طبقهبندی نامتوازن تصاویر اسپرم انسانبا استفاده از یک شبکه کپسولی ترکیبی جدید

مورفولوژی تصاویر اسپرم یک مرحله مهم در ارزیابی و بررسی مایع منی در ناباروری مردان است. کمبود نمونههای مربوط به ناهنجاریهای سر اسپرم در مقایسه با نمونههای سر اسپرم طبیعی، میتواند طبقهبندی تصاویر سر اسپرم را به یک مسئله طبقهبندی نامتوازن تبدیل کند. با عدم توانایی الگوریتم های طبقه بندی استاندارد، شبکههای عصبی کپسولی با درنظر گرفتن ارتباطات فضایی ویژگیها، در مقایسه با سایر شبکههای عمیق بستر مناسبی را برای طراحی مدلهای طبقهبندی نامتوازن فراهم میکنند. بههمینمنظور در این مقاله یک معماری جدید بر اساس شبکههای عصبی کپسولی برای ارزیابی طبقهبندی نامتوازن تصاویر سر اسپرم انسان معرفی شده است. همچنین از عملیات مختلفی مثل برش، چرخش، جابهجایی و قرینهسازی در جهت تولید تصاویر به منظور افزایش مجموعه داده HuSHeM استفاده شد. صحت شبکه پیشنهادی روی ۴۵۳۶ تصویر مجموعه داده HuSHeM در طبقهبندی متوازن ۹۸/۱۵ درصد و در طبقهبندی نامتوازن میانگین صحت کلی ۹۰/۸۳ درصد را در پی داشت. همچنین در طبقهبندی نامتوازن، میانگین صحت کلاسهای اقیلت ۸۹/۲۹ درصد بود. شبکه پیشنهادی تا نسبت نامتوازنی دسته اقلیت به اکثریت ۱ به ۱۰، دقت بالای ۸۰ درصد را حفظ کرد که نشان از عملکرد مناسب آن در طبقهبندی نامتوازن تصاویر اسپرم دارد.

کلیدواژه ها:

طبقهبندی نامتوازن تصاویر ، ناباروری ، اسپرم انسان ، یادگیری عمیق ، شبکههای کپسولی.