李硯 劉國(guó)燁 王志強(qiáng)

【摘要】目的：現(xiàn)有數(shù)字化血細(xì)胞形態(tài)分析系統(tǒng)已經(jīng)實(shí)現(xiàn)了自動(dòng)拍攝細(xì)胞圖像，用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)將細(xì)胞圖像預(yù)分類(lèi)。然而，此類(lèi)血細(xì)胞類(lèi)型預(yù)分類(lèi)能力仍有待改進(jìn)，對(duì)血片圖像的解讀與診斷分析仍離不開(kāi)經(jīng)驗(yàn)豐富的檢驗(yàn)技師。且黑盒系統(tǒng)存在敏感數(shù)據(jù)泄露風(fēng)險(xiǎn)，個(gè)性化定制升級(jí)困難。方法：分析研究現(xiàn)有系統(tǒng)現(xiàn)狀，提出了在細(xì)胞圖像采集階段使用算力要求低的形態(tài)學(xué)算法提取細(xì)胞圖像數(shù)據(jù)，快速獲得大量數(shù)據(jù)后，在高性能服務(wù)器上訓(xùn)練神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)細(xì)胞分類(lèi)計(jì)數(shù)輔助形態(tài)學(xué)復(fù)檢。結(jié)果：該系統(tǒng)自動(dòng)化細(xì)胞樣本圖像采集過(guò)程，減少人工細(xì)胞圖像提取過(guò)程帶來(lái)的巨大人工成本，提高了血細(xì)胞分割準(zhǔn)確性，訓(xùn)練的神經(jīng)網(wǎng)絡(luò)初步實(shí)現(xiàn)了白細(xì)胞分類(lèi)。結(jié)論：本系統(tǒng)可用于血液形態(tài)學(xué)的教學(xué)、培訓(xùn)、質(zhì)量評(píng)測(cè)等，對(duì)比現(xiàn)有國(guó)外商業(yè)化系統(tǒng)存在差距但實(shí)現(xiàn)了白細(xì)胞分類(lèi)等部分功能，為建立血細(xì)胞樣本庫(kù)，進(jìn)行血細(xì)胞形態(tài)學(xué)分析，提供了一個(gè)具備可行性的自主解決方案。

【關(guān)鍵詞】細(xì)胞形態(tài)分析系統(tǒng);細(xì)胞分類(lèi);顯微圖像處理

【中圖分類(lèi)號(hào)】Q33 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】2026-5328（2021）08-004-03

引言

血細(xì)胞形態(tài)分析對(duì)確診某些疾病至關(guān)重要，傳統(tǒng)上血液學(xué)疾病診斷的金標(biāo)準(zhǔn)是人工鏡檢染色外周血涂片進(jìn)行形態(tài)學(xué)分析。但是人工鏡檢費(fèi)事費(fèi)力，需要不斷進(jìn)行人員培訓(xùn)，高度依賴檢驗(yàn)技師的形態(tài)學(xué)知識(shí)，鏡檢結(jié)果受主觀因素影響較大。此外，由于血涂片標(biāo)本儲(chǔ)藏的限制，不便于檢驗(yàn)結(jié)果審驗(yàn)和回溯。因此需要數(shù)字化細(xì)胞形態(tài)分析系統(tǒng)，自動(dòng)化外周血片血細(xì)胞形態(tài)學(xué)分析，協(xié)助檢驗(yàn)技師進(jìn)行外周血細(xì)胞或體液細(xì)胞的顯微鏡檢和分析工作。

隨著數(shù)字成像和信息技術(shù)的發(fā)展，產(chǎn)生了許多自動(dòng)進(jìn)行血細(xì)胞形態(tài)分析的方法，最新數(shù)字化細(xì)胞形態(tài)分析系統(tǒng)已經(jīng)實(shí)現(xiàn)了自動(dòng)拍攝細(xì)胞圖像，用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)將細(xì)胞圖像預(yù)分類(lèi)[1]。例如：（1） CellaVision DM9600、CellaVision DM1200、CellaVision DC-1; （2） HemaCAM; （3） Sysmex DI-60等。[2]

