Fugu-MT 論文翻訳(概要): EMBRACE: A Multi-task Framework for Comprehensive Quality Assessment in Cleavage-stage Embryo

論文の概要: EMBRACE: A Multi-task Framework for Comprehensive Quality Assessment in Cleavage-stage Embryo

arxiv url: http://arxiv.org/abs/2607.10093v1
Date: Sat, 11 Jul 2026 03:19:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 15:40:48.300145
Title: EMBRACE: A Multi-task Framework for Comprehensive Quality Assessment in Cleavage-stage Embryo
Title（参考訳）: EMBRACE:クリーベージステージ胚の品質評価のためのマルチタスクフレームワーク
Abstract要約: 本研究は, 細胞質・フラグメンテーション・セグメンテーション, t2/t4発達段階分類, ブラストメア対称性グレーディングを併用したマルチタスク深層学習フレームワークEMBRACEを提案する。 EMBRACEは共有のResNet-50バックボーン、結合ベースのマルチスケール機能融合(C-MSFF)モジュール、U-Netスタイルのセグメンテーションデコーダ、2つのタスク固有の分類ヘッドを組み合わせた。
参考スコア（独自算出の注目度）: 0.04264262100694008
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cleavage-stage embryo assessment in in vitro fertilization requires the integrated interpretation of cytoplasmic fragmentation, developmental stage, and blastomere symmetry. However, conventional visual assessment is affected by observer variability, particularly when fragmented regions are small, irregular, or low contrast. This study presents EMBRACE, a multi-task deep learning framework for jointly performing cytoplasmic-fragmentation segmentation, t2/t4 developmental-stage classification, and blastomere-symmetry grading from static cleavage-stage embryo microscopy images. EMBRACE combines a shared ResNet-50 backbone, a concatenation-based multi-scale feature-fusion (C-MSFF) module, a U-Net-style segmentation decoder, and two task-specific classification heads. After predefined inclusion and exclusion criteria, 9,137 annotated embryo images were divided into 7,309 training, 914 validation, and 914 held-out test images. On the held-out test set, EMBRACE achieved a Dice coefficient of 0.781 and an intersection over union of 0.677 for fragmentation segmentation. Developmental-stage classification achieved an accuracy of 0.995, macro-F1 of 0.994, and AUC of 1.000. Blastomere-symmetry grading achieved a balanced accuracy of 0.901, macro-F1 of 0.907, and quadratic weighted kappa of 0.859. These findings support the feasibility of combining spatially inspectable fragmentation localization with embryo-level morphology assessment in a single framework. External and prospective validation is required before clinical deployment.
Abstract（参考訳）: 体外受精におけるクリーベージステージ胚の評価には、細胞質の断片化、発生段階、胚胞対称性の統合的な解釈が必要である。しかし、従来の視覚的評価は、特に断片化された領域が小さく、不規則で、低コントラストである場合、観察者の変動によって影響を受ける。本研究は,細胞質フラグメンテーションセグメンテーション,t2/t4発達段階分類,および静的開裂期胚顕微鏡画像からの破孔対称性評価を行うマルチタスク深層学習フレームワークEMBRACEを提案する。 EMBRACEは共有のResNet-50バックボーン、結合ベースのマルチスケール機能融合(C-MSFF)モジュール、U-Netスタイルのセグメンテーションデコーダ、2つのタスク固有の分類ヘッドを組み合わせた。 9,137個のアノテートされた胚画像は, 既定包含条件と排卵基準の後に7,309個のトレーニング, 914個のバリデーション, 914個のホールドアウトテスト画像に分類した。ホールドアウトテストセットでは、EMBRACE は Dice 係数 0.781 と、フラグメンテーションセグメンテーションの結合 0.677 を達成している。開発段階の分類は0.995の精度、0.994のマクロF1の精度、そしてAUCの1.000の精度を達成した。 Blastomere-symmetric grading a balanced accuracy of 0.901, macro-F1 of 0.907, quadratic weighted kappa of 0.859。これらの知見は,空間検査可能な断片化局在と胚レベルでの形態評価を一つの枠組みで組み合わせることの可能性を支持する。臨床展開の前には、外部および将来的な検証が必要である。

関連論文リスト

A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文参考訳（メタデータ） (2026-08-17T08:11:25Z)
MagViT: Interpretable Multi-Magnification Transformers with Patient-Level Model Selection for Breast Histopathology [0.0]
MagViTは、スケールゲート融合と患者レベルのモデル選択を備えた、解釈可能な多機能トランスフォーマーフレームワークである。 BreakHisでは, 平均画像精度0.9191, 平均患者精度0.9643, 平均マクロF1.9042を実現している。
論文参考訳（メタデータ） (2026-08-16T18:20:40Z)
Complementary Roles of Image Classification and Vessel Segmentation in AI-Based Screening for Retinopathy of Prematurity Plus Disease in a Kenyan Preterm Cohort [0.0]
未熟児網膜症(ROP)は小児期失明の予防可能な原因である。網膜血管拡張とトルトゥシティーを特徴とするプラス疾患は治療を誘発するが、主観的かつ変動的である。自動スクリーニングは専門家の範囲を広げる可能性があるが、アフリカ人の証拠は限られている。
論文参考訳（メタデータ） (2026-07-07T04:40:16Z)
A Leakage-Aware Comparative Benchmark of Machine Learning, Deep Learning, and Transformer Models for Reliable Leukemia Detection [0.0]
末梢血スミア画像からの急性リンパ性白血病(ALL)の自動分類は、C-NMC 2019データセットでほぼ完璧なパフォーマンスを報告されている。画像レベルのランダムなパーティショニングによる患者レベルのデータ漏洩によって,そのような結果を膨らませることができることを示す。我々は厳密な主観的解離プロトコルの下で漏洩認識ベンチマークを構築した。
論文参考訳（メタデータ） (2026-06-23T04:53:49Z)
Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment [0.0]
SAM(Segment Anything Model)のような基盤セグメンテーションモデルは、自然画像全体にわたって強力な一般化を実証している。腹部CTにおける脾分画に対するSAMの系統的スライスレベルロバストネス検査を,41巻の非空切片1,051を用いて行った。
論文参考訳（メタデータ） (2026-04-28T14:16:20Z)
Robust Atypical Mitosis Classification with DenseNet121: Stain-Aware Augmentation and Hybrid Loss for Domain Generalization [16.048949963804123]
筆者らはMIDOG 2025 (Track 2) 設定における非定型有糸分裂分類に適した DenseNet-121 ベースのフレームワークを提案する。本手法は, クラス重み付き二元交叉エントロピーと焦点損失を併用したハイブリッド目的を用いて, ステンドアウェア拡張(マッケンコ), 幾何および強度変換, および重み付きサンプリングによる不均衡認識学習を統合する。 AdamWでエンドツーエンドにトレーニングされ、複数の独立したドメインで評価され、スキャナと染色シフトの下で強力な一般化が示され、バランスの取れた精度85.0%、AUROC 0.927、感度89.2%、そして公式テストセットの80.9%が達成された。
論文参考訳（メタデータ） (2025-10-26T11:24:55Z)
TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文参考訳（メタデータ） (2024-05-16T03:23:57Z)
CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文参考訳（メタデータ） (2024-01-29T12:56:11Z)
Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文参考訳（メタデータ） (2022-10-13T15:34:20Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。