基于機(jī)器學(xué)習(xí)的白細(xì)胞六分類(lèi)研究

孫凱 姚旭峰 黃鋼

摘? 要： 鑒于現(xiàn)有機(jī)器學(xué)習(xí)白細(xì)胞分類(lèi)方法難以驗(yàn)證網(wǎng)絡(luò)泛化性與魯棒性，本研究提出了一種聯(lián)合多類(lèi)型特征的白細(xì)胞分類(lèi)方法。首先使用圖像剪裁與中心化及改進(jìn)型顏色閾值分割完成11865張六種類(lèi)別白細(xì)胞圖像的預(yù)處理與分割操作。隨后在特征提取部分篩選出細(xì)胞幾何、紋理、小波三部分共63個(gè)特征;通過(guò)主成分分析法實(shí)現(xiàn)了降維后得到8個(gè)主成分。最后使用支持向量機(jī)、多層感知機(jī)與決策樹(shù)分別進(jìn)行分類(lèi)工作，結(jié)果為高質(zhì)量圖像最高88.6%;噪聲圖像最高84.5%;低分辨率圖像最高87.6%的分類(lèi)精度。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出方法的魯棒性和泛化性好，可實(shí)現(xiàn)白細(xì)胞的準(zhǔn)確分類(lèi)。

關(guān)鍵詞： 機(jī)器學(xué)習(xí);圖像處理;分類(lèi);白細(xì)胞

中圖分類(lèi)號(hào)： TP391.41? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? DOI：10.3969/j.issn.1003-6970.2020.10.024

本文著錄格式：孫凱，姚旭峰，黃鋼. 基于機(jī)器學(xué)習(xí)的白細(xì)胞六分類(lèi)研究[J]. 軟件，2020，41（10）：98101+134

【Abstract】： In view of the difficulty in verifying the generalization and robustness of existing machine learning leukocyte classification methods， this study proposes a white blood cell classification method that combines multiple types of features. First， use image cropping and centralization and improved color threshold segmentation to complete the preprocessing and segmentation of 11，865 six subtypes of white blood cell images. In the feature extraction part， 63 features including cell geometry， texture and wavelet were screened out; 8 principal components were obtained after dimensionality reduction was achieved by principal component analysis. Finally， support vector machines， multi-layer perception and decision trees were used for classification. The results were high-quality images up to 88.6%; noise images up to 84.5%; low-resolution images up to 87.6%. The experimental results verify that the proposed method has good robustness and generalization， and can achieve accurate classification of white blood cells.

【Key words】： Machine learning; Image processing; Classification; White blood cells

0? 引言

血液白細(xì)胞通?？梢詣澐譃槲宸N類(lèi)型，分別為嗜堿性粒細(xì)胞（Basophils，bas）、嗜中性粒細(xì)胞（Neutrophilic，neu）、單核細(xì)胞（Monocytes，mon）、淋巴細(xì)胞（Lymphocytes，lym）以及嗜酸性粒細(xì)胞（Eosinophils，eos），嗜中性粒細(xì)胞可分為嗜中性桿狀核粒細(xì)胞（Band Neutrophil，ban）以及嗜中性分葉核粒細(xì)胞（Segmented Neutrophil，seg）[1]。白細(xì)胞根據(jù)形態(tài)差異又可以分為顆粒和無(wú)顆粒兩類(lèi)細(xì)胞，其中嗜酸性粒細(xì)胞、嗜堿性粒細(xì)胞及中性粒細(xì)胞屬于顆粒細(xì)胞，單核細(xì)胞及淋巴細(xì)胞屬于無(wú)顆粒細(xì)胞[2]。白細(xì)胞濃度異常可能代表某些血液疾病的發(fā)病跡象[3]。因此，實(shí)現(xiàn)白細(xì)胞的精確分類(lèi)有助于幫助醫(yī)生篩查白細(xì)胞相關(guān)病癥，在臨床應(yīng)用中具有重要研究意義[4-5]。

