測試設(shè)置

在實驗測試中，我們基于真實精液樣本圖像進行模擬。本研究使用的精液樣本由我們?yōu)橄惹把芯俊?、4」采集，并已公開發(fā)布于「35」。樣本圖像由賓夕法尼亞生育中心的體外受精實驗室提供。每個樣本在室溫下液化30-40分鐘后，用培養(yǎng)液進行清洗。清洗后的精液樣本被移液至20微米深的Vitrolife MicroCell培養(yǎng)腔室進行數(shù)據(jù)采集。關(guān)于樣本制備流程的詳細說明，請參閱Urbano等人的研究「3、4」。

我們從真實圖像中提取的參數(shù)包括：圖像背景 BL、噪聲方差σ2N、精子頭部尺寸、圖像中細胞 數(shù)量N靜止細胞數(shù)量N

測試

我們對模擬實驗的兩個應(yīng)用場景進行了探索。首先，我們測試了五種精子細胞檢測算法并評估了其性能表現(xiàn)。這些細胞檢測算法包含兩大核心模塊：分割與定位「39」。其中分割模塊負責將圖像中含精子細胞的區(qū)域從整體分離，定位模塊則對分割區(qū)域內(nèi)的精子細胞進行精確定位。

評估指標包括*優(yōu)子模式分配（OSPA）距離（c= 20, 1 = 2）「44」、精確率和召回率「45」。OSPA距離是一種量化指標，用于衡量真實值與檢測結(jié)果之間的距離誤差及數(shù)量差異（即真實值與檢測值的數(shù)量差）。

精確率是指真陽性（正確匹配）數(shù)量占總檢測數(shù)的比例，召回率則是真陽性數(shù)量占真實值總數(shù)的比例。理想情況下，OSPA距離值應(yīng)趨近于0，而精確率和召回率則應(yīng)接近1。通過人工標記精子的位置，可以計算出真實樣本中的OSPA distance、精度和召回率。

其次，我們測試了四種精子追蹤算法（最近鄰（NN）、全局最近鄰（GNN）、概率數(shù)據(jù)關(guān)聯(lián)過濾 器（PDAF）和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)過濾器（JPDAF）)「46」。

追蹤算法的核心目標是實時監(jiān)測精子細胞的運動軌跡。通過計算軌跡數(shù)據(jù)，系統(tǒng)可生成描述精液樣本中精子活動能力的關(guān)鍵參數(shù)（如活動精子比例、精子移動速度等）。評估算法性能時，采用多目標追蹤精度（MOTP）和多目標追蹤準確度（MOTA）作為指標，其中截斷距離設(shè)定為5像素「47像素」。MO-TP通過累加匹配基準軌跡truth__與檢測軌跡之間的距離得出，而MOTA則量化了誤報（FP）、漏檢（MME）和軌跡不匹配的綜合誤差，其計算公式為MOTA =-（FP++M+MME） 。

理想情況下，MOTP值應(yīng)趨近于零，MOTA值為1（即FP=M=MME=）。具體評估指標的詳細說明請參閱補充文件 [見補充文件1]。

應(yīng)用該模擬技術(shù)評估分割、定位和跟蹤。真實精液

研究人員使用五種不同的檢測算法（包括分割和定位）對圖像及其模擬圖像進行了測試。具體算法如下：

1.（Otsu）使用Otsu閾值法對圖像進行二值化，隨后進行形態(tài)學增強（閉運算、膨脹和腐蝕）「48」。

2. 使用Bradley「49」的自適應(yīng)閾值法對圖像進行（自適應(yīng)）二值化，將靈敏度定義為「0.8」，然后進行形態(tài)學增強（閉運算、膨脹和腐蝕）。

3.（斑點增強）使用大津閾值法對斑點增強圖像進行二值化處理，隨后進行形態(tài)學增強（閉運算、膨脹和腐蝕）（方法由Urbano等人「3」提出）。

4.（邊緣檢測）使用Sobel算子（改進自Abbiramy和Shanthi（2010）提出的算法「5」)對中值濾波后的圖像進行邊緣檢測，隨后進行形態(tài)學增強處理（膨脹、閉運算和腐蝕）。

