Jul, 2024

基于实例感知部分分割的自动化精子形态分析

HTML
PDF
TL;DR本研究解决了传统精子形态分析中存在的手动注释繁琐的问题。提出了一种新颖的基于注意力的实例感知部分分割网络，能够有效重建边界框外的上下文信息并修复失真的特征，同时开发了一种基于中心线的尾部形态测量方法，显著提高了测量精度。这些创新方法在精子形态自动分析中展示了卓越的性能和高准确性，具有重要的应用潜力。
发现论文，激发创造
  • 基于机器学习的精子视频和参与者数据分析，用于男性生育能力预测

    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

  • 堆叠的密集光流与Dropout层用于预测精子运动和形态

    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

  • 使用自编码器将时间特征提取到空间域中，用于精子视频分析

    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

  • VISEM-Tracking：人类精子跟踪数据集

    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

  • 基于深度学习的睾丸组织组织学图像中小管上皮层分割方法

    本文提出了一种基于卷积神经网络的自动化测试icular组织组织病理图像处理方法，使用深度学习技术实现对睾丸上皮层的自动分割，并取得了较好的结果。

    Jan, 2023

  • SegmentAnything基于显微图像的自动和定量器官样体检测与分析

    使用显微镜分析自动排列物，结合SegmentAnything精确划定个体排列物的全面管道和形态学性质（周长、面积、半径、非平滑度和非圆形度），加速排列物形态学分析。

    Sep, 2023

  • SA2-Net：用于显微图像分割的尺度感知注意力网络

    提出了一种名为SA2-Net的方法，利用多尺度特征学习来有效处理微观图像中的不同结构，通过尺度感知注意力模块实现对微观区域的准确分割，并通过自适应上采样模块解决了模糊边界的问题。

    Sep, 2023

  • 自动精子评估框架和专用于精子视频识别的神经网络

    通过构建视频数据集以及使用深度学习方法进行精子鉴定，研究提出了RoSTFine网络，在提高精子鉴定性能的同时，强调了重要的精子部位（即头部和颈部）的注意力。

    Nov, 2023

  • SHMC-Net：一种用于精子头形态分类的引导掩模特征融合网络

    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

  • CS3：精子分割的级联SAM

    通过修改图像特征，增强SAM对重叠区域的可见性，我们提出了级联的CS3方法，用于精确分割精子结构，并通过与医疗机构合作构建数据集进行实验，在与现有方法的比较中表现出卓越的性能。

    Jul, 2024