A New Method for Sperm Detection in Infertility Cure: Hypothesis Testing Based on Fuzzy Entropy Decision

در اين مقاله يك روش جديد براي تفكيك اسپرم ها از مايع پلاسما و ساير اجزاي سلولي مني در تصاوير ميكروسكوپي به منظور استفاده در فرآيند پايش و درمان ناباروري ارايه مي شود. در اين روش، ابتدا مساله تفكيك اسپرم از ساير اجزا، در قالب آزمون فرض هاي تصادفي مدل شده و سپس با استفاده از الگوريتمي مبتني بر تيوري آب پخشان، اجزايي از تصوير به عنوان نامزد جهت آشكارسازي به عنوان اسپرم انتخاب مي شوند. سرانجام تابع تصميمي بر اساس آنتروپي فازي تشكيل شده و با استفاده از آن هر يك از اشياي پيشگفته به يكي از فرض هاي وجود يا عدم وجود اسپرم منتسب مي گردد. عملكرد روش فوق، بر روي دو گونه از تصاوير ميكروسكوپي با چگالي كم اسپرم و چگالي زياد اسپرم از مني مردان مشكوك به ناباروري آزموده مي شود. نتايج به دست آمده حاكي از برتري روش پيشنهادي اين مقاله در آشكارسازي اسپرم ها به ميزان 8 و 15 درصد در اين دو سناريو و نسبت به روش هاي موجود است. همچنين اين نتايج نشان مي دهند كه استفاده از روش اين مقاله علاوه بر حصول آشكارسازي بهتر اسپرم ها، خطاي تشخيص اسپرم كاذب را هم نسبت به روش هاي رقيب بهبود مي بخشد.

In this paper, a new method is introduced for sperm detection in microscopic images for infertility treatment. In this method, firstly a hypothesis testing function is defined to separate sperms from plasma, non-sperm semen particles and noise. Then, some primary candidates are selected for sperms by watershed-based segmentation algorithm. Finally, candidates are either confirmed or rejected using fuzzy entropy decision algorithm. Performance of the proposed method is evaluated on real captured images containing sperms and other specimens of semen in two different scenarios. In the first scenario, semen has low density of sperms however the second scenario belongs to semen with high density of sperms. The obtained results show the greater ability of the proposed method in sperm detection compared to present approaches in both of scenarios. Furthermore, it is shown that 8% and 15% improvements in sperm detection in the first and second scenarios can be achieved by the proposed algorithm. As the final results, the proposed algorithm not only doesnʹt lead to extract more false objects but also decrease the rate of false detections are decreased compared to existing algorithms.