Análisis microscópico automatizado de imágenes microscópicas de sedimentos de orina usando YOLOv10 con optimización de elecciones de líderes de chimpancés

Resumen

El estudio propone un modelo que utiliza el conjunto de datos UMID para detectar y clasificar células urinarias, incluyendo glóbulos rojos, glóbulos blancos, células epiteliales, cristales y bacterias. Empleando YOLOv10 con la optimización de eleccións de Chimpanzee Leader, alcanza un 84% de mAP50 en un subconjunto de prueba, lo que podría disminuir la carga de trabajo de microscopía manual en análisis clínico de orina.

Resumen

Para diagnosticar diversas enfermedades urinarias, es vital detectar con precisión las células urinarias. Este artículo presenta un enfoque novedoso para detectar y clasificar células urinarias utilizando el modelo YOLOv10 (You Only Look Once versión 10) integrado con el algoritmo CLEO. YOLOv10, conocido por su superior rendimiento en la detección de objetos, se combina con CLEO, un algoritmo de optimización inspirado en la naturaleza. El modelo se entrena con el Conjunto de Datos de Imágenes Microscópicas de Orina (UMID), que comprende varios tipos de imágenes de células urinarias. Se han clasificado múltiples tipos celulares, incluyendo bacterias, células epiteliales, glóbulos rojos, glóbulos blancos, cristales y moldes directamente a partir de imágenes microscópicas de muestras de orina. Los resultados de pruebas rigurosas muestran que YOLOv10 integrado con CLEO es una herramienta robusta para analizar sedimentos urinarios, logrando un Precision@50 medio medio (mAP50) del 84% y una recuperación del 90%. Por ello, el enfoque propuesto ofrece mejoras significativas en la velocidad y la consistencia en comparación con los métodos tradicionales de análisis de sedimentos urinarios. El marco puede analizar automáticamente imágenes de sedimentos urinarios en tiempo real con buen rendimiento de detección y tiene el potencial de ayudar en el análisis clínico asistido por ordenador, reduciendo así la carga de trabajo del análisis y diagnóstico manual.

Introducción

Las enfermedades renales, las infecciones urinarias, los trastornos metabólicos y las anomalías sistémicas pueden detectarse mediante análisis de orina, que es un proceso muy importante de diagnóstico ^1,2. Es esencial examinar los sedimentos urinarios bajo el microscopio para identificar pequeños componentes como glóbulos rojos (RBC), glóbulos blancos (WBC), bacterias, hongos, molduras,^etc. Sin embargo, el análisis manual convencional por microscopía óptica requiere mucho trabajo y depende de la habilidad del técnico, y puede conducir a variabilidad entre observadores y diagnósticos inconsistentes en entornos clínicos^{concurridos 4,5}.

Se necesita un método dirigido para abordar las dificultades con el examen automatizado de muestras de orina. El impresionante rendimiento en tiempo real del aprendizaje profundo en localización y clasificación de objetos en análisis de imágenes es prometedor para la imagen médica, especialmente en el ámbito de los algoritmos de detección de objetos, siendo un ejemplo destacado la familia de algoritmos You Only Look Once (YOLO^{) 6,7,8}. Investigaciones previas que utilizan variantes YOLO han enfrentado problemas con solapamiento de partículas de orina, variaciones morfológicas de las partículas urinarias, desequilibrio de clases y baja precisión en el rendimiento en condiciones^complicadas 3,9,10,11. Además, la dependencia de hiperparámetros elegidos manualmente en estos sistemas basados en YOLO puede dificultar la generalización y optimización del modelo.

