高光譜顯微成像系統(tǒng)結(jié)合多數(shù)據(jù)Faster RCNN的白細(xì)胞快速檢測

背景

白細(xì)胞（White blood cells, WBCs）是血液的重要組成部分，具有抵抗病毒和細(xì)菌感染的功能。在一定的血容量中，白細(xì)胞的數(shù)量和比例為醫(yī)生診斷相應(yīng)疾病提供了有價值的信息。無論是白細(xì)胞計數(shù)還是形態(tài)檢測，需要解決的關(guān)鍵問題是實現(xiàn)白細(xì)胞的分類和識別。然而，傳統(tǒng)的顯微鏡方法嚴(yán)重依賴于操作人員的經(jīng)驗，檢測方法過于復(fù)雜。

近年來，相應(yīng)的計算機(jī)視覺算法和系統(tǒng)已廣泛應(yīng)用于血細(xì)胞自動檢測領(lǐng)域。然而，大多數(shù)識別算法只是將特征提取和分類模塊按順序疊加在一起。當(dāng)樣本空間較小或類間差距不明顯時，這些算法的泛化能力和穩(wěn)定性就無法得到保證。深度學(xué)習(xí)具有準(zhǔn)確、**、穩(wěn)定的特點，這在醫(yī)學(xué)領(lǐng)域和大量圖像的分析和處理中具備巨大應(yīng)用價值。但是常用的僅基于具有細(xì)胞空間特征的灰度或RGB圖像，容易受到多種環(huán)境因素的影響，如顯微鏡的光學(xué)條件、載玻片的厚度等。

高光譜成像（Hyperspectral imaging, HIS）技術(shù)是圖像和光譜技術(shù)的結(jié)合。獲得的高光譜數(shù)據(jù)包含被檢測目標(biāo)的空間和光譜特征。雖然HSI在空間特征的基礎(chǔ)上提供了豐富的光譜信息，但數(shù)百個窄波段使得每張高光譜圖像占用過多的內(nèi)存，巨大的計算資源占用使得快速檢測難以實現(xiàn)。降低計算成本的有效方法是從整個高光譜圖像中選取目標(biāo)區(qū)域作為感興趣區(qū)域（Region of interest, ROI），只計算ROI的光譜信息。然而，ROI的獲取必須是手工的，不能滿足快速和自動的要求。

具體研究內(nèi)容如下：（1）利用高光譜顯微成像（Hyperspectral microscopic imaging, HMI）系統(tǒng)獲取血液涂片中含有白細(xì)胞區(qū)域的影像，并對每種類型的白細(xì)胞進(jìn)行標(biāo)記，形成五種分類的數(shù)據(jù)集。（2）根據(jù)VGG16網(wǎng)絡(luò)架構(gòu)構(gòu)建一維CNN網(wǎng)絡(luò)，并基于WBC的光譜數(shù)據(jù)進(jìn)行相應(yīng)的訓(xùn)練和預(yù)測，驗證光譜數(shù)據(jù)作為WBC分類依據(jù)的可行性。（3）與一維CNN相似，采用Faster RCNN作為對照組，基于偽彩色圖像對WBC進(jìn)行識別分類，觀察基于單一數(shù)據(jù)的分類準(zhǔn)確率。（4）最后，構(gòu)建了基于圖像和光譜特征的多數(shù)據(jù)Faster RCNN深度學(xué)習(xí)模型，并探討多數(shù)據(jù)聯(lián)合在白細(xì)胞檢測中的可行性和優(yōu)勢。

試驗設(shè)計

大連工業(yè)大學(xué)王慧慧教授團(tuán)隊使用如圖1b所示的HMI系統(tǒng)采集血液圖片的高光譜數(shù)據(jù)。它由一個image-λ -N17E近紅外高光譜成像系統(tǒng)（江蘇雙利合譜公司）和一個三目生物顯微鏡（Nikon Eclipse 80i）和鹵光源組成。高光譜數(shù)據(jù)的波長范圍為382.3 ~ 1020.2 nm，光譜分辨率為1.8 nm。

