血液细胞图像自动识别系统开发探讨

血液细胞图像自动识别系统的开发

汤学民1)林学訚2)何林1)

1) (深圳市人民医院 518020) 2) (清华大学计算机科学与技术系)

摘要运用计算机模式识别技术自动识别血细胞图像是模式识别在医学图像领域应用的一个重要研究课题。由于血细胞的种类多、图像复杂而使这项工作不易实现，目前，临床医学中对血细胞形态的识别都是人工操作。本系统运用模式识别技术可对外周血中的血细胞图像实现自动识别。本文所用的图像分割方法是在对图像距离变换的基础上，综合区域和边界方法，充分利用图像中包含的信息，实现血细胞图像的分割。根据细胞的形状、纹理、颜色等的特点选取并测定22个特征值，用统计分类的方法设计分类器。通过对50幅图像共88个细胞的测试表明，此系统的识别正确率为96%，经临床专家评估，此系统具有较好的实用价值。

关键词模式识别血液细胞自动识别

Abstract Ｉｔ　ｉｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｔｏｐｉｃ　ｉｎ　ｔｈｅ　ｆｉｅｌｄ　ｏｆ　ｍｅｄｉｃｉｎｅ　ｉｍａｇｅ　ｔｏ　ｍａｋｅ　ｒｅｓｅａｒｃｈ　ｏｎ　Ｂｌｏｏｄ　Ｃｅｌｌ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｗｉｔｈ　Ｃｏｍｐｕｔｅｒ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　ｔｅｃｈｎｉｑｕｅ．　Ｈｏｗｅｖｅｒ，　ｔｈｅｒｅ　ａｒｅ　ｓｏ　ｍａｎｙ　ｔｙｐｅｓ　ｏｆ　ｂｌｏｏｄ　ｃｅｌｌｓ　ａｎｄ　ｔｈｅ　ｉｍａｇｅ　ｉｓ　ｃｏｍｐｌｅｘ．　Ｔｈｅｒｅｆｏｒｅ，　ｉｔ　ｉｓ　ｎｏｔ　ｅａｓｙ　ｔｏ　ｆｕｌｆｉｌｌ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｗｉｔｈ　ｔｈｉｓ　ｔｅｃｈｎｉｑｕｅ．　Ｕｐ　ｔｏ　ｎｏｗ，　ｔｈｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｂｌｏｏｄ　ｃｅｌｌｓ　ｉｎ　ｃｌｉｎｉｃ　ｉｓ　ｂｙ　ｍａｎｕａｌ　ｗｏｒｋ．　Ｔｈｅ　ｓｙｓｔｅｍ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ　ｃａｎ　ｒｅｃｏｇｎｉｚｅ　ｔｈｅ　ｂｌｏｏｄ　ｃｅｌｌｓ　ｂｙ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｔｅｃｈｎｉｑｕｅ　ａｕｔｏｍａｔｉｃａｌｌｙ．　Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｆｕｌｆｉｌｌ　ｔｈｅ　ｓｅｇｍｅｎｔａｔｉｏｎ，　ｔｈｅ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄ　ｉｓ　ｂａｓｅｄ　ｏｎ　ｄｉｓｔａｎｃｅ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ　ｉｍａｇｅ，　ｃｏｍｂｉｎｉｎｇ　ｔｈｅ　ｒｅｇｉｏｎ　ａｐｐｒｏａｃｈ　ａｎｄ　ｅｄｇｅ　ａｐｐｒｏａｃｈ，　ａｎｄ　ｔａｋｉｎｇ　ｆｕｌｌ　ａｄｖａｎｔａｇｅ　ｏｆ　ｉｍａｇｅ　ｉｎｆｏｒｍａｔｉｏｎ．　Ｔｈｅｒｅ　ａｒｅ　２２　ｆｅａｔｕｒｅｓ　ｓｅｌｅｃｔｅｄ　ａｎｄ　ｍｅａｓｕｒｅｄ　ｉｎ　ａｃｃｏｒｄａｎｃｅ　ｔｏ　ｔｈｅ　ｓｈａｐｅ　ｏｆ　ｃｅｌｌ，　ｔｈｅ　ｔｅｘｔｕｒｅ　ｏｆ　ｃｅｌｌ，　ａｎｄ　ｃｏｌｏｒ　ａｐｐｅａｒａｎｃｅ　ｏｆ　ｃｅｌｌ．　Ｔｈｅ　ｃｌａｓｓｉｆｉｅｒ　ｉｓ　ｄｅｓｉｇｎｅｄ　ｗｉｔｈ　ｔｈｅ　ｓｔａｔｉｓｔｉｃａｌ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ．　Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｉｓ　９６％　ｆｒｏｍ　ｔｈｅ　８８　ｂｌｏｏｄ　ｃｅｌｌｓ　ｆｏｕｎｄ　ｉｎ　ａ　ｓｅｔ　ｏｆ　５０　ｉｍａｇｅｓ．　Ｔｈｅ　ｓｙｓｔｅｍ　ａｌｓｏ　ｃｏｎｆｉｒｍｓ　ｔｈｅ　ｖａｌｉｄｉｔｙ　ａｎｄ　ｔｈｅ　ｃｌｉｎｉｃａｌ　ｖａｌｕｅ．　

