基于BP神经网络的红细胞识别

王利平　刘任任

（湘潭大学信息工程学院　湘潭　411105）

1　引言

在医学检验中，人体外周血的检查对人体健康指标有着重要参考价值［1］。因此血细胞的识别与分类有着广泛的研究［2～8］。而红细胞是人体血液中占比最重的一类细胞，通过对红细胞进行自动化识别［8］，统计分析各形状特征所占比重，进而得出人体健康状况。正常红细胞的形态与异常红细胞的在形态上有差别，正常红细胞形态呈双凹圆盘形，淡桔红色，中央1/3为生理性淡染区，呈正常色素性。其直径为6.7μm～7.7μm，平均直径7.2μm左右，厚约2μm，无核。同时把异常形态红细胞分为8类，图1所示。

红细胞图像的采集，通过显微镜和CCD相机，显微镜将血涂片图像放大，CCD相机将光学信息转化为数字信号，通过传输装置传输到计算机［9～10］。由计算机的识别程序对红细胞图像进行识别。红细胞的识别流程如图2所示。

图1　红细胞异常形态图

图2　红细胞识别流程图

本文主要探讨基于BP神经网络的红细胞形状识别。

2　红细胞图像的预处理

在通过CCD拍摄血涂片时，可能存在光照原因，使图像对比度及边缘特征不明显，染色剂的使用，可能使图像中包含较多噪声。这些因素的存在都会对红细胞图像的特征求取造成不良影响。因此，在进行特征求取时，进行预处理是非常有必要的。

本文的红细胞预处理主要包括以下两个方面：

1）通过中值滤波处理，去除图像的噪声；

2）使用拉普拉斯算子对边缘锐化，增强边缘与背景的对比度。

关于这两种方法，已经有了广泛的理论和应用基础，本文就不再做介绍了。其中对原图（图3）进行预处理的主要步骤为：

（1）将彩色图像转换为8位灰度图（图4）。

（2）使用中值滤波器去除图像噪声（图5）。

（3）增强红细胞边缘（图6）。

图3　红细胞原始图

图4　红细胞灰度图

图5　中值滤波图像

图6　拉普拉斯算子锐化

上面是在Matlab下进行预处理操作的结果图，可以明显地看到，通过预处理步骤，红细胞图像的噪声明显减少，图像边缘得到锐化，对比度非常明显。

3　红细胞二维形态特征求取与描述

对图像进行预处理之后，我们将求取图像的几何特征值。红细胞特征向量中包含以下几个几何特征值，分别为圆形度、矩形度、长宽比、Hu七个不变矩等几个特征值。在特征求取过程，采用了链码技术（图7）对红细胞的边缘进行跟踪［15］。其跟踪过程为，通过对图像进行行扫描，以得到的第一个边界像素的坐标为起点来跟踪边界，在跟踪过程，两个相邻的像素之间的连线给定一个方向码，最后再按照逆时针方向沿着边界将这些方向码连接起来，就可以得到链码。而链码的起始位置和链码就完整的包含了图像的形状（图8）。同时链码技术的应用，也方便进行红细胞特征求取，下面将主要介绍红细胞圆形度、矩形度、长宽比的计算公式。

图7　8方向链码

图8　链码所围形状图

红细胞周长与面积的计算，在链码求红细胞形状的过程中，设链码值为偶数的像素个数为M，链码值为奇数的像素个数为N，则此红细胞的周长P为

其周长所围的红细胞面积A应该为

在公式中，S为红细胞的所有像素个数之和。

圆形度有利于辨识红细胞形状复杂度。面积一定的图形，如果它的周长越小，则图形越接近圆；反之，图形的形状就越复杂。其公式如下所示。

在公式中，P表示的是红细胞图像的周长，A表示周长所围的面积，PI表示的是圆周率。

而另外一个反映物体形状的参数是它的矩形度。当图像给定后，就可以求出红细胞的最小外接矩形（MER），而反映红细胞矩形度则可以用矩形拟合因子R表示，其公式如下所示。

在公式中，A表示的是红细胞的面积，Ar表示对应红细胞的最小外接矩形的面积。

其中R反映了其与矩形的相似程度，如果被检测物体为矩形，那么R的值为1。而对于其它物体其值为区间［0，1］。而矩形度的另外一个参数为长宽比K，其公式为

在公式中，W表示红细胞最小外接矩形的宽，L表示最小外接矩形的长。使用这个特征，主要是将红细胞形状与圆形做相似度比较。这个特征可以把较纤细的物体与方形的或圆形的物体区分开来。

