基于Transformer结构的深度学习模型用于外周血白细胞检测.pdf

DOI:10.J2210094May2023Chinese Journal of Scientific Instrument2023年5月Vol.44 No.5第44卷第5期表仪报器仪学基于Transformer结构的深度学习模型用于外周血白细胞检测冷冰,冷敏3，常智敏，葛明锋12,董文飞1.2（1.中国科学技术大学生物医学工程学院（苏州），生命科学与医学部苏州215163；2.中国科学院苏州生物医学工程技术研究所苏州215163；3.聊城市心脏病医院聊城252200)摘要：虽然血细胞分析仪已广泛应用于医院中，但人工镜检仍是白细胞检测的“金标准”。本文提出了一种基于DETR的Transformer结构的深度学习模型T-DETR用于外周血白细胞的检测，旨在缓解人工镜检的压力。首先，使用PVTv2作为DETR的骨干提取多尺度特征图来提高检测精度。然后，将可变形注意力模块引人到DETR模型中，减少计算复杂度以加快模型收敛。最后，为了得到最优权重，在筛选后的公共白细胞数据集上使用了迁移学习的训练方式。实验结果表明,T-DETR在COCO数据集上mAP为0.47 6，在白细胞数据集上的mAP为0.9 54，优于DETR和经典CNN模型，验证了Transformer结构的模型在医学图像检测中应用的可行性。关键词：白细胞；目标检测；深度学习；Transformer;DETR中图分类号：TH776文献标识码：A国家标准学科分类代码：52 0.2 0 40Deep learning model based on Transformer architecture forperipheral blood leukocyte detectionLeng Bing*2,Leng Min,Chang Zhimin,Ge Mingfeng,Dong Wenfeil.?(1.School of Biomedical Engineering(Suzhou),Division of Life Sciences and Medicine,University of Science and Technologyof China,Suzhou 215163,China;2.Suzhou Institute of Biomedical Engineering and Technology,Chinese Academy of Science,Suzhou 215163,China;3.Liaocheng Cardiac Hospital,Liaocheng 252200,China)Abstract:Although blood cell analyzers have been widely used in hospitals,the manual microscopy is stll the“gold standard forleukocyte detection.In this article,T-DETR,a DETR-based deep learning model with Transformer architecture is proposed for thedetection of peripheral blood leukocytes,which aims to relieve the pressure of manual microscopy.First,PVTv2 is used as the backboneof DETR to extract multi-scale feature maps to improve detection accuracy.Then,the deformable attention module is introduced into theDETR model to reduce the computational complexity to accelerate the model convergence.Finally,to obtain the optimal weights,thetraining method of transfer learning is used on the filtered public leukocyte dataset.Experimental results show that T-DETR has an mAPof O.476 on the COCO dataset and 0.954 on the leukocyte dataset,which is better than DETR and the classical CNN model.Resultsverify the feasibility of the Transformer structured model for medical image detection applications.Keywords:leukocyte;object detection;deep learning;Transformer;DETR0引言白细胞作为人体与疾病抗争的“卫士”，可以抵抗细收稿日期：2 0 2 2-0 7-0 7ReceivedDate:2022-07-07*基金项目：国家重点研发计划（2 0 2 1YFB3602200）项目资助菌、病毒、寄生虫等外来病原体的攻击。白细胞分为5类：中性粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、单核细胞、淋巴细胞。白细胞的增多或减少都是身体可能发生病变的表现。因此，白细胞的检测成为医生进行诊断疾病和治疗观察的重要手段表仪仪114第44卷报学器目前医院广泛使用的血细胞分析仪是基于电阻抗原理，常出现检测异常的情况。人工镜检作为血细胞分析仪的补充，是白细胞检测的“金标准”。