تقترح الدراسة نموذجا يستخدم مجموعة بيانات UMID للكشف عن خلايا البول وتصنيفها، بما في ذلك خلايا الدم الحمراء، وخلايا الدم البيضاء، والخلايا الظهارية، والبلورات، والبكتيريا. باستخدام YOLOv10 مع تحسين انتخابات قائد الشمبانزي، يحقق 84٪ mAP50 في مجموعة اختبارات فرعية، مما قد يقلل من عبء العمل على المجهر اليدوي في تحليل البول السريري.
مقالة بحثية
تحليل الصور المجهرية الآلية لرواسب البول باستخدام YOLOv10 مع تحسين انتخابات قائد الشمبانزي
يفتح في علامة تبويب جديدة
في هذه المقالة
ملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
لتشخيص أمراض البول المختلفة، من الضروري الكشف الدقيق عن خلايا البول. تقدم هذه الورقة نهجا جديدا لاكتشاف وتصنيف خلايا البول باستخدام نموذج YOLOv10 (النسخة 10 من النظرة مرة فقط) المدمج مع خوارزمية CLEO. YOLOv10، المعروف بأدائه المتفوق في اكتشاف الأجسام، تم دمجه مع CLEO، وهو خوارزمية تحسين مستوحاة من الطبيعة. تم تدريب النموذج على مجموعة بيانات صور البول المجهرية (UMID)، التي تضم أنواعا مختلفة من صور خلايا البول. تم تصنيف أنواع خلايا متعددة، بما في ذلك البكتيريا، وخلايا الظهارة، والخلايا الحمراء الحمراء، وخلايا الدم البيضاء (WBCs)، والبلورات، والقوالب مباشرة من صور مجهرية لعينات البول. تظهر نتائج الاختبارات الدقيقة أن YOLOv10 المدمج مع CLEO يعد أداة قوية لتحليل رواسب البول، حيث حقق متوسط Precision@50 (mAP50) بنسبة 84٪ واستدعاء بنسبة 90٪. لذا، يوفر النهج المقترح تحسينات كبيرة في السرعة واتساق مقارنة بالطرق التقليدية لتحليل رواسب البول. يمكن للإطار تحليل صور رواسب البول تلقائيا في الوقت الحقيقي بأداء جيد للكشف، وله القدرة على المساعدة في التحليل السريري للبول بمساعدة الحاسوب، مما يقلل من عبء التحليل والتشخيص اليدوي.
المقدمة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يمكن اكتشاف أمراض الكلى، والتهابات المسالك البولية، واضطرابات الأيض، والاضطرابات الجهازية عن طريق تحليل البول، وهو عملية تشخيص مهمة جدا 1,2. من الضروري فحص رواسب البول تحت المجهر لتحديد المكونات المصغرة مثل خلايا الدم الحمراء (RBC)، خلايا الدم البيضاء (WBC)، البكتيريا، الفطريات، الجبائر وغيرها. ومع ذلك، فإن التحليل اليدوي التقليدي بالمجهر البصري يتطلب جهدا كبيرا ويعتمد على مهارة الفني، وقد يؤدي إلى تباين بين المراقبين وتشخيصات غير متسقة في البيئات السريرية المزدحمة4،5.
هناك حاجة إلى طريقة مستهدفة لمعالجة الصعوبات في الفحص الآلي لعينات البول. الأداء المذهل في الوقت الحقيقي للتعلم العميق في تحديد المواقع وتصنيف الكائنات في تحليل الصور يحمل وعدا للتصوير الطبي، خاصة في مجال خوارزميات اكتشاف الأجسام، ومن أبرزها عائلة خوارزميات You Only Look Once (YOLO) 6,7,8. واجهت الأبحاث السابقة التي استخدمت متغيرات YOLO مشاكل في تداخل جزيئات البول، وتغيرات شكلية جزيئات البول، واختلال في التصنيف، ودقة أداء ضعيفة في الظروف المعقدة 3,9,10,11. بالإضافة إلى ذلك، قد يعيق الاعتماد على المعاملات الفائقة المختارة يدويا في هذه الأنظمة المبنية على YOLO تعميم النموذج وتحسينه.
