齐天白

白细胞自动分类系统的设计

齐天白①

目的：设计一种白细胞自动识别分类系统，并对该系统进行评价，以解决临床实验室人工显微镜检查速度慢、检测结果不准确的问题。方法：采用MATLAB软件实现图像处理和算法分类，系统软件由数字图像处理模块、自动分析模块组成。通过分类器功能模块，进行判别函数的分类决策，并对系统进行仿真实验检测。结果：通过系统仿真实验，对样本细胞进行了检测，检测的识别精度达到93%，识别速度达到97.8个/s。结论：白细胞自动分类系统不仅降低人力消耗，而且提高白细胞检测精度和检测速度，具有一定的临床应用意义。

白细胞分类；MATLAB软件；分类器；系统仿真实验

齐天白,男,(1984- ),硕士，工程师。湖州市第三人民医院设备科，从事医疗器械的临床使用和维护研究工作。

白细胞分类对临床诊断具有重要价值，为此临床专家呼吁要重视外周血细胞形态学检测[1]。临床检测中，经过血液分析仪初筛后仍有相当一部分标本需要检验科技师进行显微镜的镜检，而这也是当前血细胞形态学检查的主要方法[2]。目前，大型医院的门诊住院人数逐年增加，为提高患者各类样本的检测效率，本研究设计一种白细胞自动分类系统，通过模糊模式识别的方法对白细胞进行分类，将显微镜下的模拟图像转换成数字图像，通过对白细胞的分割图像和特征识别，从而达到白细胞的自动分类识别的目的。

1 白细胞自动分类系统设计

白细胞自动识别分类系统的设计由硬件系统和软件系统组成[3]。

1.1 硬件系统结构

硬件系统由Olympus BXx-51显微镜(日本，奥林巴斯公司)、TK-9250EC CCD摄像机(日本，JVC公司)、T6900C计算机(北京，联想集团)以及显示器组成，其结构如图1所示；

图1 硬件系统结构图

采用MATLAB软件实现图像处理和算法分类，软件开发环境采用Windows作为操作系统。白细胞分类系统操作界面如图2所示。

图2 白细胞分类系统操作界面图

1.2 软件系统设计

软件设计主要由数字图像处理模块、自动分析模块以及数据库管理模块组成。

(1)数字图像处理模块。设计主要实现白细胞图像的预处理工作，包括对样本细胞图像的颜色模型转换和图像分割两部分。数字图像处理模块是自动分析模块的基础[4]。

(2)自动分析模块。将数字图像处理模块中的基本功能进行模糊模式识别算法的结合，完成白细胞图像自动分类任务。

(3)数据库管理模块。此模块主要完成数据的管理工作，包括测试样本的数据库和分类结果数据。

1.3 分类器设计

(1)分类器设计步骤。①选择训练样本集，计算隶属度函数[7]；②在图像的特征空间内对每类样本进行统计分析，训练学习分类器，计算可靠值；③扫描整个数据库，分别计算每个数据的低速度函数值；④根据决策规则，进行决策分类。

(2)多类分类器与两类分类器的设计。分类器是由硬件和软件组成的功能模块，主要用于判别函数的分类决策，因此判别函数的确定十分重要[5]。分类器首先计算出N个判别函数，再从中选出对应于判别函数为最大值的类作为决策结果[6]。多类分类器的结构如图3所示。

