秦傳波 馮寶 諶瑤

摘 ?要： 針對(duì)尿沉渣中的有形成分進(jìn)行檢測和分析，提出結(jié)合主成分分析（PCA）和極限學(xué)習(xí)機(jī)（ELM）的識(shí)別和統(tǒng)計(jì)方法。該方法通過PCA對(duì)樣本進(jìn)行特征提取和降維后輸入到ELM進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練得出的模型與未經(jīng)PCA處理的樣本訓(xùn)練的模型進(jìn)行檢測效果對(duì)比。實(shí)驗(yàn)結(jié)果表明，使用PCA處理后的樣本訓(xùn)練得出的模型具有更高的識(shí)別準(zhǔn)確度和穩(wěn)定性，同時(shí)訓(xùn)練時(shí)間大幅減少。

關(guān)鍵詞： 尿沉渣檢測; 尿沉渣成分分類; 極限學(xué)習(xí)機(jī); 主成分分析; 圖像識(shí)別; 特征提取; 醫(yī)學(xué)顯微圖像

中圖分類號(hào)： TN911.73?34; TP183 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）11?0045?05

Abstract： The recognition and statistics method combining principal component analysis （PCA） and extreme learning machine （ELM） is proposed to detect and analyze the visible components in urine sediment. The features of the sample are extracted by means of PCA and then input to extreme learning machine （ELM） for training after dimensionality reduction. The detection effects of the trained model got by training and sample training model without PCA processing are compared. The experimental result shows that the model obtained by sample training after PCA processing has higher recognition accuracy and stability， and its training time is greatly reduced.

Keywords： urine sediment detection; urine sediment component classification; extreme learning machine; principal component analysis; image recognition; feature extraction; medical microscopic image

0 ?引 ?言

尿沉渣檢測是對(duì)原尿經(jīng)過離心處理得到的有形成分進(jìn)行分析，分析尿沉渣的成分對(duì)人體腎臟、泌尿系統(tǒng)疾病有重要意義[1]。例如，檢測尿沉渣中紅細(xì)胞數(shù)量可以作為泌尿系統(tǒng)的炎癥、腫瘤、結(jié)石性等疾病的診斷依據(jù);檢測白細(xì)胞的數(shù)量主要作為泌尿系統(tǒng)感染的診斷依據(jù);上皮細(xì)胞和管型檢測可判斷是否出現(xiàn)腎實(shí)質(zhì)損害等。

尿沉渣的主要成分有紅白細(xì)胞、上皮細(xì)胞、管型、粘液絲、各類細(xì)菌、各類結(jié)晶和雜質(zhì)等。本文主要對(duì)以上成分進(jìn)行研究和檢測。其需要解決的關(guān)鍵難題有：

1） 由于尿沉渣成分形狀結(jié)構(gòu)復(fù)雜，獲取圖片的顯微鏡圖像的途徑也各不相同，導(dǎo)致尿沉渣有形成分的形狀和輪廓也多種多樣[2]。其中一些細(xì)胞，例如白細(xì)胞團(tuán)、管型和雜質(zhì)相似度高，極易混淆。因此目前的識(shí)別器難以對(duì)不同形態(tài)下的細(xì)胞進(jìn)行識(shí)別和分類。

2） 不同細(xì)胞樣本圖片的背景和目標(biāo)的灰度存在差異，樣本圖片中目標(biāo)有形成分的邊緣模糊，使圖像分割存在困難，影響識(shí)別的準(zhǔn)確度。

3） 由于尿沉渣有形成分結(jié)構(gòu)復(fù)雜，樣本信息量大，因而相應(yīng)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、識(shí)別時(shí)間也會(huì)大幅度增加，影響檢測的實(shí)時(shí)性。

以上難題都是目前尿沉渣圖像檢測分析的難點(diǎn)，而且對(duì)識(shí)別準(zhǔn)確率和識(shí)別效率都有很大影響。本文結(jié)合主成分分析法（Principle Component Analysis，PCA）和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM），對(duì)紅白細(xì)胞、上皮細(xì)胞、管型、粘液絲、各類細(xì)菌、各類結(jié)晶和雜質(zhì)的樣本圖片進(jìn)行降維和訓(xùn)練[3]，再使用訓(xùn)練好的模型對(duì)尿沉渣圖像進(jìn)行識(shí)別檢測。

