基于计算视觉算法的白细胞客观评估新方法

摘要

在医学领域，血液分析是确定病人生理状态的最重要的检查之一。在血液样本的分析,一个重要的过程是白细胞计数和分类,这是手工完成,作为一个详尽的,主观的,和容易出错的活动由于身体疲劳产生的专业,因为它是一个方法,使用长宽松的时间。研究的目的是开发一个系统来识别和分类血细胞,实现的高斯径向基函数网络(RBFN)的提取核,随后通过形态特征分类,它的颜色和物体之间的距离。最后,获得的结果与验证通过确定系数显示的总体分类精度97.9%每个体白细胞,而精密的分类类型的细胞可以导致93.4%的淋巴细胞,单核细胞占97.37%,79.5%的中性粒细胞,嗜酸性粒细胞为73.07%，嗜碱性粒细胞为100%。通过这种方式，拟议的系统成为一种可靠的技术支持，有助于改进血细胞识别分析，因此将有利于低水平的血液学机构以及医学领域的研究过程。

1.介绍

全血细胞计数(CBC)是一种提供与病人病理诊断相关信息的检测方法;通过分析，血液学专业人员观察样本并进行细胞计数，以发现感兴趣的形态学改变[1］．在分析白质图或白细胞(白细胞)计数时，这一程序是确定在给定单位血容量中总白细胞数和差异白细胞数。这种测试是了解血细胞浓度和形态的值是至关重要的，提供了与存在于体内的广泛疾病相关的信息[2]作为疟疾寄生虫的估计[3.］．

目前，高水平的血液学实验室和中心每天进行大量的血液分析，使用自动化技术[4，以减少每次考试的时间。然而，这种技术需要复杂和昂贵的设备，其技术从难以获得的低水平血液学机构进口，并需要专家不断校准[5］．由于这个原因，健康中心或血液学家选择手动执行分析，合并了高度的主观性和测量误差。

近年来，计算机视觉领域的研究得到了发展，这使得去除和识别人类视觉难以察觉的图像中的模式或物体成为可能。在[6提出了一种利用主动轮廓技术进行自动分割的有效方法。另一方面，在…7神经网络用于对血液涂片中的白细胞进行分类。[8]提出利用OTSU等经典技术自动阈值分割白细胞细胞核[9，10］．在[11采用迭代的区域增长方法，对样本中有退化的图像进行更好的分割。尽管哥伦比亚没有商业系统，但目前的研究已经取得了重大进展[12］．

本研究的目的是开发一个系统白细胞的识别和分类,降低了主观错误的手工分析通过系统的开发,采用图像处理技术,以提供技术支持可靠的可重复性的结果。

针对该方法的发展，采用YCbCr颜色空间对外周血涂片进行图像采集，利用高斯径向基函数网络技术提取白细胞计数所属区域;后来，一个图形界面，以协助专业血液学过程中识别白血球的程序被设计。最后，验证了白细胞分类相对于人工分析的结果。

在目前的研究工作中，我们展示了一种计算工具的开发、实现和验证结果，该工具用于从13个不同个体的血液涂片显微图像中对血细胞进行分类。

2.材料和方法

首先，血液样本的制备是按照血液学临床原理手册中规定的协议进行的[13，其中规定了制备血液样本涂片的一系列步骤，然后通过静脉穿刺抽取血液;随后将一滴血放在显微镜载玻片上并进行扩散。随后，它应用赖特染料类型，以区分白细胞与样品的物质。最后,使用数码相机的双目显微镜徕卡DM500 WiFi模型ICC50W领导后,捕获了260显微图像与图像的分辨率为1200 x1600 JPG格式,从一组13个不同个体的血液涂片,此前分析专家专门Fusagasuga市血液中心,哥伦比亚。

