基于弱监督区域选择与动态解码预测的胚胎分期方法
计算机视觉与模式识别
2019-04-10 v1 机器学习
摘要
为优化临床结局，生殖诊所必须策略性地选择移植哪些胚胎。常见的选择启发式是基于达到各发育里程碑所需时长的公式，这些量历来由经验丰富的胚胎学家根据延时 EmbryoScope 视频手动标注。我们提出一种利用该延时数据中若干结构来源的自动胚胎分期新方法。首先，注意到在每幅图像中胚胎仅占一小子区域，我们联合训练区域提议网络与下游分类器以隔离胚胎。值得注意的是，由于缺少真值边界框，我们通过强化学习弱监督区域提议网络，以其优化参数来改善下游分类器的损失。此外，注意到到达囊胚阶段的胚胎单调经历更早阶段，我们开发了基于动态规划的译码器，对预测进行后处理以选择最可能的单调发育阶段序列。尽管所用数据少于许多方法，我们的方法在逐帧准确率与转换预测误差上均优于朴素残差网络，并与当代论文中的最佳数值相匹敌。
引用
@article{arxiv.1904.04419,
title = {Embryo staging with weakly-supervised region selection and dynamically-decoded predictions},
author = {Tingfung Lau and Nathan Ng and Julian Gingold and Nina Desai and Julian McAuley and Zachary C. Lipton},
journal= {arXiv preprint arXiv:1904.04419},
year = {2019}
}