慶應義塾大學、近畿大學、東京大學和三洋小野田市山口東京理科大學的研究小組已成功開發出一種算法，該算法可以使用深度學習從受精小鼠卵子的 3D 熒光顯微鏡圖像中準確識別細胞核。
作為不孕症治療方法之一的體外受精（IVF）效果不佳，日本輔助生殖技術的妊娠成功率僅為12.6%。常規體外受精治療中人類胚胎的評估是基於熟練的胚胎培養專家的形態分析手動進行的，並且評估之間存在差異。另一方面，隨著顯微技術和成像技術的提高，獲取顯影過程的時序3D熒光顯微鏡圖像成為可能，但圖像處理精度低，無法獲得準確的定量指標在開發過程中，還是有難度的。
在研究中，我們提出了一種利用深度學習算法的“卷積神經網絡”的分割算法（QCANet），即使在50多個細胞像小鼠胚胎一樣密密麻麻的狀態下也能準確識別細胞核，並量化它在鼠標開發過程中。我們的目標是獲得一個目標索引。結果，我們成功地在小鼠、線蟲和果蠅這三種物種中以世界上最高的準確度自動評估了細胞核。結果發現，即使是看似以相同方式發生的受精卵，在每個分裂的狀態下也具有“個體性”。
所開發的算法已成功地在廣泛的發育階段（數百到數千個細胞）進行核鑑定，並且可能是作為發育生物學基礎的非常有用的工具。此外，這次將熒光物質引入每個胚胎中，用於模式生物對細胞核進行染色，但為了準備應用於人類胚胎，該公司計劃未來開發一種從未染色圖像中識別細胞的算法。..
論文信息：[Npj Systems Biology and Applications] 基於3D卷積神經網絡的分割獲取小鼠胚胎髮生過程中細胞核的定量標準