為了驗證高光譜成像數(shù)據(jù)用于WBC分類的可行性，本研究構(gòu)建三種網(wǎng)絡(luò)模型并探索其性能：基于WBC光譜數(shù)據(jù)的一維CNN、基于WBC圖像特征的Faster RCNN和基于融合光譜和圖像特征的多數(shù)據(jù)Faster RCNN。一維CNN參考VGG16，具體結(jié)構(gòu)如圖2所示。圖3是Faster RCNN的詳細(xì)結(jié)構(gòu)。其特征提取網(wǎng)絡(luò)為Resnet18，RPN網(wǎng)絡(luò)可以大大提高檢測WBC等小目標(biāo)的能力。最后，Dense和Softmax層將建議的框坐標(biāo)和特定WBC類別作為Faster RCNN的輸出。對原有的Faster RCNN網(wǎng)絡(luò)進(jìn)行修改，即在Faster RCNN的結(jié)構(gòu)中加入光譜數(shù)據(jù)提取模塊、光譜特征提取網(wǎng)絡(luò)（一維CNN）和特征融合（Concatenate）層，構(gòu)建多數(shù)據(jù)Faster RCNN檢測模型（圖4）。

圖1 主要研究流程圖

圖2 基于光譜數(shù)據(jù)的一維CNN結(jié)構(gòu)

圖3 Faster RCNN的結(jié)構(gòu)

圖4 多數(shù)據(jù)Faster RCNN

結(jié)論

如圖5所示，在450 ~ 570 nm波長范圍內(nèi)存在一個明顯的吸收谷，在640 ~ 680 nm波長范圍內(nèi)存在一個較小的吸收谷。5種白細(xì)胞中，Neu、Eos、Lym和Mon含有酸性磷酸酶和過氧化物酶，Bas含有大量的肝素和組胺酶。同時，Neu還含有堿性磷酸酶，Eos含有芳基硫酸酯酶，Lym含有游離核糖體，Mon含有非特異性酯酶。所有這些成分都是蛋白質(zhì)。因此，我們認(rèn)為光譜反射率的差異是由于每個白細(xì)胞中所含酶的差異造成的，這兩個吸收谷可能是白細(xì)胞檢測模型的重點關(guān)注區(qū)域。

圖5所有WBC（a）和五種WBC（b）的平均光譜反射率曲線

一維CNN對WBC的分類結(jié)果如圖6所示。從圖中可以清楚地看到，模型在第20次迭代時基本收斂，校準(zhǔn)集和驗證集的損失分別為0.19和0.26，說明一維CNN對WBC光譜數(shù)據(jù)具有較強(qiáng)的適應(yīng)性，適合分類。從混淆矩陣可以看出，每次分類的準(zhǔn)確率都達(dá)到90%以上，沒有出現(xiàn)過擬合現(xiàn)象，說明該模型具有很好的泛化能力。模型的精度隨著召回率的增加而降低。另外，大多數(shù)白細(xì)胞的PR曲線在下降之前是穩(wěn)定的，而Lym和Mon的PR曲線波動幅度較小，推測這兩種白細(xì)胞中的酶相似，因此它們的光譜反射率非常接近，使得模型難以有效區(qū)分。

圖6 一維CNN的分類結(jié)果

WBC二維偽彩色圖像應(yīng)用于Faster RCNN建模。從圖7的光譜波段權(quán)重可視化可以看出，模型主要關(guān)注400 ~ 570 nm和640 ~ 700 nm范圍內(nèi)的波段。這兩個范圍內(nèi)的波段被模型賦予了更多權(quán)重，從而包含了更多用于WBC識別的特征信息。在上述波段范圍內(nèi)，在420.8 nm、536.5 nm和672.8 nm處存在較強(qiáng)的光譜響應(yīng)峰和波谷，表明其對應(yīng)的圖像將包含較強(qiáng)的響應(yīng)信息，選擇這些波峰和波谷進(jìn)行偽彩色圖像合成。然后，將這三個波段對應(yīng)的單通道光譜圖像分別映射到R、G、B三個顏色通道進(jìn)行合成。

圖8顯示了基于Faster RCNN的5種WBC類別在兩種不同圖像下的檢測結(jié)果。圖9展示了Faster RCNN模型的具體分類結(jié)果。從模型訓(xùn)練的角度來看，總損失在20次迭代之前迅速下降，80次迭代之后趨于平緩，基本收斂，這證明了Faster RCNN在本W(wǎng)BC圖像數(shù)據(jù)集中是可行的。與一維CNN相比，F(xiàn)aster RCNN不僅在訓(xùn)練過程中收斂速度更慢，而且在Neu和Eos中的分類準(zhǔn)確率也要低得多。然而，由于Lym的形態(tài)特征與Neu和Eos有很大的不同，因此不會與這兩者混淆。

