相关实验视频
Updated: Jan 18, 2026
06:27
Automated Analysis of C. elegans Fluorescence Images using SegElegans
Published on: October 10, 2025
595
用CBAM增强的ResNet50进行精子形态准确分类的深度特征工程
Şafak Kılıç1,2
1School of Computer Science, CHART Laboratory, University of Nottingham, Nottingham, United Kingdom.
PloS one
|September 10, 2025
概括
这项研究引入了用于自动化精子形态分析的AI框架,提高了男性生育能力评估的准确性和效率. 深度学习模型显著减少了分析时间和诊断变异性,以获得更好的生殖健康结果.
科学领域:
- 人工智能在医学中的应用
- 计算生物学 计算生物学
- 生殖医学 生殖医学
背景情况:
- 精子形态分析对于评估男性生育能力至关重要.
- 手动分析耗时,主观,并且在观察者之间具有很高的可变性.
- 异常的精子形态与降低的生育能力和糟糕的ART结果相关.
研究的目的:
- 开发一个自动化,客观的精子形态分类框架.
- 将深度学习 (ResNet50,CBAM) 与深度功能工程 (DFE) 结合起来.
- 为了克服传统手动精子分析的局限性.
主要方法:
- 一个混合深度学习架构,集成ResNet50和CBAM.
- 具有10种特征选择方法的全面深度特征工程管道.
- 在基准数据集 (SMIDS,HuSHeM) 上使用支持向量机器和k-最近邻居进行分类.
主要成果:
- 实现了高测试准确度:96.08% (SMIDS) 和96.77% (HuSHeM) 的测试.
- 与基线CNN业绩相比显著改善 (增加8.08%和10.41%).
- 超越了最先进的方法,包括视觉转换器和合奏方法.
结论:
- 使用DFE的基于注意力的深度学习增强了精子形态分析.
- 框架提供了标准化,客观的生育率评估,减少了变化.
- 能够为胚胎学家节省大量时间,并提高可再生性,增强生殖医学中的患者护理.
