一种新的用于获取显微血涂片图像以自动诊断贫血的电子仪器方法

摘要：贫血是一种影响人体内红细胞数量和质量的血液异常。这个有时平庸的标志没有大陆和社会阶层。这种异常现象通常通过对患者的生物学分析得到认可。血液。这些分析归结为血液计量常数的知识，但它们本身不能表征某些形式的贫血，因为大多数贫血与红细胞的形态和颜色有关。我们在本文中的工作是对患者进行血液涂片，并对这些涂片上的红细胞进行形态学和比色分析。这种方法使我们能够突出显示每个红细胞形态和比色描述符，以通过图像处理方法准确识别贫血的类型。这种识别是在自动化环境中进行的，以使病理学家能够对与贫血相关的紧急情况做出快速反应，并改进要进行的治疗。

关键词

贫血,仪器,采集,自动化,血涂片,红细胞,形态描述符,比色描述符,图像处理,诊断

一、简介

根据世界卫生组织 (WHO) 的数据库，全球有 16.2 亿人被确诊，贫血是一个重大的公共卫生问题 [ 1 ]。它无一例外地触及每个大陆。根据世界卫生组织的报告，全球患病率为世界人口的 24.8%，以学龄前儿童为主（47.4%），男性（12.7%）出现倒退[ 1 ]。但在南亚、中非和西非观察到高流行率。例如，在非洲，0 至 5 岁儿童的患病率为 62.3% [ 2]。贫血威胁着人类的生存，因为它影响到世界上大约十亿育龄妇女：2011 年，29%（4.96 亿）的非孕妇和 38%（3240 万）的 15 至 49 岁的孕妇患有贫血症[ 3 ]。贫血症在世界上没有任何社会阶层。这种影响红细胞数量和/或质量（人体血液中血红蛋白 (Hb) 水平降低）的疾病有多种形式，其原因多种多样。

它们的表征变得至关重要，因为它可以通过诊断影响决策。

Automata 已经存在用于执行血细胞计数，这是一种用于评估某些类型贫血的自动检查。事实上，它们可以获取有关红细胞数量和大小的信息 [ 4 ]。但是这两个参数并不能提供足够的信息来确定贫血的真实特征。贫血可以通过从对患者进行的血液涂片获得的显微图像上观察到的红细胞（红细胞）的形态和颜色进行分类。血涂片显微观察显示，红细胞的形态和颜色存在不同类型的异常[ 5]。事实上，这两个参数的组合将允许检测贫血的类型以明确指导病理学家。因为根据红细胞的形状或颜色，我们可以确定它是关于这种类型的贫血，而不是另一种类型的贫血，因为下面的不同图像（图 10中的图 7 ）在结果部分显示了它。

此外，医务人员有时使用手动方法来表征贫血。这种检测技术是初级的、困难的和非常主观的（观察手掌、结膜和指甲的颜色......）。为了有效管理患者并克服上述各种方法的缺点，我们提出了一种用于自动快速诊断贫血的新仪器方法。

我们正在进行的工作揭示了在每种形式的红细胞上提取的形态学和色度描述符。从这个角度来看，文献中已经做了一些工作。事实上，根据 Chantal Fossat 等人的说法。2006 年 [ 6 ] 分裂细胞（红细胞碎片）的自动评估器在正式识别这些分裂细胞方面存在困难（限制）。本文讨论的方法可能会排除一些诊断假设，或可能突出红细胞的形态异常以提高诊断准确性 [ 7 ]。血涂片上偶然发现分裂细胞（红细胞碎片）是诊断血栓性微血管病性贫血的关键指标，这是一种经过验证的医疗紧急情况。8 ]。但分裂细胞搜索方法仍然是手动的。2017 年，Hany A. Elsalamony 针对镰状细胞红细胞的识别，提出了一种基于其几何形状特征的方法 [ 9 ] [ 10 ]。Frejilichowski, 2011 开发了一种在 May-Grumwald-Giemsa 染色的血涂片图像上使用极傅里叶灰度描述符识别异常红细胞的方法 [ 11 ]。HU 的紧致熔化和矩不变量是 R. Tomaria 等人使用的方法。2014年红细胞鉴定[ 12 ]]。达斯等人。2012 年，为了检测某些形式的红细胞，只使用了某些形态描述符。选择多类逻辑回归是因为其对正常和异常红细胞的分类准确度 [ 13 ]。

