白血球細胞核分類

在白血球細胞核影像分布較為稀疏的情況下，本論文將把各個白血球細胞核 區塊抽取特徵並且進行分析，主要想要呈現的結果是在粒細胞以及非粒細胞間能 夠有明顯區別而不會被誤分，要達成這個目的所使用的方法為抽取分葉特徵，以 及利用分類器結構來達成目的，所採用的訓練集以及驗證集則由表 4.1 所標示的 各類血球類別來擔任。

分類比較對象為人工辨識，以及參考文獻[15]的分類方法，該方法在分類部 分與本論文所提出的方法最大的差異在於[15]使用了主動輪廓來做細胞核以及 細胞質切割，為了減少實驗上的誤差，將跳過[15]的切割方法，直接以[15]的分 類特徵以及分類法與本論文提出的分類特徵與分類法作比較，實驗結果將以三個 表格來呈現，表 4.2 則為本論文所提出的方法實驗後的結果，表 4.3 為參考文獻 [15]所提出的方法實驗後的結果。

70

表 4.1 訓練及驗證資料

細胞種類 訓練資料 驗證資料

嗜中性粒細胞 156 156

嗜酸性粒細胞 29 29

嗜鹼性粒細胞 32 32

淋巴細胞 149 149

單核細胞 34 34

表 4.4 根據本論文所作的分類實驗結果

輸入\輸出 嗜中性 嗜鹼性 嗜酸性 單核細胞 淋巴細胞 正確率

嗜中性 149 0 7 0 0 95.5%

嗜鹼性 0 30 2 0 0 93.75%

嗜酸性 3 0 26 0 0 89.65%

單核細胞 0 0 0 30 4 88.23%

淋巴細胞 0 0 0 8 141 94.63%

表 4.5 根據參考文獻[15]所作的分類實驗結果

輸入\輸出 嗜中性 嗜鹼性 嗜酸性 單核細胞 淋巴細胞 正確率

嗜中性 141 0 5 3 0 90.38%

嗜鹼性 0 21 1 0 10 65.6%

嗜酸性 5 0 24 0 0 82.76%

單核細胞 5 0 0 18 11 52.94%

淋巴細胞 0 0 0 15 134 89.93%

71

在分類實驗之後，來探討關於參考文獻[15]在分類上所提出的方法比較本論 文的方法有何不同，為何會造成這樣的落差，討論的角度可以從分類所使用的特 徵，以及分類器結構來討論。

在分類特徵的部分，[15]使用的特徵之維度為 26，其中 18 個為色彩特徵，8 個為形狀特徵，其中色彩的特徵的部分來自於細胞核與細胞質的 HSL 三通道數 值的均值、標準差以及偏度(skewness)；另外 8 個形狀特徵則是击度(convexity)、

主軸比(principle axis ratio)、完備度(compactness)、圓變異度(circular variance)，

以及橢圓變異度(elliptic variance)。

相較起本論文的特徵來說，在色彩特徵的選擇方式基本上都是為了衡量目標 區域所呈現出來的「透光度」，因此得要考慮目標區域的色彩濃度，以及色調等 等，雖然本論文採用的是紋理特徵，而[15]採用的是三通道的統計特徵，但目的 都在於表達這一點。

但是在形狀特徵上則有很大的差異，本論文在抽取形狀特徵時，也考慮到不 同細胞核的大小比例、細胞核分葉數目，以及輪廓曲率變化，因此就形狀特徵的 選擇而論，比起[15]更能击顯出細胞核的特色。

在分類器結構上，[15]為了能夠分類出白血球類別，因此建立 78 個節點的 支持向量機二元樹，每個節點都只是為了區別出兩種類別，但是考慮到特徵只有 26 維度，過度的二元樹分支可能只會讓分類誤差累積到無法忽視的地步，因此，

這個龐大的支持向量機二元樹或許是造成分類結果不佳的因素之一。

而在分類器結構上，本論文雖然也採用支持向量機二元樹，但只採用了 4 個節點，每個節點所參考的特徵向量隨著節點所要區分的類別而有差異，在根節 點的部分，其功能在於區分出粒細胞以及非粒細胞，因為分葉特徵的作用，所以 讓後續的節點不致於將粒細胞誤分類成淋巴細胞或者單核細胞，這項優點可以從 表 4.2 了解，雖然分類結果仍未有滿意的表現，但是在本實驗過程中粒細胞以及 非粒細胞的部分並不會有誤分的情況發生，因此，在這樣的架構下，分葉特徵確

