計(jì)算機(jī)圖像識(shí)別在白血病形態(tài)學(xué)診斷中的應(yīng)用

顧桂穎，劉景鑫，石張鎮(zhèn)，陳明欣，白元松

吉林大學(xué)中日聯(lián)誼醫(yī)院 a.腫瘤血液科；b.放射線科；c.醫(yī)務(wù)部，吉林 長(zhǎng)春 130033

引言

通過顯微鏡觀察血細(xì)胞形態(tài)是血液系統(tǒng)疾病診斷和評(píng)估的重要方法。白血病是一類造血干細(xì)胞的惡性血液系統(tǒng)疾病。傳統(tǒng)的檢測(cè)方式是對(duì)血液和骨髓涂片標(biāo)本進(jìn)行人工鏡檢，也是診斷的主要線索和依據(jù)。人工鏡檢是一項(xiàng)高度重復(fù)性工作，費(fèi)力、耗時(shí)，由于高度依賴于檢驗(yàn)醫(yī)師的經(jīng)驗(yàn)，并沒有嚴(yán)格量化的判定標(biāo)準(zhǔn)。血細(xì)胞分析儀是利用電阻抗法、激光散射法等原理對(duì)白細(xì)胞進(jìn)行分類計(jì)數(shù)[1]。這些儀器大大提高了檢測(cè)速度，準(zhǔn)確性也高，但是不能檢測(cè)細(xì)胞的形態(tài)學(xué)異常。流式細(xì)胞術(shù)通過測(cè)定電阻、熒光、光散射和光吸收來測(cè)定細(xì)胞大小、體積、顆粒情況、DNA及蛋白質(zhì)含量、酶活性、細(xì)胞膜受體和表面抗原等理化及生物學(xué)信息識(shí)別細(xì)胞。盡管結(jié)果準(zhǔn)確性很高，但是依然不能檢測(cè)細(xì)胞的形態(tài)學(xué)異常，而且價(jià)格相對(duì)昂貴。因此通過顯微鏡圖像進(jìn)行血細(xì)胞分析仍然是臨床實(shí)踐中診斷白血病的重要手段。圖像處理技術(shù)能夠進(jìn)行細(xì)胞計(jì)數(shù)并提供細(xì)胞的形態(tài)學(xué)信息，這使得利用計(jì)算機(jī)技術(shù)進(jìn)行白血病細(xì)胞識(shí)別和診斷成為可能。本文綜述了計(jì)算機(jī)輔助 診斷技術(shù)在白血病細(xì)胞識(shí)別領(lǐng)域的研究及應(yīng)用進(jìn)展。

1 血細(xì)胞識(shí)別的基本過程及相關(guān)技術(shù)

計(jì)算機(jī)輔助細(xì)胞學(xué)診斷技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用由來已久。二十世紀(jì)60年代就出現(xiàn)了全自動(dòng)血涂片分析系統(tǒng)CELLSCAN/GLOPR、TICAS、SPECTERII，但其檢測(cè)的準(zhǔn)確性及處理速度均不理想；二十世紀(jì)70年代Hematrak及LARC等商用血涂片分類機(jī)問世，但其結(jié)構(gòu)復(fù)雜、體積大、成本高，且性能不穩(wěn)定；二十世紀(jì)80年代開始出現(xiàn)彩色細(xì)胞圖像分析儀，但是識(shí)別率仍不高[2-3]。近年來許多學(xué)者進(jìn)行了利用圖像識(shí)別進(jìn)行白細(xì)胞分類的研究，重點(diǎn)主要集中于細(xì)胞分割及識(shí)別的算法研究。其基本過程主要有4部分：采集顯微鏡下血/骨髓涂片標(biāo)本的圖像并進(jìn)行預(yù)處理，利用不同圖像分割算法進(jìn)行白細(xì)胞分割，提取特征，最后通過識(shí)別算法進(jìn)行細(xì)胞識(shí)別。

1.1 圖像采集及預(yù)處理

1.1.1 血細(xì)胞圖像的采集

首先將外周血/骨髓液通過推片、干燥制作成涂片，然后進(jìn)行瑞士吉姆薩染色固定。在顯微鏡下（一般為油鏡，放大1000倍）利用數(shù)字?jǐn)z像機(jī)進(jìn)行拍攝。

傳統(tǒng)的外周血細(xì)胞圖像包括3部分內(nèi)容：紅細(xì)胞、白細(xì)胞、血小板。目前研究的主要內(nèi)容集中在白細(xì)胞的分類。外周血白細(xì)胞一般可分為5大類：中性粒細(xì)胞、嗜酸性粒細(xì)胞、嗜堿性粒細(xì)胞、淋巴細(xì)胞和單核細(xì)胞?？梢酝ㄟ^細(xì)胞形狀、大小、胞漿中是否含有顆粒、核分葉數(shù)量等來鑒別細(xì)胞。

