計算機輔助識別在急性白血病細胞形態(tài)學中的應用*

楊玉，壽瑋齡，吳衛(wèi)（.中國醫(yī)學科學院 北京協(xié)和醫(yī)院檢驗科，北京00730；2.首都醫(yī)科大學附屬北京潞河醫(yī)院血液科，北京049）

白血病是一組高度異質(zhì)性的造血系統(tǒng)惡性腫瘤，具有增殖和生存優(yōu)勢的白血病細胞在體內(nèi)無控性增生和聚集，逐漸取代正常造血。白血病診斷的基礎是實驗室診斷，包括形態(tài)學、免疫學、遺傳學及分子生物學4個方面。檢測骨髓和外周血細胞形態(tài)可指導造血與淋巴組織腫瘤相關疾病的診斷、分類、分期，并為監(jiān)測療效及預后判斷等提供依據(jù)。人工鏡檢是細胞形態(tài)學檢查的金標準。但人工鏡檢耗時、費力、技術難度高，其依賴于檢驗工作者的個人能力水平和閱片經(jīng)驗，具有主觀性。與人工分析相比，經(jīng)過驗證的白細胞（WBC）自動計數(shù)和分類系統(tǒng)可以更準確、快速地提供可量化的數(shù)據(jù)，推動了WBC數(shù)字圖像計算機輔助識別技術的發(fā)展。本文綜述了計算機輔助識別技術在急性白血病細胞形態(tài)學分析領域的研究及應用進展。

1 計算機輔助識別在白細胞圖像識別領域的現(xiàn)狀

隨著計算機系統(tǒng)、復雜處理能力和圖形分析軟件的改進以及人工神經(jīng)網(wǎng)絡的出現(xiàn)，數(shù)字成像系統(tǒng)重回臨床實驗室，用于血常規(guī)分析。2014版ICSH指出數(shù)字成像細胞定位/預分類系統(tǒng)的評估需包括下列性能：可重復性/精密度、準確度、可比性、診斷靈敏度和特異度［1］。目前，一些全自動細胞形態(tài)學分析儀已在臨床應用，如CellaVisionDM96、DI-60、Celldiff BCM-2等。任穎佳等［2］用DM96對WBC及非WBC成分預分類的正確率為82.3%。楊婧等［3］研究發(fā)現(xiàn)，DM96系統(tǒng)人工校正與顯微鏡手工分類結果有著較好的相關性。曾素根等［4］用DI-60系統(tǒng)預分類WBC的正確率為91.14%。劉新等［5］研究發(fā)現(xiàn)，DI-60系統(tǒng)人工審核結果與人工鏡檢具有較好的正相關性。武秋燕［6］用BCM-2預分類WBC的總準確率為94.9%。薛贏俊等［7］研究發(fā)現(xiàn)，BCM-2人工糾正與鏡檢分類結果的相關性除外嗜堿性粒細胞的線性有明顯偏差（P＜0.01），中性桿狀核粒細胞、中性分葉核粒細胞、淋巴細胞、單核細胞、嗜酸性粒細胞及幼稚粒細胞的線性均無明顯偏差。由于骨髓細胞成分復雜，自動識別難度高，尚未有自動化儀器在臨床應用。

1.1 白細胞形態(tài)學識別中常用的染色和圖像模式 瑞氏-姬姆薩染色是外周血和骨髓涂片廣泛使用的染色方法，在普通顯微鏡下觀察血涂片中各種WBC形態(tài)。染色后的血細胞更容易辨別。一些研究者也在使用其他染色方法，如利什曼（Leishman）染色、羅曼諾夫斯基（Romanowsky）染色等［8-10］。

外周血和骨髓涂片經(jīng)染色后，用光學顯微鏡觀察血涂片體尾交界細胞分布均勻處，拍攝目的細胞圖像，存儲為便于后續(xù)處理和保存的圖片格式，如tiff、jpg格式等。

1.2 計算機輔助識別在白細胞識別中的技術方法研究 計算機輔助識別系統(tǒng)通常分為4個階段，即預處理、分割、特征提取和分類（圖1）。這些技術在WBC輔助識別中得到很好的應用（表1）。

圖1 白細胞計算機輔助識別系統(tǒng)常規(guī)流程［11］

表1 計算機輔助識別白細胞圖像

1.2.1 圖像預處理 圖像預處理直接影響圖像識別效果。通過預處理可去除圖像噪聲，增強圖像可識別性，便于提取正確的分割和分類特征。常用方法包括直方圖均衡化、中值濾波、高斯濾波、線性對比度拉伸等。

