Análise Microscópica Automatizada de Imagens de Sedimentos de Urina usando YOLOv10 com Otimização de Eleições de Líderes de Chimpanzés

Resumo

O estudo propõe um modelo utilizando o conjunto de dados UMID para detectar e classificar células urinárias, incluindo glóbulos vermelhos, glóbulos brancos, células epiteliais, cristais e bactérias. Empregando YOLOv10 com Otimização de Eleição por Líderes de Chimpanzé, atinge 84% de mAP50 em um subconjunto de teste, potencialmente diminuindo a carga de trabalho de microscopia manual em análise de urina clínica.

Resumo

Para diagnosticar várias doenças urinárias, é fundamental detectar com precisão as células urinárias. Este artigo apresenta uma abordagem inovadora para detectar e classificar células urinárias usando o modelo YOLOv10 (You Only Look Once versão 10) integrado ao algoritmo CLEO. O YOLOv10, conhecido por seu desempenho superior na detecção de objetos, é combinado com o CLEO, um algoritmo de otimização inspirado na natureza. O modelo é treinado com o Conjunto de Dados de Imagens Microscópicas de Urina (UMID), que compreende vários tipos de imagens de células de urina. Múltiplos tipos celulares foram classificados, incluindo bactérias, células epiteliais, glóbulos vermelhos, glóbulos brancos, cristais e moldes diretamente a partir de imagens microscópicas de amostras de urina. Resultados de testes rigorosos mostram que o YOLOv10 integrado ao CLEO é uma ferramenta robusta para análise de sedimentos urinários, alcançando uma média de Precision@50 (mAP50) de 84% e uma recall de 90%. Portanto, a abordagem proposta oferece melhorias significativas na velocidade e consistência em comparação com os métodos tradicionais de análise de sedimentos de urina. A estrutura pode analisar automaticamente imagens de sedimentos de urina em tempo real com bom desempenho em detecção e tem potencial para auxiliar a análise clínica assistida por computador, reduzindo assim a carga de trabalho da análise e diagnóstico manuais.

Introdução

Doença renal, infecções urinárias, distúrbios metabólicos e anormalidades sistêmicas podem ser detectadas por análise de urina, que é um processo muito importante de diagnóstico ^1,2. É essencial examinar os sedimentos urinários ao microscópio para identificar pequenos constituintes como glóbulos vermelhos (RBC), glóbulos brancos (WBC), bactérias, fungos, moldes, etc^. No entanto, a análise manual convencional por microscopia óptica é trabalhosa, depende da habilidade do técnico, podendo levar à variabilidade entre observadores e diagnósticos inconsistentes em ambientes clínicos^{movimentados 4,5}.

Um método direcionado é necessário para resolver dificuldades com o exame automatizado das amostras de urina. O impressionante desempenho em tempo real do deep learning na localização e classificação de objetos na análise de imagens é promissor para a imagem médica, especialmente no campo dos algoritmos de detecção de objetos, sendo um exemplo proeminente a família de algoritmos You Only Look Once (YOLO^{) 6,7,8}. Pesquisas anteriores usando variantes YOLO enfrentaram problemas com sobreposição de partículas de urina, variações morfológicas das partículas de urina, desequilíbrio de classes e baixa precisão de desempenho em condições^complicadas 3,9,10,11. Além disso, a dependência de hiperparâmetros escolhidos manualmente nesses sistemas baseados em YOLO pode dificultar a generalização e otimização do modelo.

