Automatisierte mikroskopische Urinsediment-Bildanalyse mit YOLOv10 und Chimpanzee Leader Election Optimization

Zusammenfassung

Die Studie schlägt ein Modell vor, das den UMID-Datensatz nutzt, um Urinzellen zu erkennen und zu klassifizieren, darunter rote Blutkörperchen, weiße Blutkörperchen, Epithelzellen, Kristalle und Bakterien. Durch den Einsatz von YOLOv10 und Chimpanzee Leader Election Optimization erreicht es 84 % mAP50 in einer Test-Teilmenge, was die manuelle Mikroskopiebelastung bei der klinischen Urinanalyse potenziell verringert.

Zusammenfassung

Um verschiedene Harnwegserkrankungen zu diagnostizieren, ist es entscheidend, Urinzellen genau zu erkennen. Dieses Papier präsentiert einen neuartigen Ansatz zur Erkennung und Klassifikation von Urinzellen unter Verwendung des YOLOv10 (You Only Look Once Version 10) Modells, das mit dem CLEO-Algorithmus integriert ist. YOLOv10, bekannt für seine überlegene Leistung bei der Objekterkennung, wird mit CLEO kombiniert, einem naturinspirierten Optimierungsalgorithmus. Das Modell wird auf dem Urine Microscopic Image Dataset (UMID) trainiert, der verschiedene Arten von Urinzellbildern umfasst. Mehrere Zelltypen wurden klassifiziert, darunter Bakterien, Epithelzellen, rote Zellen, weiße Zellen, Kristalle und Abgüsse direkt anhand mikroskopischer Aufnahmen von Urinproben. Ergebnisse rigoroser Tests zeigen, dass YOLOv10 integriert mit CLEO ein robustes Werkzeug zur Analyse von Urinsedimenten ist und einen durchschnittlichen Precision@50 (mAP50) von 84 % und einen Rückruf von 90 % erreicht. Daher bietet der vorgeschlagene Ansatz im Vergleich zu herkömmlichen Methoden der Analyse von Urinsedimenten erhebliche Geschwindigkeitsverbesserungen und Konsistenz. Das Framework kann Urinablagerungsbilder automatisch in Echtzeit mit guter Erkennungsleistung analysieren und hat das Potenzial, computergestützte klinische Urinanalysen zu unterstützen, wodurch die manuelle Analyse und Diagnose reduziert wird.

Einleitung

Nierenerkrankungen, Harnwegsinfektionen, Stoffwechselstörungen und systemische Auffälligkeiten können durch die Urinanalyse erkannt werden, was ein sehr wichtiger Diagnoseprozess^ist. Es ist unerlässlich, die Urinablagerungen unter dem Mikroskop zu untersuchen, um Miniaturbestandteile wie rote Blutkörperchen (RBC), weiße Blutkörperchen (WBC), Bakterien, Pilze, Abgüsse usw. zu^{identifizieren.} Die konventionelle manuelle Analyse mittels optischer Mikroskopie ist jedoch arbeitsintensiv und hängt von der Fertigkeit des Technikers ab und kann zu Inter-Observer-Variabilität und inkonsistenten Diagnosen in stark frequentierten klinischen Umgebungen führen ^4,5.

Eine gezielte Methode ist erforderlich, um Schwierigkeiten bei der automatisierten Untersuchung von Urinproben zu beheben. Die beeindruckende Echtzeitleistung von Deep Learning bei der Objektlokalisierung und -klassifikation in der Bildanalyse birgt vielversprechende Leistungen für medizinische Bildgebung, insbesondere im Bereich der Objekterkennungsalgorithmen, ein prominentes Beispiel ist die You Only Look Once (YOLO)-Familie von Algorithmen ^6,7,8. Frühere Forschungen mit YOLO-Varianten hatten Probleme mit sich überlappenden Urinpartikeln, morphologischen Variationen von Urinpartikeln, Klassenungleichgewichten und schlechter Leistungsgenauigkeit unter komplizierten Bedingungen 3,9,10,11. Darüber hinaus kann die Abhängigkeit von manuell gewählten Hyperparametern in diesen YOLO-basierten Systemen die Verallgemeinerung und Optimierung des Modells behindern.