5. （GMM）使用高斯混合模型（GMM）的運動檢測算法，將訓練幀數(shù)設(shè)置為20 ，混合模型中的高斯模式數(shù)量設(shè)置為3，學習率設(shè)置為0.005，背景比例設(shè)置為0.7「50」，隨后進行形態(tài)學增強（閉運算、膨脹和腐蝕）。

我們基于真實人體樣本（樣本1）的參數(shù)生成了20組不同模擬圖像用于測試，圖像幀尺寸設(shè)定為 250×250像素。在模擬圖像中，靜止細胞被建模為不動狀態(tài)，而移動細胞（數(shù)量C-ND)則分為線性勻速游動（50%）和圓形游動（50%）兩種類型。算法在真實圖像和模擬圖像上均進行了測試。針對每組圖像（真實與模擬），我們添加了方差范圍0-1225的零均值高斯噪聲（灰度圖像標準差為35）。圖18展示了真實與模擬圖像在不同噪聲水平下的OSPA距離、精確率和召回率對比結(jié)果。

圖中顯示，自適應(yīng)算法在低噪聲水平（噪聲方差約低于600)下在OSPA（與真實值的最小距離）方面表現(xiàn)*佳，其次是斑點增強算法、邊緣檢測算法、GMM算法和大津算法（圖18a，b）。

在精度表現(xiàn)方面，當噪聲水平分別超過100和300的方差閾值時，大津算法和斑點增強算法會出現(xiàn) 明顯的性能下降。自適應(yīng)算法和邊緣檢測算法的精度同樣會隨著噪聲水平升高而降低，其中邊緣檢測算法在高噪聲環(huán)境（約超過600噪聲方差閾值）下展現(xiàn)出比自適應(yīng)算法更強的抗干擾能力。而高斯混合模型算法則展現(xiàn)出*強的抗干擾能力，其精度表現(xiàn)幾乎未受影響（誤報率極低）。

在噪聲恢復(fù)性能方面，自適應(yīng)算法、局部增強算法和邊緣檢測算法在噪聲方差0-1225范圍內(nèi)表現(xiàn)基本持平。而大津算法和高斯混合模型（GMM）則隨著噪聲水平升高出現(xiàn)性能衰減：大津算法在噪聲方差達到100時性能驟降，GMM算法在噪聲方差0-1225范圍內(nèi)則呈現(xiàn)漸進式性能下降。

五種不同算法在真實樣本圖像及其模擬圖像上的OSPA距離、精度和召回率均呈現(xiàn)相似趨勢�？傮w 而言， 自適應(yīng)算法在低噪聲水平（低于600噪聲方差）時表現(xiàn)*佳，邊緣檢測算法則在高噪聲水平（超過600噪聲方差）時表現(xiàn)*優(yōu)。大津算法表現(xiàn)最差。斑點增強算法在低噪聲環(huán)境下表現(xiàn)良好，但當噪聲水平超過300噪聲方差時便失效。高斯混合模型算法在精度方面表現(xiàn)*佳，但在OSPA距離和召回率指標上表現(xiàn)欠佳。另一真實人體樣本（樣本2）的補充結(jié)果詳見附加文件[參見附加文件1]。

應(yīng)用仿真評估跟蹤性能。四種跟蹤算法(NN 、GNN 、PDAF和（JPDAF）在模擬圖像上進行了測試。跟蹤算法的代碼由萊昂納多·烏爾巴諾編寫，可在烏爾巴諾等人的「51」中獲取。每個跟蹤算法的輸出結(jié)果是精液圖像中所有檢測到細胞的軌跡信息。

