白細胞自動分類系統的設計

齊天白

白細胞自動分類系統的設計

齊天白①

目的：設計一種白細胞自動識別分類系統，并對該系統進行評價，以解決臨床實驗室人工顯微鏡檢查速度慢、檢測結果不準確的問題。方法：采用MATLAB軟件實現圖像處理和算法分類，系統軟件由數字圖像處理模塊、自動分析模塊組成。通過分類器功能模塊，進行判別函數的分類決策，并對系統進行仿真實驗檢測。結果：通過系統仿真實驗，對樣本細胞進行了檢測，檢測的識別精度達到93%，識別速度達到97.8個/s。結論：白細胞自動分類系統不僅降低人力消耗，而且提高白細胞檢測精度和檢測速度，具有一定的臨床應用意義。

白細胞分類；MATLAB軟件；分類器；系統仿真實驗

齊天白,男,(1984- ),碩士，工程師。湖州市第三人民醫院設備科，從事醫療器械的臨床使用和維護研究工作。

白細胞分類對臨床診斷具有重要價值，為此臨床專家呼吁要重視外周血細胞形態學檢測[1]。臨床檢測中，經過血液分析儀初篩后仍有相當一部分標本需要檢驗科技師進行顯微鏡的鏡檢，而這也是當前血細胞形態學檢查的主要方法[2]。目前，大型醫院的門診住院人數逐年增加，為提高患者各類樣本的檢測效率，本研究設計一種白細胞自動分類系統，通過模糊模式識別的方法對白細胞進行分類，將顯微鏡下的模擬圖像轉換成數字圖像，通過對白細胞的分割圖像和特征識別，從而達到白細胞的自動分類識別的目的。

1 白細胞自動分類系統設計

白細胞自動識別分類系統的設計由硬件系統和軟件系統組成[3]。

1.1 硬件系統結構

硬件系統由Olympus BXx-51顯微鏡(日本，奧林巴斯公司)、TK-9250EC CCD攝像機(日本，JVC公司)、T6900C計算機(北京，聯想集團)以及顯示器組成，其結構如圖1所示；

圖1 硬件系統結構圖

采用MATLAB軟件實現圖像處理和算法分類，軟件開發環境采用Windows作為操作系統。白細胞分類系統操作界面如圖2所示。

圖2 白細胞分類系統操作界面圖

1.2 軟件系統設計

軟件設計主要由數字圖像處理模塊、自動分析模塊以及數據庫管理模塊組成。

(1)數字圖像處理模塊。設計主要實現白細胞圖像的預處理工作，包括對樣本細胞圖像的顏色模型轉換和圖像分割兩部分。數字圖像處理模塊是自動分析模塊的基礎[4]。

(2)自動分析模塊。將數字圖像處理模塊中的基本功能進行模糊模式識別算法的結合，完成白細胞圖像自動分類任務。

(3)數據庫管理模塊。此模塊主要完成數據的管理工作，包括測試樣本的數據庫和分類結果數據。

1.3 分類器設計

(1)分類器設計步驟。①選擇訓練樣本集，計算隸屬度函數[7]；②在圖像的特征空間內對每類樣本進行統計分析，訓練學習分類器，計算可靠值；③掃描整個數據庫，分別計算每個數據的低速度函數值；④根據決策規則，進行決策分類。

(2)多類分類器與兩類分類器的設計。分類器是由硬件和軟件組成的功能模塊，主要用于判別函數的分類決策，因此判別函數的確定十分重要[5]。分類器首先計算出N個判別函數，再從中選出對應于判別函數為最大值的類作為決策結果[6]。多類分類器的結構如圖3所示。

