文摘

不孕不育是一个条件,怀孕不发生尽管无保护性交至少一年。主要原因可能来源于男性或女性,有时,导致生育障碍。的男性,精子症是最常见的不孕的原因。在本文中,我们提出了男性不育分析基于自动化精子能动性跟踪。该方法在多级,第一阶段集中在精子检测过程中使用一种改进的高斯混合模型。提出了一种新的优化协议之前准确地探测到能动的精子精子跟踪过程。提出系统优化协议实施以来,精子速度跟踪和评估过程改进。该方法达到最高的平均精度,灵敏度,和特异性为92.3%,96.3%,和72.4%,分别测试在10个不同的样本。我们建议的方法描述定性观察时更好的精子检测质量相比其他先进的技术。

1。介绍

不孕不育是一个医疗条件,由生殖系统产生的失败的孩子。几个因素导致这种情况如遗传性疾病、艾滋病、糖尿病、癌症、或过度暴露于某些环境因素(1]。在全球范围内,大约有48.5至5200万例不孕症病例报道估计大约15%的全球总夫妇(2]。在马来西亚,政府统计部门公布每个妇女生育率下降从4.9到1.8的婴儿在1970和2018之间。不孕不育的问题源于男人或女人或在某些情况下;都有助于问题的夫妇(3,4]。在大多数男性不育情况下,精子症被认为是最常见原因的不孕症4]。独自负责20 - 30%的男性不育障碍,他们贡献约50%的总体原因(5]。

有几种方法来诊断男性不育问题如常数测量血液和激素水平,物理考试,pH值(6]。然而,这些方法依靠人工评估容易出现人为错误,昂贵和耗时。另一种方法是通过精液分析依赖于检查和评估精子的属性,它已被广泛研究。一般来说,有三种方法来分析精子,即(1)精子有担忧精子的浓度在一个示例中,(2)精子morphology-which取决于检查精子的结构的形状和大小,和(3)精子motility-which精子的速度估计。这三个属性提供线索来检测不孕和可以显示整体质量的精子7,8]。世界卫生组织(世卫组织)建立了一个标准的识别正常和不正常精子基于这三个标准列在下表中1(9]。

表1
标准的正常精子的特征。

精子分析是一种强大的工具检查生殖障碍,和表1汇总截止精子参数的值。换句话说,如果分析获得的值小于截止,然后,被认为是不正常的情况。世界上大约三分之二的六个人有生育问题,其中30%左右遇到问题与精子质量相关。有几种方法探讨精子属性如精子的DNA分裂和精子染色质结构分析。然而,这些方法是费时和昂贵的,需要手动处理。因此,基于计算机视觉的新方法介绍了包括图像处理技术分析精子的修改的属性。使用计算机视觉在精子分析提供了几个优势,如以下几点:(i)它提供了一个快速诊断,(2)它可以被修改,(3)它不需要其他化学条件,及(iv)不太容易人为错误。

本文分为五个主要部分,其中每个人的描述完成的工作进行研究。在介绍,探讨了不孕的一般理解从全球的角度来看,尤其是在世俗的接受标准。背后的原因不孕也看着,为了理解背景以及可用的诊断流程相关的问题。在研究背景,通过执行差异分析比较现有方法和技术。批判性讨论最新的文件精子跟踪方法各自的ups和缺点进行了讨论。发现在这个手稿本节提供了动机和改进的高斯混合模型适合于差距。本手稿中的方法,讨论了改进的高斯混合模型(GMM),包括引入优化精子检测和随后的精子的运动性跟踪目前使用的输入检测技术进行了优化。基于工作在本节中,讨论的结果是三个主要参数的准确性( ),灵敏度(Sn)和特异性(Sp)。结果,提出修改GMM的结果与一些已知的基准测试,类似的技术来评价其性能。一些结论进行总结,描述了该算法的性能突出的力量和挑战的工作。