1 ?概 ?述

1.1 ?研究現(xiàn)狀

1.1.1 ?傳統(tǒng)尿沉渣檢測方法

制片鏡檢是傳統(tǒng)尿沉渣檢測方法中最普遍和最有代表性的方法。主要使用顯微鏡對(duì)尿液進(jìn)行觀察，或者將離心處理后的尿液注入專用的計(jì)數(shù)板中，使用顯微鏡計(jì)數(shù)，通過每個(gè)計(jì)數(shù)室中的細(xì)胞數(shù)量計(jì)算出細(xì)胞總量。這種方法雖然實(shí)現(xiàn)的技術(shù)較為成熟，而且識(shí)別準(zhǔn)確率高，但也存在以下缺點(diǎn)[4]：

1） 檢測所需時(shí)間較長，效率較低，當(dāng)需要快速的臨床診斷時(shí)，不適合使用這種方法。

2） 在制片觀察之前需要經(jīng)過多次預(yù)處理，操作步驟較繁瑣，容易引入許多干擾因素。

3） 人工檢測存在主觀影響，結(jié)果正確率難以保證。

4） 單次檢測難以完成所有參數(shù)的檢測。

1.1.2 ?基于影像分析的尿沉渣自動(dòng)分析儀

由于傳統(tǒng)檢測方法存在許多缺點(diǎn)，研究一種快速、準(zhǔn)確率高的尿沉渣自動(dòng)分析儀具有重要意義。目前對(duì)于尿沉渣自動(dòng)分析儀的檢測大多基于數(shù)字圖像處理結(jié)合機(jī)器學(xué)習(xí)來實(shí)現(xiàn)[5]。這種方法的主要實(shí)現(xiàn)過程是通過電子顯微鏡采集到細(xì)胞圖像，在計(jì)算機(jī)中對(duì)圖像進(jìn)行預(yù)處理，由尿沉渣成分識(shí)別系統(tǒng)進(jìn)行細(xì)胞檢測分類，最后通過計(jì)算機(jī)統(tǒng)計(jì)得出分析結(jié)果。其中，尿沉渣成分識(shí)別系統(tǒng)是影像分析的核心。其利用特別訓(xùn)練的神經(jīng)網(wǎng)絡(luò)和圖像處理算法對(duì)尿沉渣有形成分進(jìn)行識(shí)別和分類，使用的算法和訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型都將影響識(shí)別準(zhǔn)確度和效率[6?9]。本文使用PCA對(duì)獲得的尿沉渣顯微圖像進(jìn)行降維處理，提取其特征信息，消除向量相關(guān)性，再使用ELM進(jìn)行訓(xùn)練[10]，最后通過訓(xùn)練集以外的樣本進(jìn)行檢測驗(yàn)證。本文列舉了幾類原始的尿沉渣顯微圖像，如圖1所示。

圖1 ?尿沉渣顯微圖像

基于影像分析的尿沉渣自動(dòng)分析儀具有以下優(yōu)點(diǎn)[11?13]：

1） 全自動(dòng)化運(yùn)行，節(jié)省很多人力，避免了許多由于高強(qiáng)度工作導(dǎo)致的疲倦等人為因素對(duì)檢測結(jié)果造成的不良影響。

2） 自動(dòng)化檢測設(shè)備對(duì)所有樣本具有統(tǒng)一的檢測標(biāo)準(zhǔn)，避免人工檢測的主觀因素對(duì)檢測結(jié)果造成影響。

3） 使用計(jì)算機(jī)對(duì)圖像進(jìn)行檢測和統(tǒng)計(jì)，效率比傳統(tǒng)的人工檢測高很多。避免尿液樣本因等待檢測時(shí)間過長而變質(zhì)。