O YOLOv10 é um modelo atual que melhora a extração de características, a eficiência computacional e a velocidade de inferência para análise de imagens em^{tempo real 12}. Mas seu desempenho depende de encontrar um conjunto ótimo de parâmetros, o que é um problema complexo e não linear de otimização e pode influenciar a estabilidade da convergência e a precisão da detecção. Portanto, é essencial aplicar um método eficiente de otimização para melhorar o desempenho da abordagem na detecção de sedimentos microscópicos de urina. Este trabalho de pesquisa integra o algoritmo CLEO, inspirado na hierarquia social dos chimpanzés, para otimizar os parâmetros YOLOv10. O CLEO se destaca em equilibrar exploração e exploração enquanto navega efetivamente por desafios de otimização de alta dimensão, superando assim as armadilhas ótimas locais comuns aos métodos tradicionais^13,14. Essa adaptação é importante para a análise de sedimentos urinários. Nessa aplicação, as condições de imagem variam, assim como a forma e a textura das partículas. Nessas condições, é necessário fornecer desempenho estável de detecção. O CLEO pode ser usado em aplicações clínicas em tempo real e pode alcançar convergência mais rápida e melhores resultados globais de busca do que outros algoritmos de otimização comumente^{usados 15}.

O progresso feito na análise de células urinárias usando aprendizado profundo é abordado aqui. Na análise automatizada de sedimentos urinários no início do tempo, técnicas tradicionais de processamento de imagens como limiar e extração de características foram aplicadas em combinação com classificadores como SVM, k-NN, Árvores de Decisão e o algoritmo de Floresta Aleatória 16,17,18,19,20. Essas técnicas tiveram sucesso moderado, mas tiveram desempenho ruim para células sobrepostas, diferentes condições de iluminação, ruído e morfologias sedimentares intrincadas. Além disso, era necessário um nível considerável de conhecimento do domínio para a construção manual de recursos. O avanço do aprendizado profundo, especificamente das Redes Neurais Convolucionais (CNNs), melhorou muito a análise de imagens, com arquiteturas como AlexNet e ResNet alcançando maior precisão de classificação²¹. Mas a maioria dos métodos baseados em CNN ainda foca na classificação em nível de imagem, em vez da detecção e localização em tempo real de muitas partículas de sedimento em imagens de microscopia.

A família YOLO de frameworks de detecção de objetos ganhou popularidade no campo da análise de imagens médicas por seu desempenho rápido e preciso. Sistemas baseados em YOLO como YOLOv3, YOLOv5 e YOLOv8 demonstraram desempenho aceitável em tempo real e melhor localização dos componentes do sedimento urinário em comparação com técnicas baseadas em propostas de região, como Faster R-CNN e Mask R-CNN 14,15,22. No entanto, há dificuldades, incluindo sensibilidade ao desequilíbrio de classe e classificação menos precisa para partículas pequenas ou similares, além do uso de parâmetros de treinamento escolhidos manualmente. Descobertas recentes indicam que a combinação de técnicas de otimização metaheurística como Otimização em Enxame de Partículas (PSO⁾²³, Algoritmos Genéticos (GA⁾²⁴, Otimização Grey Wolf (GWO⁾²⁵, Algoritmos de Otimização de Baleias (WOA⁾²⁶ e Otimização de Colônias de Formigas (ACO⁾²⁷ com sistemas de aprendizado profundo 28,29,30,31,32,33 pode melhorar a otimização dos hiperparâmetros e aumentar a eficácia do treinamento. No entanto, essas técnicas tradicionais de otimização podem ficar presas em um ótimo local e falhar em explorar o espaço de soluções em um mundo de alta dimensão, levando a uma convergência precoce.

CLEO é um novo método de otimização metaheurística baseado no comportamento social dos chimpanzés, que melhora o equilíbrio entre exploração e exploração e a otimização global. Foi demonstrado que ele tem melhor desempenho que os algoritmos tradicionais ao eliminar mínimos locais e atravessar com sucesso o espaço de soluções para resolver problemas complexos, mas ainda não foi totalmente explorado para aplicação na detecção biomédica de objetos e análise de sedimentos de urina. Os frameworks existentes de análise de sedimentos de urina têm focado em melhorar a arquitetura de detecção ou otimizá-la de forma independente e não fornecem muitos insights sobre como afetarão o desempenho diagnóstico da análise de sedimentos de urina em tempo real.

