DOI: https://doi.org/10.3390/vetsci12101015
PMID: https://pubmed.ncbi.nlm.nih.gov/41150155
تاريخ النشر: 2025-10-21
المؤلف: Francisco Sevilla وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
تتركز هذه الدراسة على تطوير نظام مدعوم بالحاسوب لتحليل شكل الحيوانات المنوية للأبقار، وهو أمر حاسم لتقييم القدرة التناسلية في الثيران. تستخدم الدراسة إطار عمل الكشف عن الكائنات YOLOv7 لأتمتة وتوحيد عملية التقييم البصري. تظهر النتائج توازنًا ملائمًا بين الدقة والكفاءة، مما يشير إلى أن هذا النظام يمكن أن يعزز الفعالية التشغيلية في مختبرات التناسل البيطري.
أظهرت تقييم أداء YOLOv7 لتصنيف الحيوانات المنوية للأبقار إلى ست فئات – طبيعية، تكتل، جزيئات غبار، ذيل مطوي، رأس فضفاض، وذيل فضفاض – نتائج واعدة. حقق النموذج مقاييس عالمية لمتوسط الدقة (mAP@50) عند 0.5 بلغت 0.73، ودقة 0.75، واسترجاع 0.71، ودرجة F1 بلغت 0.73. ومن الجدير بالذكر أن دقة الكشف اختلفت حسب الفئة، حيث كانت الفئات المحددة جيدًا مثل الطبيعية وذيل مطوي تؤدي بشكل أفضل من الفئات الأقل تميزًا مثل الذيل الفضفاض. بالإضافة إلى ذلك، أظهر النموذج قدرات استدلال في الوقت الفعلي على أجهزة GPU وأظهر تقاربًا مستقرًا أثناء التدريب، دون ملاحظة أي فرط في التكيف. تشير هذه النتائج إلى أن YOLOv7 هو خيار قابل للتطبيق للتكامل في سير العمل لتحليل المختبرات الآلية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية تقييم صحة تربية الثيران (BSE) كقياس أساسي لإمكانية الخصوبة في البيئات الزراعية. يتم تسليط الضوء على جودة السائل المنوي، وخاصة شكل الحيوانات المنوية، كعلامة حاسمة على الوظيفة التناسلية، حيث ترتبط الشذوذات في هيكل الحيوانات المنوية ارتباطًا قويًا بالعقم. تؤكد منظمة الصحة العالمية (WHO) على أهمية شكل الحيوانات المنوية في تقييم الجودة، موصية بتصنيف ما لا يقل عن 200 حيوان منوي إلى فئات بناءً على العيوب الهيكلية. التقييمات اليدوية التقليدية، على الرغم من كونها معيارية، تستغرق وقتًا طويلاً وعرضة للتغيرات بسبب الأخطاء البشرية.
لمعالجة هذه القيود، تناقش الورقة ظهور أنظمة آلية تستخدم تقنيات متقدمة مثل التعلم العميق، وبشكل خاص نموذج YOLO (You Only Look Once). أظهرت هذه الأنظمة وعدًا في تعزيز كفاءة ودقة تحليل شكل الحيوانات المنوية، حيث أظهر YOLOv5 أداءً عاليًا في الكشف عن الشذوذات في شكل الحيوانات المنوية. تقترح الدراسة نظامًا آليًا قائمًا على التعلم العميق لتحليل شكل الحيوانات المنوية للأبقار، بهدف تحسين سير العمل في المختبرات وتوفير تقييمات متسقة وقابلة للتكرار. تم وضع هذه الابتكار لتجاوز تحديات الطرق التقليدية والمساهمة في ممارسات تقييم الخصوبة الأكثر فعالية في كل من السياقات السريرية والبيطرية.
الطرق
في هذا القسم، يوضح المؤلفون المنهجيات المستخدمة لتقييم أداء نموذج الكشف عن الكائنات الخاص بهم لتقييم شكل الحيوانات المنوية للأبقار. تم قياس دقة الكشف للنموذج باستخدام مقاييس قياسية، مما أسفر عن متوسط دقة عالمي (mAP@50) بلغ 0.73، ودقة 0.75، واسترجاع 0.71، ودرجة F1 بلغت 0.73. ومن الجدير بالذكر أن التحليل على مستوى الفئات كشف أن الفئات ذات الميزات الشكلية المميزة، مثل الحيوانات المنوية الطبيعية وذيل مطوي، حققت دقة واسترجاع أعلى، بينما كانت فئة الذيل الفضفاض تعاني من انخفاض الاسترجاع بسبب التحديات في تمييزها عن الضوضاء الخلفية. أظهرت ديناميات التدريب أن الدقة استقرت بعد 30 دورة، بينما تحسن الاسترجاع تدريجيًا، مما يبرز قدرة النموذج على التعميم عبر الفئات السائدة والأقلية دون فرط في التكيف.
كما يقدم المؤلفون فحصًا مفصلًا لمنحنيات الدقة والاسترجاع (PR) لفئات الحيوانات المنوية المختلفة، مما يبرز التوازن بين الدقة والاسترجاع. بالنسبة للكشف عن الحيوانات المنوية الطبيعية، تم تحديد نقطة تشغيل متوازنة حول استرجاع يتراوح بين 0.60-0.70، محققة دقة تتراوح بين 0.60-0.65 تقريبًا. على العكس، أظهرت فئة الشذوذات في الذيل منحنى PR أكثر خطية، مما يشير إلى قابلية متوسطة للفصل، مع نقطة تشغيل موصى بها حول استرجاع يتراوح بين 0.55-0.65. أكدت مسارات الخسارة أيضًا أداء النموذج، حيث أظهرت ديناميات تعلم مستقرة دون فرط في التكيف، كما يتضح من التقارب الوثيق بين منحنيات خسارة التدريب والتحقق. بشكل عام، تؤكد النتائج أن نموذج YOLOv7 يوازن بشكل فعال بين الدقة وقابلية التعميم، مما يجعله مناسبًا لتقييم شكل الحيوانات المنوية الآلي، على الرغم من وجود بعض الأخطاء المتبقية في الفئات المرئية المتشابهة.
النتائج
تظهر نتائج تصنيف شكل الحيوانات المنوية للأبقار المعتمدة على YOLOv7 أداءً متوازنًا عبر عدة مقاييس رئيسية، بما في ذلك الدقة والموثوقية والكفاءة الحاسوبية. يتم تفصيل النتائج من حيث دقة الكشف، مما يبرز فعالية النموذج في التعرف بشكل صحيح على شكل الحيوانات المنوية.
بالإضافة إلى ذلك، يتضمن التحليل تقييمًا للكفاءة الحاسوبية، مما يشير إلى أن النموذج يعمل بشكل فعال ضمن قيود الموارد. تدعم تحليل التقارب موثوقية النموذج، بينما توفر التبادلات على مستوى الفئات رؤى حول تباين الأداء عبر الفئات الشكلية المختلفة. بشكل عام، تؤكد الدراسة على إمكانيات YOLOv7 للتطبيقات العملية في تصنيف الحيوانات المنوية للأبقار.
المناقشة
تسلط قسم المناقشة في الدراسة الضوء على التباين في شكل الحيوانات المنوية عبر ست فئات، مما يبرز التحديات التي تواجه أنظمة الكشف الآلي بسبب الخصائص البصرية المتداخلة بين بعض العيوب. أظهر نموذج YOLOv7 أداءً فعالًا، محققًا متوسط دقة (mAP@50) بلغ 0.73، وهو ما يقارن بالأساليب الحالية في الكشف عن شكل الحيوانات المنوية للأبقار والبشر. تأثر أداء النموذج بتمثيل الفئات الشكلية غير المتوازن، خاصة مع فئة الذيل الفضفاض، حيث حدثت أخطاء تصنيف بسبب التشابهات البصرية مع الحيوانات المنوية الطبيعية. كما لاحظت الدراسة أن الإيجابيات الكاذبة كانت مرتبطة غالبًا بالحطام الخلفي، بينما كانت السلبيات الكاذبة مرتبطة بتشوهات ذيل دقيقة.
