ניתוח תמונות מיקרוסקופי אוטומטי של משקעי שתן באמצעות YOLOv10 עם אופטימיזציה לבחירת מנהיגי השימפנזים

סיכום

המחקר מציע מודל המשתמש במאגר הנתונים של UMID לזיהוי וסיווג תאי שתן, כולל תאי דם אדומים, תאי דם לבנים, תאי אפיתל, גבישים וחיידקים. באמצעות YOLOv10 עם אופטימיזציה של מנהיגי השימפנזים, הוא משיג 84% mAP50 בתת-קבוצה בדיקות, מה שעשוי להפחית את עומס העבודה במיקרוסקופיה ידנית בבדיקת שתן קלינית.

תקציר

כדי לאבחן מחלות שתן שונות, חשוב לזהות תאי שתן בצורה מדויקת. מאמר זה מציג גישה חדשנית לאיתור וסיווג תאי שתן באמצעות מודל YOLOv10 (גרסה 10 של You Only Look Once Version) המשולב עם אלגוריתם CLEO. YOLOv10, הידוע בביצועיו המעולים בזיהוי עצמים, משולב עם CLEO, אלגוריתם אופטימיזציה בהשראת הטבע. המודל מאומן על בסיס מאגר נתוני תמונות מיקרוסקופיות שתן (UMID), הכולל סוגים שונים של תמונות תאי שתן. סוגי תאים רבים סווגו, כולל חיידקים, תאי אפיתל, תאי תאי דם אדומים (RBC), תאי דם לבנים, גבישים וגבסים ישירות מתמונות מיקרוסקופיות של דגימות שתן. תוצאות מבדיקות קפדניות מראות כי YOLOv10 המשולב עם CLEO הוא כלי איתן לניתוח משקעי שתן, עם ממוצע Precision@50 ממוצע (mAP50) של 84% וקריאה של 90%. לכן, הגישה המוצעת מציעה שיפורים משמעותיים במהירות ועקביות בהשוואה לשיטות המסורתיות של ניתוח משקעי שתן. המסגרת יכולה לנתח אוטומטית תמונות משקעי שתן בזמן אמת עם ביצועי זיהוי טובים, ויש לה פוטנציאל לסייע בניתוח שתן קליני בעזרת מחשב, ובכך להפחית את עומס העבודה של ניתוח ואבחון ידני.

מבוא

מחלות כליה, זיהומים בדרכי השתן, הפרעות מטבוליות וחריגות מערכתיות ניתנים לזיהוי באמצעות בדיקת שתן, שהיא תהליך אבחון חשוב^{מאוד 1,2}. חשוב לבדוק את משקעי השתן תחת המיקרוסקופ כדי לזהות רכיבים זעירים כגון תאי דם אדומים (RBC), תאי דם לבנים (WBC), חיידקים, פטריות, גבסים^ועוד. עם זאת, ניתוח ידני קונבנציונלי במיקרוסקופיה אופטית דורש עבודה רבה ותלוי במיומנות הטכנאי, ועלול להוביל לשונות בין צופים ואבחנות לא עקביות בסביבות קליניות ^{עמוסות.}

נדרש שיטה ממוקדת כדי להתמודד עם קשיים בבדיקה האוטומטית של דגימות שתן. הביצועים המרשימים בזמן אמת של למידה עמוקה בלוקליזציה וסיווג של אובייקטים בניתוח תמונות מבטיחים הבטחה להדמיה רפואית, במיוחד בתחום אלגוריתמי זיהוי עצמים, ודוגמה בולטת היא משפחת האלגוריתמים You Only Look Once (YOLO) ^6,7,8. מחקרים קודמים שהשתמשו בגרסאות YOLO נתקלו בבעיות של חלקיקי שתן חופפים, שינויים במורפולוגיה של חלקיקי שתן, חוסר איזון מחלקתי ודיוק ביצועים ירוד בתנאים מורכבים 3,9,10,11. בנוסף, הסתמכות על היפרפרמטרים שנבחרו ידנית במערכות מבוססות YOLO עלולה להקשות על הכללה ואופטימיזציה של המודלים.

