Şempanze Lideri Seçim Optimizasyonu ile YOLOv10 kullanarak Otomatik İdrar Sediment Mikroskobik Görüntü Analizi

Özet

Çalışma, UMID veri setini kullanarak Kırmızı Kan Hücreleri, Beyaz Kan Hücreleri, epitel hücreleri, kristaller ve bakteriler dahil olmak üzere idrar hücrelerini tespit edip sınıflandıran bir model önermektedir. YOLOv10'u Şempanze Lider Seçim Optimizasyonu ile kullanarak, test alt kümesinde %84 mAP50 elde eder ve klinik idrar analizinde manuel mikroskopi iş yükünü potansiyel olarak azaltır.

Özet

Çeşitli idrar hastalıklarını teşhis etmek için idrar hücrelerinin doğru tespit edilmesi hayati öneme sahiptir. Bu makale, CLEO algoritmasıyla entegre edilmiş YOLOv10 (You Only Look Once versiyon 10) modeli kullanılarak idrar hücrelerinin tespit edilmesi ve sınıflandırılması için yeni bir yaklaşım sunmaktadır. Nesne algılamadaki üstün performansıyla bilinen YOLOv10, doğadan ilham alan bir optimizasyon algoritması olan CLEO ile birleştirilmiştir. Model, çeşitli idrar hücresi görüntülerini içeren İdrar Mikroskobik Görüntü Veri Seti (UMID) üzerinde eğitilmiştir. Bakteriler, epitel hücreleri, RBC'ler, WBC'ler, kristaller ve doğrudan idrar örneklerinin mikroskobik görüntülerinden alınan alçılar dahil olmak üzere birden fazla hücre tipi sınıflandırılmıştır. Titiz testlerin sonuçları, YOLOv10'un CLEO ile entegre edilmesinin idrar tortularını analiz etmek için sağlam bir araç olduğunu, ortalama %84 Ortalama Precision@50 (mAP50) ve 90% geri çağırma elde ettiğini göstermektedir. Bu nedenle, önerilen yaklaşım, geleneksel idrar tortu analizi yöntemlerine kıyasla önemli hız artışları ve tutarlılık sağlar. Çerçeve, idrar tortusu görüntülerini gerçek zamanlı olarak otomatik olarak analiz edebilir ve iyi bir tespit performansıyla bilgisayar destekli klinik idrar analizine yardımcı olma potansiyeline sahiptir; böylece manuel analiz ve tanı iş yükünü azaltır.

Giriş

Böbrek hastalığı, idrar yolu enfeksiyonları, metabolik bozukluklar ve sistemik anormallikler, çok önemli bir teşhis süreci olan idrar^{analiziyle tespit edilebilir 1,2}. Kırmızı kan hücreleri (RBC), beyaz kan hücreleri (WBC), bakteriler, mantarlar, alçılar vb. gibi minyatür bileşenleri belirlemek için idrar tortularını mikroskop altında incelemek çok önemlidir^. Ancak, optik mikroskopi ile yapılan geleneksel manuel analiz emek yoğun olup, teknisyenin becerisine bağlıdır; yoğun klinik ortamlarda gözlemciler arasında değişkenlik ve tutarsız tanılara yol açabilir ^4,5.

İdrar örneklerinin otomatik muayenesindeki zorlukları gidermek için hedefli bir yönteme ihtiyaç vardır. Derin öğrenmenin nesne yerelleştirme ve görüntü analizinde sınıflandırmadaki etkileyici gerçek zamanlı performansı, özellikle nesne algılama algoritmaları alanında tıbbi görüntüleme için umut vaat ediyor; öne çıkan bir örnek You Only Look Once (YOLO) algoritma^ailesi 6,7,8'dir. YOLO varyantlarını kullanan önceki araştırmalar, örtüşen idrar parçacıkları, idrar parçacıklarının morfoloji değişiklikleri, sınıf dengesizliği ve karmaşık koşullarda düşük performans doğruluğu gibi sorunlarla^{karşılaşmıştır} 3,9,10,11. Ayrıca, bu YOLO tabanlı sistemlerde manuel olarak seçilen hiperparametrelere bağımlılık modelin genellemesi ve optimizasyonunu engelleyebilir.

