Geautomatiseerde urinesedimentmicroscopische beeldanalyse met YOLOv10 met Chimpanzee Leader Election Optimization

Samenvatting

De studie stelt een model voor dat gebruikmaakt van de UMID-dataset om urinecellen te detecteren en te classificeren, waaronder rode bloedcellen, witte bloedcellen, epitheelcellen, kristallen en bacteriën. Door YOLOv10 te gebruiken met Chimpanzee Leader Election Optimization, behaalt het 84% mAP50 op een testsubset, wat mogelijk de handmatige microscopiebelasting bij klinische urineanalyse vermindert.

Samenvatting

Om verschillende urinewegaandoeningen te diagnosticeren, is het essentieel om urinecellen nauwkeurig te detecteren. Dit artikel presenteert een nieuwe benadering voor het detecteren en classificeren van urinecellen met behulp van het YOLOv10 (You Only Look Once versie 10) model, geïntegreerd met het CLEO-algoritme. YOLOv10, bekend om zijn superieure prestaties bij objectdetectie, wordt gecombineerd met CLEO, een door de natuur geïnspireerd optimalisatie-algoritme. Het model is getraind op de Urine Microscopic Image Dataset (UMID), bestaande uit verschillende typen urinecelbeelden. Meerdere celtypen zijn geclassificeerd, waaronder bacteriën, epitheelcellen, rode bloedcellen, witte bloedstoffen, kristallen en afgietsels direct op basis van microscopische beelden van urinemonsters. Resultaten van rigoureuze tests tonen aan dat YOLOv10 geïntegreerd met CLEO een robuust hulpmiddel is voor het analyseren van urinesedimenten, met een gemiddelde Gemiddelde Precision@50 (mAP50) van 84% en een terugroeping van 90%. Daarom biedt de voorgestelde aanpak aanzienlijke snelheidsverbeteringen en consistentie in vergelijking met traditionele methoden voor urinesedimentanalyse. Het raamwerk kan automatisch urinesedimentbeelden in realtime analyseren met goede detectieprestaties en heeft het potentieel om computerondersteunde klinische urineanalyse te ondersteunen, waardoor de werklast van handmatige analyse en diagnose wordt verminderd.

Inleiding

Nierziekten, urineweginfecties, stofwisselingsstoornissen en systemische afwijkingen kunnen worden opgespoord door urineonderzoek, wat een zeer belangrijk diagnoseproces^{is 1,2}. Het is essentieel om de urinesedimenten onder de microscoop te onderzoeken om miniatuurbestanddelen te identificeren zoals rode bloedcellen (RBC), witte bloedcellen (WBC), bacteriën, schimmels, afgietsels, enzovoort^. Conventionele handmatige analyse met optische microscopie is echter arbeidsintensief en hangt af van de vaardigheid van de technicus, en kan leiden tot variabiliteit tussen waarnemers en inconsistente diagnoses in drukke klinische omgevingen ^4,5.

Er is een gerichte methode nodig om problemen met het geautomatiseerde onderzoek van urinemonsters aan te pakken. De indrukwekkende realtime prestaties van deep learning in objectlokalisatie en classificatie in beeldanalyse bieden veelbelovend materiaal voor medische beeldvorming, vooral op het gebied van objectdetectie-algoritmen, een prominent voorbeeld is de You Only Look Once (YOLO) algoritmenfamilie ^6,7,8. Eerder onderzoek met YOLO-varianten had problemen met overlappende urinedeeltjes, morfologische variaties van urinedeeltjes, klasse-onevenwichtigheid en slechte prestatienauwkeurigheid onder ingewikkelde omstandigheden 3,9,10,11. Daarnaast kan het vertrouwen op handmatig gekozen hyperparameters in deze YOLO-gebaseerde systemen de generalisatie en optimalisatie van het model belemmeren.

