鐘 亞 張 靜 肖 峻

(電子科技大學(xué)光電科學(xué)與工程學(xué)院，成都 610054)

引言

隨著科學(xué)技術(shù)的發(fā)展和自動(dòng)化檢測(cè)設(shè)備的普及，越來(lái)越多的醫(yī)療設(shè)備為醫(yī)院和患者帶來(lái)了便利。其中，血液分析儀，經(jīng)過(guò)多年的發(fā)展已日趨成熟；糞便檢測(cè)儀，也由簡(jiǎn)單的生化檢測(cè)到半自動(dòng)，時(shí)至今日已有多家公司開(kāi)發(fā)出了全自動(dòng)的糞便檢測(cè)儀。然而，白帶檢測(cè)儀仍處于初期階段。在開(kāi)發(fā)過(guò)程中，顯微圖像中細(xì)胞的自動(dòng)檢測(cè)是體現(xiàn)儀器自動(dòng)化與智能化的重要一環(huán)。

從醫(yī)學(xué)方面來(lái)講，白帶常規(guī)檢查作為婦科最常規(guī)的檢驗(yàn)項(xiàng)目，有著相當(dāng)廣泛的應(yīng)用。白帶是女性陰道黏膜滲出物、宮頸腺體以及子宮內(nèi)膜分泌物的混合物，生殖道發(fā)生病原菌感染均可從白帶常規(guī)檢查中檢出，區(qū)別陰道炎癥的種類(lèi)及了解陰道內(nèi)細(xì)菌情況，通過(guò)白帶清潔度的檢查可以判斷陰道內(nèi)受污染的程度，間接評(píng)估感染的幾率及程度，有助于臨床診斷和治療工作，為其提供判斷依據(jù)[1-3]。陰道疾病是由于多種病原菌造成的，白帶中的白細(xì)胞作為陰道炎癥或細(xì)菌感染的直接表現(xiàn)，具有重要的臨床意義和極大的研究?jī)r(jià)值。

根據(jù)全國(guó)臨床檢驗(yàn)操作規(guī)程和實(shí)際調(diào)研結(jié)果，目前醫(yī)院所采用的白帶常規(guī)檢查方法主要為傳統(tǒng)的生理鹽水鏡檢法，或者輔以一定染色技術(shù)的鏡檢法[4-6]。傳統(tǒng)的生理鹽水鏡檢法，即將取材后的棉拭子與生理鹽水混合，然后涂片鏡檢。此法操作簡(jiǎn)單，但因?yàn)樾枰斯び^察細(xì)胞進(jìn)行判斷，在高倍鏡的操作環(huán)境下容易產(chǎn)生視覺(jué)疲勞從而影響判斷，且易受室溫和各種成分重疊遮掩等因素的影響，所以有很大的局限性。輔以一定染色技術(shù)的鏡檢法雖然提高了檢出率，但是操作繁瑣，步驟復(fù)雜，且染色鑒定結(jié)果受多種因素(如染色液的質(zhì)量、PH環(huán)境及時(shí)間等)的影響，對(duì)操作者要求較高，不利于有效開(kāi)展和推廣應(yīng)用。

在機(jī)器視覺(jué)不斷發(fā)展的今天，醫(yī)學(xué)圖像處理正逐漸從人工處理發(fā)展到計(jì)算機(jī)自動(dòng)處理，其中特征表達(dá)的好壞對(duì)于一個(gè)自動(dòng)檢測(cè)系統(tǒng)來(lái)說(shuō)是至關(guān)重要的。在文獻(xiàn)[7]中，就組織病理圖像中細(xì)胞核的分割和分類(lèi)方法進(jìn)行了總結(jié)，其中將細(xì)胞的特征表達(dá)概括總結(jié)為3類(lèi)：強(qiáng)度特征、形態(tài)學(xué)特征和紋理特征，并將其統(tǒng)稱(chēng)為手工設(shè)計(jì)特征。文獻(xiàn)[8-9]，在白細(xì)胞的分類(lèi)檢測(cè)中，分別采用了形態(tài)學(xué)特征與貝葉斯分類(lèi)器的組合，幾何特征與K-均值聚類(lèi)器的組合。然而，以上方法均需要經(jīng)歷特征提取和分類(lèi)這兩個(gè)步驟，并且因?yàn)樾枰M(jìn)行特征的人工選取，難以避免以下3個(gè)方面的弊端：第一，需要對(duì)細(xì)胞有深入的理解，給非醫(yī)護(hù)人員的機(jī)器視覺(jué)工作者提出難題；第二，針對(duì)特定的圖像需要設(shè)計(jì)不同的特征，限制了設(shè)計(jì)特征的通用性，導(dǎo)致可移植性差和可拓展性差；第三，不能直接運(yùn)用原始圖像，造成了大量圖像細(xì)節(jié)特征的丟失，容易導(dǎo)致誤檢和漏檢。

