{"id":13889,"date":"2025-05-22T10:32:50","date_gmt":"2025-05-22T08:32:50","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/sviluppo-di-un-sistema-basato-sul-deep-learning-per-migliorare-lefficacia-della-fertilizzazione-in-vitro\/"},"modified":"2025-06-04T14:23:56","modified_gmt":"2025-06-04T12:23:56","slug":"sviluppo-di-un-sistema-basato-sul-deep-learning-per-migliorare-lefficacia-della-fertilizzazione-in-vitro","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/sviluppo-di-un-sistema-basato-sul-deep-learning-per-migliorare-lefficacia-della-fertilizzazione-in-vitro\/","title":{"rendered":"SVILUPPO DI UN SISTEMA BASATO SUL DEEP LEARNING PER MIGLIORARE L’EFFICACIA DELLA FERTILIZZAZIONE IN VITRO"},"content":{"rendered":"
\n
\n

\"\"\"\"<\/p>\n

AFFILIAZIONE<\/span><\/strong><\/p>\n

universit\u00e0 degli studi di trieste<\/p>\n


\nAUTORE PRINCIPALE<\/span><\/strong><\/p>\n

Dr Biscontin Alessandro<\/p>\n

VALUTA IL CHALLENGE
\n<\/span><\/strong><\/p>\n

Registrazione obbligatoria. Una valutazione consentita<\/em><\/div>\n
\t\t
\n\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogin<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tRegistrazione<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

login avvenuto<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogout<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<\/div>\n
[ratingwidget]<\/div>\n<\/div>\n
\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong><\/p>\n

Dr Biscontin Alessandro<\/strong> universit\u00e0 degli studi di trieste
\nProf Miladinovic Aleksandar<\/strong> universit\u00e0 degli studi di trieste
\nProf. Ajcevic Milo\u0161<\/strong> universit\u00e0 degli studi di trieste
\nProf. Accardo Agostino<\/strong> universit\u00e0 degli studi di trieste
\nProf. Ricci Giuseppe<\/strong> irccs materno infantile “burlo garofolo”<\/p><\/div>\n

AREA TEMATICA<\/span><\/strong><\/p>\n

Applicazioni innovative di bioingegneria: idee dalle Universit\u00e0<\/div>\n

ABSTRACT<\/span><\/strong><\/p>\n

Le procedure di stimolazione ovarica per la Fecondazione In Vitro (FIV) mirano alla produzione di un numero elevato di ovociti. Tuttavia, per limitare il rischio di gravidanze multiple, solo un numero ristretto di embrioni viene impiantato, mentre i rimanenti, secondo quanto previsto dalla normativa vigente, vengono crioconservati. In questo contesto, la selezione degli ovociti di migliore qualit\u00e0 rappresenta una fase cruciale, attualmente basata prevalentemente su valutazioni morfologiche condotte dall\u2019embriologo. Identificare caratteristiche morfologiche associate a un esito favorevole della FIV risulta pertanto di fondamentale importanza, anche in virt\u00f9 del fatto che tali analisi sono rapide, non invasive e non distruttive. Quindi, l\u2019elaborazione automatica delle immagini – anche con il supporto del Machine Learning – rappresenta uno strumento promettente per la definizione e quantificazione oggettiva delle caratteristiche morfologiche.
\nNel presente studio abbiamo sviluppato un metodo automatico per l\u2019estrazione della granulosit\u00e0 del citoplasma ovocitario e ne abbiamo analizzato l\u2019associazione con l\u2019esito della fertilizzazione. A partire dalle immagini di microscopia degli ovociti, abbiamo addestrato DeepLabV3+, un\u2019architettura di Deep Learning, per eseguire la segmentazione semantica delle strutture cellulari. Abbiamo utilizzato un dataset composto da 1133 immagini. L\u2019etichettatura del dataset si \u00e8 basata su una tecnica di Local Binary Pattern (LBP) e su una validazione con esperti. Per segmentare automaticamente le aree granulari, abbiamo sviluppato un modello DeepLabV3+ con encoder ResNet50, addestrato con una funzione di perdita combinata (Dice e Focal Loss) per affrontare lo sbilanciamento delle classi. Le regioni granulari sono state classificate in cinque livelli.
\nIl modello ha ottenuto ottimi risultati sul test set: media Dice Similarity Score (DSS) di 0.89, Intersection over Union (IoU) media di 0.81. In particolare, la classe \u201cgranularit\u00e0\u201d ha mostrato un IoU di 0.86 e un DSS di 0.92. Infine, abbiamo osservato una correlazione significativa tra alti livelli di granularit\u00e0 e successo nella fertilizzazione (p=0.019), suggerendo che il metodo proposto pu\u00f2 supportare in modo oggettivo e riproducibile la selezione ovocitaria.
\nQuesto approccio pone le basi per lo sviluppo di uno strumento di valutazione automatica in grado di supportare il workflow clinico nella procedura di selezione degli ovociti, contribuendo a rendere la FIV pi\u00f9 efficiente.<\/div>\n

 <\/p>\n

\n\n