4） 自動(dòng)化檢測設(shè)備在檢測的同時(shí)還可以結(jié)合計(jì)算機(jī)技術(shù)，自動(dòng)將檢測結(jié)果輸入到病人電子檔案中，以便隨時(shí)查閱。

2 ?PCA與ELM原理

2.1 ?PCA原理

PCA是多元統(tǒng)計(jì)學(xué)中的一種降維技術(shù)和特征提取法[2]。PCA能用少量數(shù)據(jù)表示原始數(shù)據(jù)的絕大部分信息[3]，通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關(guān)的表示，可用于提取數(shù)據(jù)的主要特征分量，常用于高維數(shù)據(jù)的降維。其實(shí)現(xiàn)步驟如下：

1） 對(duì)樣本圖片矩陣進(jìn)行標(biāo)準(zhǔn)化處理。設(shè)[xij]為第[j]個(gè)樣本的第[i]個(gè)特征的值，[x*ij]為第[j]個(gè)樣本第[i]個(gè)特征的標(biāo)準(zhǔn)值。

2.2 ?ELM原理

ELM是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，一種兼顧簡單和高效的無監(jiān)督學(xué)習(xí)算法[3]。與其他神經(jīng)網(wǎng)絡(luò)算法相比，ELM具有較好的訓(xùn)練效率和精度。在訓(xùn)練前，只需要對(duì)網(wǎng)絡(luò)隱層節(jié)點(diǎn)個(gè)數(shù)和激勵(lì)函數(shù)進(jìn)行設(shè)置，不需要對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行設(shè)置。ELM通過求解線性方程組的最小范數(shù)和最小二乘解參數(shù)唯一最優(yōu)解來完成訓(xùn)練。

綜上所述，ELM算法的訓(xùn)練過程可歸結(jié)為：

1） 設(shè)定激勵(lì)函數(shù)[f]和隱層節(jié)點(diǎn)數(shù)[L];

2） 計(jì)算隱層輸出矩陣[H];

3） 計(jì)算權(quán)值[ω]。

3 ?基于PCA和ELM的尿沉渣圖像識(shí)別算法設(shè)計(jì)

本文使用已去除敏感信息的尿沉渣顯微圖像為例，該圖像樣本以細(xì)胞大小為依據(jù)分為大細(xì)胞和小細(xì)胞兩大類。

1） 由PCA原理可知，當(dāng)經(jīng)過PCA處理的樣本數(shù)據(jù)的主成分貢獻(xiàn)率達(dá)到85%～95%時(shí)，可以使用處理后的數(shù)據(jù)代替原數(shù)據(jù)進(jìn)行學(xué)習(xí)。因此，需要尋找到一個(gè)既能減少原數(shù)據(jù)維度又能保存具有代表性成分的主成分?jǐn)?shù)。通過重復(fù)實(shí)驗(yàn)得到結(jié)果如圖2，圖3所示，大細(xì)胞取最佳主成分?jǐn)?shù)為100，此時(shí)主成分貢獻(xiàn)率達(dá)到85.2%，小細(xì)胞取最佳主成分?jǐn)?shù)為26，此時(shí)主成分貢獻(xiàn)率達(dá)到85.0%，符合本文需求。

圖2 ?大細(xì)胞主成分?jǐn)?shù)與貢獻(xiàn)率的關(guān)系

圖3 ?小細(xì)胞主成分?jǐn)?shù)與貢獻(xiàn)率的關(guān)系

2） 由ELM原理可知，在使用ELM進(jìn)行學(xué)習(xí)之前，需要對(duì)它的激勵(lì)函數(shù)和隱層節(jié)點(diǎn)數(shù)目進(jìn)行設(shè)置。本文使用Sigmoid函數(shù)作為激勵(lì)函數(shù)，為了使ELM的學(xué)習(xí)成功率達(dá)到最大化，需要尋找到最優(yōu)的隱層節(jié)點(diǎn)數(shù)。本文迭代隱層數(shù)，然后每個(gè)隱層數(shù)訓(xùn)練10次，計(jì)算10次訓(xùn)練的平均值，以此來尋找識(shí)別率最高的隱層數(shù)。

