基于Matlab的尿沉渣圖像有形成分的自動分類方法

劉肖肖，王兢業

湖北文理學院附屬醫院（襄陽市中心醫院），湖北 襄陽 441021

基于Matlab的尿沉渣圖像有形成分的自動分類方法

劉肖肖，王兢業

湖北文理學院附屬醫院（襄陽市中心醫院），湖北 襄陽 441021

0 前言

尿沉渣是尿液經過離心或自然沉淀之后形成的沉渣，是尿液中各有形成分的集合，包括紅細胞、白細胞、上皮細胞、管型、結晶和雜質等成分。尿沉渣檢查能輔助臨床對泌尿系統疾病進行診斷，但其成分眾多，不易區分[1]。臨床上常用的尿液檢查方法有干化學法、流式法和鏡檢法等[2]。干化學法應用試紙條進行檢測，成本低，但只能測試尿液中的某些化學成分，無法分析尿沉渣形態，從而影響對病變部位的判斷，其試紙條也容易受到藥物影響；流式法的檢測結果較準確，醫院使用率也很高，但其設備價格較高。目前，國內普遍使用的方法是分別應用干化學法和流式法進行尿檢，當二者結果偏差大時，則使用人工鏡檢法，即將標本放置在顯微鏡下直接觀測。

Matlab是一款商業數學軟件，功能強大、函數庫豐富、簡單易學，在矩陣運算和圖像處理領域有著廣泛而有效的應用。為了解放人力并減少檢驗成本，本研究基于Matlab環境，嘗試應用自動鏡檢法，即首先應用顯微鏡采集尿沉渣圖像，再利用計算機對該圖像進行自動處理，從而得到尿沉渣中有形成分的種類和數目。

本研究的圖像處理分為預處理和特征提取兩部分：首先去除圖像的雜質和噪聲，提取出圖像中有形成分的邊緣信息，并將圖像分割成適合分類識別的小圖像；然后提取出每個小圖像的特征值，并利用該特征值對有形成分進行識別和分類。圖像處理的流程圖，見圖1。

圖1 圖像處理流程圖

1 尿沉渣圖像的預處理

尿沉渣成分復雜，結構多樣，圖像在采集過程中可能出現光照不均、散焦嚴重，有些成分邊緣較淡不易識別、背景上有雜質和陰影等情況。為了方便后續處理，本研究首先將圖像灰度化以去除彩色圖像中的冗余信息，然后使用全局直方圖均衡化來加強有形成分和背景的對比度，之后利用鄰域濾波法去除刻度框的投影，最后應用中值濾波法去除椒鹽噪聲。

2 邊緣檢測算法

若要對尿沉渣圖像中的有形成分進行分類，便要先獲得每個有形成分的特征值；若要獲得特征值，便要將每個有形成分的邊緣信息提取出來，方法如下。

（1）首先提取邊緣信息。經過實驗發現，Canny算子可以提取出纖細的邊緣信息，但是對于邊緣清晰度不同的成分會發生斷續，從而出現邊緣提取不完整的現象[3-4]；而Sobel算子提取的邊緣信息較多，但提取的是雙邊緣信息，過于冗雜，且也有斷續現象，從而導致在提取連通域信息時丟失邊緣信息。通過兩種算法處理的上皮細胞細節圖，見圖2。

圖2 Canny算子和Sobel算子處理的上皮細胞細節圖

圖2中，(a)為原尿沉渣圖像中的上皮細胞圖；(b)是對原尿沉渣圖像作Canny邊緣檢測后所得圖像中該上皮細胞的處理結果，有斷續現象；(c)是對原尿沉渣圖像作Sobel邊緣檢測后所得圖像中該上皮細胞的處理結果，有邊緣信息冗余；(d)是對Canny算子處理的上皮細胞作連通域填充的結果，連通域與原圖中的上皮細胞形態相差甚遠。對Sobel算子處理的上皮細胞作連通域填充后，依然存在細胞信息丟失的情況，此處不表。此外，由于所用顯微鏡倍數較低，導致采集圖像的分辨率不夠高，當觀察單個細胞時，圖像清晰度偏低，但不影響最終處理結果。

