一種陰道微生態形態學自動分析方法和系統的制作方法
【專利摘要】本發明的目的是提供一種陰道微生態形態學自動分析方法和系統，針對通過常規設備獲取的低分辨率涂片圖像，先對其進行超分辨率放大重建，使其更為清晰，為后續的分類奠定基礎，再應用神經網絡技術對重建后的高分辨率圖像進行圖像判斷和識別，并一步輸出微生物的種類和密度，以實現對陰道微生態形態學進行自動分析和計算機輔助識別的目的，從而可以對陰道微生態系統進行客觀準確的臨床評價。
【專利說明】
一種陰道微生態形態學自動分析方法和系統
技術領域
[0001] 本發明涉及微生態形態學分析方法和系統，尤其涉及一種對陰道微生態形態學圖 像進行自動分析和計算機輔助識別的方法和系統。
【背景技術】
[0002] 女性生殖道感染和性傳播感染是女性常見疾病，也是全球性的社會及公共衛生問 題，具有發病率高、復發率高、流行范圍廣的特點。感染是多種疾病的源頭，如果生殖道感染 得不到及時診斷和正確治療，可引起艾滋病感染和發生宮頸癌的風險增加、不孕癥、異位妊 娠、流產、死胎、死產、早產、先天感染及新生兒感染、慢性腹痛等并發癥，影響兩代人的健 康。
[0003] 建立陰道微生態臨床評價體系是陰道感染診斷治療思路的新突破。它能夠指導婦 產科臨床醫師從微生態角度重新審視婦科感染性疾病，全面評價感染及治療后的陰道微生 態狀況，指導臨床不僅追求治療病原，而且以達到恢復陰道微生態環境正常這一最終目標。 [0004]建立陰道微生態臨床評價體系，需要對陰道微生態中的微生物進行識別、半定量 和分析，而目前微生物種類、數量的識別主要依賴于人類專家的主觀閱讀，這個過程耗時且 易于出錯。由于微生物學數據天然的模糊性，對相同領域內的或跨領域的專家之間，人工微 生物讀片的結果容易產生很大的可變性，且培訓閱片人員需要時間，且基層醫院無法配備 有資質的檢驗人員進行閱片，而使常見的生殖道感染性疾病誤診誤治。為了應付不斷增加 的數據量，實現更加客觀和定量化的精確測量，以及獲得可重復的結果，減少數據分析過程 中的人為干預非常重要。
[0005] 現有的計算機圖像識別技術，例如Wavelet PCA方法(即基于小波變換的主成分分 析，Wavelet Principal Component Analysis)，能夠比較快的進行圖像特征的提取，但是 該方法對圖像的處理較為簡單，只是依靠先驗的細菌特征知識進行分類，對于變化多樣的 細菌涂片圖像則識別能力極為有限。而使用人工智能的方法進行圖像識別，雖然有較高的 準確率，但是運算復雜，往往需要有大型的并行運算能力才能完成，且現有獲取患者涂片的 設備所獲得的圖像分辨率都相對較低，無法有效進行神經網絡學習等人工智能的運算，而 獲取高分辨率圖像的設備成本較高，處理時間較長，不適合于臨床面對大量病人的涂片檢 查。

【發明內容】

[0006] 本發明的目的是提供一種陰道微生態形態學自動分析方法和系統，針對通過常規 設備獲取的低分辨率涂片圖像，先對其進行超分辨率放大重建，使其更為清晰，為后續的分 類奠定基礎，再應用神經網絡技術對重建后的高分辨率圖像進行圖像判斷和識別，并一步 輸出微生物的種類和密度，以實現對陰道微生態形態學進行自動分析和計算機輔助識別的 目的，從而可以對陰道微生態系統進行客觀準確的臨床評價。
[0007] 本發明一方面提供一種陰道微生態形態學自動分析方法，所述方法包括:先對待 檢測患者涂片的圖像進行超分辨率放大重建，再應用深度卷積神經網絡技術對重建后的所 述圖像進行圖片識別。
[0008] 進一步的，本發明提供一種陰道微生態形態學自動分析方法，所述方法包括：
[0009] (1)利用基于稀疏表示的超分辨率重構算法，對低分辨率的待檢測患者涂片的圖 像進行放大重建，形成高分辨率的待檢測患者涂片的圖像；
[0010] (2)通過深度卷積神經網絡技術，對步驟(1)中得到的所述高分辨率的圖像進行特 征數據提取和圖像識別，獲得圖像中陰道微生物的位置和類別信息。