所提出的血细胞鉴定方法分为4个阶段，不同的过程如图所示1．预处理阶段将图像RGB转换为YCbCr颜色空间，以提高细胞核相对于背景的对比度。在分割阶段，利用高斯径向基函数网络(RBFN)技术从细胞核中提取。提取完成后，第三阶段根据细胞的形态特征和颜色进行分类。随后，在第四阶段，系统与血液学专家比较获得的结果得到验证。最后，通过图形用户界面显示识别结果。下面描述在上述阶段中实现的每一种技术。

2．1．预处理的图像

一旦从血液涂片获得显微图像，它们将从RGB颜色空间转换为YCbCr [14，它可以更好地突出显示图像中相对于其他颜色空间的球状核。

2．2.高斯径向基函数网络

为了提取白血球，根据13个人的260张图像的数据库，获得了白血球细胞核中像素的平均值。接下来，应用等式1的欧氏距离准则，来表示图像中每个像素值与数据库中像素平均值的差值。 其中Ri、Gi和Bi表示图像中每个像素的红、绿、蓝颜色级别，Rpm、gpm和bpm表示图像中白血球像素平均值的红、绿、蓝颜色级别。

然后在高斯径向基函数中计算距离D [7]为每个像素使用(2),α是每个像素的值数，在本例中是255。这提供了0到1之间的值，其中0表示被分析的像素看起来不像属于对象的平均像素，而1表示它们是相同的;通过使用钟形曲线对图像进行阈值化[15］．

通过这种方法，我们取的值相对于运动神经元的中心值有一个非常低的偏差系数，为了分割感兴趣的对象，在这种情况下，白细胞的核更精确。

在获得阈值图像后，采用连通对象(n)的方法来判断二值图像中的两个像素是否相邻[14］．在图像中，每一组连接的像素对应着细胞的细胞核，因为图像中的血小板像素值与细胞核的像素值非常相似，也被去除了。为了做到这一点，形态学操作被用于消除图像中不需要的物体的小区域。

2．3.形态描述符

为了测量物体的属性，使用了形态描述符，它允许找到形状和大小之间的关系来进行分类[14］．其中突出的措施偏心，固体，延伸，以及其他被发现。此外，它们允许知道图像上细胞核中心的质心或坐标。根据不同的测量,分析每个细胞的形态特征,为了找到的特点将允许区分小球的类,可靠性是最多的特征变化之间的每种类型的细胞。这一特性使细胞的细胞核分化成为可能:如果被分割的物体是紧凑的，它的值接近1，如果物体不是紧凑的，它的值接近0。

除了在分类中使用形态学描述符外，还对细胞核和细胞质的颜色进行了测量，以使系统在分类时更加健壮，允许区分单核细胞和嗜酸性粒细胞，这两种细胞在细胞核的形状上有非常相似的特征，但颜色不同。

２.４.对象之间的距离

它包括寻找两个坐标之间的距离值，表示在图像中找到的两个物体。这是通过一个基于勾股定理方程(3.)，其中斜边的值被解释为距离。

要应用这个概念，你必须知道图像中物体中心的坐标;一旦得到这些值，就在这两点之间画一个直角三角形，以便应用勾股定理并确定对象之间的距离。在系统中，这个距离是必要的，以确定它是否是一个破碎的细胞核，因为中性粒细胞可以被嵌入或破碎。当数值低于图像中两个物体之间的某一距离阈值时，系统就会在对细胞进行分类时确定存在何种类型的细胞核。

3.结果

３．１．图像预处理

对原图像在RGB中应用的其他颜色空间进行转换，以查看它们对原子核定义的影响，以提高分割阶段的资金。在YCbCr颜色空间中，注意到细胞核相对于背景的对比度有所提高，这使得采用径向基函数网络进行分割;在数据2(一个)和2 (b)，有证据表明，相对于背景，原子核的定义有所改善。