2。研究背景

虽然精子数量和形态能给一些迹象表明精子的雕像,他们认为nonreliable得出决定性结论生育男性精子的运动性相比分析(10]。因为生育分析过程中主要关心的是第一个精子到达输卵管,使卵子受精,因此,研究精子的速度属性可以提供更准确的结果。根据世界卫生组织,精子的运动性可以分为三个方面:(i)快速进步(FP)这意味着精子的运动性 μm / s, (ii)缓慢的进步(SP)与精子的运动性 μm / s,(3)不能移动的这意味着精子不动(4,9,11]。

有多种方法来估计的速度精子,这是通过人工目测法或使用计算机图像处理工具。例子的手动方法光电和多重曝光留声机(MEP) [4,12]。通过手工视觉观察,精子速度估计是相对缓慢的,不足和不准确。另一方面,精液分析与图像处理技术使用的计算机视觉算法估计精子的运动性特性广泛接受,可靠、快速、强劲的(13]。图像处理和计算机视觉的能力中可以看到各种医学领域应用程序(14- - - - - -18]。

计算机辅助精子分析(CASA)是第一个方法,是在1985年被引进的。这种方法能够评估精子的总数,检测精子的形态特性,和精子的速度估计。精子分析结果可能会有所不同在不同之工具。这是高度依赖于精子的浓度,高浓度的精液样本可能导致能动的精子很难检测到。尽管如此,这种方法不能同时检测多个精子。此外,需要为每个大样本实验,它不能够检测损失或重生精子(19]。CASA仪器设置应该标准化,确保结果是类似的错误捕获率和损失捕获率应尽可能低。

联合概率数据关联滤波(JPDAF)是适应跟踪和测量的速度同时数以百计的精子。JPDAF是数学和统计的方法,这种方法基于一种全球近邻的方法(GNN)追踪对象通过最小化在距离变量和变量之间的距离最大化。这个特性使精子的碰撞条件,干预结果,测量距离的精子。然而,这种方法具有较高的计算复杂度,其过程终止是慢20.- - - - - -22]。

精子的另一种修改方法跟踪是混合Generative-Discriminative追踪(HGDT)。对象检测混合生成系统,区别的追踪是所有帧更新每个精子的质心速度估计。该方法具有自适应学习的框架到另一个,这增强了检测和跟踪过程。HGDT的主要缺点,使其与单跟踪器能正常工作而不是多个精子跟踪(23,24]。

最近的一篇论文发表在今年早些时候深度学习在精子检测和跟踪使用。一个修改的方法,称为通道和空间分辨率与歧视的相关滤波器(CSR-DCF)实现的。它始于RetinaNet的检测方法,深层神经网络卷积的方法,是使用。该方法提取主要特征的精子喂卷积神经网络。根据这些特性,它检测到其余的精子对整个框架。这个方法需要一个更高的计算模型和大的训练数据集,这使得它难以实现,缓慢的执行时间(25]。

Kheirkhah et al。26建议精子检测和跟踪的方法,是基于自适应距离跟踪(ADT)。在这种方法中,精子是通过检测其质心,然后,它的坐标确定在每一帧。自适应窗口平均速度(awa)修改为提高精子分配的准确性从框架到另一个。然而,这在一个高度密集的解决方案或方法不佳时,有许多精子密切地区积累。

另一个精子跟踪方法是由(27)称为微分区轨迹(DAT)。在这种方法中,精子的位置检测到集体,与此同时,构造了足迹。DAT保留最终结果的速度函数关于时间为了评估精子的速度。尽管该方法计算复杂度低,易于实现,它没有检测到死亡和重生精子,它不需要测试数据(初始帧),使结果不准确。表2总结了先前的技术被用于跟踪能动的精子。从总结提出了表,我们可以突出一些差距从现有文献研究:(1)更新机制考虑新兴精子重返领域的观点是不顾在精子的速度估计。因此,分类之间的正常和异常的精子能动性是不准确的(2)精子的运动性的效率分析通常是减少在高密度介质现有系统无法检测多个精子(3)因此,手动精液分析仍在使用。然而,人工分析挑战由于精液样本不一致。再现性的分析是很难实现将导致误分类