YOLOv10 הוא מודל עדכני שמשפר חילוץ תכונות, יעילות חישובית ומהירות הסקה לניתוח תמונות בזמן אמת¹². אך הביצועים שלה תלויים במציאת סט אופטימלי של פרמטרים, שהיא בעיית אופטימיזציה מורכבת ולא ליניארית ויכולה להשפיע על יציבות ההתכנסות ודיוק הגילוי. לכן, חיוני ליישם שיטת אופטימיזציה יעילה לשיפור ביצועי הגישה בזיהוי משקעי שתן מיקרוסקופיים. מחקר זה משלב את אלגוריתם CLEO, בהשראת ההיררכיה החברתית של השימפנזים, כדי לייעל את פרמטרי YOLOv10. CLEO מצטיין באיזון בין חקירה וניצול תוך ניווט יעיל של אתגרי אופטימיזציה רב-ממדיים, ובכך מתגבר על מלכודות אופטימיות מקומיות נפוצות בשיטות המסורתיות^13,14. התאמה זו חשובה לניתוח משקעי שתן. ביישום זה, תנאי ההדמיה משתנים, כמו גם הצורה והמרקם של החלקיקים. בתנאים כאלה, נדרש לספק ביצועי זיהוי יציבים. ניתן להשתמש ב-CLEO ביישומים קליניים בזמן אמת ולהשיג התכנסות מהירה יותר ותוצאות חיפוש גלובליות טובות יותר מאשר אלגוריתמים אופטימיזציוניים נפוצים^אחרים.

ההתקדמות שנעשתה בניתוח תאי שתן באמצעות למידה עמוקה מכוסה כאן. בניתוח המשקעים האוטומטי המוקדם, טכניקות עיבוד תמונה מסורתיות כמו סף וחילוץ תכונות יושמו בשילוב עם מסווגים כמו SVM, k-NN, עצי החלטה ואלגוריתם יער אקראי 16,17,18,19,20. טכניקות אלו זכו להצלחה בינונית, אך ביצעו ביצועים גרועים עבור תאים חופפים, תנאי תאורה שונים, רעש ומורפולוגיות משקעים מורכבות. בנוסף, נדרשה רמת ידע בתחום משמעותית לבניית תכונות ידנית. עליית הלמידה העמוקה, ובפרט רשתות עצביות קונבולוציוניות (CNNs), שיפרה מאוד את ניתוח התמונה, כאשר ארכיטקטורות כמו AlexNet ו-ResNet השיגו דיוק סיווג משופר²¹. אך רוב השיטות המבוססות על CNN עדיין מתמקדות בסיווג ברמת התמונה במקום בזיהוי בזמן אמת ולוקליזציה של חלקיקי משקעים רבים בתמונות מיקרוסקופיות.

משפחת מסגרות גילוי האובייקטים YOLO זכתה לפופולריות בתחום ניתוח התמונות הרפואיות בזכות ביצועיה המהירים והמדויקים. מערכות מבוססות YOLO כמו YOLOv3, YOLOv5 ו-YOLOv8 הראו ביצועים בזמן אמת מקובלים ושיפור במיקום רכיבי משקעי השתן בהשוואה לטכניקות המבוססות על הצעות אזור, כמו Faster R-CNN ו-Mask R-CNN 14,15,22. עם זאת, קיימים קשיים, כולל רגישות לאי-איזון בין המעמדות וסיווג פחות מדויק לחלקיקים קטנים או דומים, ושימוש בפרמטרי אימון שנבחרו ידנית. ממצאים אחרונים מצביעים על כך ששילוב טכניקות אופטימיזציה מטה-היוריסטית כגון Particle Swarm Optimization (PSO)²³, Genetic Swarm Algorithms (GA)²⁴, Grey Wolf Optimization (GWO)²⁵, אלגוריתמי אופטימיזציה ללווייתנים (WOA)²⁶ ו-Anim Colony Optimization (ACO)²⁷ עם מערכות למידה עמוקה 28,29,30,31,32,33 יכול לשפר אופטימיזציה של היפרפרמטרים ולהגביר את יעילות האימון. עם זאת, טכניקות אופטימיזציה מסורתיות אלו עלולות להיתקע באופטימיום מקומי ולהיכשל לחקור את מרחב הפתרונות בעולם רב-ממדי, מה שמוביל להתכנסות מוקדמת.

