基于深度学习框架的人类胚胎时间序列视频中细胞质丝的分析
计算机视觉与模式识别
2025-12-11 v1 人工智能
摘要
不孕是全球范围内的重要健康问题，虽然体外受精已改善了治疗效果，但胚胎选择仍是关键瓶颈。时间序列成像使可实现持续、无创的胚胞发育监测，但大多数自动化评估方法仅依赖传统形态动力学特征，忽略了新兴的生物标志物。细胞质丝（Cytoplasmic Strings, CS）是连接内细胞质块和胚层的细长结构，在扩展性胚胎中与更快的胚胞形成、更高的胚胎等级和更好的生存率相关。然而，CS的评估目前依赖于手动视觉检查，这种方法工作量大、主观性强，并且严重受检测和细微视觉外观影响。本文中，我们在意识不到的情况下首次提出了CS在人类IVF胚胎中的分析计算框架。我们首先设计了人类在环标注管道，从TLI视频中挑选出包含13,568个帧且CS阳性实例稀疏不均的生物学验证数据集。基于该数据集，我们提出了一个两阶段深度学习框架：(i) 在帧级分类CS的存在情况；(ii) 在阳性案例中局部CS区域。为解决严重的不平衡和特征不确定性，我们引入了新型不确定性感知约束嵌入（NUCE）损失函数，将置信度感知加权与嵌入收缩项耦合，以形成紧凑且良好分离的类别簇。NUCE在五个变换器背bone上 consistently 提升F1分数，而基于RF-DETR的局部化实现了对细小、低对比度CS结构的国际最佳（SOTA）检测性能。源代码将在https://github.com/HamadYA/CS_Detection 上公开。
引用
@article{arxiv.2512.09461,
title = {Cytoplasmic Strings Analysis in Human Embryo Time-Lapse Videos using Deep Learning Framework},
author = {Anabia Sohail and Mohamad Alansari and Ahmed Abughali and Asmaa Chehab and Abdelfatah Ahmed and Divya Velayudhan and Sajid Javed and Hasan Al Marzouqi and Ameena Saad Al-Sumaiti and Junaid Kashir and Naoufel Werghi},
journal= {arXiv preprint arXiv:2512.09461},
year = {2025}
}