表2
总结以前的方法在多个精子跟踪。

因此,在本文中,一个自动化的多级跟踪系统,提出了利用精子能动性属性。自动跟踪两个阶段由精子和精子的头部检测跟踪过程。一个新的改进的高斯混合模型自动优化协议提出了检测多个精子头部图像帧提取精子能动性视频。然后,第一阶段的输出将被用来精确地跟踪能动的精子并最终决定他们的速度。

这背后的主要动机是提高精子的质量分析方法通过提供高精确和可靠的结果。这项工作的主要技术贡献和新奇下面列出:(1)修改和优化GMM函数提出了精子的头识别。确定的优化背景阈值,更准确的精子功能可以本地化。拟议中的修改GMM可以本地化的精子的功能将在第二阶段的跟踪系统(2)Multisperm跟踪使用相似性和欧氏距离的方法。运动型的检测精子将自动更新包括新的精子重返地球的视野。这将确保准确的精子的速度可以确定和计算(3)提供总体精子分析系统以更少的计算和数学的复杂性。拟议中的修改GMM提供了一种改进的精子功能,将生成自动阈值定位感兴趣的区域(即。,精子形态)

3所示。方法

在本文中,我们开发了新算法基于可用VISEM数据集(32),收集到的数据被用来研究男性生殖功能。精子的运动性视频记录和检查了下使用一个奥林巴斯CX31显微镜放大400倍。样品被放在显微镜加热阶段(37°C),由microscope-mounted摄像机和视频捕获并保存为AVI文件。数据集包含运动性视频从85年男性参与者的年龄在18岁或以上。总结的数据集规范列在下表中3。

表3
总结以前的方法在多个精子跟踪。

整个算法多级自动精子能动性跟踪呈现在图1。该算法包括两个阶段,第一阶段侧重于预处理任务碎片在哪里从原始帧删除。为了准确检测精子移动,多余的碎片开始以来被淘汰。这种方法将有助于提高算法的计算效率,同时跟踪运动精子(将进行第二阶段)。然后,打扫图像帧送入第二阶段的中心坐标检测精子的头。这些坐标然后用于精子连续帧的跟踪。精子的速度计算基于成功跟踪精子,因此,正常和异常的分类是根据记录的平均速度的能动的精子。


图1
该方法的总体流程。
3.1。阶段1:优化精子检测

这个阶段开始的精子检测过程,目的是区分对象的利益(即。精子)的背景。此外,图像帧被实施形态打开和关闭操作清洗去除死细胞或碎片在每一帧图像。然后,修改后的高斯混合模型(GMM)的新的优化高斯密度函数实现检测精子和背景分开。这种技术是clustering-based方法将每个对象赋给某个类使用数学高斯概率密度函数,( 部分感兴趣的对象从背景中所示 在哪里 是像素强度值, 的意思是, 的协方差矩阵,然后呢 矩阵的维数。

修改后的GMM的伪代码如图2。在这个阶段,所有对象都聚集到两个不同的类,每个类都有一个不同的意思 协方差估计它的中心 表明它的长度和重量的概率 描述如何类大或小。如果高斯密度函数( 大于设定阈值,像素是对象,而如果( 小于预定的背景阈值(BG吗T),像素被认为是背景。为了确保准确的精子和健壮的检测,设置阈值自动生成的基础上,提出优化算法如图3。BG的T自动生成基于精子样本。高斯密度函数计算,重复该流程以达到最高的精子检测等。


图2
修改后的高斯混合模型的伪代码。

图3
优化背景阈值。

为了获得最好的BG的价值T,我们使用检测精子的数目作为主要参数检查精子检测的准确性。因为每个精子的运动性视频记录为每个样品在相同的环境中,我们只计算每个获得的优化过程在第一帧视频。这个过程将确保有效的参数优化,从而确保准确检测。因此,对于已发现的精子数量达到最高,BGT,价值选择最好的价值。优化精子检测视频自动计算的基础上BGT是由导电提出优化技术如图3。BG的T值被设置范围从10%到100%;因此,循环的 用于确保阈值的自动生成。