YOLOv10 is een huidig model dat de feature-extractie, rekenefficiëntie en inferentiesnelheid verbetert voor het analyseren van beelden in realtime¹². Maar de prestaties zijn afhankelijk van het vinden van een optimale set parameters, wat een complex, niet-lineair optimalisatieprobleem is en de stabiliteit van convergentie en de nauwkeurigheid van de detectie kan beïnvloeden. Daarom is het essentieel om een efficiënte optimalisatiemethode toe te passen om de prestaties van de methode bij het detecteren van microscopische urinesedimenten te verbeteren. Dit onderzoek integreert het CLEO-algoritme, geïnspireerd op de sociale hiërarchie van chimpansees, om YOLOv10-parameters te optimaliseren. CLEO blinkt uit in het balanceren van exploratie en exploitatie terwijl het effectief wordt genavigeerd door optimalisatieuitdagingen van hoge dimensies, waardoor de lokale optima-vallen die gebruikelijk zijn bij traditionele methoden^worden overwonnen ^13,14. Deze aanpassing is belangrijk voor de analyse van urinesedimenten. In deze toepassing variëren de beeldvormingscondities, evenals de vorm en textuur van de deeltjes. Onder dergelijke omstandigheden is het vereist dat stabiele detectieprestaties worden geleverd. CLEO kan worden gebruikt in realtime klinische toepassingen en kan snellere convergentie en betere globale zoekresultaten bereiken dan andere veelgebruikte optimalisatie-algoritmen¹⁵.

De vooruitgang die is geboekt in de analyse van urinecellen met behulp van deep learning wordt hier behandeld. In de vroege geautomatiseerde analyse van urinesedimenten werden traditionele beeldverwerkingstechnieken zoals drempelwaarden en feature-extractie toegepast in combinatie met classifiers zoals SVM, k-NN, Decision Trees en het Random Forest-algoritme 16,17,18,19,20. Deze technieken hadden matig succes, maar presteerden slecht voor overlappende cellen, verschillende lichtomstandigheden, ruis en ingewikkelde sedimentmorfologieën. Daarnaast was er een aanzienlijk niveau van domeinkennis nodig voor de handmatige constructie van features. De opkomst van deep learning, specifiek Convolutional Neural Networks (CNN's), heeft de beeldanalyse sterk verbeterd, waarbij architecturen zoals AlexNet en ResNet een verbeterde classificatienauwkeurigheid^{van 21} hebben bereikt. Maar de meeste CNN-gebaseerde methoden richten zich nog steeds op beeldclassificatie in plaats van realtime detectie en lokalisatie van veel sedimentdeeltjes in microscopiebeelden.

De YOLO-familie van objectdetectiekaders is populair geworden in het veld van medische beeldanalyse vanwege hun snelle en nauwkeurige prestaties. YOLO-gebaseerde systemen zoals YOLOv3, YOLOv5 en YOLOv8 toonden acceptabele realtime prestaties en verbeterde de lokalisatie van de urinesedimentcomponenten vergeleken met technieken gebaseerd op regiovoorstellen, zoals Faster R-CNN en Mask R-CNN 14,15,22. Toch zijn er moeilijkheden, waaronder gevoeligheid voor klasse-onevenwichtigheden en minder nauwkeurige classificatie voor kleine of vergelijkbare deeltjes, en het gebruik van handmatig gekozen trainingsparameters. Recente bevindingen geven aan dat het combineren van metaheuristische optimalisatietechnieken zoals Particle Swarm Optimization (PSO)²³, Genetic Algorithms (GA)²⁴, Grey Wolf Optimization (GWO)²⁵, Whale Optimization Algorithms (WOA)²⁶ en Ant Colony Optimization (ACO)²⁷ met deep learning-systemen 28,29,30,31,32,33 kan de optimalisatie van hyperparameters verbeteren en de effectiviteit van training vergroten. Desalniettemin kunnen deze traditionele optimalisatietechnieken vastlopen in een lokaal optimum en de oplossingsruimte in een hoogdimensionale wereld niet verkennen, wat leidt tot een vroege convergentie.

CLEO is een nieuwe metaheuristische optimalisatiemethode gebaseerd op het sociale gedrag van chimpansees, die de balans tussen exploratie en exploitatie en globale optimalisatie verbetert. Er is aangetoond dat het beter presteert dan de traditionele algoritmen door lokale minima te elimineren en met succes de oplossingsruimte te doorkruisen om complexe problemen op te lossen, maar het is nog niet volledig onderzocht voor toepassing in biomedische objectdetectie en urinesedimentanalyse. De bestaande urinesedimentanalyse-kaders richten zich op het verbeteren van de detectiearchitectuur of het onafhankelijk optimaliseren ervan en bieden weinig inzicht in hoe ze de diagnostische prestaties van realtime urinesedimentanalyse zullen beïnvloeden.

