情況，通過白帶清潔度的檢查可以判斷陰道內受污染的程度，間接評估感染的幾率及程度，有助于臨床診斷和治療工作，為其提供判斷依據(jù)[1-3]。陰道疾病是由于多種病原菌造成的，白帶中的白細胞作為陰道炎癥或細菌感染的直接表現(xiàn)，具有重要的臨床意義和極大的研究價值。

根據(jù)全國臨床檢驗操作規(guī)程和實際調研結果，目前醫(yī)院所采用的白帶常規(guī)檢查方法主要為傳統(tǒng)的生理鹽水鏡檢法，或者輔以一定染色技術的鏡檢法[4-6]。傳統(tǒng)的生理鹽水鏡檢法，即將取材后的棉拭子與生理鹽水混合，然后涂片鏡檢。此法操作簡單，但因為需要人工觀察細胞進行判斷，在高倍鏡的操作環(huán)境下容易產(chǎn)生視覺疲勞從而影響判斷，且易受室溫和各種成分重疊遮掩等因素的影響，所以有很大的局限性。輔以一定染色技術的鏡檢法雖然提高了檢出率，但是操作繁瑣，步驟復雜，且染色鑒定結果受多種因素(如染色液的質量、PH環(huán)境及時間等)的影響，對操作者要求較高，不利于有效開展和推廣應用。

在機器視覺不斷發(fā)展的今天，醫(yī)學圖像處理正逐漸從人工處理發(fā)展到計算機自動處理，其中特征表達的好壞對于一個自動檢測系統(tǒng)來說是至關重要的。在文獻[7]中，就組織病理圖像中細胞核的分割和分類方法進行了總結，其中將細胞的特征表達概括總結為3類：強度特征、形態(tài)學特征和紋理特征，并將其統(tǒng)稱為手工設計特征。文獻[8-9]，在白細胞的分類檢測中，分別采用了形態(tài)學特征與貝葉斯分類器的組合，幾何特征與K-均值聚類器的組合。然而，以上方法均需要經(jīng)歷特征提取和分類這兩個步驟，并且因為需要進行特征的人工選取，難以避免以下3個方面的弊端：第一，需要對細胞有深入的理解，給非醫(yī)護人員的機器視覺工作者提出難題；第二，針對特定的圖像需要設計不同的特征，限制了設計特征的通用性，導致可移植性差和可拓展性差；第三，不能直接運用原始圖像，造成了大量圖像細節(jié)特征的丟失，容易導致誤檢和漏檢。

近年來，卷積神經(jīng)網(wǎng)絡呈現(xiàn)出巨大的優(yōu)勢：首先，它可以將原始圖像直接作為輸入，而且具有強大的學習特征的能力，可以從不同的層次來自動獲取圖像特征；其次，它具有端到端的性質，可以一步完成特征提取與分類。基于卷積神經(jīng)網(wǎng)絡的方法在目標識別、圖像分類等領域都表現(xiàn)良好。在本研究中，對于白帶顯微圖像，在經(jīng)過圖像分割之后，得到樣本數(shù)據(jù)，采用基于卷積神經(jīng)網(wǎng)絡的方法，高效完善地實現(xiàn)白細胞的自動檢測。

1 理論和方法

1.1 卷積神經(jīng)網(wǎng)絡理論

卷積神經(jīng)網(wǎng)絡被設計用來處理多維數(shù)組數(shù)據(jù)，主要涵蓋4個關鍵的屬性：局部連接、權值共享、池化以及多網(wǎng)絡層的使用。

一個典型的卷積神經(jīng)網(wǎng)絡結構是由一系列的過程組成的，如圖1所示[10]。最初的幾個階段是由卷積層和池化層組成。卷積層產(chǎn)生多個特征圖，在一個特征圖中，每一個單元通過一組權值被連接到上一層的特征圖的一個局部塊，然后這個局部加權和被傳給一個激活函數(shù)。一個特征圖中的全部單元使用相同的權值，不同的特征圖使用不同的權值。

