論文の概要: SpermYOLO: A Coordinated YOLO-Based Detector for Accurate and Efficient Sperm and Impurity Detection in Microscopic Images

• arxiv url: http://arxiv.org/abs/2609.14278v1
• Date: Sun, 13 Sep 2026 04:30:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.780184
• Title: SpermYOLO: A Coordinated YOLO-Based Detector for Accurate and Efficient Sperm and Impurity Detection in Microscopic Images
• Title（参考訳）: SpermYOLO:顕微鏡画像における高精度かつ高効率な精子・不純物検出のための協調型YOLO検出器
• Abstract要約: SpermYOLOは、顕微鏡画像における精子と不純物検出のための調整されたコンパクトなフレームワークである。 SpermYOLO 97.2%の精子APと75.4%の不純物AP、ジェネリック検出器、専用の精子検出モデル、改良されたYOLO変異体。
• 参考スコア（独自算出の注目度）: 10.090102807141422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate sperm detection is essential for computer-assisted semen analysis, yet it remains challenging in microscopic images due to dense distributions, visually similar artifacts, and sperm-like impurities. In this paper, we propose SpermYOLO, a coordinated and compact YOLOv11-derived framework for joint sperm and impurity detection in microscopic images. SpermYOLO introduces four architectural improvements: C3k2-IDB for channel-wise discriminative feature extraction, D2SEM for spatial--spectral semantic enhancement, MFM for adaptive multi-scale feature fusion, and the DESD Head for detail-enhanced shared prediction. Experiments on the SVIA semen microscopic imaging benchmark show that SpermYOLO achieves 97.2\% sperm AP and 75.4\% impurity AP, outperforming generic detectors, dedicated sperm detection models, and improved YOLO variants. Compared with the baseline model, SpermYOLO improves sperm AP, impurity AP, $\mathrm{mAP}_{50}$, and $\mathrm{mAP}_{50:95}$ by 1.6, 10.0, 5.8, and 2.7 percentage points, respectively, while preserving a lightweight model scale. Cross-scene evaluation on the SDTB testicular-biopsy microscopy benchmark shows that SpermYOLO remains effective with extremely small sperm targets and complex tissue backgrounds, achieving the highest $\mathrm{mAP}_{50}$ and $\mathrm{mAP}_{50:95}$ of 74.8\% and 31.2\%, respectively. Ablation studies and qualitative analyses further support these improvements by demonstrating the contributions of the proposed modules and showing more focused feature response patterns than the baseline model. These findings suggest that SpermYOLO is an effective and efficient approach for sperm detection in challenging microscopic imaging scenarios.
• Abstract（参考訳）: 精液分析には正確な精子検出が不可欠であるが、高密度分布、視覚的に類似した人工物、精子のような不純物により、顕微鏡画像では依然として困難である。 本稿では,顕微鏡画像における関節精子と不純物検出のための,協調的かつコンパクトなYOLOv11由来のフレームワークであるSpermYOLOを提案する。 SpermYOLOは、チャネルワイドな特徴抽出のためのC3k2-IDB、空間-スペクトルセマンティックエンハンスメントのためのD2SEM、適応型マルチスケール特徴融合のためのMFM、詳細な共有予測のためのDESDヘッドの4つのアーキテクチャ改善を導入している。 SVIAセメン顕微鏡での実験では、SpermYOLOは97.2\%の精子APと75.4\%の不純物APを達成し、ジェネリック検出器、専用の精子検出モデル、改良されたYOLOが達成された。 基準モデルと比較して、SpermYOLOは精子AP、不純物AP、$\mathrm{mAP}_{50}$、$\mathrm{mAP}_{50:95}$を1.6、10.0、5.8、および2.7の比率で改善する。 SDTB精巣生検ベンチマークのクロスシーン評価では、SpermYOLOは、非常に小さな精子標的と複雑な組織背景において有効であり、それぞれ74.8\%、および31.2\%の最高値である\mathrm{mAP}_{50}$を達成している。 アブレーション研究と定性的分析は,提案したモジュールの寄与を実証し,ベースラインモデルよりもより焦点を絞った特徴応答パターンを示すことによって,これらの改善をさらに支援している。 これらの結果から,SpermYOLOは精子検出に有効かつ効率的なアプローチである可能性が示唆された。