CLEO היא שיטת אופטימיזציה מטה-היוריסטית חדשה המבוססת על ההתנהגות החברתית של השימפנזים, המשפרת את האיזון בין חקר לניצול ואת האופטימיזציה הגלובלית. הוכח כי הוא מתפקד טוב יותר מהאלגוריתמים המסורתיים על ידי ביטול מינימום מקומי ומעבר מוצלח במרחב הפתרונות לפתרון בעיות מורכבות, אך טרם נחקר במלואו ליישום בזיהוי עצמים ביו-רפואיים ובניתוח משקעי שתן. מסגרות ניתוח משקעי שתן קיימות התמקדו בשיפור ארכיטקטורת הגילוי או באופטימיזציה באופן עצמאי, ואינן מספקות תובנות משמעותיות לגבי האופן שבו ישפיעו על ביצועי האבחון של ניתוח משקעי שתן בזמן אמת.

לאור הפערים הללו בספרות, מחקר זה משלב את CLEO עם ארכיטקטורת YOLOv10, שהיא טובה יותר לייצוג תכונות וביצועים בזמן אמת, כדי לאוטומט את ניתוח מיקרוסקופיית משקעי השתן. המסגרת נועדה לשפר את דיוק ועמידות הגילוי בגילוי, ולשלב אותה במערכות בדיקת שתן בזמן אמת לשימוש קליני, תוך שילוב היתרונות של זיהוי מהיר של עצמים ב-YOLOv10 עם האופטימיזציה האדפטיבית של CLEO של היפרפרמטרים.

המחקר מציע גישה חדשנית המשלבת אלגוריתמים לאופטימיזציה של YOLOv10 ו-CLEO לניתוח מיקרוסקופי אוטומטי של משקעי שתן לשימוש בזמן אמת. YOLOv10 נבחר ליישום משום שהוא מספק ביצועי זיהוי יוצאי דופן עם דיוק, יעילות חישובית ויכולות הסקה בזמן אמת מעולה, מה שהופך אותו למתאים במיוחד לניתוח מיקרוסקופי אוטומטי של משקעי שתן. הוא משפר את יעילות הגילוי מקצה לקצה, מפחית עיבוד לאחר מכן, ומשיג ביצועים גבוהים עבור אובייקטים קטנים ומגוונים. מסגרת זו משתמשת בתהליך אופטימיזציה מטה-היוריסטית לשיפור אופטימיזציה של פרמטרי המודל ועמידות הגילוי, בניגוד לשיטות קיימות מבוססות YOLO המתמקדות רק בשיפורים ארכיטקטוניים. מטרתו לשפר את הדיוק בזיהוי עצמים של משקעי שתן בקטגוריות שונות ולשפר את יעילות ההסקה בסביבה הקלינית. המחקר משער כי אינטגרציה זו תוביל לשיפור דיוק הזיהוי, יציבות התכנסות גבוהה יותר ויעילות חישוב גבוהה יותר, ובסופו של דבר תסייע לאנשי המעבדה למזער עומס עבודה ידני ולהבטיח עקביות ומהירות בבדיקת השתן.