受到实验室政策和资源情况的限制，人工血涂片复查的比率往往比血液学审查国际共识小组制定的“规则”要求低，但工作量依然很大2 。此外，人工镜检对人员的专业性要求较高，且容易出现观察者之间的差异基于传统机器学习的方法，文献3 提出了动态信号提取算法，结合支持向量机实现了血细胞与肿瘤细胞的高精度分类。文献4 提出基于回归树的特征选择方法，将显著特征输入到支持向量机中进行分类。传统方法需要预处理、分割、特征提取和选择等繁琐步骤，结果容易受到染色条件、光线强弱等的影响5近年来，深度学习极大地提高了目标检测领域的先进水平。其中，卷积神经网络（convolutionalneuralnetwork，CNN）在视觉任务上的成功依赖于卷积层所编码的强大的归纳偏置6 。最近，视觉转换器（T r a n s f o r m e r）使用自注意力来聚合不同位置的信息，表现出比CNN更高的性能7 。根据模型结构的不同，目标检测模型可分为基于CNN和Transformer的两种类型。基于CNN的一阶段目标检测网络如你只需看一次网络（youonlylookonce，YO LO）【8 ，直接对候选框分类并对位置进行回归，检测速度快但精度低。二阶段网络如更快的区域卷积神经网络（fasterregionbasedCNN，FasterR-CNN）【9 ，先在提议框上进行有无目标的分类和回归，然后进行目标多分类和框回归，检测精度高但速度较慢。文献10 整合了YOLOv3用于宫颈细胞的检测，开发了一个完整的宫颈液涂片诊断系统。文献11 利用软注意力机制改进FasterR-CNN用于白细胞的检测，最佳mAP可达0.7 44。文献12 使用YOLOv4进行急性淋巴白血病患者血液中的母细胞检测，在公共数据集上的最佳mAP0.5可达0.9 6。基于Transformer 的检测Transformer（d e t e c t i o ntransformer，D ET R）【13 是一种端到端的目标检测模型，采用集合预测的方法直接给出预测结果，省去了人工设计阶段和后处理过程。文献14 提出的可变形注意力模块（deformableattentionmodule，D A M）可以融合多尺度特征,增强了DETR对于小目标的检测能力。文献15 提出的空间调制的共同注意力机制引人了空间先验和多尺度,加快了DETR模型的收敛。在细胞检测应用方面，文献16 提出了一种基于注意力的实例分割的模型Cell-DETR,达到了与掩码区域卷积神经网络（maskregionbased CNN，M a s k R-CNN)相同的性能。基于深度学习的白细胞检测方法尚有以下不足：1）基于CNN的检测模型受到人工设计的步骤及后处理等因素的影响，性能有待提高。2）基于Transformer的DETR作为一种新型目标检测网络，其收敛速度和小目标检测能力有待提升。本文面向实验室的白细胞检测真实场景，将流程简洁的DETR作为基础模型进行改进，提出了一种Transformer架构的端到端目标检测网络基于转换器的DETR(transformer based DETR,T-DETR)1T-DETR的原理T-DETR模型的流水线框架分为三部分，如图1所示。第1部分使用金字塔视觉转换器第二版（pyramidvision Transformerversion 2，PVT v 2）17 提取多尺度的特征图，以提高检测精度。第2 部分将多尺度特征图输入到编码器和解码器模块中，该模块中的DAM自然聚合多尺度特征并提高模型收敛速度。第3部分将处理后的结果与真值进行二部图匹配，输出预测集合预测值真实值含有DAM的编码器和解码器PVTv2多尺度显微图片特征图预测集合二部图匹配损失图1所提出的模型流水线框架Fig.1The proposed model pipeline framework1.1DETR模型原始的DETR模型以ResNet为骨干网络提取单尺度特征，编码器接收展平的特征做自注意力处理，解码器则接收编码器的输出和一组可学习的目标查询集，对目标和全局图像上下文的关系进行推理，输出预测集合。该模型消除了人工设计的组件及后处理过程，简化了检测流程。DETR的模型结构及流程如图2 所示。DETR模型采用匈牙利算法定义损失函数使集合匹配的损失最小，包含分类损失和边界框损失13NCHungarin(y,j)=Z-logpa(a(c.)+Cbox(b,b,(i)(1)其中，P是物体被预测为c类的概率。Cbox(（b r，b。（i)）是边界框损失，b,是真值,6。（i）是预测边界框。冷115冰等：基于Transformer结构的深度周血白细胞检测第5期网络骨干编码器解码器预测头特征图口前馈类别及网络边界框CNN前馈没有网络省标TransformerTransformer编码器解码器前馈类别及网络边界框前馈没有网络自标位置编码目标查询图2DETR的结构及检测流程13Fig.2Architecture and detection process of DETR 13原始DETR模型在初始化时每个查询对所有位置的权重相同，导致模型训练时收敛慢；在训练时只采用低分辨率的单尺度特征图使得小目标的检测性能不佳。因此本文针对这两方面进行改进。1.2网络骨干PVTv2为了得到多尺度特征图，我们使用基于Transformer的PVTv2作为T-DETR的骨干。它的设计仿照ResNet，分为4个阶段，结构如图3所示。每个阶段分为两部分，其中重叠的图像块嵌入用于对局部连续性信息进行建模,Transformer编码器中使用线性空间还原注意力替代多头注意力层以减少计算和内存成本。本文所使用的版本为PVTv2-small，大小与ResNet-50模型接近。