目前，大多數(shù)數(shù)字化細(xì)胞形態(tài)分析系統(tǒng)主要集成了掃碼槍、數(shù)字?jǐn)z像頭、光學(xué)顯微鏡、計(jì)算機(jī)系統(tǒng)。通過(guò)玻片上的條碼或二維碼作為索引和LIS系統(tǒng)關(guān)聯(lián)，能自動(dòng)化拍攝細(xì)胞圖像。用戶僅需給染好色的血片滴上油，機(jī)器自動(dòng)完成后續(xù)工作，將油滴在玻片上均勻推開(kāi)，先用X10低倍物鏡在玻片上搜索細(xì)胞進(jìn)行定位、計(jì)數(shù)，然后自動(dòng)轉(zhuǎn)換到X200高倍物鏡拍攝單個(gè)細(xì)胞照片，最后將獲取到的圖片數(shù)據(jù)輸入到預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)中計(jì)算出分類(lèi)預(yù)測(cè)結(jié)果。[3]

雖然國(guó)外數(shù)字化細(xì)胞形態(tài)分析系統(tǒng)發(fā)展至今成果豐富。但目前，此類(lèi)軟、硬件以及文件格式尚未形成統(tǒng)一標(biāo)準(zhǔn)，現(xiàn)有系統(tǒng)識(shí)別細(xì)胞類(lèi)型的能力還有待進(jìn)一步提高，對(duì)血片圖像的解讀與診斷分析仍離不開(kāi)經(jīng)驗(yàn)豐富的高年資檢驗(yàn)技師[4]。此外，對(duì)于用戶個(gè)性化定制需求，廠商系統(tǒng)難以完全滿足且定制升級(jí)功能成本高。本研究目標(biāo)是最大化利用醫(yī)院常用的現(xiàn)有儀器設(shè)備，自主實(shí)現(xiàn)血細(xì)胞形態(tài)分析系統(tǒng)，結(jié)合形態(tài)學(xué)算法和深度學(xué)習(xí)算法，提取染色外周血涂片中血細(xì)胞圖像建立數(shù)據(jù)集，并訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)進(jìn)行白細(xì)胞分類(lèi)計(jì)數(shù)。未來(lái)進(jìn)一步實(shí)現(xiàn)對(duì)其他血細(xì)胞的分類(lèi)識(shí)別，將分類(lèi)結(jié)果和某種疾病建立相關(guān)性，為臨床提供參考滿足醫(yī)療、教學(xué)、科研中的實(shí)際需求。

1 方法

1.1流程設(shè)計(jì)

本研究以白細(xì)胞自動(dòng)分類(lèi)為例，在細(xì)胞樣本采集階段，采用普通PC和顯微鏡相結(jié)合的方式，使用數(shù)字光學(xué)顯微鏡采集到樣本圖像后，在PC端運(yùn)行形態(tài)學(xué)算法將圖像上的白細(xì)胞從背景中分離出來(lái)預(yù)分類(lèi)后集中上傳到數(shù)據(jù)庫(kù)，通過(guò)人工審查修改數(shù)據(jù)庫(kù)中預(yù)分類(lèi)白細(xì)胞圖像，審查后的數(shù)據(jù)集輸入到高性能服務(wù)器上訓(xùn)練網(wǎng)絡(luò)算法模型分類(lèi)白細(xì)胞圖像。

訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)將白細(xì)胞預(yù)分類(lèi)為嗜中性粒細(xì)胞，嗜酸性粒細(xì)胞，嗜堿性粒細(xì)胞，單核細(xì)胞，淋巴細(xì)胞。最后計(jì)算各類(lèi)細(xì)胞所占的百分?jǐn)?shù)供參考，本系統(tǒng)最終要實(shí)現(xiàn)自動(dòng)化血細(xì)胞圖像采集及細(xì)胞形態(tài)學(xué)分析，利用醫(yī)院現(xiàn)有網(wǎng)絡(luò)，檢驗(yàn)技師可遠(yuǎn)程協(xié)作審查預(yù)分類(lèi)結(jié)果，糾正錯(cuò)誤的分類(lèi)，發(fā)揮集體智慧和專(zhuān)家作用，快速做出準(zhǔn)確檢驗(yàn)結(jié)果。