圖10為從預(yù)測集得到的CAM圖。重點著色的區(qū)域基本集中在白細(xì)胞的細(xì)胞核上，這證明該模型主要根據(jù)細(xì)胞核的特征來區(qū)分不同的白細(xì)胞。而Lym和Mon的細(xì)胞核占據(jù)了大部分的細(xì)胞空間，使得細(xì)胞核的形態(tài)特征難以識別，導(dǎo)致模型將背景中一些顏色更深、體積更大的紅細(xì)胞誤識別為Lym或Mon。然而，紅細(xì)胞與白細(xì)胞在組成上有很大的不同，這使得它們在光譜反射率上更容易被識別。為此，建立基于光譜反射率和圖像特征的多數(shù)據(jù)Faster RCNN聯(lián)合檢測模型，利用光譜和圖像的融合特征，提高模型對WBC的分類精度。

圖7 基于預(yù)測集WBC光譜波長的梯度加權(quán)類激活映射

圖8 基于偽彩色圖像的Faster RCNN對白細(xì)胞的檢測結(jié)果

圖9 Faster RCNN的分類結(jié)果

圖10 基于Faster RCNN的預(yù)測集梯度加權(quán)類激活映射

圖11詳細(xì)展示了多數(shù)據(jù)Faster RCNN的分類結(jié)果。當(dāng)?shù)螖?shù)達(dá)到40次時，校準(zhǔn)集和驗證集的總損失值分別下降0.008和0.03，然后趨于穩(wěn)定，證明模型訓(xùn)練效果良好。與前兩種模型相比，Lym或Mon的分類精度有所提高。此外，各類別之間的混淆較少，表明該模型的預(yù)測能力得到了提高。從圖11c和表1可以看出，Lym和Mon的AP值改善最為明顯，分別達(dá)到0.917和0.911。融合特征的分類不僅減少了白細(xì)胞之間的誤判，而且有效地減少了背景與白細(xì)胞目標(biāo)之間的誤判。證明了多數(shù)據(jù)聯(lián)合檢測相對于單一數(shù)據(jù)檢測的可行性和優(yōu)勢。

多數(shù)據(jù)Faster RCNN在預(yù)測集中得到的CAM圖如圖12所示。與單一數(shù)據(jù)一維CNN聚焦的400 ~ 570 nm和640 ~ 700 nm波段范圍相比，多數(shù)據(jù)Faster RCNN模型在融合特征的指導(dǎo)下，聚焦的波段范圍分別為380 ~ 570 nm和640 ~ 950 nm。同時，與單一數(shù)據(jù)Faster RCNN相比，背景的注意區(qū)域明顯變窄，暗紅色區(qū)域更集中在核區(qū)。這表明該模型更關(guān)注細(xì)胞的各種特征，而不是背景，有利于在復(fù)雜情況下準(zhǔn)確檢測白細(xì)胞，提高模型的泛化能力。

與現(xiàn)有的白細(xì)胞檢測方法相比，多數(shù)據(jù)Faster RCNN可以實現(xiàn)大量白細(xì)胞樣本的自動快速檢測，并且HMI的引入可以獲得高質(zhì)量的細(xì)胞高光譜圖像，大大提高了檢測的準(zhǔn)確性。該研究為其他生物試驗的高效準(zhǔn)確開展提供了技術(shù)參考。

圖11 多數(shù)據(jù)Faster RCNN的分類結(jié)果

表1 多數(shù)據(jù)Faster RCNN在不同WBC分類中的性能比較

圖12 多數(shù)據(jù)Fasteer RCNN在預(yù)測集中的梯度加權(quán)類激活映射

作者信息

王慧慧，博士，大連工業(yè)大學(xué)機(jī)械工程與自動化學(xué)院教授，博士生導(dǎo)師。

主要研究方向：基于機(jī)器視覺的智能檢測研究、裝備數(shù)字化設(shè)計。

參考文獻(xiàn)：

Zeng, F., Du, Z., Li, G., Li, C., Li, Y., He, X., An, Y., & Wang, H. (2023). Rapid detection of white blood cells using hyperspectral microscopic imaging system combined with Multi-data Faster RCNN. Sensors and Actuators B: Chemical, 389.

https://doi.org/10.1016/j.snb.2023.133865