近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)呈現(xiàn)出巨大的優(yōu)勢(shì)：首先，它可以將原始圖像直接作為輸入，而且具有強(qiáng)大的學(xué)習(xí)特征的能力，可以從不同的層次來(lái)自動(dòng)獲取圖像特征；其次，它具有端到端的性質(zhì)，可以一步完成特征提取與分類(lèi)。基于卷積神經(jīng)網(wǎng)絡(luò)的方法在目標(biāo)識(shí)別、圖像分類(lèi)等領(lǐng)域都表現(xiàn)良好。在本研究中，對(duì)于白帶顯微圖像，在經(jīng)過(guò)圖像分割之后，得到樣本數(shù)據(jù)，采用基于卷積神經(jīng)網(wǎng)絡(luò)的方法，高效完善地實(shí)現(xiàn)白細(xì)胞的自動(dòng)檢測(cè)。

1 理論和方法

1.1 卷積神經(jīng)網(wǎng)絡(luò)理論

卷積神經(jīng)網(wǎng)絡(luò)被設(shè)計(jì)用來(lái)處理多維數(shù)組數(shù)據(jù)，主要涵蓋4個(gè)關(guān)鍵的屬性：局部連接、權(quán)值共享、池化以及多網(wǎng)絡(luò)層的使用。

一個(gè)典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是由一系列的過(guò)程組成的，如圖1所示[10]。最初的幾個(gè)階段是由卷積層和池化層組成。卷積層產(chǎn)生多個(gè)特征圖，在一個(gè)特征圖中，每一個(gè)單元通過(guò)一組權(quán)值被連接到上一層的特征圖的一個(gè)局部塊，然后這個(gè)局部加權(quán)和被傳給一個(gè)激活函數(shù)。一個(gè)特征圖中的全部單元使用相同的權(quán)值，不同的特征圖使用不同的權(quán)值。

圖1 一個(gè)典型的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

使用這種結(jié)構(gòu)出于兩方面的原因。首先，在圖像中，一個(gè)值的附近的值，經(jīng)常是高度相關(guān)的，可以形成比較容易被探測(cè)到的有區(qū)分性的局部特征。這是局部連接的思想。其次，在圖像中某個(gè)地方出現(xiàn)的某個(gè)特征，也可能出現(xiàn)在別的地方，所以不同位置的單元可以共享權(quán)值，達(dá)到探測(cè)不同位置的相同特征的目的。局部連接和權(quán)值共享也在一定程度上減少了訓(xùn)練參數(shù)，帶來(lái)了優(yōu)化。

常用的激活函數(shù)主要為非線性變換，如修正線性單元(ReLU)和雙曲正切函數(shù)(tanh)，兩個(gè)函數(shù)的圖像如圖2所示。實(shí)驗(yàn)表明，訓(xùn)練帶ReLU的卷積神經(jīng)網(wǎng)絡(luò)比帶tanh單元的同等網(wǎng)絡(luò)要快好幾倍[11]。

圖2 激活函數(shù)。(a)修正線性單元；(b)雙曲正切函數(shù)