تشمل الاتجاهات المستقبلية لتحسين دقة النموذج تعزيز مجموعات التدريب لمعالجة عدم التوازن في الفئات ودمج تقنيات متقدمة مثل الوحدات المعتمدة على الانتباه لالتقاط التفاصيل الشكلية الدقيقة بشكل أفضل. تشير النتائج إلى أنه بينما يمثل هيكل YOLOv7 أداة واعدة لتحليل شكل الحيوانات المنوية في الوقت الفعلي، فإن المزيد من التحسينات ضرورية لتحسين أدائه في السياقات السريرية. تدعو الدراسة إلى نشر أوزان النموذج المفتوحة ومجموعات البيانات لتسهيل التكرار وتعزيز توحيد تقييمات شكل الحيوانات المنوية في التشخيصات البيطرية وبرامج التربية.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم نتائجها. أولاً، تقتصر مجموعة البيانات على الحيوانات المنوية للأبقار المستمدة من ثيران براهمان الصحية التي تتراوح أعمارها بين 2-3 سنوات، مما قد لا يمثل أنواعًا أخرى أو ظروفًا في العالم الحقيقي حيث يمكن أن تتفاوت جودة الصورة. ثانيًا، الطبيعة اليدوية للتعليقات التوضيحية تُدخل تحيزات محتملة قد تؤثر على قابلية تكرار النتائج. بالإضافة إلى ذلك، فإن التمثيل غير الكافي للفئات الشكلية النادرة، مثل الذيل الفضفاض والرأس الفضفاض، يحد من قدرة النموذج على تعلم هذه الأنماط بشكل فعال.
على الرغم من هذه القيود، تشير النتائج إلى أن خط الأنابيب المقترح لديه القدرة على أن يكون أداة أساسية للبحوث المستقبلية التي تهدف إلى تكييف تحليل الشكل الآلي لمجموعة أوسع من التطبيقات التناسلية والسريرية. ومع ذلك، ستكون هناك حاجة إلى مزيد من تجارب التكيف مع المجال أو التعلم الانتقالي للتحقق من قابليته للتطبيق على أنواع أخرى، بما في ذلك الحيوانات المنوية للأغنام والبشر.
DOI: https://doi.org/10.3390/vetsci12101015
PMID: https://pubmed.ncbi.nlm.nih.gov/41150155
Publication Date: 2025-10-21
Author(s): Francisco Sevilla et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
This research focuses on the development of a computer-aided system for analyzing bovine sperm morphology, which is crucial for assessing reproductive potential in bulls. The study employs the YOLOv7 object detection framework to automate and standardize the visual evaluation process. The findings demonstrate a favorable balance between accuracy and efficiency, indicating that this system can enhance operational effectiveness in veterinary reproduction laboratories.
The performance evaluation of YOLOv7 for classifying bovine sperm into six categories—normal, agglutination, dirt particles, folded tail, loose head, and loose tail—yielded promising results. The model achieved global metrics of mean Average Precision at IoU 0.5 (mAP@50) of 0.73, precision of 0.75, recall of 0.71, and an F1 score of 0.73. Notably, the detection accuracy varied by class, with well-defined categories such as normal and folded tail performing better than less distinct categories like loose tail. Additionally, the model exhibited real-time inference capabilities on GPU hardware and demonstrated stable convergence during training, with no significant overfitting observed. These results suggest that YOLOv7 is a viable option for integration into automated laboratory analysis workflows.
Introduction
The introduction of this research paper emphasizes the significance of bull breeding soundness evaluation (BSE) as a primary measure of fertility potential in agricultural settings. Semen quality, particularly sperm morphology, is highlighted as a critical indicator of reproductive function, with abnormalities in sperm structure correlating strongly with infertility. The World Health Organization (WHO) underscores the importance of sperm morphology in quality assessment, recommending the classification of at least 200 spermatozoa into categories based on structural defects. Traditional manual assessments, while standard, are time-consuming and prone to variability due to human error.
