Classification of Estrus Cycles in Rats by Using Deep Learning
Notice bibliographique
Résumé
The present study aims to accurately classify estrus cycle by using images of the uterus from female rats.Convolutional neural network-based deep learning techniques were utilized for the classification process.While the human menstrual cycle spans 28 days, in rats, it completes within 4-5 days.Female rats are particularly preferred in studies related to the female reproductive system due to being a model organism.In the study, sections stained with Hematoxylin and Eosin from the uterine tissue of female rats were examined under a light microscope, and their images were digitized.The obtained images were used to histologically classify the estrus cycles in rats.Following the examination, an artificial intelligence-based model was proposed for the classification of estrus cycles in rats using images obtained from uterine sections.The study classifies estrus cycles into four stages: proestrus, estrus, metestrus, and diestrus.In the proposed model, the classification success of sub-models belonging to the YOLOv5 algorithm, such as YOLOv5n, YOLOv5s, YOLOv5m was compared with histological results.The YOLOv5m model achieved an accuracy of 98.3%, precision of 99%, recall of 98%, and an F1-score of 98% in classification.By using the YOLOv5m architecture, a 98% accuracy in classifying estrus cycles was achieved, providing a robust deep learning approach for tissue analysis.The obtained results indicate that the proposed model can offer a second opinion support to expert pathologists in analyzing microscopic images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».