骨髓細(xì)胞較外周血復(fù)雜，除了成熟紅細(xì)胞及血小板外，主要為各類有核細(xì)胞包括粒系、紅系、淋巴系、單核系、漿細(xì)胞系，另外還有巨核細(xì)胞及少數(shù)骨髓基質(zhì)細(xì)胞。由于骨髓中細(xì)胞分布較外周血更為密集，形態(tài)更為復(fù)雜，所以骨髓細(xì)胞的自動(dòng)分類更難實(shí)現(xiàn)。

1.1.2 圖像的預(yù)處理

顯微鏡下采集的細(xì)胞圖像常常包含復(fù)雜的背景，成熟紅細(xì)胞及雜質(zhì)會(huì)影響白細(xì)胞的分析。圖像質(zhì)量也會(huì)受到模糊強(qiáng)度、噪聲等影響，不同成像條件會(huì)導(dǎo)致圖像亮度和色調(diào)的差異。各項(xiàng)圖像識(shí)別的研究中常常先進(jìn)行圖像預(yù)處理，主要方法有：直方圖均衡、平滑濾波、銳化濾波、低通及高通濾波等[4-7]。直方圖均衡是利用圖像直方圖對(duì)對(duì)比度進(jìn)行調(diào)整的方法。平滑濾波可以去除圖像中某些類型的噪聲，又分為鄰域平均法和中值濾波法。中值濾波法既能濾除噪音，又能保護(hù)圖像的邊緣，防止圖像模糊。銳化濾波能增強(qiáng)圖像的輪廓，突出圖像的細(xì)節(jié)，也就是通常所說的“勾邊”技術(shù)。低通濾波是將頻域中的高頻濾掉，能降低圖像的視覺噪聲。高通濾波是濾掉頻域中的低頻部分，能加強(qiáng)圖像的邊緣及急劇變化部分。

1.1.3 彩色空間模型

彩色空間在圖像處理中并非研究的主流，但其選擇會(huì)影響圖像分割的效果。在血細(xì)胞圖像識(shí)別中常涉及到的彩色空間模型有RGB、HSI、CIELab等模型。各彩色空間可以通過算法實(shí)現(xiàn)轉(zhuǎn)換。在細(xì)胞識(shí)別的相關(guān)研究中，通過不同彩色空間的轉(zhuǎn)換及組合取得了較好的分割效果[8-10]。

（1）RGB模型。是一種線性的加色模式，圖像由紅（Red）、綠（Green）、藍(lán)（Blue）3個(gè)分量構(gòu)成。RGB是面向顯示器等硬件設(shè)備最常用的模型，但其圖像視覺效果差，缺乏直觀感，更適合于顯示系統(tǒng)，而非圖像處理。

（2）HSI模型。是一種非線性表示系統(tǒng)，由色調(diào)（Hue）、飽和度（Saturation）、亮度（Intensity）3個(gè)分量構(gòu)成，分量之間相對(duì)獨(dú)立。HSI模型能定量地描述顏色特征，更符合人類的視覺特性，是彩色圖像處理中常用的模型。在HSI彩色空間圖像可以分為彩色信息和灰度信息，亦適合許多基于灰度的圖像處理技術(shù)。

（3）CIELab模型。是一種均勻顏色空間，用亮度（L）和色差（a、b）來描述顏色分量。CIELab是一種與設(shè)備無關(guān)的彩色空間。

1.2 白細(xì)胞分割算法

現(xiàn)有的研究大多通過顯微鏡圖像進(jìn)行半自動(dòng)骨髓細(xì)胞形態(tài)分析，大量的研究工作集中在白細(xì)胞分割。由于特征提取及分類的準(zhǔn)確性依賴于正確的圖像分割，因此細(xì)胞分割是圖像識(shí)別中最重要也是最具挑戰(zhàn)性的一部分。目前常用的圖像分割的算法主要有[8]：① 閾值為基礎(chǔ)的算法，最大類間方差法、區(qū)域生長(zhǎng)、分水嶺算法等；② 模式識(shí)別為基礎(chǔ)的算法，有監(jiān)督分類主要是以學(xué)習(xí)為基礎(chǔ)的算法，如支持向量機(jī)（Support Vector Machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)等；無監(jiān)督分類主要是聚類，包括K均值聚類、模糊C均值聚類、EM算法等；③ 可變形模型為基礎(chǔ)的算法，分為參數(shù)模型和幾何模型，如常用的水平集方法、活動(dòng)輪廓模型等。除了以上3類外，還有形態(tài)學(xué)操作等算法。

1.2.1 閾值法

閾值是一種傳統(tǒng)的圖像分割方法，其分割的依據(jù)是圖像像素的灰度分布差異。因此解決問題的關(guān)鍵在于如何選取最佳閾值。閾值法的缺點(diǎn)是沒有考慮圖像的空間特性，對(duì)噪聲比較敏感。Madhloom等[6]通過圖像算法、最小濾波和全局閾值技術(shù)支持下的自動(dòng)對(duì)比延伸進(jìn)行外周血白細(xì)胞細(xì)胞核的分割，準(zhǔn)確性為85%～98%。Ghosh等[11]介紹了一種改進(jìn)的閾值技術(shù)，通過伽瑪、高斯和柯西類型模糊隸屬函數(shù)實(shí)現(xiàn)細(xì)胞核的識(shí)別。相比而言，柯西隸屬函數(shù)較其他方法分割效果好。