YOLOv10 es un modelo actual que mejora la extracción de características, la eficiencia computacional y la velocidad de inferencia para analizar imágenes en^{tiempo real 12}. Pero su rendimiento depende de encontrar un conjunto óptimo de parámetros, lo que es un problema complejo y no lineal de optimización y puede influir en la estabilidad de la convergencia y en la precisión de la detección. Por ello, es esencial aplicar un método eficiente de optimización para mejorar el rendimiento del enfoque en la detección de sedimentos microscópicos de orina. Este trabajo de investigación integra el algoritmo CLEO, inspirado en la jerarquía social de los chimpancés, para optimizar los parámetros YOLOv10. CLEO destaca en equilibrar la exploración y la explotación mientras navega eficazmente por los desafíos de optimización de alta dimensión, superando así las trampas óptimos locales comunes a los métodos^{tradicionales 13,14}. Esta adaptación es importante para el análisis de sedimentos urinarios. En esta aplicación, varían las condiciones de imagen, así como la forma y la textura de las partículas. En tales condiciones, se requiere proporcionar un rendimiento de detección estable. CLEO puede utilizarse en aplicaciones clínicas en tiempo real y puede lograr una convergencia más rápida y mejores resultados globales de búsqueda que otros algoritmos de optimización^{comúnmente usados 15}.

Aquí se aborda el progreso realizado en el análisis de células urinarias mediante aprendizaje profundo. En el análisis automatizado temprano de sedimentos urinarios, se aplicaron técnicas tradicionales de procesamiento de imágenes como el umbral y la extracción de características en combinación con clasificadores como SVM, k-NN, Árboles de Decisión y el algoritmo de Bosque^Aleatorio 16,17,18,19,20. Estas técnicas tuvieron un éxito moderado, pero funcionaron deficientemente para células superpuestas, diferentes condiciones de iluminación, ruido y morfologías sedimentarias complejas. Además, se requería un nivel considerable de conocimiento del dominio para la construcción manual de características. El auge del aprendizaje profundo, específicamente de las Redes Neuronales Convolucionales (CNNs), ha mejorado enormemente el análisis de imágenes, con arquitecturas como AlexNet y ResNet alcanzando una mayor precisión de clasificación²¹. Pero la mayoría de los métodos basados en CNN siguen centrándose en la clasificación a nivel de imagen en lugar de la detección y localización en tiempo real de muchas partículas de sedimento en imágenes microscopicas.

La familia YOLO de marcos de detección de objetos ha ganado popularidad en el campo del análisis de imágenes médicas por su rendimiento rápido y preciso. Sistemas basados en YOLO como YOLOv3, YOLOv5 y YOLOv8 demostraron un rendimiento aceptable en tiempo real y una mejor localización de los componentes del sedimento urinario en comparación con técnicas basadas en propuestas de región, como Faster R-CNN y Mask R-CNN 14,15,22. Sin embargo, existen dificultades, como la sensibilidad al desequilibrio de clases y una clasificación menos precisa para partículas pequeñas o similares, así como el uso de parámetros de entrenamiento elegidos manualmente. Hallazgos recientes indican que combinar técnicas de optimización metaheurística como la Optimización por Enjambre de Partículas (PSO⁾²³, Algoritmos Genéticos (GA⁾²⁴, Optimización de Lobos Grises (GWO⁾²⁵, Algoritmos de Optimización de Ballenas (WOA⁾²⁶ y Optimización de Colonias de Hormigas (ACO⁾²⁷ con sistemas de aprendizaje^{profundo 28,29,30,31,32,33} puede mejorar la optimización de los hiperparámetros y aumentar la eficacia del entrenamiento. No obstante, estas técnicas tradicionales de optimización pueden quedar atascadas en un óptimo local y no explorar el espacio de soluciones en un mundo de alta dimensión, lo que conduce a una convergencia temprana.

CLEO es un nuevo método de optimización metaheurística basado en el comportamiento social de los chimpancés, que mejora el equilibrio entre exploración y explotación y la optimización global. Se ha demostrado que funciona mejor que los algoritmos tradicionales al eliminar mínimos locales y atravesar con éxito el espacio de soluciones para resolver problemas complejos, pero aún no se ha explorado completamente para su aplicación en la detección de objetos biomédicos y el análisis de sedimentos urinarios. Los marcos existentes de análisis de sedimentos urinarios se han centrado en mejorar la arquitectura de detección o optimizarla de forma independiente y no ofrecen mucha información sobre cómo afectarán al rendimiento diagnóstico del análisis en tiempo real de sedimentos urinarios.

