Desarrollo de un modelo de red neuronal profunda para la identificación de ovocitos y sus características a través de microscopía polarizada
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La identificación precisa de ovocitos y la evaluación de su maduración son determinantes en reproducción asistida. La microscopía de luz polarizada (PLM) permite visualizar el huso meiótico, la zona pelúcida, el límite del citoplasma y el cuerpo polar sin comprometer la integridad celular. La escasez de bases de datos anotadas de imágenes PLM limita el desarrollo de modelos de detección automatizada.
Esta tesis presenta un método que aborda esta limitación con dos contribuciones. Primero, se generó una base de datos sintética de imágenes polarizadas de ovocitos: 526.392 imágenes con las cuatro estructuras morfológicas clave mediante modelación paramétrica y etiquetado automático, un recurso que no existe actualmente de forma pública. Segundo, se desarrolló un método de entrenamiento y selección de redes YOLO (v8-v12) y RT-DETR para la detección de las estructuras morfológicas en imágenes PLM, con preentrenamiento en datos sintéticos y transferencia de aprendizaje en imágenes reales. Se evaluaron 13 configuraciones; entre los modelos estándar, YOLOv9m resultó el de mejor rendimiento en imágenes estáticas para la detección de las cuatro estructuras morfológicas (mAP50 = 0,902, mAP50-95 = 0,627), con mejoras notables frente a modelos entrenados solo en datos sintéticos.
Adicionalmente, se desarrollaron y evaluaron cuatro modelos personalizados con módulos de atención, derivados de los modelos estándar con mejor desempeño en esa tarea de detección. Estos modelos mostraron una mejor capacidad de transferencia del dominio sintético al real en los experimentos de control, en comparación con sus contrapartes estándar. En particular, la variante YOLOv9m-CBAM, con 156 capas y 20.032.494 parámetros, mostró una ventaja específica en la detección del límite del citoplasma, respaldada por una evaluación exploratoria en secuencias de video reales en las que detectó de forma estable estructuras que el modelo estándar no detectó y redujo los falsos positivos de huso meiótico. Por ello, YOLOv9m-CBAM se adopta como modelo de referencia del trabajo para el escenario de aplicación clínica (monitoreo continuo en video PLM).
El modelo detecta de forma robusta las cuatro estructuras. Para zona pelúcida, huso meiótico y límite del citoplasma se alcanzan valores de mAP50 >= 0,955; el cuerpo polar, el más desafiante, muestra una mejora marcada tras transferencia de aprendizaje. Los resultados confirman la viabilidad de la metodología utilizada para aplicaciones biomédicas con datos anotados escasos y ofrecen una estrategia práctica para herramientas de evaluación automatizada en reproducción asistida. En conjunto, se identifica la arquitectura que permite detectar las estructuras morfológicas asociadas al estado de maduración del ovocito a partir de imágenes PLM: YOLOv9m ofrece el mejor desempeño en imágenes estáticas, mientras que YOLOv9m-CBAM, seleccionado como modelo de referencia para el escenario de video clínico, aporta mayor estabilidad y robustez en la detección fotograma a fotograma. (Texto tomado de la fuente)
Abstract
Accurate identification of oocytes and assessment of their maturation are critical in assisted reproduction. Polarized light microscopy (PLM) enables visualization of the meiotic spindle, zona pellucida, cytoplasm boundary, and polar body without compromising cellular integrity. The scarcity of annotated PLM image datasets limits the development of automated detection models.
This thesis presents a method that addresses this limitation through two contributions. First, a synthetic database of polarized oocyte images was generated: 526,392 images incorporating the four key morphological structures via parametric modeling and automatic labeling, a resource that currently has no public counterpart. Second, a training and model-selection scheme for YOLO (v8-v12) and RT-DETR networks was developed for detecting the morphological structures in PLM images, using pretraining on synthetic data and transfer learning on real PLM images. Thirteen configurations were evaluated; among the standard models, YOLOv9m achieved the best performance on static images for detecting the four morphological structures (mAP50 = 0.902, mAP50-95 = 0.627), with substantial gains over models trained only on synthetic data.
Additionally, four custom models with attention modules were developed and evaluated, derived from the best-performing standard models for this detection task. These models exhibited better synthetic-to-real domain transfer in control experiments compared with their standard counterparts. In particular, the YOLOv9m-CBAM variant, with 156 layers and 20,032,494 parameters, showed a specific advantage in detecting the cytoplasm boundary, supported by an exploratory evaluation on real video sequences in which it stably detected structures that the standard model missed and reduced meiotic-spindle false positives. Accordingly, YOLOv9m-CBAM is adopted as the reference model of this work for the clinical application scenario (continuous PLM video monitoring).
The model robustly detects all four structures. For zona pellucida, meiotic spindle, and cytoplasm boundary, mAP50 values of >= 0.955 are achieved; the polar body, the most challenging structure, shows marked improvement after transfer learning. Results confirm the viability of the methodology used for specialized biomedical applications with scarce annotated data and offer a practical strategy for automated assessment tools in assisted reproduction. Overall, the architecture that enables detection of the morphological structures associated with oocyte maturation state from PLM images is identified: YOLOv9m yields the best performance on static images, whereas YOLOv9m-CBAM, selected as the reference model for the clinical video scenario, provides greater stability and robustness in frame-by-frame detection.
Descripción
Ilustraciones
Palabras clave propuestas
Microscopía de luz polarizada; Ovocitos; YOLO; Transferencia de aprendizaje; Datos sintéticos; Estructuras morfológicas; Módulos de atención; Reproducción asistida; Polarized light microscopy; Oocytes; YOLO; Transfer learning; Synthetic data; Morphological structures; Attention modules; Assisted reproduction