1.2 形態(tài)學(xué)算法分割

本研究采用了形態(tài)學(xué)算法將白細(xì)胞和背景分離出來(lái)，這個(gè)分割過(guò)程基于使用閾值和分水嶺算法，在血涂片上包圍每個(gè)細(xì)胞元素。此外，利用白細(xì)胞的一些典型特征，如大小，形狀，顏色等，區(qū)別白細(xì)胞和其他細(xì)胞。在細(xì)胞圖像采集階段，隨機(jī)選擇多名不同性別及年齡的病人外周血樣本，檢驗(yàn)科技師使用希森美康sp1000i推片機(jī)和瑞氏-吉姆薩染液對(duì)血液樣本進(jìn)行自動(dòng)推片染色。奧林帕斯cx31顯微鏡使用100倍油鏡進(jìn)行圖像采集，圖像保存到相連的電腦中。多名血液學(xué)專(zhuān)家共同分類(lèi)，使用標(biāo)注軟件VGG Image Annotator標(biāo)注白細(xì)胞建立驗(yàn)證數(shù)據(jù)集，用于分類(lèi)結(jié)果的準(zhǔn)確度。由于原始圖像較大，所有圖像拆分為350*350px左右并增強(qiáng)對(duì)比度，保存為jpeg格式以節(jié)約內(nèi)存和處理時(shí)間，避免圖像有更多細(xì)節(jié)導(dǎo)致分水嶺算法過(guò)度分割。

從外周血樣本中分割出白細(xì)胞圖像。閾值，分水嶺和基本特征比較等形態(tài)學(xué)算法用于分割，結(jié)果表明綜合使用這些技術(shù)初步實(shí)現(xiàn)了分割效果。白細(xì)胞的胞漿和胞核不同類(lèi)別有不同的顏色，為了從背景中分離出白細(xì)胞，實(shí)驗(yàn)發(fā)現(xiàn)紅色通道有最佳的背景和血細(xì)胞對(duì)比度，包括白細(xì)胞和紅細(xì)胞以及血小板。當(dāng)使用藍(lán)色通道時(shí)，白細(xì)胞不夠明顯。使用綠色通道時(shí)白細(xì)胞細(xì)胞質(zhì)的顏色接近于紅細(xì)胞顏色。為了獲得二值化圖像，對(duì)紅色通道使用Otsu二值化。再使用分水嶺算法，從原始的圖像中分割出不同的對(duì)象。為了從分水嶺算法所獲得的眾多二值化遮罩中找出代表白細(xì)胞的二值化遮罩，進(jìn)一步分割處理提取出白細(xì)胞圖像。創(chuàng)建一個(gè)邊框包裹住每個(gè)細(xì)胞，由于白細(xì)胞相對(duì)于圖像上的其他細(xì)胞或污漬有著獨(dú)特的大小，顏色。綜合顏色平均值，邊框縱橫比這兩個(gè)特征，通過(guò)和其他細(xì)胞比較獲得閾值，在閾值內(nèi)的就是白細(xì)胞。

1.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

VGG網(wǎng)絡(luò)的組成規(guī)律是，連續(xù)使用數(shù)個(gè)相同的填充為1、窗口形狀為3*3的卷積層，后接上一個(gè)歩幅為2，窗口形狀是2*2的最大池化層組成卷積塊。卷積層保持高寬不變，池化層則減半。卷積塊接在一起，再連接幾個(gè)全連接層最終構(gòu)成VGG網(wǎng)絡(luò)。由卷積層構(gòu)成的模塊充分抽取空間特征，再以由全連接層構(gòu)成的模塊輸出分類(lèi)結(jié)果。

VGG11網(wǎng)絡(luò)由八個(gè)卷積層，卷積層后跟著最大池化層，最后是三個(gè)全連接層組成。細(xì)胞圖片輸入網(wǎng)絡(luò)，經(jīng)過(guò)梯度下降優(yōu)化算法不斷縮小預(yù)測(cè)值和實(shí)際值間的誤差，并后向傳播更新權(quán)重系數(shù)，最終預(yù)測(cè)圖像分類(lèi)。