我們評估了NN、GNN、PDAF和JPDAF算法在不同細胞數(shù)量下的性能表現(xiàn)。

每個模擬圖像包含20、40、100或200個細胞。每個圖像中的每個細胞都被分配到一種游動類型 中。using equalprobabilities: linear mean swim, circular swim, hyperactive swim,視頻幀尺 寸為500×500像素，幀率設(shè)定為15幀/秒，每幀圖像選取10秒用于追蹤分析。針對不同數(shù)量的細胞樣本，共生成20種不同場景，總計100幀圖像。背景亮度設(shè)置為204（255級的80%），且視頻圖像未添加任何噪聲。

圖18

圖18.不同水平加性高斯噪聲（a、c、e）下樣本1的OSPA距離、精度和召回率，真實數(shù)據(jù)（b、d、f）與仿真結(jié)果對比。

生成圖像所用的仿真參數(shù)如表6所示。仿真提供了每張圖像的真實軌跡，并與通過NN、GNN、PD-AF和JPDAF算法計算出的估計軌跡進行了比較。

表7展示了不同圖像類型（細胞數(shù)量分別為20、40、100和200個）下20種場景的平均多目標跟蹤精度（MOTP）、誤檢率（FP）、漏檢率（M）、多目標錯誤匹配率（MME）及多目標平均精度（MOTA）等指標。研究發(fā)現(xiàn)，四種多目標追蹤算法的MOTP值基本保持穩(wěn)定，不受圖像中細胞數(shù)量變化的影響。但隨著細胞數(shù)量的增加，多目標精度（MOTA）呈現(xiàn)下降趨勢，同時誤檢率（FP）、漏檢率（M）和錯誤匹配率（MME）則相應(yīng)上升。

在大規(guī)模細胞追蹤任務(wù)中，圖神經(jīng)網(wǎng)絡(luò)（GNN）和JPDAF算法的平均目標精度（MOTA）表現(xiàn)優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（NN）和PDAF跟蹤算法。這種差異的主要成因在于誤報率（FP）。通過對比實驗結(jié)果發(fā)現(xiàn)，在所有測試場景(20、40、100及200個細胞）中，PDAF算法的MOTA值均低于NN算法。

表6.跟蹤評估使用的模擬參數(shù)

表7.NN 、GNN 、PDAF和JPDAF算法在不同數(shù)量的小區(qū)上的跟蹤性能。

在MOTA指標上，GNN和JDPAF跟蹤算法表現(xiàn)相近�？傮w而言，GNN和JPDAF算法表現(xiàn)*佳，其次是 NN算法，而PDAF跟蹤算法則表現(xiàn)最差。

結(jié)論

我們構(gòu)建了一個二維（俯視）視角的精子細胞模型，并通過觀察真實人類精子的游動軌跡，生成了四種不同的游動模式。該模擬系統(tǒng)為系統(tǒng)研究和比較不同精液圖像處理算法提供了可能，包括分割、定位和追蹤算法。在實驗中，我們測試了五種不同的分割與定位算法，并利用模擬結(jié)果對算法性能進行排序，其排序結(jié)果與使用真實圖像的排序結(jié)果高度相似。此外，我們通過運動學指標（MOT）對四種不同追蹤算法（神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、PDAF和JPDAF)在模擬圖像上的表現(xiàn)進行對比，并根據(jù)其性能進行了排序。

本文提出的模擬模型與軟件系統(tǒng)，為開發(fā)優(yōu)化CASA（計算機輔助精液分析）系統(tǒng)及算法提供了全 新利器。借助這一創(chuàng)新工具，我們能夠構(gòu)建更強大、更穩(wěn)定的CASA系統(tǒng)。相較于傳統(tǒng)人工精液采集與分析，這種系統(tǒng)堪稱理想替代方案。具體而言，臨床醫(yī)生可生成并展示多種精液樣本的模擬圖像供學生和技術(shù)人員觀摩——整個過程無需人工采集、處理和記錄精液樣本圖像。通過將技術(shù)人員的實際分析結(jié)果與模擬系統(tǒng)的基準數(shù)據(jù)進行比對，這套系統(tǒng)還能有效提升操作人員的專業(yè)技能。

數(shù)據(jù)可用性