圖3 多類分類器構成示圖

目前需要分類器處理的圖像內容主要是圖像大或小和顏色為藍色或紫紅色兩類。因此，本研究設計兩類分類器，其結構如圖4所示。

圖4 兩類分類器結構示圖

2 白細胞自動分類系統檢測實驗

2.1 白細胞檢測系統基礎

檢測對象為外周血細胞涂片，經過顯微圖像采集和篩選后的細胞圖像為檢測對象[8]。檢測對象的形態特征顯著，并經過專家確認。

(1)檢測目的。為使細胞圖像有統一標準，使細胞識別的考核有統一標準，同時使系統有可操作的檢驗平臺，要求對酸細胞、堿細胞的比例大于病理診斷的最低限[9]。

(2)總體指標。①檢測項目：白細胞，淋巴細胞、淋巴細胞百分比(LY%)及淋巴細胞核面積，中性粒細胞、中性粒細胞百分比(N%)及中性粒細胞核面積，堿性粒細胞、堿性粒細胞百分比(BA%)及堿性粒細胞核面積，酸性粒細胞、酸性粒細胞百分比(EO%)及酸性粒細胞核面積；②單一樣本的平均檢驗時間＜2 min；③人工干預后與人工鏡檢符合率≥95%(與專家判斷的數據庫有關)；④單一涂片的重復率≥90%；⑤自動識別的精度≥90%。

(3)檢驗中的白細胞比例的定義。參照中國醫學科學院血液學研究所的外周血白細胞計數的參考值：①中性粒細胞為0.46%～0.64%；②酸性粒細胞為0～0.05%；③堿性粒細胞為0～0.01%；④淋巴細胞為0.24%～0.47%；⑤單核細胞為0.01%～0.07%。

為使檢驗指標對酸性、堿性粒細胞具有較強的檢測能力，并滿足病理診斷的要求，對于識別軟件的考核綜合評價指標中，提高酸性、堿性細胞的權重到10%，提高單核細胞的權重到15%。降低中性粒細胞的權重到45%，降低淋巴細胞的權重到20%。即：LY%=20%，N%=45%，MO%=15%，EO%=10%，BA%=10%。

(4)特征提取。對白細胞圖像進行特征提取時，環境條件包括光線環境、樣本制作條件及硬件設備條件(顯微鏡和圖像采集設備)。白細胞顯微圖像如圖5所示。

圖5 白細胞顯微圖(×100)

本研究采用圖像面積(A)度量細胞、細胞核、顆粒和細胞漿的大小；采用色度(H)度量細胞、細胞核、顆粒和細胞漿的顏色特征，采用類圓度(F)度量細胞、細胞核和顆粒的類圓程度；采用充實度(SOL)度量核的凹凸程度，在圖像特征空間里將血細胞進行分類。以淋巴細胞為例得到的細胞分割，如圖6所示。

圖6 淋巴細胞分割示圖

2.2 檢測指標精度定義

(1)自動識別的錯誤率用E表示。以細胞圖像特征顯著，經專家確認的外周血白細胞作為考核對象，分別對淋巴細胞、中性粒細胞、單核細胞、堿性粒細胞以及酸性粒細胞進行識別，自動識別的錯誤率E的計算為公式1：

式中El為淋巴細胞識別的錯誤率；Eg為中性粒細胞識別的錯誤率；Em為單核細胞識別的錯誤率；Eb為堿性粒細胞識別的錯誤率；Ee為酸性粒細胞識別的錯誤率。LY%=20%，N%=45%，MO%=15%，EO%=10%，BA%=10%。

(2)自動識別的精度用PR表示。PR的計算為公式2：

(3)單一樣本的平均檢驗時間(T)。以細胞圖像特征顯著，經專家確認的外周血白細胞作為考核對象，分別對淋巴細胞、中性粒細胞、單核細胞、堿性粒細胞以及酸性粒細胞進行識別，每一百個上述6類細胞識別的時間分別用字母Tl、Tg、Tm、Tb、Te及Tab表示，自動識別的平均檢驗時間T的計算為公式3：