３.２．白细胞的分割

数字2 (c)显示了白细胞细胞核的分割过程，通过这个过程，白细胞细胞核的形状和大小得以保留。与此同时，提取了血小板中存在的小颗粒，因为它们有相同的颜色。分割过程产生的图像包含二值值(1白0黑)，这允许使用形态学算子去除由血小板产生的小颗粒，其面积小于1500像素的空间分辨率为1200x1600像素的图像，因为细胞核的主要区域是这个值。随后，使用半径为3像素的圆盘型结构元件实现了一个膨胀算子，最后它填充了核的间隙，以提供均匀性，如图所示2 (d)．

3．3.白细胞分类

一旦图像获得的对象属于细胞的细胞核,找到质心的值,以确定这些细胞的位置为了随后执行一个形态特征的分析,对象之间的距离,和细胞质的颜色,允许根据每种类型的白细胞进行分类。首先，通过计算图像中每个对象的形态描述符的值，对整个图像进行扫描，如图所示2 (d)．

随后,表1描述算法在识别单元格时使用的最相关的特征。根据专家的说法，1和2属于两种不同类型的细胞，如中性粒细胞和嗜酸性粒细胞，但这些目前的值在其形态上非常相似，因此仅通过这种分析是不可能识别它们的，因此，有必要对如图所示的细胞胞浆的调性进行分析2 (e)；这种分析是通过知道物体的坐标来确定图像中不同颜色成分在细胞细胞核外围的值，从而对细胞进行正确的识别。

如图所示，一些白细胞出现破碎的细胞核2 (e)，发现一个细胞核一分为二的中性粒细胞。为了避免将分割后的目标分割为两个不同的单元，计算了每个单元的质心距离。这个计算是基于勾股定理的，其中由坐标组成的三角形的斜边代表以像素为单位测量的距离。这些对象之间的测量允许确定这些是否属于同一单元格，如果它低于115像素的阈值。

该算法结合上述不同的方法，对细胞进行识别，并将其分为5个不同的群体(中性粒细胞、嗜碱性粒细胞、单核细胞、嗜酸性粒细胞和淋巴细胞)，在细胞群体非常相似的情况下，该算法表现良好，如图所示2 (f)．

4.讨论

该系统的目的是基于从血液涂片获得的图像，以半自动的方式帮助识别白细胞。这种鉴定是通过分析每个细胞的不同特征来进行的，以便在它们的每个种群中进行分类。验证是通过将系统获得的结果与血液学专家发布的结果进行比较，从而找到两个测量值之间的相关指数来确证系统的准确性;为此目的，每人使用20张图片。表格2显示了由血液学专业人员和计算工具分别对13个人进行的分析。

对于血液学专业人员进行的分析结果，系统验证结果的确定系数R2 = 0.979，如图所示3.，表明在每个个体的测量值之间有高度的相关性。

另一方面，将血液学专业人员与所开发的工具进行相关性分析，证明所获得的数据与血液学专业人员分析结果的趋势一致;如图所示4，该算法得到的结果与专家得到的结果呈现出趋势，证明了两种测量值之间的高度相关性，从而识别出5个不同群体的白细胞。因此，可以说这种基于径向基函数网络和形态特征分类的分割算法的实现在白细胞的识别上有很好的效果。

另一方面，对于血液中每一类白细胞的血液学专业人员来说，计算工具的验证是存在的。表格3.显示每个类的相关百分比。对于嗜碱性菌类，由于细胞数量少，相关性较高(100%);根据(16]，成人样本中嗜碱性粒细胞占样本细胞总数的比例为0.4%，嗜酸性粒细胞占2.3%，单核细胞占5.3%，淋巴细胞占30%，中性粒细胞占62%。

该工具识别细胞类型的准确性也得到了确定，相对于血液学专业人员所建立的方法，该工具的成功率很高。嗜碱性粒细胞为100%，而嗜酸性粒细胞中最低的证据值为73.07%，如图所示5(一个)和5 (b)，淋巴细胞的百分比为93.42%，如图所示5 (c)．同样得到的属于单核细胞群的细胞比例为97.37%，如图所示5 (d)．最后，中性粒细胞的比例为79.52%，由图的相关性可知5 (e)．