从GMM不够清晰导致图像做进一步分析。原因是有很多的死细胞和德比混合或包围了精子的边缘。这将导致误解的结果和不准确的速度测量。因此,形态的打开和关闭操作实施过程以减少不必要的噪音。这项技术是基于扩张或收缩背景物体的形状。在这项研究中,图像同时打开和关闭图像应用得到更清晰的图像帧。添加或删除像素的大小是由内核或结构元素的大小(SE)。方程(2)和(3)演示图像打开和关闭的数学表达式,分别。 在哪里 是二进制图像(修改GMM结果)和 是SE元素。

3.2。阶段2:精子的运动性跟踪

一旦优化检测精子被发现在阶段1中,检测和跟踪过程中持续的中心精子的头被确定。对象椭圆面积150像素2被认为是感兴趣的对象(即。,精子)。对象不超过150像素2被认为是垃圾和被淘汰的跟踪过程。使用椭圆面积计算

精子的头部的坐标记录每10th帧的精子能动性视频。的数学过程的中央势头物体的质量检测中心实施精子的头。这种方法能够处理多重天体或精子检测在同一个框架。使用的质量中心动力技术,精子的头的中心的坐标计算 精子的头部的协调中心是捐赠 , 是零的瞬间,描述了对象的面积,然后呢 和 指定在方程(6)和(7),分别。 是二进制图像,从阶段1。

这个阶段的目的是找到精子在最近的前一帧和当前帧中最类似于精子。我们在这一阶段有两个假设:(i)两个精子之间的距离(即精子在当前帧与前一帧)不得超过125像素的距离阈值被认为是相同的活动精子,和(2)精子的头的形状和畸形的椭圆必须在每一帧没有太多变化。125像素的阈值是基于观察和模拟试验样品。此外,考虑到设定的阈值是精子的头部和尾部之间的大小比例。因此,通过观察精子的运动行为的所有样本,我们的结论是,125像素的阈值是可以接受的。精子的亲密关系被定义为拥有一个最小欧氏距离中心的两个精子 (即精子在当前帧) (精子在前一帧)

因此,我们测量精子的头部区域的比例从当前的(例如,第20帧th)和前一帧(例如,帧10th)。的比例不应超过阈值定义为积极的面积大小之间的差异在当前和前一帧。方程(10)表示的数学定义过程跟踪过程。 在哪里 的面积在前一帧和精子 的面积是精子在当前帧。这个方程的结果自动更新并存储在一个矩阵。 的阈值大小被设置为1.2在这项研究中,假设对象的大小预计不会大幅改变前期和后续帧之间。阈值是基于仿真所做10个不同的精液样本。

基于两个条件如上所述,精子在当前帧与相应的帧与前一帧。如果精子之间的欧氏距离和大小比当前和前一帧小于或等于预先确定的阈值,精子在前一帧匹配相应的精子与当前帧的精子。

如果接近或相似的对象并不是实现,对象被认为是精子游从框架。精子追踪是nonmatching精子在初始化时从跟踪器中删除。如果精子成功与相应的精子,这个过程被重复,直到所有帧处理的精子。这一过程持续进行直到所有图像序列帧进行了分析。自从SE图像中实施优化,SE的选择并不直接影响跟踪和检测过程。然而,SE用于形态学操作来提高图像的清晰度和进一步增强精子的头大小,从而间接地影响检测过程。

获取坐标后的精子,精子的速度可以测量根据方程(11)。此外,单位像素/秒的速度是转换μ米/秒( )以满足规定的标准。质心检测一次十帧,这样重心将足够大的变化检测来减少系统computational-complex和提高处理速度。