[0011] 進一步的，本發明提供一種陰道微生態形態學自動分析方法，所述方法包括：
[0012] -、對待檢測患者涂片進行超分辨率放大重建，包括：
[0013] 預先收集高分辨率圖像，將其分割為高分辨率圖像塊Xh，同時通過對所述高分辨 率圖像進行模糊采樣和插值運算，得到其相對應的低分辨率圖像塊Xi;利用字典訓練算法 訓練上述高分辨率圖像塊Xh及其所對應的低分辨率圖像塊X!，分別獲得高分辨率字典D h和 低分辨率字典Di;
[0014] 將待檢測患者涂片的圖像進行分塊和特征提取，得到所述圖像的特征圖像塊Xa; 將所述特征圖像塊乂3通過上述高分辨率字典Dh和低分辨率字典0:進行稀疏表示和稀疏表示 系數提取，經過反向投影濾波器得到重建后的待檢測患者涂片圖像。
[0015] 二、應用深度卷積神經網絡技術對待檢測患者涂片進行圖片識別，包括搭建框架、 訓練深度卷積神經網絡、重疊矩形框合并、圖像識別4個步驟，具體為：
[0016] 1.搭建框架：
[0017]預先收集已知細菌的高分辨率圖像，并將圖像分割成S*S的單元格;每個單元格輸 出B個矩形框，每個所述矩形框帶有4個位置信息和1個物體概率信息PHGerms);每個單元 格再輸出C個類別條件概率信息PHClasslGerms)，其中C為細菌類別的數量;最終輸出層具 有S*S*(B*5+C)個單元;每個矩形框的細菌類別識別概率Pr(Class)信息為：
[0018] Pr(Class = Pr(Class |Germs)*Pr(Germs)
[0019] 另外，如果一個細菌的中心落入一個單元格中，則該單元格上的B個矩形框的位置 信息均為該細菌的位置信息。
[0020] 2.訓練深度卷積神經網絡：
[0021] 1)整個深度卷積神經網絡的最終輸出層為線性激活，其他層都是Leaky Rectified Linear激活：
[0022]
[0023] 引入兩個參數A_rd = 5，XnQger = 〇 . 5，整個網絡的代價函數為：
[0024]
[0025] 2)建立樣本訓練集，并將訓練集數據進行標注，之后將標注好的訓練集投入到網 絡中對網絡進行訓練。
[0026] 3.重疊矩形框合并：
[0027]對于重疊區域進行優化，即對同一個物體識別出的多個有重疊的矩形框進行優 化，刪除并合并重疊的矩形框，具體步驟為：根據每個矩形框的細菌類別識別概率Pr (Class)大小進行排序;取概率最大的矩形框為一個細菌的框，記為A;在剩下的矩形框中， 去掉與框A重疊率大于特定閾值的矩形框，保留其他矩形框;在保留的其它矩形框中，重復 上述步驟，直到沒有矩形框為止;之后選出合適的矩形框。
[0028] 4.圖像識別：
[0029] 將步驟一經過超分辨率重建的高分辨率的待測患者涂片圖像，輸入到上述步驟二 2建立的深度卷積神經網絡中，得到包含細菌的多個待定矩形框，然后對矩形框進行上述步 驟二3的矩形框優化，得到最終的細菌種類和位置，進而統計細菌的密度，輸出圖片識別結 果。
[0030] 另一方面，本發明提供一種陰道微生態形態學自動分析系統，所述系統包含數據 分析模塊，所述數據分析模塊采用上述陰道微生態形態學自動分析方法對所采集的陰道分 泌物染片進行微生態數據檢測分析，并對微生態檢測指標進行保存。
[0031] 進一步的，本發明所述陰道微生態形態學自動分析系統還包含人工識別模塊，所 述人工識別模塊用于對不能通過上述陰道微生態形態學自動分析方法進行識別的染色片， 如染色后比較模糊的圖片，實現專業檢驗醫師的人工識別及識別結果的數據庫保存。
