Bovine Embryos Cell Stages (ECS) dataset

Bovine Embryos Cell Stages (ECS)数据集是由法国雷恩大学Inria中心等机构创建的，包含485段牛胚胎发育过程的2D时间序列视频。这些视频通过视频显微镜自动获取，并经过胚胎学家的标注，以确定每个视频帧对应的细胞阶段。该数据集旨在解决牛胚胎早期发育阶段的自动分类问题，推动在牛繁殖领域的应用。The Bovine Embryos Cell Stages (ECS) dataset was developed by institutions including the Inria Center at the University of Rennes, France, and other partner organizations. It contains 485 2D time-series videos that capture the developmental process of bovine embryos. These videos were automatically acquired via video microscopy, and annotated by embryologists to determine the cell stage corresponding to each video frame. This dataset aims to address the automatic classification task for bovine embryos at early developmental stages, and promote applications in the field of cattle reproduction.

搜集汇总

数据集介绍

构建方式

本研究团队构建了Bovine Embryos Cell Stages (ECS) 数据集，旨在通过视频显微技术自动识别体外生产胚胎的细胞阶段。该数据集由485个视频组成，每个视频包含300帧，分辨率为256 x 256像素。每个视频均由胚胎学家进行标注，以确定每个细胞阶段的开始和结束。数据集分为训练集、验证集和测试集，分别包含345、50和79个视频。为了验证方法的泛化能力，研究团队还使用了公开的NYU小鼠胚胎数据集进行实验。

特点

Bovine Embryos Cell Stages (ECS) 数据集具有以下特点：1) 数据集规模较大，包含了从单个细胞阶段到九个以上细胞阶段的胚胎发育过程；2) 数据集包含不平衡的类分布，大多数图像显示的细胞数量为2的幂次；3) 数据集图像质量较低，且牛胚胎细胞呈暗色，这使得细胞阶段的识别变得困难。

使用方法

使用Bovine Embryos Cell Stages (ECS) 数据集时，首先需要对数据进行预处理，包括数据增强、编码器网络、投影网络和分类网络的构建。然后，使用监督对比学习（SCL）和焦点损失（FL）进行模型训练。在训练过程中，每个视频序列通过数据增强模块生成两个增强版本，分别进行编码、投影和分类。训练完成后，移除数据增强模块和投影头，进行预测。在预测过程中，使用重叠滚动窗口技术对每个视频序列进行分类，并应用单调增长约束作为后处理步骤，以提高预测的准确性。

背景与挑战

背景概述

胚胎发育阶段的研究对于理解生物学机制和解决人类与动物相关的问题至关重要。在研究体外生产（IVP）胚胎时，可以从视频显微镜设置中获得的图像序列中受益。本研究聚焦于使用视频显微镜分析牛胚胎发育，旨在解决牛育种领域的应用。由于牛胚胎细胞暗淡，图像质量低，使得细胞阶段的识别变得困难。此外，发育阶段的边界存在类别模糊性，且数据分布不均衡。为了应对这些挑战，研究人员提出了CLEmbryo方法，该方法结合了监督对比学习和焦点损失进行训练，并采用轻量级的3D神经网络CSN-50作为编码器。CLEmbryo方法在牛ECS数据集和公开的NYU小鼠胚胎数据集上都取得了超越现有方法的性能。

当前挑战

牛ECS数据集所面临的挑战包括：1）图像质量低和牛细胞暗淡，使得细胞阶段的识别变得困难；2）发育阶段边界存在类别模糊性；3）数据分布不均衡，中间细胞阶段的数据量较少。为了解决这些挑战，研究人员引入了CLEmbryo方法，该方法结合了监督对比学习和焦点损失进行训练，并采用轻量级的3D神经网络CSN-50作为编码器。CLEmbryo方法在牛ECS数据集和公开的NYU小鼠胚胎数据集上都取得了超越现有方法的性能。

常用场景

经典使用场景

在动物胚胎学研究领域，细胞阶段分类对于理解胚胎发育过程至关重要。Bovine Embryos Cell Stages (ECS) 数据集提供了丰富的2D时间序列显微图像，使得研究人员能够利用深度学习技术自动识别和分类牛胚胎的不同细胞阶段。该数据集的经典使用场景包括通过视频显微技术，实现对体外生产胚胎早期发育阶段的自动化分析，从而为畜牧业和生物医学研究提供有力的数据支持。

衍生相关工作

基于Bovine Embryos Cell Stages (ECS) 数据集，研究人员提出了CLEmbryo方法，该方法结合了监督对比学习和轻量级3D神经网络CSN-50，实现了对胚胎细胞阶段的精确分类。CLEmbryo方法在Bovine ECS数据集和NYU小鼠胚胎数据集上都取得了优异的性能，为动物胚胎学研究提供了新的技术手段和理论基础。

数据集最近研究

最新研究方向

在动物胚胎细胞阶段分类领域，最新研究主要集中在利用深度学习和视频显微技术来自动识别和分类细胞阶段。Hachani等人提出了一种名为CLEmbryo的新方法，该方法结合了监督对比学习和焦损失，使用轻量级的3D神经网络CSN-50作为编码器。CLEmbryo在Bovine Embryos Cell Stages (ECS)数据集和NYU Mouse Embryos数据集上都表现出了优越的性能，证明了其在动物胚胎发育分析中的潜力和普适性。该方法通过将同一类别的图像嵌入向量拉近，将不同类别的图像嵌入向量推远，从而学习到更鲁棒和具有语义意义的表示。此外，焦损失的使用有助于解决数据不平衡问题，提高了模型在细胞阶段分类任务中的时间准确性。CLEmbryo的研究结果表明，深度学习和视频显微技术的结合为动物胚胎发育研究提供了新的工具，有望在胚胎学研究和动物育种领域产生重要影响。

相关研究论文

• Supervised contrastive learning for cell stage classification of animal embryos

  法国雷恩大学Inria中心，法国雷恩大学IRISA，法国巴黎-萨克雷大学UVSQ，INRAE，BREED，法国国家兽医学校阿尔福尔特(EnvA) · 2025年