YOLOv10, gerçek zamanlı görüntülerin analizi için özellik çıkarımını, hesaplama verimliliğini ve çıkarım hızını^{geliştiren güncel bir modeldir 12}. Ancak performansı, karmaşık, doğrusal olmayan bir optimizasyon problemi olan ve yakınsamanın kararlılığını ve tespit doğruluğunu etkileyebilen optimal bir parametre kümesi bulmaya bağlıdır. Bu nedenle, mikroskobik idrar tortullarının tespitinde yaklaşımın performansını artırmak için verimli bir optimizasyon yöntemi uygulamak gereklidir. Bu araştırma çalışması, şempanze sosyal hiyerarşisinden ilham alan CLEO algoritmasını entegre ederek YOLOv10 parametrelerini optimize etmektedir. CLEO, keşif ve sömürü dengelemekte üstün olurken, yüksek boyutlu optimizasyon zorluklarını etkili bir şekilde aşar ve böylece geleneksel yöntemlerde yaygın olan yerel optima tuzaklarını^{aşar 13,14}. Bu adaptasyon, idrar tortusu analizi için önemlidir. Bu uygulamada, görüntüleme koşulları, parçacıkların şekli ve dokusu da değişkenlik gösterir. Bu koşullarda, stabil algılama performansı sağlamak gerekir. CLEO, gerçek zamanlı klinik uygulamalarda kullanılabilir ve diğer yaygın kullanılan optimizasyon algoritmalarına kıyasla daha hızlı yakınsamaya ve daha iyi küresel arama sonuçlarına^{ulaşabilir. 15}.

Derin öğrenme ile idrar hücrelerinin analizinde elde edilen ilerleme burada ele alınmaktadır. Erken otomatik idrar tortu analizinde, eşik belirleme ve özellik çıkarma gibi geleneksel görüntü işleme teknikleri, SVM, k-NN, Karar Ağaçları ve Rastgele Orman^algoritması 16,17,18,19,20 gibi sınıflandırıcılarla birlikte uygulanmıştır. Bu teknikler orta düzeyde başarı elde etti, ancak üst üste düşen hücreler, farklı ışık koşulları, gürültü ve karmaşık tortu morfolojileri için kötü performans gösterdi. Ayrıca, özelliklerin manuel inşası için önemli bir alan bilgisi düzeyi gerekiyordu. Derin öğrenmenin, özellikle Konvolüsyon Sinir Ağlarının (CNN) yükselişi, görüntü analizini büyük ölçüde geliştirmiş ve AlexNet ile ResNet gibi mimariler daha iyi sınıflandırma doğruluğu^{elde etmiştir 21}. Ancak çoğu CNN tabanlı yöntem, mikroskopik görüntülerdeki birçok tortu parçacığının gerçek zamanlı tespiti ve lokalizasyonu yerine görüntü düzeyinde sınıflandırmaya odaklanır.

YOLO nesne tespit çerçeveleri ailesi, hızlı ve doğru performanslarıyla tıbbi görüntü analizi alanında popülerlik kazanmıştır. YOLOv3, YOLOv5 ve YOLOv8 gibi YOLO tabanlı sistemler, bölge önerilerine dayalı tekniklere kıyasla kabul edilebilir gerçek zamanlı performans ve idrar tortusu bileşenlerinin daha iyi lokalizasyonunu gösterdi; örneğin Faster R-CNN ve Mask R-CNN 14,15,22. Yine de, sınıf dengesizliğine duyarlılık ve küçük veya benzer parçacıklar için daha az doğru sınıflandırma ile manuel seçilmiş eğitim parametrelerinin kullanımı gibi zorluklar da vardır. Son bulgular, Parçacık Sürüsü Optimizasyonu (PSO)²³, Genetik Algoritmalar (GA)²⁴, Gri Kurt Optimizasyonu (GWO)²⁵, Balina Optimizasyon Algoritmaları (WOA⁾²⁶ ve Karınca Koloni Optimizasyonu (ACO)²⁷ gibi metasöristik optimizasyon tekniklerinin derin öğrenme sistemleri 28,29,30,31,32,33 ile birleştirildiğini göstermektedir hiperparametrelerin optimizasyonunu iyileştirebilir ve eğitimin etkinliğini artırabilir. Buna rağmen, bu geleneksel optimizasyon teknikleri yerel bir optimumda takılı kalabilir ve yüksek boyutlu bir dünyada çözüm alanını keşfedemeyebilir, bu da erken bir yakınsamaya yol açar.

CLEO, şempanzelerin sosyal davranışına dayanan yeni bir meta-sezgisel optimizasyon yöntemidir ve keşif-sömürü dengesini ve küresel optimizasyonu iyileştirir. Yerel minimumları ortadan kaldırarak ve karmaşık problemleri çözmek için çözüm alanını başarıyla dolaşarak geleneksel algoritmalardan daha iyi performans göstermiştir, ancak biyomedikal nesne tespiti ve idrar tortusu analizinde henüz tam olarak araştırılmamıştır. Mevcut idrar tortusu analiz çerçeveleri, ya tespit mimarisini iyileştirmeye ya da bağımsız olarak optimize etmeye odaklanmış olup, gerçek zamanlı idrar tortu analizinin tanı performansını nasıl etkileyeceğine dair çok fazla bilgi sağlamamaktadır.