HWHWHWHWXCXCFxC门EHIFF48816“1632Transformer块平均池化X32山11特征图日多头注意力图像线性层DW卷积层S位置嵌入相加正则化GELU全连接线性空间还原注意力前馈网络重塑重塑HWHWxC4244重叠的图像块嵌入Transformer编码器(Li)图3PVTv2 模型的结构17 Fig.3Architecture of the PVTv2 model 171.3DAMDAM只关注参考点周围的几个关键点，可以有效减少特征映射的复杂度，加速模型的收敛将单尺度特征图xERCHxW辅输人到DAM中，则DAM的计算公式为14MDeformAttn(z,Pa,x)=WXmm=KZAmgk Wmx(p,+APmgk)（2)其中，9 是查询元素的索引,z。是查询元素的特征表示，P。是参考点，M是注意力头的总数，K是被采样键的总数。Apmgk和Amgk分别表示第m个注意力头中第k个采样点的采样偏移和注意力权重。W和W是可学习的权重。DAM还可以通过注意力机制自然聚合PVTv2生成的多尺度特征图，提升检测精度。输入的多尺度特征图CxH,xW,为1xl=,其中xER多尺度可变形注意力特征的计算公式为14：MMSDeformAttn(z,Pa,ixl/-1)=Wm(3)mLAmlk:Wmx*(b(p,)+APmlk)A116表仪仪器学报第44卷其中，P，E0,1 是每个查询元素参考点的归一化坐标，L是特征层的总数，Apmlgk和Amlgk分别表示第1个特征层中的第m个注意力头中第k个采样点的采样偏移和注意力权重。（(p。）对p。坐标进行缩放以对应相应的特征层。应当注意的是，当L=1时，式（3）将退化为式(2)。2实验验证2.1数据集在大规模自然数据集上进行预训练，并在医学数据集上进行迁移学习（transferlearning，T L）训练，已成为医学成像领域的常规做法。模型的TL训练比从头开始(from scratch，FS)的训练表现出更好的性能18)本文T-DETR模型预训练使用的数据集是COCO数据集【19 该数据集包含118 k训练图像和5k验证图像。本文使用的白细胞数据集为Raabin公共数据集【2 0 ，该数据集由两名血液学专家标注，但存在大量有争议和未识别的细胞，且标注框包含较多背景区域。本文对无争议的细胞图片进行筛选和重新标注，并由检验科医生进行确认，筛选后的数据集信息如表1所示。筛选后的白细胞主要有3类：嗜酸性粒细胞、单核细胞、中性粒细胞。训练集和验证集按照8：2 比例划分。该数据集未包含患者信息，原作者未说明数据存在伦理风险。表1Raabin数据集的详细信息Table 1Details of the Raabin dataset图片数量实验设备成像设备放大倍数分辨率CX18Samsung10.32310053122988显微镜Galaxy S5相机2.2检测性能评估目标检测模型的性能评估需要同时考虑到模型的准确率和召回率，一般使用平均精度（average precision，AP)来评价。AP值由准确率和召回率曲线下方的面积计算。对于多类别的目标检测,使用平均AP（m e a n A P，mAP)来评估检测性能：mAP1AP.(4)二ni=1其中,n是目标类别的总数,AP,是第i个类别的AP值。本文使用的是COCO数据集的常用目标检测评价指标mAP0.5：0.9 5，该指标为交并比取值0.5 0.9 5，间隔为0.0 5时的10 个数值所对应mAP的均值。该指标能够更全面评价模型检测和定位的准确性。2.3模型训练策略本文基于pytorch1.8.0框架搭建模型，使用4个NVIDIARTX3090GPU进行分布式训练，系统是Ubuntu20.104.1 LTS,CPU 为Intel?Xeon?Silver 4210R。我们训练的检测模型有：DETR、T-D ET R、Fa s t e r R-CNN、YOLOv3。各模型的训练参数如表2 所示。表2 模型训练的参数设置Table 2Parameter settings for model training模型数据集训练方式优化器学习率动量权重衰减轮次批量大小用时/hT-DETRCOCOFSAdamW210-4一1x10-4704229DETRRaabinTL/FSAdamW1x10-4一110-4100811T-DETRRaabinTL/FSAdamW210-41x10-4100424一Faster R-CNNRaabinTLSGD21020.91x10-4100811YOLOv3RaabinTLSGD11020.9510-4100892.4结果分析本文的实验主要分为3个部分：1）实验是在环境中的微软常见物体（Microsoftcommon objects in context，CO CO)数据集上对T-DETR进行FS训练，为T-DETR在白细胞数据集上的TL训练提供预训练权重。总训练周期为7 0 个轮次，在第6 1个轮次mAP取得最大值0.47 6，训练过程如图4所示。2)实验包含两部分内容。首先，在白细胞数据集上对T-DETR和DETR进行TL训练，两者的预训练权重均来自于COCO数据集。如图5所示，T-DETR在第40 个轮次开始收敛，收敛速度较DETR快，且mAP值高于DETR。然后，在白细胞数据集上对T-DETR和DETR进行FS训练。训练时DETR不能收敛，且mAP值一直为0,因此结果未在图中展示。虽然T-DETR的FS训练性能略低于TL训练，但超过了DETR的TL训练。由此可见，所提出的T-DETR优于DETR的性能，且TL训练有助于提升模型性能。3)部分实验中，在白细胞数据集上对CNN模型FasterR-CNN和YOLOv3进行TL训练，得到最优的模型权重以实现白细胞的检测与识别。如图6 所示，YOLOv3117冷冰等：基于Transformer结构的深度学习模型用于外周血白细胞检测第5期0.5120.4mAP损失100.3dvu0.280.16010203040506070轮次图4T-DETR在COCO数据集上的训练损失和mAPFig.4Training loss and mAP of T-DETR onCoco dataset1.0100.88DETR(TL)0.6dvu6#T-DETR(TL)T-DETR(FS)0.440.220020406080100轮次图5各模型在白细胞数据集上的训练损失和mAPFig.5 Training loss and mAP for each model on theleukocyte dataset的检测性能明显低于其他模型。