論文の概要: Generating Synthetic Human Blastocyst Images for In-Vitro Fertilization Blastocyst Grading

• arxiv url: http://arxiv.org/abs/2511.18204v1
• Date: Sat, 22 Nov 2025 22:27:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.690953
• Title: Generating Synthetic Human Blastocyst Images for In-Vitro Fertilization Blastocyst Grading
• Title（参考訳）: In-Vitro Fertilization Blastocyst Gradingのための合成ヒトブラストシスト画像の作成
• Authors: Pavan Narahari, Suraj Rajendran, Lorena Bori, Jonas E. Malmsten, Qiansheng Zhan, Zev Rosenwaks, Nikica Zaninovic, Iman Hajirasouliha,
• Abstract要約: 多くのクリニックでのin vitro受精(IVF)の成功は、5日目のブラストシストの正確な形態学的評価に依存している。 高忠実な新しい5日目ブラストシスト画像を生成するために訓練された潜伏拡散モデルであるDiffusion Based Imaging Model for Artificial Blastocysts frameworkを提案する。 以上の結果から、DIAモデルでは、胚学者が実際の画像と確実に区別できないようなリアルな画像が生成されることが示唆された。
• 参考スコア（独自算出の注目度）: 0.08994003055762607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The success of in vitro fertilization (IVF) at many clinics relies on the accurate morphological assessment of day 5 blastocysts, a process that is often subjective and inconsistent. While artificial intelligence can help standardize this evaluation, models require large, diverse, and balanced datasets, which are often unavailable due to data scarcity, natural class imbalance, and privacy constraints. Existing generative embryo models can mitigate these issues but face several limitations, such as poor image quality, small training datasets, non-robust evaluation, and lack of clinically relevant image generation for effective data augmentation. Here, we present the Diffusion Based Imaging Model for Artificial Blastocysts (DIA) framework, a set of latent diffusion models trained to generate high-fidelity, novel day 5 blastocyst images. Our models provide granular control by conditioning on Gardner-based morphological categories and z-axis focal depth. We rigorously evaluated the models using FID, a memorization metric, an embryologist Turing test, and three downstream classification tasks. Our results show that DIA models generate realistic images that embryologists could not reliably distinguish from real images. Most importantly, we demonstrated clear clinical value. Augmenting an imbalanced dataset with synthetic images significantly improved classification accuracy (p < 0.05). Also, adding synthetic images to an already large, balanced dataset yielded statistically significant performance gains, and synthetic data could replace up to 40% of real data in some cases without a statistically significant loss in accuracy. DIA provides a robust solution for mitigating data scarcity and class imbalance in embryo datasets. By generating novel, high-fidelity, and controllable synthetic images, our models can improve the performance, fairness, and standardization of AI embryo assessment tools.
• Abstract（参考訳）: 多くのクリニックでの体外受精(IVF)の成功は、しばしば主観的で矛盾するプロセスである5日目のブラストシストの正確な形態学的評価に依存している。 人工知能はこの評価の標準化に役立つが、モデルは大規模で多様でバランスの取れたデータセットを必要とする。 既存の生成胚モデルではこれらの問題を緩和できるが、画像品質の低下、訓練データセットの小型化、非ロバスト評価、効果的なデータ拡張のための臨床関連画像生成の欠如など、いくつかの制限に直面している。 本稿では,高忠実度,新しい5日目ブラストシスト画像を生成するために訓練された潜伏拡散モデルであるDiffusion Based Imaging Model for Artificial Blastocysts (DIA)フレームワークを提案する。 我々のモデルはガードナー型形態分類とz軸焦点深度を条件付けして粒度制御を行う。 FID, 記憶量, 胚学者チューリング試験, 下流分類の3つの課題を用いて, モデルの厳密な評価を行った。 以上の結果から、DIAモデルでは、胚学者が実際の画像と確実に区別できないようなリアルな画像が生成されることが示唆された。 より重要なことは、明確な臨床的価値を示しました。 不均衡なデータセットを合成画像で増強すると、分類精度が大幅に向上した(p < 0.05)。 また、すでに大きなバランスの取れたデータセットに合成画像を追加すると、統計的に有意なパフォーマンス向上が得られ、場合によっては、統計的に有意な精度を失うことなく、実際のデータの40%を合成データが置き換えることができた。 DIAは、胚データセットにおけるデータの不足とクラス不均衡を緩和するための堅牢なソリューションを提供する。 新規で高忠実で制御可能な合成画像を生成することで、我々のモデルはAI胚評価ツールの性能、公正性、標準化を改善することができる。

関連論文リスト

• SkinDualGen: Prompt-Driven Diffusion for Simultaneous Image-Mask Generation in Skin Lesions [0.0]
  本稿では, トレーニング済み安定拡散2.0モデルを用いて, 高品質な合成皮膚病変画像を生成する手法を提案する。 実データと合成データを組み合わせたハイブリッドデータセットは、分類とセグメンテーションモデルの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-07-26T15:00:37Z)
• CytoDiff: AI-Driven Cytomorphology Image Synthesis for Medical Diagnostics [0.9350583142732543]
  我々は,LoRA重みを微調整した安定拡散モデルであるCytoDiffを紹介した。 小さな非バランスな実データセットを使用することで、クラス毎に5,000の合成画像が追加され、ResNet分類器の精度は27%から78%(+51%)に向上した。 同様に、CLIPに基づく分類精度は62%から77%(+15%)に向上した。
  論文  参考訳（メタデータ） (2025-07-07T14:49:05Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Knowledge-based in silico models and dataset for the comparative evaluation of mammography AI for a range of breast characteristics, lesion conspicuities and doses [2.9362519537872647]
  M-SYNTH(M-SYNTH)は乳腺線維腺の密度分布の異なるコホートのデータセットである。 その結果,乳房密度の増加とともにモデル性能が低下し,体重密度が増大することがわかった。 曝露レベルが低下すると、AIモデルの性能は、乳房型に推奨される推奨投与量よりも低い被曝レベルで達成された最高性能で低下する。
  論文  参考訳（メタデータ） (2023-10-27T21:14:30Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-25T00:20:37Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。