图3 多类分类器构成示图

目前需要分类器处理的图像内容主要是图像大或小和颜色为蓝色或紫红色两类。因此，本研究设计两类分类器，其结构如图4所示。

图4 两类分类器结构示图

2 白细胞自动分类系统检测实验

2.1 白细胞检测系统基础

检测对象为外周血细胞涂片，经过显微图像采集和筛选后的细胞图像为检测对象[8]。检测对象的形态特征显著，并经过专家确认。

(1)检测目的。为使细胞图像有统一标准，使细胞识别的考核有统一标准，同时使系统有可操作的检验平台，要求对酸细胞、碱细胞的比例大于病理诊断的最低限[9]。

(2)总体指标。①检测项目：白细胞，淋巴细胞、淋巴细胞百分比(LY%)及淋巴细胞核面积，中性粒细胞、中性粒细胞百分比(N%)及中性粒细胞核面积，碱性粒细胞、碱性粒细胞百分比(BA%)及碱性粒细胞核面积，酸性粒细胞、酸性粒细胞百分比(EO%)及酸性粒细胞核面积；②单一样本的平均检验时间＜2 min；③人工干预后与人工镜检符合率≥95%(与专家判断的数据库有关)；④单一涂片的重复率≥90%；⑤自动识别的精度≥90%。

(3)检验中的白细胞比例的定义。参照中国医学科学院血液学研究所的外周血白细胞计数的参考值：①中性粒细胞为0.46%～0.64%；②酸性粒细胞为0～0.05%；③碱性粒细胞为0～0.01%；④淋巴细胞为0.24%～0.47%；⑤单核细胞为0.01%～0.07%。

为使检验指标对酸性、碱性粒细胞具有较强的检测能力，并满足病理诊断的要求，对于识别软件的考核综合评价指标中，提高酸性、碱性细胞的权重到10%，提高单核细胞的权重到15%。降低中性粒细胞的权重到45%，降低淋巴细胞的权重到20%。即：LY%=20%，N%=45%，MO%=15%，EO%=10%，BA%=10%。

(4)特征提取。对白细胞图像进行特征提取时，环境条件包括光线环境、样本制作条件及硬件设备条件(显微镜和图像采集设备)。白细胞显微图像如图5所示。

图5 白细胞显微图(×100)

本研究采用图像面积(A)度量细胞、细胞核、颗粒和细胞浆的大小；采用色度(H)度量细胞、细胞核、颗粒和细胞浆的颜色特征，采用类圆度(F)度量细胞、细胞核和颗粒的类圆程度；采用充实度(SOL)度量核的凹凸程度，在图像特征空间里将血细胞进行分类。以淋巴细胞为例得到的细胞分割，如图6所示。

图6 淋巴细胞分割示图

2.2 检测指标精度定义

(1)自动识别的错误率用E表示。以细胞图像特征显著，经专家确认的外周血白细胞作为考核对象，分别对淋巴细胞、中性粒细胞、单核细胞、碱性粒细胞以及酸性粒细胞进行识别，自动识别的错误率E的计算为公式1：

式中El为淋巴细胞识别的错误率；Eg为中性粒细胞识别的错误率；Em为单核细胞识别的错误率；Eb为碱性粒细胞识别的错误率；Ee为酸性粒细胞识别的错误率。LY%=20%，N%=45%，MO%=15%，EO%=10%，BA%=10%。

(2)自动识别的精度用PR表示。PR的计算为公式2：

(3)单一样本的平均检验时间(T)。以细胞图像特征显著，经专家确认的外周血白细胞作为考核对象，分别对淋巴细胞、中性粒细胞、单核细胞、碱性粒细胞以及酸性粒细胞进行识别，每一百个上述6类细胞识别的时间分别用字母Tl、Tg、Tm、Tb、Te及Tab表示，自动识别的平均检验时间T的计算为公式3：

(4)人工干预后的错误率用EM表示。以细胞图像特征显著，经专家确认的外周血白细胞作为考核对象，分别对淋巴细胞、中性粒细胞、单核细胞、碱性粒细胞以及酸性粒细胞进行识别，自动识别后，人工检查识别结果，并对识别结果进行修正，修正后上述6类细胞的错误率分别用EMl、EMg、EMm、Emb和EMe表示，人工干预后的错误率EM的计算为公式4：

