在大西洋鱼中使用深度学习自动测量卵巢发育

科学领域:

• 水产养殖技术 水产养殖技术
• 生物医学成像学 生物医学成像学
• 农业中的人工智能

背景情况:

• 精确监测鱼的成熟是繁殖成功的关键.
• 目前用于鱼卵巢评估的超声波方法是主观的,劳动密集的.
• 实时超声波图像细分为提高客观性和效率提供了一个潜在的解决方案.

研究的目的:

• 开发一种用于实时超声波图像细分大西洋鱼卵巢的自动化系统.
• 解决细分精度方面的挑战,包括错误的预测和形状不一致.
• 为了能够精确监测鱼成熟状态.

主要方法:

• 修改后的U-Net模型被用于细分和分类任务.
• 变化自编码器 (VAE) 和生成对抗网络 (GAN) 已集成,以改进卵巢形状预测.
• 在两个成熟期的大西洋鱼卵巢数据集被用于模型培训和验证.

主要成果:

• 拟议的模型实现了实时鱼卵巢细分的0.885的平均Dice得分.
• 对传统和新型U-Net架构进行了性能验证.
• 该方法在现场鱼超声波检查设置中表现出有效性.

结论:

• 开发的AI方法为鱼卵巢细分提供了具有竞争力和高效的解决方案.
• 这项技术可以设计出用于智能监测大西洋鱼成熟的自动化系统.
• 这些发现支持通过人工智能驱动的成像分析来推进精密水产养殖.