卷積層的作用是探測(cè)上一層特征的局部連接，池化層的作用則是把相似的特征合并起來(lái)。一般地，池化單元計(jì)算特征圖中的一個(gè)局部塊的最大值(或平均值)，相鄰的池化單元通過(guò)移動(dòng)一行或者一列來(lái)從小塊上讀取數(shù)據(jù)，減少了特征的維度，不容易過(guò)擬合，并且對(duì)數(shù)據(jù)具有平移不變性。實(shí)驗(yàn)表明[11]，存在相鄰單元重疊的池化，在訓(xùn)練過(guò)程中，更不容易過(guò)擬合。

兩三個(gè)這種的卷積、非線性變換以及池化被串起來(lái)，后面再加上全連接層，就構(gòu)成了一個(gè)典型的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。

同一般的神經(jīng)網(wǎng)絡(luò)一樣，卷積神經(jīng)網(wǎng)絡(luò)也采用反向傳播算法[12]進(jìn)行訓(xùn)練，這其中主要利用梯度下降方法和鏈?zhǔn)角髮?dǎo)法則。常用激活函數(shù)ReLU和tanh的函數(shù)及偏導(dǎo)數(shù)的計(jì)算公式為

(1)

(2)

1.2 白細(xì)胞自動(dòng)檢測(cè)算法

圖像預(yù)處理階段，在1 024×1 360大小的白帶顯微圖像的基礎(chǔ)上設(shè)計(jì)圖像分割方法，獲取僅包含白細(xì)胞或者疑似白細(xì)胞的小圖像。樣本獲取階段，對(duì)分割的小圖像進(jìn)行插值縮放和人工標(biāo)注，得到大小統(tǒng)一的帶標(biāo)簽圖像，即為陽(yáng)性樣本或陰性樣本。卷積神經(jīng)網(wǎng)絡(luò)搭建階段，在LeNet-5[10]的基礎(chǔ)上，根據(jù)誤差最小化的準(zhǔn)則，在訓(xùn)練過(guò)程中不斷調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，最終獲取到可用于白細(xì)胞檢測(cè)的網(wǎng)絡(luò)。對(duì)于一個(gè)不帶標(biāo)簽的圖像樣本，若將其輸入網(wǎng)絡(luò)，即可得到分類(lèi)結(jié)果。

1.2.1圖像分割及樣本的獲取

將白帶與0.9%的生理鹽水混合成溶液，然后涂抹到載玻片上，運(yùn)用顯微鏡進(jìn)行圖像采集，即可得到白帶顯微圖像。在圖像的預(yù)處理階段，首先，使用Kirsch算子[13]進(jìn)行濾波，實(shí)現(xiàn)圖像增強(qiáng)；之后，運(yùn)用大津閾值法[14]得到閾值，從而進(jìn)行閾值分割獲取二值化圖像；最后，進(jìn)行形態(tài)學(xué)閉運(yùn)算，填充細(xì)小空洞，平滑邊界。

在閉運(yùn)算后的圖像上，進(jìn)行連通域標(biāo)定。計(jì)算每個(gè)連通域的面積、周長(zhǎng)、離心率、圓形度和最小外接矩形的寬高。其中，連通域的離心率即為與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的離心率，連通域的圓形度即為面積乘上4π正體除以周長(zhǎng)的平方。將得到的計(jì)算數(shù)據(jù)和預(yù)設(shè)的參數(shù)進(jìn)行對(duì)照，進(jìn)行連通區(qū)域的粗篩，記錄滿足要求的連通域的最小外接矩形的位置。將獲取的一系列最小外接矩形的4條邊分別向外平行擴(kuò)展10個(gè)像素，如若最小外接矩形的位置靠近圖像邊緣，則可以適當(dāng)減小擴(kuò)展的像素?cái)?shù)。依照此規(guī)則，更新外接矩形的記錄位置。最后，根據(jù)記錄的位置，在白帶顯微圖像中進(jìn)行裁剪，得到矩形圖像，即為僅包含白細(xì)胞或疑似白細(xì)胞的分割圖像。此時(shí)獲取的分割圖像大小不一，故進(jìn)行縮放操作。采用雙三次插值算法[15]，使分割圖像的大小統(tǒng)一為60×60。