1.2.2 分水嶺法

分水嶺法是基于測(cè)地重建理論，通過模擬盆地地形漲水過程來實(shí)現(xiàn)分割。該方法對(duì)微弱邊緣具有良好的響應(yīng)，常用來處理細(xì)胞粘連問題。由于噪聲和梯度的局部不規(guī)則性，分水嶺法容易產(chǎn)生過分割的問題，圖像噪聲信息較多時(shí)分割效果差?？娀鬯镜萚12]提出了一種結(jié)合距離變換與邊緣梯度的分水嶺算法，結(jié)果顯示在粘連及重疊的細(xì)胞分割時(shí)效果較好。在白細(xì)胞的分割中，由于細(xì)胞核和細(xì)胞質(zhì)及紅細(xì)胞的灰度差異較大，容易產(chǎn)生過分割。侯慧等[13]提出了結(jié)合EM聚類的改進(jìn)分水嶺算法，有效的減少了過分割區(qū)域。

1.2.3 聚類法

特征空間聚類法是將圖像空間中的像素用特征空間點(diǎn)表示，根據(jù)他們?cè)谔卣骺臻g的聚集進(jìn)行分割。聚類法最大的問題是影響分類結(jié)果的聚類數(shù)目、初始值等不易選取。K均值聚類是常用的聚類算法。Sinha等[9]對(duì)染色后外周血涂片的彩色圖像進(jìn)行白細(xì)胞五分類。在HSV色彩空間通過K均值聚類和EM算法來實(shí)現(xiàn)白細(xì)胞分割；提取特征后利用50例（每類10例）數(shù)據(jù)對(duì)不同分類器進(jìn)行訓(xùn)練，34例進(jìn)行測(cè)試。結(jié)果顯示分割的準(zhǔn)確性為80%。人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類準(zhǔn)確率為97%，SVM分類器準(zhǔn)確率為94%。但是該研究細(xì)胞數(shù)量較少，結(jié)果需要進(jìn)一步試驗(yàn)驗(yàn)證。

模糊C均值聚類是從模糊集合理論出發(fā)，用隸屬度確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)聚類的程度的一種聚類算法，常采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則。其缺點(diǎn)在于對(duì)聚類初始化的中心較為敏感，選取不當(dāng)容易陷入局部極小值而難以收斂到聚類中心。Theera-Umpon[5]利用基于模糊C均值聚類法的自動(dòng)算法，對(duì)骨髓白細(xì)胞的細(xì)胞核和細(xì)胞漿進(jìn)行分割。再通過形態(tài)學(xué)開閉運(yùn)算完成圖像的最終處理；提取細(xì)胞特征后利用神經(jīng)網(wǎng)絡(luò)進(jìn)行骨髓粒細(xì)胞系6種細(xì)胞（原始粒細(xì)胞、早幼粒細(xì)胞、中幼粒細(xì)胞、晚幼粒細(xì)胞、桿狀核細(xì)胞和分葉核細(xì)胞）的分類。結(jié)果顯示，自動(dòng)分割圖像分類率為70.74%和65.69%，與人工分割圖像的分類率（71.81%和69.68%）相近。

1.2.4 骨髓細(xì)胞分割需要解決的問題

骨髓中有核細(xì)胞的種類及分布較外周血復(fù)雜，采用單一的分割方法效果并不理想。許多學(xué)者嘗試結(jié)合不同的彩色空間模型，綜合選用幾種分割方法進(jìn)行改進(jìn)，從而提升分割的準(zhǔn)確性。骨髓細(xì)胞的分割常面臨的問題有：

（1）將骨髓細(xì)胞區(qū)域與背景分離。細(xì)胞質(zhì)染色較淺，與背景及紅細(xì)胞的分割存在一定難度。

（2）解決細(xì)胞粘連問題。某些疾病尤其是白血病時(shí)骨髓增生明顯活躍，細(xì)胞分布密集，細(xì)胞之間常常出現(xiàn)粘連重疊。解決細(xì)胞粘連常用的方法有腐蝕膨脹法、測(cè)地重建法、分水嶺變換重建邊界法、凹點(diǎn)檢測(cè)等[14-15]。

（3）細(xì)胞核與細(xì)胞漿的分離。由于細(xì)胞核及細(xì)胞漿的特征在鑒別細(xì)胞時(shí)有很重要的作用，許多研究常常分別提取細(xì)胞核和細(xì)胞漿的特征，這種情況下則需要進(jìn)行核漿分離。由于細(xì)胞核染色深，細(xì)胞漿染色淺，兩者顏色反差比較大，因此可采用最大類間方差法進(jìn)行核漿分離。