虽然T-DETR的收敛速度低于FasterR-CNN，但随着训练的进行，T-DETR的检测性能超过了FasterR-CNN。1.00.90.80.70.6dVu0.50.4T-DETR0.3-FasterR-CNN0.2YOLOv30.10020406080100轮次图6各模型在白细胞数据集上的mAPFig.6mAP of each model on the leukocyte dataset2.5讨论本文将Transformer结构的目标检测模型应用在医学图像的领域中,具有一定的创新性。分别从检测性能和实际检测效果两方面讨论T-DETR的优越性：首先，各模型在白细胞数据集上的检测性能mAP如表3所示。经过TL训练后的T-DETR取得了最优的检测性能。此外,还对每类白细胞的检测性能AP进行了统计。如图7 所示,T-DETR（T L）对于三类白细胞的检测性能几乎均达到了最优，其中对于中性粒细胞的检测性能最高，可能与它的形态易于识别有关。表3各模型的检测性能Table 3Detection performance of each model模型训练方式mAPDETRTL0.902T-DETRTL0.954T-DETRFS0.943FasterR-CNNTL0.952YOLOv3TL0.699DETR(TL)T-DETR(TL)T-DETR(FS)Faster R-CNN(TL)YOLOv3(TL)1.00.80.60.40.20嗜酸性粒细胞单核细胞中性粒细胞图7各模型对每类白细胞的检测性能Fig.7Detection performance of each model foreach type of leukocyte其次，使用具有一定检测难度的图片输人到具有最优权重的模型中得到检测与识别结果。如图8 所示，当检测目标较多时，YOLOv3（T L）出现了漏检和定位框不准确的情况，T-DETR（T L）的整体置信度高于其他模型。另外，在收集到的临床数据（未涉及患者个人信息）上进行了模型实际检测性能的验证。典型检测结果如图9 所示,本文所提出的T-DETR（T L）在检测的准确率和置信度方面优于其他模型。118表仪器仪第44卷报学0.990.95(a)原图(b)DETR模型TL训练(c)T-DETR模型TL训练(a)Original image(b)DETR model TLtraining(c)T-DETR model TL training.7中佳移福(d)T-DETR模型FS训练(e)FasterR-CNN模型TL训练(f)YOLOv3模型TL训练(d)T-DETR model FS training(e)Faster R-CNN model TLtraining(f)YOLOv3modelTLtraining图8 各模型对白细胞检测结果的局部放大图Fig.8Local magnification of leukocyte detection results for each model(a)原图(b)DETR模型TL训练(c)T-DETR模型TL训练(a)Original image(b)DETR model TLtraining(c)T-DETR model TL training(d)T-DETR模型FS训练(e)FasterR-CNN模型TL训练(f)YOLOv3模型TL训练(d)T-DETR model FS training(e)Faster R-CNNmodel TLtraining(f)YOLOv3modelTLtraining图9 各模型对白细胞临床数据检测结果的局部放大图Fig.9Local magnification of the results of each model on leukocyte clinical data2.6局限性及展望以输人图片大小为12 0 0 8 0 0 为例，对各模型的计算量和参数量进行了计算，在单个NVIDIARTX3090GPU上对验证集中的2 0 0 0 张图片进行了推理测试，如表4所示。在推理速度上，YOLOv3最快，而我们提出的T-DETR较慢。一个原因是多尺度的特征图增加了计算119冷冰等：基于Transformer结构的深度学习模型用于外周血白细胞检测第5期量，减慢了推理速度。另一个最重要原因是现有CPU加速对Transformer模型的优化不足，限制了推理速度13表4各模型的计算量、参数量及推理速度Table 4 Computational volume,parameters and inferencespeed of each model模型计算量/CFLOPs参数量/M推理速度/FpsDETR914122.4T-DETR1743710.6Faster R-CNN2064123.5YOLOv31936157.3虽然T-DETR的检测速度存在不足，但医学图像的精确诊断更为重要。最近的研究表明，去掉网络骨干的DETR能够在保持良好性能的同时进一步加快推理速度2 1。未来，随着CPU加速的优化及模型结构的改进，基于Transformer的模型速度会进一步提升。此外，本文的检测模型是在正常白细胞数据集上进行的训练，未进行临床验证。未来将收集一些针对特定疾病（如白血病）的临床数据进行训练和验证，在通过伦理论证后进行实时测试，扩展模型的适用性。3结论本文借助于DETR检测流程简单的优势，将基于Transformer的PVTv2作为模型的骨干网络，并引人DAM降低计算复杂度，构建了一个基于Transformer结构的目标检测模型T-DETR。