YOLOv10 ist ein aktuelles Modell, das die Feature-Extraktion, die Recheneffizienz und die Inferenzgeschwindigkeit bei der Echtzeitanalyse von Bildern verbessert. Seine Leistung hängt jedoch davon ab, einen optimalen Parametersatz zu finden, was ein komplexes, nichtlineares Optimierungsproblem darstellt und die Stabilität der Konvergenz sowie die Genauigkeit der Detektion beeinflussen kann. Daher ist es unerlässlich, eine effiziente Optimierungsmethode anzuwenden, um die Leistung des Ansatzes bei der Erkennung mikroskopischer Urinsedimente zu verbessern. Diese Forschungsarbeit integriert den CLEO-Algorithmus, der von der sozialen Hierarchie der Schimpansen inspiriert ist, um die YOLOv10-Parameter zu optimieren. CLEO glänzt darin, Erkundung und Ausbeutung auszubalancieren und gleichzeitig hochdimensionale Optimierungsherausforderungen effektiv zu meistern und überwindet so die lokalen Optimafallen, die traditionellen Methoden^{üblich sind 13,14}. Diese Anpassung ist für die Analyse von Urinsedimenten wichtig. In dieser Anwendung variieren die Bildbedingungen ebenso wie die Form und die Textur der Partikel. Unter solchen Bedingungen ist es erforderlich, eine stabile Erkennungsleistung zu gewährleisten. CLEO kann in Echtzeit-klinischen Anwendungen eingesetzt werden und eine schnellere Konvergenz sowie bessere globale Suchergebnisse erzielen als andere häufig verwendete Optimierungsalgorithmen¹⁵.

Die Fortschritte bei der Analyse von Urinzellen mittels Deep Learning werden hier behandelt. In der frühen automatisierten Analyse von Urinsedimenten wurden traditionelle Bildverarbeitungstechniken wie Schwellenwertung und Merkmalsextraktion in Kombination mit Klassifikatoren wie SVM, k-NN, Entscheidungsbäumen und dem Random Forest-Algorithmus 16,17,18,19,20 angewendet. Diese Techniken hatten mäßigen Erfolg, funktionierten jedoch schlecht bei überlappenden Zellen, unterschiedlichen Lichtverhältnissen, Rauschen und komplexen Sedimentmorphologien. Zusätzlich war ein beträchtliches Maß an Fachwissen für die manuelle Konstruktion von Merkmalen erforderlich. Der Aufstieg von Deep Learning, insbesondere Convolutional Neural Networks (CNNs), hat die Bildanalyse erheblich verbessert, wobei Architekturen wie AlexNet und ResNet eine verbesserte Klassifikationsgenauigkeit^{von 21} erreicht haben. Die meisten CNN-basierten Methoden konzentrieren sich jedoch weiterhin auf Bildebene-Klassifikation statt auf Echtzeit-Erkennung und Lokalisierung vieler Sedimentpartikel in Mikroskopiebildern.

