Analisi microscopica automatica delle immagini microscopiche dei sedimenti di urina usando YOLOv10 con ottimizzazione delle elezioni dei leader degli scimpanzé

Sommario

Lo studio propone un modello che utilizza il dataset UMID per rilevare e classificare le cellule urinarie, inclusi globuli rossi, globuli bianchi, cellule epiteliali, cristalli e batteri. Utilizzando YOLOv10 con Chimpanzee Leader Election Optimization, raggiunge l'84% di mAP50 su un sottoinsieme di test, potenzialmente riducendo il carico di lavoro di microscopia manuale nell'analisi clinica delle urine.

Abstract

Per diagnosticare varie malattie urinarie, è fondamentale rilevare con precisione le cellule urinarie. Questo articolo presenta un approccio innovativo per rilevare e classificare le cellule urinarie utilizzando il modello YOLOv10 (You Only Look Once versione 10) integrato con l'algoritmo CLEO. YOLOv10, noto per le sue prestazioni superiori nel rilevamento degli oggetti, è combinato con CLEO, un algoritmo di ottimizzazione ispirato alla natura. Il modello è addestrato sull'Urine Microscopic Image Dataset (UMID), che comprende vari tipi di immagini delle cellule urinarie. Sono stati classificati diversi tipi cellulari, inclusi batteri, cellule epiteliali, globuli rossi, globuli bianco, cristalli e calchi direttamente da immagini microscopiche di campioni di urina. I risultati di test rigorosi mostrano che YOLOv10 integrato con CLEO è uno strumento robusto per l'analisi dei sedimenti urinari, raggiungendo una media di Precision@50 (mAP50) dell'84% e un richiamo del 90%. Pertanto, l'approccio proposto offre notevoli miglioramenti nella velocità e una coerenza rispetto ai metodi tradizionali di analisi dei sedimenti urinari. Il framework può analizzare automaticamente le immagini dei sedimenti di urina in tempo reale con buone prestazioni di rilevamento e ha il potenziale di assistere l'analisi clinica assistita da computer, riducendo così il carico di lavoro dell'analisi e della diagnosi manuale.

Introduzione

Malattie renali, infezioni delle vie urinarie, disturbi metabolici e anomalie sistemiche possono essere rilevate tramite analisi delle urine, che è un processo molto importante di^{diagnosi 1,2}. È essenziale esaminare i sedimenti urinei al microscopio per identificare piccoli costituenti come globuli rossi (RBC), globuli bianchi (WBC), batteri, funghi, calchi,^{ecc. 3}. Tuttavia, l'analisi manuale convenzionale tramite microscopia ottica è laboriosa e dipende dalle competenze del tecnico, potendo portare a variabilità tra osservatori e diagnosi incoerenti in ambienti clinici^{intensi 4,5}.

È necessario un metodo mirato per affrontare le difficoltà nell'esame automatico dei campioni di urina. Le impressionanti prestazioni in tempo reale del deep learning nella localizzazione e classificazione degli oggetti nell'analisi delle immagini rappresentano promettenti per l'imaging medico, specialmente nel campo degli algoritmi di rilevamento oggetti, un esempio importante è la famiglia di algoritmi You Only Look Once (^{YOLO) 6,7,8}. Ricerche precedenti che utilizzavano varianti YOLO hanno incontrato problemi con particelle di urina sovrapposte, variazioni morfologiche delle particelle di urina, squilibrio di classe e scarsa accuratezza delle prestazioni in condizioni^complesse 3,9,10,11. Inoltre, la dipendenza da iperparametri scelti manualmente in questi sistemi basati su YOLO può ostacolare la generalizzazione e l'ottimizzazione del modello.