白細(xì)胞分類(lèi)方法包括人工鏡檢、流式細(xì)胞儀與圖像處理方法三種[1]。在圖像處理方法中，機(jī)器學(xué)習(xí)方法因其可靠性與魯棒性成為白細(xì)胞分類(lèi)熱門(mén)研究領(lǐng)域。Ravikumar[6]在相關(guān)向量機(jī)（Relevance Vector Machine，RVM）基礎(chǔ)上使用改進(jìn)型的fast-RVM分類(lèi)器，不僅分類(lèi)精度較RVM有所提高，同時(shí)分類(lèi)速度大大超過(guò)RVM分類(lèi)器。Roy等[7]首次證明細(xì)胞的形態(tài)學(xué)特征對(duì)分類(lèi)結(jié)果有重要影響，Agaian等[8]結(jié)合形態(tài)學(xué)特征提出Cell Energy特征，在ALL-IDB數(shù)據(jù)集上對(duì)急性白血?。ˋcute Leukaemia）的分類(lèi)精確度超過(guò)94%;Duan等[9]結(jié)合紋理、空間與光譜特征，利用支持向量機(jī)（Support Vector Machine，SVM）對(duì)五類(lèi)高光譜白細(xì)胞圖像實(shí)現(xiàn)了98.3%的分類(lèi)精度?？梢?jiàn)，使用新型特征或改進(jìn)型分類(lèi)器可實(shí)現(xiàn)白細(xì)胞高精度分類(lèi)。

然而，目前白細(xì)胞分類(lèi)研究依舊存在以下三大問(wèn)題：第一以往研究大多只進(jìn)行白細(xì)胞5分類(lèi)研究，沒(méi)有對(duì)白細(xì)胞實(shí)現(xiàn)更多分類(lèi);第二，以往研究大多只針對(duì)一種白細(xì)胞數(shù)據(jù)集，對(duì)網(wǎng)絡(luò)泛化性與魯棒性驗(yàn)證效果欠佳。為解決上述問(wèn)題，本研究采用六分類(lèi)白細(xì)胞數(shù)據(jù)集，并提取出紋理、小波與形態(tài)特征，使用支持向量機(jī)、多層感知機(jī)（Multilayer Perceptron，MLP）與決策樹(shù)（Decision Tree，DT）三種分類(lèi)器分類(lèi)。在此基礎(chǔ)上，使用高質(zhì)量、噪聲與低分辨率數(shù)據(jù)集，驗(yàn)證本研究方法的泛化性與魯棒性好。

1? 方法

1.1? 實(shí)驗(yàn)數(shù)據(jù)

本研究與北昂生物科技公司合作，采集到六類(lèi)共11865張白細(xì)胞圖像，分別為2000張嗜中性桿狀核粒細(xì)胞、2126張嗜中性分葉核粒細(xì)胞、1854張嗜酸性粒細(xì)胞、2000張淋巴細(xì)胞、2144張單核細(xì)胞以及1741張嗜堿性粒細(xì)胞圖像，大小均為224×224像素，每張圖像只含有一個(gè)白細(xì)胞，全部白細(xì)胞圖像由富有經(jīng)驗(yàn)的醫(yī)生標(biāo)注完畢。圖1展示了原始數(shù)據(jù)庫(kù)六種類(lèi)別的白細(xì)胞圖像。

為了驗(yàn)證對(duì)低質(zhì)量細(xì)胞圖像的分類(lèi)精度，本研究在原始數(shù)據(jù)庫(kù)基礎(chǔ)上加入噪聲與降低分辨率圖像兩類(lèi)低質(zhì)量圖像驗(yàn)證網(wǎng)絡(luò)魯棒性，低質(zhì)量圖像在已分割圖像基礎(chǔ)上制作而成。如圖2（a）所示為原始已分割圖像;圖2（b）所示為加入了均值為0，標(biāo)準(zhǔn)差為0.02的高斯噪聲之后的噪聲圖像;圖2（c）所示為112×112的低分辨率圖像。