YOLOv10 هو نموذج حالي يحسن استخراج الميزات، وكفاءة الحوسبة، وسرعة الاستدلال لتحليل الصور في الوقت الحقيقي12. لكن أداؤه يعتمد على إيجاد مجموعة مثالية من المعاملات، وهي مشكلة تحسين معقدة وغير خطية ويمكن أن تؤثر على استقرار التقارب ودقة الكشف. لذا، من الضروري تطبيق طريقة تحسين فعالة لتحسين أداء النهج في اكتشاف رواسب البول المجهرية. تدمج هذه الأبحاث خوارزمية CLEO المستوحاة من التسلسل الاجتماعي للشمبانزي، لتحسين معلمات YOLOv10. يتفوق CLEO في تحقيق التوازن بين الاستكشاف والاستغلال مع التنقل الفعال في تحديات التحسين عالية الأبعاد، متغلبا بذلك على فخاخ الأمثل المحلية الشائعة في الطرق التقليدية13,14. هذا التكيف مهم لتحليل رواسب البول. في هذا التطبيق، تختلف ظروف التصوير، وكذلك شكل وملمس الجسيمات. في مثل هذه الظروف، يطلب منها توفير أداء كشف مستقر. يمكن استخدام CLEO في التطبيقات السريرية في الوقت الحقيقي ويمكنه تحقيق تقارب أسرع ونتائج بحث عالمية أفضل مقارنة بخوارزميات التحسين الشائعة الأخرى.15.
يتم تناول التقدم المحرز في تحليل خلايا البول باستخدام التعلم العميق هنا. في التحليل الآلي لرواسب البول المبكر، تم تطبيق تقنيات معالجة الصور التقليدية مثل العتبة واستخراج الميزات بالاشتراك مع مصنفات مثل SVM وk-NN وأشجار القرار وخوارزمية الغابةالعشوائية 16,17,18,19,20. حققت هذه التقنيات نجاحا متوسطا، لكنها أدت أداء ضعيفا مع الخلايا المتداخلة، وظروف الإضاءة المختلفة، والضوضاء، وأشكال الرواسب المعقدة. بالإضافة إلى ذلك، كان هناك مستوى كبير من المعرفة بالمجال المطلوب لبناء الميزات يدويا. أدى صعود التعلم العميق، وخاصة الشبكات العصبية الالتفاوية (CNNs)، إلى تحسين تحليل الصور بشكل كبير، حيث حققت معماريات مثل AlexNet وResNet دقة تصنيف محسنة21. لكن معظم الطرق المعتمدة على CNN لا تزال تركز على تصنيف الصورة بدلا من الكشف في الوقت الحقيقي وتحديد موقعها للعديد من جسيمات الرواسب في صور المجهر.
اكتسبت عائلة أطر YOLO لكشف الأجسام شعبية في مجال تحليل الصور الطبية لأدائها السريع والدقيق. أظهرت أنظمة YOLO المبنية على YOLOv3 وYOLOv5 وYOLOv8 أداء مقبولا في الوقت الحقيقي وتحسنا في تحديد مكونات رواسب البول مقارنة بالتقنيات المبنية على مقترحات المناطق مثل Faster R-CNN وMask R-CNN 14,15,22. ومع ذلك، هناك صعوبات، منها الحساسية لاختلال التوازن الطبقي وتصنيف أقل دقة للجسيمات الصغيرة أو المشابهة، واستخدام معايير التدريب المختارة يدويا. تشير النتائج الحديثة إلى أن دمج تقنيات التحسين الميتاهيوريستية مثل تحسين سرب الجسيمات (PSO)23، الخوارزميات الجينية (GA)24، تحسين الذئب الرمادي (GWO)25، خوارزميات تحسين الحيتان (WOA)26 وتحسين مستعمرة النمل (ACO)27 مع أنظمة التعلم العميق28، 29، 30، 31، 32، 33 يمكن تحسين تحسين المعاملات الفائقة وتعزيز فعالية التدريب. ومع ذلك، يمكن أن تعلق تقنيات التحسين التقليدية هذه في مثال محلي وتفشل في استكشاف فضاء الحل في عالم عالي الأبعاد، مما يؤدي إلى تقارب مبكر.
CLEO هي طريقة تحسين ميتاهيوريستية جديدة تعتمد على السلوك الاجتماعي للشمبانزي، مما يحسن توازن الاستكشاف والاستغلال والتحسين العام. لقد ثبت أنه يؤدي أفضل من الخوارزميات التقليدية من خلال إزالة الحدود الدنيا المحلية وعبور مساحة الحلول بنجاح لحل المشكلات المعقدة، لكنه لم يستكشف بعد بالكامل للتطبيق في كشف الأجسام الطبية الحيوية وتحليل رواسب البول. ركزت أطر تحليل رواسب البول الحالية إما على تحسين بنية الكشف أو تحسينها بشكل مستقل، ولا توفر الكثير من الرؤية حول كيفية تأثيرها على الأداء التشخيصي لتحليل رواسب البول في الوقت الحقيقي.
