Analyse microscopique automatisée des sédiments urinaires utilisant YOLOv10 avec optimisation des élections des chefs de chimpanzés

Résumé

L’étude propose un modèle utilisant le jeu de données UMID pour détecter et classer les cellules urinaires, y compris les globules rouges, les globules blancs, les cellules épithéliales, les cristaux et les bactéries. En utilisant YOLOv10 avec l’optimisation des élections par chimpanzé leader, il atteint 84 % de mAP50 sur un sous-ensemble test, ce qui pourrait réduire la charge de travail de microscopie manuelle en analyse urinaire clinique.

Résumé

Pour diagnostiquer diverses maladies urinaires, il est essentiel de détecter avec précision les cellules urinaires. Cet article présente une approche novatrice pour détecter et classer les cellules urinaires en utilisant le modèle YOLOv10 (You Only Look Once version 10) intégré à l’algorithme CLEO. YOLOv10, reconnu pour ses performances supérieures en détection d’objets, est combiné avec CLEO, un algorithme d’optimisation inspiré de la nature. Le modèle est entraîné à partir de l’Urine Microscopic Imaging Dataset (UMID), comprenant différents types d’images cellulaires urinaires. Plusieurs types cellulaires ont été classifiés, notamment les bactéries, les cellules épithéliales, les globules rouges, les globules blancs, les cristaux et les moulages directement à partir d’images microscopiques d’échantillons d’urine. Les résultats de tests rigoureux montrent que YOLOv10 intégré à CLEO est un outil robuste pour analyser les sédiments urinaires, obtenant une Precision@50 moyenne moyenne (mAP50) de 84 % et un rappel de 90 %. Ainsi, l’approche proposée offre des améliorations significatives de la rapidité et de la cohérence par rapport aux méthodes traditionnelles d’analyse des sédiments urinaires. Le cadre peut analyser automatiquement en temps réel les images des sédiments urinaires avec de bonnes performances de détection et a le potentiel d’aider l’analyse clinique assistée par ordinateur, réduisant ainsi la charge de travail liée à l’analyse et au diagnostic manuels.

Introduction

Les maladies rénales, les infections urinaires, les troubles métaboliques et les anomalies systémiques peuvent être détectées par analyse urinaire, qui est un processus très important de diagnostic ^1,2. Il est essentiel d’examiner les sédiments urinaires au microscope afin d’identifier de minuscules constituants tels que les globules rouges (globules rouges), les globules blancs (GBC), les bactéries, les champignons, les moulages, etc^. Cependant, l’analyse manuelle conventionnelle par microscopie optique est laborieuse et dépend des compétences du technicien, pouvant entraîner une variabilité inter-observateurs et des diagnostics incohérents dans des environnements cliniques très^{fréquentés 4,5}.

Une méthode ciblée est nécessaire pour résoudre les difficultés liées à l’examen automatisé des échantillons d’urine. La performance impressionnante en temps réel de l’apprentissage profond en localisation et classification d’objets en analyse d’images est prometteuse pour l’imagerie médicale, notamment dans le domaine des algorithmes de détection d’objets, un exemple marquant étant la famille d’algorithmes You Only Look Once (^{YOLO) 6,7,8}. Des recherches antérieures utilisant des variantes YOLO ont rencontré des problèmes de points d’urine qui se chevauchent, des variations morphologiques des particules urinaires, un déséquilibre de classe et une faible précision de performance dans des conditions^complexes 3,9,10,11. De plus, la dépendance à des hyperparamètres choisis manuellement dans ces systèmes basés sur YOLO peut freiner la généralisation et l’optimisation du modèle.

