基于交互式运动模型的多精子动态追踪算法：DP-YOLOv8n与IMM-ByteTrack在临床精子分析中的应用与突破

针对传统计算机辅助精子分析(CASA)系统成本高、复杂场景处理能力不足的问题，研究人员提出结合SE注意力机制与轻量化网络的DP-YOLOv8n检测模型（mAP@0.5达86.8%）及交互多模型动态追踪算法IMM-ByteTrack（MOTA指标提升2.95%-4.03%），有效解决精子重叠/遮挡导致的轨迹丢失问题，为男性不育诊断提供高精度、低成本的自动化解决方案。

　　

在生殖医学领域，男性不育问题日益凸显，全球约40%的不孕症病例与精子质量相关。传统精子运动性分析依赖人工计数或昂贵的计算机辅助精子分析(CASA)系统，但前者主观性强，后者对高密度精液样本（如多精症）的追踪能力有限。当精子发生重叠、交叉运动时，现有算法常出现目标丢失或轨迹断裂，严重制约临床诊断准确性。这一痛点催生了低成本、高鲁棒性算法的迫切需求。

针对这一挑战，河南科技项目支持的研究团队在《Biomedical Signal Processing and Control》发表成果，创新性地将目标检测与动态追踪技术结合。他们首先构建VISEM-1数据集（含6000帧显微图像），随后开发了轻量化检测模型DP-YOLOv8n——通过引入SE(Squeeze-and-Excitation)注意力机制增强小精子头部特征提取，采用GSConv模块与Slim-Neck结构平衡精度与速度（38.875帧/秒）。更突破性的是提出IMM-ByteTrack算法，整合Singer模型（匀加速运动）和CT(Coordinated Turn)模型应对精子非线性运动，利用交互式滤波机制动态切换模型，显著提升复杂场景下的追踪稳定性。

关键技术方法
研究采用VISEM-1和LCH-SD两个临床数据集，基于YOLOv8n架构改进：①添加SE模块优化特征权重；②增加小目标检测层；③用GSConv替换标准卷积。追踪阶段融合交互多模型(IMM)与ByteTrack框架，通过马氏距离匹配轨迹，模型概率动态加权输出最终状态估计。

研究结果

Sperm Detection
DP-YOLOv8n在VISEM-1测试集上mAP@0.5达86.8%，较原YOLOv8n提升3.4%，误检率降低21%。轻量化设计使FPS达49.286（基础版42.597），验证了SE机制对显微图像中<10像素目标的增强效果。

Datasets
VISEM-1覆盖0.1-150×10⁶
/mL浓度范围，包含重叠、粘连等临床常见场景；LCH-SD提供高密度样本（>50×10⁶
/mL），两者互补性验证算法泛化能力。

Discussion
IMM-ByteTrack在VISEM-1的MOTA达70.51%（较基线+2.95%），LCH-SD上达75.13%（+4.03%）。实验显示：① Singer模型对直线运动预测误差<1.2μm；② CT模型将转弯轨迹断裂率从12.7%降至4.3%；③ 动态切换机制使ID Switch次数减少38%。

Conclusion
该研究首次将交互多模型理论应用于精子追踪领域，突破传统CASA系统在复杂场景下的技术瓶颈。DP-YOLOv8n的高精度检测为后续分析提供可靠输入，而IMM-ByteTrack通过模型协同与动态滤波，实现临床样本中精子轨迹的连续重构。这项技术不仅成本仅为商用系统的1/5，其开源特性更将推动辅助生殖技术的普惠化发展。未来可扩展至其他微观生物运动分析，如寄生虫迁移或肿瘤细胞侵袭研究。

（注：全文数据与结论均来自论文原文，Wentan Jiao等作者未报告利益冲突，研究受河南省科技计划项目242102210099/232102210091资助）