1.3 特征提取及選擇

1.3.1 細(xì)胞識(shí)別常用特征

經(jīng)過分割確定細(xì)胞區(qū)域后，提取特征參數(shù)用于細(xì)胞的識(shí)別分類。提取的特征值一般分3類[16]：

（1）形狀特征：形狀的表達(dá)和描述包括輪廓特征如周長(zhǎng)、長(zhǎng)軸、短軸、離心率、曲率等；區(qū)域特征如面積、重心、外接矩特征、類圓度、等效直徑等；變換特征如傅里葉描述子等。

（2） 顏色特征：直方圖顏色特征如顏色均值、方差、偏度、峰度等；顏色能量特征如能量、灰度熵等。彩色空間的選擇是描述顏色特征的一個(gè)關(guān)鍵環(huán)節(jié)。

（3）質(zhì)地特征：質(zhì)地特征的提取算法有灰度共生矩陣、Gabor變換、分形維數(shù)、LBP算子等。

骨髓中有核細(xì)胞種類繁多，不同分化程度的細(xì)胞形態(tài)差異亦較大。傳統(tǒng)的形態(tài)學(xué)需要依據(jù)細(xì)胞大小、細(xì)胞核及細(xì)胞漿的特點(diǎn)、核漿比、顆粒等特點(diǎn)進(jìn)行鑒別。因此在許多研究中分別對(duì)細(xì)胞核和細(xì)胞漿進(jìn)行特征提取。由于骨髓細(xì)胞分割的一大難題是解決細(xì)胞相連的問題，而細(xì)胞核的分割較整個(gè)細(xì)胞的分割相對(duì)容易實(shí)現(xiàn)。Theera-umpon等[17]為了探索依據(jù)細(xì)胞核特征能否進(jìn)行細(xì)胞識(shí)別，他們從骨髓粒系6種細(xì)胞的灰階圖像中分割細(xì)胞核，并依據(jù)其形態(tài)粒度特性提取特征。然后利用貝葉斯分類器和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。結(jié)果顯示僅依據(jù)細(xì)胞核特征可以達(dá)到77%的分類率。

1.3.2 特征篩選及降維

在多數(shù)發(fā)表的研究中，大多需要人工選擇特征去進(jìn)行細(xì)胞的識(shí)別，良好的特征對(duì)最終識(shí)別的準(zhǔn)確性至關(guān)重要。Mohapatra等[18]設(shè)計(jì)了一種血和骨髓標(biāo)本中識(shí)別淋巴母細(xì)胞（惡性）和淋巴細(xì)胞（正常）的定量方法。白細(xì)胞的分割和識(shí)別通過圖像聚類實(shí)現(xiàn)。他們先提取了細(xì)胞核及細(xì)胞漿的44個(gè)特征參數(shù)如形狀、輪廓、不規(guī)則碎片、顏色、質(zhì)地、傅立葉描述子等，然后通過T檢驗(yàn)選擇了33個(gè)特征參數(shù)用來訓(xùn)練集成分類器識(shí)別細(xì)胞。這一方法最終取得了不錯(cuò)的結(jié)果，但是他們只是將細(xì)胞識(shí)別為良性和惡性，并沒有進(jìn)行亞型分類。Sarrafzadeh等[19]利用SVM分類器依據(jù)6個(gè)細(xì)胞核及細(xì)胞漿的顏色特征、6個(gè)細(xì)胞核的幾何特征及13個(gè)細(xì)胞漿的質(zhì)地特征進(jìn)行白細(xì)胞五分類的識(shí)別，準(zhǔn)確性為93%。

一般情況下，提取的大量特征值中有些是冗余的。當(dāng)特征維數(shù)較大時(shí)，可能會(huì)產(chǎn)生過擬合現(xiàn)象，導(dǎo)致分類器在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，而測(cè)試數(shù)據(jù)效果差。人工選擇特征帶有摸索性質(zhì)，主觀因素較多。主成分分析是目前應(yīng)用廣泛的降維算法，對(duì)線性相關(guān)問題降維效果良好。Moradiamin等[20]在急性淋巴細(xì)胞白血病（Acute Lymphoblastic Leukemia，ALL）細(xì)胞識(shí)別的研究中，先通過模糊C均值聚類算法分割細(xì)胞核，然后提取了細(xì)胞核的幾何和統(tǒng)計(jì)學(xué)特征，利用主成分分析減少特征的空間維度，最后選擇了前8個(gè)主成分特征，通過支持向量機(jī)分類器進(jìn)行識(shí)別。結(jié)果發(fā)現(xiàn)通過主成分分析選擇特征，識(shí)別敏感性和精確度較其之前的研究提高了10%。在其之后的研究[21]中利用包含不同核心程序和參數(shù)的集成SVM分類器將細(xì)胞識(shí)別為L(zhǎng)1、L2、L3和非腫瘤細(xì)胞4類。由于該研究所用數(shù)據(jù)未公開，所以試驗(yàn)的重復(fù)性以及與其他方法的比較尚不能進(jìn)行。其他的降維算法還有Relief算法、遺傳算法以及各種改進(jìn)算法。

