多模式成像技术和机器学习用于对子子宫内膜进行非侵入性,精确的评估

科学领域:

• 生殖生物学 生殖生物学
• 生物医学光学 生物医学光学
• 医疗成像医学成像

背景情况:

• 精确评估子宫内膜状况对于改善辅助生殖技术 (ART) 妊娠率至关重要.
• 当前的诊断方法往往缺乏用于动态子宫内膜监测所需的实时,微创能力.

研究的目的:

• 开发和验证一种最小侵入性的实时诊断工具,用于评估子宫内膜状况.
• 通过先进的成像和机器学习,提高子宫内膜接受度评估的准确性.

主要方法:

• 利用光纤支气管镜和光学连贯性断层扫描 (OCT) 来监测子子子宫内膜变化.
• 进行了组织学分析和电子显微镜,并训练了条件生成对抗网络 (cGAN).
• 开发了一个cGAN,将OCT图像转换为虚拟的血素和素 (H&E) 染色截面.

主要成果:

• 成功地在不同阶段在子宫内膜中进行了非侵入性观察,成功地观察到子宫内膜的动态变化.
• 证明了OCT提供详细的表面和粘膜下视图的能力,与H&E病理相关.
• 展示了机器学习通过生成类似于H&E的图像来增强OCT的能力.

结论:

• 结合光学成像和机器学习方法,可以实时进行非侵入性子宫内膜评估.
• 这项技术有可能显著提高ART中子宫内膜接受度评估的准确性.
• 开发的工具为监测子宫内膜健康的传统方法提供了一个有希望的替代方案.