YOLOv10 est un modèle actuel qui améliore l’extraction de caractéristiques, l’efficacité de calcul et la vitesse d’inférence pour l’analyse des images en^{temps réel 12}. Mais sa performance dépend de la recherche d’un ensemble optimal de paramètres, ce qui est un problème complexe et non linéaire d’optimisation et peut influencer la stabilité de la convergence et la précision de la détection. Il est donc essentiel d’appliquer une méthode d’optimisation efficace afin d’améliorer la performance de cette approche dans la détection des sédiments urinaires microscopiques. Ce travail de recherche intègre l’algorithme CLEO, inspiré par la hiérarchie sociale des chimpanzés, pour optimiser les paramètres YOLOv10. CLEO excelle dans l’équilibre entre exploration et exploitation tout en naviguant efficacement dans les défis d’optimisation à haute dimension, surmontant ainsi les pièges optima locaux communs aux méthodes^{traditionnelles 13,14}. Cette adaptation est importante pour l’analyse des sédiments urinaires. Dans cette application, les conditions d’imagerie varient, tout comme la forme et la texture des particules. Dans de telles conditions, il est nécessaire d’assurer une performance de détection stable. CLEO peut être utilisé dans des applications cliniques en temps réel et permet d’obtenir une convergence plus rapide ainsi que de meilleurs résultats de recherche globaux que d’autres algorithmes d’optimisation^{couramment utilisés 15}.

Les progrès réalisés dans l’analyse des cellules urinaires grâce à l’apprentissage profond sont présentés ici. Dans les premières analyses automatisées des sédiments urinaires, des techniques traditionnelles de traitement d’images comme le seuil et l’extraction des caractéristiques étaient appliquées en combinaison avec des classificateurs comme SVM, k-NN, arbres de décision et l’algorithme de forêt aléatoire 16,17,18,19,20. Ces techniques ont eu un succès modéré, mais ont mal performé pour les cellules qui se chevauchent, les conditions d’éclairage différentes, le bruit et les morphologies complexes des sédiments. De plus, il y avait un niveau considérable de connaissance du domaine nécessaire pour la construction manuelle des fonctionnalités. L’essor de l’apprentissage profond, en particulier des réseaux neuronaux convolutionnels (CNN), a considérablement amélioré l’analyse d’images, avec des architectures comme AlexNet et ResNet atteignant une précision de classification^{améliorée de 21}. Mais la plupart des méthodes basées sur le CNN se concentrent encore sur la classification au niveau de l’image plutôt que sur la détection et la localisation en temps réel de nombreuses particules de sédiments dans des images microscopiques.

La famille YOLO de cadres de détection d’objets a gagné en popularité dans le domaine de l’analyse d’images médicales pour ses performances rapides et précises. Des systèmes basés sur YOLO comme YOLOv3, YOLOv5 et YOLOv8 ont démontré des performances en temps réel acceptables et une meilleure localisation des composants sédimentaires urinaires par rapport aux techniques basées sur des propositions régionales, telles que Faster R-CNN et Mask R-CNN 14,15,22. Cependant, il existe des difficultés, notamment une sensibilité au déséquilibre de classe et une classification moins précise pour les particules petites ou similaires, ainsi que l’utilisation de paramètres d’entraînement choisis manuellement. Des découvertes récentes indiquent que la combinaison des techniques d’optimisation métaheuristiques telles que l’optimisation par essaim de particules (PSO)²³, les algorithmes génétiques (GA⁾²⁴, l’optimisation Grey Wolf (GWO⁾²⁵, les algorithmes d’optimisation des baleines (WOA⁾²⁶ et l’optimisation par colonie de fourmis (ACO⁾²⁷ avec des systèmes d’apprentissage^{profond 28,29,30,31,32,33} peut améliorer l’optimisation des hyperparamètres et renforcer l’efficacité de l’entraînement. Néanmoins, ces techniques d’optimisation traditionnelles peuvent rester bloquées dans un optimum local et ne pas explorer l’espace des solutions dans un monde à haute dimension, conduisant à une convergence précoce.

CLEO est une nouvelle méthode d’optimisation métaheuristique basée sur le comportement social des chimpanzés, qui améliore l’équilibre exploration-exploitation ainsi que l’optimisation globale. Il a été démontré qu’il fonctionne mieux que les algorithmes traditionnels en éliminant les minima locaux et en traversant avec succès l’espace de solutions pour résoudre des problèmes complexes, mais il n’a pas encore été pleinement exploré pour une application dans la détection d’objets biomédicaux et l’analyse des sédiments urinaires. Les cadres existants d’analyse des sédiments urinaires se sont concentrés soit sur l’amélioration de l’architecture de détection, soit sur son optimisation indépendante, et n’apportent pas beaucoup d’informations sur leur impact sur la performance diagnostique de l’analyse en temps réel des sédiments urinaires.

