侯劍平 王 超 趙萬里 段憶芮

(安圖實驗儀器(鄭州)有限公司 河南 鄭州 450016)

0 引 言

白帶常規(guī)檢測(簡稱白帶常規(guī))是判斷女性泌尿生殖系統(tǒng)健康水平的一項重要醫(yī)學(xué)檢查項目。白帶即女性陰道分泌物，是指由女性生殖道不同部位的不同物質(zhì)成分所組成的混合物，它是一種帶有粘性的白色液體分泌物，由陰道粘膜滲出物、宮頸管、子宮頸腺體及子宮內(nèi)膜分泌物混合而成，主要成分有陰道鱗狀上皮細胞、少量宮頸柱狀上皮細胞、白細胞和陰道內(nèi)寄生的各種細菌等[1]。白帶中的白色念珠菌是一種真菌，是引起念珠菌性陰道炎的條件致病菌[2]。白帶中的滴蟲是一種極微小有鞭毛且呈梨型的原蟲生物，用肉眼無法觀察到，陰道滴蟲存在于女性的陰道會引起滴蟲性陰道炎。白帶中白細胞作為陰道炎癥或細菌感染的直接表現(xiàn)[3]。

顯微鏡鏡檢是白帶常規(guī)檢查最常用的方法，目前國內(nèi)外白帶顯微圖像自動化識別技術(shù)還不成熟，采用人工鏡檢進行白帶常規(guī)檢測仍然是大部分醫(yī)院所采用的方式。但由于白帶顯微圖像的圖像質(zhì)量參差不齊，人工鏡檢既耗時耗力，而且容易受醫(yī)務(wù)人員的經(jīng)驗和主觀性影響，導(dǎo)致不同醫(yī)務(wù)人員給出的檢驗結(jié)果靈敏度和特異性存在不一致的情況。如今，隨著人工智能在醫(yī)學(xué)領(lǐng)域的相關(guān)應(yīng)用越來越廣泛，醫(yī)學(xué)顯微圖像的自動化識別和研究也成了熱門的研究方向，但目前主要集中在尿液、血液、糞便的有形成分識別上[4-6]，而對于白帶的有形成分識別方面卻鮮少有人研究。鐘亞等[7]采用圖像分割與卷積神經(jīng)網(wǎng)絡(luò)分類相結(jié)合的方法進行白帶顯微圖像中白細胞的自動化檢測，但實際上白帶中的細胞成分(如：白細胞、念珠菌、滴蟲)都是婦科炎癥的重要指標，這些細胞的自動化識別研究具有很好的臨床應(yīng)用價值和實用意義。

近年來，深度學(xué)習(xí)在圖像識別上的應(yīng)用日漸成熟，而目標檢測作為其中一個非常重要的應(yīng)用方向，有很多基于深度學(xué)習(xí)的目標檢測算法，如：Faster-RCNN[8]、SSD[9]、YOLO[10-12]等，被應(yīng)用到很多領(lǐng)域和場景中。其中，YOLO算法是目前識別結(jié)果較好的算法之一，其最大的特點是檢測速度快，滿足實時檢測的要求。鄭志強等[13]改進YOLOv3算法用于遙感圖像飛機的識別；彭玉青等[14]改進YOLO算法用于復(fù)雜背景下手勢的識別；劉軍等[15]改進YOLOv3-tiny算法用于車輛的識別與跟蹤。但目前還沒有人將目標檢測的算法應(yīng)用于白帶顯微圖像中的白細胞、念珠菌、滴蟲的識別這一場景。

本文主要研究白帶顯微圖像中白細胞、念珠菌、滴蟲的自動化識別，采用改進的YOLOv3-Tiny模型對細胞進行檢測，然后再對細胞區(qū)域使用Resnet50進行準確識別，實現(xiàn)智能化檢測和識別。