圖1 一個典型的卷積神經(jīng)網(wǎng)絡架構

使用這種結構出于兩方面的原因。首先，在圖像中，一個值的附近的值，經(jīng)常是高度相關的，可以形成比較容易被探測到的有區(qū)分性的局部特征。這是局部連接的思想。其次，在圖像中某個地方出現(xiàn)的某個特征，也可能出現(xiàn)在別的地方，所以不同位置的單元可以共享權值，達到探測不同位置的相同特征的目的。局部連接和權值共享也在一定程度上減少了訓練參數(shù)，帶來了優(yōu)化。

常用的激活函數(shù)主要為非線性變換，如修正線性單元(ReLU)和雙曲正切函數(shù)(tanh)，兩個函數(shù)的圖像如圖2所示。實驗表明，訓練帶ReLU的卷積神經(jīng)網(wǎng)絡比帶tanh單元的同等網(wǎng)絡要快好幾倍[11]。

圖2 激活函數(shù)。(a)修正線性單元；(b)雙曲正切函數(shù)

卷積層的作用是探測上一層特征的局部連接，池化層的作用則是把相似的特征合并起來。一般地，池化單元計算特征圖中的一個局部塊的最大值(或平均值)，相鄰的池化單元通過移動一行或者一列來從小塊上讀取數(shù)據(jù)，減少了特征的維度，不容易過擬合，并且對數(shù)據(jù)具有平移不變性。實驗表明[11]，存在相鄰單元重疊的池化，在訓練過程中，更不容易過擬合。

兩三個這種的卷積、非線性變換以及池化被串起來，后面再加上全連接層，就構成了一個典型的卷積神經(jīng)網(wǎng)絡架構。

同一般的神經(jīng)網(wǎng)絡一樣，卷積神經(jīng)網(wǎng)絡也采用反向傳播算法[12]進行訓練，這其中主要利用梯度下降方法和鏈式求導法則。常用激活函數(shù)ReLU和tanh的函數(shù)及偏導數(shù)的計算公式為

(1)

(2)

1.2 白細胞自動檢測算法

圖像預處理階段，在1 024×1 360大小的白帶顯微圖像的基礎上設計圖像分割方法，獲取僅包含白細胞或者疑似白細胞的小圖像。樣本獲取階段，對分割的小圖像進行插值縮放和人工標注，得到大小統(tǒng)一的帶標簽圖像，即為陽性樣本或陰性樣本。卷積神經(jīng)網(wǎng)絡搭建階段，在LeNet-5[10]的基礎上，根據(jù)誤差最小化的準則，在訓練過程中不斷調整網(wǎng)絡的結構和參數(shù)，最終獲取到可用于白細胞檢測的網(wǎng)絡。對于一個不帶標簽的圖像樣本，若將其輸入網(wǎng)絡，即可得到分類結果。

1.2.1圖像分割及樣本的獲取

將白帶與0.9%的生理鹽水混合成溶液，然后涂抹到載玻片上，運用顯微鏡進行圖像采集，即可得到白帶顯微圖像。在圖像的預處理階段，首先，使用Kirsch算子[13]進行濾波，實現(xiàn)圖像增強；之后，運用大津閾值法[14]得到閾值，從而進行閾值分割獲取二值化圖像；最后，進行形態(tài)學閉運算，填充細小空洞，平滑邊界。

在閉運算后的圖像上，進行連通域標定。計算每個連通域的面積、周長、離心率、圓形度和最小外接矩形的寬高。其中，連通域的離心率即為與區(qū)域具有相同標準二階中心矩的橢圓的離心率，連通域的圓形度即為面積乘上4π正體除以周長的平方。將得到的計算數(shù)據(jù)和預設的參數(shù)進行對照，進行連通區(qū)域的粗篩，記錄滿足要求的連通域的最小外接矩形的位置。將獲取的一系列最小外接矩形的4條邊分別向外平行擴展10個像素，如若最小外接矩形的位置靠近圖像邊緣，則可以適當減小擴展的像素數(shù)。依照此規(guī)則，更新外接矩形的記錄位置。最后，根據(jù)記錄的位置，在白帶顯微圖像中進行裁剪，得到矩形圖像，即為僅包含白細胞或疑似白細胞的分割圖像。此時獲取的分割圖像大小不一，故進行縮放操作。采用雙三次插值算法[15]，使分割圖像的大小統(tǒng)一為60×60。