Literatürdeki bu boşluklar ışığında, bu araştırma CLEO'yu özellik temsili ve gerçek zamanlı performans açısından daha iyi olan YOLOv10 mimarisi ile birleştirerek idrar tortu mikroskopisi analizini otomatikleştiriyor. Çerçeve, tespit doğruluğunu ve dayanıklılığını artırmak için tasarlanmıştır ve klinik kullanım için gerçek zamanlı idrar analizi sistemlerine entegre edilmek üzere tasarlanmıştır; YOLOv10'un nesneleri hızlı tespitinin faydalarını CLEO'nun hiperparametrelerin uyarlanabilir optimizasyonuyla birleştirir.

Çalışma, gerçek zamanlı kullanım için idrar tortularının otomatik mikroskopik analizi için YOLOv10 ve CLEO optimizasyon algoritmalarını birleştiren yeni bir yaklaşım önermektedir. YOLOv10, üstün doğruluk, hesaplama verimliliği ve gerçek zamanlı çıkarım yetenekleriyle olağanüstü tespit performansı sunduğu için uygulanmaya seçilmiştir; bu da onu otomatik idrar tortusu mikroskobik görüntü analizi için oldukça uygun kılar. Uçtan uca algılama verimliliğini artırır, sonradan işlem sürecini azaltır ve küçük ile çeşitli nesneler için yüksek performans sağlar. Bu çerçeve, model parametre optimizasyonunu ve tespit sağlamlığını artırmak için metasezgisel bir optimizasyon prosedürü kullanır; mevcut YOLO tabanlı yöntemler ise sadece mimari iyileştirmelere odaklanır. Amacı, farklı sınıflarda idrar tortulunun nesne tespitinin doğruluğunu artırmayı ve klinik ortamda çıkarımın verimliliğini artırmaktır. Araştırma, bu entegrasyonun tespitte daha iyi doğruluk, daha yüksek yakınsama kararlılığı ve daha yüksek hesaplama verimliliği sağlayacağını, böylece laboratuvar profesyonellerinin manuel iş yükünü en aza indirmeye ve idrar analizinde tutarlılık ve hız sağlamasına yardımcı olacağını öne sürmektedir.

Protokol

Bu çalışmada kullanılan veriler, mikroskobik idrar tortu görüntülerinin kamuya açık bir araştırma veritabanından alınmıştır. Çalışma sırasında hastayı tanıyan kişisel bilgiler kullanılmadı. Bu protokolle ilişkili ticari olarak mevcut unsurlar Materyaller Tablosu'nda listelenmiştir.

Veri Seti Edinin ve Hazırlanın
Mikroskobik idrar tortusu görüntüleri elde edildi; bunlar RBC, WBC, epitel hücreleri, kristaller, alçılar, bakteriler ve maya gibi maddelerden oluşuyordu. Tüm görseller, tutarlı adlandırma kuralları kullanılarak PNG veya JPEG formatında kaydedildi. Eksik tortu artefaktları içeren bulanık veya düşük kaliteli görüntüler ortadan kaldırıldı. Sınırlayıcı kutu açıklama yazılımı, idrar tortu parçacıklarının nesne düzeyinde notasyonu için kullanılmıştır. Her tortu tipine bir sınıf numarası atanmış ve sınıf tanımlayıcısı, normalleştirilmiş merkez koordinatları, sınırlayıcı kutu genişliği ve sınırlayıcı kutu yüksekliği içeren YOLO formatında açıklamalar ihraç edilmiştir. Açıklama kalitesi, annotasyonlu resimler rastgele seçilerek manuel olarak doğrulandı.

Veri seti, %70 eğitim verisi, %15 doğrulama verisi ve %15 test verisinden oluşan üç alt kümeye rastgele bölünmüştür. Veri setini bölmek için katmanlı örnekleme ile Python Scikit-learn train_test_split() fonksiyonunu kullandık. Her alt küme, tüm tortu sınıflarının orantılı temsilini korudu. Veri seti bölümleri arasında sınıf farksızlığını en aza indirmek için katmanlı rastgele bölme kullanıldı. Görüntülerin idrar tortusu kategorilerine sınıf bazında dağılımı Tablo 1'de gösterilmiştir.