في ضوء هذه الفجوات في الأدبيات، يجمع هذا البحث بين CLEO وبنية YOLOv10، التي هي أفضل لتمثيل الميزات والأداء في الوقت الحقيقي، لأتمتة تحليل مجهر رواسب البول. تم تصميم الإطار لتحسين دقة الكشف والمتانة، وليتم دمجه في أنظمة تحليل البول اللحظية للاستخدام السريري، مع دمج فوائد الكشف السريع من YOLOv10 عن الأجسام مع تحسين CLEO التكيفي للمعلمات الفائقة.
تقترح الدراسة نهجا جديدا يجمع بين خوارزميات YOLOv10 وCLEO لتحسين التحليل المجهر الآلي لرواسب البول للاستخدام في الوقت الحقيقي. تم اختيار YOLOv10 للتنفيذ لأنه يوفر أداء اكتشافا متميزا بدقة فائقة، وكفاءة حسابية، وقدرات استنتاج في الوقت الحقيقي، مما يجعله مناسبا جدا لتحليل الصور المجهرية الآلية لرواسب البول. يحسن كفاءة الكشف من طرف إلى طرف، ويقلل من المعالجة اللاحقة، ويحقق أداء عاليا للأجسام الصغيرة والمتنوعة. يستخدم هذا الإطار إجراء تحسين ميتاهوريستي لتحسين تحسين معلمات النموذج ومتانة الكشف، على عكس الطرق القائمة على YOLO التي تركز فقط على التحسينات المعمارية. يهدف إلى تعزيز دقة اكتشاف الأجسام لرواسب البول في الفئات المختلفة وتعزيز كفاءة الاستدلال في البيئة السريرية. تفترض الأبحاث أن هذا التكامل سيؤدي إلى تحسين دقة الكشف، وزيادة استقرار التقارب، وكفاءة حسابية أعلى، مما يساعد في النهاية المتخصصين في المختبرات على تقليل عبء العمل اليدوي وضمان الاتساق والسرعة في تحليل البول.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
البيانات المستخدمة في هذه الدراسة جاءت من قاعدة بيانات بحثية عامة لصور رواسب البول المجهرية. خلال الدراسة، لم تستخدم أي معلومات شخصية تحدد هوية المريض. العناصر المتاحة تجاريا المرتبطة بهذا البروتوكول مدرجة في جدول المواد.
احصل على مجموعة البيانات وأعدها
تم الحصول على صور مجهرية لرواسب البول التي تتكون من خلايا الدم الحمراء، وخلايا الدم البيضاء والخلايا الطهارية والبلورات والقوالب والبكتيريا والخميرة. تم حفظ جميع الصور بصيغة PNG أو JPEG باستخدام قواعد تسمية متسقة. تم القضاء على صور ضبابية أو ذات جودة ضعيفة تحتوي على تشوهات غير مكتملة من الرواسب. تم استخدام برنامج التعليق الدائري لشرح جزيئات الرواسب على مستوى الكائن. تم تخصيص رقم فئة لكل نوع من الرواسب، وتم تصدير التعليقات بصيغة YOLO تحتوي على معرف الفئة، وإحداثيات المركز الموحدة، وعرض الصندوق المحيط، وارتفاع صندوق الإحداث. تم التحقق من جودة التعليقات يدويا عن طريق اختيار الصور المشروحة عشوائيا.
تم تقسيم مجموعة البيانات عشوائيا إلى ثلاث مجموعات فرعية، تتكون من 70٪ بيانات تدريب، 15٪ بيانات تحقق، و15٪ بيانات اختبار. استخدمنا دالة Python Scikit-learn train_test_split() مع أخذ عينات طبقية لتقسيم مجموعة البيانات. حافظت كل مجموعة فرعية على تمثيل نسبي لجميع فئات الرواسب. تم استخدام التقسيم العشوائي الطبقي لتقليل تفاوت الفئات عبر تقسيمات مجموعات البيانات. يتم توضيح توزيع الصور حسب الفئة على فئات رواسب البول في الجدول 1.
تم تغيير حجم جميع الصور المجهرية إلى 640 × 640 بكسل باستخدام الاستيفاء الثنائي الخطي باستخدام OpenCV. تم تطبيع قيم شدة البكسل إلى النطاق [0,1]. تم إجراء تعزيز البيانات باستخدام الانقلاب الأفقي، والانقلاب الرأسي، والدوران العشوائي (±15°)، وضبط السطوع، وضبط التباين أثناء التدريب. تم حفظ الصور المعالجة مسبقا في مجلدات تدريب وتحقق واختبار منفصلة.