1.2? 細(xì)胞圖像預(yù)處理與分割

本研究預(yù)處理方法包含細(xì)胞圖像裁剪、圖像插值處理兩部分。原始圖像含有大量紅細(xì)胞及背景區(qū)域，無(wú)法直接用于機(jī)器學(xué)習(xí)訓(xùn)練，因此需要對(duì)圖片進(jìn)行裁剪，并統(tǒng)一使用對(duì)圖像質(zhì)量損失較小的雙三次差值將細(xì)胞圖像轉(zhuǎn)成網(wǎng)絡(luò)訓(xùn)練所需要的224×224像素[10]。

細(xì)胞圖像分割對(duì)機(jī)器學(xué)習(xí)的特征提取步驟有極大影響[11]。本研究采用改進(jìn)型顏色閾值自動(dòng)分割方法，此方法結(jié)合顏色閾值與區(qū)域生長(zhǎng)法原理，可對(duì)細(xì)胞圖像實(shí)現(xiàn)高通量快速細(xì)胞分割。在分割前，首先對(duì)輸入圖像勾畫(huà)感興趣區(qū)域，避免冗余信息影響，對(duì)待分割白細(xì)胞進(jìn)行更為精確地閾值提取。隨后，采用與區(qū)域生長(zhǎng)法相似的原理，先確定初始區(qū)域生長(zhǎng)點(diǎn)，然后與初始區(qū)域生長(zhǎng)點(diǎn)相似的鄰域像素點(diǎn)被加入到生長(zhǎng)區(qū)域中，直至鄰域沒(méi)有符合生長(zhǎng)規(guī)則的像素點(diǎn)。完成區(qū)域生長(zhǎng)后，將區(qū)域內(nèi)彩色閾值輸出，以備后續(xù)處理。

本課題白細(xì)胞圖像均使用蘇木精—伊紅染色法（Hematoxylin-eosin Staining，HS），這使得白細(xì)胞核內(nèi)的染色質(zhì)與細(xì)胞質(zhì)內(nèi)的核酸為紫藍(lán)色，與紅細(xì)胞的紅色及背景的白色區(qū)別較大，因此使用顏色閾值作為主要分割手段，通過(guò)設(shè)置合適的閾值區(qū)間分離白細(xì)胞與圖像中其他區(qū)域。

本方法會(huì)選取同一類(lèi)別部分細(xì)胞圖像，根據(jù)此類(lèi)細(xì)胞的閾值特點(diǎn)選擇合適閾值區(qū)間。對(duì)于本研究細(xì)胞數(shù)據(jù)集，紫藍(lán)色的色彩數(shù)值更低，因此在閾值選擇時(shí)會(huì)調(diào)低閾值下限，同時(shí)抑制閾值上限，這樣避免分割到紅細(xì)胞區(qū)域。在完成閾值設(shè)置后，批量導(dǎo)入圖片實(shí)現(xiàn)閾值分割與輸出，對(duì)于不同類(lèi)別的細(xì)胞采用不同的閾值設(shè)置，使分割效果更好。圖3為本課題所使用的改進(jìn)型顏色閾值分割效果。

1.3? 白細(xì)胞圖像特征提取與篩選

特征提取能夠顯著影響白細(xì)胞分類(lèi)效果，因此正確選擇適合本課題數(shù)據(jù)集的特征非常重要[12]。前人的研究顯示多類(lèi)型的特征相比單一類(lèi)型特征更能提高分類(lèi)精度[13]，因此本課題從幾何特征、紋理特征、小波特征三個(gè)方面實(shí)現(xiàn)特征的提取。