在1 024×1 360大小的白帶顯微圖像中，不僅含有白細胞，還可能有上皮細胞、球菌、桿菌、真菌等。其中，上皮細胞的細胞核、各種碎屑等都很容易與真正的白細胞產(chǎn)生混淆。因此，經(jīng)過人工標注，包含白細胞的分割圖像視為陽性樣本，不包含白細胞的分割圖像視為陰性樣本，如圖3所示。陽性樣本中，白細胞多為分葉核中性粒細胞，細胞核有2～5葉，各葉之間或相連或完全分開，且大小形狀和排列方式各不相同。陰性樣本中，可能包含上皮碎屑、上皮細胞核、雜質等不同物質，因此也呈現(xiàn)不同形態(tài)。

圖3 樣本。(a)4個不同形態(tài)的陽性樣本；(b)4個不同形態(tài)的陰性樣本

至此，獲取的樣本可以直接輸入卷積神經(jīng)網(wǎng)絡進行訓練和測試。

1.2.2獲取可用的卷積神經(jīng)網(wǎng)絡

在LeNet-5的基礎上，經(jīng)過多次訓練和測試，最終確定的卷積神經(jīng)網(wǎng)絡結構如圖4所示。此網(wǎng)絡共有6層，由輸入層、輸出層、兩個卷積層和兩個池化層構成。卷積層的工作方式是對上一層圖像進行卷積，以提取特征，再進行激活操作，使得出的圖像數(shù)據(jù)在一個有意義的范圍內，防止梯度消失。池化層則以聚合統(tǒng)計的方法，實現(xiàn)數(shù)據(jù)量的減少。最后，將第二個池化層的二維圖像數(shù)據(jù)拉伸為一維數(shù)據(jù)，以全連接的方式，加上激活操作，產(chǎn)生全網(wǎng)絡的輸出層。

圖4 卷積神經(jīng)網(wǎng)絡的結構

卷積過程中，采用不補零的方式，滑動步長為1，卷積核按照Xavier等提出的方法[16]進行初始化，所有偏置的初始值為0。前兩個激活層采用ReLU，最后一個激活層采用tanh。池化層采用不重疊的均值池化方式。損失函數(shù)采用均方誤差的方式計算。采用隨機梯度下降法進行訓練，權重w的更新規(guī)則為

wi+1=wi+vi+1

(5)

(6)

式中，i代表迭代次數(shù)，v表示動量，α表示學習率，?L/?wi代表目標函數(shù)對當前權重的偏導。

將100個樣本放在同一批次中，動量參數(shù)為0.9，權重衰減為0.000 5。對所有層采用相同的學習率，根據(jù)Krizhevsky等提出的方法[11]進行手動調整，最終的學習率為0.000 1，固定學習速率不再衰減。

1.3 算法的評價方法

為防止過擬合，提高泛化能力，采用10折交叉驗證[17]的方式訓練和測試。數(shù)據(jù)集分組情況如下：將10 000張陽性樣本和10 000張陰性樣本分別隨機地分成10組，再隨機地取一組陽性樣本和一組陰性樣本組合成一個組，作為10折交叉驗證的一個樣本組，最終的評價參數(shù)是10次測試的平均結果。

筆者采用了如下3個評價參數(shù)[18]對結果進行客觀的評估。

敏感性=真陽性樣本數(shù)/陽性樣本數(shù)

(7)

特異性=真陰性樣本數(shù)/陰性樣本數(shù)

(8)

(9)

由公式可以看出，敏感性越高，漏檢率就越低；特異性越高，誤檢率就越低。

2 結果

在成都市第六人民醫(yī)院的協(xié)助下，經(jīng)過為期5個月的圖像采集，得到了1萬張左右的白帶顯微圖像。這些圖像均由攜帶索尼ICX285AL相機的奧林巴斯CX31顯微鏡拍攝。載物臺上的白帶涂片僅放大了20倍，且不經(jīng)染色階段。根據(jù)本文第1.2.1節(jié)的方法對白帶顯微圖像進行預處理，如圖5所示。

圖5 圖像預處理。(a)白帶顯微圖像；(b)增強圖像；(c)二值化圖像；(d)閉運算圖像

之后，再經(jīng)過連通域特征的篩選，便從1萬張左右的白帶顯微圖像中，得到若干包含白細胞或不包含白細胞的子圖像，進而從中選取了10 000張陽性樣本和10 000張陰性樣本作為原始數(shù)據(jù)集，最終的實驗結果如表1所示。

