論文の概要: Blasto-Net: An Explainable Multi-Task Learning for Blastocyst Segmentation, Grading, and Implantation Prediction

• arxiv url: http://arxiv.org/abs/2606.25463v1
• Date: Wed, 24 Jun 2026 06:45:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.249555
• Title: Blasto-Net: An Explainable Multi-Task Learning for Blastocyst Segmentation, Grading, and Implantation Prediction
• Title（参考訳）: Blasto-Net: ブラストシストのセグメンテーション、グレーディング、インプラント予測のための説明可能なマルチタスク学習
• Abstract要約: Blasto-Netは包括的ブラストシスト解析のためのマルチタスクディープラーニングモデルである。 モデルは、1つの前方通過で3つのタスクを同時に実行する: ZP, TE, ICMコンパートメントのセグメンテーション、モルフォロジーグレーディング、インプラント結果予測。
• 参考スコア（独自算出の注目度）: 1.948638796030649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces Blasto-Net, a multi-task deep learning model for comprehensive blastocyst analysis. The proposed model performs three tasks simultaneously in a single forward pass: segmentation of the ZP, TE, and ICM compartments, morphological grading, and implantation outcome prediction. Accurate blastocyst analysis in in vitro fertilization (IVF) is challenging. The compartments often have similar textures but very different structures. To address these challenges, Blasto-Net employs an EfficientNet-B3 encoder with a UNet-style decoder enhanced by the Convolutional Block Attention Module (CBAM) and a novel Edge-Aware Attention Module (EAAM) to effectively capture both semantic and boundary information. To handle distinct compartment topologies, the network employs specialized segmentation heads and a composite region- and boundary-based loss. Additionally, Grad-CAM++ visualizations are used to verify the anatomical consistency of the model's predictions. Evaluated on a public HMC blastocyst dataset, Blasto-Net achieves Dice scores of 94.93%, 91.60%, and 88.82% for ICM, ZP, and TE, respectively, alongside an implantation F1-score of 80.0%. These results demonstrate that Blasto-Net offers an accurate, interpretable, and efficient solution for automated blastocyst assessment, with strong potential to support clinical decision-making in IVF.
• Abstract（参考訳）: 本研究では,包括的ブラストシスト解析のためのマルチタスク深層学習モデルであるBlasto-Netを紹介する。 提案モデルでは,ZP,TE,ICMの区画分割,形態的階調,埋込み結果予測の3つのタスクを1つの前方通過で同時に実行する。 体外受精(IVF)におけるブラストシストの正確な解析は困難である。 コンパートメントはしばしば類似したテクスチャを持つが、非常に異なる構造を持つ。 これらの課題に対処するため、Blasto-Netは、CBAM(Convolutional Block Attention Module)とEAAM(Edge-Aware Attention Module)によって強化されたUNetスタイルのデコーダを備えたEfficientNet-B3エンコーダを使用して、セマンティック情報とバウンダリ情報の両方を効果的にキャプチャする。 コンパートメントトポロジを個別に扱うために、ネットワークは特別なセグメンテーションヘッドと、複合領域と境界に基づく損失を用いる。 さらに、Grad-CAM++視覚化を使用して、モデルの予測の解剖学的一貫性を検証する。 公的HMCブラストシストデータセットに基づいて評価され、ブラストネットはICM、ZP、TEそれぞれ94.93%、91.60%、88.82%のDiceスコアを達成し、F1スコアは80.0%である。 これらの結果から,Blasto-Netは,IVFの臨床的意思決定を支援する可能性が高く,正確な,解釈可能な,効率的な自動ブラストシスト評価ソリューションを提供することが明らかとなった。

関連論文リスト

• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Advanced Tumor Segmentation in PET/CT Imaging: A Training Strategy Study with nnU-Net for AutoPET III [0.0]
  本研究は,AutoPET IIIチャレンジのために開発された全身腫瘍セグメンテーション法を提案する。 我々は、ResNetベースのエンコーダをベースラインとしてnnU-Netフレームワークを採用し、トレーニング戦略の影響を体系的に調査する。 実験の結果,これらの戦略がモデル性能,特に偽陽性の低減と病変の変動性に対する堅牢性の改善に大きく影響していることが示唆された。
  論文  参考訳（メタデータ） (2026-05-04T12:55:12Z)
• Comparative Study of UNet-based Architectures for Liver Tumor Segmentation in Multi-Phase Contrast-Enhanced Computed Tomography [0.0]
  肝腫瘍セグメンテーションのためのUNetアーキテクチャの性能について検討した。 驚くべきことに、モダンアーキテクチャの進歩にもかかわらず、ResNetベースのモデルはTransformerとMambaベースの代替品を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-29T13:46:19Z)
• A Large Convolutional Neural Network for Clinical Target and Multi-organ Segmentation in Gynecologic Brachytherapy with Multi-stage Learning [9.95345958148364]
  本研究では,セグメンテーション性能の向上を目的とした多段階学習フレームワークであるGynBTNetを提案する。 Dice similarity Coefficient (DSC)、95th percentile Hausdorff Distance (HD95)、Average Surface Distance (ASD) を用いた最先端技術の評価を行った。 CTVは0.837+/-0.068、膀胱は0.940+/-0.052、直腸は0.842+/-0.070、子宮は0.871+/-0.047である。
  論文  参考訳（メタデータ） (2025-06-01T16:21:48Z)
• TSUBF-Net: Trans-Spatial UNet-like Network with Bi-direction Fusion for Segmentation of Adenoid Hypertrophy in CT [15.491823587869087]
  アデノイド肥大は小児における閉塞型睡眠時無呼吸症候群の一般的な原因である。 3次元医用画像分割フレームワークであるTSUBF-Netを紹介する。 TSUBF-NetはHD95:7.03、IoU:85.63、DSC:92.26という最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-12-01T12:21:23Z)
• Multimodal 3D Brain Tumor Segmentation with Adversarial Training and Conditional Random Field [44.027635932094064]
  正確なセグメンテーションのためのマルチモーダル3次元ボリューム生成適応ネットワーク(3D-vGAN)を提案する。 このモデルは、Pseudo-3DをV-netの改良に利用し、生成後の条件付きランダムフィールドを追加し、元のイメージを補助的なガイダンスとして利用する。 BraTS-2018データセットによる結果は、3D-vGANがU-net、Gan、FCN、および3D V-netなどの古典的セグメンテーションモデルより優れており、99.8%以上に達したことを示している。
  論文  参考訳（メタデータ） (2024-11-21T18:52:02Z)
• CAFCT-Net: A CNN-Transformer Hybrid Network with Contextual and Attentional Feature Fusion for Liver Tumor Segmentation [3.8952128960495638]
  肝腫瘍分節化のためのコンテクスト・アテンショナル機能FusionsEnhanced Convolutional Network (CNN) と Transformer Hybrid Network (CAFCT-Net) を提案する。 実験の結果,提案モデルの平均断面積は76.54%,Dice係数は84.29%であった。
  論文  参考訳（メタデータ） (2024-01-30T10:42:11Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• 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)
• Brain tumour segmentation using cascaded 3D densely-connected U-net [10.667165962654996]
  本稿では,脳腫瘍をサブリージョンに分割する深層学習手法を提案する。 提案アーキテクチャは,U-Netアーキテクチャの変種に基づく3次元畳み込みニューラルネットワークである。 BraTS20バリデーションデータセットの実験結果から, 提案したモデルでは, 全腫瘍, 腫瘍コア, 造影腫瘍の平均Diceスコアが0.90, 0.82, 0.78に達した。
  論文  参考訳（メタデータ） (2020-09-16T09:14:59Z)

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。