(5)人工干预后与人工镜检符合率用PRm表示，PRm的计算为公式5：

2.3 检测结果及分析

在完成理论和仿真工作后，需要通过实验完成系统检测。检测所用标本均由湖州市第三人民医院两位检验科技师共同采集，采集时间＜3 h。所有标本立刻进行检验，均需通过白细胞自动分类系统和一位工龄＞10年的检验科中级技师进行显微镜人工分类镜检，并设定人工镜检数据为最终准确结果值。由于目前对异常细胞未进行形态测试和确认，仅对5种正常外周血细胞进行测试，为了在对样本训练时获得较好的收敛性，本研究采用归一化处理方法，对输入数据进行归一化处理[9]。所有标本分别处理后得到的实验原始记录见表1(5种正常细胞检测结果)；并通过表1的正确数量和总检测数量相比，分别计算出误识率和符合率见表2(识别程序误识率测试结果)；测试时间的统计见表3(每100个细胞的测试时间表)。

表1 5种正常细胞检测结果

表2 识别程序误识率测试结果

表3 每100个细胞的测试时间表

3 讨论

表1结果计算可得到五类细胞的总的误识率和符合率，表2识别程序误识率测试结果表，以及算出这五类细胞的检测速度。表2显示，使用该白细胞自动识别分类系统进行检测，中性细胞数量最多，权重占到了45%，而误识率最低，仅为5.45%，酸性细胞和碱性细胞权重分别为10%，误识率也分别接近18.4%和14%，单核细胞占了测试细胞的15%，误识率为11.3%，淋巴细胞接近20%，误识率为7.45%。该程序的总误识率为7%，符合率高达93%，效果十分理想。表3显示，检测占45%权重的中性细胞最快，每100个细胞用时87 s。每100个酸性细胞检测用时97 s，每100个碱性细胞用时154 s，每100个单核细胞用时117 s，每100个淋巴细胞用时80 s，由此可得出每100个测试细胞用时为97.8 s，极大缩短了检测时间。而正确率完全在误差允许范围内。

4 结论

本研究设计的白细胞自动识别分类研究系统基本硬件结构由显微镜、CCD摄像机、计算机及显示器组成。采用MATLAB软件实现图像处理和算法分类[10-11]。系统软件由数字图像处理模块、自动分析模块组成。该系统主要通过分类器功能模块，进行判别函数的分类决策[12]。本研究通过大量反复的实验操作，最后通过系统仿真实验，对样本细胞进行了检测，其检测识别精度达到93%，速度达到每100个细胞的测试时间为97.8 s[13]。本研究结果表明，白细胞图像语义识别研究有效可行，能够很好的解决白细胞实时检测时的精度和速度问题[14-15]。而之前的医学图像识别领域，多数的研究者采用神经网络识别、支持向量机以及K均值算法等模式识别方法来进行相关的研究。

本研究探讨用模糊模式来设计一种白细胞自动分类系统，用显微镜下的细胞图像变成数字图像，通过对白细胞形态语义特征通过模糊识别的方法来进行识别，达到白细胞自动分类的目的，并且缩短了检测时间，为现代医学血液诊断提供了理论参考价值和工程应用价值。

[1]刘敏，郭晓英，曹艳菲.浅谈白细胞分类计数方法及临床意义[J].家庭心理医生，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]徐宁，王栋，李曼，等.血液白细胞图像自动识别系统开发与应用[J].实验技术与管理，2012，29(12)：44-47.

[6]屈晨雪，吴雪莲，戴菊华，等.流式细胞术在外周血白细胞分类计数中的应用[J].中华检验医学杂志，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]中华医学会血液学分会实验诊断血液学学组.血细胞形态学分析中国专家共识(2013年版)[J].中华血液学杂志，2013，34(6)：558-560.

[15]刑莹，闫晓华，普程伟，等.全自动数字图像分析在外周血白细胞形态学复检中的临床应用[J].中华医学杂志，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湖州市第三人民医院设备科 浙江 湖州 313000

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