本研究中請(qǐng)檢驗(yàn)技師按照白細(xì)胞分類(lèi)標(biāo)準(zhǔn)，將前期形態(tài)學(xué)算法分割獲取的4431個(gè)白細(xì)胞圖像，再進(jìn)一步審核標(biāo)注分為五類(lèi)：中性粒細(xì)胞，嗜酸性粒細(xì)胞，淋巴細(xì)胞，單核細(xì)胞和嗜堿性粒細(xì)胞。其中，嗜堿性粒細(xì)胞52個(gè)，嗜酸性粒細(xì)胞174個(gè)，淋巴細(xì)胞1586個(gè)，單核細(xì)胞576個(gè)，中性粒細(xì)胞2043個(gè)。由于數(shù)據(jù)樣本分布嚴(yán)重不均衡，為了防止過(guò)擬合，對(duì)樣本進(jìn)行隨機(jī)的裁剪，旋轉(zhuǎn)，高斯模糊，水平和垂直翻轉(zhuǎn)，擴(kuò)充樣本數(shù)據(jù)集。

訓(xùn)練VGG11網(wǎng)絡(luò)使用的測(cè)試服務(wù)器硬件配置i5 8400CPU，8GB內(nèi)存，和8GB顯存的RTX2070顯卡。該服務(wù)器運(yùn)行Win10操作系統(tǒng)，安裝配置了訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)所需軟件，包括有Python 3.6.8，TensorFlow-gpu 1.12.0，Keras 2.1.6等。實(shí)際生產(chǎn)環(huán)境深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練在高性能服務(wù)集群上進(jìn)行，可采用更加復(fù)雜的算法模型，充分利用高性能服務(wù)器的大內(nèi)存和高算力。深度算法模型完成訓(xùn)練后，用戶提交待分類(lèi)血涂片圖像，先在客戶端完成細(xì)胞分割后，服務(wù)端經(jīng)過(guò)圖像特征提取預(yù)分類(lèi)，返回用戶端顯示預(yù)測(cè)結(jié)果。

2結(jié)果

2.1 形態(tài)學(xué)算法分割結(jié)果

圖1顯示了應(yīng)用分水嶺算法分割圖像后的結(jié)果，包括白細(xì)胞，紅細(xì)胞，血小板和污漬等相當(dāng)多數(shù)量的細(xì)胞以及雜質(zhì)也被分離出來(lái)，但圖像中只有兩個(gè)白細(xì)胞。

使用400張包含白細(xì)胞總數(shù)為414個(gè)的圖像檢驗(yàn)該方法分割白細(xì)胞的準(zhǔn)確率。實(shí)驗(yàn)中準(zhǔn)確分割的定義是分離出的白細(xì)胞包含完整的胞核和胞質(zhì)，不包含任何完整的紅細(xì)胞、血小板或其他成分。

實(shí)驗(yàn)結(jié)果淋巴細(xì)胞被更好地分割，由于淋巴細(xì)胞的胞質(zhì)和胞核通常都聚攏在一起，使得分水嶺算法容易分割出來(lái)其所在區(qū)域。然而，嗜酸性粒細(xì)胞和嗜堿性粒細(xì)胞的分割表現(xiàn)較差，有的分割較好，有的卻被忽略了細(xì)胞的一部分。嗜酸性紅色的細(xì)胞漿使用分水嶺算法被分割為許多區(qū)域，需要進(jìn)一步研究。白細(xì)胞分割的初步結(jié)果，從外周血樣本中分割出白細(xì)胞圖像。閾值，分水嶺和基本特征比較等形態(tài)學(xué)算法被用于分割，結(jié)果表明綜合使用這些技術(shù)初步實(shí)現(xiàn)了細(xì)胞分割提取效果。

