論文の概要: From Division to Decision: Leveraging Temporal Cell-Stage Segmentation for Embryo Transferability Prediction

• arxiv url: http://arxiv.org/abs/2605.18923v1
• Date: Mon, 18 May 2026 11:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.883137
• Title: From Division to Decision: Leveraging Temporal Cell-Stage Segmentation for Embryo Transferability Prediction
• Title（参考訳）: 分節から決定へ:胚移植性予測のための経時的細胞ステージセグメンテーションの活用
• Authors: Yasmine Hachani, Patrick Bouthemy, Elisa Fromont, Véronique Duranthon, Ludivine Laffont, Alline de Paula Reis,
• Abstract要約: タイムラプスビデオ顕微鏡は、初期発生に関する詳細な情報を提供するが、複雑な動きパターンと時間を要する分析のために利用することは困難である。 初期発生段階と胚移植能をモデル化するためのトランスフォーマーベースのフレームワークであるTransFACTを提案する。 実験により,TransFACTは,行動認識のための既存の手法を活用することで,胚移植性を予測する上で,競合製品よりも優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 4.187020317965648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate selection of bovine embryos is a challenging task, as current practice relies on a single expert assessment on the seventh day after insemination, resulting in high rates of pregnancy loss. Time-lapse videomicroscopy provides detailed information on early development, but is difficult to exploit because of complex motion patterns and time-consuming analysis. We propose TransFACT, a transformer-based framework for modeling early developmental stages and embryo transferability using 2D time-lapse videos from the first four days of development. TransFACT combines frame-level temporal features with stage-level representations, using developmental stages as auxiliary supervision to predict transferability on day four. Our experiments demonstrate that TransFACT, by leveraging an existing method designed for action recognition, achieves superior performance than its competitor in predicting embryo transferability.
• Abstract（参考訳）: 牛の胚の正確な選抜は難しい課題であり、現在の慣行は妊娠後7日目に1回の専門家による評価に依存しており、妊娠の減少率が高い。 タイムラプスビデオ顕微鏡は、初期発生に関する詳細な情報を提供するが、複雑な動きパターンと時間を要する分析のために利用することは困難である。 初期発生段階と胚移植能をモデル化するためのトランスファクト(TransFACT)を提案する。 TransFACTは、フレームレベルの時間的特徴とステージレベルの表現を組み合わせ、発達段階を4日目の転送可能性を予測する補助的な監視として利用する。 実験により,TransFACTは,行動認識のための既存の手法を活用することで,胚移植性を予測する上で,競合製品よりも優れた性能を発揮することが示された。

関連論文リスト

• TransVLM: A Vision-Language Framework and Benchmark for Detecting Any Shot Transitions [52.61846373082384]
  ショットトランジション検出(STD)は本質的に複雑なトランジションに苦しむ。 本稿では,STDのためのビジョン言語モデル(VLM)フレームワークであるTransVLMを提案する。 広範囲な実験により、TransVLMは全体的な性能が優れていることが示された。
  論文  参考訳（メタデータ） (2026-04-30T15:05:06Z)
• Predicting Blastocyst Formation in IVF: Integrating DINOv2 and Attention-Based LSTM on Time-Lapse Embryo Images [1.948638796030649]
  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。
  論文  参考訳（メタデータ） (2026-04-14T17:49:56Z)
• 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-o1: Time-Series Forecasting Needs Transformed Label Alignment [50.54348432664401]
  Time-o1は、時系列予測に適した変換強化学習目標である。 中心となる考え方は、ラベルシーケンスを区別された意味を持つ非相関なコンポーネントに変換することである。 Time-o1は最先端のパフォーマンスを実現し、様々な予測モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-05-23T13:00:35Z)
• Early prediction of the transferability of bovine embryos from videomicroscopy [3.4030535409936147]
  2Dタイムラプス顕微鏡映像を入力として4日以内に胚移植性を予測することを目的としている。 本稿では3つの経路を含む3次元畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2025-01-14T08:56:59Z)
• 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)
• LoViT: Long Video Transformer for Surgical Phase Recognition [59.06812739441785]
  短時間・長期の時間情報を融合する2段階のLong Video Transformer(LoViT)を提案する。 このアプローチは、Colec80とAutoLaparoデータセットの最先端メソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-15T20:06:14Z)
• 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)
• Trans-SVNet: Accurate Phase Recognition from Surgical Videos via Hybrid Embedding Aggregation Transformer [57.18185972461453]
  本稿では,手術ワークフロー解析トランスフォーマーを初めて導入し,正確な位相認識のための時間的特徴と時間的特徴の無視された補完効果を再考する。 我々のフレームワークは軽量であり、高い推論速度を達成するためにハイブリッド埋め込みを並列に処理します。
  論文  参考訳（メタデータ） (2021-03-17T15:12:55Z)
• Learning Motion Flows for Semi-supervised Instrument Segmentation from Robotic Surgical Video [64.44583693846751]
  本研究は,スパースアノテーションを用いたロボット手術ビデオから半教師楽器のセグメンテーションについて検討する。 生成されたデータペアを利用することで、我々のフレームワークはトレーニングシーケンスの時間的一貫性を回復し、強化することができます。 その結果,本手法は最先端の半教師あり手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-06T02:39:32Z)
• 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)

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。