圖像處理過程中常用顏色空間包括RGB、HSI、L*a*b、CMY等。各種顏色空間之間可由公式進行轉換。

1.2.2 分割 WBC分割是圖像識別的核心，分割出ROI區(qū)域。傳統(tǒng)圖像分割方法已經(jīng)研究得比較充分，常用方法有邊緣分割、閾值化分割、區(qū)域分割、聚類分割、形態(tài)學分割、基于小波的分割等。在傳統(tǒng)圖像分割算法外，使用深度學習（deep learning，DL）技術的圖像分割方法也開始廣泛應用于WBC分割領域?，F(xiàn)有工作大都使用精心制備和標注的血細胞圖像集，選用業(yè)內(nèi)成熟的圖像分割或者圖像檢測模型進行訓練，如U-Net、YoloV3、Faster RCNN、Mask RCNN等。從結果來看，訓練集的質(zhì)量和數(shù)量對最終訓練得到的模型準確率影響很大。Phuong等［20］用SegNet對血涂片中的WBC和紅細胞進行分割，準確率為97.8%和93.3%。Andrade等［7］還原15篇WBC核分割文章的技術方法分別應用于ALLIDB2、BloodSeg、Leukocytes、JTSC Database和CellaVision 5個公開圖像數(shù)據(jù)庫的圖像進行對比研究，該研究發(fā)現(xiàn)聚類算法、Otsu閾值、簡單的算術運算和區(qū)域生長應用最廣泛；結果表明對于不同數(shù)據(jù)庫，分割算法的性能顯著不同；當分割所有數(shù)據(jù)庫全部細胞圖像時，其中兩種最佳方法的平均準確率均高于97%，Kappa指數(shù)優(yōu)良，平均骰子指數(shù)大于0.85，全部方法真陽性率最高58.44%，這一結果證實這些圖像之間的高度相似性，但不能保證一種方法能分割所有WBC核。

1.2.3 特征提取 特征提取是圖像識別的重要步驟，是為每個ROI部分識別一組定量描述符的過程。傳統(tǒng)機器學習方法使用人工設計的特征提取器來提取WBC圖像特征，包括形態(tài)特征：核質(zhì)比、面積、周長、圓形度、短軸、長軸、離心率、曲率、體積等；紋理特征：主要方法是粒度法和灰度共生矩陣；顏色特征：均值、方差、偏度、峰度等。與之不同的是，DL和卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）方法采用自底向上的特征提取策略，通過大量訓練集來自動化提取高維特征。Hegde等［21］對傳統(tǒng)圖像處理和CNN方法提取WBC特征進行對比研究，使用傳統(tǒng)圖像處理方法提取113個形狀、顏色、紋理特征；形成鮮明對比的是基于CNN構造的模型AlexNet自動化提取并輸出1 000個特征；將兩種方法提取的特征訓練分類器，使用傳統(tǒng)處理方法和Alexnet特征分類正常和異常WBC平均準確率分別為99.7%和100%，正常WBC亞型分類平均準確率分別為98.4%和98.9%；研究表明傳統(tǒng)圖像處理方法和“CNN作為特征生成器”方法都提供了很有前途的結果，可用于WBC的分類，然而，CNN的訓練與傳統(tǒng)圖像處理方法相比，需要更大的數(shù)據(jù)集和更高的計算資源。

1.2.4 分類 在ROI分割和特征提取后，每個細胞圖像由一組數(shù)字描述符唯一描述。自動分類是將一組描述符分配給特定類的過程。常用分類器有支持向量機（SVM）、決策樹、神經(jīng)網(wǎng)絡（NN）、k-最近鄰（K-NN）、隨機森林（RF）、樸素貝葉斯等。DL通常在特征提取CNN之后直接再加入一層使用卷積操作的全連接層作為分類器。

使用DL進行WBC識別的研究近幾年開始變多，也同樣是采用大量血細胞圖像集配合基于CNN的圖像分類模型。陳暢等［22］以AlexNet和LeNet為網(wǎng)絡原型構建卷積神經(jīng)網(wǎng)絡CCNet，對979張WBC圖像進行5分類，最佳分類準確率為99.18%。Shahin等［23］提出了一種基于深度CNN的WBC識別系統(tǒng)WBCsNet，對3種不同的公共WBC數(shù)據(jù)集（2 551張WBC圖像）進行5分類的整體分類準確率為96.1%。Habibzadeh等［24］則是直接采用業(yè)內(nèi)成熟網(wǎng)絡Res-Net和Inception訓練WBC識別模型，準確率達到99.84%。