1 算法設(shè)計

由于本文的檢測識別目標是白細胞、念珠菌、滴蟲三類細胞，各類細胞本身形態(tài)相似性高且細胞背景復(fù)雜不容易區(qū)分，盡管使用YOLOv3-tiny模型對細胞的定位非常有效，但對于細胞識別這種細粒度的圖像分類結(jié)果不理想。而對于圖像分類，有很多經(jīng)典模型可用，如VGG16、Resnet50[16]等?？紤]到最終算法是要應(yīng)用到自動化鏡檢平臺中進行使用，因此對實時性要求較高，因此，本文對細胞分類采用參數(shù)較少的Resnet50模型，并使用遷移學(xué)習(xí)的方法以減少顯微圖像樣本不足帶來的影響。

本文算法共涉及改進的YOLOv3-tiny目標檢測模型和Resnet50分類模型兩個模型，它們分別用于細胞的檢測和識別。本文算法流程如圖1所示。對原始白帶顯微圖像使用改進的YOLOv3-tiny模型進行細胞檢測，找出每個疑似細胞的位置；通過細胞位置將細胞從原始圖像中裁剪出來，獲取細胞圖像；將這些細胞圖像使用Resnet50模型進行分類，以確定細胞類別，以篩選出白細胞、念珠菌、滴蟲這三類細胞；最后將細胞類別對應(yīng)于相應(yīng)的細胞位置，得到細胞位置和類別結(jié)果。

圖1 本文算法流程

1.1 細胞檢測

1) YOLOv3-tiny算法。

YOLO網(wǎng)絡(luò)是一個可以一次性地預(yù)測物體的位置和類別的卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了端到端的目標檢測和識別，其最大特點是速度快，檢測速度能夠滿足實時性目標檢測的任務(wù)要求，并且已經(jīng)有YOLOv1、YOLOv2、YOLOv3三個版本。YOLOv3采用多個尺度融合的方式來進行預(yù)測。使用類似FPN[17](Feature Pyramid Networks)的融合做法，在多個尺度的特征圖上進行位置和類別預(yù)測，提高了目標檢測準確率[18]。YOLOv3-tiny與YOLOv3相比，簡化了特征提取網(wǎng)絡(luò)，計算量小，有效地提高了檢測效率，可以在移動端或設(shè)備端運行。

YOLOv3-tiny的特征提取網(wǎng)絡(luò)采用一個7層卷積層和池化層的網(wǎng)絡(luò)提取特征，并且使用了Leaky ReLU作為激活函數(shù)。YOLOv3-tiny在兩個尺度上進行預(yù)測，分別對圖像進行32倍和16倍的降采樣。每個尺度上輸出的是一個3維張量，包含邊界框、置信度和預(yù)測類別。

損失函數(shù)用來表征模型的預(yù)測值與真實值間的不一致程度，是決定網(wǎng)絡(luò)效果的重要參數(shù)之一。YOLOv3-tiny算法的損失函數(shù)的設(shè)計主要從邊界框坐標預(yù)測誤差、邊界框的置信度誤差、分類預(yù)測誤差這三個方面進行考慮。損失值越小表示模型的魯棒性越好。YOLOv3-tiny損失函數(shù)計算公式為：

2) 改進的YOLOv3-tiny算法。

YOLO v3-tiny 在目標檢測領(lǐng)域已經(jīng)取得不錯的檢測效果，采用多尺度融合的方式進行目標檢測，對目標的尺度變化適應(yīng)性較好，但是在白帶鏡檢細胞檢測任務(wù)中，在整幅顯微圖像中，白細胞、念珠菌、滴蟲等細胞都是非常小的目標。因此，需要對YOLOv3-tiny模型進行改進以適應(yīng)細胞的檢測任務(wù)，提高檢測效率同時保證實時性，模型提取更淺層的兩組多尺度特征對細胞位置進行預(yù)測。

