王 偉，司淼淼，陳芙蕖，劉 慧，姜小明，李章勇

(重慶郵電大學 生物醫(yī)學工程研究中心，重慶 400065)

0 引 言

計算機輔助的細胞自動分析，可以減輕醫(yī)生的負擔，提高結(jié)果的客觀性和一致性，為自動鏡檢提供新的機遇[1]。糞便鏡檢圖像與尿液鏡檢圖像存在較大區(qū)別，有形成分和背景環(huán)境更加復雜，同類細胞差異較大，單個細胞存在破損和粘連現(xiàn)象。目前在顯微鏡檢領域，自動分析技術研究偏重于尿液有形成分分析[2-3]，臨床已實現(xiàn)尿液鏡檢的自動識別，但對糞便鏡檢的自動識別研究還比較少，大多數(shù)糞便鏡檢過程還由人工完成。

紅白細胞是顯微鏡檢圖像中最具有臨床價值的必要檢查參數(shù)[4]。本文研究對象為20倍目鏡系統(tǒng)采集的鏡檢圖像，與傳統(tǒng)40倍目鏡系統(tǒng)相比，20倍目鏡系統(tǒng)圖像視野擴大，檢測效率提高，但存在細胞邊緣更模糊，結(jié)構更不清晰、特征更不明顯等缺點，給圖像識別過程中的關鍵的分割以及特征提取部分帶來困難。另外，為使細胞特征更明顯，臨床通常對鏡檢圖像使用諸如熒光、染色或DNA標簽之類的參考標記方式，但是這樣會提高成本而且影響細胞活性，一般只在實驗中使用，因此，本文主要研究無染色/標記紅白細胞鏡檢圖像。目前在顯微細胞圖像識別領域已經(jīng)出現(xiàn)很多種圖像分割以及特征提取方法[5-6]。常用的圖像分割方法有邊緣檢測、閾值處理、形態(tài)學以及分水嶺方法等，但是由于低倍率糞便鏡檢圖像本身的復雜性以及細胞存在弱邊緣問題，采用單一的圖像分割方法并不能準確無誤的分割出細胞。常用的顯微細胞圖像特征組合主要包含形狀、統(tǒng)計和紋理特征，其中，形狀特征是在分割后的二值圖像上計算的，選取的參數(shù)主要有面積、周長、圓形度和矩形度等；統(tǒng)計特征是基于細胞圖像灰度直方圖計算的，選取的參數(shù)主要有、平均值、方差、三階矩、一致性；圖像的紋理是指圖像像素顏色的或灰度的變化規(guī)律，與空間統(tǒng)計密切相關，描述紋理特征一般以灰度-梯度空間來表示，灰度-梯度空間矩陣體現(xiàn)了各像素點梯度和灰度的空間關系和分布規(guī)律，選取的參數(shù)主要有能量、灰度平均、梯度平均、慣性、小梯度優(yōu)勢、大梯度優(yōu)勢、灰度熵、梯度熵和混合熵[7]。在實際的應用中，圖像識別軟件不僅要求有較高的識別率確保準確性，同時要求一定的實時性，保證識別的速度和效率。常用的顯微細胞圖像特征組合特征數(shù)比較多，計算較為困難，耗時長，并且低倍鏡下的糞便鏡檢圖像紅白細胞存在結(jié)構不清晰、內(nèi)部紋理特征不明顯等特點，所以在低倍率情況下不適用。近年來，也出現(xiàn)很多基于機器視覺的細胞自動識別方法，例如：k近鄰法、神經(jīng)網(wǎng)絡和支持向量機等機器學習方法。k近鄰法適用于大樣本容量類的自動分類，而小樣本容量的類采用這種方法比較容易產(chǎn)生誤分[8]。神經(jīng)網(wǎng)絡方法具有較強的學習能力和并行處理的功，但是也存在過學習、維數(shù)災難以及局部極小解等問題。相比之下，支持向量機(support vector machine,SVM)采用核函數(shù)，很好地解決了維數(shù)問題；采用二次規(guī)劃尋優(yōu)，可以得到全局最優(yōu)解；應用結(jié)構風險最小化原則，充分考慮了經(jīng)驗風險和置信風險，有良好的泛化性能[9]。

綜上所述，本文主要研究目的是提供一種基于低維特征條件的低倍率鏡檢圖像紅白細胞識別算法，不僅能保證識別準確率，還能為提高識別速度提供了可能，如圖1所示。首先針對紅白細胞對比度低、邊緣模糊等弱邊緣問題，采用彩色圖像空間分離、邏輯或運算和形態(tài)學方法完成初步分割，之后采用面積等特征單獨提取粘連細胞，采用基于迭代腐蝕的標記分水嶺方法分割。再針對低倍率鏡檢圖像紅白細胞結(jié)構不清晰、內(nèi)部紋理特征不明顯等特點，提出一種基于形態(tài)和Canny算子方法的細胞低特征提取方法，提取出6個相關特征組成特征向量用于訓練SVM分類器。

圖1 低倍率顯微鏡檢圖像Fig.1 Low-rate microscopic image

1 識別方法設計

1.1 圖像分割

識別分類之前，需要先定位紅白細胞，并從圖像背景中分離它們[10]。由于低倍率糞便鏡檢圖像背景復雜，并且存在細胞灰度分布不均勻、對比度低、邊緣模糊等弱邊緣問題，采用單一的圖像分割方法不能準確無誤分割出紅白細胞。本文將原圖像進行彩色空間分離，將R，G和B分量圖像邊緣檢測結(jié)果進行邏輯或運算，并通過形態(tài)學方法處理完成初步分割，得到單個細胞分割圖像和粘連細胞分割圖像；然后針對粘連細胞，采用基于迭代腐蝕的標記分水嶺方法再次分割，通過多種方法互補得到最后完整分割結(jié)果，提高分割的精確度。分割算法的流程圖如圖2所示。

圖2 分割算法流程圖Fig.2 Flow of the segmentation algorithm

在鏡檢圖像分割時，通常都是單獨對灰度圖像進行邊緣檢測，不能形成封閉曲線，影響細胞邊緣的完整提取。本文方法將原彩色圖像的R，G和B分量圖像的Canny邊緣檢測結(jié)果進行邏輯或運算，能夠彌補單張灰度圖像邊緣檢測斷裂情況，達到很好的信息互補作用，如圖3b所示，可以使很多細胞斷開的邊緣形成閉合。在完成邊緣檢測后，采用開、閉運算以及填充等形態(tài)學方法對或運算結(jié)果圖像完成毛刺的清理、以及刪除小面積對象和填充等操作以達到更好的分割效果，如圖3c所示；之后在圖像初步分割基礎上，利用面積等特征單獨提取粘連細胞，使用4鄰域和8鄰域結(jié)構元素交替對粘連細胞圖像進行迭代腐蝕求得細胞種子點圖像，然后用標記分水嶺進行分割[11]。最后融合單個細胞分割圖像和粘連細胞分割圖像，得到最終分割二值圖像，如圖3d所示，可以看出整體細胞分割效果良好，粘連細胞也很好的被分開，有助于之后對紅白細胞進行特征提取。

1.2 特征選擇和提取

識別出紅白細胞種類是整個方法流程的核心部分，而細胞的特征選擇和提取是進行識別的關鍵環(huán)節(jié)[12]。為了提高識別的準確度和效率，必須選擇適當?shù)奶卣鹘M合，選擇的特征一般需要具有可區(qū)分性強、可靠性高以及獨立性好的特點，盡可能地減少整個識別系統(tǒng)的運行時間和錯誤識別率[13]。本文方法根據(jù)紅白細胞在形態(tài)、FFT變換以及Canny邊緣檢測圖像的差別，提出6個相關特征組成特征向量，在保證識別效果的情況下，同時以較少的特征簡化算法運算，提高識別速度。

圖3 糞便圖像分割效果圖Fig.3 Fecal image segmentation

分割后紅白細胞子圖像的典型樣本如圖4a和圖4d所示，其中，紅細胞細胞質(zhì)比較均勻，一般呈雙凹圓盤形，正常成熟的紅細胞沒有細胞核；白細胞細胞質(zhì)清晰，呈顆粒狀，有細胞核，體積比紅細胞大。圖4b和圖4e是紅白細胞進行FFT變換后頻域圖像二值化之后的圖像，可以看出，紅白細胞都近似圓形，但白細胞相對有點分散，圓形度表現(xiàn)沒有紅細胞好；圖4c和圖4f是對紅白細胞進行Canny邊緣檢測得到的圖像，研究發(fā)現(xiàn)紅細胞的邊緣檢測出多個半徑不同的圓環(huán)且呈現(xiàn)包含關系，而白細胞邊緣檢測成不規(guī)則曲線。

圖4 紅白細胞以及相關處理圖Fig.4 Related processing of red and white cell

常用的顯微細胞圖像特征值包含形狀、統(tǒng)計和紋理特征等3類，低倍鏡下的鏡檢圖像中紅白細胞的內(nèi)部紋理信息比較粗糙和模糊，本文經(jīng)過實驗測試沒有選擇相關描述統(tǒng)計和紋理特征的參數(shù)。本文在形狀特征描述中主要選取了周長L、面積A和圓形度C這3個參數(shù)[14]，其中，圓形度是基于紅白細胞進行FFT變換后頻域圖像二值化之后的圖像計算的[15]；根據(jù)紅白細胞在其Canny邊緣檢測圖像表現(xiàn)的不同，提出3個新的Canny算子特征參數(shù)，連通域數(shù)M是描述細胞Canny邊緣檢測后二值圖像的8連通域數(shù)，像素和S是描述細胞Canny邊緣檢測后二值圖像的像素和，另外考慮排除細胞大小的影響，對2個特征做歸一化處理得出閉合比值H是連通域數(shù)M和像素和S的乘積與分割后二值化圖像面積A的比值，數(shù)學公式表達式為

(1)

本文選擇的描述紅白細胞特征參數(shù)組合總結(jié)如表1所示。

以FFT后二值圖像的圓形度和閉合比值2個不相關的特征參數(shù)為例，分別隨機選擇100個紅細胞和白細胞構造參數(shù)坐標圖，結(jié)果如圖5所示。圖5a和圖5b展示了單個特征參數(shù)在細胞分類中的作用，其中，橫坐標表示細胞編號，數(shù)值從1-100，縱坐標分別為FFT后二值圖像的圓形度C和閉合比值H，從圖5中看出，2個特征參數(shù)分別對紅白細胞有一定程度的區(qū)分度。圖5c是對2個特征參數(shù)的立體化顯示，其中，z軸表示細胞編號，可以看出紅白細胞交集很少，表示FFT后的圓形度C和閉合比值H組成的二維特征向量對紅白細胞分類有著重要的作用。

表1 特征類別與描述

圖5 紅白細胞參數(shù)坐標圖Fig.5 Parametric coordinate map of red and white cells

1.3 紅白細胞識別

紅白細胞特征提取之后，需要將特征向量輸入到分類器進行分類和識別，本文選擇支持向量機作為紅白細胞分類器。SVM是由Vapnik首先提出的一種專門適用于小樣本學習問題的有監(jiān)督的通用學習算法[16]。它不基于傳統(tǒng)的經(jīng)驗風險最小化原則，而是結(jié)構風險最小化原則，既能減小訓練誤差還能提高泛化能力，為機器學習問題提供了新的思路和方法[17]。它的原理是通過構造一個最優(yōu)分類超平面，使分開的2個類別有最大間隔，使得分隔具有更高的可信度，而且對于未知的新樣本有很好的分類預測能力。當樣本非線性可分時，將數(shù)據(jù)樣本映射到高維空間，采用核函數(shù)，把非線性問題轉(zhuǎn)化成線性問題求解。對于核函數(shù)的選擇一般與分類問題本身相關，本文通過預實驗發(fā)現(xiàn)線性核函數(shù)分類效果最好，因此，在分類階段選擇的核函數(shù)是線性核函數(shù)。線性核函數(shù)的數(shù)學公式表達為

(2)

2 實驗結(jié)果和分析

紅白細胞識別實驗基于LIBSVM識別函數(shù)庫實現(xiàn)，實驗圖像為未染色的低倍率糞便鏡檢原圖，分辨率2 048×1 056，放大倍數(shù)20倍。實驗中選取原始圖像60幅，分割得到紅細胞和白細胞子圖像，從紅白細胞子圖像中各選擇100個作為訓練集，各300個作為測試集。當SVM分類器通過紅白細胞樣本訓練完成之后，將已經(jīng)提取的紅白細胞測試樣本特征向量輸入SVM分類器進行分類并識別。

為了進行比較，實驗對SVM分類器選擇輸入2組不同的特征向量分別對紅白細胞進行分類并識別，其中一組采用顯微細胞圖像識別常用的形狀、統(tǒng)計和紋理特征，分別為面積、周長、圓形度、矩形度、平均值、方差、三階矩、一致性、能量、灰度平均、梯度平均、慣性、小梯度優(yōu)勢、大梯度優(yōu)勢、灰度熵、梯度熵和混合熵共17維[7]；另一組采用本文特征選擇部分提取的特征，分別為周長、面積、FFT后的圓形度、連通域數(shù)、像素和以及閉合比值共6維。表2是紅白細胞識別測試比較結(jié)果，其中采用常用特征紅細胞的識別率為53.0%，采用本文選擇的特征組合紅細胞的識別率為91.7%；采用常用特征白細胞的識別率為71.0%，采用本文選擇的特征組合白細胞的識別率為92.7%，可以看出，在低倍率情況下采用本文選擇的紅白細胞特征組合識別效果良好，并且明顯優(yōu)于顯微圖像識別常用的形狀、統(tǒng)計和紋理特征組合，以較少的特征組合完成更優(yōu)的識別效果；另外，在MATLAB環(huán)境下測試不同算法的紅白細胞識別時間，發(fā)現(xiàn)本文選擇的紅白細胞特征組合在識別時間上也有較大優(yōu)勢，識別時間明顯降低，識別速度有了進一步提高。低倍鏡下的糞便鏡檢圖像紅白細胞存在結(jié)構不清晰、內(nèi)部紋理特征不明顯等特點，因此，采用常規(guī)的顯微圖像識別常用的形狀、統(tǒng)計和紋理特征識別效果不是特別好，識別率低于本文選擇的特征組合識別結(jié)果，因為其充分利用了紅白細胞在形態(tài)、FFT變換以及Canny邊緣檢測圖像的差別，很好的選取了6個特征組成特征向量，降低了特征維數(shù)，減少了算法計算的運算量，提高了識別的準確度和效率。

表2 低倍率紅白細胞識別測試結(jié)果比較

國內(nèi)外對糞便鏡檢圖像細胞識別分析的研究相對來說比較少，而且現(xiàn)有的研究都是基于40倍目鏡的，文獻[18]研究了基于模糊聚類的糞便鏡檢圖像識別研究，實驗采用40倍顯微鏡檢圖像，結(jié)果顯示，聚類準確率并不是很高，其中紅細胞的識別率是86.9%；白細胞的識別率是85.6%。本文主要研究的是基于20倍目鏡的低倍率鏡檢圖像，識別算法設計簡單，在保證識別效果的情況下，同時以較少的特征簡化運算，提高識別速度，兼顧識別速度和效率，能夠滿足實際的顯微檢測的要求。

實驗將樣本數(shù)分別為300的紅白細胞子圖像分成3組，每組各100個紅細胞和白細胞，分別進行了測試，求得識別準確率的均值與標準差，如圖6所示。在識別部分，訓練和測試集樣本數(shù)目和比例會對識別產(chǎn)生一定的影響，而且由于鏡檢圖像中紅白細胞存在異型的情況，例如紅細胞有小紅細胞和大紅細胞情況，白細胞存在亞型情況，也會對識別產(chǎn)生一定的影響，所以隨著樣本數(shù)目的變化識別率也會有所改變，但是從圖6可以看出，隨著樣本數(shù)目的改變，采用本文特征組合紅白細胞的識別率變化不大，相對比較穩(wěn)定。

圖6 紅白細胞分組識別結(jié)果比較Fig.6 Comparison of results of red and white cells grouping

3 結(jié) 論

本文基于圖像處理和SVM識別技術研究了低倍率鏡檢圖像中紅白細胞自動識別方法，首先通過對圖像分割方法研究比較提出一種基于邏輯或運算和形態(tài)學的綜合分割方法，有效地實現(xiàn)了鏡檢圖像紅白細胞的分割和定位；再比較和研究紅白細胞的差別，很好地選取了6個特征，最后采用SVM分類器識別。實驗以背景和成分最為復雜的糞便鏡檢圖像為例進行了測試，紅細胞的識別率為91.7%，白細胞的識別率為92.7%，以較少的特征組合完成更優(yōu)的識別效果，兼顧識別準確度和速度；而且識別效果相對穩(wěn)定，受紅白細胞異型情況的影響較小，在客觀量化分析的基礎上實現(xiàn)了紅白細胞的自動識別，從而減少了人工識別的工作量，有希望進一步應用于臨床鏡檢。