2 計算機輔助識別在急性白血病細胞中的研究現(xiàn)狀

計算機輔助識別在急性白血病中的應用是在對WBC識別的基礎上，更進一步深入的研究。其研究方法也主要分為傳統(tǒng)機器學習和深度學習兩方面。

2.1 急性髓細胞白血?。ˋML） Agaian等［25］提出AML血液顯微圖像自動篩選系統(tǒng)，分類準確率為98%。Kazemi等［26］應用k-均值聚類和SVM自動識別AML血液顯微圖像。德國亥姆霍茲聯(lián)合會環(huán)境健康研究所和慕尼黑大學附屬醫(yī)院的研究團隊［27］針對AML診斷中非常關注的原始粒細胞、幼稚粒細胞、幼稚單核細胞和正常WBC，給出了基于卷積神經(jīng)網(wǎng)絡ResNext的識別方案，并公開了數(shù)據(jù)集，他們的方案由18 000張經(jīng)過標注的WBC圖像訓練而成，在正常WBC和原始粒細胞上準確率較高，在幼稚細胞上的準確率不高。

2.2 急性淋巴細胞白血?。ˋLL） Amin等［28］識別ALL細胞及其亞型，癌細胞和非癌細胞平均識別準確度97%，各亞型細胞平均識別準確度95.6%。Jha等［29］提出基于相互信息的混合模型和DL檢測ALL，分類準確度為98.7%。Mishra等［12］提出一種基于離散正交S變換、主成分分析、線性判別式分析的計算機輔助診斷系統(tǒng)來檢測ALL，該方法準確度為99.66%。Rehman等［30］利用DL對ALL進行分類，利用CNN的魯棒分割和DL技術訓練醫(yī)學圖像的模型，獲得了準確的分類結果，并將其結果與其他分類器樸素貝葉斯、KNN和SVM的結果進行比較，結果顯示該方法的準確率達到97.78%。

3 總結與展望

隨著臨床標本劇增、形態(tài)學人員的欠缺以及人員能力的不均衡，計算機輔助識別系統(tǒng)提供快速客觀的預分類結果，幫助檢驗人員快速觀察及時發(fā)現(xiàn)異常細胞，大大提高工作效率。王庚等［31］指出細胞形態(tài)檢測系統(tǒng)對各類WBC的預分類精密度、敏感性、特異性不同，嗜堿性粒細胞、單核細胞、早幼粒細胞、晚幼粒細胞及異型淋巴細胞誤判率較大，嗜酸性粒細胞的漏診率較大，將單核細胞誤認為中性晚幼粒細胞的幾率最大，異型淋巴細胞誤認為淋巴細胞的幾率最大。目前，計算機輔助識別系統(tǒng)逐漸成熟，但其各類WBC的識別準確度參差不齊，希望未來研究工作能取得更多成效。骨髓涂片中細胞成分復雜，目前還沒有可應用于臨床的圖像識別系統(tǒng)，有待更多的研究應用于臨床工作。

細胞圖像識別過程中常見問題包括：細胞圖像染色不均一、不同照明源、背景雜質(zhì)、細胞間存在黏連重疊、各類型原始細胞之間特征相似、反應性淋巴細胞與原始細胞特征相似等。自動血涂片儀的制片和染色更一致，但操作手法、染料性能、儀器性能等都會影響涂片均一性。骨髓成分復雜、制片染片要求高，目前采用新鮮抽取未抗凝骨髓直接涂片，手工制片、染色不能做到均勻一致。由于上述問題的存在，使得在分割、分類時產(chǎn)生了困難。希望通過不斷開發(fā)新方法和改進現(xiàn)有算法及分類器來解決圖像識別中的問題，提高分割分類準確率。

白血病細胞圖像識別研究數(shù)據(jù)集大多是某些公開的圖像數(shù)據(jù)庫或者研究者自行制備的血細胞圖像，通常數(shù)據(jù)庫不統(tǒng)一、數(shù)據(jù)集較小，其研究方法在本研究中獲得較高的準確率，并未在其他數(shù)據(jù)集上進行驗證，不能驗證方法的可靠性。未來的研究可建立各類白血病骨髓象及血象的大型電子形態(tài)學圖片庫，為圖像識別模型預訓練和模型性能評估提供幫助。

近年來，外周血和骨髓細胞形態(tài)學識別的研究一直在進行。傳統(tǒng)方法是自頂向下的解決思路，由人工設計良好的特征提取器，人工特征的優(yōu)劣很大程度決定了最終結果準確度。深度學習是自底向上的解決思路，通過大量優(yōu)質(zhì)數(shù)據(jù)集進行反復訓練，由模型自動提取得到的良好特征，更可能獲得全局最優(yōu)解，但是模型性能受訓練集質(zhì)量和規(guī)模的影響較大［32］。

本文介紹了計算機輔助識別WBC形態(tài)的技術方法，這些方法廣泛應用在急性白血病細胞形態(tài)學識別中，但在圖像識別過程中仍有一些問題難以解決，有待研究者們通過不斷探尋新方法或改進傳統(tǒng)方法加以攻克。計算機輔助識別系統(tǒng)提供快速客觀的預分類結果，提高閱片效率，均衡了各級醫(yī)療機構醫(yī)師的閱片水平，是未來WBC形態(tài)學識別的發(fā)展方向。