表1 白細胞自動檢測結果

與分類決策樹的方法進行對比后可以看出，采用卷積神經(jīng)網(wǎng)絡的方法，達到了較高的敏感性和特異性，平均準確率也較高，并且均處在波動較小的一個范圍內。因此，滿足了臨床檢驗的使用要求。

通常情況下，從一個白帶涂片中拍攝30個視野，即得到30張1 024×1 360大小的白帶顯微圖像。針對每張白帶顯微圖像中得到的每個未知標簽的樣本，輸入網(wǎng)絡，便可以完成分類，亦即判斷此樣本為陽性樣本(包含白細胞)或陰性樣本(不包含白細胞)。之后，將樣本的位置信息返回，并進行30個視野下的白細胞數(shù)量統(tǒng)計，即可完成白細胞的自動檢測，如圖6所示。

圖6 白細胞標注后的白帶顯微圖像

如表2所示，在白帶常規(guī)檢查中，如果白細胞計數(shù)大于15個/高倍鏡視野，患者便會被初步診斷為在陰道或宮頸組織中有炎癥。

表2 白帶清潔度判斷標準

3 討論

在白帶常規(guī)檢查中，較高的白細胞個數(shù)通常與陰道炎、宮頸炎等息息相關，也在一定程度上預測了念珠菌感染、衣原體感染、毛滴蟲感染或者淋病[19]。目前，大多數(shù)醫(yī)院采取的白細胞檢測方式仍為人工檢測，人力消耗大，效率較低，并且準確率得不到保證。隨著科技的發(fā)展，以高效準確的自動檢測取代人工檢測是不可避免的趨勢。通過計算機檢測白細胞，獲得其計數(shù)和位置，得到的數(shù)據(jù)和標記后的圖像可以由檢驗員直接在屏幕上觀察，也可以通過因特網(wǎng)傳遞給醫(yī)生。這種自動檢測方法可以減少人力資源的消耗，提高檢查的效率和準確性。無論醫(yī)生身處何地，隨時都可以直接獲得患者的檢查結果以便診斷。 因此，此方法也有助于遠程醫(yī)療和電子病歷建立。

在目前絕大多數(shù)的白細胞自動檢測的研究中[20-21]，涂片均被放大到100倍以上，并且大多是檢測血液中的白細胞，因此背景相對簡單；而且，為了將白細胞與其他成分明顯區(qū)分，涂片大多經(jīng)過染色。然而，在本研究中，為了保證白帶涂片中的大部分視野均被拍到，僅將其放大了20倍；并且在白帶涂片中，除了白細胞，還有上皮細胞、球菌、桿菌、真菌等有形成分，這在醫(yī)學判定中也有重要意義，因此有必要保持它們的原始形態(tài)，故這些涂片未經(jīng)染色。所以，上述問題都給研究帶來了困難。以往傳統(tǒng)的特征提取和分類的方法，因需要圖像呈現(xiàn)出較明確的特征進而進行特征的手工提取，難以較好地解決這些難題。在本研究中，提出了基于卷積神經(jīng)網(wǎng)絡的白細胞自動檢測方法，自動提取圖像不同層次的特征，一步實現(xiàn)特征表達和分類。

本方法的研究內容體現(xiàn)在以下兩個方面。首先，設計圖像分割步驟，從一張完整的白帶顯微圖像中獲取分割圖像，要做到不遺漏圖像中的白細胞并盡可能完整地分割出來；其次，搭建和完善卷積神經(jīng)網(wǎng)絡，運用其良好的特征學習能力，通過訓練來實現(xiàn)不同層次的特征描述。相對于傳統(tǒng)的先提取特征再分類的過程，由于神經(jīng)網(wǎng)絡端到端的性質，實現(xiàn)了由樣本圖像到分類結果的一步式跨越。

在白帶顯微圖像中，除了白細胞，還有上皮細胞、球菌、桿菌、真菌等有形成分。為深化白帶樣本的自動檢測研究，本研究在白細胞自動檢測的基礎上進行多種有形成分的自動檢測，需進一步探究。