[0032] 在一個優選的方案中，本發明所述陰道微生態形態學自動分析系統包含患者信息 錄入模塊、病例采集模塊、數據分析模塊、人工識別模塊、打印表單模塊，所述患者信息模塊 用于實現患者身份、檢查情況等信息的錄入;所述病例采集模塊用于輸入需分析的油鏡下 熒光染色圖片;所述數據分析模塊用于對所采集的陰道分泌物染片進行微生態數據檢測分 析，并對微生態檢測指標進行保存;所述人工識別模塊用于對不能自動識別的染色片，進行 人工識別;所述打印表單模塊用于對檢測完數據進行報表的打印。
[0033] 本發明的有益效果主要有以下幾個方面：
[0034] 本發明的陰道微生態形態學自動分析方法和系統能夠減輕臨床工作人員的勞動 強度，縮短人員培養周期，減少主觀誤差，使陰道微生態檢測客觀化、系統化、規范化，它的 推廣，能夠填補微生態診治領域的空白，提高對于婦科感染這一臨床常見病、多發病的診治 水平，規范化的診治將會減輕群眾醫藥費用負擔，帶來巨大的經濟效益和社會效應。
【附圖說明】
[0035] 圖1:實施例1中識別圖片中的細菌是滴蟲的示意圖。其中右上圖的矩形框為檢測 到的細菌，矩形框右上角漢字標注細菌的類別，矩形框左上角數字標注細菌的位置編號。
[0036] 圖2:實施例2的陰道微生態形態學自動分析系統的主界面和打印表單界面。
【具體實施方式】
[0037] 下面實施例對本發明進一步詳細說明，本領域技術人員應當意識到在不脫離本發 明的范圍和精神的情況下所作的改動，均屬于本發明的范圍。
[0038] 本發明所述的高分辨圖像和低分辨圖像是相對概念，其中高分辨率圖像的分辨率 是低分辨率圖像的4倍以上。
[0039] 實施例1:本發明的陰道微生態形態學自動分析方法
[0040] -、對待檢測患者涂片進行超分辨率放大重建 [0041 ] 1.獲得高分辨率字典Dh和低分辨率字典Di:
[0042] 預先收集若干(例如10-1000張)高分辨率圖像，針對每一張圖像，將其分割為高分 辨率圖像塊Xh;另外，通過對所述高分辨率圖像進行模糊采樣和插值運算，得到其相對應的 低分辨率圖像塊Xi。然后，利用字典訓練算法例如K-SVD算法，訓練上述高分辨率圖像塊X h及 其所對應的低分辨率圖像塊Χι，分別獲得高分辨率字典Dh和低分辨率字典Di。
[0043] 2.獲得患者涂片的高分辨率圖像：
[0044]通過臨床采樣，獲得待檢測患者涂片的圖像(低分辨率圖像），將其進行分塊和特 征提取，得到所述圖像的特征圖像塊Xa;將所述特征圖像塊乂3通過上述高分辨率字典Dh和低 分辨率字典 Dl進行稀疏表示和稀疏表示系數提取，經過反向投影濾波器得到重建后的高分 辨率的待檢測患者涂片的圖像。
[0045] 二、應用深度卷積神經網絡技術對待檢測患者涂片進行圖片識別
[0046] 1.搭建框架：
[0047] (1)預先收集已知細菌的高分辨率圖像，并將圖像分割成S*S的單元格；
[0048] (2)每個單元格輸出B個矩形框，每個所述矩形框帶有4個位置信息（用x，y，w，h表 示），以及1個物體概率信息（用PKGerms)表示），所述物體概率是指矩形框圖像是細菌的概 率；
[0049] (3)每一個單元格再輸出C個類別條件概率，用PHClasslGerms)表示，其中C為細 菌類別的數量；
[0050] (4)最終輸出層（output layer)具有S*S*(B*5+C)個單元(unit)。
[0051]其中，x，y表示中心相對于單元格左上角的位置偏移，單元格左上角為(0,0)，右下 角為（1，1)，w，h表示矩形框的寬和高，其為相對于整個圖片的相對值，例如與整個圖片大小 一樣則為(1，1)，長寬都是整個圖像的一半就是(〇.5,0.5)。
[0052] 每個矩形框的細菌類別識別概率Pr(Class)(即矩形框內圖像是某種細菌的概率） 等于上述類別條件概率Pr(Class |Germs)乘以上述物體概率Pr(Germs)，即：
[0053] Pr(Class)=Pr(Class|Germs)*Pr(Germs)
[0054] 另外，如果一個細菌的中心落入一個單元格中，則該單元格上的B個矩形框的位置 信息均為該細菌的位置信息。
