用于体外受精囊胚图像的合成图像生成——囊胚分级
摘要
体外受精 (IVF) 的成功率依赖于对第 5 天囊胚形态评估的准确性，这一过程往往具有主观性和不一致性。虽然人工智能可以帮助标准化这一评估，但模型需要大量、多样且平衡的数据集，而由于数据稀缺、自然类别不平衡和隐私限制，这些数据集常不可得。现有的生成式囊胚模型可以缓解这些问题，但面临诸多限制，如图像质量差、训练数据集小、评估不够稳健以及缺乏针对有效数据增强的临床相关图像生成。本文提出了基于扩散模型的人工囊胚成像框架 (DIA)，该框架训练了一组潜在扩散模型，用于生成高保真、新颖的第 5 天囊胚图像。我们的模型通过以 Gardner 基于形态学类别和 z 轴焦点深度为条件，提供粒度控制。我们使用 FID 指标、记忆度量、胚胚学家图灵测试以及三个下游分类任务进行严格评估。我们的结果表明，DIA 模型生成的图像足够真实，胚胚学家无法可靠地将其与真实图像区分开来。最重要的是，我们展示了明确的临床价值。通过合成图像增强不平衡数据集，可显著提高分类准确率 (p < 0.05)。此外，将合成图像添加到已有的大型、平衡数据集中也能实现统计显著的性能提升，且在某些情况下，合成数据可取代最高 40% 的真实数据，而不会在准确率上产生统计显著的下降。DIA 为缓解囊胚数据集中的数据稀缺和类别不平衡提供了稳健解决方案。通过生成新颖、高保真且可控的合成图像，我们的模型可以提高 AI 囊胚评估工具的性能、公平性和标准化水平。
引用
@article{arxiv.2511.18204,
title = {Generating Synthetic Human Blastocyst Images for In-Vitro Fertilization Blastocyst Grading},
author = {Pavan Narahari and Suraj Rajendran and Lorena Bori and Jonas E. Malmsten and Qiansheng Zhan and Zev Rosenwaks and Nikica Zaninovic and Iman Hajirasouliha},
journal= {arXiv preprint arXiv:2511.18204},
year = {2025}
}
备注
The manuscript is 23 pages, with five main figures and one table. The supplemental material includes 23 pages with fourteen figures and four tables