在1 024×1 360大小的白帶顯微圖像中，不僅含有白細(xì)胞，還可能有上皮細(xì)胞、球菌、桿菌、真菌等。其中，上皮細(xì)胞的細(xì)胞核、各種碎屑等都很容易與真正的白細(xì)胞產(chǎn)生混淆。因此，經(jīng)過(guò)人工標(biāo)注，包含白細(xì)胞的分割圖像視為陽(yáng)性樣本，不包含白細(xì)胞的分割圖像視為陰性樣本，如圖3所示。陽(yáng)性樣本中，白細(xì)胞多為分葉核中性粒細(xì)胞，細(xì)胞核有2～5葉，各葉之間或相連或完全分開(kāi)，且大小形狀和排列方式各不相同。陰性樣本中，可能包含上皮碎屑、上皮細(xì)胞核、雜質(zhì)等不同物質(zhì)，因此也呈現(xiàn)不同形態(tài)。

圖3 樣本。(a)4個(gè)不同形態(tài)的陽(yáng)性樣本；(b)4個(gè)不同形態(tài)的陰性樣本

至此，獲取的樣本可以直接輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。

1.2.2獲取可用的卷積神經(jīng)網(wǎng)絡(luò)

在LeNet-5的基礎(chǔ)上，經(jīng)過(guò)多次訓(xùn)練和測(cè)試，最終確定的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。此網(wǎng)絡(luò)共有6層，由輸入層、輸出層、兩個(gè)卷積層和兩個(gè)池化層構(gòu)成。卷積層的工作方式是對(duì)上一層圖像進(jìn)行卷積，以提取特征，再進(jìn)行激活操作，使得出的圖像數(shù)據(jù)在一個(gè)有意義的范圍內(nèi)，防止梯度消失。池化層則以聚合統(tǒng)計(jì)的方法，實(shí)現(xiàn)數(shù)據(jù)量的減少。最后，將第二個(gè)池化層的二維圖像數(shù)據(jù)拉伸為一維數(shù)據(jù)，以全連接的方式，加上激活操作，產(chǎn)生全網(wǎng)絡(luò)的輸出層。

圖4 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

卷積過(guò)程中，采用不補(bǔ)零的方式，滑動(dòng)步長(zhǎng)為1，卷積核按照Xavier等提出的方法[16]進(jìn)行初始化，所有偏置的初始值為0。前兩個(gè)激活層采用ReLU，最后一個(gè)激活層采用tanh。池化層采用不重疊的均值池化方式。損失函數(shù)采用均方誤差的方式計(jì)算。采用隨機(jī)梯度下降法進(jìn)行訓(xùn)練，權(quán)重w的更新規(guī)則為

wi+1=wi+vi+1

(5)

(6)

式中，i代表迭代次數(shù)，v表示動(dòng)量，α表示學(xué)習(xí)率，?L/?wi代表目標(biāo)函數(shù)對(duì)當(dāng)前權(quán)重的偏導(dǎo)。

將100個(gè)樣本放在同一批次中，動(dòng)量參數(shù)為0.9，權(quán)重衰減為0.000 5。對(duì)所有層采用相同的學(xué)習(xí)率，根據(jù)Krizhevsky等提出的方法[11]進(jìn)行手動(dòng)調(diào)整，最終的學(xué)習(xí)率為0.000 1，固定學(xué)習(xí)速率不再衰減。

1.3 算法的評(píng)價(jià)方法

為防止過(guò)擬合，提高泛化能力，采用10折交叉驗(yàn)證[17]的方式訓(xùn)練和測(cè)試。數(shù)據(jù)集分組情況如下：將10 000張陽(yáng)性樣本和10 000張陰性樣本分別隨機(jī)地分成10組，再隨機(jī)地取一組陽(yáng)性樣本和一組陰性樣本組合成一個(gè)組，作為10折交叉驗(yàn)證的一個(gè)樣本組，最終的評(píng)價(jià)參數(shù)是10次測(cè)試的平均結(jié)果。