À la lumière de ces lacunes dans la littérature, cette recherche combine CLEO avec l’architecture YOLOv10, qui est meilleure pour la représentation des caractéristiques et la performance en temps réel, afin d’automatiser l’analyse microscopique des sédiments urinaires. Le cadre est conçu pour améliorer la précision et la robustesse de la détection, et pour être intégré dans les systèmes d’analyse d’urine en temps réel pour un usage clinique, combinant les avantages de la détection rapide des objets par YOLOv10 avec l’optimisation adaptative des hyperparamètres par CLEO.

L’étude propose une approche novatrice combinant les algorithmes d’optimisation YOLOv10 et CLEO pour l’analyse microscopique automatisée des sédiments urinaires en temps réel. YOLOv10 a été sélectionné pour la mise en œuvre car il offre des performances de détection exceptionnelles avec une précision supérieure, une efficacité de calcul et des capacités d’inférence en temps réel supérieures, ce qui le rend parfaitement adapté à l’analyse microscopique automatisée des sédiments urinaires. Il améliore l’efficacité de la détection de bout en bout, réduit le post-traitement et atteint de hautes performances pour des objets petits et variés. Ce cadre utilise une procédure d’optimisation métaheuristique pour améliorer l’optimisation des paramètres du modèle et la robustesse de la détection, contrairement aux méthodes existantes basées sur les YOLO qui se concentrent uniquement sur les améliorations architecturales. Il vise à améliorer la précision de la détection des sédiments urinaires par les objets dans différentes classes et à accroître l’efficacité de l’inférence en milieu clinique. La recherche émet l’hypothèse que cette intégration conduira à une meilleure précision de détection, une plus grande stabilité de convergence et une plus grande efficacité de calcul, aidant ainsi les professionnels de laboratoire à minimiser la charge de travail manuelle et à assurer la cohérence et la rapidité de l’analyse d’urine.

Protocole

Les données utilisées dans cette étude proviennent d’une base de données publique de recherche d’images microscopiques de sédiments urinaires. Au cours de l’étude, aucune information personnelle identifiant le patient n’a été utilisée. Les éléments commercialement disponibles associés à ce protocole sont listés dans le Tableau des Matériaux.

Acquérir et préparer un ensemble de données
Des images microscopiques des sédiments urinaires comprenant les globules rouges, les globules blancs, les cellules épithéliales, les cristaux, les motlages, les bactéries et la levure ont été obtenues. Toutes les images étaient sauvegardées au format PNG ou JPEG en utilisant des conventions de nommage cohérentes. Les images floues ou de mauvaise qualité contenant des artefacts sédimentaires incomplets ont été éliminées. Un logiciel d’annotation de boîte englobante était utilisé pour l’annotation au niveau objet des particules de sédiments urinaires. Chaque type de sédiment s’est vu attribuer un numéro de classe, et les annotations ont été exportées au format YOLO contenant l’identifiant de classe, les coordonnées centrales normalisées, la largeur de la boîte englobante et la hauteur de la boîte englobante. La qualité des annotations était validée manuellement en sélectionnant aléatoirement des images annotées.

L’ensemble de données a été divisé aléatoirement en trois sous-ensembles comprenant 70 % de données d’entraînement, 15 % de données de validation et 15 % de données de test. Nous avons utilisé la fonction Python Scikit-learn train_test_split() avec un échantillonnage stratifié pour diviser le jeu de données. Chaque sous-ensemble maintenait une représentation proportionnelle de toutes les classes de sédiments. Une division aléatoire stratifiée a été employée pour minimiser les disparités de classes entre les partitions de jeux de données. La répartition par classe des images par catégories de sédiments urinaires est illustrée dans le tableau 1.