Tüm mikroskobik görüntüler, OpenCV ile bilinezik interpolasyon kullanılarak 640 × 640 piksel boyutlarına yeniden boyutlandırıldı. Piksel yoğunluğu değerleri [0,1] aralığına normalleştirildi. Veri artırma, yatay çevirme, dikey çevirme, rastgele dönüş (±15°), parlaklık ayarlaması ve eğitim sırasında kontrast ayarlaması kullanılarak gerçekleştirildi. Ön işlenmiş görüntüler ayrı eğitim, doğrulama ve test klasörlerinde kaydedildi.

Sistem Konfigürasyonu
Deneysel ortam, derin öğrenme tabanlı idrar tortu analizi için yapılandırıldı. Python sürüm 3.10, PyTorch derin öğrenme çerçevesi ve GPU hızlandırma için CUDA Toolkit sürüm 12.1 yüklendi. OpenCV, NumPy, Pandas, Matplotlib ve Scikit-learn gibi ek Python paketleri kuruldu. YOLOv10 uygulaması için depo, denemeden önce indirilmiş ve yapılandırılmıştır. Mümkün olduğunda deterministik GPU hesaplaması etkinleştirildi ve denemeler sırasında kullanılan tüm paket sürümleri tekrarlanabilirliği destekleyecek şekilde kaydedildi.

YOLOv10 Tabanlı İdrar Sediment Tespiti
YOLOv10'un şematik diyagramı Şekil 1'de gösterilmiştir. COCO veri setinde eğitilen önceden eğitilmiş YOLOv10 ağırlıkları yüklendi. Son tespit katmanı, varsayılan COCO sınıf sayısının idrar tortu sınıfı sayısı ile değiştirilerek özel bir çıkış katmanı ile değiştirildi. YOLOv10 yapısına dayanarak çapasız bir algılama yapılandırması uygulandı.

Eğitim hiperparametreleri 0.001 öğrenme oranı, 16 parti sayısı 300 dönem, AdamW optimizatoru ve 0.0005 ağırlık kaybı ile başlatıldı. Kosinüs tavlama öğrenme hızı planlaması uygulandı ve eğitim sırasında sabır değeri 20 ile erken durma mümkün oldu.

Eğitim veri seti, sınırlayıcı kutu tahminleri ve sınıf olasılıkları oluşturmak için YOLOv10 ağına girildi. Eğitim sırasında yerelleştirme kaybı, sınıflandırma kaybı, güven kaybı ve toplam kayıp hesaplandı. Model ağırlıkları geri yayılma ve gradyan iniş optimizasyonu kullanılarak güncellendi. Doğrulama her dönemden sonra doğrulama veri seti kullanılarak gerçekleştirildi.

Şekil 1: YOLOv10'un Mimarisi. Otomatik idrar tortu analizi için kullanılan YOLOv10 nesne tespit mimarisinin şematik temsili. Şekil, özellik çıkarma, çok ölçekli özellik füzyonu ve mikroskobik idrar tortu parçacıkları için çapasız nesne tespitinde yer alan omurga, boyun ve tespit başı bileşenlerini göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şempanze Lideri Seçim Optimizasyonu (CLEO)
CLEO'nun şematik diyagramı Şekil 2'de gösterilmiştir. Optimizasyon arama alanı öğrenme oranı 0.0001–0.01, parti boyutu 8–32, momentum 0.8–0.99, ağırlık düşüşü 0.0001–0.001 ve güven eşiği 0.25–0.75 içeriyordu. Rastgele aday çözeltiler içeren başlangıçta bir şempanze popülasyonu oluşturuldu. YOLOv10, her aday şempanze tarafından temsil edilen hiperparametreler kullanılarak eğitildi ve model performansı doğrulama ortalama Ortalama Hassasiyeti (mAP) kullanılarak değerlendirildi. Uygunluk fonksiyonu şu şekilde tanımlanmıştır:

Burada, , ve ağırlık katsayılarını temsil eder. En yüksek kondisyon puanına sahip şempanze adayı lider olarak seçildi. Kalan aday çözümleri CLEO pozisyon güncelleme kurallarına göre güncellendi. En uygun hiperparametreleri belirlemek için araştırma ve kullanım süreçleri yinelemeli olarak gerçekleştirildi. Optimizasyon süreci 50 iterasyon boyunca veya kondisyon iyileştirmesi 0.001'e < kadar tekrarlandı. Verilen ağırlıklar 0.5, 0.25 ve 0.25 idi. Optimal CLEO tarafından oluşturulan hiperparametreler YOLOv10 çerçevesine uygulandı. Ağ, tam eğitim veri seti kullanılarak yeniden eğitildi ve en iyi performans gösteren model ağırlıkları doğrulama performansına göre kaydedildi. Önerilen modelin iş akışı Şekil 3'te gösterilmiştir.

