尿沉渣顯微圖像有形成分的識別與分析

徐曉蓉

摘要：尿沉渣檢查是對尿液進行有形成分識別的重要檢查手段，可以及時有效地檢查出腎臟疾病和泌尿道疾病，尿沉渣圖像檢查的臨床診斷準確度以及檢測速率的快慢，成了現階段在醫學研究上的重要討論話題，尿沉渣顯微圖像中有形成分繁多，所以在進行有形成分的識別時需要進行相應的圖像處理，才能夠分析出顯微圖像中各成分的占比，并做出準確的臨床診斷。該文首先分析了尿沉渣顯微圖像的特點，并展開了關于尿沉渣顯微圖像有形成分聚類分析識別以及BP神經網絡應用的探討。

關鍵詞：尿沉渣顯微圖像;有形成分識別;聚類分析;BP神經網絡

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2019）32-0202-02

尿沉渣顯微圖像在進行有形成分識別時，需要進行顯微圖像的預處理、圖像分割、目標定位及檢測、特征提取與選擇以及有形成分識別等步驟。圖像識別在概念上被分為三個層次，分別是圖像處理、圖像分析以及圖像理解。在尿沉渣顯微圖像有形成分識別中，圖像的預處理可以分為圖像的濾波處理、灰度化處理、對比度增強處理等;圖像的分析主要指進行有形成分提取的過程;圖像的理解自然就是關于識別方法的應用，對圖像中有形成分進行識別以及特征的分類。

1尿沉渣圖像的特點

1.1邊緣成像不穩定

在獲取尿沉渣圖像時，往往會發現在尿沉渣顯微圖像的整體邊緣出會出現一些黑邊，或者小面積的像素黑點。邊緣成像的不穩定也會給圖像識別的工作帶來很大的影響。

1.2目標與背景的對比度偏低

尿沉渣圖像成像時通常會采用點光源，而光源一般都會處在載物臺的中心位置，所以這也會使尿沉渣顯微圖像中心部位的亮度比圖像邊緣亮度高，而往往在選擇目標區域時，為了避免圖像邊緣成像不穩定和模糊的現象，會選著中心部位的目標進行分析。所以目標區域的成分內部和外部非常相近，所以在對比度上應該進行提高，這樣才能方便后續的觀察。

1.3邊緣模糊

圖像中有些有形成分的邊緣在成像時會出現模糊的現象，使其和背景相互融合，比如透明管型的上皮細胞，如果出現邊緣模糊的現象，那么就會在圖像分割和圖像提取上帶來很大的困難。

1.4有形成分存在重疊或粘連的現象

尿沉渣圖像中的有形成分種類繁多，細胞分布較為密集。所以細胞之間會出現重疊或者粘連的現象，在進行圖像處理時，應該對重疊或粘連部分進行切割。

2尿沉渣圖像的預處理以及分割方法

尿沉渣顯微圖像有形成分識別的第一步就是進行圖像的預處理，首先需要先將彩色的圖像進行灰度化的處理，這樣在進行尿沉渣圖像中有形成分提取時，才能夠更好地利用光密度特征、形態學特征以及紋理特征完成相應的操作。然后還需要對尿沉渣圖像進行降噪處理。在進行圖像采集時由于轉換器和某些電子元件在進行攝像和收集工作時會產生一定的噪音，所以為了確保圖像能夠在后續的分割中能夠正常使用，需要對圖像進行降噪處理，常用的集中濾波方式有低通濾波、中值濾波、高斯濾波以及閾值濾波。有形成分識別的第二步就是圖像的分割，圖像分割的方案有很多種，而比較常用的有邊緣檢測法、閾值分割法、區域生長分割法等。本文以邊緣檢測法為例做簡單的介紹，邊緣檢測法是對每個像素在其臨近區域內灰度變化進行檢測的方法，從一階方向導數或二階方向導數的變化規律來實現檢測。在一階或二階邊緣檢測局部算子法中通常會采用Sobel算子、Roberts算子、Kirsch算子、Prewitt算子、LOG算子、Marr算子等。

3尿沉渣圖像的特征提取

尿沉渣顯微圖像的第三個步驟為特征的提取和選擇，在進行特征提取時，通常情況下會從形態特征和紋理特征兩個方向進行操作。比如采用形態特征進行提取時，可以從面積、扁度、周長、圓形度、體態比等參數上進行計算。而紋理特征則能夠反映出尿沉渣顯微圖像中有形成分表面結構在排列上的特性，像這種紋理特征肉眼是無法觀察到的，需要利用計算機進行相應的數據計算。從尿沉渣圖像當中三個變化矩陣中提取出梯度熵、灰度熵以及角度二階距等紋理特征，然后通過引入相應的矩陣概念求出紋理參數。將形態特征和紋理特征相互結合，實現關于尿沉渣顯微圖像有形成分的識別和分析。

