基于形状特征学习的血液白细胞自动分类研究

摘要

血液白细胞自动五分类是图像处理、医学领域一个重要的课题，在细胞分类、疾病预防和检测等方面有重要的应用价值。实现血液白细胞五分类主要分为三大步骤:细胞分割、特征提取、分类实现。白细胞分类往往由于成像环境变化等外界环境的影响及提取的特征适用面窄，导致特征鲁棒性差、分类准确率不高。本文对如何提取有效的分类特征及提高分类准确率做了重点研究。论文的主要工作如下:
　　 首先，介绍了课题的研究意义及国内外的研究现状。阐述了传统的白细胞分类所采用的方法及缺陷，以及目前采用数字图像处理方法实现白细胞分割和分类的现状。
　　 其次，详细说明血液图像的处理及白细胞分割的方法，具体为，对取得血液图像，采用提取图像的G通道，通过阈值分割得到白细胞大概位置，然后通过开运算和连通域标记，取得白细胞的图像。对细胞核分割，采用Mean-Shift方法和区域合并的方法实现，细胞质分割，采用GVFsnake方法实现。
　　 然后对目前常用的白细胞分类方法进行验证，采用不同的特征实现分类，如颜色特征，包括细胞核LUV颜色空间的均值和方差等;形状特征，包括细胞核细胞质面积、周长，细胞核、细胞质边界的均值和方差，核质比，细胞核和细胞的圆形度，第一、二阶不变矩等;纹理特征，包括细胞核模式频谱、灰度共生矩阵、局部二进制模式等。在验证这些实验中有成功的，也有失败的。通过验证实验找出目前所用特征的优缺点，进行改进。
　　 最后提出了基于距离变换的不变矩，结合核质比和细胞核面积周长比，这三个形状特征，通过最小距离分类器和贝叶斯分类器实现对单核细胞、淋巴细胞、嗜碱性粒细胞的分类，然后对剩余嗜酸性粒细胞和中性粒细胞，通过共生矩阵提取五个纹理特征，支持矢量机学习和训练实现分类。实验中测试的细胞样本量为523张图片，对单核细胞、淋巴细胞、嗜碱性粒细胞、嗜酸性粒细胞和中性粒细胞的分类准确率分别为98.7％、88.5％、98.4％、92.3％和96.8％，总的平均分类准确率为96.1％，通过逐步细分的方法，减少了误判的几率和范围，提高了分类准确率。