Tiên lượng phôi phát triển lên ngày 5 dựa trên hình ảnh time lapse của phôi ngày 3

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ ĐẶNG ĐÌNH CẨN TIÊN LƯỢNG PHƠI PHÁT TRIỂN LÊN NGÀY DỰA TRÊN HÌNH ẢNH TIME-LAPSE CỦA PHÔI NGÀY LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH TP HỒ CHÍ MINH, NĂM 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ ĐẶNG ĐÌNH CẨN TIÊN LƯỢNG PHƠI PHÁT TRIỂN LÊN NGÀY DỰA TRÊN HÌNH ẢNH TIME-LAPSE CỦA PHÔI NGÀY Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Giảng viên hướng dẫn: TS TRƯƠNG HỒNG VINH TP HỒ CHÍ MINH, NĂM 2022 TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO SAU ĐẠI HỌC CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc GIẤY XÁC NHẬN Tôi tên : Đặng Đình Cẩn Ngày sinh: 26/11/1983 Nơi sinh: Long An Chuyên ngành: Khoa học máy tính Mã học viên: 1984801012002 Tơi đồng ý cung cấp tồn văn thơng tin luận văn tốt nghiệp hợp lệ quyền cho Thư viện trường đại học Mở Thành phố Hồ Chí Minh Thư viện trường đại học Mở Thành phố Hồ Chí Minh kết nối tồn văn thơng tin luận văn tốt nghiệp vào hệ thống thông tin khoa học Sở Khoa học Cơng nghệ Thành phố Hồ Chí Minh Ký tên (Ghi rõ họ tên) Đặng Đình Cẩn L ng lu Hình ng Phơi Phát Tri n Lên Ngày D a Trên nh Time-Lapse C a Phơi Ngày tơi nghiên c u tìm hi u công ngh th c nghi is ng d n khoa h c c a Ngoài nh ng tài li u trong, xin ca cs d c s d ng lu tham kh o trích d n ng n i dung tơi th c nghi m lu làm th nh ng Trong lu i h c ho ng khác u m t s s n ph m, tài li u nghiên c u c a c trích d Lu ng c a tơi nh t ng c s d ng nh n b ng c p t i o khác TP H N i L IC Trong th i gian h c t p, nghiên c ng d hoàn thi n lu r t t n tình c a quý th y cô, b cs ng nghi p Tôi xin g i l i c Th ng d n làm nghiên c u nh H t n tình d y u qua môn h c Nghiên C u Khoa tài lu y t nhi ng d n h tr tơi t n tình su t th i gian nghiên c u th c hi n lu m c th y ch p nh t may ng d n, m t l n n a xin g i l i c n o o th Ngoài xin c n i h c, gi ng viên môn h c, th y ph trách l p i H c M TP H p nh ng ki n th c, tài li h tr cho su t th i gian h c t p t Tôi xin chân thành c chuyên ngành, ng ng n qu n tr viên website, di i dùng m trang , cung c p b d li th c nghi m lu Cu i xin g i l i c n t t c nh bên c nh, h tr ib ng viên t tơi hồn thành lu ct Xin trân tr ii i thân yêu u ki n thu n l i nh ng TÓM T T L a ch t vai trị vơ quan tr ng s thành công c a th tinh ng nghi thái phơi có m t s h n ch , bao g m th i gian c n thi t, thi u xác khơng th ng nh t Nghiên c li u m t mơ hình d a máy h c có th d nh hình thành phơi nang b ng cách s d ng hình nh phơi ngày hay khơng Hình nh phơi ngày t chu k c trích xu t t t nuôi c y timelapse u d a phơi nang ho c khơng phơi nang Hình làm t p d li hu n luy n (65%), xác th c (20%) mơ hình m ch p xác c li u ki m th (15%) Bên c th -ron tích nh b ng cách s d ng t p d kh o sát c m Kh T ng s 1428 hình c s d ng c th c hi ng: so sánh v i k t qu th c nghi m c s d ng cho vi c hu n luy n, xác nh n ki m xác trung bình c a 13 l n ch y c a mơ hình cu i 81.42% xác cao nh t 84.5% th p nh t 77.5% Nhóm 13 m d xác trung bình 69.77%, cao nh t 79% th p nh t 62% d xác trung bình 53%, cao nh t 60% th p nh t 46% iii m ABSTRACT Embryo selection plays an extremely important role in the success of in vitro fertilization (IVF) However, the evaluation of embryo morphology has several limitations, including the time required, inaccuracies, and inconsistencies This study determines whether a machine learning-based model can predict blastocyst formation using day embryo imaging Day embryo images from IVF cycles were extracted from timelapse incubators and marked as blastocyst or non-blastocyst based The image is used as the input