Автоматический микроскопический анализ осадков мочи с использованием YOLOv10 с оптимизацией выборов лидеров шимпанзе

Краткое содержание

В исследовании предлагается модель с использованием набора данных UMID для обнаружения и классификации мочеевых клеток, включая эритроциты, белые кровяные клетки, эпителиальные клетки, кристаллы и бактерии. Используя YOLOv10 с оптимизацией выбора лидеров шимпанзе, он достигает 84% mAP50 на подмножестве тестов, что потенциально снижает нагрузку на ручную микроскопию при клиническом анализе мочи.

Аннотация

Для диагностики различных заболеваний мочевыводящих путей крайне важно точно обнаруживать клетки мочи. В этой статье представлен новый подход к обнаружению и классификации клеток мочи с использованием модели YOLOv10 (You Only Look One version 10), интегрированной с алгоритмом CLEO. YOLOv10, известный своей превосходной производительностью в обнаружении объектов, объединён с CLEO — алгоритмом оптимизации, вдохновлённым природой. Модель обучена на Urine Microscopic Image Dataset (UMID), включающем различные типы изображений клеток мочи. Были классифицированы различные типы клеток, включая бактерии, эпителиальные клетки, эритроциты, лейкоты, кристаллы и отлепки непосредственно с микроскопических изображений образцов мочи. Результаты строгих тестов показывают, что YOLOv10, интегрированный с CLEO, является надёжным инструментом для анализа осадков мочи, достигая среднего Precision@50 (mAP50) 84% и отзыва 90%. Таким образом, предлагаемый подход обеспечивает значительное улучшение скорости и стабильность по сравнению с традиционными методами анализа осадков мочи. Эта система может автоматически анализировать изображения осадков мочи в реальном времени с хорошей эффективностью обнаружения и способна облегчить компьютерно-ассистированное клиническое анализирование мочи, тем самым снижая нагрузку на ручной анализ и диагностику.

Введение

Заболевания почек, инфекции мочевыводящих путей, метаболические нарушения и системные нарушения можно обнаружить с помощью анализа мочи, который является очень важным процессом^{диагностики 1,2}. Важно изучать осадки мочи под микроскопом для выявления миниатюрных компонентов, таких как эритроциты (эритроциты), лейкоциты (лейкоциты), бактерии, грибы, гипсы и^{т.д. 3}. Однако традиционный ручной анализ с помощью оптической микроскопии требует трудоёмких усилий и зависит от навыков специалиста, что может привести к изменчивости между наблюдателями и непоследовательным диагнозам в напряжённых клинических^{условиях 4,5}.

Необходим целенаправленный метод для решения проблем автоматического анализа образцов мочи. Впечатляющая эффективность глубокого обучения в реальном времени в области локализации объектов и классификации в анализе изображений обещает медицинскую визуализацию, особенно в области алгоритмов обнаружения объектов, ярким примером является семейство алгоритмов You Only Look One (YOLO)^{6, 7 и 8}. Предыдущие исследования с вариантами YOLO сталкивались с проблемами перекрытия частиц мочи, морфологических вариаций, дисбаланса классов и низкой точности работы в сложных^{условиях} 3,9,10,11. Кроме того, зависимость от вручную выбранных гиперпараметров в этих системах на базе YOLO может затруднять обобщение и оптимизацию моделей.

YOLOv10 — это современная модель, которая улучшает извлечение признаков, вычислительную эффективность и скорость вывода для анализа изображений в режиме реального^{времени 12}. Однако его производительность зависит от поиска оптимального набора параметров, что является сложной нелинейной задачей оптимизации и может влиять на стабильность сходимости и точность обнаружения. Поэтому крайне важно применить эффективный метод оптимизации для повышения эффективности подхода при обнаружении микроскопических осадков мочи. В этом исследовании интегрируется алгоритм CLEO, вдохновлённый социальной иерархией шимпанзе, для оптимизации параметров YOLOv10. CLEO отлично балансирует между разведкой и эксплуатацией, эффективно справляясь с задачами оптимизации с высокой величиной, тем самым преодолевая локальные оптимальные ловушки, характерные для традиционных^{методов 13,14}. Эта адаптация важна для анализа осадков мочи. В этом применении условия визуализации, а также форма и текстура частиц варьируются. В таких условиях необходимо обеспечить стабильную эффективность обнаружения. CLEO может использоваться в клинических приложениях в реальном времени и обеспечивает более быструю сходимость и лучшие глобальные результаты поиска по сравнению с другими широко используемыми алгоритмами^{оптимизации 15}.

