神经网络在白血病图像识别中的应用

２００８年第３期福建电脑

（下转第４页）神经网络在白血病图像识别中的应用蒋英，李晖（医学光电科学与技术教育部重点实验室福建师范大学激光与光电子技术研究所福建福州３５０００７）

【摘要】：通过对白血病血液图像的处理分析，提取白细胞的形态特征参数，在此基础上，用ＢＰ神经网络对图像进行分类识别。结果表明，本文提出的方法取得较好的结果。

【关键词】：白血病；图像处理；ＢＰ神经网络；细胞识别

１、

引言

白血病是一种骨髓及造血组织异常增生性疾病，其特征为骨髓内异常的白细胞（白血病细胞）增生取代正常骨髓组织。白血病我国十大高发肿瘤疾病之一，特别在儿童和青少年的恶性肿瘤中，白血病则居第一位，并且后期白血病的治愈率仍然较低。因此，白血病的早发现、早治疗已成为医学界的共识。骨髓是人体主要的造血器官，骨髓检查是医院临床检验科检验白血病的重要检查项目。通过对骨髓样本中各类原始、幼稚等不同生长阶段的细胞进行分类计数以及异常细胞信息的分析，可尽早发现白血病的病变趋向，是早期诊断的一种行之有效的手段。本文探讨了白血病图像识别的神经网络方法，建立了网络模型，并对采集到的几类急性白血病病例进行分类识别。２、实验对象从福建医科大学附属协和医院血液细胞室选择染色较满意的急性白血病初诊骨髓片，经病理专家复查选出前后两次诊断一致的病例共４１例，每个病例选一幅骨髓涂片图像。根据ＦＡＢ分型标准，急性淋巴细胞性白血病（ＡＬＬ）中，Ｌ１型１１例，急性非淋性白血病（ＡＭＬ）中，Ｍ３型１６例，Ｍ５型１４例。３、图像处理（１）使用ＯＬＹＭＰＬＳＤＰ７０型生物显微镜将血涂片经１００倍油镜放大后，再通过ＣＣＤ，经图像采集片Ａ／Ｄ转换后，输入计算机。（２）对原始图像进行去噪、平滑、锐化等预处理。（３）分割出感兴趣的细胞区域，根据病理专家的意见，选择细胞周长、细胞面积、核周长、核面积、细胞形状因子、核形状因子及核浆比等７个细胞的形态特征参数进行提取。４、ＢＰ神经网络原理１９８６年，Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ和Ｊ．Ｌ．ＭｃＣｌｅｌａｎｄ提出一种利用误差反向传播训练算法的神经网络，简称ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）网络，是一种有隐含层的多层前馈网络，系统地解决了多层网络中隐含单元连接权的学习问题。如果网络的输入节点数为Ｍ，输出节点数为Ｌ，则次神经网络可看成是从Ｍ维欧氏空间到Ｌ维欧氏空间的映射，这种映射是高度非线性的。ＢＰ网络的结构如图１所示。ＢＰ网络分为输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每个神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，接着按照减小实际输出值与希望输出值的误差均方差的方向，从输出层经中间层逐层修正连接权值，最后回到输入层，这中算法就是＂误差逆向传播方法＂。５、ＢＰ网络的设计（１）输入输出变量设计将所测量的细胞的形态学作为神经网络的输入变量，一共为７个，分别为：细胞周长、细胞面积、核周长、核面积、细胞形状因子、核形状因子及浆核比。

输出变量代表系统要实现的功能目标，例如系统的性能指

标，分类问题的类别归属，或是非线性函数的函数值等等。在本文中，输出变量就是要解决的急性白血病分类问题的类别归属。

根据所收集的白血病骨髓图片的样本，确定了神经网络的三个

输出变量，采用如下的形式来表示输出：

Ｍ３型（急性早幼粒细胞白血病）：（００１）

Ｍ５型（急性单核细胞白血病）：（０１０）

Ｌ１型（急性淋巴细胞性白血病）：（１００）

（２）隐层节点的选取对于ＢＰ网络隐层神经元的选择是个非常复杂的问题。隐含层节点的作用是从样本中提取并存储其内在规律，每个隐含

层节点有若干个权值，而每个权值都是增强网络映射能力的一个参数。但是如果隐含层节点数量太少，网络从样本中获取的信息能力就差，不足以概括和体现训练集中的样本规律。反之，若

隐含层节点数量过多，又可能把样本中非规律性的内容如噪声等也学会记牢，从而出现所谓＂过度吻合＂问题，反而降低了泛化能力。因此，太多的隐含层节点数会减低网络的训练效果。所以

必然会存在一个最佳的节点数，由于输入向量有７个元素，所以网络的输入层的神经元有７个，根据Ｋｏｌｍｏｇｏｒｏｖ定理：

Ｈ＝２＊Ｉ＋１式中：Ｈ一隐含层节点数；

Ｉ－输入层节点数；本文中Ｉ＝７，Ｈ＝２＊７＋１＝１５

。

因此，隐含层的神经元近似为１５个，隐含层的神经元个数

并不是固定的，需要经过实际训练的检验来不断调整。

在ＢＰ反向传播学习算法中，在初始权值时采用的随机给

值的方法。这样做是为了取得均匀分布的小数。

本文中所采取测试的方法如下：

（１）学习结束条件：反向传播误差ｅ＜０．００１（２）输入层节点数为７，输出层节点数为３，训练样例１５例（３）学习速率为０．５（４）隐含层节点数固定的情况下，运行程序１０００次６、实验结果及讨论

