基于深度学习的自动预测小鼠的精卵管阶段,使用明亮场显微镜

科学领域:

• 生殖生物学 生殖生物学
• 计算生物学 计算生物学
• 历史学 历史学 历史学

背景情况:

• 男性不孕症影响50%的病例,通常是由于缺陷的精子生成.
• 精卵管的精确分期对于研究精子生成至关重要.
• 目前的手动评估方法是主观的,劳动密集型,缺乏可重复性.

研究的目的:

• 开发一种基于深度学习的方法,用于自动化和客观地评估精卵管阶段.
• 为了分析小鼠受血林-PAS染色的精卵管的明亮场显微镜图像.

主要方法:

• 利用深度学习模型来预测12种管中的一个阶段.
• 在微观图像上训练模型小鼠的精子管道.

主要成果:

• 实现了79.58%的最大预测准确度,用于精确的分期.
• 在允许一个阶段的预测错误时,达到98.33%的准确性.
• 该模型在没有明确的训练的情况下隐式学习了精子生成阶段过渡模式.

结论:

• 拟议的深度学习方法可以自动和客观地评估精卵管阶段.
• 这一进步有助于理解精子生成,并有可能用于自动化不孕症诊断.