פרוטוקול

הנתונים ששימשו במחקר זה הגיעו ממאגר מחקר ציבורי של תמונות מיקרוסקופיות של משקעי שתן. במהלך המחקר, לא נעשה שימוש במידע אישי המזהה את המטופל. האלמנטים הזמינים מסחרית הקשורים לפרוטוקול זה מופיעים בטבלת החומרים.

רכישת והכנת מאגר נתונים
הושגו תמונות מיקרוסקופיות של משקעי שתן הכוללים תאי דם אדומים (RBCs), תאי דם לבנים, תאי אפיתל, גבישות, יציקים, חיידקים ושמרים. כל התמונות נשמרו בפורמט PNG או JPEG לפי קונבנציות שמות עקביות. תמונות מטושטשות או באיכות ירודה המכילות ארטיפקטים של משקעים לא שלמים הוסרו. תוכנת תיבה חסומה שימשה לאנווטציה ברמת האובייקט של חלקיקי משקעי שתן. לכל סוג משקע הוקצה מספר מחלקה, וההערות יוצאו בפורמט YOLO שכללו את מזהה המחלקה, קואורדינטות המרכז המנורמלות, רוחב תיבת הגבול וגובה הקופסה המוגבלת. איכות ההערות אומתה ידנית על ידי בחירה אקראית של תמונות עם הערות.

מערך הנתונים חולק באקראי לשלוש תת-קבוצות שכללו 70% נתוני אימון, 15% נתוני אימות ו-15% נתוני בדיקות. השתמשנו בפונקציית Python Scikit-learn train_test_split() עם דגימה שכבתית כדי לחלק את מערך הנתונים. כל תת-קבוצה שמרה על ייצוג פרופורציונלי של כל מחלקות המשקעים. חלוקה אקראית שכבתית שימשה למזעור פערי מחלקות בין חלוקות מערכי נתונים. ההתפלגות לפי מחלקות של תמונות לקטגוריות משקעי שתן מוצגת בטבלה 1.

כל התמונות המיקרוסקופיות שונו ל-640 × 640 פיקסלים באמצעות אינטרפולציה ביליניארית עם OpenCV. ערכי עוצמת הפיקסלים נורמל לטווח [0,1]. הגדלת הנתונים בוצעה באמצעות הפיכה אופקית, הפיכה אנכית, סיבוב אקראי (±15°), התאמת בהירות וכיוון ניגודיות במהלך האימון. התמונות המעובדות מראש נשמרו בתיקיות נפרדות של אימון, אימות ובדיקה.

תצורת המערכת
סביבת הניסוי הוגדרה לניתוח משקעי שתן מבוססי למידה עמוקה. הותקנו גרסה 3.10 של פייתון, מסגרת הלמידה העמוקה של PyTorch, ו-CUDA Toolkit גרסה 12.1 להאצת GPU. הותקנו חבילות פייתון נוספות כולל OpenCV, NumPy, Pandas, Matplotlib ו-Scikit-learn. המאגר למימוש YOLOv10 הורד והוגדר לפני הניסוי. חישוב GPU דטרמיניסטי הופעל כאשר ניתן, וכל גרסאות החבילות ששימשו במהלך הניסויים הוקלטו לתמיכה בשחזוריות.

זיהוי משקעי שתן מבוסס YOLOv10
דיאגרמה סכמטית של YOLOv10 מוצגת באיור 1. משקולות YOLOv10 מאומנות מראש שהתאמנו על מאגר הנתונים של COCO נטענו. שכבת הזיהוי הסופית הוחלפה בשכבת פלט מותאמת אישית על ידי החלפת ספירת מחלקות COCO ברירת המחדל בספירת מחלקות משקעי השתן. תצורת זיהוי ללא עוגן יושמה בהתבסס על מבנה YOLOv10.

היפרפרמטרים של האימון אותחלו עם קצב למידה של 0.001, גודל אצווה של 16,300 אפוקים, אופטימייזר AdamW, ודעיכת משקל של 0.0005. הוחל תזמון קצב למידה באמצעות אנילינג קוסינוס, ובמהלך האימונים התאפשרה הפסקה מוקדמת עם ערך סבלנות של 20.

מאגר הנתונים של האימון הוזן לרשת YOLOv10 ליצירת תחזיות קופסאות והסתברויות מחלקות. אובדן לוקליזציה, אובדן סיווג, אובדן ביטחון ואובדן כולל חושבו במהלך האימון. משקלי המודל עודכנו באמצעות התפשטות אחורית ואופטימיזציה של ירידת גרדיאנט. האימות בוצע לאחר כל תקופה באמצעות מאגר הנתונים של הוולידציה.

איור 1: אדריכלות של YOLOv10. ייצוג סכמטי של ארכיטקטורת זיהוי האובייקטים YOLOv10 המשמשת לניתוח אוטומטי של משקעי שתן. האיור ממחיש את רכיבי עמוד השדרה, הצוואר וראש הזיהוי המעורבים בחילוץ תכונות, מיזוג תכונות רב-קנה מידה וזיהוי עצמים ללא עוגן עבור חלקיקי משקע מיקרוסקופיים בשתן. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

אופטימיזציה לבחירת מנהיגי שימפנזים (CLEO)
דיאגרמה סכמטית של CLEO מוצגת באיור 2. מרחב חיפוש האופטימיזציה כלל קצב למידה 0.0001–0.01, גודל אצווה 8–32, מומנטום 0.8–0.99, דעיכת משקל 0.0001–0.001, וסף ביטחון 0.25–0.75. נוצרה אוכלוסיית שימפנזים ראשונית שכללה פתרונות מועמדים אקראיים. YOLOv10 אומן באמצעות היפרפרמטרים המיוצגים על ידי כל שימפנזה מועמד, וביצועי המודל הוערכו באמצעות ממוצע אימות ממוצע דיוק (mAP). פונקציית ההתאמה הוגדרה כך:

כאן, , ומייצגים מקדמי משקל. המועמד השימפנזי עם ציון הכושר הגבוה ביותר נבחר כמנהיג. הפתרונות המועמדים הנותרים עודכנו בהתאם לכללי עדכון המשרות של CLEO. תהליכי חקירה וניצול בוצעו באופן איטרטיבי לזיהוי היפרפרמטרים מיטביים. תהליך האופטימיזציה חזר על עצמו במשך 50 איטרציות או עד שהשיפור <-0.001. המשקלים שהוקצו היו 0.5, 0.25 ו-0.25 . ההיפרפרמטרים האופטימליים שנוצרו על ידי CLEO יושמו במסגרת YOLOv10. הרשת עברה הכשרה מחדש באמצעות מאגר הנתונים המלא של האימון, ומשקלי המודל הביצועים הטובים ביותר נשמרו בהתבסס על ביצועי האימות. תהליך העבודה של המודל המוצע מוצג באיור 3.

איור 2: אלגוריתם אופטימיזציה לבחירות מנהיגי שימפנזים. זרימת העבודה של אלגוריתם האופטימיזציה של CLEO המציגה אתחול פתרונות מועמדים, הערכת התאמה, בחירת מנהיג, אסטרטגיית עדכון חקירה-ניצול, והתכנסות איטרטיבית לאופטימיזציית היפרפרמטרים של מסגרת YOLOv10. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 3: זרימת העבודה של המודל המוצע. זרימת העבודה הכוללת של מסגרת YOLOv10 + CLEO המוצעת לניתוח אוטומטי של משקעי שתן, כולל רכישת מערכי נתונים, עיבוד מוקדם לתמונה, הערות, אימון מודלים, אופטימיזציה מבוססת היפרפרמטרים מבוססת CLEO, זיהוי והערכת ביצועים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הערכת מודלים
מודל YOLOv10 + CLEO האופטימלי נבדק באמצעות מאגר נתונים עצמאי לבדיקה. מדדי הערכת ביצועים שכללו דיוק, דיוק, זיכרון, ציון F1, mAP50 ו-mAP50-95, חושבו. פונקציות מדדים של Scikit-learn שימשו לחישובים. נרשם גם זמן הסקה ממוצע לתמונה. מחלקות המשקעים החזויות הושוו להערות אמת קרקעית כדי ליצור מטריצות בלבול לכל קטגוריות המשקעים. לעיתים קרובות זוהו חלקיקי משקעים שסווגו בטעות בהתבסס על תוצאות הסיווג. מודלים של השוואה כולל YOLOv5, YOLOv8 ו-Faster R-CNN אומנו והוערכו באמצעות מאגר הנתונים UMID תחת תצורות חומרה זהות.

תוצאות

עקומות אובדן האימון והאימות מוצגות באיור 4, המציג את ה-YOLOv10 בשילוב עם מדדי ביצועי CLEO לזיהוי תאי שתן. הדיוק של קופסאות הגבול החזויות לזיהוי תאי שתן נמדד על ידי אובדן הקופסה. השגיאה בחיזוי המחלקה הנכונה נמדדת על ידי אובדן הסיווג (cls). אובדן המוקד המפוזר (DFL) משמש לשיפור דיוק רגרסיית תיבת הגבול. הערכים של כל עקומות האימון נעים בין 1.0 לכ-0.1, מה שמצביע בבירור על שיפור ביצועי המודל עם הזמן. עקומות האימות הראו סטייה מינימלית מעקומות האימון, מה שמרמז על הפח...

דיון

תוצאות מחקר זה מספקות ראיות משכנעות לפוטנציאל של זיהוי וסיווג אוטומטי של רכיבי משקע שתן בעזרת YOLOv10 ו-CLEO בהקשר לאבחון רפואי. המודל המוצע מספק פתרון מהיר ואמין יותר לקבלת החלטות בזמן על ידי אופטימיזציה של היפרפרמטרים של YOLOv10 באמצעות CLEO. המערכת המוצעת מספקת ערכי דיוק, זיכרון, ציון F1 ו-mAP גבוהים לתאי שתן שונים כגון תאי דם אדומים (RBCs), תאי דם לבנים, תאי אפיתל, חיידקים, גבישים וגבסים.

יתרה מזאת, YOLOv10 המשולב עם מודל CLEO עולה על שיטות הניתוח המסורתיו...

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
CUDA Toolkit 12.1	NVIDIA Corporation	גרסה 12.1/ RRID:SCR_018425	פלטפורמת האצת GPU
כלי סימון LabelImg	Tzutalin	RRID:SCR_016189	כלי סימון
Matplotlib	צוות פיתוח Matplotlib	גרסה 3.x	ויזואליזציה של נתונים
NumPy	מפתחי NumPy	גרסה 1.x	חישוב מספרי
OpenCV	OpenCV.org	RRID:SCR_015881	עיבוד ותחזוק תמונות מוקדם וניתוח
Pandas	צוות פיתוח Pandas	גרסה 2.x	טיפול וניתוח נתונים
Python 3.10	קרן התוכנה Python	RRID:SCR_008394	שפת תכנות
PyTorch	קרן PyTorch	RRID:SCR_018536	מסגרת למידת עומק
Scikit-learn	מפתחי scikit-learn	RRID:SCR_002577	כלי למידת מכונה
Ubuntu Linux	Canonical Ltd.	גרסה 22.04	מערכת הפעלה
מסד נתונים מיקרוסקופי של שתן	מאגר מידע ציבורי	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: מסד נתונים מיקרוסקופי של שתן עם אנוטציות נקודתיות ותיבתיות · GitHub	מסד נתונים של תמונות מיקרוסקופיות של שתן
יישום YOLOv10	Ultralytics	YOLOv10: זיהוי אובייקטים בזמן אמת מקצה לקצה | תיעוד Ultralytics	מסגרת לזיהוי אובייקטים