72

實讓分類的結果更為穩定，而這也是本論文的貢獻之一。

第五章 結論

本論文在相關研究領域中所產生的貢獻在於克服了本論文所指涉的雜訊發 生的情況下的白血球細胞核抽取，以及在抽取之後的分類特徵分析，這在檢驗醫 學中所能產生的貢獻在於減輕人工鏡檢在經濟、人力以及時間上的負擔，倘若能 在不改變現行檢驗器材的情況下(數位顯微鏡)，而能夠對血液進行計數分析，那 麼就能夠將更多的經費、人力以及時間花費在更需要這些資源的檢驗項目，或者 是其他單位部門。

本論文的研究目前僅止於帶雜訊的正常血液抹片，而在現行的全血計數分析 中，事實上較常用自動化血液分析儀器，而非傳統人工鏡檢，只有遇到病變、異 常，或者非典型的細胞核，才會需要人工進一步檢驗；本論文只是後期研究的開 端，先對正常血液抹片進行白血球細胞核的分析，以了解相關研究實現方法的異 同，以及針對一種白血球細胞核的異常(分葉數目多寡)進行了初期研究，在某些 情況下，白血球細胞核的過度分葉，或者是分葉不足，都可能是暗示著某種疾病，

或者能夠提供白血球細胞的成熟程度；在未來的研究中，研究資料將會是異常血 液抹片，針對某些特定的血液疾病進行數位影像分析，以期能提供某些重要的診 斷資訊。

此外，若把數位影像技術用來分析異常血液抹片，對於檢驗醫學也能產生很 大的助益，因為在醫學檢驗上，針對各種不同的疾病需要不同的儀器或者是檢驗 套組，例如寄生蟲偵測、菌血症偵測、愛滋病以及白血病等等，未來倘若能結合 數位影像技術，以及特殊細胞化學染色法，則這些疾病或許都能夠通過同樣的方 法來檢驗，如此一來，或許原本耗時費力的過程，在未來將會變成是一個簡單的 流程。

73

79633I-79633I-11.

[3] M. Bober, “MPEG-7 Visual Shape Descriptors,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 11, no. 6, June 2011.

[4] J. W. Harvey, Atlas of Veterinary Hematology - Blood and Bone Marrow of Domestic Animals, 1st edition, Saunders, Philadelphia, USA, Jan. 2001.

[5] M. Partio, B. Cramariuc, M. Gabbouj, and A. Visa, “Rock Texture Retrieval Using Gray Level Co-occurence Matrix,” in Proceedings of 5th Nordic Signal Processing S’mpmium, Oct. 2002.

[6] K. Fukunaga and L. Hostetler, “The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition,” IEEE Transactions on Information Theory, vol. 21, no. 1, pp. 32-40, Jan. 1975.

[7] Y. Cheng, “Mean Shift Mode Seeking and Clustering,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 17, no. 8, pp. 790-799, Aug. 1995.

[8] J. Theerapattanakul, J. Plodpai and C. Pintavirooj, “An Efficient Method for Segmentation Step of Automated White Blood Cell Classifications,” in Proceedings of IEEE Region 10 Annual International Conference (TENCON 2004), Chiang Mai, Thailand, vol. 1, pp. 191-194 , Nov. 2004.

[9] F. Zamani and R. Safabakhsh, “An unsupervised GVF Snake Approach for White Blood Cell Segmentation based on Nucleus,” IEEE Conference on Signal Processing, The 8th International Conference , vol 2, Nov. 2006.

74

[10] S. H. Rezatofighi, H. Soltanian-Zadeh, R. Sharifian and R.A. Zoroofi, “A New Approach to White Blood Cell Nucleus Segmentation Based on Gram-Schmidt Orthogonalization,” IEEE International Conference on Digital Image Processing, pp.

107-111, 2009.

[11] K. Cheng “White Blood Cell Detection Using a Novel Fuzzy Morphological Shared-Weight Neural Network,” IEEE International Symposium Computer Science and Computational Technology ,vol 2 , pp. 532-535 , Dec. 2008.

[12] E. Xie, T. M. McGinnity, and Q. X. Wu, “Automatic Extraction of Shape Features for Classification of Leukocytes,” IEEE International Conference Artificial Intelligence and Computational Intelligence, vol 3, pp. 220-224 , Oct. 2010.

[13] J. A. Bilmes, “A Gentle Tutorial of the EM Algorithm and its Application to Parameter Estimation for Gaussian Mixture and Hidden Markov Models,” University of Berkeley, Tech. Rep. ICSI-TR-97-021, 1997.

[14] D. Comaniciu and P. Meer, “Mean Shift: a robust approach toward feature space analysis,” IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 24, no. 5, pp. 603–619, 2002.

[15] H. Ramoser, V. Laurain, H. Bischof, and R. Ecker, “Leukocyte segmentationand

classification in blood-smear images,” in 27th Annual Intern. Conf. of the Engineering in Medicine and Biology Society, September 2005, pp. 3371–3374.