Supervised contrastive learning for cell stage classification of animal embryos

要約

ビデオ顕微鏡検査は、機械学習と組み合わせた場合、in vitro産生（IVP）胚の早期発達を研究するための有望なアプローチを提供します。
ただし、発達イベント、より具体的には細胞分裂に手動で注釈を付けることは、生物学者にとって時間がかかり、実用的なアプリケーションのために拡大することはできません。
深い学習アプローチを使用して、2Dタイムラプス顕微鏡ビデオの胚の細胞段階を自動的に分類することを目指しています。
私たちは主に牛の繁殖の適用に関心があるため、ビデオ顕微鏡を使用したウシ胚発生の分析に焦点を当てており、ウシ胚細胞段階（ECS）データセットを作成しました。
課題は3つあります。（1）細胞段階の識別を困難にする低品質の画像とウシの暗い細胞、（2）発達段階の境界でのクラスのあいまいさ、および（3）不均衡なデータ分布。
これらの課題に対処するために、Clembryoを紹介します。Clembryoは、トレーニングのための焦点損失と組み合わせた監視された対照学習と、エンコーダーとしての軽量3DニューラルネットワークCSN-50を組み合わせた新しい方法を紹介します。
また、私たちの方法がよく一般化されることも示します。
Clembryoは、ウシECSデータセットと公開されているNYUマウス胚データセットの両方で最先端の方法を上回ります。

要約(オリジナル)

Video microscopy, when combined with machine learning, offers a promising approach for studying the early development of in vitro produced (IVP) embryos. However, manually annotating developmental events, and more specifically cell divisions, is time-consuming for a biologist and cannot scale up for practical applications. We aim to automatically classify the cell stages of embryos from 2D time-lapse microscopy videos with a deep learning approach. We focus on the analysis of bovine embryonic development using video microscopy, as we are primarily interested in the application of cattle breeding, and we have created a Bovine Embryos Cell Stages (ECS) dataset. The challenges are three-fold: (1) low-quality images and bovine dark cells that make the identification of cell stages difficult, (2) class ambiguity at the boundaries of developmental stages, and (3) imbalanced data distribution. To address these challenges, we introduce CLEmbryo, a novel method that leverages supervised contrastive learning combined with focal loss for training, and the lightweight 3D neural network CSN-50 as an encoder. We also show that our method generalizes well. CLEmbryo outperforms state-of-the-art methods on both our Bovine ECS dataset and the publicly available NYU Mouse Embryos dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google