Здесь описан прогресс в анализе клеток мочи с использованием глубокого обучения. В раннем автоматизированном анализе осадков мочи применялись традиционные методы обработки изображений, такие как пороговое определение и извлечение признаков, в сочетании с классификаторами, такими как SVM, k-NN, деревья принятия решений и алгоритмы случайного^леса 16,17,18,19,20. Эти методы имели умеренный успех, но плохо работали для перекрывающихся клеток, различных условий освещения, шума и сложных морфологий осадков. Кроме того, для ручного построения признаков требовался значительный уровень знаний в области. Рост глубокого обучения, в частности сверточных нейронных сетей (CNN), значительно улучшил анализ изображений, при этом такие архитектуры, как AlexNet и ResNet, достигли повышения точности^{классификации 21}. Однако большинство методов CNN по-прежнему сосредоточены на классификации на уровне изображений, а не на обнаружении и локализации многих частиц осадков в микроскопических изображениях в реальном времени.

Семейство фреймворков для обнаружения объектов YOLO приобрело популярность в области анализа медицинских изображений благодаря своей быстрой и точной работе. Системы на базе YOLO, такие как YOLOv3, YOLOv5 и YOLOv8, продемонстрировали приемлемую работу в реальном времени и улучшенную локализацию компонентов осадка мочи по сравнению с методами, основанными на региональных предложениях, такими как Faster R-CNN и Mask R-CNN 14,15,22. Тем не менее, существуют трудности, включая чувствительность к дисбалансу класса и менее точную классификацию малых или похожих частиц, а также использование вручную выбранных параметров обучения. Недавние результаты показывают, что сочетание методов метаэвристической оптимизации, таких как оптимизация роя частиц (PSO)²³, генетические алгоритмы (GA)²⁴, оптимизация серого волка (GWO)²⁵, алгоритмы оптимизации китов (WOA)²⁶ и оптимизация муравьиных колоний (ACO)²⁷, с системами глубокого^{обучения 28,29,30,31,32,33} может улучшить оптимизацию гиперпараметров и повысить эффективность обучения. Тем не менее, традиционные методы оптимизации могут застревать в локальном оптимуме и не исследовать пространство решений в высокомерном мире, что приводит к ранней сходимости.

CLEO — это новый метод метаэвристической оптимизации, основанный на социальном поведении шимпанзе, который улучшает баланс между исследованием и эксплуатацией и глобальной оптимизацией. Доказано, что он работает лучше, чем традиционные алгоритмы, устранив локальные минимумы и успешно преодолевая пространство решений для решения сложных задач, но пока не был полностью изучен для применения в обнаружении биомедицинских объектов и анализе осадков мочи. Существующие рамки анализа осадков мочи сосредоточены либо на улучшении архитектуры обнаружения, либо на её независимой оптимизации и не дают достаточного понимания того, как они повлияют на диагностические результаты анализа осадков в реальном времени.

Учитывая эти пробелы в литературе, это исследование сочетает CLEO с архитектурой YOLOv10, которая лучше подходит для представления признаков и работы в реальном времени, чтобы автоматизировать анализ микроскопии осадков мочи. Фреймворк предназначен для повышения точности и устойчивости обнаружения, а также для интеграции в системы анализа мочи в реальном времени для клинического использования, сочетая преимущества быстрого обнаружения объектов в YOLOv10 с адаптивной оптимизацией гиперпараметров CLEO.

В исследовании предлагается новый подход, объединяющий алгоритмы оптимизации YOLOv10 и CLEO для автоматизированного микроскопического анализа осадков мочи с целью использования в реальном времени. YOLOv10 был выбран для внедрения, потому что обеспечивает выдающуюся производительность обнаружения с превосходной точностью, вычислительной эффективностью и возможностями вывода в реальном времени, что делает его отлично подходящим для автоматизированного микроскопического анализа осадков мочи. Он повышает эффективность сквозного обнаружения, снижает постобработку и обеспечивает высокую производительность для небольших и разнообразных объектов. Этот фреймворк использует процедуру метаэвристической оптимизации для повышения оптимизации параметров модели и устойчивости к обнаружению, в отличие от существующих методов YOLO, которые сосредоточены исключительно на архитектурных улучшениях. Её цель — повысить точность обнаружения объектами осадка мочи различных классов и повысить эффективность вывода в клинической среде. Исследование предполагает, что такая интеграция приведёт к повышению точности обнаружения, большей стабильности сходимости и более высокой вычислительной эффективности, что в конечном итоге поможет лабораторным специалистам минимизировать ручную нагрузку и обеспечить стабильность и скорость анализа мочи.