تكوين النظام
تم تكوين البيئة التجريبية لتحليل رواسب البول القائمة على التعلم العميق. تم تثبيت نسخة بايثون 3.10، وإطار عمل التعلم العميق PyTorch، ومجموعة أدوات CUDA الإصدار 12.1 لتسريع وحدة معالجة الرسوميات. تم تثبيت حزم بايثون إضافية تشمل OpenCV وNumPy وPandas وMatplotlib وScikit-learn. تم تحميل وتكوين مستودع تنفيذ YOLOv10 قبل التجربة. تم تمكين الحوسبة الحتمية لوحدة معالجة الرسوميات حيثما أمكن، وتم تسجيل جميع نسخ الحزم المستخدمة أثناء التجارب لدعم إمكانية التكرار.
كشف رواسب البول المعتمد على YOLOv10
يظهر مخطط تخطيطي ل YOLOv10 في الشكل 1. تم تحميل أوزان YOLOv10 المدربة مسبقا الموجهة على مجموعة بيانات COCO. تم استبدال طبقة الكشف النهائية بطبقة إخراج مخصصة باستبدال عدد فئة COCO الافتراضي بعدد فئة رواسب البول. تم تنفيذ تكوين كشف خال من المرابط بناء على هيكل YOLOv10.
تم تهيئة معلمات التدريب الفائقة بمعدل تعلم 0.001، وحجم دفعة 16، 300 عصر، ومحسن AdamW، وتناقص الوزن 0.0005. تم تطبيق جدولة معدل التعلم بالتعليق الجيني التمام، وتم تمكين التوقف المبكر بقيمة صبر 20 أثناء التدريب.
تم إدخال مجموعة بيانات التدريب في شبكة YOLOv10 لتوليد توقعات صندوق الحدود واحتمالات الفئة. تم حساب فقدان التوطين، فقدان التصنيف، فقدان الثقة، والخسارة الكلية خلال التدريب. تم تحديث أوزان النماذج باستخدام الانتشار العكسي وتحسين هبوط التدرج. تم إجراء التحقق بعد كل فترة باستخدام مجموعة بيانات التحقق.
الشكل 1: عمارة YOLOv10. تمثيل تخطيطي لبنية اكتشاف الأجسام YOLOv10 المستخدمة في تحليل رواسب البول الآلي. يوضح الشكل مكونات العمود الفقري والرقبة ورأس الكشف المشاركة في استخراج الميزات، ودمج الميزات متعدد المقاييس، والكشف عن الأجسام الخالية من المرابط لجسيمات الرواسب المجهرية في البول. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تحسين انتخابات قادة الشمبانزي (CLEO)
يظهر مخطط تخطيطي ل CLEO في الشكل 2. شملت مساحة البحث في التحسين معدل التعلم 0.0001–0.01، حجم الدفعة 8–32، الزخم 0.8–0.99، تناقص الوزن 0.0001–0.001، وعتبة الثقة من 0.25–0.75. تم توليد مجموعة أولية من الشمبانزي تحتوي على محاليل مرشحة عشوائية. تم تدريب YOLOv10 باستخدام المعلمات الفائقة التي يمثلها كل شمبانزي مرشح، وتم تقييم أداء النموذج باستخدام متوسط الدقة المتوسطة للتحقق (mAP). تم تعريف دالة اللياقة على النحو التالي:
هنا، 
، و 
تمثل معاملات الوزن. تم اختيار المرشح الشمبانزي الذي يحصل على أعلى درجة لياقة كقائد. تم تحديث الحلول المتبقية للمرشحين وفقا لقواعد تحديث المنصب في CLEO. تم تنفيذ عمليات الاستكشاف والاستغلال بشكل تكراري لتحديد المعايير الفائقة المثلى. تم تكرار عملية التحسين لمدة 50 تكرارا أو حتى < تحسين اللياقة 0.001. الأوزان المخصصة كانت 
0.5، 
0.25، و0.25 . تم تطبيق المعاملات الفائقة المثلى التي تولدها CLEO على إطار YOLOv10. تم إعادة تدريب الشبكة باستخدام مجموعة بيانات التدريب الكاملة، وتم حفظ أوزان النماذج الأفضل أداء بناء على أداء التحقق. يتم توضيح سير عمل النموذج المقترح في الشكل 3.