À luz dessas lacunas na literatura, esta pesquisa combina o CLEO com a arquitetura YOLOv10, que é melhor para representação de características e desempenho em tempo real, para automatizar a análise microscopica de sedimentos de urina. A estrutura foi projetada para melhorar a precisão e robustez da detecção, e para ser integrada a sistemas de análise de urina em tempo real para uso clínico, combinando os benefícios da rápida detecção de objetos pelo YOLOv10 com a otimização adaptativa dos hiperparâmetros do CLEO.

O estudo propõe uma abordagem inovadora que combina algoritmos de otimização YOLOv10 e CLEO para análise automatizada de microscopia de sedimentos urinários para uso em tempo real. O YOLOv10 foi selecionado para implementação porque oferece desempenho excepcional em detecção com precisão superior, eficiência computacional e capacidades de inferência em tempo real, tornando-o bem adequado para análise microscópica automatizada de sedimentos de urina. Ele melhora a eficiência da detecção de ponta a ponta, reduz o pós-processamento e alcança alto desempenho para objetos pequenos e diversos. Essa estrutura emprega um procedimento de otimização metaheurística para melhorar a otimização dos parâmetros do modelo e a robustez da detecção, ao contrário dos métodos existentes baseados em YOLO que se concentram apenas em melhorias arquitetônicas. O objetivo é aprimorar a precisão da detecção de sedimentos urinários por objetos em diferentes classes e aumentar a eficiência da inferência no ambiente clínico. A pesquisa hipotetiza que essa integração levará a maior precisão na detecção, maior estabilidade de convergência e maior eficiência computacional, ajudando, em última análise, os profissionais de laboratório a minimizar a carga de trabalho manual e garantir consistência e rapidez na análise de urina.

Protocolo

Os dados usados neste estudo vieram de um banco de dados público de pesquisa com imagens microscópicas de sedimentos de urina. Durante o estudo, nenhuma informação pessoal identificando o paciente foi utilizada. Os elementos comercialmente disponíveis associados a este protocolo estão listados na Tabela de Materiais.

Adquirir e Preparar Conjunto de Dados
Imagens microscópicas de sedimentos urinários compostas por glóbulos vermelhos, glóbulos brancos, células epiteliais, cristais, moldes, bactérias e leveduras foram obtidas. Todas as imagens eram salvas em formato PNG ou JPEG usando convenções de nomenclatura consistentes. Imagens borradas ou de baixa qualidade contendo artefatos sedimentares incompletos foram eliminadas. O software de anotação de caixa delimitadora era utilizado para anotação em nível de objeto de partículas de sedimento de urina. Cada tipo de sedimento recebeu um número de classe, e as anotações foram exportadas no formato YOLO contendo o identificador da classe, coordenadas centrais normalizadas, largura da caixa delimitadora e altura da caixa delimitadora. A qualidade da anotação era validada manualmente selecionando aleatoriamente imagens anotadas.

O conjunto de dados foi dividido aleatoriamente em três subconjuntos, consistindo em 70% de dados de treinamento, 15% de dados de validação e 15% de dados de teste. Usamos a função Scikit-learn train_test_split() em Python com amostragem estratificada para dividir o conjunto de dados. Cada subconjunto manteve a representação proporcional de todas as classes de sedimentos. A divisão aleatória estratificada foi empregada para minimizar a disparidade de classes entre partições de conjuntos de dados. A distribuição por classes das imagens para as categorias de sedimentos de urina está ilustrada na Tabela 1.

Todas as imagens microscópicas foram redimensionadas para 640 × 640 pixels usando interpolação bilinear com OpenCV. Os valores de intensidade dos pixels foram normalizados para a faixa [0,1]. A ampliação de dados foi realizada usando inversão horizontal, vertical de inversão vertical, rotação aleatória (±15°), ajuste de brilho e ajuste de contraste durante o treinamento. As imagens pré-processadas eram salvas em pastas separadas de treinamento, validação e teste.

