Видео вместо десятков снимков: анализ мочи стал проще экспресс
Капля мочи под микроскопом — не плоская лужица, а многослойный объём. Как стопка прозрачных страниц: если рассматривать одну, соседние расплываются. Так и свет микроскопа чётко показывает только один слой глубины. Чтобы увидеть все клетки, лаборант делал серию снимков, вручную сдвигая фокус — утомительно и медленно.
Теперь достаточно короткого видео (2–14 секунд), где оператор просто крутит ручку. Программа, словно прилежный читатель, перелистывает кадры и собирает из них единое изображение: каждый участок берётся в момент наилучшей резкости. Так из мозаики лучших «страниц» рождается идеально чёткая картинка. Затем нейросеть, обученная на медицинских образцах, быстро находит и определяет тип клеток. Неожиданный бонус: дрожание рук при ручной фокусировке только помогает, создавая больше ракурсов для алгоритма.
Испытания на 14 реальных образцах показали: точность не хуже, а анализ в разы быстрее. Это приближает автоматическую микроскопию к обычным больницам, где важна каждая минута.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2607.13601
Microscopic urinalysis is a routine diagnostic test at hospitals. Recent studies have demonstrated the effectiveness of deep learning methods to automate microscopic urinalysis. These methods rely on high-quality images of the urine samples in which each cell is clearly identifiable. However, in practice, the urine sample on a glass slide has a multi-layer structure; hence, all the cells are not clearly visible within the depth of field of a lens focused at a particular focal plane. It demands acquiring multiple images at different focal planes to correctly identify each cell in a given urine sample, which is a time-consuming task. In this paper, we propose to simplify the task by recording a video, in place of acquiring multiple images, while gradually changing the focus of the lens manually by hand. A typical length of the video is from 2 to 14 seconds. We reconstruct an all-in-focus image from the recorded video frames and apply a deep learning model to detect and classify urine sediments. As a proof of concept, we conduct experiments on 14 videos acquired by a trained lab technician in a usual diagnostic lab environment and show the effectiveness of the proposed automated urinalysis pipeline with our novel reconstruction algorithm.
Моча использовалась для диагностики ещё в Древнем Египте: врачи наблюдали, как быстро в ней тонут зерна ячменя – прообраз современных тест-полосок.
В фантастических рассказах врачи ставят диагноз по одной капле — как медицинский трикодер из «Звёздного пути». Теперь такая картина становится чуть реальнее.