A la luz de estas lagunas en la literatura, esta investigación combina CLEO con la arquitectura YOLOv10, que es mejor para la representación de características y el rendimiento en tiempo real, para automatizar el análisis microscopial de sedimentos de orina. El marco está diseñado para mejorar la precisión y robustez de la detección, y para integrarse en sistemas de análisis de orina en tiempo real para uso clínico, combinando los beneficios de la rápida detección de objetos en YOLOv10 con la optimización adaptativa de hiperparámetros de CLEO.

El estudio propone un enfoque novedoso que combina algoritmos de optimización YOLOv10 y CLEO para el análisis microscopico automatizado de sedimentos urinarios para uso en tiempo real. YOLOv10 fue seleccionado para su implementación porque ofrece un rendimiento de detección excepcional con una precisión superior, eficiencia computacional y capacidades de inferencia en tiempo real, lo que lo hace muy adecuado para el análisis microscópico automatizado de imágenes de sedimentos urinarios. Mejora la eficiencia de detección de extremo a extremo, reduce el postprocesamiento y logra un alto rendimiento para objetos pequeños y diversos. Este marco emplea un procedimiento de optimización metaheurística para mejorar la optimización de parámetros del modelo y la robustez de la detección, a diferencia de los métodos existentes basados en YOLO que solo se concentran en mejoras arquitectónicas. Su objetivo es mejorar la precisión de la detección de sedimentos urinarios por objetos en diferentes clases y aumentar la eficiencia de la inferencia en el entorno clínico. La investigación plantea la hipótesis de que esta integración conducirá a una mayor precisión en la detección, mayor estabilidad de convergencia y mayor eficiencia computacional, ayudando en última instancia a los profesionales de laboratorio a minimizar la carga de trabajo manual y garantizar la consistencia y rapidez en el análisis de orina.

Protocolo

Los datos utilizados en este estudio procedían de una base de datos pública de investigación con imágenes microscópicas de sedimentos de orina. Durante el estudio, no se utilizó información personal que identificara al paciente. Los elementos comercialmente disponibles asociados a este protocolo se enumeran en la Tabla de Materiales.

Adquirir y preparar conjuntos de datos
Se obtuvieron imágenes microscópicas de sedimentos urinarios que comprendían glóbulos rojos, glóbulos blancos, células epiteliales, cristales, molduras, bacterias y levaduras. Todas las imágenes se guardaban en formato PNG o JPEG usando convenciones de nombres consistentes. Se eliminaron imágenes borrosas o de mala calidad que contenían artefactos sedimentarios incompletos. Se utilizó software de anotación de caja delimitadora para la anotación a nivel de objeto de partículas de sedimento de orina. A cada tipo de sedimento se le asignó un número de clase, y se exportaron anotaciones en formato YOLO que contenían el identificador de clase, las coordenadas centrales normalizadas, el ancho de la caja delimitadora y la altura de la caja delimitadora. La calidad de la anotación se validaba manualmente seleccionando aleatoriamente imágenes anotadas.

El conjunto de datos se dividió aleatoriamente en tres subconjuntos que consistían en un 70% de datos de entrenamiento, 15% de datos de validación y 15% de datos de pruebas. Usamos la función Scikit-learn train_test_split() en Python con muestreo estratificado para dividir el conjunto de datos. Cada subconjunto mantuvo la representación proporcional de todas las clases de sedimentos. Se empleó la división aleatoria estratificada para minimizar la disparidad de clases entre particiones de conjuntos de datos. La distribución por clases de las imágenes a las categorías de sedimentos urinarios se ilustra en la Tabla 1.

