論文の概要: Towards deep learning-powered IVF: A large public benchmark for
morphokinetic parameter prediction
- arxiv url: http://arxiv.org/abs/2203.00531v1
- Date: Tue, 1 Mar 2022 15:13:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 17:43:03.860268
- Title: Towards deep learning-powered IVF: A large public benchmark for
morphokinetic parameter prediction
- Title（参考訳）: 深層学習型IVFに向けて:形態運動パラメータ予測のための大規模公開ベンチマーク
- Authors: Tristan Gomez, Magalie Feyeux, Nicolas Normand, Laurent David, Perrine
Paul-Gilloteaux, Thomas Fr\'eour, Harold Mouch\`ere
- Abstract要約: 337kの画像に対して,胚発生の756ビデオの完全注釈付きデータセットについて述べる。
我々は、データセットにResNet、LSTM、ResNet-3Dアーキテクチャを適用し、ステージ開発フェーズを自動的にアノテートするためにアルゴリズムアプローチをオーバーパフォーマンスすることを実証する。
これはディープラーニングによるIVFへの第一歩だ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important limitation to the development of Artificial Intelligence
(AI)-based solutions for In Vitro Fertilization (IVF) is the absence of a
public reference benchmark to train and evaluate deep learning (DL) models. In
this work, we describe a fully annotated dataset of 756 videos of developing
embryos, for a total of 337k images. We applied ResNet, LSTM, and ResNet-3D
architectures to our dataset and demonstrate that they overperform algorithmic
approaches to automatically annotate stage development phases. Altogether, we
propose the first public benchmark that will allow the community to evaluate
morphokinetic models. This is the first step towards deep learning-powered IVF.
Of note, we propose highly detailed annotations with 16 different development
phases, including early cell division phases, but also late cell divisions,
phases after morulation, and very early phases, which have never been used
before. We postulate that this original approach will help improve the overall
performance of deep learning approaches on time-lapse videos of embryo
development, ultimately benefiting infertile patients with improved clinical
success rates (Code and data are available at
https://gitlab.univ-nantes.fr/E144069X/bench_mk_pred.git).
- Abstract（参考訳）: In Vitro Fertilization (IVF) のための人工知能(AI)ベースのソリューションの開発に重要な制限は、ディープラーニング(DL)モデルをトレーニングし評価するための公開リファレンスベンチマークがないことである。
そこで本研究では, 胚発生過程の756ビデオの注釈付きデータセットを, 合計337k画像に対して記述する。
resnet, lstm, resnet-3dアーキテクチャをデータセットに適用し, ステージ開発フェーズを自動アノテートするアルゴリズム的アプローチを過大に活用できることを実証した。
また,形態運動モデルの評価をコミュニティが行うことのできる,最初の公開ベンチマークも提案する。
これはディープラーニングによるIVFへの第一歩だ。
ここでは, 初期細胞分裂期だけでなく, 後期細胞分裂期, 減量後の段階, 未使用のごく初期の段階を含む16種類の発達期を含む, 高度に詳細なアノテーションを提案する。
このアプローチは、胚発生のタイムラプスビデオにおけるディープラーニングアプローチの全体的なパフォーマンス向上に役立つと仮定し、最終的に臨床成功率を向上した不妊患者に利益をもたらす(コードとデータはhttps://gitlab.univ-nantes.fr/E144069X/bench_mk_pred.gitで入手できる)。
関連論文リスト
- Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。
本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
論文 参考訳（メタデータ） (2024-11-23T19:10:32Z) - How Good Are We? Evaluating Cell AI Foundation Models in Kidney Pathology with Human-in-the-Loop Enrichment [11.60167559546617]
AI基盤モデルのトレーニングは、現実の医療課題に対処するための、有望な大規模学習アプローチとして登場した。
これらのモデルの多くは、疾患の診断や組織定量化などのタスクのために開発されたが、単一の臓器内の核分割のような最も単純なタスクに展開するための準備が整っていないことは確かである。
本稿では、最近の細胞基盤モデルの性能をキュレートされたデータセット上で徹底的に評価することにより、この重要な疑問である「我々はどのくらい良いのか?」に答えようとしている。
論文 参考訳（メタデータ） (2024-10-31T17:00:33Z) - Multimodal Learning for Embryo Viability Prediction in Clinical IVF [24.257300904706902]
In-Vitro Fertilization (IVF) では、妊娠成功の可能性を高めるために、最も生存可能な胚を同定することが重要である。
伝統的に、このプロセスは胚学者が光顕微鏡を用いて、特定の間隔で胚の静的な形態的特徴を手動で評価することを含む。
この手作業による評価は、専門的な分析を必要とするため、時間集約的でコストがかかるだけでなく、本質的に主観的でもあるため、選択プロセスにおける可変性がもたらされる。
論文 参考訳（メタデータ） (2024-10-21T01:58:26Z) - Rethinking Model Prototyping through the MedMNIST+ Dataset Collection [0.11999555634662634]
本研究は,MedMNIST+データベースに対する評価環境の多様化のためのベンチマークを示す。
我々は、医用画像分類のための共通畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのアーキテクチャを徹底的に分析する。
この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルは,高額なエンドツーエンドトレーニングとリソース強化アプローチのギャップを埋める上で有望であることが示唆された。
論文 参考訳（メタデータ） (2024-04-24T10:19:25Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。
メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。
我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文 参考訳（メタデータ） (2023-02-01T17:32:16Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - 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) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Democratizing Artificial Intelligence in Healthcare: A Study of Model
Development Across Two Institutions Incorporating Transfer Learning [8.043077408518826]
トランスファーラーニング(TL)は、非常に小さなローカルデータセットを使用して、ある機関から完全に訓練されたモデルを他の機関によって微調整することを可能にする。
本稿では,基本的なユースケースを対象としたAIモデル開発におけるTLの課題,方法論,メリットについて述べる。
論文 参考訳（メタデータ） (2020-09-25T21:12:50Z) - Deep Contextual Clinical Prediction with Reverse Distillation [3.6700088931938835]
本稿では,高性能線形モデルを用いて深部モデルの事前学習を行うReverse Distillationという新しい手法を提案する。
我々は、保険請求データセットの長手構造を利用して、逆蒸留(SARD)による自己注意(Self Attention with Reverse Distillation)を開発する。
SARDは、複数の臨床予測結果に対して最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-07-10T21:10:34Z)
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。