筆者采用了如下3個(gè)評(píng)價(jià)參數(shù)[18]對(duì)結(jié)果進(jìn)行客觀的評(píng)估。

敏感性=真陽(yáng)性樣本數(shù)/陽(yáng)性樣本數(shù)

(7)

特異性=真陰性樣本數(shù)/陰性樣本數(shù)

(8)

(9)

由公式可以看出，敏感性越高，漏檢率就越低；特異性越高，誤檢率就越低。

2 結(jié)果

在成都市第六人民醫(yī)院的協(xié)助下，經(jīng)過(guò)為期5個(gè)月的圖像采集，得到了1萬(wàn)張左右的白帶顯微圖像。這些圖像均由攜帶索尼ICX285AL相機(jī)的奧林巴斯CX31顯微鏡拍攝。載物臺(tái)上的白帶涂片僅放大了20倍，且不經(jīng)染色階段。根據(jù)本文第1.2.1節(jié)的方法對(duì)白帶顯微圖像進(jìn)行預(yù)處理，如圖5所示。

圖5 圖像預(yù)處理。(a)白帶顯微圖像；(b)增強(qiáng)圖像；(c)二值化圖像；(d)閉運(yùn)算圖像

之后，再經(jīng)過(guò)連通域特征的篩選，便從1萬(wàn)張左右的白帶顯微圖像中，得到若干包含白細(xì)胞或不包含白細(xì)胞的子圖像，進(jìn)而從中選取了10 000張陽(yáng)性樣本和10 000張陰性樣本作為原始數(shù)據(jù)集，最終的實(shí)驗(yàn)結(jié)果如表1所示。

表1 白細(xì)胞自動(dòng)檢測(cè)結(jié)果

與分類(lèi)決策樹(shù)的方法進(jìn)行對(duì)比后可以看出，采用卷積神經(jīng)網(wǎng)絡(luò)的方法，達(dá)到了較高的敏感性和特異性，平均準(zhǔn)確率也較高，并且均處在波動(dòng)較小的一個(gè)范圍內(nèi)。因此，滿足了臨床檢驗(yàn)的使用要求。

通常情況下，從一個(gè)白帶涂片中拍攝30個(gè)視野，即得到30張1 024×1 360大小的白帶顯微圖像。針對(duì)每張白帶顯微圖像中得到的每個(gè)未知標(biāo)簽的樣本，輸入網(wǎng)絡(luò)，便可以完成分類(lèi)，亦即判斷此樣本為陽(yáng)性樣本(包含白細(xì)胞)或陰性樣本(不包含白細(xì)胞)。之后，將樣本的位置信息返回，并進(jìn)行30個(gè)視野下的白細(xì)胞數(shù)量統(tǒng)計(jì)，即可完成白細(xì)胞的自動(dòng)檢測(cè)，如圖6所示。

圖6 白細(xì)胞標(biāo)注后的白帶顯微圖像

如表2所示，在白帶常規(guī)檢查中，如果白細(xì)胞計(jì)數(shù)大于15個(gè)/高倍鏡視野，患者便會(huì)被初步診斷為在陰道或?qū)m頸組織中有炎癥。

表2 白帶清潔度判斷標(biāo)準(zhǔn)

3 討論

在白帶常規(guī)檢查中，較高的白細(xì)胞個(gè)數(shù)通常與陰道炎、宮頸炎等息息相關(guān)，也在一定程度上預(yù)測(cè)了念珠菌感染、衣原體感染、毛滴蟲(chóng)感染或者淋病[19]。目前，大多數(shù)醫(yī)院采取的白細(xì)胞檢測(cè)方式仍為人工檢測(cè)，人力消耗大，效率較低，并且準(zhǔn)確率得不到保證。隨著科技的發(fā)展，以高效準(zhǔn)確的自動(dòng)檢測(cè)取代人工檢測(cè)是不可避免的趨勢(shì)。通過(guò)計(jì)算機(jī)檢測(cè)白細(xì)胞，獲得其計(jì)數(shù)和位置，得到的數(shù)據(jù)和標(biāo)記后的圖像可以由檢驗(yàn)員直接在屏幕上觀察，也可以通過(guò)因特網(wǎng)傳遞給醫(yī)生。這種自動(dòng)檢測(cè)方法可以減少人力資源的消耗，提高檢查的效率和準(zhǔn)確性。無(wú)論醫(yī)生身處何地，隨時(shí)都可以直接獲得患者的檢查結(jié)果以便診斷。 因此，此方法也有助于遠(yuǎn)程醫(yī)療和電子病歷建立。