Todas las imágenes microscópicas se redimensionaron a 640 × 640 píxeles usando interpolación bilineal con OpenCV. Los valores de intensidad de píxeles se normalizaron al rango [0,1]. La mejora de datos se realizó mediante volteo horizontal, vertiginado vertical, rotación aleatoria (±15°), ajuste de brillo y ajuste de contraste durante el entrenamiento. Las imágenes preprocesadas se guardaban en carpetas separadas de entrenamiento, validación y prueba.

Configuración del sistema
El entorno experimental se configuró para el análisis de sedimentos urinarios basados en aprendizaje profundo. Se instalaron la versión 3.10 de Python, el framework de aprendizaje profundo PyTorch y la versión 12.1 de CUDA Toolkit para aceleración de GPU. Se instalaron paquetes adicionales en Python, incluyendo OpenCV, NumPy, Pandas, Matplotlib y Scikit-learn. El repositorio para la implementación de YOLOv10 fue descargado y configurado antes de la experimentación. Se habilitó el cálculo determinista por GPU cuando fue posible, y todas las versiones de los paquetes utilizadas durante la experimentación se registraron para soportar reproducibilidad.

Detección de sedimentos urinarios basada en YOLOv10
Un diagrama esquemático de YOLOv10 se muestra en la Figura 1. Se cargaron pesos YOLOv10 preentrenados con el conjunto de datos COCO. La capa final de detección fue reemplazada por una capa de salida personalizada, sustituyendo el recuento predeterminado de clases COCO por el conteo de clase de sedimentos de orina. Se implementó una configuración de detección sin anclas basada en la estructura YOLOv10.

Los hiperparámetros de entrenamiento se inicializaron con una tasa de aprendizaje de 0,001, tamaño de lote de 16.300 épocas, optimizador AdamW y decaimiento de peso de 0,0005. Se aplicó la programación de tasas de aprendizaje con recocido coseno, y durante la formación se habilitó la parada temprana con un valor de paciencia de 20.

El conjunto de datos de entrenamiento se introdujo en la red YOLOv10 para generar predicciones de caja delimitadora y probabilidades de clase. Durante el entrenamiento se calcularon la pérdida por localización, la pérdida de clasificación, la pérdida de confianza y la pérdida total. Los pesos del modelo se actualizaron utilizando retropropagación y optimización de descenso por gradiente. La validación se realizaba después de cada época utilizando el conjunto de datos de validación.

Figura 1: Arquitectura de YOLOv10. Representación esquemática de la arquitectura de detección de objetos YOLOv10 utilizada para el análisis automatizado de sedimentos de orina. La figura ilustra la columna vertebral, el cuello y los componentes de la cabeza de detección implicados en la extracción de características, la fusión de características a escala múltiple y la detección de objetos sin ancla para partículas microscópicas de sedimento urinario. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Optimización de la Elección de Líderes de Chimpancés (CLEO)
Un diagrama esquemático de CLEO se muestra en la Figura 2. El espacio de búsqueda de optimización incluyó tasa de aprendizaje 0,0001–0,01, tamaño de lote 8–32, momento 0,8–0,99, decaimiento en peso 0,0001–0,001 y umbral de confianza 0,25–0,75. Se generó una población inicial de chimpancés que contenía soluciones candidatas aleatorias. YOLOv10 se entrenó utilizando hiperparámetros representados por cada chimpancé candidato, y el rendimiento del modelo se evaluó mediante la Precisión Media de Validación (mAP). La función de aptitud se definió como:

Aquí, , y representan coeficientes de ponderación. El candidato chimpancé con la puntuación de aptitud más alta era seleccionado como líder. Las soluciones restantes de candidatos se actualizaron según las reglas de actualización de puestos de CLEO. Los procesos de exploración y explotación se realizaron iterativamente para identificar hiperparámetros óptimos. El proceso de optimización se repitió durante 50 iteraciones o hasta que la mejora de la aptitud < 0,001. Los pesos asignados fueron 0,5, 0,25 y 0,25. Los hiperparámetros óptimos generados por CLEO se aplicaron al marco YOLOv10. La red fue reentrenada utilizando el conjunto de datos completo de entrenamiento, y los pesos de mejor rendimiento del modelo se guardaron en función del rendimiento de validación. El flujo de trabajo del modelo propuesto se ilustra en la Figura 3.

