改进基于深度学习的算法,通过结合U-NET胚胎细胞细分和顺序时差胚胎细胞图像来预测胎状状况.

科学领域:

• 生殖医学 生殖医学
• 人工智能的人工智能
• 胚胎学 胚胎学

背景情况:

• 在生殖医学中,优化人工智能 (AI) 模型以评估 ploidy 状态至关重要.
• 目前的方法包括算法调查,图像细分精细化和胚胎发育期间的模式分析.

研究的目的:

• 评估U-NET架构对于胚胎细分和时间间隔图像提取的有效性.
• 提高人工智能模型的准确性,以利用剖析前成像数据预测胚胎状况.

主要方法:

• 一个基于卷积神经网络 (CNN) 的模型是使用1,020个已知ploidy状态的胚胎细胞的时间缩短视频来开发的.
• 应用了U-NET架构用于胚胎细胞图像细分.
• 在活检前3小时和10小时抽取了序列图像,分别产生了31,642张和99,324张图像.

主要成果:

• 在没有U-NET细分的情况下, ploidy预测模型实现了0.59 (3小时) 和0.63 (10小时) 的精度.
• 实施U-NET使模型精度提高到0.61 (3小时) 和0.66 (10小时).
• 10小时的图像提取时间比3小时的图像提取时间更准确.

结论:

• 将U-NET细分与10小时的时刻图像序列相结合,可以增强基于CNN的模型,以预测的状态.
• 这种综合方法在识别胚胎化状态时提供了更高的准确性.