یک شبکه مولد متخاصم کپسولی جدید برای طبقه‏ بندی نامتوازن تصاویر اسپرم انسان

ناباروری مردان به عنوان یک عامل موثر، می‏تواند زندگی زوج‏های نابارور را تحت تاثیر قرار دهد. مورفولوژی سر اسپرم یک مرحله مهم در ارزیابی و بررسی مایع منی در ناباروری مردان است. کمبود نمونه‏ های مربوط به ناهنجاریهای سر اسپرم در مقایسه با نمونه‏ های سر اسپرم طبیعی، می‏تواند طبقه‌بندی تصاویر سر اسپرم را به یک مسئله طبقه‌بندی نامتوازن تبدیل کند. با عدم توانایی الگوریتم‌های طبقه‌بندی رایج، شبکه های عصبی کپسول با درنظر گرفتن ارتباطات فضایی ویژگی‏ ها، در مقایسه با سایر شبکه‏‏‏ های عمیق بستر مناسبی را برای طراحی مدل‏ های طبقه‌بندی نامتوازن فراهم می‏‏کنند. هم چنین شبکه‏ های مولد متخاصم با تولید نمونه ‏های مصنوعی مناسب کمک شایانی به بهبود طبقه‌بندی نامتوازن تصاویر می‏ کنند. به‏ همین‏ منظور در این مقاله یک معماری جدید بر اساس شبکه‏ های کپسولی و شبکه‏ های مولد متخاصم برای ارزیابی طبقه‌بندی نامتوازن تصاویر سر اسپرم انسان معرفی میگردد. بررسی و مقایسه مدل پیشنهادی با سایر مدلهای یادگیری عمیق در طبقه‌بندی متوازن و نامتوازن تصاویر سر اسپرم انسان، نشان از برتری مدل پیشنهادی داشت. در بررسی روش‏های عمومی افزایش داده با مدل پیشنهادی برای افزایش داده این نتیجه حاصل شد که روش ‏های عمومی از مقاومت کمتری در کاهش تعداد داده ‏ها نسبت به مدل پیشنهادی برخوردار است. این مدل،‏ طبقه ‏بندی متوازن تصاویر سر اسپرم را با دقت 98/1 درصد انجام داد. هم‏‏چنین مدل پیشنهادی تا عدم توازن دسته اقلیت به اکثریت 1:25، حساسیت بالای 80 درصد را حفظ کرد که نشان از عملکرد مناسب آن در طبقه‌بندی نامتوازن تصاویر اسپرم دارد.

a new capsule generative adversarial network for imbalanced classification of human sperm images

male infertility as an effective factor can affect the lives of infertile couples. sperm morphology is an important step in evaluating and examining semen in male infertility. the lack of samples of sperm head abnormalities compared to natural sperm samples can make the classification of sperm head images into an imbalanced classification problem. with the inability of common classification algorithms, capsule neural networks (capsnet) provide a suitable platform for designing imbalanced classification models compared to other deep networks. also, generative adversarial networks (gans) help improve the imbalanced classification of images by producing appropriate artificial samples. to this end, in this paper a new architecture is introduced based on capsnet and gan to evaluate the imbalanced classification of human sperm images. reviewing and comparing the proposed model with other deep learning models in the balanced and imbalanced classification of human sperm images showed the superiority of the proposed model. investigating the general methods of increasing data with the proposed model to increase data, it was concluded that the general methods have less resistance to reducing the number of data than the proposed model. balanced classification of human sperm images was done by proposed model with 98.1 % accuracy. the proposed model also maintained a high sensitivity to the minority to the majority of 1:25, indicating its proper performance in the imbalanced classification of sperm images.