在目前絕大多數(shù)的白細(xì)胞自動(dòng)檢測(cè)的研究中[20-21]，涂片均被放大到100倍以上，并且大多是檢測(cè)血液中的白細(xì)胞，因此背景相對(duì)簡(jiǎn)單；而且，為了將白細(xì)胞與其他成分明顯區(qū)分，涂片大多經(jīng)過(guò)染色。然而，在本研究中，為了保證白帶涂片中的大部分視野均被拍到，僅將其放大了20倍；并且在白帶涂片中，除了白細(xì)胞，還有上皮細(xì)胞、球菌、桿菌、真菌等有形成分，這在醫(yī)學(xué)判定中也有重要意義，因此有必要保持它們的原始形態(tài)，故這些涂片未經(jīng)染色。所以，上述問(wèn)題都給研究帶來(lái)了困難。以往傳統(tǒng)的特征提取和分類(lèi)的方法，因需要圖像呈現(xiàn)出較明確的特征進(jìn)而進(jìn)行特征的手工提取，難以較好地解決這些難題。在本研究中，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的白細(xì)胞自動(dòng)檢測(cè)方法，自動(dòng)提取圖像不同層次的特征，一步實(shí)現(xiàn)特征表達(dá)和分類(lèi)。

本方法的研究?jī)?nèi)容體現(xiàn)在以下兩個(gè)方面。首先，設(shè)計(jì)圖像分割步驟，從一張完整的白帶顯微圖像中獲取分割圖像，要做到不遺漏圖像中的白細(xì)胞并盡可能完整地分割出來(lái)；其次，搭建和完善卷積神經(jīng)網(wǎng)絡(luò)，運(yùn)用其良好的特征學(xué)習(xí)能力，通過(guò)訓(xùn)練來(lái)實(shí)現(xiàn)不同層次的特征描述。相對(duì)于傳統(tǒng)的先提取特征再分類(lèi)的過(guò)程，由于神經(jīng)網(wǎng)絡(luò)端到端的性質(zhì)，實(shí)現(xiàn)了由樣本圖像到分類(lèi)結(jié)果的一步式跨越。

在白帶顯微圖像中，除了白細(xì)胞，還有上皮細(xì)胞、球菌、桿菌、真菌等有形成分。為深化白帶樣本的自動(dòng)檢測(cè)研究，本研究在白細(xì)胞自動(dòng)檢測(cè)的基礎(chǔ)上進(jìn)行多種有形成分的自動(dòng)檢測(cè)，需進(jìn)一步探究。

4 結(jié)論

白帶中白細(xì)胞的檢測(cè)是評(píng)估陰道或?qū)m頸組織炎癥的簡(jiǎn)單而便宜的手段，并可作為潛在感染的重要標(biāo)志物。據(jù)筆者所知，本研究是第一個(gè)開(kāi)發(fā)出用計(jì)算機(jī)化的檢測(cè)系統(tǒng)來(lái)實(shí)現(xiàn)白帶顯微圖像中白細(xì)胞自動(dòng)檢測(cè)的方法。在本研究中，采用基于卷積神經(jīng)網(wǎng)絡(luò)的方法，實(shí)現(xiàn)了良好的檢測(cè)效果。利用這種計(jì)算機(jī)化的自動(dòng)檢測(cè)系統(tǒng)，可以減少主觀因素，增加客觀度量，從而大大提高效率和準(zhǔn)確性，同時(shí)減少白帶常規(guī)檢查中的大量人力消耗。

(致謝：感謝摩米視覺(jué)實(shí)驗(yàn)室提供的資金、設(shè)備及人力支持)

[1] 萬(wàn)國(guó)忠. 857例白帶常規(guī)檢查結(jié)果分析 [J]. 中國(guó)藥物經(jīng)濟(jì)學(xué),2013(2): 470-471.

