Fugu-MT 論文翻訳(概要): Development and validation of deep learning based embryo selection across multiple days of transfer

論文の概要: Development and validation of deep learning based embryo selection across multiple days of transfer

arxiv url: http://arxiv.org/abs/2210.02120v1
Date: Wed, 5 Oct 2022 09:44:13 GMT
ステータス: 処理完了
システム内更新日: 2022-10-06 15:28:44.596039
Title: Development and validation of deep learning based embryo selection across multiple days of transfer
Title（参考訳）: 複数日間の胚移植における深層学習型胚選択法の開発と検証
Authors: Jacob Theilgaard Lassen, Mikkel Fly Kragh, Jens Rimestad, Martin Nyg{\aa}rd Johansen, J{\o}rgen Berntsen
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This work describes the development and validation of a fully automated deep learning model, iDAScore v2.0, for the evaluation of embryos incubated for 2, 3, and 5 or more days. The model is trained and evaluated on an extensive and diverse dataset including 181,428 embryos from 22 IVF clinics across the world. For discriminating transferred embryos with known outcome (KID), we show AUCs ranging from 0.621 to 0.708 depending on the day of transfer. Predictive performance increased over time and showed a strong correlation with morphokinetic parameters. The model has equivalent performance to KIDScore D3 on day 3 embryos while significantly surpassing the performance of KIDScore D5 v3 on day 5+ embryos. This model provides an analysis of time-lapse sequences without the need for user input, and provides a reliable method for ranking embryos for likelihood to implant, at both cleavage and blastocyst stages. This greatly improves embryo grading consistency and saves time compared to traditional embryo evaluation methods.
Abstract（参考訳）: 本研究は, 完全に自動化されたディープラーニングモデルidascore v2.0の開発と検証を行い, 2, 3, 5日以上の潜伏胚の評価を行った。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。予測性能は時間とともに向上し,形態運動パラメータと強い相関を示した。このモデルは3日目の胚ではKIDScore D3と同等の性能を有し、第5日目の胚ではKIDScore D5 v3をはるかに上回っている。このモデルは、ユーザ入力を必要とせずに、タイムラプスシーケンスの解析を提供し、胚を移植する確率を、開裂期と胚盤胞期の両方で評価するための信頼性の高い方法を提供する。これにより、胚のグレーディングの一貫性が大幅に向上し、従来の胚評価方法に比べて時間が短縮される。

関連論文リスト

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)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
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)
Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文参考訳（メタデータ） (2021-02-18T21:14:52Z)
Human Blastocyst Classification after In Vitro Fertilization Using Deep Learning [0.0]
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。
論文参考訳（メタデータ） (2020-08-28T04:40:55Z)
Automated Measurements of Key Morphological Features of Human Embryos for IVF [22.121065811969473]
タイムラプス顕微鏡は、胚を選択するための豊富な情報を提供する。ここでは,5つの畳み込みニューラルネットワーク(CNN)の機械学習パイプラインを用いて,ヒト胚の時間分解顕微鏡の特徴抽出を自動化する。我々のアプローチは、胚の選別に役立つ量的、生物学的に関連のある特徴の測定を大幅に高速化する。
論文参考訳（メタデータ） (2020-05-29T20:27:17Z)
Deep learning mediated single time-point image-based prediction of embryo developmental outcome at the cleavage stage [1.6753684438635652]
クリーベージ段階の移行は、予後不良の患者や、資源制限された環境での妊娠センターにおいて有益である。タイムラプスイメージングシステムは可能な解決策として提案されているが、コストが抑えられ、かさばる高価なハードウェアを必要とする。本稿では, 遺伝的アルゴリズムと併用した訓練CNNを用いて, 切断段階におけるヒト胚の分類と選択の自動化システムについて報告する。
論文参考訳（メタデータ） (2020-05-21T21:21:15Z)

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。