该模型对大视野显微图片中白细胞检测的mAP值可达0.9 54,超越了经典的CNN检测算法，实现了白细胞的高精度检测。该模型将最近在计算机视觉领域中表现优异的Transformer结构引人到医学图像领域，是一次有益的尝试。参考文献1 LENG B，L ENG M，G E M，e t a l.K n o w l e d g edistillation-based deep learning classification network forperipheral blood leukocytes J.Biomedical SignalProcessing and Control,ElsevierLtd,2022,75(December 2021):103590.2LA GIOIA A,FIORINI F,FUMI M,et al.A prolongedmicroscopicobservationimprovesdetectionofunderpopulated cells in peripheral blood smears J.Annals of Hematology,2017,96(10):1749-1754.3周雨宁，夏华，王晓莉，等基于谱分解动态散射成像的细胞无标记检测与分类方法J电子测量与仪器学报，2 0 2 2，35(4)：1-7.ZHOU Y N,XIA H,WANG X L,et al.Study on label-freecell detection and classification method by using spectraldecomposition-based dynamic scattering imaging J.Journal of Electronic Measurement and Instrumentation,2022,35(4):1-7.4DONG N,ZHAI M,CHANG J,et al.A self-adaptiveapproach for white blood cell classification towards point-of-care testingJ.Applied Soft Computing,2021,111:107709.5BANIK P P,SAHA R,KIM K D.An automatic nucleussegmentation and cnn model based classification methodof whitebloodcellJ.ExpertSystemswithApplications,Elsevier Ltd,2020,149:113211.6RAGHU M,UNTERTHINER T,KORNBLITH S,et al.Do vision transformers see like convolutional neuralnetworks?J.Advances in Neural Information ProcessingSystems(NeurIPS),2021,34:12116-12128.7DOSOVITSKIY A,BEYER L,KOLESNIKOV A,et al.An image is worth 16x16 words:Transformers for imagerecognition at scale J.International Conference onLearning Representations(ICLR),2021.8REDMON J,FARHADI A.YOLOv3:An IncrementalImprovementJ.ArXiv,2018,D0I:10.48550/arXiv.1804.02767.9REN S,HE K,GIRSHICK R,et al.Faster R-CNN:Towards real-time object detection with region proposalnetworksJ.IEEE Transactions on Pattern Analysis andMachineIntelligence，JIEEE，2 0 17，39（6）:1137-1149.10ZHU X,LI X,ONG K,et al.Hybrid AI-assistivediagnostic model permits rapid TBS classification ofcervical liquid-based thin-layer cell smears J.NatureCommunications,2021,12(1):1-12.11WANGD,HWANGM,JIANGW C,et al.Adeeplearning method for counting white blood cells in bonemarrow images J.BM C Bi o i n f o r ma t i c s，Bi o M e dCentral,2021,22:1-13.12 KHANDEKAR R,SHASTRY P,JAISHANKAR S,et al.Automated blast cell detection for AcuteLymphoblastic leukemia diagnosis J.Biomedical SignalProcessing and Control,2021,68(May):102690.13CARION N,MASSA F,SYNNAEVE G,et al.End-to-end object detection with transformers J.EuropeanConference on Computer Vision（ECCV),2 0 2 0,12 346:作者简介表120仪仪器第44卷报学213-229.14ZHU X,SU W,LU L,et al.Deformable