Human Blastocyst's Zona Pellucida segmentation via boosting ensemble of complementary learning
Notice bibliographique
Résumé
Characteristics of Zona Pellucida (ZP), particularly its thickness, is a key indicator of human blastocyst (day-5 embryo) quality. Therefore, ZP segmentation is an important step towards achieving automatic embryo quality assessment. In this paper, a novel approach based on boosting ensemble of hybrid complementary learning is proposed to segment Zona Pellucida in human blastocyst images. First, an inner-ZP localization method is proposed to separate the ZP from the heavily textured area inside a blastocyst. Then, a deep Hierarchical Neural Network (HiNN) is proposed to segment ZP area. The hierarchical nature of the proposed network enables learning features with respect to their spatial location in the embryo. Finally, a Self-supervised Image-Specific Refinement (SISR) strategy is proposed as a complementary step to boost the performance. The proposed system is a hybrid approach in the sense that the HiNN learns the intra-correlation among images, while the SISR takes into account the inter-correlation within the query image. Experimental results confirm that the proposed method is capable of identifying ZP area with average Precision, Recall, Accuracy and Jaccard Index of 85.2%, 92.0%, 95.6% and 78.1%, respectively. The proposed HiNN system outperforms state of the art by 4.9% in Precision, 11.2% in Recall, 3.6% in Accuracy and 10.7% in Jaccard Index.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».