视频的帧率取决于属性,及其单位是帧每秒。

最终速度结果是每个精子的平均速度在整个视频。精子的速度在每一个检测的结果存储在一个矩阵。视频结束时,平均获得总结速度值除以所有帧的帧的数量。这给系统的特点检测精子退出和进入了研究区域(即。,视野)导致更高的精度。

3.3。绩效评估

为了确保系统是更准确的与其他作品相比,三个数学方程实现等精度( ),灵敏度(Sn)和特异性(Sp)所示的方程(12),(13)和(14),分别。有四个主要元素集成在这些方程,即(i)真阳性(TP),表明正确积极的精子的数目被提议的技术,(2)真阴性(TN),表明积极的消极的精子样本被提议的方法,(3)假阳性(FP)表示数量的精子专家标记他们的消极和系统承认他们是积极的,假阴性(iv) (FN)表示数量的精子专家标记他们是积极的,该算法承认他们是消极的。

4所示。结果

我们的结果与其他方法相比,如零交点(33)和经典边缘分割(Sobel和普瑞维特)(34)对其性能进行评估。图4显示了比较的结果来评估之间的差异提出修改GMM和其他两种方法。经典边缘分割和零交点技术包括整个精子结构(即。、头部、中段和尾部),被认为是能动的,不能游动的精子。这些方法添加不必要的噪音背景相比,我们的方法。因为精子的头部是最亮的部分,其他精子的结构如图4(一),我们当前的技术只集中在头部区域,以确保准确和快速的检测。最重要的能力,已经注意到在我们的实验中,修改后的GMM设法检测所有移动物体或精子。自从运动性的测量主要是考虑到移动的精子,然后,其他未被发现的精子被认为是不能移动的。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图4
精子检测方法和其他方法之间的比较原始帧(a)、(b)经典边缘分割,(c)零交点,(d)方法。

此外,修改的GMM BG的最重要的功能T操纵。换句话说,背景比率可以修改得到期望的结果。BG的T唯一分配基于精子视频样本。该算法能够自动生成BGT以确保精子健壮的检测。图5显示了三种不同的背景比率的结果,为测试样本,50%的比率显示了一个更准确,清晰的图像平滑的边缘移动的精子。然而,这个比例不是固定的样本。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图5
比较不同BG比例大小的原始帧(a), (b)分段与BG比率90%,(c)分段与BG比率50%,(d)分段BG比率为20%。

检测的准确性,我们也进行了对比分析(绩效评估)与其他技术,如自适应阈值由[报道35)和全球报道的阈值(36]。我们评估10个不同的精子的运动性视频样本,每个样本由不同数量的精子。评估是由计算的准确性( ),灵敏度(Sn)和特异性(Sp)列在下表中4。

表4
精子检测方法的结果,自适应阈值和全局阈值方法。

此外,该方法的总体性能相比,自适应和全局阈值提出了表5。我们可以从表通知5,该方法精度高,灵敏度值。虽然该方法的特异性是为每个样本不一致,这个缺点可以改善如果不能游动的精子完全从之前的帧跟踪过程。此外,观察结果图像的质量不如它应该,因为精子的结构仍然是不均匀的,和一些碎片和死细胞仍在前台如图6。这将影响分析和将导致不准确的结果。然而,随着列在下表中5,与自适应阈值和全局阈值相比,这两种技术仍在检测不能游动的精子。这导致本地化错误移动精子决定精子速度,因此会导致误判。该方法可以区分移动和不移动的精子通过修改GMM的优化过程。然而,由于额外的优化该方法实施的步骤,处理时间更高比自适应和全局阈值的两种可行的方法。

表5
比较该方法之间的整体性能,自适应阈值,和全球阈值。

图6
碎片和非均匀精子结构,该方法造成的。

图7显示了标准偏差的误差棒的结果表4(绩效考核)。从图表我们可以看到,我们的方法具有最小的误差棒长度(特别是准确性和灵敏度)这表明这些值集中,并绘制平均水平更有可能比自适应和全局阈值的方法。该方法的特异性的标准偏差是与其他技术相比更高。这可能是由于10精子样本,我们使用不同的照明问题,因此,每个样本确定局部地区有不同的困难。除此之外,与自适应和全局阈值方法,精度和灵敏度最高的分在我们的方法中,并与其他方法;他们不重叠因此,我们可以告诉我们的提议技术是结论性的。