另一方面，使用Bland-Altman检验，它代表了图中所示的两个测量值之间的差异5 (f)在美国，血液学专业人员使用手工技术和开发的计算工具对白细胞进行鉴定之间存在显著差异。所获得的结果显示，在95%的置信区间(2.68到2.77)内，差异比率为0.923，表明两次测量结果相似。如果两种方法相同，预期比例将是1。最后，我们比较了结果的准确性和所开发的系统与目前半自动系统的特点，如表所示4．该系统在MatLab中实现，获得了高于79%的准确率，表明两种测量结果之间没有显著差异。

5.结论

在该领域的研究中，它证明了计算机视觉的重要性，通过在短时间内提供高精度的客观分析，自动化通过观察手动执行的重复过程。

获得血液样本的过程是通过血液的手册规定的协议分析,在染色中扮演着重要的角色,因为它强调了其他对象的白血细胞,允许的正确识别白细胞通过图像。虽然有一些样品在采集图像的问题,他们必须考虑的空间扩展你观察显微镜的目的,鉴于白细胞的识别领域中进行细胞聚集。

与其他分割技术相比，高斯径向基函数网络的实现结合形态描述符和目标之间的距离，在细胞核分割中获得了更好的结果，因此，在颜色空间中对图像进行高亮和提取，完全去除细胞核，同时保留其形状。

与专家分析的结果相比，该工具在验证中获得的结果显示出了良好的性能。然而，当个体遭受某些类型的感染过程或某种类型的病理时，它会直接导致白细胞的改变，从而阻碍对细胞类型的精确识别。但个体相关指数百分比高于95%;相对于血液学专业人员使用的手工方法，该工具在白细胞分类方面的平均准确率为98.09%。

最后，为血细胞分析而开发的系统为专家提供了技术支持，能够减少专家在解释时由于主观表现而产生的错误，从而提供可靠的结果。在哥伦比亚，这一工具将为未来的研究提供一种可供分析的经济选择。此外，建议将研究扩展到完成白细胞计数和分类，以及诊断与参考测试范围相关的疾病，从而为Cundinamarca大学的跨学科研究进程做出贡献。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明不存在利益冲突。