Configuração do Sistema
O ambiente experimental foi configurado para análise de sedimentos urinários baseada em aprendizado profundo. Python versão 3.10, o framework de deep learning PyTorch e o CUDA Toolkit versão 12.1 para aceleração de GPU foram instalados. Pacotes adicionais em Python, incluindo OpenCV, NumPy, Pandas, Matplotlib e Scikit-learn, foram instalados. O repositório para a implementação do YOLOv10 foi baixado e configurado antes da experimentação. O cálculo determinístico por GPU foi habilitado sempre que possível, e todas as versões dos pacotes usadas durante a experimentação foram registradas para suportar reprodutibilidade.

Detecção de Sedimentos de Urina Baseada em YOLOv10
Um diagrama esquemático do YOLOv10 é mostrado na Figura 1. Os pesos YOLOv10 pré-treinados treinados no conjunto de dados COCO foram carregados. A camada final de detecção foi substituída por uma camada de saída personalizada, substituindo a contagem padrão de classes COCO pela contagem de classe de sedimentos urinários. Uma configuração de detecção sem âncoras foi implementada com base na estrutura YOLOv10.

Os hiperparâmetros de treinamento foram iniciados com taxa de aprendizado de 0,001, tamanho de lote de 16.300 épocas, otimizador AdamW e decaimento de peso de 0,0005. Foi aplicado o escalonamento da taxa de aprendizagem por recozimento cosseno, e a parada precoce com valor de paciência 20 foi habilitada durante o treinamento.

O conjunto de dados de treinamento foi inserido na rede YOLOv10 para gerar previsões de caixa delimitadora e probabilidades de classe. A perda por localização, perda de classificação, perda de confiança e perda total foram calculadas durante o treinamento. Os pesos dos modelos foram atualizados usando retropropagação e otimização de descida por gradiente. A validação era realizada após cada época usando o conjunto de dados de validação.

Figura 1: Arquitetura do YOLOv10. Representação esquemática da arquitetura de detecção de objetos YOLOv10 usada para análise automatizada de sedimentos urinários. A figura ilustra a espinha dorsal, pescoço e componentes da cabeça de detecção envolvidos na extração de características, fusão de características em múltiplas escalas e detecção de objetos sem âncora para partículas microscópicas de sedimento de urina. Por favor, clique aqui para ver uma versão ampliada desta figura.

Otimização da Eleição de Líderes de Chimpanzés (CLEO)
Um diagrama esquemático do CLEO é mostrado na Figura 2. O espaço de busca de otimização incluiu taxa de aprendizado 0,0001–0,01, tamanho do lote 8–32, momento 0,8–0,99, decaimento de peso 0,0001–0,001 e limiar de confiança 0,25–0,75. Foi gerada uma população inicial de chimpanzés contendo soluções candidatas aleatórias. O YOLOv10 foi treinado usando hiperparâmetros representados por cada chimpanzé candidato, e o desempenho do modelo foi avaliado usando a Precisão Média (mAP) de validação. A função de aptidão foi definida como:

Aqui, , e representam coeficientes de peso. O candidato chimpanzé com a maior pontuação de aptidão era escolhido como líder. As soluções candidatas restantes foram atualizadas de acordo com as regras de atualização de posições do CLEO. Processos de exploração e exploração foram realizados iterativamente para identificar hiperparâmetros ótimos. O processo de otimização foi repetido por 50 iterações ou até que a melhoria da aptidão < 0,001. Os pesos atribuídos foram 0,5, 0,25 e 0,25. Os hiperparâmetros ideais gerados por CLEO foram aplicados ao framework YOLOv10. A rede foi retreinada usando o conjunto completo de dados de treinamento, e os pesos dos modelos com melhor desempenho foram salvos com base no desempenho da validação. O fluxo de trabalho do modelo proposto é ilustrado na Figura 3.