以輸入圖像大小為 416×416為例，原始的YOLOv3-tiny模型在兩個尺度上進行預(yù)測，有2個特征圖，大小為13×13和26×26，分別對圖像進行32倍、16倍降采樣，但本文研究的顯微圖像中白細胞、念珠菌、滴蟲均為非常小的目標，采用K-means聚類的方法獲取6個不同大小的先驗框：(5,5)、(7,9)、(10,6)、(14,8)、(11,11)、(18,14)。由此可知，原始的YOLOv3-tiny模型的兩個尺度的特征圖并不適用于本文研究的小目標檢測。因此，本文通過改變兩個尺度特征圖的大小，以適應(yīng)任務(wù)的要求。本文改進的YOLOv3-tiny模型在兩個尺度上進行預(yù)測，有2個特征圖，大小分別為52×52、104×104，分別對圖像進行8倍、4倍降采樣。網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

圖2 網(wǎng)絡(luò)模型結(jié)構(gòu)

1.2 細胞識別

本文采用Resnet50模型進行細胞識別?？紤]到本文所使用的圖像是醫(yī)學(xué)顯微圖像，樣本數(shù)量少，且難以大規(guī)模補充，因此在訓(xùn)練網(wǎng)絡(luò)的過程中引入遷移學(xué)習(xí)。本文使用Tensorflow官網(wǎng)提供的ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的Resnet50模型。由于本文使用的顯微圖像與ImageNet數(shù)據(jù)集差異很大，簡單的參數(shù)遷移方式并不適用。由于低層次的網(wǎng)絡(luò)提取的是樣本的邊緣、紋理、顏色等信息，在進行參數(shù)遷移時保留卷積模塊的底層結(jié)構(gòu)和參數(shù)，并設(shè)置靠近分類層的高層卷積部分為可訓(xùn)練狀態(tài)，包括矩陣權(quán)重、偏置項與其他正則項系數(shù)。在進行微調(diào)模型訓(xùn)練時并不是從隨機初始值開始，通常經(jīng)過小幅度的調(diào)整即可達到最優(yōu)，既可以提高模型訓(xùn)練的效率，又可以提高模型準確率。

以Resnet50為例，將源模型中的最后一層全連接層的1 000個神經(jīng)元替換為本文實驗的四個細胞類別：白細胞、念珠菌、滴蟲、其他細胞。Resnet50由一個卷積層、四個殘差模塊、全連接層構(gòu)成，將卷積層和前三個殘差模塊參數(shù)凍結(jié)，繼承源模型底層特征提取能力，將第四個殘差模塊及全連接層的參數(shù)設(shè)置為可更新，如圖3所示。

圖3 Resnet50模型

2 實 驗

2.1 實驗運行環(huán)境

本文實驗硬件環(huán)境如表 1 所示，在此基礎(chǔ)上搭建軟件環(huán)境：Ubuntu 16.04、Python、opencv、CUDA等，深度學(xué)習(xí)框架使用 Keras框架。

表1 實驗硬件環(huán)境配置

2.2 實驗數(shù)據(jù)集及評價指標

實驗所用的樣本圖像來源于安圖生物公司收集的真實白帶顯微圖像，這些樣本圖像均由攜帶500萬像素相機的永新光學(xué)特制顯微鏡拍攝，原始圖像大小為2 304×1 750，使用 LabelImg 工具對收集到的圖片進行標注并以 VOC數(shù)據(jù)的格式來存儲。用于細胞檢測的數(shù)據(jù)集中共有1 095幅白帶顯微圖像，用于細胞識別的數(shù)據(jù)集中包含白細胞9 698、念珠菌8 934、滴蟲8 267、其他細胞9 055，均按照4∶1 的比例劃分為訓(xùn)練集和測試集。白帶顯微圖像示例如圖4所示。各類細胞形態(tài)如圖5所示。為了減少模型的訓(xùn)練時間，在細胞檢測階段，將原始圖像進行降采樣處理，以416×416圖像大小作為輸入進行實驗和結(jié)果評估，最終將檢測結(jié)果進行上采樣來對應(yīng)原始圖像大小，以便于下一階段的細胞識別。