由于骨髓细胞涂片直接来自患者，数量有限，所以我们采用对训练样本利用比较充分的交叉验证的方法获得分类结果，即对样本集随机划分为相等的ｎ份，每次抽取其中一份作为测试

样本集，其余为训练样本集，对神经网络做ｎ次训练和测试，取其平均正确率作为神经网络性能的反映。

图１ＢＰ网络结构表一教育部新世纪优秀人才支持计划（ＮＣＥＴ－０４－０６１５）资助

５２００８年第３期福建电脑

（上接第５页）!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!从上图可见隐节点数目增多虽然可以提高训练样本集的分类准确率，但测试集的准确率却降低了。而目增加隐节点数会加大网络复杂度，使网络的执行效率减低。

实验表明我们的方法是可行的，在学习和训练样本较小的

情况下，网络总体识别率达８６．８１％。总之，ＢＰ神经网络可以较好地对三类急性白血病进行分类识别，在计算机辅助诊断方而具有较好的应用前景。

参考文献：

１．刘斌，曾立波，刘生浩．血液细胞图像自动识别系统的研究［Ｊ］．计算机工程，２００３，２９（１）：１７４－１８８．

２．艾超，聂邦畿．人工神经网络在医学中的应用与展望［Ｊ］．现代医学仪器与应用，１９９９，１１（１）：１１－１３．

３．何苗，全宇，李建华等．ＭＬＰ神经网络在子宫颈细胞图像识别中的应用［Ｊ］．中国卫生统计，２００６，２３（４）：２９３－２９６．４．ＣｈａｒａｌａｍｂｏｕｓＣ．ＣｏｎｊｕｇａｔｅＧｒａｄｉｅｎｔＡｌｇｏｒｉｔｈｍｆｏｒＥｆｆｉｃｉｅｎｔＴｒａｉｎｉｎｇｏｆＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ．ＩＥＥＥＰｒｏｃｅｅｄｉｎｇｓ，１９９２，１３９（３）：３０１－３１０．５．姜远，周志华，谢琪等．神经网络集成在肺癌细胞识别中的应用［Ｊ］．南京大学学报，２００１，３７（５）：５２９－５３３．

６．陆新泉，李宁，陈世福．形态，颜色特征及神经网络在肺癌细胞识别中的应用研究［Ｊ］．计算机辅助设计与图形学学报，２００１，３（１）：８７－９２．

７．杨波，高芳，李建兰等．骨髓切片和涂片观察在恶性血液诊断中的意义［Ｊ］．白血病，淋巴瘤［Ｊ］．２００６，１５（５）：３７４－３７５．８．李国勇．智能控制及其ＭＡＴＬＡＢ实现［Ｍ］．电子工业出版社．２００６：２０－

１５６．

生动物界等。微生物各个类群共性描述信息的数据表通过：微生物菌种资源共性基本信息、菌种致病信息表、标本信息表、图库信息表、菌种图像分类表、文献信息表、标本馆信息表、放线菌菌种特征特性信息、放线菌菌种培养特征信息、小型丝状真菌菌种特征特性信息、大型真菌菌种特征特性信息、微生物菌种资源分类信息等来规范描述。描述规范设计提供所有枚举数据项的枚举代码表，以及微生物菌种资源共性描述规范编码体系表等。３．共享标准体系３．１整体架构武夷山生物多样性信息是区域科学数据中特色数据资源，与科学数据共享学科领域标准、科学数据共享特定资源类型标准一样，是国家及福建区域科学数据标准的组成部分。武夷山生物多样性信息共享标准是在福建区域科学数据共享信息标准以及国家科学数据系列标准的总体控制下，针对武夷山特定区域范围的生物多样性相关领域的科学数据标准。科学数据标准整体架构图如下图１所示。图１科学数据标准整体架构图３．２体系结构武夷山生物多样性信息共享标准是科学数据在地域相关性上的特定领域系列标准。标准分类体系可以从数据、管理、服务三方面多管齐下，构建起从数据采集、汇交、发布、查询到分发全过程的标准体系。标准体系的构建可以采用、补充、编制等方法综合进行，武夷山生物多样性信息标准体系结构如图２所示。

图２武夷山生物多样性信息共享标准体系结构４．结论由此可见，福建武夷山生物多样性信息平台标准及规范研

究是平台建设的基础部分，为信息平台制定生物多样性数据分类编码、元数据、数据汇交、数据质量控制等技术标准，在此基础

上建设生物多样性数据库群，构建中国武夷山生物多样性研究信息平台门户网站，最终服务于福建省的生物多样性研究和保护事业。

参考文献：

１、《中国福建武夷山生物多样性研究信息平台建设可行性研究报告》，

福建省武夷山生物研究所；

２、金雪汉等，ＧＩＳ标准及标准化，东北测绘，２００２年第３期；

３、城市地理信息系统标准化指南［Ｓ］；

４、陈育才等，几种测绘软件间的数据转换及其数据标准化问题探讨，

地

矿测绘，２００５，２１；

５、水利科学数据共享管理办法，水利科学院；

６、朱星明等，水利科学数据共享现状及体系建设初探；

４