2.2 深度學(xué)習(xí)網(wǎng)絡(luò)分類(lèi)結(jié)果

在從未參與模型訓(xùn)練的樣本中隨機(jī)抽取白細(xì)胞圖像，使用訓(xùn)練后的深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)分類(lèi)，發(fā)現(xiàn)分類(lèi)存在錯(cuò)誤，把淋巴細(xì)胞錯(cuò)誤分類(lèi)為嗜酸性粒細(xì)胞，將嗜中性粒細(xì)胞錯(cuò)誤分類(lèi)為淋巴細(xì)胞等。雖然在模型訓(xùn)練階段，在驗(yàn)證數(shù)據(jù)集上模型達(dá)到了95%的準(zhǔn)確率，但是模型對(duì)從未“見(jiàn)過(guò)”的數(shù)據(jù)分類(lèi)表現(xiàn)好，才表明模型泛化能力強(qiáng)。深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練要根據(jù)數(shù)據(jù)集圖像樣本狀況，選擇復(fù)雜度適配的模型。若模型復(fù)雜度高，容易出現(xiàn)過(guò)擬合，模型復(fù)雜度低，容易出現(xiàn)欠擬合。

由于本次使用中的數(shù)據(jù)集規(guī)模小，訓(xùn)練集樣本數(shù)量比模型的參數(shù)量少，所以容易發(fā)生過(guò)擬合。數(shù)據(jù)量有限，最終訓(xùn)練得到的精度測(cè)試精度再高，實(shí)際分類(lèi)準(zhǔn)確度也達(dá)不到應(yīng)用需求。這也是需要建立細(xì)胞圖像庫(kù)的原因之一，訓(xùn)練模型一般使用小批量隨機(jī)梯度下降算法，基于現(xiàn)有數(shù)據(jù)不斷迭代更新模型參數(shù)，使得模型逐步擬合訓(xùn)練數(shù)據(jù)的輸出結(jié)果，使得模型預(yù)測(cè)結(jié)果和真實(shí)結(jié)果不斷接近。

實(shí)驗(yàn)中隨機(jī)初始化模型參數(shù)，使用4431個(gè)白細(xì)胞圖像訓(xùn)練優(yōu)化分類(lèi)輸出結(jié)果后，另篩選出各類(lèi)白細(xì)胞典型形態(tài)細(xì)胞圖像，再次訓(xùn)練模型后，用未參與訓(xùn)練數(shù)據(jù)測(cè)試，發(fā)現(xiàn)模型對(duì)白細(xì)胞分類(lèi)的準(zhǔn)確率提高到了80%。

3討論

使用手動(dòng)顯微鏡進(jìn)行細(xì)胞分類(lèi)計(jì)數(shù)是形態(tài)學(xué)診斷的“金標(biāo)準(zhǔn)”。因此，在疾病篩查與診治的過(guò)程中，細(xì)胞形態(tài)學(xué)分析是臨床實(shí)驗(yàn)室必不可少的，在復(fù)檢血液細(xì)胞分析結(jié)果中的應(yīng)用最為突出[5]。本研究提出的血細(xì)胞形態(tài)分析系統(tǒng)，使用形態(tài)學(xué)算法結(jié)合深度學(xué)習(xí)算法，利用院內(nèi)現(xiàn)有的PC機(jī)、服務(wù)器、存儲(chǔ)及網(wǎng)絡(luò)設(shè)備，對(duì)外周血涂片進(jìn)行形態(tài)學(xué)分析實(shí)現(xiàn)細(xì)胞分類(lèi)等。在模型算法的訓(xùn)練階段，油鏡下采集染色血涂片圖像，在和顯微鏡攝像頭相連的PC機(jī)上運(yùn)用形態(tài)學(xué)算法分割提取細(xì)胞圖像并預(yù)分類(lèi)。分類(lèi)結(jié)果經(jīng)專(zhuān)業(yè)人員審核確認(rèn)后，上傳到數(shù)據(jù)庫(kù)用于訓(xùn)練深度學(xué)習(xí)算法。在模型預(yù)測(cè)階段，PC機(jī)分割提取圖像后，使用服務(wù)器上訓(xùn)練過(guò)的深度學(xué)習(xí)算法進(jìn)行預(yù)分類(lèi)，結(jié)果由專(zhuān)業(yè)人員審核，得到最終的血細(xì)胞形態(tài)學(xué)分析結(jié)果。