目前的研究多為良惡性的二分類、五分類等簡(jiǎn)單分類，骨髓中細(xì)胞種類多，不同成熟程度的細(xì)胞之間可能不具備典型的類別特征，各類別之間可能存在特征重疊，因此對(duì)特征參數(shù)的要求更高，如何設(shè)計(jì)及篩選分類能力強(qiáng)的特征參數(shù)是一大難題。

1.4 白細(xì)胞的分類識(shí)別算法

1.4.1 淺層機(jī)器學(xué)習(xí)

常用的分類、回歸等方法多數(shù)屬于淺層機(jī)器學(xué)習(xí)，如決策樹、貝葉斯分類以及近年來出現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。淺層機(jī)器學(xué)習(xí)的局限性在于對(duì)復(fù)雜函數(shù)的表示能力有限。

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的非線性、自適應(yīng)運(yùn)算模型。常用的有多層感知器（Multilayer Perceptron，MLP）、極限學(xué)習(xí)機(jī)、誤差反向傳播（Back Projection，BP）神經(jīng)網(wǎng)絡(luò)。最具代表性的為BP神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)比較簡(jiǎn)單，具有很好的泛化能力。艾大萍等[22]利用BP神經(jīng)網(wǎng)絡(luò)對(duì)150例骨髓細(xì)胞進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率在80%以上。針對(duì)單個(gè)分類器性能不穩(wěn)定的缺點(diǎn)，陳林偉[23]用集成方法進(jìn)行決策，設(shè)計(jì)了基于元胞自動(dòng)機(jī)的極限學(xué)習(xí)機(jī)集成算法，在骨髓細(xì)胞的分類上精度達(dá)97.43%，有效的解決了神經(jīng)網(wǎng)絡(luò)分類器不穩(wěn)定的缺點(diǎn)。

SVM是基于統(tǒng)計(jì)學(xué)中的VC維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理，將向量映射到一個(gè)高維空間，通過構(gòu)造一個(gè)或多個(gè)超平面來進(jìn)行分類。SVM對(duì)小樣本、高維、非線性問題具有很好的泛化能力。在細(xì)胞分類識(shí)別領(lǐng)域SVM分類器應(yīng)用廣泛。SVM的缺點(diǎn)在于如何確定核函數(shù)目前還沒有合適的方法。

1.4.2 深度學(xué)習(xí)

深度學(xué)習(xí)是近年來出現(xiàn)的一種圖像識(shí)別算法，其原理是模仿人的視覺信息處理過程，通過不斷的迭代與抽象從樣本信息中獲得特征，并得到最終的輸出結(jié)構(gòu)。深度學(xué)習(xí)通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，用較少的參數(shù)實(shí)現(xiàn)復(fù)雜函數(shù)的逼近，具有強(qiáng)大的特征學(xué)習(xí)能力。常用的有卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、反卷積網(wǎng)絡(luò)等。深圳大學(xué)的賈洪飛[24]設(shè)計(jì)了一種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行外周血白細(xì)胞的自動(dòng)五分類。將外周血圖像進(jìn)行分割后，建立白細(xì)胞數(shù)據(jù)庫(kù)，用一部分?jǐn)?shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，另一部分?jǐn)?shù)據(jù)集驗(yàn)證網(wǎng)絡(luò)模型的性能，最終白細(xì)胞的平均識(shí)別率為99.64%。該方法不需要人工設(shè)計(jì)特征，大大降低了算法的復(fù)雜性。黃震[25]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)外周血白細(xì)胞進(jìn)行五分類，結(jié)果顯示卷積神經(jīng)網(wǎng)絡(luò)對(duì)于樣本多的類別分類優(yōu)于SVM，整體分類精度也高于SVM。但是該研究樣本數(shù)量較少，沒有對(duì)過擬合進(jìn)行改進(jìn)。

2 計(jì)算機(jī)輔助技術(shù)在白血病細(xì)胞識(shí)別方面的研究

白血病根據(jù)細(xì)胞的成熟程度和自然病程，可分為急性和慢性兩大類。法、美、英分型系統(tǒng)（FAB）將急性白血病分為急性髓細(xì)胞白血病（Acute Myelocytic Leukemia，AML）和ALL。骨髓及外周血形態(tài)分析對(duì)于白血病的診斷和病情評(píng)估至關(guān)重要。目前已有一些圖像識(shí)別輔助白血病細(xì)胞分類及診斷方面的研究，但主要還處于研究階段?，F(xiàn)發(fā)表的研究多針對(duì)骨髓中某一系統(tǒng)細(xì)胞進(jìn)行識(shí)別，以淋巴系統(tǒng)細(xì)胞分類為多。

2.1 粒細(xì)胞系統(tǒng)