(4)人工干預后的錯誤率用EM表示。以細胞圖像特征顯著，經專家確認的外周血白細胞作為考核對象，分別對淋巴細胞、中性粒細胞、單核細胞、堿性粒細胞以及酸性粒細胞進行識別，自動識別后，人工檢查識別結果，并對識別結果進行修正，修正后上述6類細胞的錯誤率分別用EMl、EMg、EMm、Emb和EMe表示，人工干預后的錯誤率EM的計算為公式4：

(5)人工干預后與人工鏡檢符合率用PRm表示，PRm的計算為公式5：

2.3 檢測結果及分析

在完成理論和仿真工作后，需要通過實驗完成系統檢測。檢測所用標本均由湖州市第三人民醫院兩位檢驗科技師共同采集，采集時間＜3 h。所有標本立刻進行檢驗，均需通過白細胞自動分類系統和一位工齡＞10年的檢驗科中級技師進行顯微鏡人工分類鏡檢，并設定人工鏡檢數據為最終準確結果值。由于目前對異常細胞未進行形態測試和確認，僅對5種正常外周血細胞進行測試，為了在對樣本訓練時獲得較好的收斂性，本研究采用歸一化處理方法，對輸入數據進行歸一化處理[9]。所有標本分別處理后得到的實驗原始記錄見表1(5種正常細胞檢測結果)；并通過表1的正確數量和總檢測數量相比，分別計算出誤識率和符合率見表2(識別程序誤識率測試結果)；測試時間的統計見表3(每100個細胞的測試時間表)。

表1 5種正常細胞檢測結果

表2 識別程序誤識率測試結果

表3 每100個細胞的測試時間表

3 討論

表1結果計算可得到五類細胞的總的誤識率和符合率，表2識別程序誤識率測試結果表，以及算出這五類細胞的檢測速度。表2顯示，使用該白細胞自動識別分類系統進行檢測，中性細胞數量最多，權重占到了45%，而誤識率最低，僅為5.45%，酸性細胞和堿性細胞權重分別為10%，誤識率也分別接近18.4%和14%，單核細胞占了測試細胞的15%，誤識率為11.3%，淋巴細胞接近20%，誤識率為7.45%。該程序的總誤識率為7%，符合率高達93%，效果十分理想。表3顯示，檢測占45%權重的中性細胞最快，每100個細胞用時87 s。每100個酸性細胞檢測用時97 s，每100個堿性細胞用時154 s，每100個單核細胞用時117 s，每100個淋巴細胞用時80 s，由此可得出每100個測試細胞用時為97.8 s，極大縮短了檢測時間。而正確率完全在誤差允許范圍內。

4 結論

本研究設計的白細胞自動識別分類研究系統基本硬件結構由顯微鏡、CCD攝像機、計算機及顯示器組成。采用MATLAB軟件實現圖像處理和算法分類[10-11]。系統軟件由數字圖像處理模塊、自動分析模塊組成。該系統主要通過分類器功能模塊，進行判別函數的分類決策[12]。本研究通過大量反復的實驗操作，最后通過系統仿真實驗，對樣本細胞進行了檢測，其檢測識別精度達到93%，速度達到每100個細胞的測試時間為97.8 s[13]。本研究結果表明，白細胞圖像語義識別研究有效可行，能夠很好的解決白細胞實時檢測時的精度和速度問題[14-15]。而之前的醫學圖像識別領域，多數的研究者采用神經網絡識別、支持向量機以及K均值算法等模式識別方法來進行相關的研究。

本研究探討用模糊模式來設計一種白細胞自動分類系統，用顯微鏡下的細胞圖像變成數字圖像，通過對白細胞形態語義特征通過模糊識別的方法來進行識別，達到白細胞自動分類的目的，并且縮短了檢測時間，為現代醫學血液診斷提供了理論參考價值和工程應用價值。

[1]劉敏，郭曉英，曹艷菲.淺談白細胞分類計數方法及臨床意義[J].家庭心理醫生，2015(6)：116-117.