根据 Das 等人的自动化系统的实施。在 2012 年 [ 13 ] 需要一种能够对血液涂片产生的显微图像进行处理的仪器。然后进行形态学和比色学上不同红细胞鉴别参数的自动提取和计算。下一篇文章将旨在建立一种分类或自动识别患者贫血类型的方法。

2。材料和方法

2.1。材料

红细胞的形态学和比色学特征需要对取自健康患者或贫血患者的各种样本进行血涂片检查。这种实现需要下面图 3的设备。用于实现本研究的工具与图 3不同、计算机、显微镜、照相机和软件，让我们能够捕捉显微图像。这项工作将产生现场数据和在分析获得的图像后收集的数据。该领域的数据将主要由实验室自动化机器获得的数据组成，实验室数据是在分析血液涂片的显微图像后收集的，这些图像是区分红细胞的每种形式或比色方面的参数，如所示在下表中计算和分组的特征。

2.1.1。样品的选择

实验室数据来自三十 (30) 名健康人和一百二十 (120) 名贫血者的样本。我们对每位患者进行了五 (05) 次血液涂片检查，在对从业人员进行视觉分析后，我们选择了两 (02) 次血液涂片检查，以尊重世界卫生组织 (WHO) [ 14 ] 的建议。随机执行，来自亚穆苏克罗市的卫生服务，包括地区医院中心 (CHR) 和输血中心 (CTB) 的儿科、内科、外科和妇科服务。为了尊重我们研究的原则，我们根据实验室自动机提供的现场数据选择了贫血状态得到证实或未证实的患者。

2.1.2. 进行血液涂片

血液涂片包括将一滴血均匀地涂抹在载玻片上，从而在载玻片的一半表面上获得单层[ 14 ]。定色着色后，可对血液中的图形元素进行形态学和比色学研究。为了坚持我们的主要目标，只有红细胞才会让我们对这项研究感兴趣。不同的血液涂片将各自携带一个标识符，该标识符对应于采集样本的患者。

2.1.3。如何准备涂片

• 标记幻灯片。

• 在距离物体刀片尖端 1 cm 处滴一滴静脉血，置于坚硬的水平面上。

• 用一只手握住第一张幻灯片，然后将第二张幻灯片倾斜 45°，使其正好位于水滴的前面。

• 逐渐将载玻片与血滴接触。

• 让血液沿着第二个刀片的止动部流动，在它到达边缘之前，以快速、均匀和连续的运动，将血液向前拉。

• 摇晃时快速干燥（图 1）[ 15 ]。

2.1.4。血液涂片染色

Giemsa 有两种染色策略：快速法（10% 染料）和慢速法（3% 染料）。第一种用于繁忙的诊所和实验室，其中诊断速度是患者管理的基本要素。慢速方法用于染色更多的载玻片，就像流行病学调查中的情况一样。鉴于实验室的大量涌入和预期结果，我们更喜欢染色方法而不是 10%。

图 1。血液涂片技术演示

通常有两种染色血涂片的技术（覆盖和浴）。我们选择了浴染色技术而不是染色技术。这种技术的优点是一次染色多个血涂片，这是我们选择的指导。

血涂片浴染过程按时间顺序包括以下步骤：

• 准备三个罐子，第一个装有May-Grunewald 的纯溶液。第二个装有缓冲溶液，最后第三个罐子是 1/10 稀释的 Giemsa 溶液。

• 潜入第一罐血涂片五分钟（5 分钟）。

• 将血涂片转移到装有缓冲溶液的罐子中。

• 从缓冲溶液中除去涂片，在装有用 pH 7.2 的蒸馏水稀释 1/10 的 Giemsa 的广口瓶中浸泡 15 分钟。

• 在流水下彻底冲洗每张载玻片 2 - 3 次。

• 将刀片暴露在露天进行干燥。

• 在采集前等待完全干燥（图 2和图 3）。

2.1.5。显微图像的采集

安装显微镜和 Moticam 2.0 相机使其成为一个整体。如此获得的模块通过 USB 电缆连接到安装了 Moticam 3.0 软件的微型计算机，参见下面的图 4。这套系统将促进血液涂片显微彩色图像的自动采集。这些图像将被扫描并存储在安装了软件的微型计算机上。

