EmbryoDiff：面向细粒度胚胎发育阶段识别的条件扩散框架与多焦点特征融合
计算机视觉与模式识别
2025-11-17 v1
摘要
识别体外受精(IVF)过程中胚胎发育阶段的细粒度特征对于评估胚胎可行性至关重要。尽管近期深度学习方法已取得令人鼓舞的准确率，但现有判别模型未能利用胚胎发育的分布式先验来提高准确性。此外，依赖单一焦点信息会导致胚胎表征不完整，在细胞遮挡时易受特征歧义影响。为此，我们提出EmbryoDiff，一个两阶段基于扩散的框架，将该任务形式化为条件序列去噪过程。具体而言，我们首先训练并冻结帧级编码器，以提取稳健的多焦点特征。在第二阶段，我们引入多焦点特征融合策略，对不同焦平面上的信息进行聚合，构建3D感知的形态表征，有效缓解细胞遮挡引起的歧义。基于该融合表征，我们派生互补的语义和边界线索，设计混合语义-边界条件模块，将其注入扩散去噪过程，实现准确的胚胎发育阶段分类。大量实验表明，我们的方法在两个基准数据集上实现了最先进的效果。值得注意的是，仅通过一次去噪步骤， our模型分别在两个数据集上取得最佳平均测试性能，准确率分别达到82.8%和81.3%。
引用
@article{arxiv.2511.11027,
title = {EmbryoDiff: A Conditional Diffusion Framework with Multi-Focal Feature Fusion for Fine-Grained Embryo Developmental Stage Recognition},
author = {Yong Sun and Zhengjie Zhang and Junyu Shi and Zhiyuan Zhang and Lijiang Liu and Qiang Nie},
journal= {arXiv preprint arXiv:2511.11027},
year = {2025}
}