图7
比较之间的绩效评估方法和其他常见的自适应技术和全球阈值。本文提供的价值的 。

有两个原因:(1)当检测到对象的数量(即。,精子)相对较小;(2)当我们回到方程(14),我们可以告诉,这个方程的主要变量是发现TP、TN的数量。例如,Sp样品6到8有50%,这是因为发现TP的数量是1,发现TN的数量是1,所以Sp低的百分比,是反映在其误差棒的长度。解决上述问题,采用形态学操作图像打开和关闭的同时应用于改善不均匀的精子。自从有了结构元素(SE),可以应用一些SE检查找到最好的SE,可以提供一个明确的和同质结构和图像。图8显示了应用不同的SE的结果导致图像帧(从修改后的GMM)。从图中,我们可以看到线的形态图像和多维数据集的结果本身不提供一个统一的精子的结构与磁盘。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图8
比较不同的SE图像形态。

精子形态学操作中常用的检测分析报告(37]。他们提出了一个方法,是基于使用椭圆检测精子的形态结构。在这种方法中,灰色是转换为RGB;然后,多个增强过滤器添加增强和部分精子的背景。然而,在我们的方法,修改后的GMM能够转换图像类、分割、边缘检测和过滤精子同时不增加进一步的指令。这使得我们与更快的执行的方法不复杂。此外,该系统将探测能动的和不能游动的精子速度测量的噪声也可能进一步增加。根据Mahdavi et al。37),系统检测到一个椭圆形状,结构不可靠,因为他们可能有其他死细胞或碎片的解决方案,有一个椭圆形状。

精子的坐标在当前和前一帧需要计算精子的速度。在这项研究中提出的相似性指数与某个阈值。坐标跟踪的结果自动更新和存储在一个矩阵每10帧。跟踪的结果如图所示9。


图9
精子坐标跟踪的结果。

在大多数情况下,精子的跟踪,会有精子退出帧/场的实例视图或精子进入框架如图9。这些精子将自动更新,不干预与速度的结果。精子退出可能导致从几个原因,即(i)精子失去动能而死,(2)附加误差,(例如)类似的指数超过了阈值,和(3)的精子跑出视野范围在微观录音。图10显示了精子的情况下,造成10之间的视野th和20th帧。


图10
插图的精子离开视野条件。

此外,精子进入视野或框架是另一个可能发生的条件。这是因为失去了精子在前一帧被更新或收益低阈值的相似性指数。图11显示了三个额外的精子之间添加20th和30th帧。


图11
精子重返地球图像帧的一个例子。

最后,精子的运动性的分析结果,有十个样本具有相似帧每秒30帧率和平均800帧。精子的数量不同于另一个示例。表5显示了运动性的结果测量。快速进步的分类(FP),缓慢进步(SP),不能游动的精子是根据世界卫生组织的标准,精子的运动性分析如表所示1。运动性结果表达的平均速度(μ米/秒)。因为它可以注意到从表6,一些样品有较小的偏差和其他人有较大的标准差。这种情况预计因为FP或SP的标准范围是退出宽,由于不同数量的精子在每个样本。此外,在分类方面,样本被认为是正常的如果快速进步的总和的百分比(FP)精子和缓慢的进步(SP)精子总精子(超过40% )。

表6
精子的运动性的分类结果。

5。讨论

理解和验证的结果前一节中,精子的速度绘制趋势图12他们的速度已经分为世界卫生组织标准的快速进步,进步缓慢,或不能移动的。每个样本都代表了不同数量的精子,从图,样品3、4、8和9被认为是一个正常的样品由于快速进步和缓慢的进步精子从精子总数超过40%。该系统能够自动分类的精子样本根据计算精子的速度。提出了优化技术将确保精子准确识别,和不移动的精子以及碎片被排除在分析之外。这种优势将提供一种改进的精子的运动性分类将最终帮助男性不育症的诊断。