本研究以白細(xì)胞圖像提取、分類(lèi)驗(yàn)證了方案的可行性。對(duì)計(jì)算機(jī)性能要求低的形態(tài)學(xué)算法被用于分離血細(xì)胞圖像和背景，在高性能服務(wù)器上使用獲取的圖像數(shù)據(jù)來(lái)擬合深度學(xué)習(xí)算法模型。訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，需要大量血細(xì)胞圖片作為訓(xùn)練數(shù)據(jù)。手動(dòng)標(biāo)注細(xì)胞圖像費(fèi)時(shí)費(fèi)力，通過(guò)形態(tài)學(xué)算法分割提取細(xì)胞并預(yù)分類(lèi)，檢驗(yàn)技師審核預(yù)分類(lèi)結(jié)果，并可重新分類(lèi)血細(xì)胞。通過(guò)院內(nèi)現(xiàn)有網(wǎng)絡(luò)可實(shí)現(xiàn)多點(diǎn)多地協(xié)同工作，不需要檢驗(yàn)技師到標(biāo)本所在的實(shí)驗(yàn)室，就能隨時(shí)隨地溯源評(píng)審檢驗(yàn)圖像。每位檢驗(yàn)技師的形態(tài)學(xué)方面知識(shí)程度不同，對(duì)于有疑問(wèn)的細(xì)胞，多名檢驗(yàn)技師可以共同商討一致得出分析結(jié)果。

在教培方面促進(jìn)學(xué)習(xí)和能力提升。與傳統(tǒng)的顯微鏡下結(jié)合圖片講義的教學(xué)模式相比，系統(tǒng)可以運(yùn)用數(shù)據(jù)庫(kù)中收集的海量細(xì)胞圖像數(shù)據(jù)，將細(xì)胞不同發(fā)育階段的時(shí)期特點(diǎn)進(jìn)行區(qū)別比較，有利于培養(yǎng)學(xué)生對(duì)外周血的整體認(rèn)知。無(wú)須像傳統(tǒng)方法一樣重新制片、染色和鏡檢，隨機(jī)抽取數(shù)據(jù)庫(kù)圖像用于形態(tài)學(xué)圖像識(shí)別考核，省時(shí)、省力、高效提高實(shí)驗(yàn)室質(zhì)量管理，能夠更加客觀地反映人員能力缺陷所在，通過(guò)有的放矢地加強(qiáng)形態(tài)學(xué)圖譜培訓(xùn)可以針對(duì)性地提高形態(tài)學(xué)識(shí)別能力。

深度學(xué)習(xí)用數(shù)據(jù)來(lái)擬合模型，關(guān)鍵是數(shù)據(jù)的質(zhì)量和數(shù)量，訓(xùn)練數(shù)據(jù)質(zhì)量高，數(shù)量多，一般訓(xùn)練出來(lái)的模型能輸出更準(zhǔn)確的預(yù)測(cè)結(jié)果。算法模型本身隨著技術(shù)的進(jìn)步不斷推陳出新，且有很多開(kāi)源的深度學(xué)習(xí)算法，相對(duì)積累獲得高質(zhì)量訓(xùn)練數(shù)據(jù)，獲得算法相對(duì)簡(jiǎn)單。國(guó)外現(xiàn)有的數(shù)字化全自動(dòng)血細(xì)胞形態(tài)分析儀，由涂片機(jī)械掃描裝置和安裝了血細(xì)胞分析算法的計(jì)算機(jī)組成，雖然已發(fā)展很長(zhǎng)時(shí)間且功能多，但是國(guó)外系統(tǒng)完全黑盒，醫(yī)療影像數(shù)據(jù)安全性差，可能造成敏感數(shù)據(jù)泄露，系統(tǒng)更新升級(jí)不能完全自主，不能完全滿足醫(yī)院科研的個(gè)性化需求。以本領(lǐng)域領(lǐng)先的CellaVision 系統(tǒng)為例，其采集的細(xì)胞圖像與顯微鏡下觀察到的細(xì)胞形態(tài)仍存在一定差距，尤其在對(duì)細(xì)胞核染色質(zhì)細(xì)微結(jié)構(gòu)與質(zhì)地的顯示上，采集的細(xì)胞圖像缺乏立體感，清晰度欠佳。各種幼粒細(xì)胞會(huì)混淆，受染色影響誤判，造成分類(lèi)錯(cuò)誤等。預(yù)分類(lèi)結(jié)果必須經(jīng)人工審核，也需要不斷擴(kuò)充標(biāo)本庫(kù)，對(duì)各種細(xì)胞識(shí)別的分類(lèi)準(zhǔn)確度才能提高。而本系統(tǒng)由醫(yī)院完全掌握內(nèi)部算法和數(shù)據(jù)，隨著圖像數(shù)據(jù)的積累和算法不斷優(yōu)化，分類(lèi)準(zhǔn)確度也會(huì)進(jìn)一步提高。以此為基礎(chǔ)還可挖掘出更多運(yùn)用，推進(jìn)醫(yī)教研發(fā)展。