Die YOLO-Familie von Objekterkennungs-Frameworks hat im Bereich der medizinischen Bildanalyse aufgrund ihrer schnellen und präzisen Leistung an Popularität gewonnen. YOLO-basierte Systeme wie YOLOv3, YOLOv5 und YOLOv8 zeigten akzeptable Echtzeitleistung und verbesserten die Lokalisierung der Urinsedimentkomponenten im Vergleich zu Techniken, die auf Regionsvorschlägen basieren, wie Faster R-CNN und Mask R-CNN 14,15,22. Dennoch gibt es Schwierigkeiten, darunter Empfindlichkeit gegenüber Klassenungleichgewichten und eine weniger genaue Klassifikation für kleine oder ähnliche Teilchen sowie die Verwendung manuell gewählter Trainingsparameter. Jüngste Erkenntnisse zeigen, dass die Kombination metaheuristischer Optimierungstechniken wie Particle Swarm Optimization (PSO)²³, Genetic Algorithms (GA)²⁴, Grey Wolf Optimization (GWO)²⁵, Whale Optimization Algorithms (WOA)²⁶ und Ant Colony Optimization (ACO)²⁷ mit Deep-Learning-Systemen 28,29,30,31,32,33 kann die Optimierung der Hyperparameter verbessern und die Wirksamkeit des Trainings steigern. Dennoch können diese traditionellen Optimierungstechniken in einem lokalen Optimum stecken bleiben und den Lösungsraum in einer hochdimensionalen Welt nicht erforschen, was zu einer frühen Konvergenz führt.

CLEO ist eine neue metaheuristische Optimierungsmethode, die auf dem sozialen Verhalten von Schimpansen basiert und das Gleichgewicht zwischen Exploration und Ausbeutung sowie die globale Optimierung verbessert. Es wurde gezeigt, dass er besser abschneidet als die traditionellen Algorithmen, indem lokale Minima eliminiert und der Lösungsraum erfolgreich durchquert wird, um komplexe Probleme zu lösen, aber er wurde noch nicht vollständig für die Anwendung in der biomedizinischen Objekterkennung und Urinsedimentanalyse erforscht. Die bestehenden Urinsedimentanalyse-Rahmenwerke konzentrieren sich entweder darauf, die Detektionsarchitektur zu verbessern oder sie unabhängig zu optimieren, und liefern wenig Einblicke darin, wie sie die diagnostische Leistung der Echtzeitanalyse von Urinsedimenten beeinflussen werden.

Angesichts dieser Lücken in der Literatur kombiniert diese Forschung CLEO mit der YOLOv10-Architektur, die besser für Merkmalsrepräsentation und Echtzeitleistung geeignet ist, um die Analyse der Urinsedimentmikroskopie zu automatisieren. Das Framework ist darauf ausgelegt, die Erkennungsgenauigkeit und Robustheit zu verbessern und in Echtzeit-Urinanalysesysteme für den klinischen Einsatz integriert zu werden, wobei die Vorteile der schnellen Objekterkennung von YOLOv10 mit der adaptiven Optimierung von Hyperparametern von CLEO kombiniert werden.

Die Studie schlägt einen neuartigen Ansatz vor, der YOLOv10- und CLEO-Optimierungsalgorithmen für die automatisierte Mikroskopieanalyse von Urinsedimenten für den Echtzeiteinsatz kombiniert. YOLOv10 wurde für die Implementierung ausgewählt, weil es eine hervorragende Detektionsleistung mit überlegener Genauigkeit, Recheneffizienz und Echtzeit-Inferenzmöglichkeiten bietet, was es gut für die automatisierte mikroskopische Analyse von Urinsedimenten eignet. Sie verbessert die End-to-End-Erkennungseffizienz, reduziert Nachbearbeitung und erreicht hohe Leistung für kleine und vielfältige Objekte. Dieses Framework verwendet ein metaheuristisches Optimierungsverfahren, um die Modellparameteroptimierung und Erkennungsrobustheit zu verbessern, im Gegensatz zu bestehenden YOLO-basierten Methoden, die sich ausschließlich auf architektonische Verbesserungen konzentrieren. Ziel ist es, die Genauigkeit der Objekterkennung von Urinsedimenten in verschiedenen Klassen zu erhöhen und die Effizienz der Schlussfolgerung im klinischen Umfeld zu steigern. Die Forschung vermutet, dass diese Integration zu einer verbesserten Genauigkeit der Erkennung, einer höheren Konvergenzstabilität und einer höheren Recheneffizienz führen wird, was letztlich Laborprofis hilft, die manuelle Arbeit zu minimieren und Konsistenz sowie Geschwindigkeit bei der Urinanalyse sicherzustellen.