1.3.1? 幾何特征

提取到幾何特征包括基于尺度不變特征變換（Scale-invariant feature transform，SIFT）的細(xì)胞角點(diǎn)數(shù)目[14]、面積（Area）及周長(zhǎng)（Perimeter）[15]，共3個(gè)輪廓與區(qū)域特征。

1.3.2? 紋理特征

紋理特征以灰度圖像為基礎(chǔ)，反映了圖像中物體表面的某些變化情況。提取的紋理特征包括方差（Variance）、逆差矩（Inverse Difference Moment，IDM）、對(duì)比度（Contrast）、熵（Entropy）、角二階矩（Angular Second Moment，ASM）、相關(guān)性（Correlation）、差分熵（DifferenceEntropy）、差分方差（DifferenceVariance）、度量信息1（InfoMeas1）、度量信息2（InfoMeas2）、平均和（SumAverage）、平均熵（SumEntropy）、平均方差（SumVariance）分別從0度、45度、90度及135度提取，共計(jì)52個(gè)特征;均值（Mean）、等價(jià)局部二進(jìn)制模式（Uniform Pattern LBP，UPLBP）[16]共計(jì)2個(gè)特征;Granularity1- Granularity7共7個(gè)細(xì)胞粒度特征，合計(jì)61個(gè)特征。

1.3.3? 小波特征

小波特征通過(guò)時(shí)域頻域變換實(shí)現(xiàn)紋理特征的提取。本研究提取出Gabor小波特征。

1.3.4? 特征篩選與降維

本研究共提取出65個(gè)白細(xì)胞特征。為降低計(jì)算復(fù)雜度，本研究使用主成分分析（Principal Component Analysis，PCA）進(jìn)行特征篩選與降維。主成分分析就是將數(shù)據(jù)不同屬性的特征變量轉(zhuǎn)化為較少的綜合變量，這些綜合變量即為主成分。主成分由變化之前的特征變量線性組合而成，可以代表大部分特征變量所含有的屬性信息[17-18]。根據(jù)公因子方差與旋轉(zhuǎn)后成分矩陣發(fā)現(xiàn)Granularity4與Granularity5兩個(gè)特征在成分1到成分4的因子載荷系數(shù)絕對(duì)值均在0.4以下，信息貢獻(xiàn)少且貢獻(xiàn)分散在不同特征中，特征信息難以被利用，因此將Granularity4與Granularity5特征刪除，保留63個(gè)特征。隨后進(jìn)行主成分分析得到8個(gè)主成分。

1.4? 分類(lèi)器選擇

傳統(tǒng)機(jī)器學(xué)習(xí)分類(lèi)器是傳統(tǒng)機(jī)器學(xué)習(xí)過(guò)程的關(guān)鍵性環(huán)節(jié)，其原理是將已知類(lèi)別的數(shù)據(jù)輸入分類(lèi)器，通過(guò)訓(xùn)練迭代分類(lèi)器參數(shù)，從而達(dá)到預(yù)期訓(xùn)練結(jié)果的過(guò)程[19]。本課題選用支持向量機(jī)、多層感知機(jī)以及決策樹(shù)三種分類(lèi)器互為對(duì)照，驗(yàn)證分類(lèi)結(jié)果。

1.4.1? 支持向量機(jī)

SVM的基本原理是求解能夠正確劃分?jǐn)?shù)據(jù)集且具有最大幾何區(qū)間的分割超平面。SVM最初用于二分類(lèi)，經(jīng)過(guò)核函數(shù)的改進(jìn)，能夠很好地支持多分類(lèi)任務(wù)的需求。

1.4.2? 多層感知機(jī)

MLP包括輸入層、隱藏層和輸出層。相鄰層神經(jīng)元為全連接狀態(tài)，即相鄰層神經(jīng)元相互連接，同層神經(jīng)元之間不存在同層連接和跨層連接。輸入層負(fù)責(zé)輸入數(shù)據(jù)，隱含層負(fù)責(zé)處理數(shù)據(jù)，輸出層最終負(fù)責(zé)輸出結(jié)果。