FAB將AML分為M0～M7八種形態(tài)學(xué)亞型。Lim等[26]為了分割急性髓系白血病細(xì)胞，設(shè)計(jì)了一種包括梯度幅值、閾值、形態(tài)學(xué)操作、分水嶺算法的方法。他們報(bào)道對(duì)50幅測(cè)試圖像分割準(zhǔn)確性在94.5%，M2、M5、M6亞型的分割準(zhǔn)確性分別為94.58%、95.06%和95.65%。Agaian等[10]在ASH在線圖庫(kù)中選取了來自40例AML和40例正常人的外周血圖像，轉(zhuǎn)化為CIELAB色彩空間后，通過K均值聚類算法進(jìn)行分割，分別提取局部二元模式（Local Binary Pattern，LBP）算子處理前后的全片圖像的豪斯多夫維數(shù)特征、灰度共生矩陣特征及顏色、形狀特征。最后通過SVM識(shí)別細(xì)胞的良惡性。結(jié)果顯示，LBP算子處理后分類準(zhǔn)確率提高了4%。

Nasir等[27]對(duì)200幅ALL和300幅AML圖像進(jìn)行分割提取特征后，分別利用神經(jīng)網(wǎng)絡(luò)濾波算法和貝葉斯算法訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)化模糊ARTMAP (SFAM)神經(jīng)網(wǎng)絡(luò)，將細(xì)胞分為原始淋巴細(xì)胞、原始粒細(xì)胞和正常細(xì)胞。結(jié)果顯示分類準(zhǔn)確性均在90%以上。而貝葉斯算法訓(xùn)練MLP結(jié)果最佳，準(zhǔn)確率為95.7%。

2.2 淋巴細(xì)胞系統(tǒng)

FAB將ALL分為L(zhǎng)1、L2、L3三種形態(tài)學(xué)亞型。Li等[8]研究了一種雙閾值的方法分割A(yù)LL患者的淋巴細(xì)胞。他們結(jié)合RGB和HSV色彩空間的圖像，首先獲得對(duì)比延伸后的灰階圖像和HSV色彩空間的H維度圖像，通過雙閾值方法進(jìn)行細(xì)胞分割，最后通過數(shù)學(xué)形態(tài)學(xué)算法和中值濾波降低噪聲并去除不完整的白細(xì)胞。通過ALL-IDB數(shù)據(jù)庫(kù)圖像進(jìn)行檢測(cè)，結(jié)果顯示白細(xì)胞分割準(zhǔn)確率為97.85%。Silbiger等[28]設(shè)計(jì)了一種自動(dòng)識(shí)別ALL的系統(tǒng)，利用CIELAB色彩空間的AB維度，通過K均值聚類分割細(xì)胞核，提取細(xì)胞核的豪斯多夫維數(shù)特征。利用SVM識(shí)別細(xì)胞的良惡性，準(zhǔn)確率為93.5%。目前多數(shù)研究是對(duì)只含有一兩個(gè)細(xì)胞的剪切圖像進(jìn)行處理，該研究能直接對(duì)含多個(gè)白細(xì)胞的原始圖像進(jìn)行分割。Mirmohammadi等[29]在HSV色彩空間的H、S維度上通過模糊C均值聚類方法進(jìn)行細(xì)胞核的分割；提取細(xì)胞核的77個(gè)幾何及質(zhì)地特征；利用主成分分析方法選取前6個(gè)特征；通過SVM分類器識(shí)別ALL細(xì)胞并將其分為L(zhǎng)1、L2、L3三類。結(jié)果顯示分類準(zhǔn)確性分別為96%、92%、99%。這一研究只進(jìn)行了細(xì)胞核的分割及特征提取，并沒有進(jìn)行細(xì)胞漿的分析。Abbas等[30]通過最大類間方差法全局閾值和形態(tài)學(xué)操作膨脹來分割淋巴細(xì)胞的細(xì)胞核。他們處理了380幅顯微鏡圖像，分割準(zhǔn)確性為96.5%，并且計(jì)算時(shí)間減少了50%。Amin等[4]對(duì)來自14例ALL和7例正常人的21張外周血及骨髓標(biāo)本中總共958個(gè)細(xì)胞進(jìn)行了分析，他們?cè)谥狈綀D均衡后的HSV色彩空間圖像上利用K均值算法進(jìn)行細(xì)胞核分割，提取細(xì)胞核的統(tǒng)計(jì)學(xué)及幾何特征，最終利用多重支持向量機(jī)分類器識(shí)別ALL的3種亞型，敏感性為84.3%，特異性為97.3%，準(zhǔn)確性95.6%。Neoh等[31]對(duì)ALL和健康人的標(biāo)本進(jìn)行研究。首先利用標(biāo)記符控制分水嶺分割算法分割白細(xì)胞，然后通過基于SDM（Stimulating Discriminant Measures）的聚類算法在CIELAB色彩空間分割細(xì)胞核和細(xì)胞漿。提取了細(xì)胞核及細(xì)胞漿的80個(gè)特征，包括形狀、質(zhì)地、顏色及統(tǒng)計(jì)學(xué)信息。最后通過MLP、SVM以及集成分類器進(jìn)行細(xì)胞識(shí)別。利用ALL-IDB2數(shù)據(jù)庫(kù)圖像進(jìn)行系統(tǒng)性能評(píng)估。結(jié)果顯示Dempster-shafer ensemble準(zhǔn)確性最高（96.72%），基于高斯徑向基核函數(shù)的SVM為96.67%。該研究考慮了類內(nèi)類間離散度，克服了經(jīng)典模糊C均值聚類算法著重于類內(nèi)離散度的缺點(diǎn)，在細(xì)胞核和細(xì)胞漿的識(shí)別上優(yōu)于線性判別分析（Linear Discriminant Analysis，LDA）和模糊緊性分離（Fuzzy Compactness and Separation，F(xiàn)CS）。Khashman等[32]通過Otsu閾值、中值濾波、邊緣檢測(cè)、基于核的模式分析處理了來自ALL-IDB2數(shù)據(jù)庫(kù)的80幅ALL圖像，提取的圖像像素作為MLP的輸入，并設(shè)計(jì)了不同訓(xùn)練測(cè)試比（75%:25%，50%:50%，25%:75%）的3種測(cè)試策略來檢測(cè)系統(tǒng)性能。75%:25%訓(xùn)練測(cè)試比達(dá)到了90%的準(zhǔn)確性。Putzu等[33]對(duì)33幅圖像中245/267個(gè)白細(xì)胞通過閾值操作分割細(xì)胞核和細(xì)胞漿，然后提取了131個(gè)形狀、顏色、質(zhì)地特征，訓(xùn)練不同分類器進(jìn)行細(xì)胞識(shí)別。結(jié)果顯示基于高斯徑向基核函數(shù)的SVM是ALL識(shí)別的最適模型，準(zhǔn)確性93%，敏感性98%。

