基于深度神经网络的人囊胚图像内细胞团与滋养外胚层分割
图像与视频处理
2020-08-21 v1 计算机视觉与模式识别
机器学习
摘要
基于形态学属性的胚胎质量评估对于提高体外受精（IVF）的妊娠率十分重要。胚胎内细胞团（ICM）和滋养外胚层（TE）的准确分割很重要，因为这些参数有助于预测胚胎活力和活产潜力。然而，由于ICM和TE形状多变且纹理彼此之间及与周围环境相似，其分割十分困难。为解决该问题，我们实现了一种基于深度神经网络（DNN）的分割方法。该DNN能以99.1%的准确率、94.9%的精确率、93.8%的召回率、94.3%的Dice系数和89.3%的Jaccard指数识别ICM区域；能以98.3%的准确率、91.8%的精确率、93.2%的召回率、92.5%的Dice系数和85.3%的Jaccard指数提取TE区域。
引用
@article{arxiv.2008.08676,
title = {Inner Cell Mass and Trophectoderm Segmentation in Human Blastocyst Images using Deep Neural Network},
author = {Md Yousuf Harun and Thomas Huang and Aaron T. Ohta},
journal= {arXiv preprint arXiv:2008.08676},
year = {2020}
}