[2] 鄧靄靜. 中醫(yī)診治帶下病學(xué)術(shù)源流探討及文獻(xiàn)整理研究 [D].廣州：廣州中醫(yī)藥大學(xué), 2014.

[3] 李瑞珍. 白帶常規(guī)檢查的意義與局限性 [J]. 四川醫(yī)學(xué), 2014, 35(1): 106-107.

[4] 丁高儂. 三種婦科白帶檢查方法比較分析 [J]. 中國(guó)現(xiàn)代醫(yī)藥雜志,2011，13: 52-53.

[5] 阮君,陸靜芬. 臨床陰道分泌物檢測(cè)方法的比較 [J]. 中國(guó)傷殘醫(yī)學(xué),2014(1): 14-16.

[6] 凌曉午,羅靜,蘇莉，等. 2種方法檢測(cè)白帶常規(guī)多項(xiàng)目結(jié)果對(duì)比分析 [J]. 中國(guó)衛(wèi)生檢驗(yàn)雜志,2015(13): 2136-2138.

[7] Irshad H, Veillard A, Roux L, et al. Methods for nuclei detection, segmentation, and classification in digital histopathology: a review-current status and future potential [J]. IEEE Reviews in Biomedical Engineering, 2014, 7: 97-114.

[8] Gautam A, Singh P, Raman B, et al. Automatic classification of leukocytes using morphological features and na?ve Bayes classifier [C] //Region 10 Conference(TENCON). Singapore City: IEEE, 2016: 1023-1027.

[9] Tsalis R, Agus A, Nopriadi, et al. Classification of leukocyte images using K-means clustering based on geometry features [C] // Engineer Seminar(InAES). Yogyakarta: IEEE, 2016: 245-249.

[10] Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition [J]. Proceeding of the IEEE, 1998, 86(11): 2278-2324.

[11] Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks [C] //Advances in Neural Information Processing Systems. Lake Tahoe: Neural Information Processing System Foundation, 2012: 1097-1105.

[12] Bouvrie J. Notes on Convolutional Neural Networks[EB/OL]. http://cogprints.org/5869/2011-03-11/2017-07-06.

[13] Kirsch RA. Computer determination of the constituent structure of biological images [J]. Computers & Biomedical Research, 1971, 4(4): 315-328.

[14] Otsu N. Threshold selection method from gray-level histograms [J]. IEEE Transaction on Systems Man and Cybernetics, 1979, 9(1): 62-66.

[15] Keys R. Cubic convolution interpolation for digital image processing [J]. IEEE Transactions on Acoustics Speech & Signal Processing, 2003, 29(6): 1153-1160.

[16] Glorot X, Bengio Y. Understanding the difficulty of training deep feedforward neural networks[J]. Journal of Machine Learning Research, 2010, 9: 249-256.

[17] Ar J. Statistical comparisons of classifiers over multiple data sets[J]. Journal of Machine Learning Research, 2006, 7(1): 1-30.

[18] Fawcett T. An introduction to ROC analysis [J]. Pattern Recognition Letters, 2006, 27(8): 861-874.

[19] Geisler WM, Yu S, Venglarik M, et al. Vaginal leucocyte counts in women with bacterial vaginosis: relation to vaginal and cervical infections [J]. Sex Transmit Infect, 2004, 80: 401-405.

[20] Ananthi VP, Balasubramaniam P. A new thresholding technique based on fuzzy set as an application to leukocyte nucleus segmentation [J]. Computer Methods & Programs in Biomedicine, 2016, 134: 165-177.

[21] Vogado LHS, Veras RDMS, Andrade AR, et al. Unsupervised leukemia cells segmentation based on multi-space color channels [C] //IEEE International Symposium on Multimedia. San Jose: IEEE, 2016: 451-456.