Prédiction précoce de la transférabilité d'embryons bovins par vidéomicroscopie
Résumé
Video-microscopy is a valuable tool combined with machine learning for studying the early development of in vitro fertilized bovine embryos and assessing its transferability as soon as possible. We aim to predict the embryo transferability within four days of embryonic development at most, taking 2D time-lapse microscopy videos as input. We formulate this problem as a supervised binary classification problem for the classes transferable and not transferable. However, important challenges arise and are three-fold: 1) poorly discriminating appearance and motion, 2) class ambiguity, 3) small amount of annotated data. We propose a 3D convolutional neural network involving three pathways, which makes it multi-scale in time and able to handle appearance and motion in different ways. For training, the focal loss is the best choice. Our model, named SFR, compares favorably to other methods. Experiments demonstrate its effectiveness and accuracy for our challenging biological task.
La vidéomicroscopie combinée à l'apprentissage automatique est un outil en passe de devenir indispensable pour étudier le développement des embryons bovins fécondés in vitro et évaluer leur transférabilité de manière la plus précoce possible. Notre objectif est de pouvoir prédire la transférabilité de l'embryon dans un délai maximal de quatre jours de développement, en prenant comme données d'entrée des vidéos de microscopie 2D. Nous formulons ce problème comme un problème de classification binaire supervisée pour les classes transférable et non transférable. Les difficultés sont toutefois importantes et de trois ordres : 1) apparence et mouvement complexes, imbriqués et peu discriminants, 2) distance entre classes réduite, 3) faible volume de données annotées. Nous proposons un réseau neuronal convolutionnel 3D à trois voies, ce qui le rend multi-échelle dans le temps et capable de traiter l'apparence et le mouvement de différentes manières. Pour l'entraînement, nous retenons la fonction de perte focale. Notre modèle, appelé SFR, se compare favorablement à d'autres méthodes à travers les diverses expériences que nous avons menées et qui démontrent son efficacité et sa validité pour cette tâche biologique difficile.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
