相关实验视频
Updated: Sep 18, 2025
07:57
Fish Sperm Assessment Using Software and Cooling Devices
Published on: July 28, 2018
8.9K
先进的多层次集体学习方法,用于全面的精子形态评估
Abdulsamet Aktas1, Taha Cap2, Gorkem Serbes3
1Department of Computer Engineering, Faculty of Technology, Marmara University, 34840 Istanbul, Turkey.
Diagnostics (Basel, Switzerland)
|June 26, 2025
概括
这项研究开发了一种用于分类精子形态的自动化系统,改进了男性不孕症诊断. 新型组合模型实现了67.70%的准确性,超过了传统方法.
科学领域:
- 生殖医学 生殖医学
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 精子形态对于男性不孕症诊断和IVF和ICSI等辅助生殖技术至关重要.
- 手动评估精子形态是主观和不一致的,需要自动化解决方案.
- 准确的精子形态评估有助于生殖保健决策.
研究的目的:
- 开发一个强大的,完全自动化的框架来分类精子形态.
- 为了最大限度地减少观察者在精子形态评估中的变异性.
- 为了改善男性生育能力评估的诊断支持.
主要方法:
- 一种基于集合的分类方法,结合了卷积神经网络 (CNN) 的特征.
- 使用EfficientNetV2变体的特征级和决策级融合技术.
- 通过支持矢量机器 (SVM),随机森林 (RF) 和带有注意力的多层感知器 (MLP-Attention) 进行分类,并进行软投票进行决策融合.
主要成果:
- 整体框架在Hi-LabSpermMorpho数据集 (18类) 上实现了67.70%的准确性.
- 基于融合的模型显著优于单个分类器.
- 组合技术和多CNN集成解决了类不平衡,提高了概括性.
结论:
- 拟议的方法比自动化精子形态分类的传统方法和单模型方法有了显著的改进.
- 合体学习和多层次融合为临床男性生育能力评估提供了可靠和可扩展的解决方案.
- 这种自动化系统提高了生殖健康保健的诊断准确性和一致性.