関連論文リスト

• Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
  Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。 反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。 MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
  論文  参考訳（メタデータ） (2026-07-28T07:54:43Z)
• YOLO-DS: Fine-Grained Feature Decoupling via Dual-Statistic Synergy Operator for Object Detection [55.58092342624062]
  DSO(Dual-Statistic Synergy Operator)を中心に構築されたYOLO-DSを提案する。 YOLO-DSは、チャネル平均とピーク平均差を共同でモデル化することにより、オブジェクトの特徴を分離する。 MS-COCOベンチマークでは、YOLO-DSは5つのモデルスケールでYOLOv8を上回っている。
  論文  参考訳（メタデータ） (2026-01-26T05:50:32Z)
• Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
  医療用AIシステムFetalMindについて報告する。 本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。 FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
  論文  参考訳（メタデータ） (2025-10-14T19:57:03Z)
• Validation of an Artificial Intelligence Tool for the Detection of Sperm DNA Fragmentation Using the TUNEL In Situ Hybridization Assay [0.0]
  精子DNA断片化(SDF)は、従来の精液分析では評価に失敗する男性生殖評価において重要なパラメータである。 本研究では、位相コントラスト顕微鏡画像のディジタル解析により、SDFを検出するために設計された新しい人工知能(AI)ツールの有効性を示す。
  論文  参考訳（メタデータ） (2025-10-13T08:32:11Z)
• SOD-YOLO: Enhancing YOLO-Based Detection of Small Objects in UAV Imagery [5.639904484784127]
  実験結果から,SOD-YOLOは検出性能を著しく向上することが示された。 SOD-YOLOは、UAV画像における小さな物体検出のための実用的で効率的なソリューションである。
  論文  参考訳（メタデータ） (2025-07-17T02:04:54Z)
• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• ACTIVE: A Deep Model for Sperm and Impurity Detection in Microscopic Videos [17.3840418564686]
  二重分岐特徴抽出ネットワーク(DBFEN)とクロス共役特徴ピラミッドネットワーク(CCFPN)に基づくディープラーニングモデルを提案する。 実験の結果、精子と不純物検出の最も高いAP50は91.13%と59.64%であり、競争相手をかなりの差でリードさせ、この問題に新たな最先端の結果を確立した。
  論文  参考訳（メタデータ） (2023-01-15T02:24:17Z)
• TOD-CNN: An Effective Convolutional Neural Network for Tiny Object Detection in Sperm Videos [17.739265119524244]
  高品質な精子顕微鏡ビデオの基盤となるデータセットを用いて, 微小物体検出のための畳み込みニューラルネットワーク(TOD-CNN)を提案する。 精子品質分析における精子検出技術の重要性を明らかにするため,関連する精子品質評価尺度を作成し,医師の診断結果と比較した。
  論文  参考訳（メタデータ） (2022-04-18T05:14:27Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• A Machine Learning Framework for Automatic Prediction of Human Semen Motility [7.167550590287388]
  いくつかの回帰モデルは、与えられたサンプルにおいて進行性、非進行性、不動性精子の比率(0から100)を自動的に予測するように訓練されている。 線形サポートベクトル回帰器(SVR)、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)を含む4つの機械学習モデル。 Crocker-Grierアルゴリズムを用いて精子を教師なしの方法で追跡することにより、運動性を予測するための最良の結果が得られる。
  論文  参考訳（メタデータ） (2021-09-16T15:26:40Z)
• SSMD: Semi-Supervised Medical Image Detection with Adaptive Consistency and Heterogeneous Perturbation [47.001609080453335]
  SSMD(Semi-Supervised Medical Image Detector)を提案する。 SSMDの背後にあるモチベーションは、各位置での予測を一貫性のあるものにすることで、ラベルのないデータに対して、自由かつ効果的な監視を提供することである。 広範な実験結果から,提案したSSMDは,幅広い環境下での最先端性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2021-06-03T01:59:50Z)
• Sperm Detection and Tracking in Phase-Contrast Microscopy Image Sequences using Deep Learning and Modified CSR-DCF [0.0]
  本稿では、オブジェクト検出器として、深層完全畳み込みニューラルネットワークであるRetinaNetを使用する。 検出フェーズの平均精度は99.1%であり、追跡方法のF1スコアは96.61%である。 これらの結果は精子の行動を研究し、受精の可能性を分析するのに非常に役立ちます。
  論文  参考訳（メタデータ） (2020-02-11T00:38:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。