YOLOv10を用いたチンパンジーリーダー選択最適化を用いた自動尿堆積物顕微鏡画像解析

サマリー

本研究は、UMIDデータセットを活用して、赤血球、白血球、上皮細胞、結晶、細菌などの尿細胞を検出・分類するモデルを提案しています。YOLOv10とチンパンジーリーダー選択最適化を組み合わせ、テストサブセットで84%のmAP50を達成し、臨床尿検査における手動顕微鏡検査の負担軽減に寄与する可能性があります。

要約

さまざまな尿路疾患を診断するためには、尿細胞を正確に検出することが不可欠です。本論文は、CLEOアルゴリズムと統合されたYOLOv10(You Only Look TOnce version 10)モデルを用いて尿細胞の検出と分類に新しいアプローチを提案します。物体検出で優れた性能で知られるYOLOv10は、自然に着想を得た最適化アルゴリズムであるCLEOと組み合わせられています。このモデルは、さまざまな種類の尿細胞画像を含む尿顕微鏡画像データセット(UMID)上で訓練されています。細菌、上皮細胞、赤血球、白血球、結晶、そして尿サンプルの顕微鏡画像から直接検出された鋳造物など、複数の細胞タイプが分類されています。厳密な試験の結果、CLEOと統合されたYOLOv10は尿堆積物分析において堅牢なツールであり、平均平均Precision@50(mAP50)84%、リコール率90%を達成しています。したがって、提案された手法は従来の尿堆積物分析手法と比べて、速度と一貫性を大幅に向上させます。このフレームワークは尿沈殿物画像をリアルタイムで自動解析でき、良好な検出性能を持ち、コンピュータ支援の臨床尿検査を支援する可能性を秘めており、手動分析や診断の負担を軽減する可能性があります。

概要

腎臓病、尿路感染症、代謝障害、全身異常は尿検査によって検出でき、これは診断において非常に重要なプロセスです^1,2。赤血球(RBC)、白血球(WBC)、細菌、真菌、カプスなどの微小成分を特定するために、尿の堆積物を顕微鏡で観察することが不可欠です。³。しかし、従来の光学顕微鏡による手動分析は労力がかかり、技術者の技術に依存し、混雑した臨床環境下で観察者間のばらつきや診断の一貫性の欠如を引き起こす^{可能性があります。}

尿サンプルの自動検査の困難に対処するための的確な手法が必要です。画像解析における物体の位置特定や分類におけるディープラーニングの驚異的なリアルタイム性能は、特に物体検出アルゴリズムの分野で医療画像に期待を寄せています。代表的な例が「You Only Look Once(YOLO)」シリーズの^{アルゴリズム6、7、8}です。YOLOバリアントを用いた従来の研究では、尿粒子の重複、尿粒子の形態変異、クラスの不均衡、複雑な条件3,9,10,11における性能精度の低下などが問題視されてきました。さらに、これらのYOLOベースのシステムで手動で選んだハイパーパラメータに依存することは、モデルの一般化や最適化を妨げる可能性があります。

YOLOv10は、リアルタイム画像解析において特徴抽出、計算効率、推論速度を向上させる現在のモデル^です。しかし、その性能は最適パラメータ集合の発見に依存しており、これは複雑で非線形な最適化問題であり、収束の安定性や検出の精度に影響を与えることがあります。したがって、微細な尿堆積物の検出においてこの手法の性能を向上させるために効率的な最適化手法を適用することが不可欠です。本研究はチンパンジーの社会的階層に触発されたCLEOアルゴリズムを統合し、YOLOv10パラメータを最適化しています。CLEOは探索と活用のバランスを取る一方で、高次元最適化の課題を効果的に乗り越えることに優れており、従来の手法に共通する局所最適トラップを克服します(^13,14)。この適応は尿堆積物分析において重要です。この用途では、イメージング条件や粒子の形状や質感が異なります。このような条件下では、安定した検出性能を提供することが求められます。CLEOはリアルタイムの臨床応用にも利用可能で、他の一般的に使われる最適化アルゴリズムよりも高速な収束とより良いグローバル検索結果を実現できます(¹⁵)。

