SHMC-Net：一种用于精子头部形态分类的掩膜引导特征融合网络

男性不育约占全球不育病例的三分之一。通过头部形态分析进行精子异常的人工评估存在观察者间差异和专家间诊断不一致的问题。其替代方案，计算机辅助精液分析（CASA），则面临精子图像质量低、数据集小和类别标签噪声等问题。我们提出了一种新的精子头部形态分类方法，称为 SHMC-Net，该方法利用精子头部的分割掩膜来引导精子图像的形态分类。SHMC-Net 使用图像先验生成可靠的分割掩膜，通过高效的基于图的方法细化目标边界，并分别使用精子头部裁剪图像和对应的掩膜训练图像网络和掩膜网络。在网络中间阶段，通过一种融合方案将图像特征与掩膜特征融合，以更好地学习形态特征。为处理噪声类别标签并正则化小数据集上的训练，SHMC-Net 应用了 Soft Mixup，将 mixup 数据增强与损失函数相结合。我们在 SCIAN 和 HuSHeM 数据集上取得了最先进的结果，优于那些使用额外预训练或昂贵集成技术的方法。