Protokoll

Die in dieser Studie verwendeten Daten stammen aus einer öffentlichen Forschungsdatenbank mit mikroskopischen Urinsedimentbildern. Während der Studie wurden keine persönlichen Informationen zur Identifikation des Patienten verwendet. Die kommerziell verfügbaren Elemente, die mit diesem Protokoll verbunden sind, sind in der Materialtabelle aufgeführt.

Datensatz erfassen und vorbereiten
Mikroskopische Urinablagerungen, die aus Roten Blutkörpern, weißen Blutkörpern, Epithelzellen, Kristallen, Abgüssen, Bakterien und Hefen bestanden, wurden erstellt. Alle Bilder wurden im PNG- oder JPEG-Format mit einheitlichen Namenskonventionen gespeichert. Unscharfe oder minderwertige Bilder mit unvollständigen Sedimentartefakten wurden eliminiert. Begrenzungsbox-Annotationssoftware wurde für objektebene Annotation von Urinsedimentpartikeln verwendet. Jedem Sedimenttyp wurde eine Klassennummer zugewiesen, und die Anmerkungen wurden im YOLO-Format exportiert, die die Klassenkennung, normalisierte Zentrumskoordinaten, Begrenzungsboxbreite und Begrenzungsbox-Höhe enthielten. Die Annotationsqualität wurde manuell durch zufällige Auswahl annotierter Bilder überprüft.

Der Datensatz wurde zufällig in drei Teilmengen unterteilt, bestehend aus 70 % Trainingsdaten, 15 % Validierungsdaten und 15 % Testdaten. Wir haben Python Scikit-Learn train_test_split()-Funktion mit geschichteter Stichprobe verwendet, um den Datensatz zu teilen. Jede Teilmenge unterhielt eine proportionale Darstellung aller Sedimentklassen. Stratified Random Splitting wurde eingesetzt, um Klassenunterschiede zwischen Datensatzpartitionen zu minimieren. Die klassenweise Verteilung der Bilder auf Urinsedimentkategorien ist in Tabelle 1 dargestellt.

Alle mikroskopischen Bilder wurden mittels bilinearer Interpolation mit OpenCV auf 640 × 640 Pixel verkleinert. Die Pixelintensitätswerte wurden auf den Bereich [0,1] normalisiert. Die Datenerweiterung wurde während des Trainings mittels horizontaler Flipping, vertikaler Flipping, zufälliger Rotation (±15°), Helligkeitsanpassung und Kontrastanpassung durchgeführt. Die vorverarbeiteten Bilder wurden in separaten Trainings-, Validierungs- und Testordnern gespeichert.

Systemkonfiguration
Die experimentelle Umgebung wurde für die Analyse von Urinsedimenten auf Basis von Deep Learning konfiguriert. Python Version 3.10, das PyTorch Deep-Learning-Framework und CUDA Toolkit Version 12.1 für GPU-Beschleunigung wurden installiert. Weitere Python-Pakete, darunter OpenCV, NumPy, Pandas, Matplotlib und Scikit-learn, wurden installiert. Das Repository für die YOLOv10-Implementierung wurde vor dem Experimentieren heruntergeladen und konfiguriert. Deterministische GPU-Berechnung wurde, wo möglich, aktiviert, und alle während der Experimente verwendeten Paketversionen wurden aufgezeichnet, um die Reproduzierbarkeit zu unterstützen.