Keywords Pattern recognition, Blood Cell, Automatic recognition

1 引言　

随着计算机技术的不断发展，计算机技术在医学中的应用也越来越多，其中一个重要方面是对显微镜下细胞形态的自动图像识别。细胞形态的检测是医学检测中的一个重要部分，很多疾病的诊治主要依靠医学专家观察标本中细胞在显

微镜下的形态，对细胞进行识别和分类。目前最普遍和主要的方法是使用光学显微镜，观察经过染色的标本，根据每种细胞形态的不同进行分类和计数。这种人工分类的工作重复而单调、效率低下。随着计算机模式识别技术和人工智能研究的不断发展，人们把目光投向了对细胞图像的自动识别上，希望计算机能做到与医学专家一样快速准确地识别各类细胞并做出相应的诊断，这样将大大的提高检查效率，减少人为误差。由于图像中细胞形态复杂、细胞常重叠，标本制作时染色不好等原因，使细胞自动图像识别过程的关键——图像分割变得困难。又由于细胞种类较多，某些种类差别细微，因此对特征向量的选取和测定也提出了较高要求。

国外相关学者在这方面作了较广泛的研究，已提出一些分割方法，如Snakes 算法。Snakes方法是一种边界检定和图像分割的方法，也可用于细胞边界的定位。Snakes 模型是一条由n个控制点组成的连续闭合曲线，它用一个能量函数作为匹配度的评价函数，定义为E snake=E internal + E external，其中，E internal 和E external 分别为内部和外部函数，前者定义了模型的内部属性和内在运动趋向，后者则与被测区域的图像属性相关，使模型偏离内在运动趋向。该法总能找到一条闭合曲线，能有效将大多数细胞分割开来。但缺点是运算量很大，易受初始位置的影响，而且模型本身不包含目标对象信息，因此对模糊边界、局部变形或胞浆颗粒较大的细胞分割效果不佳。又如基于边界方法的各类边界检测算子，如马尔（Marr-Hidreth）算子，马尔算子是以拉普拉斯算子为基础，实现分为3步：首先，通过一个二维高斯函数对图像卷积以减低图像噪声的影响。其次，使用二阶导数差分算子如拉普拉斯算子来计算图像强度的二阶导数。最后，利用二阶导数过零点的性质确定边界位置。马尔算子的优点是快速，能得到一个闭合的轮廓。缺点是由于使用二阶导数，对噪声敏感。也有基于纹理或颗粒度的分割方法，由于白细胞有胞核，胞浆中大都有颗粒，这个纹理特点明显不同于红细胞，因此基于纹理或颗粒度的方法对多数白细胞分割效果较好。但对与红细胞纹理相似的小淋巴细胞和白细胞聚集时分割效果不理想。文献中还有其它图像分割的方法，或区域方法或边界方法，但这些方法对血细胞图像的分割都没有达到一个较理想的效果。一种方法对某类图像可能取得好的效果，但在其它场合下可能就不适合。正是由于细胞图像分割的困难和血细胞某些种类差别的细微，使得对所有血细胞