Gezien deze hiaten in de literatuur combineert dit onderzoek CLEO met de YOLOv10-architectuur, die beter is voor feature-representatie en realtime prestaties, om de analyse van urinesedimentmicroscopie te automatiseren. Het framework is ontworpen om de detectienauwkeurigheid en robuustheid te verbeteren, en om geïntegreerd te worden in realtime urineanalysesystemen voor klinisch gebruik, waarbij de voordelen van YOLOv10's snelle detectie van objecten worden gecombineerd met CLEO's adaptieve optimalisatie van hyperparameters.

De studie stelt een nieuwe benadering voor waarbij YOLOv10- en CLEO-optimalisatie-algoritmen worden gecombineerd voor geautomatiseerde microscopie-analyse van urinesedimenten voor realtime gebruik. YOLOv10 werd geselecteerd voor implementatie omdat het uitstekende detectieprestaties biedt met superieure nauwkeurigheid, rekenefficiëntie en realtime inferentiemogelijkheden, waardoor het zeer geschikt is voor geautomatiseerde microscopische analyse van urinesediment. Het verbetert de end-to-end detectie-efficiëntie, vermindert nabewerking en bereikt hoge prestaties voor kleine en diverse objecten. Dit kader maakt gebruik van een metaheuristische optimalisatieprocedure om de robuustheid van modelparameteroptimalisatie en detectie te verbeteren, in tegenstelling tot bestaande YOLO-gebaseerde methoden die zich uitsluitend richten op architecturale verbeteringen. Het doel is de nauwkeurigheid van de detectie van urinesediment in verschillende klassen te verbeteren en de efficiëntie van de inferentie in de klinische omgeving te vergroten. Het onderzoek veronderstelt dat deze integratie zal leiden tot een verbeterde nauwkeurigheid van detectie, een grotere convergentiestabiliteit en een hogere rekenkundige efficiëntie, wat laboratoriumprofessionals uiteindelijk helpt om handmatig werk te minimaliseren en consistentie en snelheid bij urineonderzoek te waarborgen.

Protocol

De gegevens die in deze studie werden gebruikt, kwamen uit een openbare onderzoeksdatabase met microscopische urinesedimentafbeeldingen. Tijdens het onderzoek werd geen persoonlijke informatie gebruikt die de patiënt identificeerde. De commercieel beschikbare elementen die bij dit protocol horen, staan vermeld in de Materiaallijst.

Verkrijgen en Voorbereiden Dataset
Microscopische urinesedimentafbeeldingen met rode bloedcellen, witte bloedcellen, kristallen, afgietsels, bacteriën en gist werden verkregen. Alle afbeeldingen werden opgeslagen in PNG- of JPEG-formaat met consistente naamgevingsconventies. Wazige of slechte kwaliteit beelden met onvolledige sedimentartefacten werden geëlimineerd. Begrenzingsbox-annotatiesoftware werd gebruikt voor objectniveau-annotatie van urinesedimentdeeltjes. Elk sedimenttype kreeg een klassenummer toegewezen en annotaties werden geëxporteerd in YOLO-formaat met de klasse-identificatie, genormaliseerde centrumcoördinaten, breedte van de begrenzingsbox en de hoogte van de begrenzingsbox. De annotatiekwaliteit werd handmatig gevalideerd door willekeurig geannoteerde afbeeldingen te selecteren.

De dataset werd willekeurig verdeeld in drie subsets bestaande uit 70% trainingsdata, 15% validatiedata en 15% testdata. We gebruikten Python Scikit-learn train_test_split()-functie met gestratificeerde steekproef om de dataset te verdelen. Elke subset hield een evenredige representatie van alle sedimentklassen aan. Gestratificeerde willekeurige splitsing werd toegepast om klasseverschillen tussen datasetpartitities te minimaliseren. De klassegewijze verdeling van beelden naar urinesedimentcategorieën wordt geïllustreerd in Tabel 1.

