論文の概要: Cytoplasmic Strings Analysis in Human Embryo Time-Lapse Videos using Deep Learning Framework

• arxiv url: http://arxiv.org/abs/2512.09461v1
• Date: Wed, 10 Dec 2025 09:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.465393
• Title: Cytoplasmic Strings Analysis in Human Embryo Time-Lapse Videos using Deep Learning Framework
• Title（参考訳）: 深層学習フレームワークを用いたヒト胚タイムラプスビデオの細胞質ストリング解析
• Authors: Anabia Sohail, Mohamad Alansari, Ahmed Abughali, Asmaa Chehab, Abdelfatah Ahmed, Divya Velayudhan, Sajid Javed, Hasan Al Marzouqi, Ameena Saad Al-Sumaiti, Junaid Kashir, Naoufel Werghi,
• Abstract要約: タイムラプスイメージングは、胚の発生を継続的に非侵襲的に監視することを可能にする。 ほとんどの自動評価手法は、従来の形態学的な特徴にのみ依存し、新たなバイオマーカーを見落としている。 我々は,ヒトIVF胚におけるCS解析のための最初の計算フレームワークについて,その知識を最大限に活用する。
• 参考スコア（独自算出の注目度）: 18.395674394244853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Infertility is a major global health issue, and while in-vitro fertilization has improved treatment outcomes, embryo selection remains a critical bottleneck. Time-lapse imaging enables continuous, non-invasive monitoring of embryo development, yet most automated assessment methods rely solely on conventional morphokinetic features and overlook emerging biomarkers. Cytoplasmic Strings, thin filamentous structures connecting the inner cell mass and trophectoderm in expanded blastocysts, have been associated with faster blastocyst formation, higher blastocyst grades, and improved viability. However, CS assessment currently depends on manual visual inspection, which is labor-intensive, subjective, and severely affected by detection and subtle visual appearance. In this work, we present, to the best of our knowledge, the first computational framework for CS analysis in human IVF embryos. We first design a human-in-the-loop annotation pipeline to curate a biologically validated CS dataset from TLI videos, comprising 13,568 frames with highly sparse CS-positive instances. Building on this dataset, we propose a two-stage deep learning framework that (i) classifies CS presence at the frame level and (ii) localizes CS regions in positive cases. To address severe imbalance and feature uncertainty, we introduce the Novel Uncertainty-aware Contractive Embedding (NUCE) loss, which couples confidence-aware reweighting with an embedding contraction term to form compact, well-separated class clusters. NUCE consistently improves F1-score across five transformer backbones, while RF-DETR-based localization achieves state-of-the-art (SOTA) detection performance for thin, low-contrast CS structures. The source code will be made publicly available at: https://github.com/HamadYA/CS_Detection.
• Abstract（参考訳）: 不妊は世界的な健康問題であり、体外受精は治療結果を改善する一方、胚の選抜は依然として重要なボトルネックとなっている。 タイムラプスイメージングは、胚の発生を継続的に非侵襲的に監視することを可能にするが、ほとんどの自動評価手法は、従来の形態的特徴にのみ依存し、新たなバイオマーカーを見落としている。 細胞質のストリング, 内細胞塊とトロフェクトデムを結合する細いフィラメント構造は, より高速なブラストシスト形成, 高いブラストシストグレード, 生存性の向上と関係している。 しかし、CS評価は、現在、労働集約的で主観的で、検出や微妙な視覚的外観に深刻な影響を受ける手動視覚検査に依存している。 本研究は,ヒトIVF胚におけるCS解析のための最初の計算フレームワークである。 我々はまず,生物学的に検証されたCSデータセットをTLIビデオからキュレートするための,ループ内アノテーションパイプラインを設計した。 このデータセットに基づいて、我々は2段階のディープラーニングフレームワークを提案する。 i)フレームレベルでCSの存在を分類し、 (ii)陽性症例ではCS領域を局在させる。 厳密な不均衡と特徴の不確実性に対処するため,信頼性に配慮した再重み付けを組込み縮合項と組み合わせて,コンパクトでよく分離されたクラスクラスタを形成する新規不確実性認識型契約埋め込み(NUCE)の損失を導入する。 NUCEは5つのトランスフォーマーバックボーンのF1スコアを一貫して改善し、RF-DETRベースのローカライゼーションは薄い低コントラストCS構造に対して最先端(SOTA)検出性能を達成する。 ソースコードは、https://github.com/HamadYA/CS_Detectionで公開されます。

関連論文リスト

• Interpretation of Deep Learning Model in Embryo Selection for In Vitro Fertilization (IVF) Treatment [0.0]
  専門家の胚学者は、通常、胚を選別するためにブラストシストの画像をレビューすることで、胚を格付けする。 本研究では、畳み込みニューラルネットワーク(CNN)と長期記憶アーキテクチャ(LSTM)を融合した、胚を分類するための説明可能な人工知能フレームワークを提案する。 本モデルは,XAIによる解釈性を維持しつつ,胚の分類において高い精度を達成する。
  論文  参考訳（メタデータ） (2025-06-07T06:25:22Z)
• Time-Lapse Video-Based Embryo Grading via Complementary Spatial-Temporal Pattern Mining [24.521943129885347]
  本稿では,ビデオベースの胚移植法を提案する。フル長時間ラプスモニタリング(TLM)ビデオを直接利用して胚学者の全体的な品質評価を予測する,最初のパラダイムである。 この課題を支援するために,2500本以上のTLMビデオからなる実世界の臨床データセットを,胚の全体的な品質を示すグレーティングラベルで評価した。 この研究は、AI支援胚選択のための貴重な方法論的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-06-05T12:22:03Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Q-PART: Quasi-Periodic Adaptive Regression with Test-time Training for Pediatric Left Ventricular Ejection Fraction Regression [45.69922532213079]
  適応型左室エジェクション・フラクション(LVEF)の評価の課題に対処する。 我々はtextbfTest-time Training (Q-PART) フレームワークを用いた textbfQuasi-textbfPeriodic textbfAdaptive textbfRegression を提案する。
  論文  参考訳（メタデータ） (2025-03-06T06:24:51Z)
• SQUWA: Signal Quality Aware DNN Architecture for Enhanced Accuracy in Atrial Fibrillation Detection from Noisy PPG Signals [37.788535094404644]
  心房細動(AF)は脳卒中、心臓病、死亡のリスクを著しく増大させる。 光胸腺造影(PPG)信号は、運動人工物や、しばしば起立条件で遭遇する他の要因による腐敗に影響を受けやすい。 本研究では,一部劣化したPSGから正確な予測の維持方法を学習するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-15T01:07:08Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。