4尿沉渣顯微圖像有形成分聚類分析識別

在臨床實驗中尿沉渣顯微圖像有形成分識別的方法有很多種，比如：支持向量機、神經網絡、模糊推理等，這些方式都是針對尿沉渣顯微圖像中每個成分進行線性的識別。本文所探討的聚類分析識別是通過以有形成分的特征參數為依據，使每一類中能夠代表一個確定的有形成分，在通過對每一類進行目標的抽取與辨識，最終確定該類成分。在辨識抽取樣本時則采用BP神經網絡來完成。

4.1模糊聚類分析概述

模糊聚類分析是一種采用模糊數學語言并對分析事物按照一定要求進行描述以及分類的數學方法。在進行模糊聚類分析時需要根據所研究事物的自身屬性來創建模糊矩陣，并在模糊矩陣的基礎之上來確定聚類的關系，通過模糊數學的方式來確定每個樣本之間所存在的模糊關系定量，進行客觀的、準確的聚類。聚類是指將樣本分成多個類，每個類別之間的數據應該有較大的差別，而每個類別內的數據差距應該較小。

4.2聚類分析的要點和步驟

在尿沉渣顯微圖像中進行聚類分析時應該注意以下三個要點：1）樣本之間的相似性;2）聚類準則函數的選擇;3）聚類算法的選擇。在進行尿沉渣模糊聚類分析中為了確保樣本數據的標準化，需要采用兩種變換：平移標準差變換和平移級差變換。而在聚類算法中，通常采用的算法有：數字積法、相關系數法、最大最小法、算術平均最小法、幾何平均最小法、絕對值指數法等。但是在尿沉渣樣本聚類結果中往往會出現串類的現象，為了能夠有效地減少這樣的誤差，需要在聚類和神經網絡識別的環節之間加入一個環節—類間閾值分割法，通過采用類間閾值分割法就可以確保最后的類別劃分。具體操作步驟如圖1所示。

在數據表示上主要是指樣本的特征提取和選擇，而閾值的選取則決定最后類別劃分的準確性，所以在針對閾值入的選取上，也有著不同分類的正確和錯誤之分。本文根據上述步驟設計了尿沉渣顯微圖像有形成分模糊聚類的具體流程：1）對已經過預處理和圖像分割的尿沉渣圖像進行目標形態特征和紋理特征的提取，并根據相關的參數組成參數矩陣u，然后運用標準歸一化將所有的形態和紋理參數進行處理。2）采用相關系數法對已歸一化的矩陣建立出相似的矩陣R，在使用傳遞閉包法建立傳遞閉包矩陣B。3）統計矩陣B當中出現的不同值，收集不同值并設為待定閾值入，通過對每次閾值入的取值，可以獲得入的截矩陣P。4）將矩陣P當中所有相同的向量歸為一類。5）對所有分類采用F檢驗法進行入值的計算，并得出F統計量，F檢驗法時值，所給定的入值分類結果，對應最大F值的入值，就是閾值。

5BP神經網絡用于有形成分的識別

采用人工神經網絡進行有形成分的識別和分析時，主要運用識別方法為BP神經網絡，BP神經網絡是由非線性的變化單元所組成。BP網絡的廣泛應用是因為BP算法，其由兩部分組成，分別是：信息的正向傳輸和誤差的反向傳輸。在進行數據的正向傳輸時，數據從輸入層進入，并經過隱層的計算，從輸出層導出，每一層數據的狀態只會對下一層造成影響。如果在輸出層輸出時并沒有得到預期的輸出效果，那么輸出層就會對數據所存在的誤差進行計算，并按照反方向進行傳輸，并修改每層中神經元的權值大小，直到輸出效果達到預期效果為止。輸出結構如圖2所示。

從上圖中可以看出，分類器在結構層次上分為輸入層、隱層、輸出層三個部分。輸入層所輸人的向量是樣本個體經過歸一化處理后所體現的特征參數，而所輸出的向量類型則有很多種。

6結論

綜上所述，在尿沉渣顯微圖像有形成分識別和分析中，通過對圖像有形成分形態特征和文理特征的提取，并采用模糊聚類的分析方式將目標特性相似的個體分到同一種類之中，在對每個種類中的個體進行成分的檢查，從而提高成分識別的準確率。同時本文在進行模糊聚類識別的探討時，為了提高其識別效率，在其中運用了閾值分割的方式，為最后的成分類別識別做好確定工作。也針對已經確定性質的目標采取了BP神經網絡識別的手段，通過BP算法的計算實現正向傳輸以及反向傳輸，確保了有形成分識別的準確性。