Hu不变矩在特征形状识别方面有着广泛的应用，它具有平移、旋转和尺度不变性。这里不再列出其计算公式。

将所求取的这些形态特征，描述为成红细胞的形态特征向量，做为BP神经网络的训练和输入值。

4　BP神经网络训练与识别

4.1　BP神经网络介绍

BP神经网络是采用误差反传播算法的多层前馈人工神经网络。它通过训练和学习来确定网络的权值，很强的对环境的自适应学习能力，并且还具有较强的容错性。这使得BP神经网络应用极其广泛［11～14］，其结构如图9所示。

图9　BP神经网络结构图

4.2　BP神经网络的结构设计

具有单隐层的三层神经网络足够执行比较复杂的函数映射，多个隐层的网络尽管更易学习，但更易于陷入局部极小值中，这是在神经网络结构设计中要避免的。因些BP神经网络结构的好坏直接关系到识别效率。

1）隐含层的确定

根据形态特征对红细胞进行识别分类，在识别上来说，是小类别的分类问题，因些，采用具有一个隐含层的三层神经网络，足以解决识别问题。

2）神经元数目

在确定神经元数目时，选择计算的公式为

其中，hNum表示隐层神经元个数，iNum表示输入神经元个数，nNum表示输出层神经元个数。

3）激活函数的选择

神经元的激活函数选择Sigmoid函数，如下所示。

Sigmoid函数是光滑、可微的函数，在分类时它比线性函数更精确，容错性也更好。

4）动量-自适应学习法调整BP算法

在实际应用中，使用标准BP算法往往不能达到我们所期望的要求。在结合本文对学习速度与准确度有比较高的要求后，采用动量-自适应法对BP算法进行调整［16］。动量项提高BP神经网络收敛速度，合适的自适应学习率可以极大地提高学习速率。动量-自适应学习率的BP算法权值调整算法公式：

公式中：w(k)为第k步时权值，α为学习率，η为动量因子，D(k)为第k步时的负梯度值。

在采用动量-自适应学习率调整算法后，收敛速度和学习率比标准BP算法，提高了一半以上。

4.3　BP神经网络识别

神经网络的训练方法采用trainlm优化算法，trainlm算法的收敛速度比较快，而且训练的误差也很少。结果如表1所示。

表1　各trainlm优化算法训练结果表

下面将进行红细胞的识别工作，将800组测试数据（没有参加训练）用于对BP神经网络识别的检验，其中八种形态的红细胞类型各有100组。描述红细胞形态的特征值，做为BP神经网络的输入。在对800个样本进行测试，识别的准确率达到91%（表2），从结果来看，所求取的红细胞形态特征值，能准确描述8类红细胞，BP神经网络识别的准确率也比较高。

表2　BP神经网络识别结果表

4.4　BP神经网络与传统方法的比较

传统方法一般都是模板匹配，即每一类形态只有一个标准，再计算其相似度。因为其简单快速的特点，是一种被广泛模式识别方法。下面将通过使用相同特征值，对比BP神经网络和模板匹配的识别率（表3）。从图中，可以明显看出，BP神经网络的识别准确度平均要高10%以上。特别是对复杂红细胞形状，识别率比较差。

表3　BP神经网络与模板匹配识别率比较

5　结语

本文提出基于BP神经网络的红细胞识别方法。通过求取血涂片红细胞的典型的有区分度的形态特征，将这些特征值组合成特征向量，做为已经训练好的BP神经网络的输入，由神经网络进行识别与分类。在大量样本测试中，结果表明本方法对8类红细胞的平均识别率有91%左右，相比传统的模板匹配方法提高了10%以上。因此，本文提出的基于BP神经网络的红细胞识别方法有比较高的实用价值。下一步工作，将根据本文的算法，在Windows上实现红细胞的识别与分类系统。

［1］郑凤娇，龚燕红（综述），傅泳航（审校）.外周血异常红细胞形态学检验与诊断的意义［J］.医学综述，2013，19（1）：141-143.ZHENG Feng-jiao，GONG Yan-hong，FU 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，周丰良，梁光明.红细胞形态学分析装置及其方法：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］张国平，黄淼，马丽.基于图像处理的红细胞自动识别统计系统［J］.信息技术，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］张宝菊，雷晴，李刚，等.基于BP神经网络的人体血液中红细胞浓度无创检测［J］.光谱学与光谱分析，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］杨万扣.基于链码的部分算法研究［D］.南京：南京理工大学，2004.

［16］李晓峰，徐玖平，王荫清，等.BP人工神经网络自适应学习算法的建立及其应用［J］.系统工程理论与实践，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.