論文の概要: Predicting Blastocyst Formation in IVF: Integrating DINOv2 and Attention-Based LSTM on Time-Lapse Embryo Images
- arxiv url: http://arxiv.org/abs/2604.16505v1
- Date: Tue, 14 Apr 2026 17:49:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.036298
- Title: Predicting Blastocyst Formation in IVF: Integrating DINOv2 and Attention-Based LSTM on Time-Lapse Embryo Images
- Title（参考訳）: IVFにおけるブラストシスト形成の予測:DINOv2とアテンションベースLSTMをタイムラプス胚画像上で統合する
- Authors: Zahra Asghari Varzaneh, Niclas Wölner-Hanssen, Reza Khoshkangini, Thomas Ebner, Magnus Johnsson,
- Abstract要約: IVFの鍵となる障害は、利用可能な日数の限られた画像からブラストシストの形成を予測することである。
多くのクリニックには完全なタイムラプスシステムがないため、フルビデオは利用できないことが多い。
本研究では, タイムラプス記録からの日像を限定して, 胚が胚盤胞に発達するかを予測することを目的とした。
- 参考スコア（独自算出の注目度）: 1.948638796030649
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The selection of the optimal embryo for transfer is a critical yet challenging step in in vitro fertilization (IVF), primarily due to its reliance on the manual inspection of extensive time-lapse imaging data. A key obstacle in this process is predicting blastocyst formation from the limited number of daily images available. Many clinics also lack complete time-lapse systems, so full videos are often unavailable. In this study, we aimed to predict which embryos will develop into blastocysts using limited daily images from time-lapse recordings. We propose a novel hybrid model that combines DINOv2, a transformer-based vision model, with an enhanced long short-term memory (LSTM) network featuring a multi-head attention layer. DINOv2 extracts meaningful features from embryo images, and the LSTM model then uses these features to analyze embryo development over time and generate final predictions. We tested our model on a real dataset of 704 embryo videos. The model achieved 96.4% accuracy, surpassing existing methods. It also performs well with missing frames, making it valuable for many IVF laboratories with limited imaging systems. Our approach can assist embryologists in selecting better embryos more efficiently and with greater confidence.
- Abstract（参考訳）: 移植のための最適な胚の選択は、in vitro受精(IVF)における重要なステップであり、主に広範囲のタイムラプス画像データの手動検査に依存しているためである。
このプロセスにおける重要な障害は、利用可能な日数の限られた画像からブラストシストの形成を予測することである。
多くのクリニックには完全なタイムラプスシステムがないため、フルビデオは利用できないことが多い。
本研究では, タイムラプス記録からの日像を限定して, 胚が胚盤胞に発達するかを予測することを目的とした。
本稿では,トランスフォーマーに基づく視覚モデルであるDINOv2と,マルチヘッドアテンション層を備えた拡張長短期メモリ(LSTM)ネットワークを組み合わせたハイブリッドモデルを提案する。
DINOv2は胚画像から有意義な特徴を抽出し、LSTMモデルはこれらの特徴を用いて胚の発生を経時的に分析し、最終的な予測を生成する。
私たちは、704個の胚ビデオの実際のデータセットでモデルをテストしました。
このモデルは96.4%の精度を達成し、既存の手法を上回った。
また、欠落したフレームでもうまく機能し、限られたイメージングシステムを持つ多くのIVF研究所にとって価値がある。
我々のアプローチは、より良い胚をより効率的に、より自信を持って選択する上で、胚学者を支援することができる。
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) - DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。
我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。
次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
論文 参考訳（メタデータ） (2025-01-21T18:56:41Z) - 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) - 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) - Neuromorphic Synergy for Video Binarization [54.195375576583864]
バイモーダルオブジェクトは視覚システムによって容易に認識できる情報を埋め込む視覚形式として機能する。
ニューロモルフィックカメラは、動きのぼかしを緩和する新しい機能を提供するが、最初にブルーを脱色し、画像をリアルタイムでバイナライズするのは簡単ではない。
本稿では,イベント空間と画像空間の両方で独立に推論を行うために,バイモーダル目標特性の事前知識を活用するイベントベースバイナリ再構築手法を提案する。
また、このバイナリ画像を高フレームレートバイナリビデオに伝搬する効率的な統合手法も開発している。
論文 参考訳（メタデータ） (2024-02-20T01:43:51Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳（メタデータ） (2023-01-17T21:41:21Z) - 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) - 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。