Alle microscopische beelden werden verkleind tot 640 × 640 pixels met behulp van bilineaire interpolatie met OpenCV. Pixelintensiteitswaarden werden genormaliseerd naar het bereik [0,1]. Data-augmentatie werd uitgevoerd met behulp van horizontale flipping, verticale flipping, willekeurige rotatie (±15°), helderheidsaanpassing en contrastaanpassing tijdens de training. De voorbewerkte afbeeldingen werden opgeslagen in aparte mappen voor training, validatie en test.

Systeemconfiguratie
De experimentele omgeving was ingericht voor deep learning-gebaseerde analyse van urinesedimenten. Python versie 3.10, het PyTorch deep learning framework en CUDA Toolkit versie 12.1 voor GPU-acceleratie werden geïnstalleerd. Extra Python-pakketten, waaronder OpenCV, NumPy, Pandas, Matplotlib en Scikit-learn, werden geïnstalleerd. De repository voor de YOLOv10-implementatie werd gedownload en geconfigureerd vóór de experimenten. Deterministische GPU-berekening werd waar mogelijk ingeschakeld, en alle pakketversies die tijdens experimenten werden gebruikt, werden geregistreerd om reproduceerbaarheid te ondersteunen.

YOLOv10-gebaseerde detectie van urinesediment
Een schematisch diagram van YOLOv10 is weergegeven in Figuur 1. Vooraf getrainde YOLOv10-gewichten die op de COCO-dataset waren getraind, werden geladen. De laatste detectielaag werd vervangen door een aangepaste uitvoerlaag door de standaard COCO-klassetelling te vervangen door de urinesedimentklassetelling. Er werd een ankervrije detectieconfiguratie geïmplementeerd op basis van de YOLOv10-structuur.

Trainingshyperparameters werden geïnitialiseerd met een leersnelheid van 0,001, batchgrootte van 16, 300 epochs, AdamW-optimizer en gewichtsafname van 0,0005. Cosinus annealing leersnelheid planning werd toegepast, en vroegtijdig stoppen met een geduldwaarde van 20 werd tijdens de training mogelijk gemaakt.

De trainingsdataset werd ingevoerd in het YOLOv10-netwerk om voorspellingen van bounding boxen en klassen-waarschijnlijkheden te genereren. Lokalisatieverlies, classificatieverlies, betrouwbaarheidsverlies en totaal verlies werden berekend tijdens de training. De modelgewichten werden bijgewerkt met behulp van backpropagatie en gradient descent optimization. Na elk epoch werd validatie uitgevoerd met behulp van de validatiedataset.

Figuur 1: Architectuur van YOLOv10. Schematische weergave van de YOLOv10 objectdetectiearchitectuur gebruikt voor geautomatiseerde urinesedimentanalyse. De figuur toont de componenten van ruggengraat, nek en detectiehoofd die betrokken zijn bij feature-extractie, multi-scale feature-fusie en detectie van ankervrije objecten voor microscopische urinesedimentdeeltjes. Klik hier om een grotere versie van deze figuur te bekijken.

Chimpanzee Leider Verkiezingsoptimalisatie (CLEO)
Een schematisch diagram van CLEO is weergegeven in Figuur 2. De optimalisatiezoekruimte omvatte leersnelheid 0,0001–0,01, batchgrootte 8–32, impuls 0,8–0,99, gewichtsafname 0,0001–0,001 en betrouwbaarheidsdrempel 0,25–0,75. Er werd een eerste chimpanseepopulatie met willekeurige kandidaatoplossingen gegenereerd. YOLOv10 werd getraind met behulp van hyperparameters die door elke kandidaat-chimpansee werden weergegeven, en de modelprestaties werden geëvalueerd met behulp van validatiegemiddelde Gemiddelde Precisie (mAP). De fitnessfunctie werd gedefinieerd als:

Hier vertegenwoordigen , en weegcoëfficiënten. De chimpanseekandidaat met de hoogste fitheidsscore werd als leider gekozen. De overige kandidatenoplossingen werden bijgewerkt volgens de regels voor het updaten van CLEO-posities. Verkennings- en exploitatieprocessen werden iteratief uitgevoerd om optimale hyperparameters te identificeren. Het optimalisatieproces werd herhaald gedurende 50 iteraties of tot de fitheidsverbetering < 0,001. De toegewezen gewichten waren 0,5, 0,25 en 0,25. De optimale door CLEO gegenereerde hyperparameters werden toegepast op het YOLOv10-framework. Het netwerk werd opnieuw getraind met behulp van de volledige trainingsdataset, en de best presterende modelgewichten werden opgeslagen op basis van validatieprestaties. De workflow van het voorgestelde model wordt geïllustreerd in Figuur 3.