图 2。无色血涂片示例。

图 3。用于采集图像的彩色涂片。https://pixers.fr/tableaux-sur-toile/frottis-sanguin-FO34994755。

图 4。图像采集装置。

1) 设备特点

为我们的工作正常进行拍摄显微图像需要购买以下设备：显微镜、相机和笔记本电脑。照相机和显微镜的特性分别分组在下面的表1和表2中。

1) 计算机的特点

整个设备在具有以下功能的 hp 笔记本电脑上运行：

• 处理器：Intel® Core TM i3-5005U 处理器，频率为 2.00 GHz，频率为 2.00 GHz。

• 操作系统：Windows10 专业版。

• RAM：4, 00 Go。

• 系统类型：64 位操作系统，×64 处理器。

2.2. 方法

所提出的方法从获取所选血液涂片的显微彩色图像开始。然后我们对每种形式的红细胞的不同形态和比色参数进行处理和表征（图 5）。

形态和比色表征

红细胞的形态学和比色表征需要为每种形式的红细胞提取不同的鉴别描述符。事实上，红细胞形式的识别是基于从红细胞中提取的可测量数据。这些数据或特征必须具有区分性才能实现良好的识别[ 16 ]。在本节中，我们将为每个红细胞提供适当的描述符。

在这种方法中，我们需要通过具有分割的图像处理工具来分离有区别的红细胞。

1) 分割

分割是根据明确定义的标准将图像划分为几个区域，并具有相同特征的像素。这种处理的主要目的是提取必须允许精确识别相关对象的信息 [ 16 ]。在文献中，已经开发了几种分割方法来识别血细胞 [ 9 ] [ 13 ] [ 17 ] [ 18 ]。2015年，

图 5。拟议方法的流程图。

参数值

价值观

莫蒂卡姆

2

传感器类型

CMOS

光学的

1/3''

活动像素

1600 × 1200

像素大小

3.2 µm × 3.2 µm

成像区

5.12 毫米 × 3.84 毫米

扫描模式

进步

快门类型

滚动全局重置

工作温度

-10˚C 至 60˚C 无冷凝

最大限度。信噪比

43分贝

D/R

61分贝

界面

USB2.0

操作要求

Windows7 或更高版本、osx、Linux、250 MB 可用 HD 空间

表 1。相机的特点。

参数

价值观

机构管长

160 毫米

观察头

无补偿三目头，倾斜 30，瞳距 55 - 75 mm

目镜

视场线 18 mm

鼻架

前四重物镜转换器

目的

消色差：4×、10×、40×、100×

对焦系统

同轴粗调和微调

精细聚焦的系统、灵敏度和刻度：0.002 毫米。粗细对焦范围：23 mm

冷凝器

亚伯，NA = 1.25

阶段

双层机械载物台，面积：140×140mm，移动范围：75×50mm

灯塔

卤素灯 6 V 20 W

表 2。显微镜的特点。

P. Shivhare 等人的研究列出了三种主要的分割方法 [ 16 ]：

• 基于边缘的分割

• 基于区域的细分

• 基于阈值的分割

a) 基于边缘的分割

该方法基于决定轮廓的像素亮度的突然变化。它可以标记区域（对象）和图像背景之间的边界或实际过渡区域。

b) 基于区域的分割

图像中的区域是具有相似值的多个像素的分组。然后，这种方法可以对多个同质像素或具有共同属性的像素进行分组 [ 19 ]。

c) 基于阈值的分割

阈值将图像分为两类。每个像素的强度与定义的阈值和逐个像素进行比较。当该强度低于阈值时，像素取值 0，否则取值 1。这种应用于整个图像的阈值操作导致图像的二值化[ 20 ]。

2）形态描述符

健康的红细胞具有均匀的圆形和未变形的形状，而贫血的红细胞具有各种形式，通常特定于贫血类型。这种形态变形可以通过形状描述符来表征：

a) 红细胞面积

红细胞或区域的表面是覆盖分割图像的一组像素。

面积=∑X∑是的F( x , y)(1)

f(x, y) 是其位置由二值化图像中的 x 和 y 坐标对表示的像素。像素在分割区域时为 1，否则为 0。

b) 红细胞周长 (P)

周长是分割图像边缘上的像素的总和。为了计算它，我们将使用八连接方法（表 3）。

我们遍历整个轮廓。当一个像素的连通性低于 8 时，该像素属于轮廓。

磷=∑X∑是的F( x , y)(2)

c) 紧凑性 (C)

区域的紧密度是该区域的面积与周长的比值。它测量区域表面的规则性

C=4 × π×面积p2(3)

d) 偏心率 (e)

离心率描述了红细胞的伸长程度。

e =( 1 -b2一个2)1 / 2(4)