深層学習を用いた尿細胞解析の進展については、こちらで紹介します。初期の自動尿堆積物解析では、閾値測定や特徴抽出などの従来の画像処理技術が、SVM、k-NN、意思決定木、ランダムフォレストアルゴリズム16,17,18,19,20などの分類器と組み合わせて適用されました。これらの技術は一定の成功を収めましたが、重なり合う細胞、異なる照明条件、ノイズ、複雑な堆積物形態に対しては性能が低かったです。さらに、特徴関数の手動構築にはかなりのドメイン知識が必要でした。深層学習、特に畳み込みニューラルネットワーク(CNN)の台頭により、画像解析が大幅に向上し、AlexNetやResNetのようなアーキテクチャは分類精度の向上を実現しました²¹。しかし、多くのCNNベースの手法は依然として画像レベルの分類に焦点を当てており、顕微鏡画像における多くの堆積物粒子のリアルタイム検出や局在化には重点を置いています。

YOLOファミリーのオブジェクト検出フレームワークは、その高速かつ正確な性能から医療画像解析分野で人気を集めています。YOLOv3、YOLOv5、YOLOv8などのYOLOベースのシステムは、Faster R-CNNやMask^{R-CNN 14, 15, 22}などの領域提案に基づく技術と比較して、許容可能なリアルタイム性能と尿堆積物成分の局在化の改善を示しました。しかし、クラスの不均衡に対する感度や、小型または類似粒子の分類精度の低下、手動で選択された訓練パラメータの使用など、困難があります。最近の研究結果では、パーティクルスウォーム最適化(PSO)²³、遺伝的アルゴリズム(GA)²⁴、グレイウルフ最適化(GWO)²⁵、クジラ最適化アルゴリズム(WOA)²⁶、アリコロニー最適化(ACO)²⁷などのメタヒューリスティック最適化手法を、ディープラーニングシステム^{28,29,30,31,32,33}と組み合わせることが示されていますハイパーパラメータの最適化を改善し、トレーニングの効果を高めることができます。しかしながら、これらの従来の最適化手法は局所最適解にとどまり、高次元世界での解空間の探索に失敗し、早期収束を招くことがあります。

CLEOはチンパンジーの社会的行動に基づく新しいメタヒューリスティック最適化手法であり、探索と利用のバランスとグローバル最適化を改善します。局所最小値を排除し、解空間を横断して複雑な問題を解決するという従来のアルゴリズムよりも優れた性能を示すことが示されていますが、生物医学物体検出や尿堆積物分析への応用はまだ十分に探求されていません。既存の尿堆積物分析フレームワークは、検出アーキテクチャの改善か独立して最適化することに重点を置いており、リアルタイム尿堆積物分析の診断性能にどのような影響を与えるかについてあまり洞察を与えていません。

これらの文献の空白を踏まえ、本研究ではCLEOとYOLOv10アーキテクチャを組み合わせ、特徴表現とリアルタイム性能により優れ、尿堆積物顕微鏡解析を自動化します。このフレームワークは検出の精度と堅牢性を向上させることを目的としており、臨床用にリアルタイムの尿検査システムに統合されることを目指しています。YOLOv10の高速な物体検出の利点とCLEOのハイパーパラメータの適応最適化の利点を組み合わせています。

本研究は、YOLOv10とCLEO最適化アルゴリズムを組み合わせた、尿堆積物の自動顕微鏡分析をリアルタイムで利用するための新しいアプローチを提案します。YOLOv10は、優れた検出性能と優れた精度、計算効率、リアルタイム推論能力を提供し、自動尿堆積物顕微鏡画像解析に適しているため、実装に選ばれました。エンドツーエンドの検出効率を向上させ、後処理を削減し、小型で多様な対象に対して高い性能を実現します。このフレームワークは、既存のYOLOベースの手法とは異なり、メタヒューリスティック最適化手法を用いてモデルパラメータの最適化と検出の堅牢性を向上させています。これは、尿堆積物の物体検出の精度を高め、臨床環境での推論効率を高めることを目的としています。研究は、この統合が検出精度の向上、収束安定性の向上、計算効率の向上につながり、最終的には検査室の専門家が手作業の負担を最小限に抑え、尿検査の一貫性と迅速性を確保するのに役立つと仮説を立てています。

プロトコル

本研究で使用されたデータは、公的な研究データベースの顕微鏡下尿堆積物画像から得られました。研究中、患者を特定できる個人情報は一切使用されませんでした。このプロトコルに関連する市販の要素は材料 表に記載されています。

データセットの取得と準備
赤血球、白血球、上皮細胞、結晶、鋳造物、細菌、酵母を含む顕微鏡下の尿堆積物画像を取得しました。すべての画像は、一貫した命名規則でPNGまたはJPEG形式で保存されました。ぼやけた画像や画質の悪い堆積物の遺物は除去されました。バウンディングボックス注釈ソフトウェアは、尿堆積物粒子のオブジェクトレベルの注釈に使用されました。各堆積物タイプにはクラス番号が割り当てられ、クラス識別子、正規化された中心座標、バウンディングボックス幅、バウンディングボックス高さを含む注釈がYOLO形式でエクスポートされました。注釈の品質は、注釈付き画像をランダムに選択することで手動で検証されました。

データセットは、70%がトレーニングデータ、15%が検証データ、15%がテストデータという3つのサブセットにランダムに分割されました。私たちはPython Scikit-learn train_test_split()関数と階層化サンプリングを使ってデータセットを分割しました。各部分集合はすべての堆積物クラスの比例代表を維持していました。階層化されたランダムスプリティングを用いて、データセット間のクラス格差を最小化しました。尿堆積物カテゴリーに対する画像のクラス別分布は 表1に示されています。

すべての顕微鏡画像はOpenCVを用いたバイリニア補間を用いて640×640ピクセルにリサイズされました。ピクセル強度の値は範囲[0,1]に正規化されました。トレーニング中の水平反転、垂直反転、ランダム回転(±15°)、明るさ調整、コントラスト調整を用いてデータ増強を行いました。前処理された画像は、トレーニング、検証、テストの各フォルダに別々に保存されました。

システム構成
実験環境は深層学習を用いた尿堆積物解析のために構成されました。Pythonバージョン3.10、PyTorchのディープラーニングフレームワーク、そしてGPUアクセラレーション用のCUDA Toolkitバージョン12.1がインストールされました。OpenCV、NumPy、Pandas、Matplotlib、Scikit-learnなどの追加のPythonパッケージもインストールされました。YOLOv10実装のリポジトリは実験前にダウンロード・設定されました。可能な限り決定的GPU計算が可能となり、実験中に使用されたすべてのパッケージバージョンは再現性をサポートするために記録されました。

YOLOv10ベースの尿堆積物検出
YOLOv10の回路図は 図1に示されています。COCOデータセット上で学習した事前学習済みYOLOv10の重みを読み込みました。最終的な検出層は、デフォルトのCOCOクラスカウントを尿沈殿物クラスカウントに置き換えるカスタム出力レイヤーに置き換えられました。YOLOv10構造に基づくアンカーフリー検出構成が実装されました。

トレーニングハイパーパラメータは学習率0.001、バッチサイズ16、300エポーク、AdamW最適化器、ウェイト減衰0.0005で初期化されました。コサインアニーリング学習率スケジューリングが適用され、トレーニング中に忍耐値20での早期停止が可能になりました。

訓練データセットはYOLOv10ネットワークに入力され、バウンディングボックス予測とクラス確率を生成しました。訓練中に局在損失、分類損失、信頼度損失、全損失を計算しました。モデルの重みは逆伝播および勾配降下最適化を用いて更新されました。検証は各エポック後に検証データセットを用いて実施されました。

図1:YOLOv10のアーキテクチャ。 自動尿堆積物分析に使用されるYOLOv10物体検出アーキテクチャの回路図表現。図は、微小な尿堆積物粒子の特徴抽出、多スケール特徴融合、アンカーフリーオブジェクト検出に関与する背骨、首、検出ヘッドの構成要素を示しています。 この図の拡大版はこちらをクリックしてご覧ください。

チンパンジーリーダー選挙最適化(CLEO)
CLEOの概略図は 図2に示されています。最適化探索空間には学習率0.0001–0.01、バッチサイズ8–32、運動量0.8–0.99、重み減衰0.0001–0.001、信頼度閾値0.25–0.75が含まれていました。ランダムな候補解を含む初期チンパンジー集団が生成されました。YOLOv10は各候補チンパンジーで表されるハイパーパラメータを用いて訓練され、モデルのパフォーマンスは検証平均精度(mAP)を用いて評価されました。適応度関数は次のように定義されました:

ここで、 、 は重み付け係数を表します。最も高いフィットネススコアを持つチンパンジー候補がリーダーに選ばれました。残りの候補者解答はCLEOのポジション更新ルールに従って更新されました。最適なハイパーパラメータを特定するために探索と活用プロセスを反復的に実施しました。最適化プロセスは50回の反復、または適合度改善が0.001<まで繰り返しました。割り当てられた重みは 0.5、 0.25、 0.25でした。最適なCLEO生成ハイパーパラメータがYOLOv10フレームワークに適用されました。ネットワークは完全なトレーニングデータセットを用いて再学習され、検証性能に基づいて最も性能の良いモデルの重みが保存されました。提案モデルのワークフローは 図3に示されています。

図2:チンパンジーリーダー選挙最適化アルゴリズム。 CLEO最適化アルゴリズムのワークフロー:候補解の初期化、適合度評価、リーダー選択、探索・活用更新戦略、そしてYOLOv10フレームワークのハイパーパラメータ最適化のための反復収束。 この図の拡大版はこちらをクリックしてご覧ください。

図3:提案モデルのワークフロー。 提案されたYOLOv10 + CLEOフレームワークの尿泥砂分析全体のワークフローは、データセット取得、画像前処理、注釈付け、モデルトレーニング、CLEOベースのハイパーパラメータ最適化、検出、性能評価を含みます。 この図の拡大版はこちらをクリックしてご覧ください。

モデル評価
最適化されたYOLOv10 + CLEOモデルは独立したテストデータセットを用いてテストされました。精度、精度、リコール率、F1スコア、mAP50、mAP50-95などのパフォーマンス評価指標が計算されました。計算にはScikit-learnの指標関数が使用されました。画像ごとの平均推論時間も記録されました。予測された堆積物クラスを地中注釈と比較し、すべての堆積物カテゴリーに対して混同行列を生成しました。分類結果に基づき、しばしば誤分類された堆積物粒子が特定されました。YOLOv5、YOLOv8、Faster R-CNNなどの比較モデルは、同一のハードウェア構成のもとでUMIDデータセットを用いて訓練・評価されました。

結果

トレーニングおよび検証損失曲線は 図4に示されており、YOLOv10とCLEOのパフォーマンス指標を組み合わせた尿細胞検出が示されています。尿細胞検出のための予測バウンディングボックスの精度はボックスロスによって測定されます。正しいクラスの予測誤差は分類損失(cls)によって測定されます。分布焦点損失(dfl)はバウンディングボックス回帰の精度向上に用いられます。すべてのトレーニングカーブの値は1.0からおよそ0.1まで変動しており、これは時間とともにモデルのパフォーマンスが向上していることを明確に示しています。検証曲線は訓練曲線からの発散が最小限であり、過学習の減少とモデルの一般化能力の向上を示唆しました。したがって、モデルはバウンディングボックス予測、分類、訓練および検証損失における焦点損失において着実な改善を達成していると結論づけられます。結果は提案モデルが良好に学習していることを示しており、時間とともに損失が減少していることが示されています。

訓練...

ディスカッション

本研究の結果は、YOLOv10およびCLEOを用いて尿堆積物成分の自動検出および分類の可能性を医学診断の文脈で示す説得力のある証拠を提供しています。提案されたモデルは、CLEOを用いてYOLOv10ハイパーパラメータを最適化することで、より迅速かつ信頼性の高い意思決定ソリューションを提供します。提案されたシステムは、赤血球、白血球、上皮細胞、細菌、結晶、鋳物など様々な尿細胞に対して高精度、呼び戻し、F1スコア、mAP値を提供します。

さらに、CLEOモデルと統合されたYOLOv10は、YOLOv5、YOLOv8、Faster R-CNN、EfficientDet、DETRなどの従来の解析手法を上回り、すべてのクラスで84%のmA50を達成し、臨床現場での実用的な導入が可能です。提案された手法は、進化的最適化技術と現代的な物体検出システムを組み合わせることで、臨床的に重要な微小粒子の収束挙動と検出効率を向上させることを示しています。この結果は、将来的にコンピュータ支援尿検査システムでの利用に大きな可能性を示唆しており...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
CUDA Toolkit 12.1	NVIDIA Corporation	バージョン 12.1/ RRID:SCR_018425	GPU アクセラレーションプラットフォーム
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	アノテーションツール
Matplotlib	Matplotlib Development Team	バージョン 3.x	データ可視化
NumPy	NumPy Developers	バージョン 1.x	数値計算
OpenCV	OpenCV.org	RRID:SCR_015881	画像の前処理と分析
Pandas	Pandas Development Team	バージョン 2.x	データの取り扱いと分析
Python 3.10	Python Software Foundation	RRID:SCR_008394	プログラミング言語
PyTorch	PyTorch Foundation	RRID:SCR_018536	ディープラーニングフレームワーク
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	機械学習ユーティリティ
Ubuntu Linux	Canonical Ltd.	バージョン 22.04	オペレーティングシステム
Urine Sediment Microscopic Dataset	公開データセットリポジトリ	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset with point and box annotations · GitHub	尿顕微鏡画像データセット
YOLOv10 implementation	Ultralytics	YOLOv10: Real-Time End-to-End Object Detection | Ultralytics Docs	物体検出フレームワーク