深度学习基于超声影像对红鲍(Haliotis rufescens)生殖组织进行分类:性别判定研究

《Frontiers in Artificial Intelligence》:Deep learning classification of reproductive tissue from ultrasound: sex determination in red abalone (Haliotis rufescens)

【字体: 大 中 小 】 时间:2026年05月18日 来源:Frontiers in Artificial Intelligence 4.7

编辑推荐:

  准确的性别判定对于保护育种项目及商业水产养殖的产卵成功率至关重要,然而针对鲍类的非侵入式性别判定方法仍十分有限。传统方法依赖目视检查,需要将个体从附着基上取下,可能造成损伤并诱发配子提前释放。本研究首次将机器学习应用于红鲍(Haliotis rufescens

  
准确的性别判定对于保护育种项目及商业水产养殖的产卵成功率至关重要,然而针对鲍类的非侵入式性别判定方法仍十分有限。传统方法依赖目视检查,需要将个体从附着基上取下,可能造成损伤并诱发配子提前释放。本研究首次将机器学习应用于红鲍(Haliotis rufescens)的非侵入式超声影像性别自动分类。研究人员构建了包含246张高质量超声图像的标注数据集,涵盖44个个体,并对七种卷积神经网络(Convolutional Neural Network, CNN)架构进行了基准测试,包括VGG16、VGG19、ResNet50、ResNet101、YOLOv8、YOLOv11以及自定义CNN模型。为防止因图像在不同数据划分中泄露而导致准确率虚高,数据按个体身份进行划分。结果显示,YOLOv8架构取得了最高的测试准确率85.7%(雄性精确率0.905、雌性0.816;雄性召回率0.845、雌性0.899),优于经典架构与自定义模型。有趣的是,通道数逐层递减的反向VGG架构表现优于标准VGG模型,表明早期通道压缩可能有助于抑制超声斑点噪声。特征激活图证实,模型学习到的关注区域集中在性腺组织而非成像伪影。此外,研究人员在NVIDIA Jetson边缘设备上实现了推理,可进行实时分类,适用于现场部署。该框架为软体动物的自动化、无损伤性别判定提供了可行性,并为禁止侵入式操作的濒危鲍类保护奠定了基础。
研究背景
自20世纪70年代以来,加利福尼亚鲍类(Haliotis spp.)种群因过度捕捞、疾病、饥饿及气候变化等因素急剧衰退,所有种类均被世界自然保护联盟(IUCN)列为濒危或极危物种,其中黑鲍(H. cracherodii)与白鲍(H. sorenseni)在美国被列为联邦濒危物种。由于种群数量下降,美国西海岸已无合法的休闲或商业鲍类渔业。恢复策略包括制定黑鲍最终恢复计划及建立白鲍人工繁育项目。鲍类是雌雄异体的海洋腹足动物,配子排放至水体中进行体外受精,其配子发生周期受物种、地点、温度及季节影响。人工繁育需要定期监测生殖状态,但传统目视法需将个体从附着基取下,易造成处理应激并导致未成熟配子释放,降低产卵成功率。组织学判定虽准确,却属于致死性操作,不适用于濒危物种。因此,研究人员开发了超声成像技术作为非侵入式工具,用于在不干扰附着的情况下可视化性腺发育并指导产卵活动。
技术方法
研究样本来自加州戈利塔The Cultured Abalone Farm的红鲍,分为小型(平均壳长77.2 mm)与大型(平均壳长110.53 mm)两类,共75个个体。使用SonoSite Edge II超声系统与HFL50探头进行成像,保留已知性别个体的影像资料作为训练真值。图像预处理包括去除边框与系统叠加信息、提取感兴趣区域(Region of Interest, ROI)、灰度化与二值化、尺寸统一及按个体身份划分训练集、验证集与测试集。大型个体影像经人工质量筛选,剔除严重回声伪影、解剖结构缺失或视野不完整者,最终保留246张高质量图像。数据增强采用旋转、亮度与对比度扰动、随机遮挡等方法。研究人员基准测试了VGG16、VGG19、ResNet50、ResNet101、YOLOv8、YOLOv11及自定义CNN,其中反向VGG架构将通道数由512逐层降至64。模型性能评估指标包括准确率、精确率、召回率及F1分数。部分最佳模型导出为ONNX格式,并在NVIDIA Jetson Orin Nano上进行边缘设备推理测试。
研究结果
3.1 数据特征
研究发现,若未按个体身份划分数据,同一动物的影像会同时出现在训练、验证与测试集中,导致准确率虚高。按个体划分后,大型个体的模型评估指标趋于真实水平,初始验证与测试准确率约60%。小型个体影像的分类错误率更高,移除低质量影像后模型性能显著提升。
3.2 模型性能比较
逻辑回归基线在PCA降维后的扁平化影像特征上表现接近随机。VGG与ResNet模型易过拟合,加入Dropout后有所改善。反向VGG模型(512→256→128→64)优于标准VGG,ResNet101表现更佳,YOLOv8x-cls取得最高准确率:训练集96.1%、验证集88.2%、测试集85.7%。YOLOv11x-cls表现略低。
3.3 特征分析
t-SNE可视化显示,YOLOv8的特征在高维空间可部分分离雌雄个体,但在二维投影中重叠显著,Silhouette分数较低,说明性别判定依赖细微且分布式的特征。特征激活图显示,YOLOv8主要聚焦于性腺组织,而反向VGG模型则部分响应非解剖结构(如标注标记与测量线)。
3.4 边缘设备推理
YOLOv8在Jetson Orin Nano上的单帧推理时间为14.50 ms,加上前后处理共1.35 ms,测试准确率为85.7%,满足实时应用需求。
讨论与结论
本研究首次将深度学习应用于红鲍超声影像的自动化性别判定,证明CNN可有效区分雌雄性腺形态,而线性分类器无法实现。关键经验包括:必须按个体划分数据以避免虚高准确率;影像质量显著影响分类结果;体型差异可导致预测偏差。反向VGG架构通过渐进式通道压缩与空间下采样(双重压缩)抑制超声斑点噪声,优于标准VGG。YOLOv8凭借高效的数据处理与正则化策略取得最佳性能。边缘设备部署验证了实时应用的可行性,可在保护育种与商业养殖中减少人工操作压力、提升筛选效率。未来工作应扩大数据集规模、扩展至濒危鲍类、结合生殖成熟度评估,并探索将反向通道拓扑与残差连接结合的混合架构。该研究发表于《Frontiers in Artificial Intelligence》。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号