致谢

作者感谢Nancy Magally Santos博士领导的血液学实验室的专家人员，感谢他们在图像采集和白细胞检测和分类方面的支持。

参考文献

1. 血象的D. M. T. P.临床解释，Las Condes临床杂志，2015。
2. G. Maya Campuzano，《第四代全血细胞计数手册》医疗和实验室，第13卷，第2期11-12，页511 - 550,2007。视图:谷歌学者
3. Liu H.， Feng G.， Zeng W. et al.，“一种更适合估算缅甸东北部间日疟原虫患者疟疾寄生虫密度的白细胞计数”，Acta Tropica， 2016, vol. 156, pp. 152-156。视图:出版商的网站|谷歌学者
4. M. d. c.s. Garcia和M. J. G. Bermejo，“临床分析实验室技术手册”，技术代表，西班牙，2004。视图:谷歌学者
5. M. Freitas和L. Fernandez，“Coulter STKS和Coulter MAXM对差异白细胞计数的评估”，RFM，第25卷，第2期2，页189-201,2002。视图:谷歌学者
6. J. Theerapattanakul, J. Plodpai，和C. Pintavirooj，“一种有效的自动白细胞分类步骤分割方法”，在IEEE TENCON 2004 - 2004 IEEE区域10会议论文集:电气工程中的模拟和数字技术， pp. A191-A194，清迈，泰国，2004年11月。视图:谷歌学者
7. e·席尔瓦利用分解QLP降低神经redec RBF的方法用于数据和分类的应用[博士论文]格拉纳达大学编辑委员会，2007年。
8. A. Gautam和H. Bhadauria，“基于形态学特征的白细胞分类”，刊于第三届计算机、通信和信息学进展国际会议论文集，ICACCI 20142014年9月，印度新德里，第2363-2368页。视图:出版商的网站|谷歌学者
9. S. Nazlibilek, D. Karacor, T. Ercan, M. H. Sazli, O. Kalender, Y. Ege，“白细胞的自动分割、计数、大小测定和分类”，测量， vol. 55, pp. 58-65, 2014。视图:出版商的网站|谷歌学者
10. K. K. Jha, B. K. Das，和H. S. Dutta，“基于细胞核形状和白细胞计数的异常血细胞检测”，在2014 IEEE绿色计算、通信与电气工程国际会议论文集，ICGCCEE 2014，印度哥印拜陀，2014年3月。视图:谷歌学者
11. S.-F。林和Y.-B。“嘈杂正常血液涂片白细胞鉴别计数”电子学报，2012,35 (6):758 - 763， 1784-1789页，新加坡，新加坡，2012年7月。视图:谷歌学者
12. M. M. A. Mohamed和B. Far，“一种基于gram-schmidt正交化的白细胞细胞核自动分割的快速技术”2012 IEEE第24届人工智能工具国际会议论文集，ICTAI 2012，第947-952页，希腊雅典，2012年11月。视图:谷歌学者
13. 罗达克血液学临床原理与应用，泛美卫生保健，布宜诺斯艾利斯，阿根廷，第五版，2015。
14. R. C.冈萨雷斯和R. E.伍兹，数字图像处理， Prentice Hall，新泽西，新泽西，美国，2008。
15. Excel Total，“如何在Excel中制作钟形曲线，”https://exceltotal.com/como-hacer-una-campana-de-gauss-en-excel/．视图:谷歌学者
16. J. Prinyakupt和C. Pluempitiwiriyawej，“用线性贝叶斯和naïve贝叶斯分类器对白细胞的分割和细胞形态的比较”，生物医学工程在线第14卷第2期1、2015年第63条。视图:出版商的网站|谷歌学者
17. M. Mohamed, B. Far, and A. Guaily，“一种有效的白细胞细胞核自动分割技术”，刊于2012年IEEE国际系统、人与控制论会议论文集，SMC 2012，第220-225页，韩国首尔，2012年10月。视图:谷歌学者
18. S. Nazlibilek, D. Karacor, K. L. Ertürk, G. Sengul, T. Ercan，和F. aliek，“利用SURF图像匹配、PCA和树突图进行白细胞分类”，生物医学研究第26卷第2期4, pp. 633-640, 2015。视图:谷歌学者
19. M. F. Romero-Rondón, L. M. Sanabria-Rosas, L. X. Bautista-Rozo, A. Mendoza-Castellanos，《血液涂片显微图像中重叠红细胞检测算法》，强啡肽，第83卷，第83期198, pp. 188 - 195,2016。视图:谷歌学者
20. P. Hiremath, P. Bannigidad，和S. Geeta，“数字显微图像中的白细胞(白细胞)的自动识别和分类”图像处理和模式识别的最新趋势，页1-5,2010。视图:谷歌学者
21. 华盛顿特区。黄,K.-D。挂,Y.-K。Chan，“一种用于血液涂片图像中白细胞核分割和识别的计算机辅助方法，”系统与软件杂志第85卷第1期9, pp. 2104-2118, 2012。视图:出版商的网站|谷歌学者
22. O. Sarrafzadeh, H. Rabbani, A. Talebi，和H. U. Banaem，“血液涂片显微图像中白细胞分类的最佳特征选择”，刊于医学影像学报2014:数字病理学，美国加利福尼亚州圣地亚哥，2014年2月。视图:出版商的网站|谷歌学者
23. S. Ravikumar和A. Shanmugam，“基于RVM的WBC图像分割和分类”，应用数学科学,没有。45-48, pp. 2227-2237, 2014。视图:出版商的网站|谷歌学者

版权

版权所有©2018 Cesar Mauricio Rodríguez Barrero et al。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。