一个经过修改的U-Net,可以在人类精子细胞视频中检测到真实的精子
Hanan Saadat1, Mohammad Mehdi Sepehri1, Mahdi-Reza Borna2
1Faculty of Industrial Engineering and Systems, Tarbiat Modares University, Tehran, Iran.
Frontiers in artificial intelligence
|September 24, 2024
概括
使用深度学习的自动化精子细分显示了男性不孕症诊断的前景. UNet++与ResNet34实现了高精度,尽管对邻近的精子细胞进行细分仍然是一个挑战.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 精子细分对于诊断男性不孕症至关重要.
- 自动化方法对于高效准确的分析至关重要.
- 深度学习为复杂的细分任务提供先进的解决方案.
研究的目的:
- 评估用于自动化精子细分的深度学习架构.
- 确定最佳模型配置,以提高诊断准确度.
- 在VISEM数据集中解决精子细胞识别方面的挑战.
主要方法:
- 实验各种深度学习架构和编码器.
- 使用VISEM数据集进行绩效评估.
- 对模型细分能力的比较分析.
主要成果:
- UNet++与ResNet34在精子细分方面表现出卓越的性能.
- 在区分精子和非精子细胞方面取得了很高的准确性.
- 在细分紧密相邻的精子细胞方面仍然存在挑战.
结论:
- 深度学习模型,特别是UNet++与ResNet34,显著提升了自动化精子细分.
- 模型选择应与特定的诊断需求保持一致.
- 需要进一步的研究,以提高临床分析中密切位置的精子细胞的准确性.
