一种符合临床共识的深度学习方法,用光学显微镜图像量化评估人类体外受精早期胚胎发育

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:

• 评估人类试管婴儿胚胎质量对于成功受精至关重要,但自动化方法仍然具有挑战性.
• 目前用于胚胎评估的方法缺乏精度和效率,影响了试管婴儿的结果.

研究的目的:

• 为了开发一种深度学习方法,Esava使用光学显微镜图像对试管婴儿胚胎发育的定量评估.
• 提高胚胎细胞检测和尺寸统一性分析的准确性和效率.

主要方法:

• 一个深度学习模型,Esava,是建立在快速的R-CNN架构上,使用551个人类试管婴儿胚胎图像 (第二天到第三天).
• 新的算法Crowd-NMS和基于GrabCut的细分被整合在一起,用于增强胚原体检测和胚胎细分.
• 该模型经过训练,验证,并在独立的数据集上进行测试,以评估性能.

主要成果:

• 在94张图像上,ESAVA在布拉斯托马检测方面取得了高性能 (精度为0.9940,回忆率为0.9121,mAP为0.9531),超过了以前的方法.
• 该模型与经验丰富的胚胎学家表现出很强的一致性,并在51张额外图像上平均精度为0.9025,超过了其他工具.
• 埃萨瓦精确地细分了mIoU超过0.88的芽质体,并符合临床共识标准.

结论:

• 埃萨瓦显著提高了从光学显微镜图像评估胚胎发育的准确性和效率.
• 深度学习方法为试管婴儿胚胎评估提供了一个强大而可靠的工具,与临床胚胎学家兼容.
• 埃萨瓦的表现表明,它有可能通过精确的胚胎选择来提高试管婴儿成功率.