DETR:Deformabletransformersforend-to-endobjectdetectionJ.International ConferenceonLearningRepresentations(ICLR),2021(June):1-14.15GAO P,ZHENG M,WANG X,et al.Fast convergenceof detr with spatially modulated co-attention C.IEEE/CVF International Conference on ComputerVision(ICCV),2021.16PRANGEMEIERT,REICHC,KOEPPLH.Attention-based transformers for instance segmentation of cells inmicrostructures J.Proceedings-2020 IEEE InternationalConference on Bioinformatics and Biomedicine,BIBM 2020,2020:700-707.17WANGW,XIEE,LIX,et al.PVTv2:ImprovedbaselineswithpyramidvisiontransformerJ.Computational Visual Media,2021,8(3):415-424.18RAGHU M,ZHANG C，K L EI NBERG J,e t a l.Transfusion:Understanding transfer learning for medicalimaging J.Advances in Neural Information ProcessingSystems(NeurlPS),2019.19LIN T,MAIRE M,BELONCIE S,et al.MicrosoftCOCO:Common objects in contextJ.EuropeanConference on Computer Vision（ECCV),2 0 14(Ju n e):740-755.20KOUZEHKANAN Z M,SAGHARI S,TAVAKOLI S,et al.A large dataset of white blood cells containing celllocations and types,along with segmented nuclei andcytoplasm J.Scientific Reports,Nature PublishingGroup UK,2022,12(1):1-14.21LIU F,WEI H,ZHAOW,etal.WB-DETR:Transformer-based detector without backbone C.IEEE/CVF International Conference on Computer Vision(ICCV),IEEE,2021,1:2959-2967.冷冰，2 0 11年于哈尔滨工业大学获得学士学位，2 0 15年于哈尔滨工业大学获得硕士学位。现为中科院苏州医工所助理研究员，主要研究方向为人工智能与图像识别。E-mail:lengbing Leng Bing received his B.Sc.degree from Harbin Institute ofTechnology in 2011,and received his M.Sc.degree from HarbinInstitute of Technology in 2015.He is currently an assistantresearch fellow at Suzhou Institute of Biomedical Engineering andTechnology,Chinese Academy of Sciences.His main researchinterests include artificial intelligence and image recognition.冷敏，19 9 4年毕业于聊城市卫生学校，2009年于潍坊医学院获得学士学位。现为聊城市心脏病医院副主任技师，主要研究方向医学检验。E-mail:yylengmin Leng Min graduated from Liaocheng Health School in 1994and received her B.Sc.degree from Weifang Medical Universityin 2009.She is currently the deputy chief technologist ofLiaocheng Cardiac Hospital.Her main research interest ismedical laboratory science.董文飞（通信作者），19 9 6 年于浙江大学获得学士学位，2 0 0 4年于德国波兹坦大学获得博士学位。现为中科院苏州医工所研究员，主要研究方向为生物医学光子学。E-mail:wenfeidong Dong Wenfei（Co r r e s p o n d i n g a u t h o r）r e c e i v e d h i s B.Sc.degree from Zhejiang University in 1996 and Ph.D.degree fromUniversity of Potsdam in 2004.He is now a research fellow atSuzhou Institute of Biomedical Engineering and Technology,Chinese Academy of Sciences.His main researc