Figura 2: Algoritmo de optimización de elecciones de líderes de chimpancés. Flujo de trabajo del algoritmo de optimización CLEO que muestra la inicialización de soluciones candidatas, evaluación de aptitud, selección de líderes, estrategia de actualización de exploración y explotación y convergencia iterativa para la optimización de hiperparámetros del framework YOLOv10. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3: Flujo de trabajo del modelo propuesto. Flujo de trabajo general del marco propuesto YOLOv10 + CLEO para el análisis automatizado de sedimentos urinarios, incluyendo adquisición de conjuntos de datos, preprocesamiento de imágenes, anotación, entrenamiento de modelos, optimización de hiperparámetros basada en CLEO, detección y evaluación del rendimiento. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Evaluación del modelo
El modelo optimizado YOLOv10 + CLEO se probó utilizando el conjunto de datos independiente de pruebas. Se calcularon métricas de evaluación de desempeño como precisión, precisión, recuerdo, puntuación F1, mAP50 y mAP50-95. Se usaron funciones métricas scikit-learn para los cálculos. También se registró el tiempo medio de inferencia por imagen. Las clases de sedimentos predichas se compararon con anotaciones de la verdad fundamental para generar matrices de confusión para todas las categorías de sedimentos. Se identificaron partículas de sedimento frecuentemente erróneamente clasificadas basándose en resultados de clasificación. Se entrenaron y evaluaron modelos comparativos como YOLOv5, YOLOv8 y Faster R-CNN utilizando el conjunto de datos UMID bajo configuraciones de hardware idénticas.

Resultados

Las curvas de pérdida de entrenamiento y validación se muestran en la Figura 4, que muestra el YOLOv10 combinado con las métricas de rendimiento CLEO para la detección de células urinarias. La precisión de las cajas delimitadoras previstas para detectar células urinarias se mide por la pérdida de caja. El error en la predicción de la clase correcta se mide mediante la pérdida de clasificación (cls). La pérdida focal distribuida (dfl) se utiliza para mejorar ...

Discusión

Los resultados de este estudio aportan pruebas contundentes del potencial de la detección y clasificación automatizada de componentes del sedimento urinario con la ayuda de YOLOv10 y CLEO en el contexto del diagnóstico médico. El modelo propuesto proporciona una solución más rápida y fiable para tomar decisiones oportunas optimizando los hiperparámetros YOLOv10 con CLEO. El sistema propuesto proporciona alta precisión, recuerdo, puntuación F1 y valores de mAP para diversas células urinar...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
CUDA Toolkit 12.1	NVIDIA Corporation	Versión 12.1/ RRID:SCR_018425	Plataforma de aceleración GPU
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Herramienta de anotación
Matplotlib	Matplotlib Development Team	Versión 3.x	Visualización de datos
NumPy	NumPy Developers	Versión 1.x	Computación numérica
OpenCV	OpenCV.org	RRID:SCR_015881	Preprocesamiento y análisis de imágenes
Pandas	Pandas Development Team	Versión 2.x	Manejo y análisis de datos
Python 3.10	Python Software Foundation	RRID:SCR_008394	Lenguaje de programación
PyTorch	PyTorch Foundation	RRID:SCR_018536	Marco de trabajo de aprendizaje profundo
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Utilidades de aprendizaje automático
Ubuntu Linux	Canonical Ltd.	Versión 22.04	Sistema operativo
Urine Sediment Microscopic Dataset	Repositorio de datos públicos	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset with point and box annotations · GitHub	Conjunto de datos de imágenes microscópicas de orina
Implementación YOLOv10	Ultralytics	YOLOv10: Detección de objetos de extremo a extremo en tiempo real | Ultralytics Docs	Marco de trabajo de detección de objetos