Figuur 2: Chimpanzee Leader Verkiezingsoptimalisatiealgoritme. Workflow van het CLEO-optimalisatiealgoritme toont initialisatie van kandidaatoplossingen, fitheidsevaluatie, leiderselectie, verkenning-exploitatie updatestrategie en iteratieve convergentie voor hyperparameteroptimalisatie van het YOLOv10-framework. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Workflow van het voorgestelde model. Algemene workflow van het voorgestelde YOLOv10 + CLEO-framework voor geautomatiseerde analyse van urinesedimenten, inclusief datasetverwerving, beeldvoorbewerking, annotatie, modeltraining, CLEO-gebaseerde hyperparameteroptimalisatie, detectie en prestatie-evaluatie. Klik hier om een grotere versie van deze figuur te bekijken.

Modelevaluatie
Het geoptimaliseerde YOLOv10 + CLEO-model werd getest met behulp van de onafhankelijke testdataset. Prestatie-evaluatie metrics zoals nauwkeurigheid, precisie, recall, F1-score, mAP50 en mAP50-95 werden berekend. Scikit-learn metrics functies werden gebruikt voor berekeningen. Er werd ook de gemiddelde inferentietijd per afbeelding geregistreerd. Voorspelde sedimentklassen werden vergeleken met grondwaarheidsannotaties om verwarringsmatrices voor alle sedimentcategorieën te genereren. Vaak werden verkeerd geclassificeerde sedimentdeeltjes geïdentificeerd op basis van classificatieresultaten. Vergelijkingsmodellen zoals YOLOv5, YOLOv8 en Faster R-CNN werden getraind en geëvalueerd met behulp van de UMID-dataset onder identieke hardwareconfiguraties.

Resultaten

De trainings- en validatieverliescurves zijn weergegeven in Figuur 4, die de YOLOv10 toont gecombineerd met CLEO-prestatiemetrieken voor urineceldetectie. De nauwkeurigheid van de voorspelde begrenzingsboxen voor het detecteren van urinecellen wordt gemeten door het boxverlies. De fout in de voorspelling van de juiste klasse wordt gemeten door het classificatieverlies (cls). Het distributed focal loss (dfl) wordt gebruikt om de nauwkeurigheid van de regressi...

Discussie

De resultaten van deze studie leveren overtuigend bewijs voor het potentieel van geautomatiseerde detectie en classificatie van urinesedimentcomponenten met behulp van YOLOv10 en CLEO in de context van medische diagnostiek. Het voorgestelde model biedt een snellere en betrouwbaardere oplossing voor het nemen van tijdige beslissingen door YOLOv10-hyperparameters te optimaliseren met CLEO. Het voorgestelde systeem levert hoge precisie-, recall-, F1-score- en mAP-waarden voor verschillende ...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
CUDA Toolkit 12.1	NVIDIA Corporation	Versie 12.1/ RRID:SCR_018425	GPU-versnellingsplatform
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Annotatietool
Matplotlib	Matplotlib Development Team	Versie 3.x	Datavisualisatie
NumPy	NumPy Developers	Versie 1.x	Numerieke berekening
OpenCV	OpenCV.org	RRID:SCR_015881	Beeldvoorverwerking en -analyse
Pandas	Pandas Development Team	Versie 2.x	Gegevensverwerking en -analyse
Python 3.10	Python Software Foundation	RRID:SCR_008394	Programmeertaal
PyTorch	PyTorch Foundation	RRID:SCR_018536	Deep learning framework
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Machine learning-hulpmiddelen
Ubuntu Linux	Canonical Ltd.	Versie 22.04	Besturingssysteem
Urine Sediment Microscopic Dataset	Openbare dataset-opslagplaats	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset met punt- en doopanotatieën · GitHub	Urinemicroscopie-beelddataset
YOLOv10-implementatie	Ultralytics	YOLOv10: Real-Time End-to-End Object Detection | Ultralytics Docs	Objectdetectieframework