变量b代表短轴，变量a代表长轴。对于红细胞形式，离心率的值在 0 和 1 之间变化。当 e = 0 时，物体实际上是一个圆，当 e < 1 时，物体被拉长。

e) 凸集

让两个不同的像素 x 和 y 属于同一个红细胞 ( E). 将它们分开的像素数描述了一个片段 [x, y]。如果整个段属于单元格，无论 x 和 y，那么集合是凸的。这种方法使我们能够清楚地表征某些红细胞。

{ ( E)凸如果∀ x , y   ∈ ( E) , t x + ( 1 - t ) y, t ∈ [ 0 , 1 ] }(5)

段 [x, y] 定义如下：

{ ( x , y) / t x + ( 1 - t ) y, t ∈ [ 0 , 1 ] }(6)

t 是描述段的变量 [x, y]

3) 颜色描述符

a) 平均像素强度

图像是一组像素，每个像素都有一个定义其强度的值。因此可以知道该区域的平均强度。因此，我们从

(x - 1, y - 1)

(x, y - 1)

(x + 1, y - 1)

(x - 1, y)

(x, y)

(x + 1, y)

(x - 1, y + 1)

(x, y + 1)

(x + 1, y + 1)

表 3。像素 (x, y) 的八连接邻域。

下面的算法计算了每个区域像素的平均强度。该算法是在 MATLAB 2016a 下设计的。其原理定义如下：

b = 查看图像（文件名）；

im = 读取图像（文件名）；

im2 = 将颜色转换为灰度 (im)；

h = 选择区域；

bw = 转换为二值图像 (h, b);

查看图像（bw）；

Imoy = 白色物体的平均颜色。

b) 熵

熵是获取信息的统计量度。它成为表征图像的重要参数。

H( x ) =∑n我= 1磷一世⋅日志2(磷一世)(7)

c) 标准偏差 (σ)

这个统计工具是每个像素的强度与像素强度的平均值之间的差距。

σ=1n - 1∑n我= 1(X一世-X¯)2----------------√(8)

d) 红色着色区域的百分比 (PCol)

红细胞的有色部分含有血红蛋白，因此细胞呈红色。

PCol = ( (面积-面积) /面积) * 100(9)

Areag：代表红细胞总面积的像素数，

Areab：红细胞中央白色部分的像素数，

PCol：表示红细胞有色区域的占据百分比。

e) 红细胞白色区域的面积

areablc = areag - areacol(10)

pblc = ( areablc / areag ) × 100(11)

Areablc：是红细胞中心区域的像素集合，

Areacol：彩色区域中的像素集。

3. 结果与讨论

对血液涂片的检查可以对血液的各种图形元素进行形态学和比色学研究。对于我们的工作，只有红细胞感兴趣。在正常涂片上，红细胞呈圆形，无细胞核，颜色相同。这些参数的任何修改都反映了如下图 8-10 所示的病理状况。贫血是这些变化的结果。

在本节中，我们将介绍在红细胞采集和识别阶段获得的结果。

3.1。不同患者血涂片图像的一些采集

对于每个血液涂片，我们制作了不同患者的几个光学区域的图像。为了获得高质量和可利用的图像，我们使用了相机的某些参数。这些是以下参数（图 6）：

• 颜色（RGB 颜色的增益和亮度）。

• 亮度。

• 分辨率、曝光、对比度、增益。

• 白平衡、伽玛。

我们在本节中展示了一些图像。下面的图 7显示了一个正常的涂片图像，其特征是圆形的、无核的红细胞，中间有一个略带白色的区域。这些不同的细胞具有大致相同的颜色和相同的形态。这样的涂片显示没有贫血。

红细胞低色素性贫血是由体内缺铁引起的贫血。它也被称为缺铁性贫血。这种类型的贫血在医学上很常见。其特点是红细胞苍白，中央白色区域较发达，发现血红蛋白（红色部分）沉积在红细胞外围形成一个环状，如下图8所示。它也可以在慢性出血（胃溃疡，胃癌，痔疮......）中观察到。

图 6。涂片图像显示具有相同红色的圆形红细胞。

图 7。图像显示苍白的红细胞，血红蛋白含量低（低色素）。

(一)(二)

图 8。图 (a) 和 (b) 的数字 (1) 和 (2) 显示镰状细胞。

下面的图 9显示了镰刀或香蕉形状的变形红细胞。它们导致镰状细胞病，这是一种血红蛋白（A 和 S）基因的疾病。据说基因 A 是正常的，而 S 基因负责使红细胞骨架变形为镰刀或香蕉形状。在血液涂片上可以检测到这种形态异常。