2.3 漿細(xì)胞系統(tǒng)

Sa eedizadeh等[34]研究了一種自動(dòng)識(shí)別骨髓瘤細(xì)胞和正常漿細(xì)胞的方法。他們利用K均值、瓶頸算法和分水嶺算法對(duì)50幅圖像的678個(gè)細(xì)胞進(jìn)行了細(xì)胞核和細(xì)胞漿的分割。特征提取之后進(jìn)行一系列判定規(guī)則來判定是漿細(xì)胞還是其他骨髓細(xì)胞。結(jié)果顯示敏感性為96.52%，特異性93.04%，準(zhǔn)確性為95.28%。

3 總結(jié)與展望

目前的研究在計(jì)算機(jī)輔助血細(xì)胞識(shí)別尤其是白細(xì)胞五分類及ALL細(xì)胞識(shí)別方面取得了一定的成果，通過不斷改良分割及識(shí)別算法等細(xì)節(jié)，細(xì)胞識(shí)別的準(zhǔn)確性及敏感性已經(jīng)逐漸提高。隨著計(jì)算機(jī)技術(shù)尤其是深度學(xué)習(xí)的不斷發(fā)展，計(jì)算機(jī)輔助圖像識(shí)別技術(shù)克服了人工細(xì)胞形態(tài)分析的低效、偏主觀性等不足，有望為臨床提供一種快速、低成本的細(xì)胞分類計(jì)數(shù)方法。但骨髓中細(xì)胞種類繁多，目前進(jìn)行骨髓全部有核細(xì)胞系統(tǒng)的分類的研究有限。因此利用計(jì)算機(jī)圖像識(shí)別技術(shù)構(gòu)建全骨髓細(xì)胞形態(tài)分類診斷系統(tǒng)，可能成為未來的研究方向之一。

[1] 賀軍濤,張彥平,何娜,等.Cella vision DM96血細(xì)胞形態(tài)自動(dòng)成像儀在低值血小板計(jì)數(shù)中的應(yīng)用[J].西部醫(yī)學(xué),2015,27(11):1657-1659.

[2] 喻杰.基于計(jì)算機(jī)圖像處理的白細(xì)胞自動(dòng)分類系統(tǒng)[D].鎮(zhèn)江:江蘇大學(xué),2005.

[3] 王筱艷.細(xì)胞圖像的分割與計(jì)數(shù)[D].成都:四川大學(xué) ,2007.

[4] Amin MM,Kerman i S,Talebi A,et al.Recognition of acute lymphob lastic leukemia cells in microscopic images using k-means clustering and support vector machine classifier[J].J Med Signals Sens,2015,5(1):49-58.

[5] Theera-Umpon N.White blood cell segmentation and classification in microscopic bone marrow images[A].International Conference on Fuzzy Systems and Knowledge Discovery[C].2005,3614:787-796.

[6] Madhloom HT,Kareem SA,Arif fin H,et al.An automated white blood cell nucleus localization and segmentation using image arithmetic and automatic threshold[J].J Appl Sci,2010,10(11):959-966.

[7] Scotti F.Robust segmentation and measurements techniques of white cells in blood microscope images[A].Instrumentation and Measurement Technology Conference[C].2006:24-27.

[8] Li Y,Zhu R,Mi L,et al.Segmentation of white blood cell from acute lymphoblastic leukemia images using dual-threshold method[J].Comput Math Methods Med,2016,9514707.

[9] Sinha N,Ramakrishnan A.Automation of differential blood count[A].TENCON 2003.Conference on Convergent Technologies for Asia-Pacific Region[C].New York:IEEE,2003:547-551.