الشكل 2: خوارزمية تحسين انتخابات قادة الشمبانزي. سير عمل خوارزمية تحسين CLEO التي تظهر تهيئة الحلول المرشحة، تقييم الملاءمة، اختيار القائد، استراتيجية تحديث الاستكشاف والاستغلال، والتقارب التكراري لتحسين المعاملات الفائقة لإطار YOLOv10. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3: سير عمل النموذج المقترح. سير العمل العام لإطار YOLOv10 + CLEO المقترح لتحليل رواسب البول الآلي، بما في ذلك جمع مجموعات البيانات، معالجة الصور المسبقة، التعليق، تدريب النماذج، تحسين المعلمات الفائقة المعتمدة على CLEO، الكشف، وتقييم الأداء. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تقييم النموذج
تم اختبار نموذج YOLOv10 + CLEO المحسن باستخدام مجموعة بيانات الاختبار المستقلة. تم حساب مقاييس تقييم الأداء بما في ذلك الدقة، الدقة، الاستدعاء، درجة F1، mAP50، وmAP50-95. تم استخدام دوال مقاييس Scikit-Learn في الحسابات. كما تم تسجيل متوسط زمن الاستدلال لكل صورة. تمت مقارنة فئات الرواسب المتوقعة مع تعليقات الحقيقة الأرضية لتوليد مصفوفات التشويش لجميع فئات الرواسب. تم تحديد جزيئات الرواسب المصنفة بشكل خاطئ غالبا بناء على نتائج التصنيف. تم تدريب وتقييم نماذج المقارنة بما في ذلك YOLOv5 وYOLOv8 وFaster R-CNN باستخدام مجموعة بيانات UMID تحت تكوينات أجهزة متطابقة.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تظهر منحنيات فقدان التدريب والتحقق في الشكل 4، الذي يوضح YOLOv10 مع مقاييس أداء CLEO لاكتشاف خلايا البول. يتم قياس دقة صناديق الإحاطة المتوقعة لاكتشاف خلايا البول بواسطة فقدان الصندوق. يقاس الخطأ في توقع الفئة الصحيحة بخسارة التصنيف (cls). يستخدم فقدان البؤرة الموزع (DFL) لتحسين دقة الانحدار في صندوق الإحاطة. تتراوح قيم جميع منحنيات التدريب من 1.0 إلى حوالي 0.1، وهو مؤشر واضح على تحسن أداء النموذج مع مرور الوقت. أظهرت منحنيات التحقق تباينا طفيفا عن منحنيات ا...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
توفر نتائج هذه الدراسة أدلة قوية على إمكانية الكشف الآلي وتصنيف مكونات رواسب البول بمساعدة YOLOv10 وCLEO في سياق التشخيص الطبي. يوفر النموذج المقترح حلا أسرع وأكثر موثوقية لاتخاذ القرارات في الوقت المناسب من خلال تحسين معلمات YOLOv10 الفائقة باستخدام CLEO. يوفر النظام المقترح دقة عالية، واستدعاء، وقيم F1-score، وقيم mAP لمختلف خلايا البول مثل خلايا الدم الحمراء، والخلايا البيضاء (WBCs)، والخلايا الطائية، والبكتيريا، والبلورات، والجبائر (الجبائر الصبغية).
علاوة...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يعلن المؤلفون عدم وجود مصالح متنافسة.
شكر وتقدير
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
غير مطبق. لا يتطلب الأمر تمويلا لعملنا البحثي.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| CUDA Toolkit 12.1 | NVIDIA Corporation | الإصدار 12.1/ RRID:SCR_018425 | منصة تسارع GPU |
| LabelImg Annotation Tool | Tzutalin | RRID:SCR_016189 | أداة التعليق التوضيحي |
| Matplotlib | فريق تطوير Matplotlib | الإصدار 3.x | تصور البيانات |
| NumPy | مطورو NumPy | الإصدار 1.x | الحسابات العددية |
| OpenCV | OpenCV.org | RRID:SCR_015881 | معالجة الصور وتحليلها مسبقاً |
| Pandas | فريق تطوير Pandas | الإصدار 2.x | التعامل مع البيانات وتحليلها |
| Python 3.10 | مؤسسة Python للبرمجيات | RRID:SCR_008394 | لغة برمجة |
| PyTorch | مؤسسة PyTorch | RRID:SCR_018536 | إطار عمل التعلم العميق |
| Scikit-learn | مطورو scikit-learn | RRID:SCR_002577 | أدوات التعلم الآلي |
| Ubuntu Linux | Canonical Ltd. | الإصدار 22.04 | نظام تشغيل |
| Urine Sediment Microscopic Dataset | مستودع بيانات عمومي | GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset مع التعليقات التوضيحية بالنقطة والمربع · GitHub | مجموعة بيانات صورة مجهر البول |
| YOLOv10 implementation | Ultralytics | YOLOv10: Real-Time End-to-End Object Detection | Ultralytics Docs | إطار عمل اكتشاف الأجسام |
إعادة الطباعة والأذونات
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن