AFFILIAZIONE
università degli studi di trieste
AUTORE PRINCIPALE
Dr Biscontin Alessandro
Registrazione obbligatoria. Una valutazione consentita
login avvenuto
GRUPPO DI LAVORO
Dr Biscontin Alessandro università degli studi di trieste
Prof Miladinovic Aleksandar università degli studi di trieste
Prof. Ajcevic Miloš università degli studi di trieste
Prof. Accardo Agostino università degli studi di trieste
Prof. Ricci Giuseppe irccs materno infantile “burlo garofolo”
Prof Miladinovic Aleksandar università degli studi di trieste
Prof. Ajcevic Miloš università degli studi di trieste
Prof. Accardo Agostino università degli studi di trieste
Prof. Ricci Giuseppe irccs materno infantile “burlo garofolo”
AREA TEMATICA
Applicazioni innovative di bioingegneria: idee dalle Università
ABSTRACT
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 qualità rappresenta una fase cruciale, attualmente basata prevalentemente su valutazioni morfologiche condotte dall’embriologo. Identificare caratteristiche morfologiche associate a un esito favorevole della FIV risulta pertanto di fondamentale importanza, anche in virtù del fatto che tali analisi sono rapide, non invasive e non distruttive. Quindi, l’elaborazione automatica delle immagini – anche con il supporto del Machine Learning – rappresenta uno strumento promettente per la definizione e quantificazione oggettiva delle caratteristiche morfologiche.
Nel presente studio abbiamo sviluppato un metodo automatico per l’estrazione della granulosità del citoplasma ovocitario e ne abbiamo analizzato l’associazione con l’esito della fertilizzazione. A partire dalle immagini di microscopia degli ovociti, abbiamo addestrato DeepLabV3+, un’architettura di Deep Learning, per eseguire la segmentazione semantica delle strutture cellulari. Abbiamo utilizzato un dataset composto da 1133 immagini. L’etichettatura del dataset si è 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.
Il 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 “granularità” ha mostrato un IoU di 0.86 e un DSS di 0.92. Infine, abbiamo osservato una correlazione significativa tra alti livelli di granularità e successo nella fertilizzazione (p=0.019), suggerendo che il metodo proposto può supportare in modo oggettivo e riproducibile la selezione ovocitaria.
Questo 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 più efficiente.
Nel presente studio abbiamo sviluppato un metodo automatico per l’estrazione della granulosità del citoplasma ovocitario e ne abbiamo analizzato l’associazione con l’esito della fertilizzazione. A partire dalle immagini di microscopia degli ovociti, abbiamo addestrato DeepLabV3+, un’architettura di Deep Learning, per eseguire la segmentazione semantica delle strutture cellulari. Abbiamo utilizzato un dataset composto da 1133 immagini. L’etichettatura del dataset si è 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.
Il 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 “granularità” ha mostrato un IoU di 0.86 e un DSS di 0.92. Infine, abbiamo osservato una correlazione significativa tra alti livelli di granularità e successo nella fertilizzazione (p=0.019), suggerendo che il metodo proposto può supportare in modo oggettivo e riproducibile la selezione ovocitaria.
Questo 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 più efficiente.
