迈向深度学习驱动的体外受精：一个用于形态动力学参数预测的大型公开基准
图像与视频处理
2022-05-16 v2 计算机视觉与模式识别
摘要
开发基于人工智能（AI）的体外受精（IVF）解决方案的一个重要限制是缺乏用于训练和评估深度学习（DL）模型的公开参考基准。在这项工作中，我们描述了一个包含 704 个发育胚胎视频的完全标注数据集，总计 337k 张图像。我们将 ResNet、LSTM 和 ResNet-3D 架构应用于我们的数据集，并证明它们在自动标注阶段发育阶段方面优于算法方法。总之，我们提出了第一个公开基准，使社区能够评估形态动力学模型。这是迈向深度学习驱动的 IVF 的第一步。值得注意的是，我们提出了高度详细的标注，包含 16 个不同的发育阶段，包括早期细胞分裂阶段，也包括晚期细胞分裂、桑葚胚形成后的阶段以及从未使用过的极早期阶段。我们假设这种原创方法将有助于提高深度学习方法在胚胎发育延时视频上的整体性能，最终通过提高临床成功率使不孕患者受益（代码和数据可在 https://gitlab.univ-nantes.fr/E144069X/bench_mk_pred.git 获取）。
引用
@article{arxiv.2203.00531,
title = {Towards deep learning-powered IVF: A large public benchmark for morphokinetic parameter prediction},
author = {Tristan Gomez and Magalie Feyeux and Nicolas Normand and Laurent David and Perrine Paul-Gilloteaux and Thomas Fréour and Harold Mouchère},
journal= {arXiv preprint arXiv:2203.00531},
year = {2022}
}