AndroGen：面向精子分析自动化的开源合成数据生成工具

《Computer Methods and Programs in Biomedicine》：AndroGen: Open-source synthetic data generation for automated sperm analysis

本研究针对精子分析中真实标记数据稀缺、获取成本高且存在隐私限制的问题，开发了一款名为AndroGen的开源软件工具。该工具无需依赖大量真实图像或训练生成模型，即可通过参数化配置生成高度定制化、形态多样的合成精子图像及视频序列。研究通过FID（Fréchet Inception Distance）和KID（Kernel Inception Distance）等定量指标以及定性分析，验证了生成图像与真实数据集（SVIA、VISEM、BOSS）的高度相似性。结果表明，AndroGen能为机器学习模型训练提供低成本、高效率的合成数据解决方案，显著推进计算机辅助精子分析（CASA）领域的发展。

　　

在当今人工智能驱动的医疗影像分析领域，获取大量高质量、精准标注的训练数据是模型成功的基石。然而，在精子分析这一特殊领域，研究人员却面临着一个棘手的困境：真实的精子显微图像样本不仅采集成本高昂、过程繁琐，更受到隐私伦理的严格限制。这种“数据荒”严重制约了基于机器学习（Machine Learning）的计算机辅助精子分析（Computer-Aided Sperm Analysis, CASA）系统的开发与应用，例如精子计数、活力评估、形态分类以及运动追踪等关键任务。传统的解决方案，如基于简单图像变换的数据增强（Data Augmentation）技术，其所能带来的数据多样性有限；而基于生成对抗网络（Generative Adversarial Networks, GANs）等深度生成模型的方法，虽然能产生更逼真的图像，但往往需要大量的真实数据作为训练基础，且训练过程计算开销巨大，生成的细胞形态可控性较差。

为了突破这一瓶颈，由Daniel Hernández-Ferrándiz、Juan J. Pantrigo、Soto Montalvo和Raul Cabido组成的研究团队，在《Computer Methods and Programs in Biomedicine》上发表了他们的研究成果，推出了名为AndroGen的开源合成数据生成框架。这项研究的核心目标是开发一个无需依赖大规模真实图像库或预训练复杂神经网络，即可按需生成高度逼真、形态参数可灵活定制的合成精子图像和视频序列的软件工具。

为达成这一目标，研究人员设计并实现了AndroGen这一全栈式生成软件框架。其技术核心在于采用了一种参数化、基于工厂模式（Factory Pattern）的渲染流水线。首先，研究团队对软件需求进行了详细分析，明确了图像生成（FR1）、自定义参数设置（FR2）、批量处理（FR3）、图形用户界面（GUI, FR4）以及与其他机器学习工具互操作性（FR5）等核心功能。在非功能性需求上，则着重考虑了性能优化（NFR1）、跨平台能力（NFR2）、可扩展性（NFR3）和易用性（NFR4）。AndroGen使用Python语言开发，前端基于Gradio构建了直观的图形界面，后端则采用了模块化架构，关键组件包括负责生成精子实例的SpermatozoonFactory类、定义运动模式的Motion模块、负责图像合成的SequenceGenerator类以及用于创建大规模数据集的DatasetMaker模块。其渲染算法基于多元正态分布对精子形态状态（如头部长度h_l、宽度h_w，中段长度m_l、宽度m_w，尾部长度t_l、宽度t_w等）进行建模，并利用圆形几何图元来拼接生成精子的各个部件（头部、中段、尾部、胞质小滴等）。该工具支持人（Human）、马（Horse）和猪（Boar）等多种物种，其形态学和运动学参数（如曲线速度VCL、直线速度VSL、平均路径速度VAP等）均从已发表的科学文献中提取，确保了生物学合理性。最终生成的图像可同时输出边界框标注（用于检测任务）和分割掩码（用于分割任务），并支持序列图像生成（用于追踪任务）。

2.3. Frontend: Androgen GUI

AndroGen的图形用户界面设计注重用户体验，提供了快速启动和高级定制两种模式。用户可以选择预置的参考数据集（如SVIA、VISEM、BOSS），软件会自动加载相应配置。高级视图则允许用户全面调控图像外观（如背景、亮度、对比度、模糊度）和细胞设置（如物种选择、形态类别、精子浓度、碎片数量等）。通过JSON视图，专家用户甚至可以修改物种的详细参数，极大地提升了工具的灵活性。

2.4. Backend architecture and design

后端架构的核心是SpermatozoonFactory类，它根据JSON配置文件生成精子实例。每个精子由Head（头部）、Neck（颈部）、Tail（尾部）和可选的Droplet（胞质小滴）等对象组成。Motion模块负责模拟精子的运动轨迹，支持直线和曲线运动。SequenceGenerator类通过并行计算将精子参数转换为2D视觉表示，并应用背景生成、阴影模糊、数据增强（如几何变换、亮度对比度调整）等后处理步骤，最终由DatasetMaker模块批量生成标准格式的数据集。

