基于BP神經(jīng)網(wǎng)絡的紅細胞識別

王利平　劉任任

（湘潭大學信息工程學院　湘潭　411105）

1　引言

在醫(yī)學檢驗中，人體外周血的檢查對人體健康指標有著重要參考價值［1］。因此血細胞的識別與分類有著廣泛的研究［2～8］。而紅細胞是人體血液中占比最重的一類細胞，通過對紅細胞進行自動化識別［8］，統(tǒng)計分析各形狀特征所占比重，進而得出人體健康狀況。正常紅細胞的形態(tài)與異常紅細胞的在形態(tài)上有差別，正常紅細胞形態(tài)呈雙凹圓盤形，淡桔紅色，中央1/3為生理性淡染區(qū)，呈正常色素性。其直徑為6.7μm～7.7μm，平均直徑7.2μm左右，厚約2μm，無核。同時把異常形態(tài)紅細胞分為8類，圖1所示。

紅細胞圖像的采集，通過顯微鏡和CCD相機，顯微鏡將血涂片圖像放大，CCD相機將光學信息轉化為數(shù)字信號，通過傳輸裝置傳輸?shù)接嬎銠C［9～10］。由計算機的識別程序?qū)t細胞圖像進行識別。紅細胞的識別流程如圖2所示。

圖1　紅細胞異常形態(tài)圖

圖2　紅細胞識別流程圖

本文主要探討基于BP神經(jīng)網(wǎng)絡的紅細胞形狀識別。

2　紅細胞圖像的預處理

在通過CCD拍攝血涂片時，可能存在光照原因，使圖像對比度及邊緣特征不明顯，染色劑的使用，可能使圖像中包含較多噪聲。這些因素的存在都會對紅細胞圖像的特征求取造成不良影響。因此，在進行特征求取時，進行預處理是非常有必要的。

本文的紅細胞預處理主要包括以下兩個方面：

1）通過中值濾波處理，去除圖像的噪聲；

2）使用拉普拉斯算子對邊緣銳化，增強邊緣與背景的對比度。

關于這兩種方法，已經(jīng)有了廣泛的理論和應用基礎，本文就不再做介紹了。其中對原圖（圖3）進行預處理的主要步驟為：

（1）將彩色圖像轉換為8位灰度圖（圖4）。

（2）使用中值濾波器去除圖像噪聲（圖5）。

（3）增強紅細胞邊緣（圖6）。

圖3　紅細胞原始圖

圖4　紅細胞灰度圖

圖5　中值濾波圖像

圖6　拉普拉斯算子銳化

上面是在Matlab下進行預處理操作的結果圖，可以明顯地看到，通過預處理步驟，紅細胞圖像的噪聲明顯減少，圖像邊緣得到銳化，對比度非常明顯。

3　紅細胞二維形態(tài)特征求取與描述

對圖像進行預處理之后，我們將求取圖像的幾何特征值。紅細胞特征向量中包含以下幾個幾何特征值，分別為圓形度、矩形度、長寬比、Hu七個不變矩等幾個特征值。在特征求取過程，采用了鏈碼技術（圖7）對紅細胞的邊緣進行跟蹤［15］。其跟蹤過程為，通過對圖像進行行掃描，以得到的第一個邊界像素的坐標為起點來跟蹤邊界，在跟蹤過程，兩個相鄰的像素之間的連線給定一個方向碼，最后再按照逆時針方向沿著邊界將這些方向碼連接起來，就可以得到鏈碼。而鏈碼的起始位置和鏈碼就完整的包含了圖像的形狀（圖8）。同時鏈碼技術的應用，也方便進行紅細胞特征求取，下面將主要介紹紅細胞圓形度、矩形度、長寬比的計算公式。

圖7　8方向鏈碼

圖8　鏈碼所圍形狀圖

紅細胞周長與面積的計算，在鏈碼求紅細胞形狀的過程中，設鏈碼值為偶數(shù)的像素個數(shù)為M，鏈碼值為奇數(shù)的像素個數(shù)為N，則此紅細胞的周長P為

其周長所圍的紅細胞面積A應該為

在公式中，S為紅細胞的所有像素個數(shù)之和。

圓形度有利于辨識紅細胞形狀復雜度。面積一定的圖形，如果它的周長越小，則圖形越接近圓；反之，圖形的形狀就越復雜。其公式如下所示。

在公式中，P表示的是紅細胞圖像的周長，A表示周長所圍的面積，PI表示的是圓周率。

而另外一個反映物體形狀的參數(shù)是它的矩形度。當圖像給定后，就可以求出紅細胞的最小外接矩形（MER），而反映紅細胞矩形度則可以用矩形擬合因子R表示，其公式如下所示。