Протокол

Данные, использованные в этом исследовании, получены из публичной базы данных микроскопических изображений осадков мочи. В ходе исследования не использовалась личная информация, идентифицирующая пациента. Коммерчески доступные элементы, связанные с этим протоколом, перечислены в Таблице материалов.

Получение и подготовка набора данных
Были получены микроскопические изображения осадков мочи, включающие эритроциты, лейкоциты, эпителиальные клетки, кристаллы, слепки, бактерии и дрожжи. Все изображения сохранялись в форматах PNG или JPEG с использованием согласованных наименований. Размытые или низкокачественные изображения с неполными артефактами осадков были исключены. Программное обеспечение для аннотирования ограничивающих коробок использовалось для аннотирования частиц осадка на уровне объекта. Каждому типу осадков присваивался номер класса, а аннотации экспортировались в формате YOLO, содержащие идентификатор класса, нормализованные координаты центра, ширину ограничивающей рамки и высоту ограничивающего рамки. Качество аннотаций проверялось вручную путём случайного выбора аннотированных изображений.

Набор данных был случайным образом разделён на три подгруппы: 70% обучающих данных, 15% валидационных и 15% тестовых. Мы использовали функцию Python Scikit-learn train_test_split() с стратифицированной выборкой для разделения набора данных. Каждое подмножество сохраняло пропорциональное представление всех классов осадков. Стратифицированное случайное разбиение использовалось для минимизации различий классов между разделами наборов данных. Распределение изображений по категориям осадков мочи по классам иллюстрируется в Таблице 1.

Все микроскопические изображения были изменены до 640 × 640 пикселей с помощью билинейной интерполяции с помощью OpenCV. Значения интенсивности пикселей нормализовались до диапазона [0,1]. Дополнение данных осуществлялось с помощью горизонтального переворота, вертикального переворота, случайного вращения (±15°), регулировки яркости и регулировки контраста во время тренировки. Предварительно обработанные изображения сохранялись в отдельных папках для обучения, валидации и тестирования.

Конфигурация системы
Экспериментальная среда была настроена для анализа осадков мочи на основе глубокого обучения. Были установлены версии Python 3.10, фреймворк глубокого обучения PyTorch и CUDA Toolkit версии 12.1 для ускорения GPU. Были установлены дополнительные пакеты на Python, включая OpenCV, NumPy, Pandas, Matplotlib и Scikit-learn. Репозиторий реализации YOLOv10 был скачан и настроен до начала экспериментов. Детерминированные вычисления GPU были включены, где это было возможно, и все версии пакетов, использованные во время экспериментов, записывались для поддержки воспроизводимости.

Обнаружение осадка мочи на основе YOLOv10
Схематическая схема YOLOv10 показана на рисунке 1. Загружены предобученные веса YOLOv10, обученные на наборе данных COCO. Финальный слой обнаружения был заменён на пользовательский выходной слой путём замены стандартного количества классов COCO на количество классов осадков мочи. Конфигурация обнаружения без якоря была реализована на основе структуры YOLOv10.

Обучающие гиперпараметры инициализировались с частотой обучения 0,001, размером партии 16 300 эпох, оптимизатором AdamW и снижением веса 0,0005. Было применено расписание скорости обучения по косинусному отжигу, и во время обучения была включена ранняя остановка с показателем терпения 20.

Обучающий набор данных вводился в сеть YOLOv10 для генерации прогнозов ограничивающих коробок и вероятностей классов. Во время обучения рассчитывались потеря локализации, потери классификации, доверия и полные потери. Веса модели обновлялись с помощью обратного распространения и оптимизации градиентного снижения. Валидация проводилась после каждой эпохи с использованием валидационного набора данных.

Рисунок 1: Архитектура YOLOv10. Схематическое представление архитектуры обнаружения объектов YOLOv10, используемой для автоматизированного анализа осадков мочи. На рисунке показаны компоненты позвоночника, шеи и головки обнаружения, участвующие в извлечении признаков, многомасштабном слиянии признаков и обнаружении объектов без якоря для микроскопических частиц осадка мочи. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Оптимизация выборов лидеров шимпанзе (CLEO)
Схематическая схема CLEO показана на рисунке 2. Пространство поиска оптимизации включало скорость обучения 0,0001–0,01, размер партии 8–32, импульс 0,8–0,99, спад веса 0,0001–0,001 и порог доверия 0,25–0,75. Была сформирована начальная популяция шимпанзе, содержащая случайные кандидатные решения. YOLOv10 обучалась с использованием гиперпараметров, представленных каждым кандидатом шимпанзе, а производительность модели оценивалась с использованием среднего точного (mAP) валидационного среднего значения. Функция приспособленности была определена следующим образом:

