Aim: Follicular quality is a key determinant of success in assisted reproductive technologies, directly affecting outcomes such as fertilization, embryo development, implantation, and live birth rates. However, conventional assessment of cumulus-oocyte complexes relies on subjective morphological evaluation, introducing variability and reducing consistency in clinical decision-making.Materials and Methods: A comparative evaluation of various pre-trained deep learning architectures—including both convolutional neural networks and transformer-based models—was conducted for the automated morphological grading of bovine cumulus-oocyte complexes into four quality categories (Grade A–D). A dataset of 1,400 annotated images of cumulus-oocyte complexes, enhanced through data augmentation techniques to increase image diversity, was used for model training and validation.Results: Among the tested architectures, Xception41 (a variant of convolutional neural networks) and Swin Transformer (a transformer-based model) achieved the highest performance, with test accuracies of 74.75% and 73.25%, and macro F1-scores of 0.75 and 0.74, respectively. While both models performed well in grading cumulus-oocyte complexes with distinct morphological features (Grades 3 and 4), classification accuracy decreased for the more subtle differences between Grades 1 and 2. Furthermore, most models exhibited signs of overfitting under the current training configuration.Conclusion: This study demonstrates the potential of deep learning-based approaches to standardize and enhance the efficiency of cumulus-oocyte complexes evaluation in assisted reproductive technologies. Further optimization is needed to improve model generalization and to address challenges in grading morphologically similar follicular structures.
Amaç: Folikül kalitesi, yardımcı üreme teknolojilerindeki başarıyı belirleyen temel bir faktördür ve döllenme, embriyo gelişimi, implantasyon ve canlı doğum oranları gibi önemli sonuçları doğrudan etkiler. Ancak, kumulus-oosit komplekslerinin geleneksel değerlendirmesi, öznel morfolojik gözlemlere dayandığı için klinik karar süreçlerinde değişkenliğe ve tutarsızlığa neden olmaktadır.Gereç ve Yöntem: Sığır kumulus-oosit komplekslerinin otomatik olarak morfolojik kaliteye göre dört kategoriye (A–D) ayrılması amacıyla, önceden eğitilmiş çeşitli derin öğrenme mimarileri—evrişimsel sinir ağları ve dönüştürücü tabanlı modeller dahil—karşılaştırmalı olarak değerlendirilmiştir. Görsel çeşitliliği artırmak amacıyla veri artırma teknikleri uygulanarak oluşturulan 1.400 etiketlenmiş kumulus-oosit kompleksi görüntülerinden oluşan veri seti, modellerin eğitimi ve doğrulaması için kullanılmıştır.Bulgular: Test edilen mimariler arasında Xception41 (evrişimsel sinir ağları varyantı) ve Swin Transformer (dönüştürücü tabanlı bir model), sırasıyla %74,75 ve %73,25 test doğrulukları ile 0,75 ve 0,74 makro F1 skorlarına ulaşarak en yüksek performansı göstermiştir. Bu modeller, belirgin morfolojik özelliklere sahip 3. ve 4. derece kumulus-oosit komplekslerinde yüksek sınıflandırma başarısı gösterirken, 1. ve 2. dereceler arasındaki daha ince farkların ayırt edilmesinde zorlanmıştır. Ayrıca, mevcut eğitim konfigürasyonu altında çoğu modelde aşırı öğrenme eğilimi gözlemlenmiştir.Sonuç: Bu çalışma, derin öğrenme tabanlı yaklaşımların yardımcı üreme teknolojileri kapsamında kumulus-oosit kompleksi değerlendirmesini standartlaştırma ve değerlendirme süreçlerinin etkinliğini artırma potansiyelini ortaya koymaktadır. Bununla birlikte, morfolojik olarak benzer foliküler yapılar arasındaki sınıflandırma zorluklarının aşılması ve model genelleme yeteneğinin artırılması için ilave optimizasyon gereklidir.