Şekil 2: Şempanze Lideri Seçim Optimizasyonu algoritması. CLEO optimizasyon algoritmasının iş akışı, aday çözümlerin başlatılması, uygunluk değerlendirmesi, lider seçimi, keşif-exploitation güncelleme stratejisi ve YOLOv10 çerçevesinin hiperparametre optimizasyonu için yinelemeli yakınsamayı gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3: Önerilen modelin iş akışı. Önerilen YOLOv10 + CLEO çerçevesinin otomatik idrar tortusu analizi için genel iş akışı; veri seti edinimi, görüntü ön işleme, notasyon, model eğitimi, CLEO tabanlı hiperparametre optimizasyonu, tespit ve performans değerlendirmesi dahil. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Model Değerlendirmesi
Optimize edilmiş YOLOv10 + CLEO modeli, bağımsız test veri seti kullanılarak test edildi. Doğruluk, hassasiyet, hatırlama, F1-puanı, mAP50 ve mAP50-95 gibi performans değerlendirme metrikleri hesaplandı. Hesaplamalar için Scikit-Learn metrik fonksiyonları kullanıldı. Fotoğraf başına ortalama çıkarım süresi de kaydedildi. Tahmin edilen tortu sınıfları, tüm tortu kategorileri için karışıklık matrisleri oluşturmak amacıyla yer gerçeklik notasyonlarıyla karşılaştırıldı. Sıklıkla yanlış sınıflandırılan tortu parçacıkları sınıflandırma sonuçlarına dayanarak tespit edilmiştir. YOLOv5, YOLOv8 ve Faster R-CNN gibi karşılaştırma modelleri, UMID veri seti kullanılarak aynı donanım konfigürasyonlarında eğitilip değerlendirildi.

Sonuçlar

Eğitim ve doğrulama kayıp eğrileri, idrar hücresi tespiti için YOLOv10 ile CLEO performans metriklerinin birleşmesini gösteren Şekil 4'te gösterilmiştir. İdrar hücrelerini tespit etmek için tahmin edilen sınırlayıcı kutuların doğruluğu, kutu kaybı ile ölçülür. Doğru sınıfın tahminindeki hata, sınıflandırma (cls) kaybıyla ölçülür. Dağıtılmış odak kaybı (dfl), sınırlayıcı kutu regresyon doğruluğunu artırmak için kullanılır. Tüm eğitim eğrilerinin değerleri 1.0...

Tartışma

Bu çalışmanın sonuçları, tıbbi tanı bağlamında YOLOv10 ve CLEO yardımıyla idrar tortulu bileşenlerinin otomatik olarak tespit edilmesi ve sınıflandırılmasının potansiyeline dair güçlü kanıtlar sunmaktadır. Önerilen model, YOLOv10 hiperparametrelerini CLEO ile optimize ederek zamanında karar vermek için daha hızlı ve daha güvenilir bir çözüm sunar. Önerilen sistem, RBC, WBC, epitel hücreleri, bakteriler, kristaller ve alçılar gibi çeşitli idrar hücreleri için yüksek hassasiyet, geri çağır...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
CUDA Toolkit 12.1	NVIDIA Corporation	Version 12.1/ RRID:SCR_018425	GPU hızlandırma platformu
LabelImg Annotation Tool	Tzutalin	RRID:SCR_016189	Etiketleme aracı
Matplotlib	Matplotlib Development Team	Version 3.x	Veri görselleştirme
NumPy	NumPy Developers	Version 1.x	Sayısal hesaplama
OpenCV	OpenCV.org	RRID:SCR_015881	Görüntü ön işleme ve analizi
Pandas	Pandas Development Team	Version 2.x	Veri işleme ve analizi
Python 3.10	Python Software Foundation	RRID:SCR_008394	Programlama dili
PyTorch	PyTorch Foundation	RRID:SCR_018536	Derin öğrenme çerçevesi
Scikit-learn	scikit-learn Developers	RRID:SCR_002577	Makine öğrenimi yardımcı programları
Ubuntu Linux	Canonical Ltd.	Version 22.04	İşletim sistemi
Urine Sediment Microscopic Dataset	Public dataset repository	GitHub - dipamgoswami/UMID-Urine-Microscopic-Image-Dataset: Urine Microscopic Image Dataset with point and box annotations · GitHub	İdrar mikroskobu görüntü veriseti
YOLOv10 implementation	Ultralytics	YOLOv10: Real-Time End-to-End Object Detection | Ultralytics Docs	Nesne algılama çerçevesi