图 10显示了血液涂片的图像，其中编号为 1-6 的红细胞具有细长的形状，末端为圆形：它们是椭圆形细胞。这种形式的红细胞可能存在于健康受试者中（少于 1%），但在遗传性椭圆形红细胞增多症的情况下，椭圆形红细胞的数量可能在红细胞的 10% 到 90% 之间变化 [ 21 ]。用物镜100倍（100×）获得光学图像，相当于放大倍数（G）为1000（目镜：10×和物镜100×，即G = 10×100），可以进行形态学和比色学研究的红细胞。

3.2. 红细胞形态和比色参数的一些分割和测量的图像

红细胞的表征需要测量的形态学和比色数据。该动作的成功导致使用图像处理工具：分割。该工具的优点是隔离细胞，以便提取可以准确识别它的信息。如第 2.4.1 节中定义的，分割方法有很多 [ 16 ]。但是为了从每个红细胞中提取信息，我们提出了一种通过选择每个细胞的轮廓进行半监督分割的方法。我们将分离出的红细胞分割 3 次，然后记录不同的测量值并取平均值，如表 4-11 所示。此方法将导致细胞隔离，如图 10 (a) 和图 10 所示(b)。我们发现图 10中的图像在黑色背景上以白色突出显示单元格。所有要提取的信息都在代表分割红细胞的白色部分。这些信息是通过我们在 MATLAB 2016a 下开发和实现的算法获得的。对每个红细胞或红细胞获得的结果记录在一个表格中，其中一些列于下表 4-11 中。