在公式中，A表示的是紅細胞的面積，Ar表示對應紅細胞的最小外接矩形的面積。

其中R反映了其與矩形的相似程度，如果被檢測物體為矩形，那么R的值為1。而對于其它物體其值為區(qū)間［0，1］。而矩形度的另外一個參數(shù)為長寬比K，其公式為

在公式中，W表示紅細胞最小外接矩形的寬，L表示最小外接矩形的長。使用這個特征，主要是將紅細胞形狀與圓形做相似度比較。這個特征可以把較纖細的物體與方形的或圓形的物體區(qū)分開來。

Hu不變矩在特征形狀識別方面有著廣泛的應用，它具有平移、旋轉和尺度不變性。這里不再列出其計算公式。

將所求取的這些形態(tài)特征，描述為成紅細胞的形態(tài)特征向量，做為BP神經(jīng)網(wǎng)絡的訓練和輸入值。

4　BP神經(jīng)網(wǎng)絡訓練與識別

4.1　BP神經(jīng)網(wǎng)絡介紹

BP神經(jīng)網(wǎng)絡是采用誤差反傳播算法的多層前饋人工神經(jīng)網(wǎng)絡。它通過訓練和學習來確定網(wǎng)絡的權值，很強的對環(huán)境的自適應學習能力，并且還具有較強的容錯性。這使得BP神經(jīng)網(wǎng)絡應用極其廣泛［11～14］，其結構如圖9所示。

圖9　BP神經(jīng)網(wǎng)絡結構圖

4.2　BP神經(jīng)網(wǎng)絡的結構設計

具有單隱層的三層神經(jīng)網(wǎng)絡足夠執(zhí)行比較復雜的函數(shù)映射，多個隱層的網(wǎng)絡盡管更易學習，但更易于陷入局部極小值中，這是在神經(jīng)網(wǎng)絡結構設計中要避免的。因些BP神經(jīng)網(wǎng)絡結構的好壞直接關系到識別效率。

1）隱含層的確定

根據(jù)形態(tài)特征對紅細胞進行識別分類，在識別上來說，是小類別的分類問題，因些，采用具有一個隱含層的三層神經(jīng)網(wǎng)絡，足以解決識別問題。

2）神經(jīng)元數(shù)目

在確定神經(jīng)元數(shù)目時，選擇計算的公式為

其中，hNum表示隱層神經(jīng)元個數(shù)，iNum表示輸入神經(jīng)元個數(shù)，nNum表示輸出層神經(jīng)元個數(shù)。

3）激活函數(shù)的選擇

神經(jīng)元的激活函數(shù)選擇Sigmoid函數(shù)，如下所示。

Sigmoid函數(shù)是光滑、可微的函數(shù)，在分類時它比線性函數(shù)更精確，容錯性也更好。

4）動量-自適應學習法調(diào)整BP算法

在實際應用中，使用標準BP算法往往不能達到我們所期望的要求。在結合本文對學習速度與準確度有比較高的要求后，采用動量-自適應法對BP算法進行調(diào)整［16］。動量項提高BP神經(jīng)網(wǎng)絡收斂速度，合適的自適應學習率可以極大地提高學習速率。動量-自適應學習率的BP算法權值調(diào)整算法公式：

公式中：w(k)為第k步時權值，α為學習率，η為動量因子，D(k)為第k步時的負梯度值。

在采用動量-自適應學習率調(diào)整算法后，收斂速度和學習率比標準BP算法，提高了一半以上。

4.3　BP神經(jīng)網(wǎng)絡識別

神經(jīng)網(wǎng)絡的訓練方法采用trainlm優(yōu)化算法，trainlm算法的收斂速度比較快，而且訓練的誤差也很少。結果如表1所示。

表1　各trainlm優(yōu)化算法訓練結果表

下面將進行紅細胞的識別工作，將800組測試數(shù)據(jù)（沒有參加訓練）用于對BP神經(jīng)網(wǎng)絡識別的檢驗，其中八種形態(tài)的紅細胞類型各有100組。描述紅細胞形態(tài)的特征值，做為BP神經(jīng)網(wǎng)絡的輸入。在對800個樣本進行測試，識別的準確率達到91%（表2），從結果來看，所求取的紅細胞形態(tài)特征值，能準確描述8類紅細胞，BP神經(jīng)網(wǎng)絡識別的準確率也比較高。

表2　BP神經(jīng)網(wǎng)絡識別結果表

4.4　BP神經(jīng)網(wǎng)絡與傳統(tǒng)方法的比較

傳統(tǒng)方法一般都是模板匹配，即每一類形態(tài)只有一個標準，再計算其相似度。因為其簡單快速的特點，是一種被廣泛模式識別方法。下面將通過使用相同特征值，對比BP神經(jīng)網(wǎng)絡和模板匹配的識別率（表3）。從圖中，可以明顯看出，BP神經(jīng)網(wǎng)絡的識別準確度平均要高10%以上。特別是對復雜紅細胞形狀，識別率比較差。