[0055]其中細菌類別可按表1所示分類。
[0056] 表1細菌類別
[0057]
[0058] 2.訓練深度卷積神經網絡
[0059] 1)整個深度卷積神經網絡的最終輸出層(Output Layer)為Linear激活（線性激 活），其他層都是Leaky Rectified Linear激活方式，即：
[0060]
[0061] 因為一張圖片中大部分單元格都沒有落入細菌中心，所以引入兩個參數A_rd = 5， λΜ?^ = 0.5，整個網絡的代價函數變成：
[0062]
[0063]其中，
[0064] x:激勵函數自變量。
[0065] A_rd:矩形框位置預測信息的損失權重。
[0066] Ancige3r :不包含細菌矩形框的置信度損失權重。
[0067] J:損失函數。
[0068] i:第i個網格。
[0069] j:第j個矩形框。
[0070] 丫指示第i個網格的第j個矩形框是否包含細菌，包含細菌則該參數為1，否則 為〇〇
[0071] S2:指網格的個數。
[0072] B:指每個網格產生B個矩形框。
[0073] 11，71，《1，111:分別指包含細菌的第1個網格的標準矩形框的坐標^ 7以及寬度和高 度w，h〇
[0074] C1:指第i個網格的置信概率。
[0075] Pl(c):指第i個網格的類別預測概率。
[0076] 胃:指示第i個網格的第j個矩形框是否不含細菌，不包含細菌則該參數為1，否 則為0。
[0077] 指示是否有細菌出現在第i個網格，有則該參數為1，否則為0。
[0078] 巧,只氏(C):含有'的參數均表示對應參數的估計值。
[0079] 2)建立樣本訓練集，并將訓練集數據進行標注，之后將標注好的訓練集投入到網 絡中對網絡進行訓練。
[0080] 3.重疊矩形框合并：
[0081] 對于重疊區域進行優化，即對同一個物體識別出的多個有重疊的矩形框進行優 化，刪除并合并重疊的矩形框，具體步驟為：
[0082]①根據每個矩形框的細菌類別識別概率Pr(Class)大小進行排序；
[0083]②取概率最大的矩形框為一個細菌的框，記為A;
[0084] ③在剩下的矩形框中，去掉與框A重疊率大于某個閾值(根據實際情況設置）的矩 形框，保留其他矩形框；
[0085] ④在保留的其它矩形框中，重復上面的步驟，直到沒有矩形框為止；
[0086]⑤選出合適的矩形框。
[0087] 4.圖像識別
[0088] 將步驟一經過超分辨率重建的高分辨率的待測患者涂片圖像，輸入到上述步驟二 2建立的深度卷積神經網絡中，得到包含細菌的多個待定矩形框，然后對矩形框進行上述步 驟二3的矩形框優化，得到最終的細菌種類和位置，進而統計細菌的密度，輸出圖片識別結 果，并根據細菌種類、密度計算Nugent評分和AV評分。
[0089] 圖1為識別圖片中的細菌是滴蟲的一個實例:待測患者涂片圖像進行超分辨率重 建，放大為原圖的4倍;將重建后的待測圖片輸入到訓練好的深度卷積神經網絡，該網絡將 圖像分割成7*7個單元格，每個單元格輸出2個矩形框，共輸出98個具有類別識別概率的待 定矩形框;對待定矩形框優化合并后最終得到1個矩形框，其類別為滴蟲，統計個數為1。
[0090] 實施例2:本發明的陰道微生態形態學自動分析系統
[0091] 1.系統框架
[0092] 根據上述本發明的陰道微生態形態學自動分析方法，在 Microsoft .Visual · Studio · Team. System. 2008環境下，對陰道微生態形態學自動分析系統 進行開發，實現患者信息錄入、陰道微生態油鏡下圖片選取、選取圖片的自動數據分析、未 能自動識別圖片的人工識別及打印患者微生態檢測報告等功能。