[10] Agaian S,Madhukar M,Chronopoulos AT.Automated screening system for acute myelogenous leukemia detection in blood microscopic images[J].IEEE Syst,2014,8(3):995-1004.

[11] Ghosh M,Das D,Chakraborty C,et al.Automated leukocyte recognition using fuzzy divergence[J].Micron,2010,41(7):840-846.

[12] 繆慧司,梁光明,劉任任,等.結(jié)合距離變換與邊緣梯度的分水嶺血細(xì)胞分割[J].中國(guó)圖像圖形學(xué)報(bào),2016,21(2):192-198.

[13] 侯慧,石躍祥.基于距離變換的改進(jìn)分水嶺算法在白細(xì)胞圖像分割中的應(yīng)用[J].計(jì)算技術(shù)與自動(dòng)化,2016,34(3):81-84.

[14] 張小京.骨髓細(xì)胞圖像的分割與特征提取[D].西安:西安電子科技大學(xué),2006.

[15] 楊輝華,趙玲玲,潘細(xì)朋,等.基于水平集和凹點(diǎn)區(qū)域檢測(cè)的粘連細(xì)胞分割方法[J].北京郵電大學(xué)學(xué)報(bào),2016,39(6):11-16.

[16] 謝雅婷.顯微鏡細(xì)胞特征提取及識(shí)別[D].湘潭:湘潭大學(xué),2012.

[17] Theera-Umpon N,Dhompongsa S.Morphological granulometric features of nucleus in automatic bone marrow white blood cell classification[J].IEEE T Inf Technol B,2007,11(3):353-359.

[18] Mohapatra S,Patra D,Satpathy S.An ensemble classifier system for early diagnosis of acute lymphoblastic leukemia in blood microscopic images[J].Neural Comput Appl,2014,24(7-8):1887-1904.

[19] Sarrafzadeh O,Rabbani H,Talebi A,et al.Selection of the best features for leukocytes classification in blood smear microscopic images[J].SPIE,2014:90410P-90410P-8.

[20] Moradiamin M,Samadzadehaghdam N,Kermani S,et al.Enhanced recognition of acute lymphoblastic leukemia cells in microscopic images based on feature reduction using principle component analysis[J].Front Biomed Tech,2015,2:128-136.

[21] Moradiamin M,Memari A,Samadzadehaghdam N,et al.Computer aided detection and classification of acute lymphoblastic leukemia cell subtypes based on microscopic image analysis[J].Microsc Res Tech,2016,79(10):908-916.

[22] 艾大萍,尹曉紅,劉伯強(qiáng),等.一種骨髓細(xì)胞識(shí)別分類算法的研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2009,28(4):549-553.

[23] 陳林偉.基于極限學(xué)習(xí)機(jī)的骨髓細(xì)胞識(shí)別技術(shù)研究[D].杭州:中國(guó)計(jì)量學(xué)院,2014.

[24] 賈洪飛.基于深度學(xué)習(xí)的白細(xì)胞分類計(jì)數(shù)的研究[D].深圳:深圳大學(xué),2017.

[25] 黃震.外周血白細(xì)胞分割和識(shí)別的算法研究[D].杭州:中國(guó)計(jì)量學(xué)院,2015.

[26] Lim HN,Mashor MY,Hassan R.White blood cell segmentation for acute leukemia bone marrow images[A].International Conference on Biomedical Engineering[C].2012:357-361.

[27] Nasir AA,Mashor MY,Hassan R.Classification of acute leukaemia cells using multilayer perceptron and simplified fuzzy ARTMAP neural networks[J].Int Arab J Inf Tech,2013,10(4):356-364.

[28] Silbiger A.New decision support tool for acute lymphoblastic leukemia classification[J].Proc Spie,2012,8295(2):37.

[29] Mirmohammadi P,Taghavi A,Ameri A.Automatic recognition of acute lymphoblastic leukemia cells from microscopic images[J].Int J Innovat Res Sci Engin,2017,5(7):8-11.

[30] Abbas N,Mohamad D.Automatic color nuclei segmentation of leukocytes for acute leukemia[J].Res J Appl Sci,2014,7(14):2987-2993.

[31] Neoh SC,Srisukkham W,Zhang L,et al.An intelligent decision support system for leukaemia diagnosis using microscopic blood images[J].Sci Rep,2015,5:14938.

[32] Khashman A,Abbas HH.Acute lymphoblastic leukemia identification using blood smear images and a neural classifier[A].Advances in Computational Inte lligence[C].Berlin:Springer Berlin Heidelberg,2013:80-87.

[33] Putzu L,Caocci G,Ruberto CD.Leucocyte classification for leukaemia detection using image processing techniques[J].Artif Intell Med,2014,62(3):179-191.

[34] Saeedizadeh Z,Mehri dehnavi A,Talebi A,et al.Automatic recognition of myeloma cells in microscopic images using bottleneck algorithm, modified watershed and svm classifier[J].J Microsc,2016,261(1):46-56.