基于联邦学习的破裂卵裂胚质量评估框架
图像与视频处理
2025-01-09 v1
摘要
本研究旨在利用联邦学习技术提升IVF胚胎选择中数据隐私性和性能。将EM（期望最大化）算法融入深度学习模型，构建用于基于二维图像进行破裂卵裂胚质量评估的联邦学习框架。该框架包含服务器站点和多个客户端站点，每个站点均本地化训练EM算法。完成本地EM训练后，为每个客户端生成独立的5模式混合分布，将客户端分布统计信息上传至服务器站点并聚合，以生成全局（共享）5模式分布。在推理阶段，每个客户端使用图像分类器和实例分割器，辅以全局5模式分布作为校准器，实现（1）识别破裂卵裂胚的绝对裂胚时序，即tPNa、tPNf、t2、t3、t4、t5、t6、t7和t8；（2）跟踪破裂卵裂胚的裂胚过程，以检测不规则裂胚模式；（3）评估破裂卵裂胚的对称程度。实验结果表明，所提方法在降低时序预测平均误差方面优于商业Time-Lapse培养器，提升约两倍。所提方法有效提升了分类器和分割器在不同地点或国家患者数据变异性下的适应性和可扩展性。
引用
@article{arxiv.2412.16567,
title = {Federal Learning Framework for Quality Evaluation of Blastomere Cleavage},
author = {Jung-Hua Wang and Huai-Wen Chang and Rong-Yu Wu and Ting-Yuan Wang and Ming-Jer Chen and Yu-Chiao Yi},
journal= {arXiv preprint arXiv:2412.16567},
year = {2025}
}
备注
6 pages, 8 figures. Accepted by the 1st Workshop on Federated Learning for Unbounded and Intelligent Decentralization (FLUID). in conjunction with AAAI 2025 in Philadelphia, Pennsylvania, USA