基于深度学习的定量胚胎细胞评估

科学领域:

• 胚胎学 胚胎学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 胚胎细胞形态评估对于体外受精 (IVF) 成功至关重要.
• 当前的深度学习方法往往提供定性,而不是定量,胚胎细胞的评估.
• 使用定性评估对胚胎细胞质量进行排名具有重大挑战.

研究的目的:

• 开发一种使用深度学习来评估胚胎细胞质量的定量方法.
• 为了提高胚胎细胞质量评估对试管婴儿程序的准确性.
• 为此目的,引入一个带有软注意力机制的回归网络.

主要方法:

• 建议使用回归神经网络与软注意力机制相结合.
• 该网络为精确的胚胎细胞质量评估生成连续的分数.
• 一个注意模块识别和定位在胚胎细胞图像中感兴趣的区域 (内部细胞质量).

主要成果:

• 拟议的回归网络量化评估胚胎细胞质量.
• 软注意力机制准确地定位了内部细胞质量 (ICM).
• 与传统的基于分类的网络相比,该方法显示出更高的性能.

结论:

• 开发的深度学习模型提供了更可靠,更准确的 Blastocyte 质量的定量评估.
• 可视化关注地图提高了网络预测的可解释性和可信度.
• 这种方法为在试管婴儿治疗中选择最佳囊胚提供了重大进展.