先进的多层次关注网络用于从老鼠阴道细胞学中识别雌性循环阶段
Qinyang Wang1, Yihong Zhao1, Xiaodi Pu2
1The School of Mechanical and Electrical Engineering, Chengdu University of Technology, Chengdu 610059, China.
Biology
|October 29, 2025
概括
准确确定老鼠雌激周期对于可靠的研究至关重要. 一个新的AI模型,SLENet,使用显微镜图像自动化了这一过程,达到96.31%的准确性并提高了实验一致性.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 计算生物学 计算生物学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 鼠的雌激周期对临床医学中的实验结果产生了重大影响.
- 手动确定气周期是昂贵的,耗时的,主观的.
- 需要自动化方法来标准化研究中的老鼠模型.
研究的目的:
- 开发一个自动化分类网络,以准确确定大鼠雌性周期.
- 提高基于老鼠的实验研究的可靠性和可重复性.
- 为了克服手动雌性周期识别的局限性.
主要方法:
- 开发了一种新的深度学习模型,即空间远距离高效网 (SLENet).
- SLENet采用了空间高效通道注意力 (SECA) 机制和非局部注意力.
- 该网络在2655张小鼠阴道上皮细胞的显微镜图像上进行了训练和测试.
主要成果:
- 在测试数据集上,SLENet的分类准确率为96.31%.
- 这一性能超过了基线EfficientNet模型 (94.20%的准确性).
- 结果表明SLENet在自动化雌性循环分类中的有效性.
结论:
- SLENet提供了一种实用且准确的解决方案,用于从显微镜图像中确定老鼠雌性周期.
- 这种自动化方法可以优化生殖和药理学研究中的实验设计.
- 未来的工作应该探索多模式输入和时间模式,以提高稳定性.