YOLOv10-basierte Urinsedimenterkennung
Ein schematisches Diagramm von YOLOv10 ist in Abbildung 1 dargestellt. Vortrainierte YOLOv10-Gewichte, die auf dem COCO-Datensatz trainiert waren, wurden geladen. Die letzte Detektionsschicht wurde durch eine benutzerdefinierte Ausgabeschicht ersetzt, indem die Standard-COCO-Klassenzählung durch die Urinsedimentklassenzählung ersetzt wurde. Eine ankerfreie Erkennungskonfiguration wurde auf Basis der YOLOv10-Struktur implementiert.

Trainingshyperparameter wurden mit einer Lernrate von 0,001, einer Batchgröße von 16, 300 Epochen, einem AdamW-Optimierer und einem Gewichtsabfall von 0,0005 initialisiert. Die Koordinatus-Annealing-Lernratenplanung wurde angewendet, und während der Schulung wurde ein frühes Stoppen mit einem Geduldswert von 20 ermöglicht.

Der Trainingsdatensatz wurde in das YOLOv10-Netzwerk eingegeben, um Begrenzungsbox-Vorhersagen und Klassenwahrscheinlichkeiten zu erstellen. Lokalisierungsverlust, Klassifikationsverlust, Vertrauensverlust und Gesamtverlust wurden während des Trainings berechnet. Die Modellgewichte wurden mittels Backpropagation und Gradient Descent Optimization aktualisiert. Nach jeder Epoche wurde die Validierung mit dem Validierungsdatensatz durchgeführt.

Abbildung 1: Architektur von YOLOv10. Schematische Darstellung der YOLOv10-Objekterkennungsarchitektur, die für die automatisierte Analyse von Urinsedimenten verwendet wird. Die Abbildung zeigt die Rückgrat-, Nacken- und Detektionskopfkomponenten, die an der Feature-Extraktion, der multiskaligen Feature-Fusion und der Erkennung ankerfreier Objekte für mikroskopisch kleine Urinsedimentpartikel beteiligt sind. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Wahloptimierung für Schimpansenführer (CLEO)
Ein schematisches Diagramm von CLEO ist in Abbildung 2 dargestellt. Der Optimierungssuchraum umfasste die Lernrate 0,0001–0,01, Batchgröße 8–32, Impuls 0,8–0,99, Gewichtsabfall 0,0001–0,001 und eine Konfidenzschwelle 0,25–0,75. Eine anfängliche Schimpansenpopulation mit zufälligen Kandidatenlösungen wurde erzeugt. YOLOv10 wurde mit Hyperparametern trainiert, die von jedem Kandidatenschimpansen repräsentiert wurden, und die Modellleistung wurde anhand der Validierungsmittelwert Average Precision (mAP) bewertet. Die Fitnessfunktion wurde definiert als:

Hier repräsentieren , und Gewichtungskoeffizienten. Der Schimpansenkandidat mit dem höchsten Fitnesswert wurde als Anführer ausgewählt. Die übrigen Kandidatenlösungen wurden gemäß den Regeln zur Aktualisierung der CLEO-Positionen aktualisiert. Explorations- und Ausbeutungsprozesse wurden iterativ durchgeführt, um optimale Hyperparameter zu identifizieren. Der Optimierungsprozess wurde für 50 Iterationen wiederholt oder bis zur Fitnessverbesserung < 0,001. Die zugewiesenen Gewichte waren 0,5, 0,25 und 0,25. Die optimalen von CLEO erzeugten Hyperparameter wurden auf das YOLOv10-Framework angewendet. Das Netzwerk wurde mit dem vollständigen Trainingsdatensatz neu trainiert, und die leistungsfähigsten Modellgewichte wurden basierend auf der Validierungsleistung gespeichert. Der Workflow des vorgeschlagenen Modells ist in Abbildung 3 dargestellt.