而將經Canny算子和Sobel算子濾波之后的兩幅圖像進行疊加及平均處理，再進行膨脹腐蝕、孔洞填充等一系列處理后，可得到良好的連通域（圖3）。

圖3 疊加算子處理的上皮細胞細節圖

圖3中，(a)為對圖2(a)分別進行Canny與Sobel邊緣檢測后進行疊加及平均處理后的圖像；(b)為對疊加圖像進行連通域填充等一系列處理后的結果，與原圖的形態信息接近，處理結果良好。

（2）最終的處理步驟為：灰度化圖像，去除冗余信息；直方圖增強，增大有形成分和背景的對比度；鄰域濾波，去除刻度框陰影；中值濾波，去除椒鹽噪聲；Canny和Sobel算子疊加進行邊緣檢測，得到完整的邊界信息；膨脹腐蝕和孔洞填充后得到連通域。白細胞、上皮細胞和管型的最終處理結果對比，見圖4。由圖4可知，各成分的刻度框陰影已完全消除，且不影響有形成分的邊緣提取；白細胞的右上角粘連現象的處理仍需改進，但定位定型檢測基本準確；上皮細胞的灰度雖較低，但邊緣定位良好；管型內雖含大量細胞顆粒，較為零散，但處理效果良好。對大量處理后的圖像進行觀察驗證的結果表明本研究提出的預處理方法對本組圖像通用，處理效果顯著。

圖4 邊緣信息提取處理結果對比

3 有形成分的特征提取

經過上述處理，已經得到完整的連通域信息，對每個連通域進行處理，便可以得到其特征值。

3.1 有形成分特征

尿沉渣中的有形成分多種多樣，主要包括紅細胞、白細胞、管型、結晶、上皮細胞和雜質等。本文重點對正常成分進行分類，異常成分暫不處理。正常紅細胞呈雙面凹陷圓盤狀，淡黃色，較小，尿中出現紅細胞表示腎臟出現病變；正常白細胞呈圓球狀，形態規整，細胞膜及細胞核清晰可見，比紅細胞略大；結晶種類繁多，意義大多不明[5]；上皮細胞包括腎小管上皮細胞、移形上皮細胞、鱗狀上皮細胞和多核巨細胞等，除了腎小管上皮細胞形狀規則外，其他上皮細胞形狀皆不規則；管型包括透明管型、顆粒管型、細胞管型、變形管型和寬幅管型等，多為矩形柱狀。

3.2 特征選擇和提取

根據有形成分特征，本研究除了使用周長、面積、長寬比、矩形度等常用特征值外，另外選用圓形度和Hu 7個不變矩共12個特征值對不同的有形成分進行識別區分。圓形度的計算公式為：，它表征了連通域似圓的程度，以此來有效區別圓細胞和非圓成分，比如白細胞和管型。Hu 7個不變矩由二階和三階歸一化中心矩構造，具有旋轉、平移和縮放的不變性。在尿沉渣圖像中，由于細胞的形態多樣，對于同一類細胞例如管型，當細胞在圖像中的位置發生改變但細胞本身的形態并未改變時，Hu 7個不變矩可以將圖像中處于不同位置的同一細胞歸為一類。

4 使用BP神經網絡對各有形成分分類

4.1 BP神經網絡

人工神經網絡（ANN）是一種在模擬生物神經網絡的基礎上創建的一種有關信息處理的系統，是一種經典的非數值算法，具有強大的信息存貯和計算能力[6]，在聯想記憶、模式識別、復雜控制、函數逼近、信號處理與圖像處理等領域應用廣泛[7]。現在已有的ANN模型有Hopfield網絡、對向傳播網絡、誤差反向傳播網絡、Kohonen網絡、自組織映射模型、徑向基函數網絡等，其中以BP（Back Propagation）神經網絡模型的應用最為廣泛[7-8]。

本研究嘗試使用BP神經網絡對尿沉渣有形成分進行分類。BP神經網絡，包括信息的正向傳播和誤差的反向傳播。其輸入層負責接收數據并將其傳遞給隱含層各神經元，隱含層對數據進行一級或多級處理后由最后一級隱含層將處理結果傳遞給輸出層，最后數據經輸出層處理后輸出，便完成了一次正向傳播處理。當輸出數據與期望輸出相差甚遠時則進入誤差反傳階段，通過輸出層將誤差按一定的規則反向修正，周而復始直至輸出數據與期望輸出相同或達到預設的學習次數為止。

BP神經網絡結構圖，見圖5。

圖5 BP神經網絡結構圖

如圖所示，BP神經網絡最少由3層網絡組成，第一層為輸入層，最后一層為輸出層，中間層為隱含層，隱含層可以有多層。每層都包含任意數量的神經元，神經元之間無聯系，但層與層之間互聯。BP神經網絡的復雜性隨神經元與層數的增加而增加，訓練時間也相應增加。

4.2 BP神經網絡在Matlab環境中的應用

本研究基于Matlab環境對尿沉渣圖像進行分析和處理，使用BP神經網絡對各有形成分的特征向量進行學習和分類。

在使用BP神經網絡對尿沉渣有形成分進行分類的過程中，需要設定每一層神經元的數量。經過反復試驗發現，設置1個輸入層、1個輸出層和兩個中間層時，有形分類的效果最貼近實際。由于共挑選了12個特征值作為輸入，所以輸入層選用12個神經元；最后要分類出6種成分，所以輸出層選用1個神經元，而此神經元有6個不同的值，此處賦為1～6；經過多次試驗比對，中間層即隱含層分別選用24個和10個神經元。

Matlab神經網絡工具箱封裝了很多神經網絡函數，本研究僅描述BP神經網絡相關函數的使用規則和流程，描述如下。

（1） 創建1個BP網絡net，有1個輸入層（有12個神經元）和1個輸出層（有1個神經元），兩個中間層（分別有24個和10個神經元）。

net=newff(P,[12，24，10，1],{ 'tansig' 'purelin'})；

newff表示創建1個網絡為BP網絡，P用來定義輸入向量的最大值和最小值，因為處理輸入數據時會做歸一化處理，所以此處最大值為1，最小值為-1；之后是網絡層的設置，分別為12、24、10和1；最后是第i層的傳遞函數，第二層采用正切函數式，其余全選擇默認S型對數式。newff函數其他參數也全部采用默認值。

（2）初始化網絡。

net=init(net)；

（3）采用梯度下降法訓練網絡，最大訓練次數為10000，誤差為0.0001，每訓練10次顯示1次。

net.trainparam.epochs=10000；

net.trainparam.show=10；

net.trainparam.goal=1e-4；

（4）開始訓練并將網絡保存成Uri.mat。

[net,tr,Y,E]=train(net,P,T)；

P為輸入向量，T為每個有形對應的輸出值。

save('Uri','net')；

（5）使用新樣本P1進行預測。

YY =sim(net,P1)；

YY即為預測結果。

4.3 有形成分分類結果

將未分類的有形成分樣本特征值輸入到訓練好的網絡中進行分類處理，結果見表1。

表1 未知樣本有形成分識別率

經分析發現，在實際處理中，有些紅細胞會被誤檢成白細胞，而一些粘連的白細胞會被誤檢為上皮細胞，有些透明的上皮細胞則會造成邊緣誤判，被分割成數個小連通域。結晶的種類較多，檢測結果不準確。管型細胞特征較明顯，檢測結果尚可。該結果說明，使用BP神經網絡對尿沉渣進行分類的方法是可行的，后續工作需要提高其檢測準確率。

5 總結和展望

經過研究表明，本研究使用12個特征值經BP神經網絡對尿沉渣圖像中的有形成分進行分類和計數的效果較好，且處理速度較快。Matlab封裝的BP神經網絡的函數易于理解和使用，但是網絡層數的確定是個復雜而細致的工程，需要不斷的摸索和嘗試。

但本研究也有一定的局限性：對于不同質量的圖像，該分類方法的效果未知，本研究使用的圖像分辨率偏低，細節比較模糊，日后應增拍清晰圖像進行驗證；當檢驗需求更加細致如需分析上皮細胞的類型時，就要重新設計分類方法；對有形成分的類別判斷需依靠大量的臨床知識和經驗，尚需進行進一步改進以向臨床推廣。

[1] 王冠．尿沉渣檢查的臨床價值分析研究[J]．中外醫學研究, 2012,20(25):48．

[2] 劉興莉．常用的三種尿沉渣檢測方法的比較[J]．齊魯醫學檢驗, 2004,15(6):45．

[3] 彭淑敏．神經網絡圖像識別技術研究與實現[D]．西安:西安電子科技大學,2005．

[4] John Canny．A computational approach to edge detection[J]．IEEE Transactions on PAMI,1986,8(6):679-698．

[5] 劉肖肖．尿沉渣圖像采集與分析系統的研究[D]．濟南:山東大學,2014．

[6] 馬莉,杜一鳴,黃光,等．基于樣本熵與人工神經網絡的癲癇發作預測初步研究[J]．中國生物醫學工程學報,2013,32(2):243-247．

[7] 焦振．誤差反向傳播神經網絡(BP網絡)算法的啟發式改進[J]．安陽師范學報,2008,(5):47-49．

[8] 胡金濱,唐旭清．人工神經網絡的BP算法及其應用[J]．信息技術, 2004,28(4):1-4．

Matlab-Based Automatic Classification Method of Tangible Components in Urinary Sediment Images

LIU Xiao-xiao, WANG Jing-ye
Affiliated Hospital of Hubei College of Arts and Sciences (Xiangyang Central Hospital), Xiangyang Hubei 441021, China

目的 依托于Matlab環境，初步實現BP（Back Propagation）神經網絡對尿沉渣圖像中有形成分的自動識別與分類。方法 首先應用灰度化、直方圖增強、鄰域濾波和中值濾波等方法對圖像進行預處理；再利用Canny算子和Sobel算子疊加處理進行邊緣檢測，通過膨脹腐蝕和孔洞填充等操作得到有形成分的連通域信息，提取出每個連通域的周長、面積、長寬比、矩形度、圓形度等12個特征值作為BP神經網絡的輸入；最后利用BP神經網絡創建學習訓練過程，對每個連通域即有形成分進行分類。結果 采用該自動分類方法得到了尿沉渣圖像中有形成分的種類和數目。結論 該方法分類準確，可實現尿沉渣圖像中有形成分的自動識別與分類。

尿沉渣圖像；邊緣檢測；特征提取；BP神經網絡；Matlab

Objective To classify the tangible components in urinary sediment images automatically through application of BP (Back Propagation) neural network on basis of Matlab. Methods The urinary sediment images were preprocessed with the methods of graying, histogram enhancement, neighborhood filtering, median filtering and so on. Then, the Canny and Sobel operators were applied to perform edge detection. The information of connected domains for the tangible components were obtained through expansion corrosion and hole filling, from which 12 characteristic values including the perimeter, area, aspect ratio, rectangle and round degree were extracted as the input of BP neural network to classify the tangible components in urinary sediment images. Results The type and quantity of the tangible components in urinary sediment images were obtained with the application of this automatic classification method. Conclusion The automatic classification method made it possible to precisely identify and classify the tangible components in urinary sediment images.

urinary sediment images; edge detection; characteristics extraction; back propagation neural network; Matlab

TP183

A

10.3969/j.issn.1674-1633.2015.02.007

1674-1633(2015)02-0029-04

2014-08-14

2014-10-09

王兢業，副主任技師

作者郵箱：466593784@qq．com