Здесь , и представляют коэффициенты веса. Кандидат-шимпанзе с наивысшим результатом физической подготовки был выбран лидером. Оставшиеся кандидатные решения были обновлены в соответствии с правилами обновления позиций CLEO. Процессы разведки и эксплуатации проводились итеративно для определения оптимальных гиперпараметров. Процесс оптимизации повторялся в течение 50 итераций или до тех пор, пока улучшение приспособленности не < 0,001. Присвоенные веса составляли 0,5, 0,25 и 0,25. Оптимальные гиперпараметры, генерируемые CLEO, были применены к фреймворку YOLOv10. Сеть была переобучена с использованием полного обучающего набора данных, и лучшие веса модели сохранялись на основе эффективности валидации. Рабочий процесс предлагаемой модели иллюстрирован на рисунке 3.

Рисунок 2: Алгоритм оптимизации выборов лидера шимпанзе. Рабочий процесс алгоритма оптимизации CLEO, показывающий инициализацию кандидатских решений, оценку приспособленности, выбор лидеров, стратегию обновления исследований-эксплуатации и итеративную сходимость для гиперпараметрической оптимизации фреймворка YOLOv10. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3: Рабочий процесс предлагаемой модели. Общий рабочий процесс предлагаемого фреймворка YOLOv10 + CLEO для автоматизированного анализа осадков мочи, включая сбор наборов данных, предварительную обработку изображений, аннотирование, обучение моделей, оптимизацию гиперпараметров на основе CLEO, обнаружение и оценку производительности. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Оценка модели
Оптимизированная модель YOLOv10 + CLEO была протестирована с использованием независимого набора данных. Были рассчитаны метрики оценки производительности, включая точность, точность, отзыв, результат F1, mAP50 и mAP50-95. Для вычислений использовались функции метрик Scikit-learn. Также фиксировалось среднее время вывода на изображение. Прогнозируемые классы осадков сравнивались с аннотациями на грунтовой истинности для создания матриц путаницы для всех категорий осадков. Часто ошибочно классифицированные частицы осадка определялись на основе результатов классификации. Сравнительные модели, включая YOLOv5, YOLOv8 и Faster R-CNN, были обучены и оценены с использованием набора данных UMID в идентичных аппаратных конфигурациях.

Результаты

Кривые потерь при обучении и валидации показаны на рисунке 4, где YOLOv10 в сочетании с показателями эффективности CLEO для обнаружения клеток мочи. Точность предсказанных ограничивающих ящиков для обнаружения клеток мочи измеряется потерей коробки. Ошибка в предсказании правильного класса измеряется потерями классификации (cls). Распределённые фокальные потери (DFL) используются для повышения точности регрессии ограничивающих коробок. Значения всех обучающи...

Обсуждение

Результаты этого исследования дают убедительные доказательства потенциала автоматизированного обнаружения и классификации компонентов осадка мочи с помощью YOLOv10 и CLEO в контексте медицинской диагностики. Предлагаемая модель обеспечивает более быстрое и надёжное решение для своевременного принятия решений, оптимизируя гиперпараметры YOLOv10 с помощью CLEO. Предлагаемая система обеспечивает высокоточные, отзывные, F1-показатели и mAP для различных клеток мочи, таких как эритроциты, лей...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
CUDA Toolkit 12.1	NVIDIA Corporation	Версия 12.1/ RRID:SCR_018425	Платформа для ускорения GPU
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Инструмент аннотации
Matplotlib	Matplotlib Development Team	Версия 3.x	Визуализация данных
NumPy	NumPy Developers	Версия 1.x	Численные вычисления
OpenCV	OpenCV.org	RRID:SCR_015881	Предварительная обработка и анализ изображений
Pandas	Pandas Development Team	Версия 2.x	Обработка и анализ данных
Python 3.10	Python Software Foundation	RRID:SCR_008394	Язык программирования
PyTorch	PyTorch Foundation	RRID:SCR_018536	Фреймворк для глубокого обучения
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Утилиты для машинного обучения
Ubuntu Linux	Canonical Ltd.	Версия 22.04	Операционная система
Urine Sediment Microscopic Dataset	Public dataset repository	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset with point and box annotations · GitHub	Датасет изображений микроскопического анализа мочи
YOLOv10 implementation	Ultralytics	YOLOv10: Real-Time End-to-End Object Detection | Ultralytics Docs	Фреймворк для обнаружения объектов