[2]Huang DC，Huang KD，Chan YK.A computer assisted method for leukocyte mucleus segmentation and recognition in blood smear images[J]. J Syst Softw，2012，85(9)：2104-2118.

[3]Yu H，Ok CY，Hesse A，et al.Evaluation of an automated digital imaging system，Nextslide Digital Review Network，for examination of peripheral blood smears[J].Arch Pathol Lab Med，2012，136(6)：660-667.

[4]Li Y，Zhu R，Qian Y，et al.The Characteristics of Blood Glucose and WBC Counts in Peripheral Blood of cases of Hand Foot and Mouth Diseasa in China：A Systematic Review[J].Plos One，2012，7(17)：e29003.

[5]徐寧，王棟，李曼，等.血液白細胞圖像自動識別系統開發與應用[J].實驗技術與管理，2012，29(12)：44-47.

[6]屈晨雪，吳雪蓮，戴菊華，等.流式細胞術在外周血白細胞分類計數中的應用[J].中華檢驗醫學雜志，2016，39(5)：389-392.

[7]Khashman A.Investigation of different neural models for blood cell type identification[J]. NNeural Comput Appleural Computing and Ap plications，2012，21(6)：1171-1183.

[8]Gondek LP，DeZern AE.I walk the line：How to tell MDS from other bone marrow failure conditions[J].Curr Hematol Malig Rep，2014，9(4)：389-399.

[9]Wuilleme S，Le Bris Y.Misleading acute promyelocytic leukemia morphology[J].Blood，2015，125(24)：3815.

[10]Gasper BL，Sherma P，Das R.Anemia in malignancies：pathogenetic and diagnostic consideratings[J].Hematology，2015，20(1)：18-25.

[11]Rollins-Raval MA，Raval JS，Contis L.Experience with Cella Vision DM96 for peripheral blood differentials in a large multi-center academic hospital system[J].J Pathol Inform，2012，3(25)：29-32.

[12]Maenou I，Tabe Y，Bengtsson HI，et al. Performance evaluation of the autom-ated morphological analysis of erythrocytes by CellaVision DM96[J].Clin Lab，2013，59(11-12)：1413-1417.

[13]Bitencourt ED，Voegeli CF，Gabriela DS.Validation of the sysmex sp-1000i automated slide preparer-stainer in a clinical laboratory[J].Rev Bras Hematol Hemoter，2013，35(6)：404-408.

[14]中華醫學會血液學分會實驗診斷血液學學組.血細胞形態學分析中國專家共識(2013年版)[J].中華血液學雜志，2013，34(6)：558-560.

[15]刑瑩，閆曉華，普程偉，等.全自動數字圖像分析在外周血白細胞形態學復檢中的臨床應用[J].中華醫學雜志，2016，96(8)：634-639.

A design of automatic classification system for leukocyte

/QI Tian-bai//
China Medical Equipment,2017,14(3):16-20.

Objective: To design a automatic classification system for leukocytes in order to increase detection speed of manual microscope inspection and reduce the inaccurate detected results in clinical laboratory; and to evaluate this system. Methods: In this system, the image processing and algorithm classifying were achieved by MATLAB software consisted of digital image processing module and automatic classification module. Classification decision for discrimination function and simulated detection for this system were achieved by using automatic classification module. Results: In the simulation experiments, the detection results for sample cell demonstrated the recognition accuracy can achieve to 93% and the speed canachieve to 97.8 cells per second for this system. Conclusion: The automatic recognition and classification system for leukocyte not only reduces human consumption, but also improves the detection accuracy and detection speed for leukocyte, and it has some significant in clinical application.

Leukocyte classification; MATLAB software; Classifier; System simulation experiment

1672-8270(2017)03-0016-05

R197.324

A

10.3969/J.ISSN.1672-8270.2017.03.004

2016-12-05

①湖州市第三人民醫院設備科 浙江 湖州 313000

[First-author’s address] Department of Equipment, Huzhou Third Municipal Hospital, Huzhou 313000, China.