Figura 2: Algoritmo de Otimização de Eleições de Líderes de Chimpanzé. Fluxo de trabalho do algoritmo de otimização CLEO mostrando inicialização de soluções candidatas, avaliação de aptidão física, seleção de líderes, estratégia de atualização exploração-exploração e convergência iterativa para otimização de hiperparâmetros do framework YOLOv10. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 3: Fluxo de trabalho do modelo proposto. Fluxo de trabalho geral do framework proposto YOLOv10 + CLEO para análise automatizada de sedimentos urinários, incluindo aquisição de conjuntos de dados, pré-processamento de imagens, anotação, treinamento de modelos, otimização de hiperparâmetros baseada em CLEO, detecção e avaliação de desempenho. Por favor, clique aqui para ver uma versão ampliada desta figura.

Avaliação do Modelo
O modelo otimizado YOLOv10 + CLEO foi testado usando o conjunto de dados de teste independente. Métricas de avaliação de desempenho, incluindo precisão, precisão, recordação, F1-score, mAP50 e mAP50-95, foram calculadas. Funções métricas scikit-learn foram usadas para cálculos. O tempo médio de inferência por imagem também foi registrado. As classes de sedimentos previstas foram comparadas com anotações de verdade de base para gerar matrizes de confusão para todas as categorias de sedimentos. Partículas sedimentares frequentemente classificadas erroneamente foram identificadas com base nos resultados de classificação. Modelos de comparação incluindo YOLOv5, YOLOv8 e Faster R-CNN foram treinados e avaliados usando o conjunto de dados UMID sob configurações de hardware idênticas.

Resultados

As curvas de perda de treinamento e validação são mostradas na Figura 4, que mostra o YOLOv10 combinado com métricas de desempenho CLEO para detecção de células urinárias. A precisão das caixas delimitadoras previstas para detectar células de urina é medida pela perda de caixa. O erro na previsão da classe correta é medido pela perda de classificação (cls). A perda focal distribuída (dfl) é usada para melhorar a precisão da regressão da caixa delimitadora. O...

Discussão

Os resultados deste estudo fornecem evidências convincentes do potencial da detecção e classificação automatizada dos componentes do sedimento urinário com a ajuda do YOLOv10 e CLEO no contexto do diagnóstico médico. O modelo proposto oferece uma solução mais rápida e confiável para tomar decisões oportunas, otimizando os hiperparâmetros YOLOv10 com CLEO. O sistema proposto oferece alta precisão, recordação, F1-score e valores de mAP para várias células urinárias, como glóbulos vermelhos...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
CUDA Toolkit 12.1	NVIDIA Corporation	Versão 12.1/ RRID:SCR_018425	Plataforma de aceleração GPU
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Ferramenta de anotação
Matplotlib	Matplotlib Development Team	Versão 3.x	Visualização de dados
NumPy	NumPy Developers	Versão 1.x	Computação numérica
OpenCV	OpenCV.org	RRID:SCR_015881	Pré-processamento e análise de imagens
Pandas	Pandas Development Team	Versão 2.x	Tratamento e análise de dados
Python 3.10	Python Software Foundation	RRID:SCR_008394	Linguagem de programação
PyTorch	PyTorch Foundation	RRID:SCR_018536	Framework de aprendizado profundo
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Utilitários de aprendizado de máquina
Ubuntu Linux	Canonical Ltd.	Versão 22.04	Sistema operacional
Urine Sediment Microscopic Dataset	Repositório de conjunto de dados público	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset com anotações de ponto e caixa · GitHub	Conjunto de imagens de microscopia de urina
Implementação YOLOv10	Ultralytics	YOLOv10: Detecção de objeto de ponta a ponta em tempo real | Ultralytics Docs	Framework de detecção de objeto