To address these limitations, the paper discusses the emergence of automated systems utilizing advanced technologies such as deep learning, specifically the YOLO (You Only Look Once) model. These systems have shown promise in enhancing the efficiency and accuracy of sperm morphology analysis, with YOLOv5 demonstrating high performance in detecting anomalies in sperm morphology. The study proposes a deep learning-based automated system for analyzing bovine sperm morphology, aiming to improve laboratory workflows and provide consistent, reproducible assessments. This innovation is positioned to overcome the challenges of traditional methods and contribute to more effective fertility evaluation practices in both clinical and veterinary contexts.
Methods
In this section, the authors detail the methodologies employed to evaluate the performance of their object detection model for assessing bovine sperm morphology. The model’s detection accuracy was measured using standard metrics, yielding a global mean average precision (mAP@50) of 0.73, precision of 0.75, recall of 0.71, and an F1 score of 0.73. Notably, class-level analysis revealed that categories with distinct morphological features, such as normal and folded tail spermatozoa, achieved higher precision and recall, while the loose tail category struggled with lower recall due to challenges in distinguishing it from background noise. The training dynamics indicated that precision stabilized after 30 epochs, while recall improved gradually, underscoring the model’s ability to generalize across both dominant and minority classes without overfitting.
The authors also present a detailed examination of the Precision-Recall (PR) curves for different sperm categories, highlighting the trade-offs between precision and recall. For normal sperm detection, a balanced operating point was identified around a recall of 0.60-0.70, achieving a precision of approximately 0.60-0.65. Conversely, the tail abnormalities category exhibited a more linear PR curve, suggesting moderate separability, with a recommended operating point around a recall of 0.55-0.65. The loss trajectories further corroborated the model’s performance, showing stable learning dynamics without overfitting, as evidenced by the close alignment of training and validation loss curves. Overall, the findings affirm that the YOLOv7 model effectively balances accuracy and generalizability, making it suitable for automated sperm morphology assessment, despite some residual errors in visually similar classes.
Results
The results of the YOLOv7-based classification of bovine sperm morphology demonstrate a balanced performance across several key metrics, including accuracy, robustness, and computational efficiency. The findings are detailed in terms of detection accuracy, highlighting the model’s effectiveness in correctly identifying sperm morphology.
Additionally, the analysis includes an evaluation of computational efficiency, indicating that the model operates effectively within resource constraints. Convergence analysis further supports the model’s reliability, while class-level tradeoffs provide insights into the performance variations across different morphological categories. Overall, the study underscores the potential of YOLOv7 for practical applications in bovine sperm classification.
Discussion
The discussion section of the study highlights the variability in sperm morphology across six categories, emphasizing the challenges faced in automated detection systems due to overlapping visual characteristics among certain defects. The YOLOv7 model demonstrated effective performance, achieving a mean average precision (mAP@50) of 0.73, which is comparable to existing methodologies in both bovine and human sperm morphology detection. The model’s performance was influenced by the imbalanced representation of morphological classes, particularly with the loose tail category, where misclassifications occurred due to visual similarities with normal spermatozoa. The study also noted that false positives were often linked to background debris, while false negatives were associated with subtle tail deformations.
Future directions for improving the model’s accuracy include enhancing training datasets to address class imbalances and incorporating advanced techniques such as attention-based modules to better capture fine morphological details. The findings suggest that while the YOLOv7 architecture is a promising tool for real-time sperm morphology analysis, further refinements are necessary to optimize its performance in clinical settings. The study advocates for the publication of open model weights and datasets to facilitate reproducibility and enhance the standardization of sperm morphology assessments in veterinary diagnostics and breeding programs.
Limitations
The study presents several limitations that may impact the generalizability of its findings. Firstly, the dataset is confined to bovine sperm obtained from healthy Brahman bulls aged 2-3 years, which may not be representative of other species or real-world conditions where image quality can vary. Secondly, the manual nature of the annotations introduces potential biases that could compromise the reproducibility of the results. Additionally, the underrepresentation of rare morphological categories, such as loose tail and loose head, restricts the model’s ability to effectively learn these patterns.
Despite these limitations, the findings suggest that the proposed pipeline has the potential to serve as a foundational tool for future research aimed at adapting automated morphology analysis to a wider range of reproductive and clinical applications. However, further domain adaptation or transfer learning experiments will be necessary to validate its applicability to other species, including ovine and human sperm.