Human Blastocyst's Zona Pellucida segmentation via boosting ensemble of complementary learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle