YOLOv10을 이용한 침팬지 리더 선거 최적화를 이용한 자동 소변 퇴적물 현미경 이미지 분석

요약

이 연구는 UMID 데이터셋을 활용해 적혈구, 백혈구, 상피세포, 결정, 박테리아 등 소변 세포를 검출하고 분류하는 모델을 제안합니다. YOLOv10과 침팬지 리더 선별 최적화를 적용하여 검사 하위 집합에서 84% mAP50을 달성하여 임상 소변 검사에서 수동 현미경 작업 부담을 줄일 수 있습니다.

초록

다양한 요로 질환을 진단하기 위해서는 소변 세포를 정확히 검출하는 것이 필수적입니다. 이 논문은 YOLOv10(You Only Look Version 10) 모델을 CLEO 알고리즘과 통합하여 소변 세포를 검출하고 분류하는 새로운 접근법을 제시합니다. 객체 탐지에서 우수한 성능으로 알려진 YOLOv10은 자연에서 영감을 받은 최적화 알고리즘인 CLEO와 결합되었습니다. 이 모델은 다양한 유형의 소변 세포 이미지를 포함하는 소변 현미경 이미지 데이터셋(UMID)을 기반으로 학습됩니다. 박테리아, 상피세포, 적혈구, 백혈구, 결정, 그리고 소변 샘플의 현미경 이미지를 직접 통해 분류된 여러 세포 유형이 있습니다. 엄격한 테스트 결과, CLEO와 통합된 YOLOv10은 소변 퇴적물 분석에 강력한 도구임을 보여주며, 평균 평균 Precision@50(mAP50)는 84%, 리콜율은 90%입니다. 따라서 제안된 접근법은 기존의 소변 퇴적물 분석 방법에 비해 속도와 일관성을 크게 향상시킨다. 이 프레임워크는 우수한 검출 성능으로 실시간으로 소변 침전물 이미지를 자동으로 분석할 수 있으며, 컴퓨터 지원 임상 소변 분석을 지원하여 수동 분석 및 진단 작업을 줄일 수 있습니다.

서론

신장 질환, 요로 감염, 대사 장애, 전신 이상은 진단에 매우 중요한 소변 검사를 통해 발견할 수 있습니다 ^1,2. 적혈구(RBC), 백혈구(WBC), 박테리아, 곰팡이, 석고형 등과 같은 작은 성분을 식별하기 위해 현미경으로 소변 침전물을 검사하는 것이^{필수적입니다.} 그러나 전통적인 광학 현미경 수동 분석은 노동 집약적이며 기술자의 기술에 의존하므로 관찰자 간 변동성과 바쁜 임상 환경에서 일관성 없는 진단을 초래할 수 있습니다 ^4,5.

소변 샘플 자동 검사의 어려움을 해결하기 위해 표적 방법이 필요합니다. 객체 위치 파악과 이미지 분석에서 딥러닝의 인상적인 실시간 성능은 의료 영상, 특히 객체 탐지 알고리즘 분야에서 가능성을 제시합니다. 대표적인 예는 You Only Look Once(YOLO) 알고리즘^{6, 7, 8} 계열입니다. YOLO 변이체를 사용한 이전 연구들은 중복되는 소변 입자, 소변 입자의 형태학적 변이, 클래스 불균형, 복잡한 조건 3,9,10,11에서의 낮은 성능 정확도 문제를 직면했습니다. 또한, 이러한 YOLO 기반 시스템에서 수동 선택 하이퍼파라미터에 의존하면 모델 일반화와 최적화가 방해받을 수 있습니다.

YOLOv10은 실시간 이미지 분석을 위한 특징 추출, 계산 효율성, 추론 속도를 향상시키는 최신^{모델입니다.} 하지만 성능은 최적의 매개변수 집합을 찾는 데 달려 있으며, 이는 복잡하고 비선형 최적화 문제이며 수렴의 안정성과 검출 정확도에 영향을 미칠 수 있습니다. 따라서 미세한 소변 퇴적물 검출 성능을 향상시키기 위해 효율적인 최적화 방법을 적용하는 것이 필수적입니다. 이 연구는 침팬지 사회적 계층에서 영감을 받은 CLEO 알고리즘을 통합하여 YOLOv10 매개변수를 최적화합니다. CLEO는 탐색과 활용의 균형을 맞추면서도 고차원 최적화 과제를 효과적으로 헤쳐 나가, 전통적인 방법에서 흔히 볼 수 있는 국소 최적 함정을 극복하는 데 탁월하다^13,14. 이러한 적응은 소변 퇴적물 분석에 중요합니다. 이 응용에서는 영상 조건뿐만 아니라 입자의 형태와 질감도 다양합니다. 이러한 조건에서는 안정적인 검출 성능을 제공해야 합니다. CLEO는 실시간 임상 응용에 활용될 수 있으며, 다른 일반적으로 사용되는 최적화 알고리즘보다 더 빠른 수렴과 더 나은 글로벌 검색 결과를 달성할 수 있습니다¹⁵.

딥러닝을 이용한 소변 세포 분석의 진전은 여기에서 다루고 있습니다. 초기 자동화된 소변 퇴적물 분석에서는 임계값 조정과 특징 추출과 같은 전통적인 이미지 처리 기법이 SVM, k-NN, 결정 트리, 랜덤 포레스트 알고리즘^{16, 17, 18, 19, 20}과 같은 분류기와 결합되어 적용되었습니다. 이 기법들은 중간 정도의 성공을 거두었으나, 겹치는 세포, 다양한 조명 조건, 노이즈, 복잡한 퇴적물 형태에는 부진한 성과를 냈다. 또한, 수작업으로 특징을 만드는 데 상당한 수준의 도메인 지식이 필요했습니다. 딥러닝, 특히 합성곱신경망(CNN)의 부상으로 이미지 분석이 크게 향상되었으며, AlexNet과 ResNet과 같은 아키텍처는 분류 정확도를 크게 향상시켰습니다²¹. 하지만 대부분의 CNN 기반 방법은 여전히 현미경 이미지에서 많은 퇴적물 입자를 실시간으로 검출하고 위치 지정하기보다는 이미지 수준 분류에 집중하고 있습니다.

YOLO 계열의 객체 감지 프레임워크는 빠르고 정확한 성능으로 인해 의료 영상 분석 분야에서 인기를 얻고 있습니다. YOLOv3, YOLOv5, YOLOv8과 같은 YOLO 기반 시스템은 Faster R-CNN과 Mask^{R-CNN 14, 15, 22}와 같은 영역 제안 기반 기법에 비해 실시간 성능과 소변 퇴적물 성분의 위치 확인 개선을 입증했습니다. 하지만 클래스 불균형에 대한 민감도와 작거나 유사한 입자에 대한 분류 정확도 저하, 수동 학습 매개변수 사용 등 어려움이 존재합니다. 최근 연구 결과에 따르면, 입자 군집 최적화(PSO)²³, 유전 알고리즘(GA)²⁴, 회색늑대 최적화(GWO)²⁵, 고래 최적화 알고리즘(WOA)²⁶, 개미 군집 최적화(ACO)²⁷과 같은 메타휴리스틱 최적화 기법 을 딥러닝 시스템 28,29,30,31,32,33과 결합하였다 하이퍼파라미터 최적화를 개선하고 훈련의 효과를 높일 수 있습니다. 그럼에도 불구하고, 이러한 전통적인 최적화 기법들은 국소 최적에 갇혀 고차원 세계에서 해의 공간을 탐구하지 못할 수 있어 조기 수렴으로 이어질 수 있습니다.

CLEO는 침팬지의 사회적 행동을 기반으로 한 새로운 메타휴리스틱 최적화 방법으로, 탐사-활용 균형과 전역 최적화를 향상시킵니다. 국소 최소값을 제거하고 복잡한 문제를 성공적으로 해결하기 위해 해의 공간을 통과함으로써 전통적인 알고리즘보다 더 우수한 성능을 보이는 것으로 나타났으나, 아직 생의학 대상 탐지와 소변 퇴적물 분석에 대한 적용이 완전히 탐구되지는 않았습니다. 기존의 소변 퇴적물 분석 프레임워크는 검출 아키텍처를 개선하거나 독립적으로 최적화하는 데 집중해 왔으며, 실시간 소변 침전물 분석의 진단 성능에 어떤 영향을 미칠지에 대한 통찰을 제공하지 못합니다.

이러한 문헌 공백을 고려하여, 본 연구는 특징 표현과 실시간 성능이 더 뛰어난 YOLOv10 아키텍처를 결합하여 소변 퇴적물 현미경 분석을 자동화하는 방식을 도입했습니다. 이 프레임워크는 검출 정확도와 견고성을 향상시키기 위해 설계되었으며, 임상 사용을 위한 실시간 소변 분석 시스템에 통합되어 YOLOv10의 빠른 물체 탐지와 CLEO의 하이퍼파라미터 적응 최적화 기능을 결합합니다.

이 연구는 YOLOv10과 CLEO 최적화 알고리즘을 결합한 실시간 사용을 위한 자동 현미경 분석을 위한 새로운 접근법을 제안합니다. YOLOv10은 뛰어난 정확도, 계산 효율성, 실시간 추론 능력을 갖춘 뛰어난 검출 성능을 제공하여 자동화된 소변 퇴적물 현미경 이미지 분석에 적합하기 때문에 구현 대상이 되었습니다. 종단 간 탐지 효율을 높이고, 후처리를 줄이며, 작고 다양한 객체에 대해 높은 성능을 달성합니다. 이 프레임워크는 기존의 YOLO 기반 방법과 달리 아키텍처 개선에만 집중하는 것과 달리, 모델 매개변수 최적화와 탐지의 견고성을 향상시키기 위해 메타휴리스틱 최적화 절차를 사용합니다. 이 연구는 다양한 등급의 소변 침전물에 대한 물체 검출의 정확성을 높이고, 임상 환경에서 추론의 효율성을 높이는 것을 목표로 합니다. 연구는 이러한 통합이 검출 정확도 향상, 수렴 안정성 향상, 계산 효율성 향상으로 이어져, 궁극적으로 실험실 전문가들이 수작업 부담을 최소화하고 소변 검사의 일관성과 속도를 보장하는 데 도움을 줄 것이라고 가설을 세웠습니다.

프로토콜

이 연구에 사용된 데이터는 미세 소변 퇴적물 이미지 공개 연구 데이터베이스에서 가져왔습니다. 연구 기간 동안 환자를 식별하는 개인 정보는 사용되지 않았습니다. 이 프로토콜과 관련된 상업적으로 이용 가능한 요소들은 재료표에 나열되어 있습니다.

데이터셋 획득 및 준비
적혈구, 백혈구, 상피세포, 결정, 석조물, 박테리아, 효모를 포함한 현미경 소변 퇴적물 영상을 획득하였습니다. 모든 이미지는 일관된 명명 규칙을 사용하여 PNG 또는 JPEG 형식으로 저장되었습니다. 불완전한 퇴적물 유물이 포함된 흐릿하거나 화질이 낮은 이미지는 제거되었습니다. 경계 상자 주석 소프트웨어는 소변 퇴적물 입자의 객체 수준 주석 작성에 사용되었습니다. 각 퇴적물 유형에는 클래스 번호가 할당되었고, 주석은 클래스 식별자, 정규화된 중심 좌표, 바운딩 박스 너비, 바운딩 박스 높이를 포함한 YOLO 형식으로 내보내졌습니다. 주석 품질을 수동으로 검증하여 무작위로 주석이 달린 이미지를 선택했습니다.

데이터셋은 무작위로 70%가 훈련 데이터, 15%가 검증 데이터, 15%가 테스트 데이터로 구성된 세 개의 하위 집합으로 나뉘었습니다. 우리는 Python Scikit-learn train_test_split() 함수와 층별 표본 추출을 사용해 데이터셋을 나누었습니다. 각 하위 집합은 모든 퇴적물 클래스에 대해 비례 대표를 유지했다. 계층화된 무작위 분할을 사용하여 데이터셋 간 클래스 격차를 최소화하였습니다. 소변 퇴적물 범주에 따른 이미지 분류별 분포는 표 1에 나와 있습니다.

모든 미미경 이미지는 OpenCV를 이용한 쌍선형 보간을 사용해 640 × 640 픽셀로 크기 조정되었습니다. 픽셀 강도 값은 범위 [0,1]로 정규화되었습니다. 수평 뒤집기, 수직 뒤집기, 무작위 회전(±15°), 밝기 조절, 대비 조정 등을 사용하여 데이터 증강이 수행되었습니다. 사전 처리된 이미지는 별도의 학습, 검증, 테스트 폴더에 저장되었습니다.

시스템 구성
실험 환경은 딥러닝 기반 소변 퇴적물 분석을 위해 구성되었습니다. 파이썬 3.10, 파이토치 딥러닝 프레임워크, 그리고 GPU 가속을 위한 CUDA 툴킷 버전 12.1이 설치되었습니다. OpenCV, NumPy, Pandas, Matplotlib, Scikit-learn 등 추가 Python 패키지가 설치되었습니다. YOLOv10 구현을 위한 저장소는 실험 전에 다운로드 및 설정되었습니다. 가능한 경우 결정적 GPU 연산이 가능했으며, 실험 중 사용된 모든 패키지 버전은 재현성을 지원하도록 기록되었습니다.

YOLOv10 기반 소변 침전물 탐지
YOLOv10의 회로도는 그림 1에 나와 있습니다. COCO 데이터셋에서 학습된 사전 학습된 YOLOv10 가중치를 로드했습니다. 최종 검출 계층은 기본 COCO 클래스 수를 소변 퇴적물 클래스 카운트로 대체하여 맞춤형 출력 계층으로 대체되었습니다. YOLOv10 구조를 기반으로 앵커 없는 검출 구성이 구현되었습니다.

학습 하이퍼파라미터는 학습률 0.001, 배치 크기 16, 300 에포크, AdamW 옵티마이저, 가중치 감쇠 0.0005로 초기화되었습니다. 코사인 어닐링 학습률 스케줄링이 적용되었고, 훈련 중 인내심 값 20의 조기 종료가 가능했습니다.

훈련 데이터셋은 YOLOv10 네트워크에 입력되어 경계 상자 예측과 클래스 확률을 생성했습니다. 훈련 중에 위치 손실, 분류 손실, 신뢰도 손실, 총 손실이 계산되었습니다. 모델 가중치는 역전파와 구배 하강 최적화를 통해 업데이트되었습니다. 검증은 각 에포흐 후에 검증 데이터셋을 사용하여 수행되었습니다.

그림 1: YOLOv10의 아키텍처. 자동화된 소변 침전물 분석에 사용되는 YOLOv10 객체 탐지 아키텍처의 회로도 표현. 그림은 미세한 소변 퇴적물 입자의 특징 추출, 다중 스케일 특징 융합, 앵커 없는 물체 검출에 관여하는 백본, 목, 검출 헤드 구성 요소를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

침팬지 리더 선거 최적화 (CLEO)
CLEO의 개략도는 그림 2에 나와 있습니다. 최적화 탐색 공간에는 학습률 0.0001–0.01, 배치 크기 8–32, 운동량 0.8–0.99, 가중치 감소 0.0001–0.001, 신뢰 임계값 0.25–0.75가 포함되었습니다. 무작위 후보 해를 포함한 초기 침팬지 개체군이 생성되었습니다. YOLOv10은 각 후보 침팬지로 표현된 하이퍼파라미터를 사용해 훈련되었으며, 모델 성능은 검증 평균 정밀도(mAP)를 사용해 평가되었습니다. 적합도 함수는 다음과 같이 정의되었다:

여기서 , 는 가중치 계수를 나타냅니다. 체력 점수가 가장 높은 침팬지 후보가 리더로 선정되었습니다. 나머지 후보자 해답은 CLEO 직위 업데이트 규칙에 따라 업데이트되었습니다. 최적의 하이퍼파라미터를 식별하기 위해 탐색 및 활용 과정을 반복적으로 수행했습니다. 최적화 과정은 50회 반복되거나 적합도 개선이 0.001< 될 때까지 반복되었습니다. 가중치는 0.5, 0.25, 0.25였습니다. 최적의 CLEO 생성 하이퍼파라미터가 YOLOv10 프레임워크에 적용되었습니다. 네트워크는 전체 학습 데이터셋을 사용해 재학습되었고, 검증 성능을 기반으로 가장 성능이 좋은 모델 가중치를 저장했습니다. 제안된 모델의 워크플로우는 그림 3에 나와 있습니다.

그림 2: 침팬지 리더 선거 최적화 알고리즘. 후보 해의 초기화, 적합도 평가, 리더 선택, 탐색-활용 업데이트 전략, 그리고 YOLOv10 프레임워크의 하이퍼파라미터 최적화를 위한 반복적 수렴을 보여주는 CLEO 최적화 알고리즘의 워크플로우. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3: 제안된 모델의 워크플로우. 자동 소변 침전물 분석을 위한 제안된 YOLOv10 + CLEO 프레임워크의 전체 워크플로우는 데이터셋 획득, 이미지 전처리, 주석, 모델 학습, CLEO 기반 하이퍼파라미터 최적화, 탐지 및 성능 평가를 포함합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

모델 평가
최적화된 YOLOv10 + CLEO 모델은 독립 테스트 데이터셋을 사용해 테스트되었습니다. 정확성, 정밀도, 회상율, F1 점수, mAP50, mAP50-95 등 수행 평가 지표가 산출되었습니다. 계산에는 Scikit-learn 메트릭 함수가 사용되었습니다. 이미지당 평균 추론 시간도 기록되었습니다. 예측된 퇴적물 클래스를 모든 퇴적물 범주에 대한 혼동 행렬을 생성하기 위해 실제 진실 주석과 비교하였습니다. 분류 결과를 바탕으로 자주 잘못 분류된 퇴적물 입자가 확인되었습니다. YOLOv5, YOLOv8, Faster R-CNN 등 비교 모델들이 동일한 하드웨어 구성 하에 UMID 데이터셋을 사용해 학습 및 평가되었습니다.

결과

훈련 및 검증 손실 곡선은 그림 4에 나타나 있으며, YOLOv10과 CLEO 성능 지표를 결합한 소변 세포 검출을 나타냅니다. 소변 세포 탐지에 대한 예측된 경계 상자의 정확도는 박스 손실(box loss)으로 측정됩니다. 올바른 클래스 예측 오차는 분류(cls) 손실로 측정됩니다. 분산 초점 손실(dfl)은 경계 박스 회귀 정확도를 향상시키기 위해 사용됩니다. 모든 훈련 곡선의 값은 1.0에서 대략 0.1까지 다양하며, 이는 시간이 지남에 따라 모델 성능이 향상되고 있음을 명확히 보여줍니다. 검증 곡선은 훈련 곡선과의 발산이 거의 없었으며, 이는 과적합이 줄고 모델의 일반화 능력이 향상되었음을 시사합니다. 따라서 모델은 경계 박스 예측, 분류, 학습 및 검증 손실에서 꾸준히 개선되고 있음을 결론지을 수 있습니다. 결과는 제안된 모델이 시간이 지남에 따라 손실이 감소하여 잘 학습하고 있음을 보여줍니다.

토론

본 연구 결과는 YOLOv10과 CLEO를 활용한 의료 진단 맥락에서 소변 침전물 성분의 자동 검출 및 분류 잠재력을 입증하는 강력한 증거를 제공합니다. 제안된 모델은 CLEO를 통해 YOLOv10 하이퍼파라미터를 최적화하여 시기적절한 의사결정을 더 빠르고 신뢰할 수 있게 제공합니다. 제안된 시스템은 적혈구, 백혈구, 상피세포, 박테리아, 결정, 석상 등 다양한 소변 세포에 대해 고정밀도, 회상, F1 점수, mAP 값을 제공합니다.

더 나아가, YOLOv10은 CLEO 모델과 통합되어 YOLOv5, YOLOv8, Faster R-CNN, EfficientDet, DETR 등 전통적인 분석 방법을 능가하여 모든 클래스에서 84%의 mA50을 달성하여 임상 현장에서 실용적으로 배치할 수 있습니다. 제안된 방법은 진화적 최적화 기법과 현대 객체 탐지 시스템의 결합이 임상적으로 중요한 미세한 입자의 수렴 행동과 탐지 효율성을...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
CUDA Toolkit 12.1	NVIDIA Corporation	버전 12.1/ RRID:SCR_018425	GPU 가속 플랫폼
LabelImg 주석 도구	Tzutalin	RRID:SCR_016189	주석 도구
Matplotlib	Matplotlib 개발 팀	버전 3.x	데이터 시각화
NumPy	NumPy 개발자	버전 1.x	수치 계산
OpenCV	OpenCV.org	RRID:SCR_015881	이미지 사전 처리 및 분석
Pandas	Pandas 개발 팀	버전 2.x	데이터 처리 및 분석
Python 3.10	Python 소프트웨어 재단	RRID:SCR_008394	프로그래밍 언어
PyTorch	PyTorch 재단	RRID:SCR_018536	딥러닝 프레임워크
Scikit-learn	scikit-learn 개발자	RRID:SCR_002577	기계 학습 유틸리티
Ubuntu Linux	Canonical Ltd.	버전 22.04	운영 체제
소변 침전물 현미경 데이터셋	공개 데이터셋 저장소	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: 점 및 상자 주석이 있는 소변 현미경 이미지 데이터셋 · GitHub	소변 현미경 이미지 데이터셋
YOLOv10 구현	Ultralytics	YOLOv10: 실시간 종합 객체 탐지 | Ultralytics 문서	객체 탐지 프레임워크