Abbildung 2: Algorithmus zur Wahloptimierung des Schimpansenführers. Workflow des CLEO-Optimierungsalgorithmus, der die Initialisierung von Kandidatenlösungen, Fitnessbewertung, Leader-Auswahl, Aktualisierungsstrategie für Exploration und Exploitation sowie iterative Konvergenz für die Hyperparameteroptimierung des YOLOv10-Frameworks zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Arbeitsablauf des vorgeschlagenen Modells. Gesamtarbeitsablauf des vorgeschlagenen YOLOv10 + CLEO-Frameworks für die automatisierte Analyse von Urinsedimenten, einschließlich Datensatzerfassung, Bildvorverarbeitung, Annotation, Modelltraining, CLEO-basierter Hyperparameteroptimierung, -erkennung und Leistungsbewertung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Modellbewertung
Das optimierte YOLOv10+LEO-Modell wurde mit dem unabhängigen Testdatensatz getestet. Leistungsbewertungskennzahlen wie Genauigkeit, Präzision, Rückruf, F1-Score, mAP50 und mAP50-95 wurden berechnet. Scikit-learn-Metrikfunktionen wurden für Berechnungen verwendet. Die durchschnittliche Schlusszeit pro Bild wurde ebenfalls aufgezeichnet. Vorhergesagte Sedimentklassen wurden mit Groundtruth-Annotationen verglichen, um Verwirrungsmatrizen für alle Sedimentkategorien zu erzeugen. Häufig wurden Sedimentpartikel auf Basis von Klassifikationsergebnissen falsch klassifiziert. Vergleichsmodelle wie YOLOv5, YOLOv8 und Faster R-CNN wurden mit dem UMID-Datensatz unter identischen Hardwarekonfigurationen trainiert und evaluiert.

Ergebnisse

Die Trainings- und Validierungsverlustkurven sind in Abbildung 4 dargestellt, die die YOLOv10 kombiniert mit CLEO-Leistungsmetriken für die Erkennung von Urin-Zellen darstellt. Die Genauigkeit der vorhergesagten Begrenzungsboxen zur Detektion von Urinzellen wird durch den Boxverlust gemessen. Der Fehler in der Vorhersage der richtigen Klasse wird durch den Klassifikationsverlust (CLS) gemessen. Der verteilte Fokalverlust (DFL) wird verwendet, um die Regressi...

Diskussion

Die Ergebnisse dieser Studie liefern überzeugende Belege für das Potenzial der automatisierten Erkennung und Klassifizierung von Urinsedimentkomponenten mit Hilfe von YOLOv10 und CLEO im Kontext der medizinischen Diagnostik. Das vorgeschlagene Modell bietet eine schnellere und zuverlässigere Lösung für zeitnahe Entscheidungen durch die Optimierung von YOLOv10-Hyperparametern mit CLEO. Das vorgeschlagene System liefert hohe Genauigkeit, Rückruf, F1-Score und mAP-Werte für verschiedene Uri...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
CUDA Toolkit 12.1	NVIDIA Corporation	Version 12.1/ RRID:SCR_018425	GPU-Beschleunigungsplattform
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Annotationswerkzeug
Matplotlib	Matplotlib Development Team	Version 3.x	Datenvisualisierung
NumPy	NumPy Developers	Version 1.x	Numerische Berechnung
OpenCV	OpenCV.org	RRID:SCR_015881	Bildvorverarbeitung und -analyse
Pandas	Pandas Development Team	Version 2.x	Datenhandhabung und -analyse
Python 3.10	Python Software Foundation	RRID:SCR_008394	Programmiersprache
PyTorch	PyTorch Foundation	RRID:SCR_018536	Deep-Learning-Framework
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Maschinelles-Lernen-Dienstprogramme
Ubuntu Linux	Canonical Ltd.	Version 22.04	Betriebssystem
Urine Sediment Microscopic Dataset	Public dataset repository	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset mit Punkt- und Box-Annotationen · GitHub	Urinmikroskopie-Bilddatensatz
YOLOv10 implementation	Ultralytics	YOLOv10: Echtzeit-End-to-End-Objekterkennung | Ultralytics Docs	Objekterkennungs-Framework