(a) 白帶顯微圖像

(a) 白細胞

而對于本文算法實際應(yīng)用效果的評價，收集319例白帶樣本作為測試集，對每個樣本拍攝20個視野，即得到20幅白帶顯微圖像，對每幅白帶顯微圖像進行檢測得到圖像中白細胞、念珠菌、滴蟲的個數(shù)。然后，對于每個白帶樣本，綜合20幅白帶顯微圖像的檢測結(jié)果來判定白帶樣本中白細胞、念珠菌以及滴蟲是否為陽性。對于念珠菌和滴蟲，出現(xiàn)個數(shù)只要大于等于1，無論個數(shù)的多少，均為陽性。對于白細胞，出現(xiàn)個數(shù)大于15個，為陽性。采用敏感度、特異性、符合率3個評價指標[19]對白帶樣本中的白細胞、念珠菌、滴蟲的識別結(jié)果進行評價。評價指標數(shù)學(xué)公式分別如下：

TP、FP、FN、TN的詳細說明如表2所示。

表2 混淆矩陣

2.3 細胞檢測實驗結(jié)果

本文算法的第一階段是對細胞進行檢測，是單目標檢測任務(wù)，為了測試本文提出的改進的YOLOv3-tiny模型性能，與YOLOv3和YOLOv3-tiny模型進行對比。在模型訓(xùn)練過程中，使用相同的訓(xùn)練策略，采用小批量隨機梯度下降法，批量大小為64，最大迭代次數(shù)為15 000次，動量和權(quán)重衰減分別為0.9和0.000 5，初始學(xué)習(xí)率為0.001，在迭代次數(shù)為5 000和10 000次時調(diào)整學(xué)習(xí)率為0.000 1和0.000 01，設(shè)置非極大值抑制閾值為0.3，置信度閾值為0.5，并根據(jù)模型的平均精度選出最優(yōu)模型。在相同測試集上，采用精確率和召回率來比較不同模型的測試結(jié)果。如表3所示，本文提出的改進的YOLOv3-tiny算法不僅在檢測速度上可以達到與YOLOv3-tiny算法非常接近，而且在精確率和召回率上的結(jié)果均高于YOLOv3-tiny算法，而且與檢測精度更高的YOLOv3相比仍有優(yōu)勢。

表3 細胞檢測結(jié)果

2.4 細胞識別實驗結(jié)果

本文算法的第二個階段是各類細胞的識別，考慮到第一階段檢測出來的細胞可能會存在誤檢的細胞，因此在細胞識別階段，將細胞分為白細胞、念珠菌、滴蟲、其他細胞四類，通過有效地將細胞進行準確分類，篩選出白細胞、念珠菌、滴蟲，提高細胞識別的準確率。

由于本文使用的顯微圖像與ImageNet數(shù)據(jù)集的圖像具有很大差異，因此，在使用Resnet50模型時，需要考慮在模型訓(xùn)練過程中可訓(xùn)練參數(shù)的數(shù)量對細胞識別結(jié)果的影響。表4是對應(yīng)于凍結(jié)不同層數(shù)，即不同數(shù)量的可訓(xùn)練參數(shù)所對應(yīng)的訓(xùn)練集、驗證集上的識別結(jié)果。由表4可知，Resnet50模型在凍結(jié)層數(shù)為121時，得到最佳的識別結(jié)果。

表4 不同凍結(jié)層數(shù)時Resnet50模型性能

2.5 本文算法的實驗結(jié)果

本文首先使用改進的YOLOv3-tiny算法進行細胞的定位檢測，然后使用Resnet50對細胞區(qū)域進行識別，實現(xiàn)對白細胞、念珠菌、滴蟲的識別。但實際上，YOLO系列算法本身就是一種多目標檢測算法，可以直接使用該算法對各類細胞進行定位和識別。實驗中采用YOLOv3和YOLOv3-tiny模型對各類細胞進行檢測識別，并與本文的方法得到的結(jié)果進行對比。表5展示了YOLOv3、YOLOv3-tiny及本文算法的對比結(jié)果。相比于YOLOv3算法和YOLOv3-tiny算法將不同類別的細胞作為多目標進行檢測識別，本文算法采用兩個階段實現(xiàn)細胞的識別，先將細胞進行檢測，然后再對細胞區(qū)域進行精確分類，得到了更好的識別效果。同時，從檢測效率方面來看，在相同的硬件條件下，本文算法由于改進了模型結(jié)構(gòu)，調(diào)整了多尺度的特征圖輸出，更有利于細胞這類小目標的檢測，在沒有增加過多檢測時間的情況下，有效地提高了識別準確率。圖6是部分實驗結(jié)果局部區(qū)域圖。圖中，WBC、M、TV分別對應(yīng)白細胞、念珠菌、滴蟲的識別結(jié)果。可以看出，YOLOv3、YOLOv3-tiny算法對于白細胞、念珠菌、滴蟲這三類目標的識別結(jié)果均存在漏檢和誤檢，如圖6(a)、(b)所示，YOLOv3、YOLOv3-tiny算法對于白細胞的檢測，在多個目標臨近的情況下，分別存在漏檢和定位不準的情況；YOLOv3、YOLOv3-tiny算法對于念珠菌這類小目標的檢測均存在漏檢；對于滴蟲的檢測，YOLOv3算法存在定位不準的情況，而YOLOv3-tiny算法出現(xiàn)漏檢情況。本文算法相較于YOLOv3算法和YOLOv3-tiny算法，由于改進了模型結(jié)構(gòu)更有利于小目標的檢測，有效地降低了漏檢率，而且增加了分類算法使細胞分類更為準確，有效地降低了誤檢率。

(a) YOLOv3識別結(jié)果

2.6 本文算法的實際應(yīng)用結(jié)果

由于本文的算法是用于對白帶樣本的顯微圖像進行識別，以獲得顯微圖像中白細胞、念珠菌、滴蟲的識別結(jié)果。在實際應(yīng)用中，對每個白帶樣本所對應(yīng)的20幅顯微圖像進行檢測，并根據(jù)總的檢測結(jié)果來判定白帶中白細胞、念珠菌、滴蟲是否為陽性。采用本文算法對319例白帶樣本進行測試，圖7-圖9分別為白細胞、念珠菌、滴蟲的實驗結(jié)果。可以看出，白細胞、念珠菌、滴蟲三類細胞的靈敏度、特異性、符合率均在90%以上，滿足臨床檢驗的使用要求。

圖7 白細胞實驗結(jié)果

圖8 念珠菌識別結(jié)果

圖9 滴蟲識別結(jié)果

3 結(jié) 語

白帶常規(guī)檢查是陰道疾病檢測的常規(guī)檢查項目，并且有著廣泛的應(yīng)用。絕大多數(shù)的陰道感染疾病都可以通過白帶常規(guī)檢查被檢出，也可以通過白帶常規(guī)檢查了解陰道內(nèi)的衛(wèi)生情況，并依據(jù)檢查結(jié)果對感染病菌的概率或者程度進行科學(xué)判斷，對醫(yī)護人員的臨床診斷工作大有幫助[3]。白帶中的白細胞、念珠菌、滴蟲是婦科炎癥及陰道疾病的重要指標，因此白細胞、念珠菌、滴蟲的檢測對于臨床檢驗具有非常重要的意義。

本文提出了一種基于改進的YOLOv3-tiny算法和Resnet50相結(jié)合的細胞檢測識別算法，通過改進的YOLOv3-tiny算法進行細胞檢測，然后使用Resnet50進行精確識別。將本文算法應(yīng)用到全自動鏡檢軟件中，可以實現(xiàn)對白帶顯微圖像自動化地檢測白細胞、念珠菌、滴蟲，具有很高的靈敏度和特異性，滿足臨床檢驗的要求。由于本文的算法要應(yīng)用到鏡檢軟件中進行實時的檢測，因此對檢測效率和實時性要求較高，實驗證明本文算法具有較好的時間性能，滿足實時性的要求。在實際應(yīng)用中，白帶常規(guī)檢查中不只需要對白細胞、念珠菌、滴蟲這幾類細胞進行檢測，也需要對白帶顯微圖像中出現(xiàn)的其他微生物進行檢測，未來會考慮實現(xiàn)對更多類別微生物的檢測。