1.4.3? 決策樹(shù)

決策樹(shù)屬于監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的一種，通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)部的節(jié)點(diǎn)判斷屬性，通過(guò)不同的節(jié)點(diǎn)分支判斷輸出結(jié)果，最后使用葉節(jié)點(diǎn)輸出分類(lèi)結(jié)果，因此決策樹(shù)算法復(fù)雜度與樹(shù)深度相關(guān)[20-21]。

1.5? 模型驗(yàn)證與評(píng)估

實(shí)驗(yàn)結(jié)果評(píng)價(jià)采用準(zhǔn)確度（Accuracy）、召回率（Recall）、精確度（Precision）、F1值與受試者工作特征曲線（Receiver Operating Characteristic，ROC）來(lái)評(píng)價(jià)結(jié)果的質(zhì)量。如式1可見(jiàn)，準(zhǔn)確度定義為真陽(yáng)性率（True Positive Rate，TPR）與真陰性率（True Negative Rate，TNR）之和與總樣本數(shù)之比。如公式2可見(jiàn)，召回率定義為真陽(yáng)性率與真陽(yáng)性率及假陰性率和之比。如公式3可見(jiàn)，精確度定義為真陽(yáng)性率與真陽(yáng)性率及假陽(yáng)性率和之比。TP代表真陽(yáng)性，TN代表真陰性，F(xiàn)P代表假陽(yáng)性，F(xiàn)N代表假陰性。如公式4可見(jiàn)，F(xiàn)1值為精確度與召回率的加權(quán)調(diào)和平均，其中P代表精確度，R代表召回率。ROC曲線使用真陽(yáng)性率為縱坐標(biāo)，假陽(yáng)性率（False Positive Rate，F(xiàn)PR）為橫坐標(biāo)，如式5與式6所示。

2? 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)使用原始數(shù)據(jù)庫(kù)、噪聲數(shù)據(jù)庫(kù)與低分辨率數(shù)據(jù)庫(kù)進(jìn)行，每種數(shù)據(jù)庫(kù)均包含11865張已分割圖像。實(shí)驗(yàn)采用十折交叉驗(yàn)證方法進(jìn)行模型訓(xùn)練和模型驗(yàn)證。支持向量機(jī)實(shí)驗(yàn)均設(shè)置使用徑向基函數(shù)作為核函數(shù);多層感知機(jī)隱藏層數(shù)為1，隱藏層1中單元數(shù)為6，隱藏層采用雙曲正切函數(shù)作為激活函數(shù)，輸出層采用SoftMax作為激活函數(shù)及交叉熵?fù)p失函數(shù);決策樹(shù)模型采用卡方自動(dòng)交叉檢驗(yàn)（Chi-squared Automatic Interaction Detector，CHAID）生長(zhǎng)法，樹(shù)深度為3，父節(jié)點(diǎn)中最小個(gè)案數(shù)為100，子節(jié)點(diǎn)中最小個(gè)案數(shù)為50，最中含有20個(gè)節(jié)點(diǎn)，14個(gè)終端節(jié)點(diǎn)。

支持向量機(jī)六分類(lèi)結(jié)果如表1所示，總分類(lèi)精度為88.6%。六分類(lèi)ROC曲線如圖4所示，標(biāo)簽0-5分別代表嗜中性桿狀核粒細(xì)胞、嗜中性分葉核粒細(xì)胞、嗜酸性粒細(xì)胞、嗜堿性粒細(xì)胞、淋巴細(xì)胞及單核細(xì)胞。嗜酸性粒細(xì)胞、嗜堿性粒細(xì)胞、淋巴細(xì)胞與單核細(xì)胞的ROC曲線最為靠近左上角坐標(biāo)軸，曲線下面積也較大，說(shuō)明這四類(lèi)細(xì)胞分類(lèi)精度較高;嗜中性桿狀核細(xì)胞與嗜中性分葉核細(xì)胞曲線下面積較小，說(shuō)明分類(lèi)精度較低，這與表1反映的分類(lèi)結(jié)果是一一對(duì)應(yīng)的。

