|
Title
|
ارائه رویکرد بهینه در انتخاب جنین برای کاشت در لقاح های آزمایشگاهی توسط یادگیری عمیق
|
|
Type of Research
|
Thesis
|
|
Keywords
|
جنین، بلاستوسیست، لقاح آزمایشگاهی، پردازش تصویر، یادگیری عمیق، یادگیری ماشین
|
|
Abstract
|
ارزیابی جنین ها و انتخاب بهترین جنین برای کاشت روند مهمی در لقاح آزمایشگاهی است. در ارزیابی های سنتی جنین باید در زمان خاصی از ابزار آزمایشگاهی خارج می شد تا روند رشد جنین با میکروسکوپ بررسی شود که این کار در عمل بسیار مخاطره آمیز است و می تواند به رشد جنین آسیب رسانده و یا روند رشد را مختل نماید و یا در برخی از موارد، اطلاعات رشد جنین ها نادیده گرفته شود که این خود باعث کاهش میزان موفقیت نرخ لانه گزینی می شود. از طرفی، انجام لقاح های آزمایشگاهی بسیار هزینه بر است و در صورت عدم موفقیت باعث ایجاد خسارات های مالی، جسمی و روحی در زوج ها می شود. در حالت کلی انتخاب جنین برای انتقال توسط جنین شناسان بررسی شده و امتیازدهی می شود و جنینی که امتیاز بهتری نسبت به سایر جنین ها دارد، برای انتقال انتخاب می شوند. ارزیابی مورفولوژیکی جنین از طریق آنالیز میکروسکوپی و بصورت دستی انجام می شود. انتخاب جنین برای کاشت نیازمند بررسی مستمر است تا زمان مناسب برای کاشت انتخاب شود زیرا اگر جنین زودتر از زمان رسیدن به بلاستوسیست کاشت شود، شانس کمتری برای موفقیت دارد و همچنین اگر دیرتر کاشت صورت بگیرد، جنین از پوسته اطراف خودش خارج می شود. با خودکارسازی امتیازدهی به جنین ها و انتخاب بهترین جنین نیاز به سخت افزار های گران قیمت نیز کاهش پیدا می کند. روش های خودکار موجود که در این زمینه برای امتیازدهی به جنین ها استفاده می شود اغلب بر اساس وضعیت تروفکتودرم و توده سلول داخلی و بلاستوسیست صورت می گیرد. اغلب این روش ها نرخ دقت قابل قبولی دارند ولی از نرخ تشخیص اشتباه بالایی رنج می برند.
|
|
Researchers
|
Bita Nasiri (Student)، Nacer Farajzadeh (Primary Advisor)، Jalil Ghavidel Neycharan (Advisor)
|