Towards the Selection of the Best Machine Learning Techniques and Methods for Urinalysis

Zeb, Babar; Khan, Abdullah; Khan, Younas; Masood, Muhammad Faisal; Tahir, Iqra; Asad, Muhammad Usman

doi:10.1145/3383972.3384031

Cited by 3 publications

(1 citation statement)

References 28 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Additionally, specific categories of urine sediments exhibit noticeable similarities. Consequently, research efforts have been directed towards automating urine sediment analysis to enhance diagnostic capabilities and overcome the limitations associated with manual examination [8], [9]. Automated urine analysis relies on digital images of urinary sediments captured through a microscopic lens.…”

Section: Introductionmentioning

confidence: 99%

An Optimized Data and Model Centric Approach for Multi-Class Automated Urine Sediment Classification

Akhtar,

Hanif,

Rashid

et al. 2024

IEEE Access

View full text Add to dashboard Cite

Automated urine sediment analyzers play a crucial role in diagnosing urinary tract infections, offering real-time data analysis and expediting patient diagnosis. This paper introduces a novel hybrid approach combining data-centric and model-centric techniques for automated urine sediment analysis. The proposed methodology addresses challenges such as morphological similarities among particle classes, uneven particle distribution, and intra/inter-class variations. A modified version of convolutional neural network (CNN), specifically the Visual Geometry Group (VGG-19) model, incorporating transfer learning, along with data augmentation is proposed for automated urine sediment classification with 98% accuracy and impressive inference time of 61ms per image. The proposed approach outperforms existing methods, especially in handling diverse sediment categories, demonstrating its potential for practical applications in medical diagnostics. We proposed the integration of a data-centric approach for improved labeling reliability and a model-centric approach for fine-tuning of the deep learning model, showcasing promising results in recognizing 12 distinct urine sediment classes. This study also emphasizes the importance of collaboration with medical professionals in refining the model's performance and handling challenges related to data acquisition and class imbalance. The proposed approach provides a significant advancement in automating and enhancing urine sediment analysis processes.

show abstract

Section: Introductionmentioning

confidence: 99%

An Optimized Data and Model Centric Approach for Multi-Class Automated Urine Sediment Classification

Akhtar,

Hanif,

Rashid

et al. 2024

IEEE Access

View full text Add to dashboard Cite

show abstract

Lab-in-a-Cup (LiC): An autonomous fluidic device for daily urinalysis using smartphone

Rahman

Uddin

Hong

et al. 2022

Sensors and Actuators B: Chemical

View full text Add to dashboard Cite

Mask R-CNN ile Mikroskobik İdrar Görüntüsü İçeriklerinin Tespiti

YÖRÜK,

SARAOĞLU,

ÖZER

2023

Afyon Kocatepe University Journal of Sciences and Engineering

View full text Add to dashboard Cite

Mikroskobik idrar içerikleri doğru ve dikkatli bir şekilde analiz edildiğinde vücut hakkında önemli bilgiler verir. İdrar tahlilinin insan sağlığı için önemi nedeniyle mikroskobik idrar içeriklerinin tespit edilmesi amacıyla derin öğrenme görüntü işleme tekniği kullanılarak yapay zeka uygulamaları yapılmıştır. Literatürde yer alan çalışmaların çoğunda genel olarak semantik segmentasyon üzerine yoğunlaşılmıştır. Bu çalışmada ise piksel düzeyinde segmentasyon yapabilen Mask R-CNN modeli ile mikroskobik idrar görüntülerindeki alyuvar, akyuvar, epitel, kristal, bakteri ve mantar içerikleri konum ve nesne türü bilgisiyle birlikte tespit edilmiştir. Mask R-CNN ile tespit edilen nesnelere maske ve çerçeve olmak üzere iki tip sınır çizilmektedir. Sistemin performansı her iki sınır tipi için ayrı ayrı incelenmiştir. Test için kullanılan 100 görüntüdeki toplam 1154 örüntüden maskelere göre 808 ve çerçevelere göre 843 nesne doğru şekilde tespit edilmiştir (IoU=0,5). En iyi tespit oranı akyuvarlar ve alyuvarlar için gerçekleşmiştir. Epiteller çerçevelere göre hesaplamada başarılı bir şekilde tespit edilmiştir fakat düzgün maske oluşturulamamıştır. Bakteriler diğerlerine göre çok küçük olduğu için doğru tespit oranı düşük kalmıştır. Kristallerin ve mantarların çoğu doğru şekilde tespit edilmiştir. Ayrıca, nesne tespitinde sıklıkla kullanılan değerlendirme metriği mAP de hesaplanmıştır. Sistem için hesaplanan mAP değerleri maskelere göre 0,7842 ve çerçevelere göre 0,8343 olmuştur. Mask R-CNN sistemi iyi bir şekilde optimize edilip daha fazla idrar içeriğine ait görüntülerle eğitilmesi durumunda idrar analiz sistemlerinde kullanılabilir.

show abstract

Towards the Selection of the Best Machine Learning Techniques and Methods for Urinalysis

Cited by 3 publications

References 28 publications

An Optimized Data and Model Centric Approach for Multi-Class Automated Urine Sediment Classification

An Optimized Data and Model Centric Approach for Multi-Class Automated Urine Sediment Classification

Lab-in-a-Cup (LiC): An autonomous fluidic device for daily urinalysis using smartphone

Mask R-CNN ile Mikroskobik İdrar Görüntüsü İçeriklerinin Tespiti

Contact Info

Product

Resources

About