4 結論

白帶中白細胞的檢測是評估陰道或宮頸組織炎癥的簡單而便宜的手段，并可作為潛在感染的重要標志物。據(jù)筆者所知，本研究是第一個開發(fā)出用計算機化的檢測系統(tǒng)來實現(xiàn)白帶顯微圖像中白細胞自動檢測的方法。在本研究中，采用基于卷積神經(jīng)網(wǎng)絡的方法，實現(xiàn)了良好的檢測效果。利用這種計算機化的自動檢測系統(tǒng)，可以減少主觀因素，增加客觀度量，從而大大提高效率和準確性，同時減少白帶常規(guī)檢查中的大量人力消耗。

(致謝：感謝摩米視覺實驗室提供的資金、設備及人力支持)

[1] 萬國忠. 857例白帶常規(guī)檢查結果分析 [J]. 中國藥物經(jīng)濟學,2013(2): 470-471.

[2] 鄧靄靜. 中醫(yī)診治帶下病學術源流探討及文獻整理研究 [D].廣州：廣州中醫(yī)藥大學, 2014.

[3] 李瑞珍. 白帶常規(guī)檢查的意義與局限性 [J]. 四川醫(yī)學, 2014, 35(1): 106-107.

[4] 丁高儂. 三種婦科白帶檢查方法比較分析 [J]. 中國現(xiàn)代醫(yī)藥雜志,2011，13: 52-53.

[5] 阮君,陸靜芬. 臨床陰道分泌物檢測方法的比較 [J]. 中國傷殘醫(yī)學,2014(1): 14-16.

[6] 凌曉午,羅靜,蘇莉，等. 2種方法檢測白帶常規(guī)多項目結果對比分析 [J]. 中國衛(wèi)生檢驗雜志,2015(13): 2136-2138.

[7] Irshad H, Veillard A, Roux L, et al. Methods for nuclei detection, segmentation, and classification in digital histopathology: a review-current status and future potential [J]. IEEE Reviews in Biomedical Engineering, 2014, 7: 97-114.

[8] Gautam A, Singh P, Raman B, et al. Automatic classification of leukocytes using morphological features and na?ve Bayes classifier [C] //Region 10 Conference(TENCON). Singapore City: IEEE, 2016: 1023-1027.

[9] Tsalis R, Agus A, Nopriadi, et al. Classification of leukocyte images using K-means clustering based on geometry features [C] // Engineer Seminar(InAES). Yogyakarta: IEEE, 2016: 245-249.

[10] Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition [J]. Proceeding of the IEEE, 1998, 86(11): 2278-2324.

[11] Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks [C] //Advances in Neural Information Processing Systems. Lake Tahoe: Neural Information Processing System Foundation, 2012: 1097-1105.

[12] Bouvrie J. Notes on Convolutional Neural Networks[EB/OL]. http://cogprints.org/5869/2011-03-11/2017-07-06.

[13] Kirsch RA. Computer determination of the constituent structure of biological images [J]. Computers & Biomedical Research, 1971, 4(4): 315-328.

[14] Otsu N. Threshold selection method from gray-level histograms [J]. IEEE Transaction on Systems Man and Cybernetics, 1979, 9(1): 62-66.

[15] Keys R. Cubic convolution interpolation for digital image processing [J]. IEEE Transactions on Acoustics Speech & Signal Processing, 2003, 29(6): 1153-1160.

[16] Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks[J]. Journal of Machine Learning Research, 2010, 9: 249-256.

[17] Ar J. Statistical comparisons of classifiers over multiple data sets[J]. Journal of Machine Learning Research, 2006, 7(1): 1-30.

[18] Fawcett T. An introduction to ROC analysis [J]. Pattern Recognition Letters, 2006, 27(8): 861-874.

[19] Geisler WM, Yu S, Venglarik M, et al. Vaginal leucocyte counts in women with bacterial vaginosis: relation to vaginal and cervical infections [J]. Sex Transmit Infect, 2004, 80: 401-405.

[20] Ananthi VP, Balasubramaniam P. A new thresholding technique based on fuzzy set as an application to leukocyte nucleus segmentation [J]. Computer Methods & Programs in Biomedicine, 2016, 134: 165-177.

[21] Vogado LHS, Veras RDMS, Andrade AR, et al. Unsupervised leukemia cells segmentation based on multi-space color channels [C] //IEEE International Symposium on Multimedia. San Jose: IEEE, 2016: 451-456.