AttnRegDeepLab：面向可解释性胚胎碎裂分级的双阶段解耦框架
计算机视觉与模式识别
2025-12-02 v2 人工智能
摘要
胚胎碎裂是评估体外受精（IVF）中发育潜能的关键形态学指标。然而，人工分级主观且效率低下，而现有深度学习解决方案往往缺乏临床可解释性或在分割面积估计中积累误差。为此，本文提出 AttnRegDeepLab（Attention-Guided Regression DeepLab），其特点是双分支多任务学习（MTL）。修改的 vanilla DeepLabV3+ 解码器在跳跃连接中集成注意力门控，显式抑制细胞质噪声以保留轮廓细节。此外，引入多尺度回归头并通过特征注入机制将全局分级先验传递到分割任务中，以纠正系统性量化误差。提出一种两阶段解耦训练策略以解决 MTL 中的梯度冲突。还设计基于范围的损失函数以利用弱标签数据。该方法在保持卓越分割精度（Dice 系数=0.729）的同时实现稳健的分级精度，与单阶段端到端模型形成鲜明对比，后者可能以牺牲轮廓完整性为代价来最小化分级误差。本工作提供了一个在视觉保真度与量化精度之间取得平衡的临床可解释解决方案。
引用
@article{arxiv.2511.18454,
title = {AttnRegDeepLab: A Two-Stage Decoupled Framework for Interpretable Embryo Fragmentation Grading},
author = {Ming-Jhe Lee},
journal= {arXiv preprint arXiv:2511.18454},
year = {2025}
}
备注
7 pages, 5 figures