帽269

区域

周长

紧凑

偏心

二进制

H1

5559

274

0.93048

0.3400

0

5557

270

0.95791

0.2910

0

5466

273

0.92162

0.3212

0

MH1

5527.3333

272.3333

0.93667

0.3174

0

H2

5416

273

0.9132

0.2803

0

5400

267

0.9519

0.3287

0

5598

272

0.9508

0.1793

0

MH2

5471.3333

270.6667

0.9386

0.2628

0

H3

5727

278

0.9312

0.3823

0

5800

279

0.9363

0.3162

0

5717

274

0.9569

0.2847

0

MH3

5748

277

0.9415

0.3278

0

表 4。健康红细胞的形态学参数。

帽269

intMoy

性病

colMR

科尔MG

科尔MB

％有色

％白色的

H1

202

5.1568

255

224

220

94.2616

5.7384

202

5.1547

255

224

220

94.3134

5.6865

202

5.1153

255

224

220

94.1090

5.8910

MH1

202

5.1423

255

224

220

94.2280

5.7720

H2

204

5.7267

255

224

220

83.4564

16.5436

204

5.7797

255

224

220

84.0741

15.9259

204

5.8043

255

224

220

84.8875

15.1125

MH2

204

5.7702

255

224

220

84.1393

15.8606

H3

204

5.4969

255

224

220

90.3964

9.6036

204

5.5139

255

224

220

90.1724

9.8276

204

5.4615

255

224

220

89.9948

10.0052

MH3

204

5.4908

255

224

220

90.1878

9.8121

表 5。健康红细胞的比色参数。

帽311

区域

周长

紧凑

偏心

二进制

H1

4171

241

0.9024

0.4940

0

4123

234

0.9462

0.5723

0

4036

235

0.9184

0.3815

0

MH1

4110

236.6667

0.9223

0.4826

0

H2

3403

215

0.9251

0.4013

0

3558

220

0.9238

0.4806

0

3428

213

0.9495

0.4523

0

MH2

3463

216

0.9328

0.4447

0

H3

3975

229

0.9525

0.3500

0

4294

240

0.9368

0.2797

0

4097

234

0.9402

0.3008

0

MH3

4122

234.3333

0.9432

0.3102

0

表 6。环细胞形态参数。

帽311

intMoy

性病

colMR

科尔MG

科尔MB

％有色

％白色的

H1

228

18.2366

254

223

212

60.1295

39.8705

228

18.4479

254

223

212

62.6728

37.3272

228

18.4187

254

223

212

59.6878

40.3122

MH1

228

18.3678

254

223

212

60.8300

39.1700

H2

219

25.7382

254

223

212

62.8857

37.1143

219

25.5280

254

223

212

62.4227

37.5773

219

25.7352

254

223

212

62.3396

37.6604

MH2

219

25.6671

254

223

212

62.5493

37.4507

H3

219

24.9620

254

223

212

59.4214

40.5786

219

24.4978

254

223

212

62.8319

37.1681

219

24.7150

254

223

212

61.5572

38.4428

MH3

219

24.7249

254

223

212

61.2702

38.7298

表 7。环细胞比色参数。

帽227

区域

周长

紧凑

偏心

二进制

H1

2855

278

0.4642

0.8672

1

2981

276

0.4918

0.8813

1

2971

275

0.4937

0.8553

1

MH1

2935.6667

276.3333

0.4832

0.8680

1

H2

2208

207

0.6475

0.7560

1

2098

201

0.6526

0.8140

1

2183

207

0.6402

0.8329

1

MH2

2163

205

0.6468

0.8010

1

H3

3295

271

0.5638

0.8413

1

3358

275

0.5580

0.8372

1

3309

268

0.5790

0.8346

1

MH3

3320.6667

271.333

0.5669

0.8377

1

表 8。形态参数镰状细胞。

帽227

intMoy

性病

colMR

科尔MG

科尔MB

%coloré

%空白

H1

175

16.8154

255

222

215

100

ABS

175

18.3393

255

222

215

100

ABS

175

18.1241

255

222

215

100

ABS

MH1

175

17.7596

255

222

215

100

ABS

H2

184

20.8689

253

214

204

100

ABS

184

20.0974

253

214

204

100

ABS

184

20.5583

253

214

204

100

ABS

MH2

184

20.5082

253

214

204

100

ABS

H3

197

13.2418

255

213

206

100

ABS

197

14.3507

255

213

206

100

ABS

197

13.8554

255

213

206

100

ABS

MH3

197

13.8159

255

213

206

100

ABS

表 9。镰状细胞比色参数。

图 9。涂片带有编号的红细胞椭圆形状，称为椭圆细胞。

帽229

区域

周长

紧凑

偏心

二进制

H1

4013

251

0.8004

0.8727

0

3923

245

0.8213

0.8738

0

4029

251

0.8036

0.8781

0

MH1

3988.33

249

0.8085

0.8749

0

H2

4500

252

0.8905

0.7476

0

4801

267

0.8463

0.7860

0

4801

267

0.8463

0.7860

0

MH2

4700.667

262

0.8610

0.7732

0

H3

4272

256

0.8191

0.8513

0

4210

259

0.7887

0.8739

0

4211

253

0.8267

0.8522

0

MH3

4231

256

0.8115

0.8591

0

表 10。形态学参数椭圆形细胞。

帽229

intMoy

性病

colMR

科尔MG

科尔MB

％有色

％白色的

H1

232

17.1237

255

233

228

68.9758

31.0242

232

17.1677

255

233

228

67.0150

32.985

232

17.0458

255

233

228

68.3544

31.645

MH1

232

17.1122

255

233

228

68.115

31.8849

H2

208

19.5177

255

233

228

82.2222

17.7778

209

20.9228

255

233

228

82.9410

17.0589

209

20.9228

255

233

228

83.2118

16.7882

MH2

208

20.4545

255

233

228

82.7917

17.2083

H3

218

15.5455

255

233

228

80.2434

19.7565

218

15.4646

255

233

228

80.9263

19.0736

218

15.0689

255

233

228

81.0021

18.9978

MH3

218

15.3597

255

233

228

80.7239

19.2760

表 11。。椭圆细胞比色参数。

(a)(b)(c)

图 10。(a) 圆形红细胞的分割；(b) 镰状红细胞的分割；(c) 椭圆形红细胞的分割。

对于每个分段的红细胞，表格分为两组。第一个表中是形态描述符，第二个表中是颜色描述符。在每个表格中，水平边包含以下描述符： area：表示位于分割单元格整个表面上的像素数（图 10（a）和图 10中的白色部分(c) 上面），即像素总和的周长位于分割细胞的轮廓上，即细胞（红细胞）的紧凑性、偏心度和凸度。在第二个表中，我们找到了像素的平均强度 (intMoy)、标准偏差、每个 RGB 分量中的平均颜色 (ColMR、ColMG、colMB) 以及红色中心的白色百分比 (% white)血细胞和彩色部分在垂直层面，capXXX表示每张采集图像的标识符，H{1,2,3,...,n}表示分割后的红细胞集合，MH{1,2,3 , ..., n} 表示对每个红细胞进行的测量的平均值。在健康患者身上，对所采集图像的红细胞进行形态学和比色测量。可以看出红细胞是圆形的，上表 4。健康红细胞的颜色实际上是红色的，这可以通过在 RGB 空间的每个通道（R = 250、G = 224 和 B = 220）中计算的平均值来观察。这一观察得到了低标准偏差 (STD) 的证实，其值约为 5，反映了红细胞的同质性。红色的这种密度是由其从 84% 到 94% 的高比例来证明的，这一观察是通过上面表 5中的数据进行的。

