論文の概要: Human Blastocyst Classification after In Vitro Fertilization Using Deep Learning

• arxiv url: http://arxiv.org/abs/2008.12480v1
• Date: Fri, 28 Aug 2020 04:40:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 02:22:12.169417
• Title: Human Blastocyst Classification after In Vitro Fertilization Using Deep Learning
• Title（参考訳）: 深層学習を用いた体外受精後のヒト胚盤胞分類
• Authors: Ali Akbar Septiandri, Ade Jamal, Pritta Ameilia Iffanolida, Oki Riayati, Budi Wiweko
• Abstract要約: 本研究は、1226個の胚の合計1084枚の画像を含む。 これらの画像は、胚を1から5に区別するヴェエック基準に基づいてラベル付けされ、破片の大きさと断片化の程度に基づいて評価された。 データセット上でトレーニング済みのResNet50を微調整することによる最良のモデルでは、91.79%の精度が得られます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embryo quality assessment after in vitro fertilization (IVF) is primarily done visually by embryologists. Variability among assessors, however, remains one of the main causes of the low success rate of IVF. This study aims to develop an automated embryo assessment based on a deep learning model. This study includes a total of 1084 images from 1226 embryos. The images were captured by an inverted microscope at day 3 after fertilization. The images were labelled based on Veeck criteria that differentiate embryos to grade 1 to 5 based on the size of the blastomere and the grade of fragmentation. Our deep learning grading results were compared to the grading results from trained embryologists to evaluate the model performance. Our best model from fine-tuning a pre-trained ResNet50 on the dataset results in 91.79% accuracy. The model presented could be developed into an automated embryo assessment method in point-of-care settings.
• Abstract（参考訳）: 体外受精後の胚品質評価は、主に胚学者によって視覚的に行われる。 しかしながら、評価者間の変動性は、ivfの低成功率の主な原因の1つである。 本研究の目的は,ディープラーニングモデルに基づく胚自動評価法の開発である。 本研究は、1226個の胚の合計1084枚の画像を含む。 画像は受精後3日目に逆顕微鏡で撮影された。 画像は、胚の大きさと分裂度に基づいて、胚を1級から5級に区別するveeck基準に基づいてラベル付けされた。 モデル性能を評価するために,訓練した胚学者による評価結果と比較した。 データセット上でトレーニング済みのresnet50を微調整する最良のモデルは、91.79%の精度になります。 提示されたモデルは、ポイント・オブ・ケア設定で自動胚評価法として開発することができる。

関連論文リスト

• Breast tumor classification based on self-supervised contrastive learning from ultrasound videos [7.825379326219145]
  我々は,胸部超音波ビデオクリップから表現を学習するために,トリプルトネットワークと自己教師付きコントラスト学習手法を採用した。 本モデルでは,受信機動作特性曲線 (AUC) の0.952の領域を達成した。 提案フレームワークはラベル付きデータに対する需要を大幅に減らし,乳房超音波画像の自動診断に活用する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-08-20T07:16:01Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)
• Development and validation of deep learning based embryo selection across multiple days of transfer [0.0]
  本研究は,完全自動化深層学習モデルiDAScore v2.0の開発と,2,3,5日間培養した胚の評価について述べる。 このモデルは、世界中の22のIVFクリニックから181,428個の胚を含む広範囲で多様なデータセットで訓練され、評価されている。 遺伝子組み換え胚(KID)を識別するためには、転写日に応じて0.621から0.708の範囲のAUCを示す。
  論文  参考訳（メタデータ） (2022-10-05T09:44:13Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Developmental Stage Classification of EmbryosUsing Two-Stream Neural Network with Linear-Chain Conditional Random Field [74.53314729742966]
  発達段階分類のための2ストリームモデルを提案する。 従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。 2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
  論文  参考訳（メタデータ） (2021-07-13T19:56:01Z)
• Robust and generalizable embryo selection based on artificial intelligence and time-lapse image sequences [0.0]
  経時変化画像のみを用いた深層学習に基づく胚選択モデルが、患者年齢や臨床条件によってどのように機能するかを検討する。 このモデルは、115,832個の胚からなる18のIVFセンターからの大規模なデータセットに基づいて訓練および評価された。 完全自動化されたiDAScore v1.0モデルは、少なくとも最先端の手動胚選択モデルと同じくらいの性能を示した。
  論文  参考訳（メタデータ） (2021-03-12T13:36:30Z)
• Automatic evaluation of human oocyte developmental potential from microscopy images [0.0]
  本稿では,このプロセスの速度,再現性,精度を向上させる自動システムを提案する。 まず、個々の卵細胞を局在させ、その主成分をCNN(U-Net)セグメンテーションを用いて同定する。 提案手法は,分類精度を70%に向上させる。
  論文  参考訳（メタデータ） (2021-02-27T19:36:04Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• Data-Driven Prediction of Embryo Implantation Probability Using IVF Time-lapse Imaging [4.823616680520791]
  本稿では,胚発生時間ラプス画像から胚移植の確率を直接予測するために訓練された新しいデータ駆動システムについて述べる。 回顧的に収集した272個の胚のビデオを用いて, 胚学者の外部パネルと比較すると, 正の予測値が12%, 負の予測値が29%増加した。
  論文  参考訳（メタデータ） (2020-06-01T16:04:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。