YOLOv10 è un modello attuale che migliora l'estrazione delle caratteristiche, l'efficienza computazionale e la velocità di inferenza per l'analisi delle immagini in tempo^{reale 12}. Ma le sue prestazioni dipendono dal trovare un insieme ottimale di parametri, che è un problema complesso e non lineare di ottimizzazione e può influenzare la stabilità della convergenza e l'accuratezza del rilevamento. Pertanto, è essenziale applicare un metodo di ottimizzazione efficiente per migliorare le prestazioni dell'approccio nel rilevare i sedimenti urinari microscopici. Questo lavoro di ricerca integra l'algoritmo CLEO, ispirato alla gerarchia sociale degli scimpanzé, per ottimizzare i parametri YOLOv10. CLEO eccelle nell'equilibrare esplorazione e sfruttamento mentre affronta efficacemente le sfide di ottimizzazione ad alta dimensione, superando così le trappole ottimale locali comuni ai metodi^{tradizionali 13,14}. Questa adattamento è importante per l'analisi dei sedimenti delle urine. In questa applicazione, le condizioni di imaging variano, così come la forma e la consistenza delle particelle. In tali condizioni, è necessario fornire prestazioni di rilevamento stabili. CLEO può essere utilizzato in applicazioni cliniche in tempo reale e può raggiungere una convergenza più rapida e risultati di ricerca globali migliori rispetto ad altri algoritmi di ottimizzazione^{comunemente usati 15}.

Qui si tratta dei progressi compiuti nell'analisi delle cellule urinarie tramite deep learning. Nelle prime analisi automatizzate dei sedimenti urini, tecniche tradizionali di elaborazione delle immagini come la soglia e l'estrazione delle caratteristiche venivano applicate in combinazione con classificatori come SVM, k-NN, Decision Trees e l'algoritmo Random Forest 16,17,18,19,20. Queste tecniche ebbero un successo moderato, ma si comportarono male per cellule sovrapposte, diverse condizioni di illuminazione, rumore e morfologie sedimentarie complesse. Inoltre, era necessario un notevole livello di conoscenza del dominio per la costruzione manuale delle funzionalità. L'ascesa del deep learning, in particolare delle Reti Neurali Convoluzionali (CNN), ha notevolmente migliorato l'analisi delle immagini, con architetture come AlexNet e ResNet che hanno raggiunto una maggiore accuratezza nella^{classificazione 21}. Ma la maggior parte dei metodi basati su CNN si concentra ancora sulla classificazione a livello di immagine invece che sulla rilevazione e localizzazione in tempo reale di molte particelle di sedimento nelle immagini microscopiche.

La famiglia di framework di rilevamento oggetti YOLO ha guadagnato popolarità nel campo dell'analisi delle immagini mediche per le loro prestazioni rapide e accurate. Sistemi basati su YOLO come YOLOv3, YOLOv5 e YOLOv8 hanno dimostrato prestazioni in tempo reale accettabili e una migliore localizzazione dei componenti dei sedimenti urinari rispetto a tecniche basate su proposte regionali, come Faster R-CNN e Mask R-CNN 14,15,22. Tuttavia, ci sono difficoltà, tra cui la sensibilità allo squilibrio di classe e una classificazione meno accurata per particelle piccole o simili, oltre all'uso di parametri di addestramento scelti manualmente. Scoperte recenti indicano che la combinazione di tecniche di ottimizzazione metaeuristica come Particle Swarm Optimization (PSO)²³, Genetic Algorithms (GA⁾²⁴, Grey Wolf Optimization (GWO⁾²⁵, Whale Optimization Algorithms (WOA)²⁶ e Ant Colony Optimization (ACO⁾²⁷ con sistemi di deep^{learning 28,29,30,31,32,33} può migliorare l'ottimizzazione degli iperparametri e aumentare l'efficacia dell'addestramento. Tuttavia, queste tecniche di ottimizzazione tradizionali possono rimanere bloccate in un ottimale locale e non esplorare lo spazio delle soluzioni in un mondo ad alta dimensione, portando a una convergenza precoce.

CLEO è un nuovo metodo di ottimizzazione metaeuristica basato sul comportamento sociale degli scimpanzé, che migliora l'equilibrio tra esplorazione e sfruttamento e l'ottimizzazione globale. È stato dimostrato che funziona meglio degli algoritmi tradizionali eliminando minimi locali e attraversando con successo lo spazio delle soluzioni per risolvere problemi complessi, ma non è ancora stato completamente esplorato per applicazioni nella rilevazione di oggetti biomedici e nell'analisi dei sedimenti urinari. I framework esistenti per l'analisi dei sedimenti urini si sono concentrati sul miglioramento dell'architettura di rilevamento o sull'ottimizzazione indipendente e non forniscono molte informazioni su come influenzeranno le prestazioni diagnostiche dell'analisi in tempo reale dei sedimenti di urina.

Alla luce di queste lacune nella letteratura, questa ricerca combina CLEO con l'architettura YOLOv10, che è migliore per la rappresentazione delle caratteristiche e le prestazioni in tempo reale, per automatizzare l'analisi microscopica dei sedimenti di urina. Il framework è progettato per migliorare la precisione e la robustezza della rilevazione, e per essere integrato nei sistemi di analisi delle urine in tempo reale per uso clinico, combinando i benefici della rapida rilevazione degli oggetti da parte di YOLOv10 con l'ottimizzazione adattiva degli iperparametri di CLEO.

Lo studio propone un approccio innovativo che combina algoritmi di ottimizzazione YOLOv10 e CLEO per l'analisi microscopica automatizzata dei sedimenti urinari per un uso in tempo reale. YOLOv10 è stato selezionato per l'implementazione perché offre prestazioni di rilevamento eccezionali con precisione superiore, efficienza computazionale e capacità di inferenza in tempo reale, rendendolo particolarmente adatto all'analisi microscopica automatizzata dei sedimenti delle urine. Migliora l'efficienza del rilevamento end-to-end, riduce la post-elaborazione e raggiunge alte prestazioni per oggetti piccoli e diversi. Questo framework impiega una procedura di ottimizzazione metaeuristica per migliorare l'ottimizzazione dei parametri del modello e la robustezza del rilevamento, a differenza dei metodi esistenti basati su YOLO che si concentrano solo sui miglioramenti architettonici. L'obiettivo è migliorare l'accuratezza della rilevazione da parte degli oggetti dei sedimenti urinari in diverse classi e aumentare l'efficienza dell'inferenza nell'ambiente clinico. La ricerca ipotizza che questa integrazione porterà a una maggiore precisione nel rilevamento, maggiore stabilità della convergenza e maggiore efficienza computazionale, aiutando infine i professionisti di laboratorio a minimizzare il carico di lavoro manuale e garantire coerenza e rapidità nell'analisi delle urine.

Protocollo

I dati utilizzati in questo studio provengono da un database pubblico di ricerca con immagini microscopiche di sedimenti di urina. Durante lo studio, non sono state utilizzate informazioni personali che identificassero il paziente. Gli elementi commercialmente disponibili associati a questo protocollo sono elencati nella Tabella dei Materiali.

Acquisire e preparare il dataset
Sono state ottenute immagini microscopiche di sedimenti urinici comprendenti globuli rossi, globuli bianco, cellule epiteliali, cristalli, calchi, batteri e lievito. Tutte le immagini venivano salvate in formato PNG o JPEG utilizzando convenzioni di denominazione coerenti. Sono state eliminate immagini sfocate o di scarsa qualità contenenti artefatti sedimentari incompleti. Il software di annotazione delle scatole delimitate veniva utilizzato per l'annotazione a livello di oggetto delle particelle di sedimenti di urina. A ogni tipo di sedimento è stato assegnato un numero di classe e le annotazioni sono state esportate in formato YOLO contenente l'identificatore di classe, le coordinate centrali normalizzate, la larghezza della scatola di delimitazione e l'altezza della scatola di delimitazione. La qualità dell'annotazione veniva convalidata manualmente selezionando casualmente immagini annotate.

Il dataset è stato suddiviso casualmente in tre sottoinsiemi composti dal 70% dai dati di addestramento, dal 15% dai dati dalla validazione e dal 15% dai dati dei test. Abbiamo utilizzato la funzione Python Scikit-learn train_test_split() con campionamento stratificato per dividere il dataset. Ogni sottoinsieme manteneva la rappresentazione proporzionale di tutte le classi di sedimenti. La suddivisione casuale stratificata è stata impiegata per minimizzare la disparità di classe tra le partizioni del dataset. La distribuzione per classe delle immagini alle categorie di sedimenti urinari è illustrata nella Tabella 1.

Tutte le immagini microscopiche sono state ridimensionate a 640 × 640 pixel utilizzando interpolazione bilineare con OpenCV. I valori di intensità dei pixel sono stati normalizzati all'intervallo [0,1]. L'aumento dei dati è stato eseguito utilizzando flipping orizzontale, verticale, rotazione casuale (±15°), regolazione della luminosità e regolazione del contrasto durante l'addestramento. Le immagini preprocessate venivano salvate in cartelle separate per addestramento, validazione e test.

Configurazione del sistema
L'ambiente sperimentale è stato configurato per l'analisi dei sedimenti urinari basata su deep learning. Sono stati installati Python versione 3.10, il framework di deep learning PyTorch e CUDA Toolkit versione 12.1 per l'accelerazione GPU. Sono stati installati ulteriori pacchetti Python tra cui OpenCV, NumPy, Pandas, Matplotlib e Scikit-learn. Il repository per l'implementazione di YOLOv10 è stato scaricato e configurato prima della sperimentazione. Il calcolo deterministico per GPU è stato abilitato dove possibile, e tutte le versioni del package utilizzate durante la sperimentazione sono state registrate per supportare la riproducibilità.

Rilevamento dei sedimenti urinari basato su YOLOv10
Un diagramma schematico di YOLOv10 è mostrato nella Figura 1. Sono stati caricati pesi YOLOv10 pre-addestrati sul dataset COCO. Lo strato finale di rilevamento è stato sostituito da uno strato di output personalizzato sostituendo il conteggio predefinito delle classi COCO con quello delle classi di sedimenti delle urine. È stata implementata una configurazione di rilevamento senza ancora basata sulla struttura YOLOv10.

Gli iperparametri di addestramento sono stati inizializzati con un tasso di apprendimento di 0,001, dimensione del lotto di 16.300 epoche, ottimizzatore AdamW e decadimento del peso di 0,0005. È stata applicata la programmazione del tasso di apprendimento con annealing coseno e durante l'addestramento è stata abilitata una fermata anticipata con un valore di pazienza di 20.

Il dataset di addestramento veniva inserito nella rete YOLOv10 per generare previsioni di bounding box e probabilità di classe. Durante l'addestramento venivano calcolate perdite di localizzazione, perdita di classificazione, perdita di fiducia e perdita totale. I pesi dei modelli sono stati aggiornati utilizzando la retropropagazione e l'ottimizzazione della discesa del gradiente. La validazione veniva eseguita dopo ogni epoca utilizzando il dataset di validazione.

Figura 1: Architettura di YOLOv10. Rappresentazione schematica dell'architettura di rilevamento oggetti YOLOv10 utilizzata per l'analisi automatizzata dei sedimenti delle urine. La figura illustra la colonna vertebrale, il collo e i componenti della testa di rilevamento coinvolti nell'estrazione delle caratteristiche, nella fusione multiscala delle caratteristiche e nella rilevazione di oggetti senza ancora per particelle microscopiche di sedimenti urinari. Clicca qui per visualizzare una versione più grande di questa figura.

Ottimizzazione delle Elezioni dei Leader Scimpanzé (CLEO)
Un diagramma schematico di CLEO è mostrato nella Figura 2. Lo spazio di ricerca di ottimizzazione includeva tasso di apprendimento 0,0001–0,01, dimensione del lotto 8–32, quantità di movimento 0,8–0,99, decadimento del peso 0,0001–0,001 e soglia di confidenza 0,25–0,75. È stata generata una popolazione iniziale di scimpanzé contenente soluzioni candidate casuali. YOLOv10 è stato addestrato utilizzando iperparametri rappresentati da ciascun scimpanzé candidato, e le prestazioni del modello sono state valutate utilizzando la Precisione Media (mAP) di validazione. La funzione di fitness è stata definita come:

Qui, , e rappresentano i coefficienti di pesatura. Il candidato scimpanzé con il punteggio di fitness più alto veniva selezionato come leader. Le restanti soluzioni candidate sono state aggiornate secondo le regole di aggiornamento delle posizioni CLEO. I processi di esplorazione e sfruttamento venivano eseguiti iterativamente per identificare iperparametri ottimali. Il processo di ottimizzazione è stato ripetuto per 50 iterazioni o fino a quando il miglioramento della fitness < 0,001. I pesi assegnati erano 0,5, 0,25 e 0,25. Gli iperparametri ottimali generati da CLEO sono stati applicati al framework YOLOv10. La rete è stata riaddestrata utilizzando il dataset completo di addestramento, e i pesi del modello con le migliori prestazioni sono stati salvati in base alle prestazioni di validazione. Il flusso di lavoro del modello proposto è illustrato nella Figura 3.

Figura 2: Algoritmo di ottimizzazione delle elezioni dei leader degli scimpanzé. Flusso di lavoro dell'algoritmo di ottimizzazione CLEO che mostra l'inizializzazione delle soluzioni candidate, la valutazione della fitness, la selezione del leader, la strategia di aggiornamento esplorazione-sfruttamento e la convergenza iterativa per l'ottimizzazione degli iperparametri del framework YOLOv10. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Flusso di lavoro del modello proposto. Flusso di lavoro complessivo del framework proposto YOLOv10 + CLEO per l'analisi automatizzata dei sedimenti di urina, inclusa acquisizione di dataset, preprocessing delle immagini, annotazione, addestramento del modello, ottimizzazione degli iperparametri basata su CLEO, rilevamento e valutazione delle prestazioni. Clicca qui per visualizzare una versione più grande di questa figura.

Valutazione del modello
Il modello ottimizzato YOLOv10 + CLEO è stato testato utilizzando il dataset di test indipendente. Sono state calcolate metriche di valutazione delle prestazioni, tra cui accuratezza, precisione, richiamo, punteggio F1, mAP50 e mAP50-95. Per i calcoli venivano utilizzate funzioni di metriche scikit-learn. È stato anche registrato il tempo medio di inferenza per immagine. Le classi di sedimenti previste sono state confrontate con annotazioni di verità sul terreno per generare matrici di confusione per tutte le categorie di sedimenti. Particelle di sedimento frequentemente classificate erroneamente sono state identificate sulla base dei risultati della classificazione. Modelli di confronto tra cui YOLOv5, YOLOv8 e Faster R-CNN sono stati addestrati e valutati utilizzando il dataset UMID sotto configurazioni hardware identiche.

Risultati

Le curve di perdita di addestramento e validazione sono mostrate nella Figura 4, che mostra lo YOLOv10 combinato con le metriche di performance CLEO per il rilevamento delle cellule urinarie. L'accuratezza delle scatole di delimitazione previste per il rilevamento delle cellule urinarie è misurata dalla perdita di scatole. L'errore nella previsione della classe corretta è misurato dalla perdita di classificazione (cls). La perdita focale distribuita (dfl) vi...

Discussione

I risultati di questo studio forniscono prove convincenti del potenziale della rilevazione e classificazione automatica dei componenti dei sedimenti urinari con l'aiuto di YOLOv10 e CLEO nel contesto della diagnostica medica. Il modello proposto offre una soluzione più rapida e affidabile per prendere decisioni tempestive ottimizzando gli iperparametri YOLOv10 con CLEO. Il sistema proposto fornisce alta precisione, richiamo, F1-score e valori di mAP per varie cellule urinarie come globul...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
CUDA Toolkit 12.1	NVIDIA Corporation	Versione 12.1/ RRID:SCR_018425	Piattaforma di accelerazione GPU
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Strumento di annotazione
Matplotlib	Matplotlib Development Team	Versione 3.x	Visualizzazione dei dati
NumPy	NumPy Developers	Versione 1.x	Calcolo numerico
OpenCV	OpenCV.org	RRID:SCR_015881	Pre-elaborazione e analisi delle immagini
Pandas	Pandas Development Team	Versione 2.x	Gestione e analisi dei dati
Python 3.10	Python Software Foundation	RRID:SCR_008394	Lingua di programmazione
PyTorch	PyTorch Foundation	RRID:SCR_018536	Framework di apprendimento profondo
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Utilità di apprendimento automatico
Ubuntu Linux	Canonical Ltd.	Versione 22.04	Sistema operativo
Urine Sediment Microscopic Dataset	Riserva dati pubblica	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset con annotazioni di punti e caselle · GitHub	Set di dati di immagini microscopiche delle urine
Implementazione YOLOv10	Ultralytics	YOLOv10: Rilevamento degli oggetti end-to-end in tempo reale | Documentazione Ultralytics	Framework di rilevamento degli oggetti