上面的表 6包含了环状红细胞的形态学参数。我们发现这些参数实际上与上面表 4中的参数相同，参见紧实度、偏心率和 Pbinary 凸度变量。因此，为了准确识别环状红细胞，我们将上述表 7的比色参数与形态参数相关联，因为如果没有颜色方面，它可能会造成混淆。在比色参数方面，我们发现红色的密度较低，约为 61%，低于表 5中健康红细胞的值（84% 到 94%）。环状红细胞中的白色区域（占红细胞面积的 39%）几乎是健康红细胞的白色区域（占红细胞面积的 5%）的 8 倍。这些值是通过半自动轮廓分割获得的，以计算细胞内白色区域的面积（第 2.4.2 节 dc）。

在镰状细胞患者中，红细胞是镰状细胞或香蕉细胞。像所有获得的图像一样，我们已经进行了在上面的表 8中分组的形态测量。在分析中，我们发现细胞不是圆形的，因为它们的紧密度值在 0.4 和 0.6 之间变化。它们也被拉长了，这可以通过它们的偏心率值从 0.7 到 0.8 来证明，但这个描述符不够有效，因为在我们的工作中，我们还发现称为椭圆形细胞的拉长细胞具有与镰状细胞相同的偏心率观察表 10以上。为了更精确的识别，我们使用了由变量 PBINARY 的值标记的凸集。如果对象是非凸的，则该值为 1，如果对象是凸的，则该值为 0。当我们将紧凑性与镰状细胞凸集的研究联系起来时，我们的系统可以清楚地识别镰状细胞。镰状细胞的颜色基本上是红色的，即 H1：第一个红细胞，MH1：平均红细胞测量值 H1，INTMOY 平均像素强度，colMR，ColMG，ColMB，RGB 分量的平均染色，STD：标准偏差， % COLOR 和% WHITE，红细胞中有色部分和白色部分的百分比。

椭圆形细胞是具有圆形末端的细长红细胞。上面的图 9证明了它们的紧凑性值在 0.7 和 0.9 之间变化。它们的细长形状也可以通过它们的偏心率值来证明，该值在 0.7 和 0.9 之间变化（偏心率小于 1）。这种细胞形式的识别将结合其紧凑性和偏心率来完成，这是区分这种形式的两个描述符，这种分析是通过上面表 10中测量的数据进行的。本表相关的比色参数见表11以上表明一些椭圆形细胞具有明显的中央区域，这些区域比其他椭圆形细胞更发达。红细胞 1 (H1) 有 31% 的白色和 69% 的有色，红细胞 2 (H2) 有 17% 的白色和 83% 的白色。着色的不稳定性表明颜色不是这种形式的区分因素。那么只有形态参数才能使我们很好地识别椭圆形状。

H1：第一个红细胞，MH1：平均红细胞测量值 H1，intMoy：平均像素强度，colMR，ColMG，ColMB，RGB 分量的平均染色，STD：标准偏差，% COLOR 和 % WHITE：有色部分的百分比和红细胞的白色部分。

4。结论

在本文中，我们提出了一种新的仪器方法来自动表征不同的贫血。本文件中所做的工作主要包括详细说明我们研究的患者资格标准。然后我们收集样本并准备血液涂片。采集阶段发生在本文描述的环境中。为了更好地识别特定于贫血类型的每种红细胞形式，我们针对红细胞的几何形状和颜色外观提出了有效且特定的描述符。因此，对于形状的正式识别，我们将几何描述符（面积、周长、紧实度、偏心率、凸集）与色度描述符（平均像素强度、标准偏差、每个 RGB 分量的平均颜色、百分比颜色和白色）。这种参数组合允许良好的识别。由于我们的半监督轮廓选择分割方法以及我们在 Matlab 2016a 下开发和实施的算法，我们可以提取正常和异常红细胞的这些形态学和色度特征。我们未来的工作将涉及进一步识别某些形式的红细胞，并将以基于红细胞形态和颜色的贫血分类结束。