[0093] 軟件開發系統整體構架及功能包含患者信息模塊、病例采集模塊、數據分析模塊、 人工識別模塊、打印表單模塊，所述患者信息模塊用于實現患者身份、檢查情況等信息的錄 入;所述病例采集模塊用于輸入需分析的油鏡下熒光染色圖片;所述數據分析模塊用于對 所采集的陰道分泌物染片進行微生態數據檢測分析，并對微生態檢測指標進行保存;所述 人工識別模塊用于對不能自動識別的染色片，進行人工識別;所述打印表單模塊用于對檢 測完數據進行報表的打印。
[0094] 2.各模塊功能
[0095]陰道微生態形態學自動分析系統主要包括患者信息、采集病例、數據分析、人工識 另|J、打印表單五大模塊，系統主界面如圖2所示。
[0096] (1)患者信息模塊
[0097] 主要實現患者信息的錄入，包括患者信息手工輸出和自動輸入兩級菜單。
[0098] 手工輸入部分包括患者姓名、性別、年齡、樣本種類、檢測地點、病例號、科別、床位 號、采樣時間、送檢藥師、樣品編號等。該部分信息錄入后，自動送往文件名為 "Pat ient.mdb"數據庫文件中的patient表，將患者的上述信息進行數據的保存，以方便日 后醫療人員對該數據庫中大規模的數據進行數據分析和統計。
[0099]自動輸入部分為本系統預留輸入接口，為了后續與醫院HIS系統對接而設置，以幫 助醫師快速利用醫院HIS系統完成患者條形碼掃描而自動獲取患者信息，從而減少因人工 手動輸入帶來的耗時長、手工錄入信息準確性下降等弊端。（2)采集病例模塊
[0100] 主要實現患者陰道分泌物染片的選取。
[0101] 進入采集病例模塊后，可根據油鏡下拍攝的患者圖片的存放位置進行文件的查 找，當選定了某患者陰道微生態染片后，可根據需要選擇"文件名"及類型(JPG或BMP)，然后 "打開"該染片。
[0102] (3)數據分析模塊
[0103] 主要實現患者陰道分泌物染片的自動微生態數據檢測。
[0104] 利用實施例1的本發明的陰道微生態形態學自動分析方法，對"采集病例"模塊選 取的患者染色圖片進行密集度、多樣性、孢子、菌絲、WBC/油鏡>10等微生態檢測指標的報告 及輸出。另外，患者姓名、病歷號等信息可通過調用"Patient .mdb"數據庫文件中patient表 的相應字段報告在數據分析結果中，并將檢測出的密集度、多樣性、孢子、菌絲、WBC/油鏡〉 10等微生態檢測指標保存在"Patient.mdb"數據庫文件AnalyseResult表中，以方便日后醫 療人員對該數據庫中大規模的數據進行數據分析和統計。
[0105] (4)人工識別模塊
[0106] 主要實現專業檢驗醫師的人工識別及識別結果的數據庫保存。
[0107]此模塊作為數據分析模塊的按需補充，對于少量不能自動識別的染色片，如染色 后比較模糊的圖片，可在"數據分析模塊"報告出"計算機無法自動識別，建議人工識別!"信 息時，可將該圖片通過"另存為人工庫"按鈕，存入人工識別庫。然后進入主界面的"人工識 另IJ"模塊進行檢驗醫師的人工識別。
[0108] 由專業檢測醫師對密集度、多樣性、優勢菌等檢測指標進行人工識別錄入，并通過 "保存"按鈕將人工識別結果保存至"Patient .mdb"數據庫文件Identify表中，以方便日后 醫療人員對該數據庫中大規模的數據進行數據分析和統計。
[0109] (5)打印表單模塊
[0110] 主要實現患者陰道微生態檢驗報告單的打印功能，可實現自動識別結果打印和人 工識別結果打印的選取。
[0111] 根據 "Patient .mdb" 數據庫文件中 Patient表、AnalyseResult表、Identify表中的 患者信息字段值，直接提取到打印報告單中。
【主權項】