本研究雖然測(cè)試了血涂片白細(xì)胞分類(lèi)，但是所提出方案也適用于其他醫(yī)學(xué)顯微圖像，比如人體體液細(xì)胞或組織細(xì)胞等樣本的更多項(xiàng)目，例如紅細(xì)胞預(yù)分類(lèi)，體液白細(xì)胞分類(lèi)，血小板聚集等。

4結(jié)論

本研究提出一種基于醫(yī)院現(xiàn)有設(shè)備實(shí)現(xiàn)自主可控的血細(xì)胞形態(tài)分析系統(tǒng)，并通過(guò)染色血涂片圖像細(xì)胞分割和白細(xì)胞分類(lèi)驗(yàn)證了該方案的可行性。有助于建立血細(xì)胞圖像資源庫(kù)，推動(dòng)形態(tài)學(xué)算法和深度學(xué)習(xí)算法在醫(yī)院醫(yī)教研中的應(yīng)用和普及。最終將實(shí)現(xiàn)實(shí)驗(yàn)室從推片、染色、掃描、審核血涂片全流程的標(biāo)準(zhǔn)化，推動(dòng)實(shí)驗(yàn)室建立自己的復(fù)檢規(guī)則，通過(guò)完備可回溯的存檔數(shù)據(jù)資料加強(qiáng)院內(nèi)協(xié)作，通過(guò)引入創(chuàng)新的自動(dòng)化，數(shù)字成像，深度學(xué)習(xí)算法等技術(shù)幫助實(shí)驗(yàn)室提升運(yùn)營(yíng)效率，讓檢驗(yàn)分析過(guò)程更快，更靈活，更準(zhǔn)確。

實(shí)驗(yàn)中也存在很多不足，如樣本量少，沒(méi)有比較更多的算法等，其他研究者采用別的方法或?qū)崿F(xiàn)比目前方法更好的結(jié)果，未來(lái)工作將繼續(xù)探索，找出更加符合血細(xì)胞識(shí)別的算法，滿足輔助實(shí)驗(yàn)室復(fù)檢的實(shí)際需求。

【參考文獻(xiàn)】

[1]李光友.CellaVision DM96自動(dòng)化數(shù)字圖像分析系統(tǒng)在血小板聚集中的應(yīng)用[J].檢驗(yàn)醫(yī)學(xué)與臨床，2019，16（10）：1435-1436

[2]劉朔婕，Cellavision DI60系統(tǒng)對(duì)外周血白細(xì)胞分類(lèi)臨床應(yīng)用評(píng)價(jià)[J].山西職工醫(yī)學(xué)院學(xué)報(bào)，2019，29（04）：36-38

[3]孫鐵.人工智能及其在眼科疾病診療中的應(yīng)用[J].眼科新進(jìn)展，2020，40（08）：793-796

[4]王亞品.基于深度卷積神經(jīng)網(wǎng)絡(luò)的人體外周血白細(xì)胞顯微圖像分類(lèi)[J].光電子·激光，2019，30（05）：546-555

[5]張振華，吉祥，張勁松，等.基于 AI 技術(shù)的新型冠狀病毒肺炎 CT 影像特點(diǎn)分析[J].醫(yī)療衛(wèi)生裝備，2020，41（05）：6-8

基金項(xiàng)目：南京市醫(yī)學(xué)科技發(fā)展資金資助項(xiàng)目（YKK18168）