Automated Morphological Grading of Human Blastocysts From Multi-Focus Images
Notice bibliographique
Résumé
This paper reports, for the first time, automated grading of human blastocysts (day-5 embryos) from multi-focus images. Based on a novel attention module, a convolutional neural network (CNN) was developed to predict the morphological grade of a blastocyst. The attention module integrates high-level features extracted from the blastocyst’s multi-focus images. Experimental results revealed that multi-focus blastocyst images help improve the grading accuracies than a single blastocyst image. Comparisons of the accuracy achieved by the model and the average accuracy of five embryologists demonstrated that the proposed model can outperform embryologists in the morphological grading of blastocysts (88% versus 86% for development stage prediction, 83% versus 79% for inner cell mass grade prediction, 89% versus 82% for trophectoderm grade prediction).Note to Practitioners—This work was motivated by the subjectivity and significant intra-and inter-evaluator variations in manual morphological grading of blastocysts. Existing approaches to automate the grading process mainly use a single blastocyst image although multi-focus images captured at different focal planes reveal more morphological features of a blastocyst than a single blastocyst image. This paper describes a new CNN-based method using multi-focus images to improve the grading accuracy. The accuracy of the proposed method was verified on multi-focus images of human blastocysts captured by a standard time-lapse incubator at fixed focal depths ($-$45$\mu$m,$-$30$\mu$m,$-$15$\mu$m, 0$\mu$m, 15$\mu$m, 30$\mu$m, 45$\mu$m).
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».