1. 一種陰道微生態形態學自動分析方法，包括:對待檢測圖像進行超分辨率放大重建， 并應用深度卷積神經網絡技術對重建后的所述圖像進行圖片識別。2. 根據權利要求1所述的陰道微生態形態學自動分析方法，包括： (1) 利用基于稀疏表示的超分辨率重構算法，對低分辨率的待檢測圖像進行放大重建， 形成高分辨率的待檢測圖像； (2) 通過深度卷積神經網絡技術，對步驟(1)中得到的所述高分辨率的圖像進行特征數 據提取和圖像識別，獲得圖像中陰道微生物的位置和類別信息。3. 根據權利要求1或2所述的陰道微生態形態學自動分析方法，其中所述對待檢測圖像 進行超分辨率放大重建的步驟包括： 預先收集高分辨率圖像，將其分割為高分辨率圖像塊抽，同時通過對所述高分辨率圖像 進行模糊采樣和插值運算，得到其相對應的低分辨率圖像塊Xi;利用字典訓練算法訓練上 述高分辨率圖像塊Xh及其所對應的低分辨率圖像塊XI，分別獲得高分辨率字典Dh和低分辨 率字典化； 將待檢測圖像進行分塊和特征提取，得到所述圖像的特征圖像塊Xa;將所述特征圖像塊 Xa通過上述高分辨率字典Dh和低分辨率字典化進行稀疏表示和稀疏表示系數提取，經過反 向投影濾波器得到重建后的待檢測圖像。4. 根據權利要求1或2所述的陰道微生態形態學自動分析方法，其中所述應用深度卷積 神經網絡技術對重建后的所述圖像進行圖片識別的步驟包括搭建框架、訓練深度卷積神經 網絡、重疊矩形框合并、圖像識別4個子步驟： 1) 搭建框架： 預先收集已知細菌的高分辨率圖像，并將圖像分割成S巧的單元格;每個單元格輸出B 個矩形框，每個所述矩形框帶有4個位置信息和1個物體概率信息Pr(Germs);每個單元格再 輸出C個類別條件概率信息Pr(ClasslGerms),其中C為細菌類別的數量;最終輸出層具有S* S*(B*5+C)個單元;每個矩形框的細菌類別識別概率Pr(Class)信息為： Pr(Class)=Pr(Class|Germs)^Pr(Germs)； 如果一個細菌的中屯、落入一個單元格中，則該單元格上的B個矩形框的位置信息均為 該細菌的位置信息； 2) 訓練深度卷積神經網絡： 整個深度卷積神經網絡的最終輸出層為線性激活，其他層為Leaky Rectified Linear 激活：引入兩個參數、。化<1 = 5，^呵6, = 0.5，整個網絡的代價函數為：建立樣本訓練集，并將訓練集數據進行標注，并將標注好的訓練集投入到網絡中對網 絡進行訓練； 3) 重疊矩形框合并： 根據每個矩形框的細菌類別識別概率Pr(Class)大小進行排序;取概率最大的矩形框 為一個細菌的框，記為A;在剩下的矩形框中，去掉與框A重疊率大于特定闊值的矩形框，保 留其他矩形框;在保留的其它矩形框中，重復上述步驟，直到沒有矩形框為止;之后選出合 適的矩形框； 4) 圖像識別： 將所述高分辨率的待檢測圖像輸入到上述子步驟2)建立的深度卷積神經網絡中，得到 包含細菌的多個待定矩形框，然后對矩形框進行上述子步驟3)的矩形框優化，得到最終的 細菌種類和位置，進而統計細菌的密度，輸出圖片識別結果。5. -種陰道微生態形態學自動分析系統，所述系統包含數據分析模塊，所述數據分析 模塊采用權利要求1-4的陰道微生態形態學自動分析方法。6. 根據權利要求5的陰道微生態形態學自動分析系統，所述系統還包含人工識別模塊。7. 根據權利要求6的陰道微生態形態學自動分析系統，所述系統包含患者信息錄入模 塊、病例采集模塊、數據分析模塊、人工識別模塊、打印表單模塊，所述患者信息模塊用于實 現患者身份、檢查情況等信息的錄入;所述病例采集模塊用于輸入需分析的油鏡下巧光染 色圖片;所述數據分析模塊用于對所采集的陰道分泌物染片進行微生態數據檢測分析，并 對微生態檢測指標進行保存;所述人工識別模塊用于對不能自動識別的染色片，進行人工 識別;所述打印表單模塊用于對檢測完數據進行報表的打印。
【文檔編號】G06T7/00GK106033540SQ201610363093
【公開日】2016年10月19日
【申請日】2016年5月27日
【發明人】肖冰冰, 劉朝暉, 張岱
【申請人】北京大學第醫院, 北京大學第一醫院