核细分在四维无标签显微镜图像中用于预测小鼠胚胎活产潜力

科学领域:

• 胚胎学 胚胎学
• 生物技术是生物技术.
• 人工智能在医学中的应用

背景情况:

• 辅助生殖技术 (ART) 依靠胚胎质量评估来成功治疗不孕症,但目前使用视觉检查的方法存在局限性.
• 预测胚胎出生潜力对于提高ART成功率至关重要,但现有的技术在临床使用的准确性和可行性方面面临挑战.
• 以前用于胚胎评估的深度学习模型需要光标签,这不适合人类医疗应用.

研究的目的:

• 开发一种新的深度学习方法,FL2-Net,用于精确的核细分在三维明亮场显微镜图像中的小鼠胚胎.
• 评估FL2-Net在未使用光标记的细胞核细分方面的性能,利用植入前发育的时空特征.
• 评估FL2-Net在预测小鼠胚胎出生潜力的有效性,使用来自明亮场图像的量化核特征.

主要方法:

• 开发FL2-Net,一种基于深度学习的核细分算法,用于时间序列3D明亮场显微镜图像.
• 在不需要光标记的情况下,FL2-Net的应用用于对小鼠胚胎中的细胞核进行细分.
• 利用细分核特征来预测胚胎发育潜力和随后的出生结果.

主要成果:

• 与现有的最先进的方法相比,FL2-Net在核细分方面表现优越.
• 使用FL2-Net的出生预测准确率达到81.63%,明显超过其他计算方法和专家视觉评估 (55.32%).
• 该研究成功地从非侵入性获取的明亮场图像中量化了核特征,用于出生预测.

结论:

• FL2-Net提供了一种非侵入性和高度准确的方法来量化胚胎的核特征,进步了ART中的胚胎评估.
• 开发的深度学习方法显示了在辅助生殖技术中提高出生预测准确性的巨大潜力.
• FL2-Net能够使用明亮场显微镜工作,这使得它成为人类不孕症治疗中临床应用的有希望的工具.