Dergiler / Bilişim Teknolojileri Dergisi / 2022 / Cilt: 15 - Sayı: 1
İnsan Embriyo Segmentasyonu için U-Net Tabanlı Modellerin Karşılaştırılması
- Sayfa
- 35–44
- DOI
- —
Özet
Tüp bebek tedavisi sırasında üretilen insan embriyolarının kalitesi, geleneksel olarak klinik embriyologlar tarafından derecelendirilir ve bu süreç zaman alıcı olup insan hatasına açıktır. Hızlandırılmış mikroskopi (TLM) yöntemi ile alınan görüntüleri derecelendirmek için yapay zeka yöntemleri kullanılabilir. TLM görüntülerinde embriyonun arka plandan segmentasyonu, arka planın derecelendirme algoritmalarını yanlış yönlendirebilecek çeşitli artefaktlara sahip olması nedeniyle embriyo kalite değerlendirmesi için önemli bir adımdır. Bu çalışmada, derin öğrenmeye dayalı otomatikleştirilmiş 5. gün insan embriyosu (blastosist) görüntü segmentasyon yöntemlerinin karşılaştırmalı bir analizi yapılmıştır. U-Net ve üç varyantından oluşan dört tam evrişimli derin model, iki gradyan iniş tabanlı optimizasyon algoritmasının ve iki kayıp fonksiyonunun kombinasyonu kullanılarak oluşturulmuş ve önerilen modelimiz ile karşılaştırılmıştır. Test setindeki deneysel sonuçlar, optimizasyon fonksiyonu olarak Adam ve kayıp fonksiyonu olarak ise Dice kullanan özelleştirilmiş Dilated Inception U-Net modelinin, sırasıyla %98.68, %97.52, %99.20 ve %98.52'lik Dice katsayısı, Jaccard benzerlik katsayısı, doğruluk ve kesinlik ile diğer U-Net tabanlı modellerden daha iyi performans gösterdiğini doğrulamıştır.
Abstract
The quality of human embryos produced during in vitro fertilization is conventionally graded by clinical embryologists and this process is time-consuming and prone to human error. Artificial intelligence methods may be used to grade images captured by time-lapse microscopy (TLM). Segmentation of embryos from the background of TLM images is an essential step for embryo quality assessment as the background of the embryo has various artifacts which may mislead the grading algorithms. In this study, we performed a comparative analysis of automated day-5 human embryo (blastocyst) image segmentation methods based on deep learning. Four fully convolutional deep models, including U-Net and its three variants, were created using the combination of two gradient descent-based optimizers and two-loss functions and compared to our proposed model. The experimental results on the test set confirmed that our customized Dilated Inception U-Net model with Adam optimizer and Dice loss outperformed other U-Net variants with Dice coefficient, Jaccard index, accuracy, and precision of 98.68%, 97.52%, 99.20%, and 98.52%, respectively.