3） 使用PCA降維處理過的數(shù)據(jù)代替原始數(shù)據(jù)進(jìn)行訓(xùn)練，迭代隱層節(jié)點(diǎn)數(shù)，尋找識(shí)別率最高的隱層數(shù)。并與步驟2）的結(jié)果作對(duì)比。對(duì)于小細(xì)胞，在隱層數(shù)目大約為2 000時(shí)，檢測成功率達(dá)到最大值。對(duì)于大細(xì)胞，隱層數(shù)目大約為1 500時(shí)，檢測成功率達(dá)到最大值。

圖4和圖5的數(shù)據(jù)表明，無論是大細(xì)胞還是小細(xì)胞顯微圖像樣本經(jīng)過PCA處理后再輸入ELM進(jìn)行訓(xùn)練，其平均成功率與步驟1）得出的模型相比，隨著隱層數(shù)目增大，經(jīng)過PCA處理樣本訓(xùn)練出來的模型測試準(zhǔn)確率越來越高。其中，經(jīng)過PCA處理的小細(xì)胞樣本識(shí)別準(zhǔn)確率平均比未處理的高出10%。經(jīng)過PCA處理的大細(xì)胞樣本識(shí)別準(zhǔn)確率增加18%。同時(shí)，經(jīng)過PCA處理的小細(xì)胞樣本只需隱層數(shù)目為2 500即可達(dá)到最大識(shí)別準(zhǔn)確度，比未處理的減少500。經(jīng)過PCA處理的大細(xì)胞樣本需要隱層數(shù)目為850，比未處理的減少1 250。

圖4 ?PCA處理前后的小細(xì)胞數(shù)據(jù)識(shí)別平均成功率對(duì)比

圖5 ?PCA處理前后的大細(xì)胞識(shí)別平均成功率對(duì)比

圖6，圖7數(shù)據(jù)表明，使用PCA處理后的樣本數(shù)據(jù)進(jìn)行訓(xùn)練得出模型，其訓(xùn)練時(shí)間比步驟1）中的訓(xùn)練大幅減少。而且隨著隱層數(shù)目的增加，經(jīng)過PCA處理的樣本訓(xùn)練時(shí)間增長較緩，未經(jīng)處理的訓(xùn)練時(shí)間增長較快。

如圖8，圖9數(shù)據(jù)所示，隨著隱層數(shù)目的增加，方差都呈現(xiàn)遞減趨勢。其中，經(jīng)過PCA處理的小細(xì)胞和大細(xì)胞都比未經(jīng)處理的波動(dòng)更小。這意味著使用PCA對(duì)圖片進(jìn)行處理可以使檢測準(zhǔn)確率更加穩(wěn)定。

圖6 ?PCA處理前后的小細(xì)胞訓(xùn)練時(shí)間對(duì)比

圖7 ?PCA處理前后大細(xì)胞訓(xùn)練時(shí)間對(duì)比

圖8 ?PCA處理前后的小細(xì)胞方差對(duì)比

4 ?結(jié) ?語

本文通過顯微圖像對(duì)尿沉渣有形成分的檢測展開研究。利用降維技術(shù)和神經(jīng)網(wǎng)絡(luò)對(duì)圖像樣本進(jìn)行處理和檢測，使訓(xùn)練時(shí)間大幅減少，訓(xùn)練效率和測試成功率大幅提升，形成了一套高效的尿沉渣有形成分檢測算法。

圖9 ?PCA處理前后的大細(xì)胞方差對(duì)比

本文存在一些尚未解決的問題，這些問題將成為下一步研究的方向。

1） 不同尿沉渣顯微圖像間存在灰度差異，大多數(shù)是由于光線差異導(dǎo)致的。如果能將與訓(xùn)練無關(guān)的背景去除，將對(duì)訓(xùn)練效果有積極影響。

2） 本文沒有研究對(duì)尿沉渣細(xì)胞圖像的分割算法。使用高效而準(zhǔn)確的分割算法可以準(zhǔn)確地提取出每個(gè)細(xì)胞，突出顯示其關(guān)鍵特征，并去除不必要的特征，大幅提高訓(xùn)練和測試的準(zhǔn)確率。

參考文獻(xiàn)

[1] 劉睿.尿沉渣圖像分割與識(shí)別算法研究[D].重慶：重慶大學(xué)，2017.