3. Results

研究通过三个案例研究来评估AndroGen的性能，分别针对SVIA、VISEM和BOSS这三个具有不同视觉风格和物种（SVIA和VISEM为人，BOSS为猪）的公开数据集。

3.3. Experiments

实验结果通过FID和KID这两个广泛使用的图像相似性度量进行评估。为了合理解读结果，研究者设定了实验性的上下界：将同一数据集内的真实图像子集进行比较得到相似性下界（数值越低越好），将不同数据集间的真实图像进行比较得到相似性上界（数值越高代表差异越大）。

3.3.1. Experiment 1: generate a synthetic image dataset similar to SVIA

对于SVIA数据集，其内部真实图像子集比较的FID为8.38，KID为0.00，表明该数据集内部图像高度一致。而合成图像集S_SVIA与真实参考集R_SVIA比较的FID为148.07，KID为0.26。这个数值远低于SVIA与BOSS（FID=503.57, KID=0.85）或VISEM（FID=352.70, KID=0.60）比较的上界，且接近其内部一致性的下界，说明生成的合成图像在风格上成功模仿了SVIA数据集。

3.3.2. Experiment 2: generate a synthetic image dataset similar to VISEM

对于VISEM数据集，其内部真实图像子集比较的FID为94.07，KID为0.09，表明该数据集内部图像多样性高于SVIA。合成图像集S_VISEM与真实参考集R_VISEM比较的FID为154.22，KID为0.20。该数值同样远低于VISEM与其他数据集比较的上界，并与自身内部多样性水平具有可比性，证明合成图像有效捕捉了VISEM的风格特征。

3.3.3. Experiment 3: generate a synthetic image dataset similar to BOSS

对于BOSS数据集，其内部真实图像子集比较的FID为21.35，KID为0.01，多样性介于SVIA和VISEM之间。合成图像集S_BOSS与真实参考集R_BOSS比较的FID为62.74，KID为0.08。这是三个实验中合成图像与真实图像相似度最高的结果，定量指标最接近其内部一致性下界。

3.3.4. A brief qualitative analysis

定性分析进一步佐证了定量结果。通过对比真实与合成图像（图5），可以观察到：对于BOSS风格，合成图像在精子细胞、碎片和背景方面都与真实图像极为相似；对于SVIA风格，精子头部还原度高，但尾部略显模糊，背景亮度略有差异；对于VISEM风格，精子各部分还原准确，但背景中的伪影在合成图像中更为明显。总体而言，AndroGen成功生成了在视觉上与三个差异显著的参考数据集高度相似的图像。

3.4. Performance analysis

性能测试表明，在配备AMD Ryzen7 8核处理器和16GB RAM的中端设备上，生成一张包含典型精子浓度的合成图像平均耗时约1.14秒（BOSS）至1.30秒（VISEM）。生成时间与图像中精子数量呈线性关系，并且受碎片数量影响显著（BOSS数据集碎片较少，故生成更快）。这证明了AndroGen无需高端GPU即可高效运行。

4. Discussion

4.1. Results interpretation

综合定量和定性分析，研究表明AndroGen能够生成与真实精子显微图像风格高度相似的合成数据。其中，对BOSS数据集的模仿效果最佳，对SVIA和VISEM的模仿效果相当且略逊于BOSS。定量指标（FID, KID）与人类视觉评估结果一致，共同验证了工具的有效性。

4.2. Comparison with related previous work

与以往主要依赖GANs需要大量真实数据训练的方法相比，AndroGen的独特优势在于其无需训练、参数完全可控、支持多种形态异常和物种，并能直接生成用于分类、检测、分割和追踪的全套标注数据。特别是与同样致力于合成精子视频的Hernández等人工作相比，AndroGen在形态多样性和物种支持上更具优势。

4.3. Implications

AndroGen作为首个开源的、具备图形化界面的精子合成数据生成工具，对生物医学和计算机科学领域均有重要意义。它为研究人员提供了低成本、无隐私风险的实验数据来源，将极大促进CASA系统相关机器学习模型的开发、测试与比较研究。

4.4. Limitations and future research lines

研究的局限性在于其生成图像的逼真度尚不及经过充分训练的GANs模型。未来工作可探索与风格迁移（Style Transfer）等技术的结合，以进一步提升视觉效果。此外，尽管提供了预设配置，但为全新视觉风格寻找最优参数仍可能对用户构成挑战，开发自动参数优化启发式方法是未来的一个重要方向。同时，工具的可扩展架构为社区贡献新的物种、形态和碎片类型提供了便利，有望通过开源协作不断丰富其功能。

5. Conclusion

本研究成功开发并验证了AndroGen，一个功能全面、易于使用且开源的合成精子图像生成工具。它通过参数化渲染方法，有效解决了精子分析领域真实标注数据稀缺的难题，为推进自动化精子分析研究提供了强有力的数据支撑。该工具的开放特性将鼓励更广泛的研究社区参与其中，共同推动该领域的进步。