Morphokinetic Parameter Prediction Benchmark

本数据集名为Morphokinetic Parameter Prediction Benchmark，由南特大学创建，包含704个胚胎发育视频，总计33.7万张图像。数据集内容涵盖从受精后第1天至第5-6天的胚胎发育全过程，详细标注了16个不同的发育阶段，包括早期细胞分裂阶段至晚期细胞分裂阶段。创建过程中，通过时间-lapse成像系统连续监控胚胎发育，并由经验丰富的胚胎学家进行详细标注。该数据集主要应用于辅助生殖技术中胚胎质量评估的深度学习模型训练与评估，旨在提高临床成功率。

This dataset, named Morphokinetic Parameter Prediction Benchmark, was created by the University of Nantes. It contains 704 embryo development videos, totaling 337,000 images. The dataset covers the entire process of embryo development from the 1st day post-fertilization to days 5-6, with detailed annotations for 16 distinct developmental stages ranging from early to late cell division phases. During its creation, embryo development was continuously monitored using time-lapse imaging systems, and detailed annotations were performed by experienced embryologists. This dataset is primarily used for training and evaluating deep learning models for embryo quality assessment in assisted reproductive technology, aiming to improve clinical success rates.

搜集汇总

数据集介绍

构建方式

Morphokinetic Parameter Prediction Benchmark 数据集通过收集2011年至2019年间716对不孕夫妇的ICSI周期中的胚胎发育视频构建而成。这些视频由时间推移成像培养箱（TLI）系统记录，涵盖了从受精到囊胚阶段的胚胎发育过程。数据集包含704个完整视频，总计337,000张图像，并由经验丰富的胚胎学家进行了详细的16个发育阶段的标注。为了确保数据质量，研究人员排除了标注阶段少于6个的视频，并随机选择了10%的剩余视频。

使用方法

Morphokinetic Parameter Prediction Benchmark 数据集可用于训练和评估深度学习模型，特别是用于胚胎发育阶段的自动标注和预测。用户可以使用ResNet、LSTM和ResNet-3D等模型进行实验，并通过提供的自定义评估指标来衡量模型的性能。数据集的详细标注和丰富的图像数据使其适用于多种深度学习任务，如图像分类和时间序列分析。此外，数据集还提供了交叉验证的实验设置，便于用户复现实验结果并进行进一步的研究。

背景与挑战

背景概述

随着辅助生殖技术（ART）的快速发展，体外受精（IVF）已成为治疗不孕症的主要手段之一。然而，胚胎质量评估方法的局限性，尤其是基于形态学的静态观察，导致其预测能力不足且存在操作员间的差异。时间流逝成像培养箱（TLI）自2010年起引入市场，通过连续监测胚胎发育，提供了动态的胚胎发育事件记录，称为形态动力学（MK）参数。尽管TLI技术显示出改善胚胎评估的潜力，但其临床应用仍存在争议。为此，Gomez等人于2022年创建了Morphokinetic Parameter Prediction Benchmark数据集，包含704个胚胎发育视频和337,000张图像，提供了16个详细的发育阶段标注，旨在为深度学习模型在IVF中的应用提供一个公开的基准。

当前挑战

该数据集的构建面临多重挑战。首先，胚胎发育的动态过程复杂，涉及多个阶段的精确标注，这对数据集的标注质量和一致性提出了高要求。其次，胚胎发育的阶段多样且时间跨度不一，某些阶段可能非常短暂，导致数据分布不均，增加了模型训练的难度。此外，胚胎发育的图像可能存在部分遮挡或质量问题，影响模型的准确性。最后，数据集的公开性和可重复性是深度学习在IVF中应用的关键，确保数据集的透明性和可访问性是推动该领域发展的基础。

常用场景

经典使用场景

Morphokinetic Parameter Prediction Benchmark 数据集的经典使用场景主要集中在辅助生殖技术（ART）领域，特别是在体外受精（IVF）过程中。该数据集包含了704个胚胎发育视频，每个视频都详细标注了16个不同的发育阶段，涵盖了从早期细胞分裂到晚期胚胎发育的各个阶段。通过使用深度学习模型，如ResNet、LSTM和ResNet-3D，研究人员可以自动识别和预测胚胎的发育阶段，从而提高胚胎质量评估的准确性和效率。

解决学术问题

该数据集解决了IVF领域中胚胎质量评估方法的局限性问题。传统的胚胎质量评估主要依赖于形态学观察，这种方法存在预测能力不足和操作员间及操作员内变异性大的问题。通过引入深度学习技术，Morphokinetic Parameter Prediction Benchmark 数据集为研究人员提供了一个公共基准，使得他们能够训练和评估深度学习模型，从而提高胚胎发育阶段的自动标注精度，最终提升临床成功率。

实际应用

在实际应用中，Morphokinetic Parameter Prediction Benchmark 数据集可以用于开发和验证胚胎发育阶段的自动识别系统。这些系统可以部署在IVF实验室中，帮助胚胎学家更快速、准确地评估胚胎的发育状态，从而选择最具植入潜力的胚胎进行移植。此外，该数据集还可以用于培训新一代的胚胎学家，提高他们的评估技能和一致性。

数据集最近研究

最新研究方向

近年来，随着深度学习在辅助生殖技术（ART）中的应用日益广泛，Morphokinetic Parameter Prediction Benchmark数据集的提出为体外受精（IVF）领域的研究提供了重要的公共基准。该数据集包含了704个胚胎发育视频，总计337,000张图像，并提供了16个详细的发育阶段标注，涵盖了从早期细胞分裂到晚期发育的多个阶段。通过应用ResNet、LSTM和ResNet-3D等深度学习模型，研究者展示了这些模型在自动标注胚胎发育阶段方面的优越性能。这一数据集的发布不仅填补了IVF领域缺乏公共基准的空白，还为未来的深度学习研究提供了丰富的资源，有望通过提高胚胎质量评估的准确性，最终提升不孕患者的临床成功率。

相关研究论文

• Towards deep learning-powered IVF: A large public benchmark for morphokinetic parameter prediction

  南特大学 · 2022年