表3　BP神經(jīng)網(wǎng)絡與模板匹配識別率比較

5　結語

本文提出基于BP神經(jīng)網(wǎng)絡的紅細胞識別方法。通過求取血涂片紅細胞的典型的有區(qū)分度的形態(tài)特征，將這些特征值組合成特征向量，做為已經(jīng)訓練好的BP神經(jīng)網(wǎng)絡的輸入，由神經(jīng)網(wǎng)絡進行識別與分類。在大量樣本測試中，結果表明本方法對8類紅細胞的平均識別率有91%左右，相比傳統(tǒng)的模板匹配方法提高了10%以上。因此，本文提出的基于BP神經(jīng)網(wǎng)絡的紅細胞識別方法有比較高的實用價值。下一步工作，將根據(jù)本文的算法，在Windows上實現(xiàn)紅細胞的識別與分類系統(tǒng)。

［1］鄭鳳嬌，龔燕紅（綜述），傅泳航（審校）.外周血異常紅細胞形態(tài)學檢驗與診斷的意義［J］.醫(yī)學綜述，2013，19（1）：141-143.ZHENG Feng-jiao，GONG Yan-hong，F(xiàn)U Yong-hang.Significance of the Red Blood Cells Morphological Examination and Diagnosis in the Peripheral Blood［J］.Medical Recapitulate，2013，19（1）：141-143.

［2］Elsalamony H A.Healthy and unhealthy red blood cell detection in human blood smears using neural networks［J］.Micron，2016，83：32-41.

［3］Lee H，Chen Y P P.Cellmorphology based classification for red cells in blood smear images［J］.Pattern Recognition Letters，2014，49：155-161.

［4］G.Apostolopoulos，S.Tsinopoulos and E.Dermatas.Estimation of size and shape of the Human Red Blood Cellusing light scattering images［J］.Journal of Computational Methods in Science and Engineering，IOS press，2009，9（1-2）：19-30.

［5］Jambhekar ND.Red blood cells classification using image processing［J］.Science Research Reporter，2011，1（3）：151-154.

［6］Hirimutugoda Y M，Wijayarathna G.Image analysis system for detection of red cell disorders using artificial neural networks［J］.Sri Lanka Journal of Bio-Medical Informatics，2010，1（1）.

［7］Khashman A.Blood Cell Identification using Emotional Neural Networks［J］.J.Inf.Sci.Eng.，2009，25（6）：1737-1751.

［8］Joost Vromen，Brendan McCane.Red blood cell segmentation from SEM Images［J］..The 24th International Conference on Image and Vision Computing New Zealand，2009（9）：44-49.

［9］丁建文，周豐良，梁光明.紅細胞形態(tài)學分析裝置及其方法：CN，CN 102359938 B［P］.2012.

［10］TomariR，ZakariaW NW，JamilMM A，etal.Computer aided system for red blood cell classification in blood smear image［J］.Procedia Computer Science，2014，42：206-213.

［11］Zheng Q，Milthorpe B K，Jones A S.Direct neural network application for automated cell recognition［J］.Cytometry PartA，2004，57（1）：1-9.

［12］Sheikh H，Zhu B，Micheli-Tzanakou E.Blood cell identification using neural networks［C］//Bioengineering Conference，1996.，Proceedings of the 1996 IEEE Twenty-Second AnnualNortheast.IEEE，1996：119-120.

［13］張國平，黃淼，馬麗.基于圖像處理的紅細胞自動識別統(tǒng)計系統(tǒng)［J］.信息技術，2016，40（1）：10-12.ZHANGGuoping，HUANGMiao，MA Li.Statisticalautomatic identification system of erythrocyte based on image processing［J］.Information Technology，2016，40（1）：10-12.

［14］張寶菊，雷晴，李剛，等.基于BP神經(jīng)網(wǎng)絡的人體血液中紅細胞濃度無創(chuàng)檢測［J］.光譜學與光譜分析，2012，32（9）：2508-2511.ZHANG Baoju，LEIQing，LIGang，et al.Noninvasive Measurement of the Human RBCConcentration Based on BP NN Model［J］.Spectroscopy and Spectral Analysis，2012，32（9）：2508-2511.

［15］楊萬扣.基于鏈碼的部分算法研究［D］.南京：南京理工大學，2004.

［16］李曉峰，徐玖平，王蔭清，等.BP人工神經(jīng)網(wǎng)絡自適應學習算法的建立及其應用［J］.系統(tǒng)工程理論與實踐，2004，24（5）：1-8.LI Xiaofeng，XU Jiuping，WANG Yinqing，et al.Adaptive learning algorithm of BP artificial neural network and its application is established［J］.Systems Engineering—Theory&Practice，2004，24（5）：1-8.