ETD

• deep learning
• embryology
• explainability
• image segmentation
• in vitro fertilization
• morphokinetics
• time-lapse imaging

IVF success rates remain limited (20–40% live birth rate per transfer cycle) and depend critically on embryo selection, traditionally performed manually by embryologists.
Manual assessment is subjective, time-consuming and lacks reproducibility, highlighting the need for automated analysis tools. This work presents three deep learning pipelines developed at ISIR within a microrobotics IVF framework: oocyte temporal monitoring (99.2% accuracy), blastocyst Gardner grade prediction combining automated U-Net segmentation with Random Forest (90.9% on expert-annotated labels), and embryo stage classification achieving 78% accuracy over 6 developmental stages (ResNet-18 + LSTM), with a preliminary real-time monitoring pipeline (YOLOv8 + LSTM, 77.1% over 12 morphokinetic classes) validated on external time-lapse sequences.
A scalable auto-annotation strategy reduced manual labeling effort across the latter two pipelines. SHAP explainability analysis was applied across all three pipelines to ensure clinical interpretability. These results demonstrate the feasibility of automated, objective and explainable embryo analysis, paving the way for prospective clinical validation in IVF settings.

Il risultato della fecondazione in vitro (FIV) rimane limitato (tasso di nascita dal vivo del 20-40% per ciclo di trasferimento) e dipende in modo critico dalla selezione degli embrioni, tradizionalmente eseguita manualmente dagli embriologi.
La valutazione manuale è soggettiva, richiede tempo e manca di riproducibilità, evidenziando la necessità di strumenti di analisi automatizzati. Questo lavoro presenta tre pipeline di deep learning sviluppate presso l'ISIR nell'ambito di un framework di FIV in microrobotica: monitoraggio temporale degli ovociti (accuratezza del 99,2%), previsione del grado di Gardner per blastocisti che combina la segmentazione automatizzata U-Net con Random Forest (90,9% su etichette annotate da esperti), e classificazione degli stadi embrionali con un'accuratezza del 78% su 6 stadi di sviluppo (ResNet-18 + LSTM), con una pipeline preliminare di monitoraggio in tempo reale (YOLOv8 + LSTM, 77,1% su 12 classi morfocinetiche) validata su sequenze time-lapse esterne.
Una strategia scalabile di auto-annotazione ha ridotto lo sforzo di etichettatura manuale nelle ultime due pipeline. L'analisi di spiegabilità SHAP è stata applicata a tutte e tre le pipeline per garantire l'interpretabilità clinica. Questi risultati dimostrano la fattibilità di un'analisi embrionale automatizzata, obiettiva e spiegabile, aprendo la strada alla validazione clinica prospettica in contesti di FIV.