Toutes les images microscopiques ont été redimensionnées à 640 × 640 pixels grâce à une interpolation bilinéaire avec OpenCV. Les valeurs d’intensité des pixels ont été normalisées à la plage [0,1]. L’augmentation des données a été réalisée en utilisant des basculements horizontaux, verticaux, rotations aléatoires (±15°), réglage de la luminosité et ajustement du contraste pendant l’entraînement. Les images prétraitées étaient sauvegardées dans des dossiers séparés d’entraînement, de validation et de test.

Configuration du système
L’environnement expérimental a été configuré pour une analyse des sédiments urinaires basée sur l’apprentissage profond. La version 3.10 de Python, le framework d’apprentissage profond PyTorch, et la version 12.1 de CUDA Toolkit pour l’accélération GPU ont été installés. D’autres paquets Python, dont OpenCV, NumPy, Pandas, Matplotlib et Scikit-learn, ont été installés. Le dépôt pour l’implémentation de YOLOv10 a été téléchargé et configuré avant l’expérimentation. Le calcul déterministe GPU était rendu possible lorsque cela était possible, et toutes les versions du package utilisées lors des expérimentations étaient enregistrées pour soutenir la reproductibilité.

Détection des sédiments urinaires basée sur YOLOv10
Un schéma de YOLOv10 est illustré à la Figure 1. Des poids YOLOv10 préentraînés entraînés sur le jeu de données COCO ont été chargés. La couche finale de détection a été remplacée par une couche de sortie personnalisée en remplaçant le comptage de classe COCO par défaut par celui des sédiments urinaires. Une configuration de détection sans ancre a été mise en œuvre basée sur la structure YOLOv10.

Les hyperparamètres d’entraînement ont été initialisés avec un taux d’apprentissage de 0,001, une taille de lot de 16 300 époques, un optimiseur AdamW et une décroissance de poids de 0,0005. Un calendrier du taux d’apprentissage par recuit cosinus a été appliqué, et un arrêt précoce avec une valeur de patience de 20 a été activé pendant la formation.

L’ensemble de données d’entraînement était entré dans le réseau YOLOv10 pour générer des prédictions de boîtes englobantes et des probabilités de classe. La perte de localisation, la perte de classification, la perte de confiance et la perte totale ont été calculées pendant l’entraînement. Les poids des modèles ont été mis à jour en utilisant la rétropropagation et l’optimisation de la descente de gradient. La validation était effectuée après chaque époque à l’aide du jeu de données de validation.

Figure 1 : Architecture de YOLOv10. Représentation schématique de l’architecture de détection d’objets YOLOv10 utilisée pour l’analyse automatisée des sédiments urinaires. La figure illustre la colonne vertébrale, le cou et les composants de la tête de détection impliqués dans l’extraction des caractéristiques, la fusion multi-échelle des caractéristiques et la détection d’objets sans ancre pour les particules microscopiques de sédiments urinaires. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Optimisation des élections des chefs de chimpanzés (CLEO)
Un schéma de CLEO est montré à la Figure 2. L’espace de recherche d’optimisation comprenait le taux d’apprentissage 0,0001–0,01, la taille du lot 8–32, la quantité de mouvement 0,8–0,99, la décroissance pondérative 0,0001–0,001, et le seuil de confiance 0,25–0,75. Une première population de chimpanzés contenant des solutions candidates aléatoires a été générée. YOLOv10 a été entraîné en utilisant des hyperparamètres représentés par chaque chimpanzé candidat, et la performance du modèle a été évaluée à l’aide de la Précision Moyenne (mAP) de validation. La fonction de fitness était définie comme suit :

Ici, , et représentent les coefficients de pondération. Le candidat chimpanzé ayant le meilleur score de fitness était choisi comme leader. Les solutions candidates restantes ont été mises à jour selon les règles de mise à jour des positions CLEO. Les processus d’exploration et d’exploitation ont été réalisés de manière itérative afin d’identifier les hyperparamètres optimaux. Le processus d’optimisation a été répété pendant 50 itérations ou jusqu’à ce que l’amélioration de la fitness < 0,001. Les poids attribués étaient 0,5, 0,25 et 0,25. Les hyperparamètres optimaux générés par CLEO ont été appliqués au cadre YOLOv10. Le réseau a été réentraîné en utilisant l’ensemble complet de l’ensemble des données d’entraînement, et les poids des modèles les mieux performants ont été sauvegardés en fonction de la validation. Le flux de travail du modèle proposé est illustré à la Figure 3.