為驗(yàn)證本研究所用方法的魯棒性與泛化性，使用三種分類(lèi)器對(duì)三種數(shù)據(jù)庫(kù)分別進(jìn)行分類(lèi)實(shí)驗(yàn)，結(jié)果如表2所示。由表可以得知，支持向量機(jī)的分類(lèi)性能略?xún)?yōu)于多層感知機(jī)，大幅領(lǐng)先決策樹(shù);噪聲數(shù)據(jù)庫(kù)的分類(lèi)精度最低，說(shuō)明加入噪聲會(huì)影響分類(lèi)精度[22];三種分類(lèi)器低質(zhì)量圖像的分類(lèi)結(jié)果均低于高質(zhì)量圖像，高質(zhì)量與低質(zhì)量精度差距在1%-6%之間。

產(chǎn)生這種現(xiàn)象的原因可能有四點(diǎn)：第一，嗜中性桿狀核粒細(xì)胞和嗜中性分葉核粒細(xì)胞均屬于嗜中性粒細(xì)胞，這兩種細(xì)胞的形態(tài)差異較小，形成的特征差異較小，導(dǎo)致這兩類(lèi)細(xì)胞分類(lèi)精度較差;第二，本課題數(shù)據(jù)集較大，大批量分割細(xì)胞時(shí)存在少量白細(xì)胞未完全分割或白細(xì)胞過(guò)分割等情況，影響分類(lèi)精度;第三，加入噪聲后影響紋理及小波特征提取的準(zhǔn)確性，造成分類(lèi)精度下降;第四，低分辨率數(shù)據(jù)庫(kù)分類(lèi)精度略低于高質(zhì)量數(shù)據(jù)庫(kù)分類(lèi)精度，說(shuō)明分辨率對(duì)分類(lèi)結(jié)果的影響較小。

3? 結(jié)論

本研究聯(lián)合多類(lèi)型特征實(shí)現(xiàn)基于機(jī)器學(xué)習(xí)的白細(xì)胞分類(lèi)方法。為了解決以往研究白細(xì)胞類(lèi)別少、網(wǎng)絡(luò)泛化性與魯棒性驗(yàn)證困難的問(wèn)題，本研究首先收集到11865張六種類(lèi)別的白細(xì)胞圖像，并處理為高質(zhì)量、噪聲與低分辨率數(shù)據(jù)庫(kù)，隨后通過(guò)預(yù)處理與顏色閾值分割去除圖像中無(wú)關(guān)信息，然后提取并篩選出63個(gè)幾何、小波與紋理特征。經(jīng)過(guò)主成分分析降維處理后，選擇支持向量機(jī)、多層感知機(jī)與決策樹(shù)進(jìn)行六分類(lèi)實(shí)驗(yàn)，并得到了高質(zhì)量圖像最高88.6%;噪聲圖像最高84.5%;低分辨率圖像最高87.6%的六分類(lèi)精度。實(shí)驗(yàn)結(jié)果說(shuō)明所提出方法具有很好的分類(lèi)效果，并且泛化性與魯棒性好。

參考文獻(xiàn)

[1]孫凱， 姚旭峰， 馬風(fēng)玲， 等. 基于機(jī)器學(xué)習(xí)的血細(xì)胞分類(lèi)研究進(jìn)展[J]. 中國(guó)醫(yī)學(xué)物理學(xué)雜志， 2020， 37（01）： 127-132.

[2]SAPNA S， RENUKA A. Techniques for Segmentation and Classification of Leukocytes in Blood Smear Images-A Review[C]//2017 IEEE International Conference on Computational Intelligence and Computing Research （ICCIC）. IEEE， 2017： 1-5.