利益冲突

作者声明与本文的发表没有利益冲突。

参考

[ 1 ] 世卫组织（1993-2005）全球贫血流行率，全球贫血数据库。

http://www.who.int/

[ 2 ] 非洲检查 (2018) fr.africacheck.org/Reports，发布时间：2018 年 7 月 12 日。

[ 3 ] 世卫组织（2014 年）2025 年全球营养目标：贫血政策简报（WHO/NMH/NHD/14.4）。世界卫生组织，日内瓦。

[ 4 ] Berge, F.、Maggiore, G. 和 Frenkian, A. (2012) JIB 2011 血细胞计数技术进展更新；IRBM 新闻。

[ 5 ] Lewis, SM, Bain, BJ 和 Bates, I. (2011) Dacie 和 Lewis 实用血液学，第 11 版，Churchill Livingston Elsevier，爱丁堡。

[ 6 ] Fossat, C. 和 Roméo, M. (2006) 分裂细胞：研究和解释。Spectra Biologie No. 150，2006 年 1 月至 2 月至 3 月。

[ 7 ] Geneviève, F., Galoisys, AG, Bataille, DM, Wanger-Ballon, O., Trimoreau, F., Fenneteau, O. 和 Schillinger, F. (2014) 血液涂片的显微镜检查：法语国家的建议细胞血液学组 (GFHC)。Hematology Blood Smear Review, 156, No. 317。

[ 8 ] Zini, G., d'Onofrio, G., Briggs, C., Erber, W., Jou, JM, Lee, SH, McFadden, S., Vives-Corrons, JL, Yutaka, N. 和 Lesesve, JF ( 2012) ICSH 裂细胞鉴定、诊断价值和定量的建议。国际实验室血液学杂志，34，107-116。

[ 9 ] Elsalamony, A. (2017) 使用神经网络基于形状特征检测贫血细胞。测量，104、50-59。

[ 10 ] Chetaoui, C.、Djemal, K.、Djouak, A. 和 Maarff, H. (2005) 通过图像数字处理研究镰状细胞球的形式。第三届国际会议：电子科学、信息和电信技术，突尼斯，2005 年 3 月 27-31 日。

[ 11 ] Frejilichowski, D. (2011) 用于计算机辅助诊断的灰度 MGG 图像中红细胞类型的识别。IbPRIA，计算机科学讲义，6669、636-643。

[ 12 ] Tomaria, R., Wan Zakaria, WN, Abdul Jamil, MM, Mohd Nor, F. 和 Nik Fuad, NF (2014) 血液涂片图像中红细胞分类的计算机辅助系统。Procedia 计算机科学，42, 206-213。

[ 13 ] Das, DK, Chakraborty, C., Mitra, B., Maiti, AK 和 Ray, AK (2012) 贫血中基于形状的红细胞表征的定量显微镜方法。显微镜杂志，249、136-149。

[ 14 ] 世卫组织（2014 年）疟疾显微诊断基本技术。实习生指南第 2 版，世界卫生组织，日内瓦。

[ 15 ] Abderrahim, A. 和 Benbabouche, F. (2014) 分析细胞图像：分割和特征化。Abu Bakr Belkaid 大学，特莱姆森。

[ 16 ] Shivhare, P. 和 Gupta, V. (2015) 回顾图像分割技术，包括前后处理操作。国际工程与先进技术杂志，第 4 期，第 3 期。

[ 17 ] Thakur、AK 和 Madhusudan（2016 年）图像分割：一项比较研究。国际计算机科学与技术进展杂志，5, 64-71。

http://www.warse.org/IJACST/static/pdf/file/ijacst01562016.pdf

[ 18 ] Zheng, X.、Wang, Y.、Wang, GY 和 Liu, JG (2018) 通过自我监督学习快速、稳健地分割白细胞图像。美光，107，55-71。

[ 19 ] Benomar, ML (2018) Combinaison adaptative des informations texture et couleur pour la segmentation d'images médicales。Abou-Bekr Belkaid 大学，特莱姆森，Génie 生物医学实验室 (GBM) BP 119，特莱姆森。

[ 20 ] Belaroussi, R. (2012) 图像和视频处理与 Matlab 和 C++ 中的实践练习。埃德椭圆，122-123。

[ 21 ] Jacques, B. (2001) 生物分析技术员：理论和实践指南。EMint：Editions Medicales International，Editions TEC & DOC，Tours，607-609。