图12
趋势的精子速度分类10精子样本。

可以由许多因素合理的速度变化。例如,中段的大小的精子是至关重要的,因为它包含线粒体提供的能量形式的三磷酸腺苷(ATP)精子的生存和繁殖。规模越大,燃料越多;因此,它可以移动得更快。有(所做的研究38,39]证明了高潜力和大小的精子导致更高的精子中段的速度。同样的研究也得出结论,精子的长度在其速度和发挥作用,显示了一个精子长度之间存在显著的线性关系和它的游泳速度。

此外,精子周围的碎片和死细胞的数量可以降低精子的速度。一般而言,碎片或附近的存在领域的精子可能导致许多运动精子之间的碰撞和其他碎片和死细胞,这可能会降低精子的速度。除此之外,大量的碎片代表高粘度从而最终减少精子的速度。我们可以观察到这种发病率进行比较的结果表6和4样本结果如图(帧)13,分别。样本1包含大量的碎片和死细胞积累;因此,示例将高密度将减少移动物体的速度。相反,样本3和4有很多精子与高速的价值。两个样品还没有碎片和死细胞在精子,这可以解释的原因,他们有一个整体的快速进步的精子。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图13
精子运动场景(a)示例1,(b)样品2,(c)样品3,示例4 (d)。

附近不能游动的精子数量的精子也会影响精子的速度移动。指表6,我们注意到,不能游动的精子的数量之间的比率和能动的精子样本1,这是一个大指标低速度值的结果。另一方面,样本3少不能游动的精子。这就是为什么它会导致大量的精子,有很高的速度。这是支持通过研究[30.,40),他们发现有一个死精子的数量之间的关系和总体精子速度在一个解决方案;死亡或不能游动的精子的数量越高,精子较小的速度移动。研究还提到,死亡或不能游动的精子的存在可能导致碰撞,减缓病情恶化的精子。由于样本的分类取决于能动的和不能游动的精子的数量,更不能游动的精子样本,样本越有可能会不正常。

6。结论

本文修改GMM算法提出了优化精子检测过程的能力为男性不育诊断multisperm跟踪。该方法包括两个阶段,第一阶段侧重于准确地检测精子,而第二阶段包括精子跟踪和速度测量。运动性的结果进行评估,和10个精子样本,和该方法的性能比较与其他先进的技术。检测精子的运动性10日视频时,该方法达到92.3%,96.3%,72.4%,精度,灵敏度和特异性分别。这些性能指标最高排名的方法比其他方法。基于视频样本,4测试样本分类为正常,另6转向是异常。当前工作的主要局限是,当两个精子发生碰撞,在同一条直线移动,系统会认为他们是一个精子。这个问题可以固定优化特征提取技术,更多的功能的碰撞精子会考虑更新精子跟踪器跟踪过程中。此外,尽管利用欧氏距离和相似性度量计算精子轨迹分析、特征直方图和前景信息可以添加作为精子的指标选择最优区域跟踪。这将使对象信息提取的改进提出了系统的准确性。 The current state of the proposed system requires code optimization to improve the computational efficiency especially when dealing with high concentration sample. Furthermore, the research can be continued by considering a mathematical model in estimation sperm motion. The estimation will be able to aid researchers in predicting the location of the corresponding sperms in the next consecutive frames.

数据可用性

人类精子的VISEM多通道视频数据集用于支持这项研究的结果已经存入VISEM库的名称https://datasets.simula.no/visem/。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个项目是由马来亚大学研究资助教师计划(rf010 - 2018 a)和摩托罗拉解决方案的国际资助基金会(if014 - 2019)。作者要感谢医学协会的专家的支持。Mahaneem穆罕默德博士教授医院马来西亚理科大学,Kubang Kerian,马来西亚,在验证结果。