LIU Rui. Study on the image segmentation and recognition algorithm of urine sediment [D]. Chongqing： Chongqing University， 2017.

[2] 周江嫚.基于PCA?ELM的模擬電路故障診斷[J].電子科技，2017，30（5）：72?75.

ZHOU Jiangman. Analog circuit fault diagnosis based on PCA?ELM [J]. Electronic technology， 2017， 30（5）： 72?75.

[3] 陳紹煒，吳敏華，趙帥.基于PCA和ELM的模擬電路故障診斷[J].計(jì)算機(jī)工程與應(yīng)用，2015（11）：248?251.

CHEN Shaowei， WU Minhua， ZHAO Shuai. Analog circuit fault diagnosis based on PCA and ELM [J]. Computer enginee?ring and applications， 2015（11）： 248?251.

[4] 廖建勇.尿沉渣顯微圖像中的管型分割與識(shí)別[D].長沙：湖南大學(xué)，2009.

LIAO Jianyong. Tube segmentation and identification in microscopic image of urine sediment [D]. Changsha： Hunan University， 2009.

[5] 付華，王馨蕊，王志軍，等.基于PCA和PSO?ELM的煤與瓦斯突出軟測量研究[J].傳感技術(shù)學(xué)報(bào)，2014（12）：1710?1715.

FU Hua， WANG Xinrui， WANG Zhijun， et al. Research on the soft sensor of coal and gas outburst based on PCA and PSO?ELM [J]. Chinese journal of sensors and actuators， 2014（12）： 1710?1715.

[6] 裘日輝，劉康玲，譚海龍，等.基于極限學(xué)習(xí)機(jī)的分類算法及在故障識(shí)別中的應(yīng)用[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2016（10）：1965?1972.

QIU Rihui， LIU Kangling， TAN Hailong， et al. Classification algorithm based on extreme learning machine and its application in fault recognition [J]. Journal of Zhejiang University （Engineering Edition）， 2016（10）： 1965?1972.

[7] 于林杰.尿沉渣顯微圖像有形成分分割與特征提取方法研究[D].重慶：重慶大學(xué)，2016.

YU Linjie. Study on the segmentation and feature extraction of visible components of urine sediment microscopic images [D]. Chongqing： Chongqing University， 2016.

[8] IOSIFIDIS A， TEFAS A， PITAS I. Approximate kernel extreme learning machine for large scale data classification [J]. Neurocomputing， 2017， 219： 210?220.

[9] AVCI D， LEBLEBICIOGLU M K， POYRAZ M， et al. A new method based on adaptive discrete wavelet entropy energy and neural network classifier （ADWEENN） for recognition of urine cells from microscopic images independent of rotation and sca?ling [J]. Journal of medical systems， 2014， 38（2）： 1?9.

[10] LI Y M， ZENG X P. A new strategy for urinary sediment segmentation based on wavelet， morphology and combination method [J]. Computer methods & programs in biomedicine， 2006， 84（2/3）： 162?173.

[11] HUANG G B， BAI Z， KASUN L L C， et al. Local receptive fields based extreme learning machine [J]. IEEE computational intelligence magazine， 2015， 10（2）： 18?29.

[12] 李偉紅，于林杰，龔衛(wèi)國.基于非參數(shù)變換的尿沉渣細(xì)胞圖像識(shí)別方法[J].儀器儀表學(xué)報(bào)，2015，36（12）：2722?2730.

LI Weihong， YU Linjie， GONG Weiguo. Urine sediment cell image recognition method based on non?parametric transformation [J]. Chinese journal of scientific instrument， 2015， 36（12）： 2722?2730.

[13] CHEN Kai， L? Qi， LU Yao， et al. Robust regularized extreme learning machine for regression using iteratively reweighted least squares [J]. Neurocomputing， 2017， 230： 345?358.