本文使用现代和经典机器学习技术，自动预测精子活力，探讨机器学习自动分析在男性不育症研究中的应用价值。

Oct, 2019

本文介绍了一种新的数据集 VISEM-Tracking，其中包含有 20 个视频录像的精子制备的 30 秒湿样中所观察到的使用手动标记的边界框坐标和专家分析的精子特征的数据集，同时还提供了未经标注的视频片段，可通过自我或无监督学习等方法进行易于使用的访问和数据分析。文章还介绍了使用在 VISEM-Tracking 数据集上训练的 YOLOv5 深度学习模型的基线精子检测性能，从而表明该数据集可用于训练复杂的深度学习模型来分析精子。

Dec, 2022

本文探讨使用两种深度学习方法，预测精子运动能力和形态的相关问题。通过使用两种不同的输入形式，视频的堆叠式纯帧和视频帧的密集光流，修改了模型卷积神经网络以解决预测运动能力和形态的回归任务。同时，本文引入了多层感知机以及去除神经元的 dropout 层，提高了模型预测精准度。鉴于分析结果，当输入包括光流和原始视频帧的密集光流时，使用具备附加多层感知机的应用程序能够获得最佳结果。

Nov, 2019

本文提出了一个深度学习方法，通过人类精子的视频记录来预测精子运动和形态。该方法使用自动编码器从视频中提取时间特征，并将其绘制为图像，称为特征图像，用于转移学习以预测人类精子的运动和形态。该方法可以提取时间信息并用于传统的卷积神经网络中。此外，预测精液样品运动能力的准确性表明，基于深度学习的模型可以捕获人类精子镜下的时间信息。

Nov, 2019

男性不育问题在全球不育症案例中占三分之一。通过头部形态分析手动评估精子异常存在观察者差异和专家之间的诊断差异问题。我们提出了一种新的精子头部形态分类方法，称为 SHMC-Net，它使用精子头部的分割掩模来指导精子图像的形态分类。

Feb, 2024

本研究通过强化学习提出了一个双层质量评估模型，能有效地评估超声图像的质量，通过稀疏的二进制注释训练，结果证实该模型能够胜任胎儿脑数据质量评估任务。

Apr, 2023

本研究提出了一种基于多模态检查视频的运动感知多关注融合网络（MAMAF-Net）用于中风检测。实验结果表明，MAMAF-Net 可以成功检测中风，灵敏度达 93.62％，AUC 得分为 95.33％。

Apr, 2023

通过对 200 个鸡蛋图像进行训练和评估（应用了增强图像技术），本研究探索了 CNN - 迁移学习在精密禽类孵化场中非破坏性鸡蛋受精率检测的应用。结果表明，InceptionNet 模型在区分有受精和无受精鸡蛋方面表现最佳，通过独特的架构捕捉了不同尺度的特征，从而提高了准确性和稳健性。然而，对其他模型在准确检测鸡蛋受精率方面存在的局限性，需要进一步优化和微调模型以提高性能。该研究突出了 CNN - 迁移学习在非破坏性受精率检测中的潜力，并强调了进一步研究以提升模型能力和保证准确分类的必要性。

Sep, 2023

本文提出了一种使用可变形多路径集合模型（D-MEM）进行自动宫颈细胞核分割的方法，其中采用 U 形卷积网络作为主干网络，并使用多个具有不同设置的网络构建集合模型，以提高模型的灵活性和准确性，该分割框架在 Herlev 数据集上实现了最新的精度，并具有解决其他医学图像分割任务的潜力。

Dec, 2018

研究模仿海胆精子细胞的化感运动模型，利用人工神经网络作为决策代理，通过深度强化学习算法实现微型机器人的智能机动，在有限的环境信息下，发现比人类设计更有效的运动策略，并利用外部扰动促进化感运动。

Aug, 2022