MADRNet:一种形态意识的双路径可逆网络,用于精子分类

科学领域:

• 生殖生物学 生殖生物学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 手动的精子形态分析是主观的,影响男性不孕症诊断的准确性.
• 现有的自动化精子分类模型通常需要人工干预,并且与世卫组织标准不一致.
• 临床评估依赖于生物标志物,如头部面积比和体完整性.

研究的目的:

• 开发一个自动化,准确和高效的精子形态分析模型,符合世卫组织的标准.
• 克服手动精子评估的主观性和不一致性.
• 将关键的临床生物标志物整合到人工智能框架中,以改善男性不孕症诊断.

主要方法:

• 提出了一个具有形态意识的双路径可逆网络 (MADRNet),结合了头部面积比和体完整性.
• 使用双路径注意力机制 (空间和通道注意力) 与宏观体解剖学约束.
• 开发了一个动态损失函数,用于头角比限制,并采用可逆架构.
• 在HuSHeM数据集上训练和评估模型.

主要成果:

• 在HuSHeM数据集上,MADRNet实现了96.3%的准确性和96.8%的F1得分.
• 该模型以每张图像32毫秒的速度进行实时处理.
• 可逆架构保留了微观细节,同时减少了GPU内存使用量.

结论:

• MADRNet为临床精子查提供了精确高效的自动化解决方案.
• 该模型有效地解决了手动分析和现有的自动化方法的局限性.
• 开发的AI工具显示了改善男性不孕症诊断的巨大潜力.