基于机器学习算法的牛生殖组织彩色多普勒超声自动分析技术开发与验证

本研究开发了一种基于Python的机器学习算法，用于自动化分析公牛睾丸实质（TP）和蔓状静脉丛（PP）的彩色多普勒超声图像。该算法可在0.14秒内处理270张图像，与传统方法相比具有极高相关性（R2=0.84-0.99，p<0.001）和95%置信区间的一致性，为动物生殖血管功能评估提供了高效可靠的解决方案。

　　

Highlight

伦理批准

所有实验程序均经巴西农牧研究公司东南畜牧业分部动物实验伦理委员会批准（协议编号CEUA PRT02/2023）。

地点、时期与实验动物

本研究于2024年6月至9月在巴西圣卡洛斯市Embrapa东南畜牧业Canchim农场（南纬21°57'42"，西经47°50'28"，海拔860米）开展。共使用48头动物：24头Nelore品种（Bos indicus）和24头Canchim品种（5/8 Bos taurus × 3/8 Bos indicus），均为性成熟公牛（24-36月龄）。

结果

睾丸实质（TP）和蔓状静脉丛（PP）常规分析与算法分析的决定系数显示：睾丸实质图像中红色多普勒区域（RCDA）的R2=0.84（p<0.001），多普勒区域（RDA）的R2=0.89（p<0.001），其他变量R2介于0.92-0.97（p<0.001）；蔓状静脉丛图像所有变量R2均达0.97-0.99（p<0.001）。皮尔逊相关系数显示睾丸实质为0.92-0.98（p<0.001），蔓状静脉丛为0.98-0.99（p<0.001）。Bland-Altman一致性分析显示95%数据点落在置信区间内。

讨论

我们开发的血液灌注分析算法在评估公牛睾丸实质和蔓状静脉丛彩色多普勒图像时表现出卓越的准确度。与传统方法相比，该算法能同时分析35个变量，且处理速度达270张图像/0.14秒，显著提升分析效率并消除主观误差。其成功关键在于采用与原始图像采集时相同的色板设置，确保颜色识别的生物学相关性。

结论

彩色多普勒超声图像分析算法能精准提取具有生物科学意义的变量。强相关性表明该算法可成功替代传统血管功能评估方法，特别是在使用相同色板配置的前提下。