Figure 2 : Algorithme d’optimisation des élections des chefs de chimpanzés. Flux de travail de l’algorithme d’optimisation CLEO montrant l’initialisation des solutions candidates, l’évaluation de la fitness, la sélection du leader, la stratégie de mise à jour exploration-exploitation, et la convergence itérative pour l’optimisation des hyperparamètres du cadre YOLOv10. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 3 : Flux de travail du modèle proposé. Flux de travail global du cadre proposé YOLOv10 + CLEO pour l’analyse automatisée des sédiments urinaires, incluant l’acquisition de jeux de données, le prétraitement d’images, l’annotation, l’entraînement de modèles, l’optimisation des hyperparamètres basée sur CLEO, la détection et l’évaluation des performances. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Évaluation du modèle
Le modèle optimisé YOLOv10 + CLEO a été testé à l’aide du jeu de données de tests indépendant. Des indicateurs d’évaluation de performance, notamment la précision, la mémoire, le score F1, le mAP50 et le mAP50-95, ont été calculés. Les fonctions métriques scikit-learn étaient utilisées pour les calculs. Le temps moyen d’inférence par image a également été enregistré. Les classes de sédiments prédites ont été comparées aux annotations de vérité de terrain pour générer des matrices de confusion pour toutes les catégories de sédiments. Des particules de sédiments fréquemment mal classées ont été identifiées à partir des résultats de classification. Des modèles comparatifs incluant YOLOv5, YOLOv8 et Faster R-CNN ont été entraînés et évalués à l’aide du jeu de données UMID sous des configurations matérielles identiques.

Résultats

Les courbes de perte d’entraînement et de validation sont montrées à la Figure 4, qui illustre le YOLOv10 combiné aux métriques de performance CLEO pour la détection des cellules urinaires. La précision des boîtes englobantes prévues pour détecter les cellules urinaires est mesurée par la perte de boîte. L’erreur dans la prédiction de la bonne classe est mesurée par la perte de classification (cls). La perte focale distribuée (dfl) est utilisée pour améliore...

Discussion

Les résultats de cette étude fournissent des preuves convaincantes du potentiel de la détection et classification automatisées des composants des sédiments urinaires à l’aide de YOLOv10 et CLEO dans le contexte des diagnostics médicaux. Le modèle proposé offre une solution plus rapide et plus fiable pour prendre des décisions en temps voulu en optimisant les hyperparamètres YOLOv10 avec CLEO. Le système proposé offre une haute précision, rappel, F1-score et valeurs de mAP pour diverses c...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
CUDA Toolkit 12.1	NVIDIA Corporation	Version 12.1/ RRID:SCR_018425	Plateforme d'accélération GPU
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Outil d'annotation
Matplotlib	Matplotlib Development Team	Version 3.x	Visualisation de données
NumPy	NumPy Developers	Version 1.x	Calcul numérique
OpenCV	OpenCV.org	RRID:SCR_015881	Pré-traitement et analyse d'images
Pandas	Pandas Development Team	Version 2.x	Gestion et analyse de données
Python 3.10	Python Software Foundation	RRID:SCR_008394	Langage de programmation
PyTorch	PyTorch Foundation	RRID:SCR_018536	Framework d'apprentissage profond
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Utilitaires d'apprentissage automatique
Ubuntu Linux	Canonical Ltd.	Version 22.04	Système d'exploitation
Urine Sediment Microscopic Dataset	Dépôt de données publiques	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset with point and box annotations · GitHub	Jeu de données d'images microscopiques d'urine
YOLOv10 implementation	Ultralytics	YOLOv10: Real-Time End-to-End Object Detection | Ultralytics Docs	Framework de détection d'objets