drwuHUST的个人博客分享 http://blog.sciencenet.cn/u/drwuHUST

博文

基于多任务深度学习和动态规划的试管婴儿胚胎细胞发育阶段自动分类

已有 587 次阅读 2019-8-21 17:12 |个人分类:智慧医疗|系统分类:论文交流

根据一项对来自25个国家的172413名女性的调查(J. Boivin, L. Bunting, J. A. Collins, and K. G. Nygren, “International estimates of infertility prevalence and treatment-seeking: potential need and demand for infertility medical care,” Human Reproduction, vol. 22, no. 6, pp. 1506-1512, 2007.),大概有9%的夫妻患有不孕症。

试管婴儿(In-vitro fertilization,IVF)是治疗不孕症的常用技术。这个过程需要收集多个卵泡用于受精和体外培养。胚胎的培养、选择和移植是试管婴儿过程中决定植入成功与否的关键步骤。胚胎发育过程中,形态特征和运动特征与移植结果高度相关。

在胚胎的培养过程中,time-lapse视频被广泛应用于各个生殖医学中心进行监测。Time-lapse技术通过对胚胎进行短间隔(比如每5-10分钟)的定时拍照来实时记录胚胎的发育过程,如下图所示。

IVF1.png

每个胚胎在此过程中都会产生大量的时间序列图像数据。在最终进行受精卵选择的阶段,胚胎学家可以方便地一次性浏览完受精卵的整个发育过程,从而进行受精卵的打分和排序。除此以外,time-lapse技术还可以帮助医生看到传统的定时检查方式观察不到的动力学特征等,这些特征已经被证明会对最终的移植结果产生影响。所以,对time-lapse视频进行细胞发育阶段的自动分类能更好地辅助胚胎学家完成胚胎选择工作。我们采用的方法是多任务深度学习和动态规划。

  多任务学习在自然语言处理、语音识别、计算机视觉等领域得到了成功应用。其基本思想是在相关任务之间共享表示,使每个训练过的模型具有更好的泛化能力。本研究中,我们提出了融合动态规划的多任务深度学习(MTDL-DP),对time-lapse视频中的每一帧胚胎图像进行自动分类。由一张图像对应一个标签(one-to-one),扩展到多张图对应一个标签(many-to-one),一张图对应多个标签(one-to-many),和多张图对应多个标签(many-to-many)这3种不同的MTDL分类框架,如下图所示。

IVF2.png

MTDL-DP包含以下几个步骤:

1.  使用所有训练数据和one-to-one框架训练一个基础模型f0

2.  搭建MTDL模型f1,并使用模型f0中卷积层参数初始化网络;

3.  固定模型f1的卷积层参数,在训练集上进一步调整模型全连接层参数;

4.  使用MTDL模型计算一个time-lapse视频中每一帧属于不同类别的概率;

5.  根据预测概率和搬动距离(earth mover distance)计算每一帧图像分到所有可能的胚胎阶段的损失,构建出损失矩阵;

6.  根据损失矩阵,应用在单调递增约束下的动态规划方法,求解最优化问题,得到time-lapse视频每一帧的胚胎阶段预测结果。

其中,MTDL框架的参数共享模式如下图所示:

IVF3.png

我们的方法在华中科技大学附属同济医院生殖医学中心的time-lapse视频数据上取得了优秀的胚胎阶段预测精度。实验结果表明不同的MDTL框架以及动态规划方法对比baseline都有一定的提升。考虑到训练时间和分类精度之前的折中,我们更推荐使用one-to-many框架来构建MTDL模型。

  本工作由华中科技大学人工智能与自动化学院硕士生刘子涵、博士生崔雨琦、硕士生徐祎璠、硕士生王阳和伍冬睿教授,以及同济医院生殖医学中心黄博医生、张博医生、朱丽霞医生和靳镭主任共同完成。发表于IEEE Access(IF=4.098)。基于此工作的项目,也获得了英特尔杯第一届中国研究生人工智能创新大赛华中科技大学校内二等奖。


Z. Liu, B. Huang, Y. Cui, Y. Xu, B. Zhang, L. Zhu, Y. Wang, L. Jin and D. Wu, “Multi-Task Deep Learning with Dynamic Programming for Embryo Early Development Stage Classification from Time-Lapse Videos,” IEEE Access, 2019, accepted.




http://blog.sciencenet.cn/blog-3418535-1194615.html

上一篇:TSK模糊系统与神经网络、混合专家模型、分类回归树CART、stacking集成学习的等价性
下一篇:针对大数据的TSK模糊系统回归和分类模型训练方法

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2019-9-15 22:09

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部