dataset to train (65%), validate (20%) the cumulative neural network (CNN) model, then the accuracy of the model is determined by using test dataset (15%) In addition, our survey was conducted on groups of subjects: group of doctors with many years of experience and a group of doctors with few years of experience This survey is used to compare with experimental results A total of 1428 embryo images were used for training, validation and testing across 50 epochs and 750 steps The average accuracy of the 13 runs of the final model was 81.42% The highest accuracy is 84.5% and the lowest is 77.5% A group of 13 experts and doctors with many years of experience predicted with an average accuracy of 69.77%, the highest was 79% and the lowest was 62% A group of 10 less experienced doctors predicted with an average accuracy of 53%, the highest was 60% and the lowest was 46% iv M CL C L i L IC ii TÓM T T iii ABSTRACT iv M C L C v DANH M C HÌNH viii DANH M C B NG VÀ BI x DANH M C KÝ HI U .xii DANH M C VI T T T xiii NG QUAN V X LÝ NH VÀ NG PHƠI 1.1 T ng quan tình hình nghiên c u 1.1.1 Gi i thi u 1.2 M c tiêu c a lu 1.2.1 M c tiêu c a lu 1.2.2 ng ph m vi nghiên c u .7 ng ph m vi nghiên c u a lu 1.3.1 Tính th c ti n 1.3.2 Tính khoa h c 1.4 C u trúc c a lu .9 10 1.5.1 Thu th p d li u 10 1.5.2 X lý c d li u hình h c sâu 10 1.5.3 Xây d ng mơ hình 10 1.5.4 Th c hi n kh ng c m .11 v 1.5.5 Th c hi n kh ng c m 11 1.5.6 So sánh k t qu kh o sát v i th c nghi m c a lu 11 1.6 Tóm t t 11 LÝ THUY T 13 2.1 Gi i thi u x lý nh .13 2.2 Không gian màu 14 .15 n 15 .17 18 19 2.4 Deep learning m ng CNN 19 2.4.1 Deep learning 19 c ng d h 22 2.4.3 M ng Neural Network 23 2.4.4 M ng CNN (Convolutional Neural Network) 25 2.5 TensorFlow 28 2.5.1 Tensorflow gì? 28 2.5.2 Tensorflow có t bao gi ? 28 2.5.3 Cách th c Tensorflow ho ng 29 2.5.4 Nh ng l i ích mà Tensorflow mang l i 29 2.5.5 Các thành ph n có Tensorflow 30 2.5.5 Tensorflow Model 33 NG C 34 3.1 Lý kh o sát 34 3.2 Kh o sát nh i nhi m (Senior) 34 3.3 Kh o sát nh i kinh nghi m (Junior) 36 3.3 So sánh k t qu c a nhóm nh nh 37 C NGHI M V I THU T TOÁN PHÂN L P K-MEANS 39 4.1 Gi i thi u t p d li u hình nh phơi 39 vi ng nghi nh c hi ch n phơi s ng sót trì nh xác phơi khơng th s ng qua ba b xét nghi m c l p t phòng khám khác Nghiên c 24,7% v c i thi n xác c a h th ng d a AI so v i nh phân gi a phân lo i phơi s ng sót / không th s so sánh c (VerMilyea c ng s , 2020 [32]) n nay, h u h t nghiên c u s d ng máy h d hình thái c nh ng lý có th ch n phân c t M t ng nuôi c y phôi nang Tuy h n c a vi c nuôi c chuy t qu IVF c báo cáo, ch ng h t s gi i i ro l a vi c i bi u sinh kéo dài th i gian nuôi c y nhi u bi n c ng s , 2016 [33], Källén c ng s , 2010 [34]) c phát tri n m t mơ hình d c a AI s d ng thơng s hình thái n phát tri n phơi s m có th c i thi xác c a vi c l a ch n phôi s m tránh r i ro trình nuôi c y phôi nang K t lu n, nghiên c s d ng hình n m t mơ hình d hình thành phơi nang cho th v i a máy h c xác t có kinh nghi m Mơ hình d a CNN m t công c ti m ng phôi 64 TÀI LI U THAM KH O [1] Steptoe PC; Edwards RG Successful birth after IVF Lancet 1978 [2] Tran, D.; Cooke, S.; Illingworth, P J.; Gardner, D K Deep Learning as a Predictive Tool for Fetal Heart Pregnancy Following Time-Lapse Incubation and Blastocyst Transfer Human Reproduction 2019, 34 (6), 1011 1018 https://doi.org/10.1093/humrep/dez064 [3] Diamond, M P.; Suraj, V.; Behnke, E J.; Yang, X.; Angle, M J.; LambeSteinmiller, J C.; Watterson, R.; Athayde Wirka, K.; Chen, A A.; Shen, S Using the Eeva Test Adjunctively to Traditional Day Morphology Is Informative for Consistent Embryo Assessment within a Panel of Embryologists with Diverse Experience J Assist Reprod Genet 2015, 32 (1), 61 68 https://doi.org/10.1007/s10815014-0366-1 [4] Revelli, A.; Canosa, S.; Carosso, A.; Filippini, C.; Paschero, C.; Gennarelli, G.; Delle Piane, L.; Benedetto, C Impact of the Addition of Early Embryo Viability Assessment to Morphological Evaluation on the Accuracy of Embryo Selection on Day or Day 5: A Retrospective Analysis J Ovarian Res 2019, 12 (1), 73 https://doi.org/10.1186/s13048-019-0547-8 [5] Dung P Nguyen et al.; Blastocyst Prediction of Day-3 Cleavage-Stage Embryos Using Machine Learning; vol 03; no 04, pp 150-155; (2021) [6] C L Bormann et al.; Consistency and objectivity of automated embryo assessments using deep neural networks; Fertil Steril.; vol 113; no 4; pp 781-787.e1; 2020 [7] J Conaghan et al.; Improving embryo selection using a computer-automated timelapse image analysis test plus day morphology: results from a prospective multicenter trial; Fertil Steril.; vol 100, no 2; pp 412-419.e5; 2013 65 [8] A Maheshwari; M Hamilton; and S Bhattacharya; Should we be promoting embryo transfer at blastocyst stage?; Reprod Biomed Online; vol 32; pp 142 146; 2016 [9] D Glujovsky and C Farquhar; Cleavage-stage or blastocyst transfer: what are the benefits and harm?; Fertil Steril.; vol 106, no 2; pp 244 5; 2016 [10] A Barrie et al.; Examining the efficacy of six published time-lapse imaging embryo selection algorithms to predict for the development of specific, implantation to demonstrate the need in-house morphokinetic selection algorithms; Fertil Steril.; vol 107; no 3; pp 613 621; 2017 [11] Alice Porebski and Vinh Truong Hoang; Multi-color space local binary patternbased feature selection for texture classification; Journal of Electronic Imaging; 27(01):1; February 2018 [12] Abdul Kadir, Lukito Edi Nugroho, Adhi Susanto, and Paulus Insap Santosa; Foliage Plant Retrieval Using Polar Fourier Transform, Color Moments and Vein Features Signal & Image Processing; An International Journal; 2(3):1 13; September 2011 [13] Dalcimar Casanova, Jarbas Joaci de Mesquita S¡ Junior, and Odemir Martinez Bruno; Plant leaf identification using Gabor wavelets; International Journal of Imaging Systems and Technology; 19(3):236 243; September 2009 [14] Meng Lamei, Li Yamin, and Zhu Huanrong; Method of plant texture image recognition based on genetic programming; In 2010 International Conference On Computer Design and Applications; pages V1 370 V1 373; Qinhuangdao, June 2010; IEEE [15] Shitala Prasad, Piyush Kumar, and R C Tripathi; Plant leaf species identification using Curvelet transform; In 2011 2nd International Conference on Computer and Communication Technology (ICCCT-2011); pages 646 652, Allahabad, India, September 2011; IEEE 66 [16] Xue-Yang Xiao, Rongxiang Hu, Shan-Wen Zhang, and Xiao-Feng Wang; HOGBased Approach for Leaf Classification In David Hutchison, Takeo Kanade, Josef Kittler, Jon M Kleinberg, Friedemann Mattern, John C Mitchell, Moni Naor, Oscar Nierstrasz, C Pandu Rangan, Bernhard Steffen, Madhu Sudan, Demetri Terzopoulos, Doug Tygar, Moshe Y.Vardi, Gerhard Weikum, De-Shuang Huang, Xiang Zhang, Theories and Applications With Aspects of Artificial Intelligence, volume 6216, pages 149 155; Springer Berlin Heidelberg, Berlin, Heidelberg, 2010; Series Title: Lecture Notes in Computer Science [17] Amit Satpathy, Xudong Jiang, and How-Lung Eng; LBP-Based EdgeTexture Features for Object Recognition; IEEE Transactions on Image Processing; 23(5):1953 1964; May 2014 [18] David G Lowe; Object recognition from local scale-invariant features; In Proceedings of the Seventh IEEE International Conference on Computer Vision; pages 1150 1157 vol.2, Kerkyra, Greece, 1999; IEEE [19] Herbert Bay, Andreas Ess, Tinne Tuytelaars, and Luc Van Gool.; Speeded-Up Robust Features (SURF); Computer Vision and Image Understanding; 110(3):346 359; June 2008 [20] Timo Ojala, Matti Pietikăainen, and Topi Măaenpăaăa; A Generalized Local Binary Pattern Operator for Multiresolution Gray Scale and Rotation Invariant Texture Classification In Gerhard Goos, Juris Hartmanis, Jan van Leeuwen, Sameer Singh, Nabeel Murshed, and Walter Kropatsch, editors, Advances in Pattern Recognition ICAPR 2001, volume 2013, pages 399 408; Springer Berlin Heidelberg, Berlin, Heidelberg, 2001 67 [21] The Why and the How of Deep Metric Learning URL: https://towardsdatascience.com/the-why-and-the-how-of-deep-metric-learninge70e16e199c0 [22] Neurons and Nerves URL: https://askabiologist.asu.edu/neuron-anatomy [23] Bormann CL, Thirumalaraju P, Kanakasabapathy MK, et al; Consistency and objectivity of automated embryo assessments using deep neural networks; Fertil Steril; 2020;113:781 [24] Dimitriadis I, Bormann CL, Thirumalaraju P, et al; Artificial intelligence-enabled system for embryo classification and selection based on image analysis; Fertil Steril; 2019;111:e21 [25] Manna C, Nanni L, Lumini A, et al; Artificial intelligence techniques for embryo and oocyte classification Reprod Biomed Online; 2013;26:42 [26] Miyagi Y, Habara T, Hirata R, et al; Feasibility of artificial intelligence for predicting live birth without aneuploidy from a blastocyst image; Reprod Med Biol; 2019;18:204 11 [27] Thirumalaraju P, Bormann CL, Kanakasabapathy M, et al; Automated sperm morphology testing using artificial intelligence Fertil Steril; 2018;110:e432 [28] Tran A, Cooke S, Illingworth PJ, et al; Artificial intelligence as a novel approach for embryo selection; Fertil Steril; 2018;110:e430 [29] Wang R, Pan W, Jin L, et al; Artificial intelligence in reproductive medicine; Reproduction; 2019;158:R139 54 [30] Blank C, Wildeboer RR, DeCroo I, et al; Prediction of implantation after blastocyst transfer in in vitro fertilization: a machine-learning perspective; Fertil Steril; 2019;111:318 26 68 [31] Kort J, Meyer D, Chen NY, et al; Predicting blastocyst formation from oocyte mechanical properties: a comparison of a machine learning classifier with embryologist morphological assessment; Fertil Steril; 2018;110:e29 [32] VerMilyea M, Hall JMM, Diakiw SM, et al; Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by optical light microscopy during IVF; Hum Reprod; 2020;35:770 84 [33] Glujovsky D, Farquhar C; Cleavage-stage or blastocyst transfer: what are the benefits and harm?; Fertil Steril; 2016;106:244 50 [34] Källén B, Finnström O, Lindam A, et al; Blastocyst versus cleavage stage transfer in in vitro fertilization: differences in neonatal outcome?; Fertil Steril; 2010;94:1680 69 Can_HV ORIGINALITY REPORT 21 % SIMILARITY INDEX 22% INTERNET SOURCES 9% PUBLICATIONS 7% STUDENT PAPERS MATCH ALL SOURCES (ONLY SELECTED SOURCE PRINTED) 7% VNUA Publication Exclude quotes On Exclude bibliography On Exclude matches < 26 words ... ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ ĐẶNG ĐÌNH CẨN TIÊN LƯỢNG PHƠI PHÁT TRIỂN LÊN NGÀY DỰA TRÊN HÌNH ẢNH TIME- LAPSE CỦA PHÔI NGÀY Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 48... li u hình nh phơi 39 vi 4.2 Chia d li u 39 4 .3 Crop (c sáng hình nh phơi 39 4 .3. 1 Hình nh g c 39 4 .3. 2 S d ng thu t tốn crop hình nh 40 4 .3. 3 S... 28 2 .5. 3 Cách th c Tensorflow ho ng 29 2 .5. 4 Nh ng l i ích mà Tensorflow mang l i 29 2 .5. 5 Các thành ph n có Tensorflow 30 2 .5. 5 Tensorflow Model 33 NG C 34 3. 1