[3]趙子豪. 基于卷積神經(jīng)網(wǎng)絡(luò)的白細(xì)胞圖像檢測(cè)及分類(lèi)技術(shù)[D]. 西北大學(xué)， 2019.

[4]QIN F， GAO N， PENG Y， et al. Fine-grained leukocyte classification with deep residual learning for microscopic images[J]. Computer methods and programs in biomedicine， 2018， 162： 243-252.

[5]RAWAT J， BHADAURIA H S， Singh A， et al. Review of leukocyte classification techniques for microscopic blood images[C]//2015 2nd International Conference on Computing for Sustainable Global Development （INDIACom）. IEEE， 2015： 1948-1954.

[6]RAVIKUMAR S. Image segmentation and classification of white blood cells with the extreme learning machine and the fast relevance vector machine[J]. Artificial cells， nanomedicine， and biotechnology， 2016， 44（3）： 985-989.

[7]ROY R， SASI S. Classification of WBC Using Deep Learning for Diagnosing Diseases[C]//2018 Second International Conference on Inventive Communication and Computational Technologies （ICICCT）. IEEE， 2018： 1634-1638.

[8]AGAIAN S， MADHUKAR M， Chronopoulos A T. A new acute leukaemia-automated classification system[J]. Computer Methods in Biomechanics and Biomedical Engineering： Imaging & Visualization， 2018， 6（3）： 303-314.

[9]DUAN Y， WANG J， HU M， et al. Leukocyte classification based on spatial and spectral features of microscopic hyperspectral images[J]. Optics & Laser Technology， 2019， 112： 530-538.

[10]EGMONT-PETERSEN M， DE RIDDER D， HANDELS H. Image processing with neural networks—a review[J]. Pattern recognition， 2002， 35（10）： 2279-2301.

[11]王秋萍， 張志祥， 朱旭芳. 圖像分割方法綜述[J]. 信息記錄材料， 2019， 20（7）： 12-14.

[12]袁滿(mǎn). 血細(xì)胞圖像白細(xì)胞的自動(dòng)檢測(cè)與識(shí)別[D]. 南京： 東南大學(xué)， 2017.

[13]金松. 基于機(jī)器學(xué)習(xí)的尿沉渣圖像有形成分檢測(cè)算法的研究[D]. 電子科技大學(xué)， 2019.

[14]朱思聰， 周德龍. 角點(diǎn)檢測(cè)技術(shù)綜述[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用 ， 2020， 29（01）： 22-28.

[15]臧啟元， 黃鋼， 徐磊， 等. 基于機(jī)器學(xué)習(xí)與細(xì)胞形態(tài)學(xué)對(duì)癌細(xì)胞分類(lèi)[J]. 軟件， 2019， 40（9）： 81-83.

[16]劉麗， 謝毓湘 ， 魏迎梅， 等. 局部二進(jìn)制模式方法綜述[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2014， 19（12）： 1696-1720.

[17]聶敬云， 李春青， 李威威， 等. 關(guān)于遺傳算法優(yōu)化的最小二乘支持向量機(jī)在MBR仿真預(yù)測(cè)中的研究[J]. 軟件， 2015， 36（5）： 40-44+48.

[18]DUNTEMAN G H. Principal components analysis[M]. Sage， 1989.

[19]ALPAYDIN E. Introduction to machine learning[M]. MIT press， 2020.

[20]趙力衡. 基于決策樹(shù)的手寫(xiě)數(shù)字識(shí)別的應(yīng)用研究[J]. 軟件， 2018， 39（03）： 90-94.

[21]周捷， 朱建文. 機(jī)器學(xué)習(xí)分類(lèi)問(wèn)題及算法研究[J]. 軟件， 2019， 40（7）： 205-208.

[22]GHOSH S， BHATTACHARYA S. Classification of RBC and WBC in Noisy Microscopic Images of Blood Smear[M]//? Information， Photonics and Communication. Springer， Singapore， 2020： 195-200.