.png){kind=icon}
返回
Time-Lapse Video-Based Embryo Grading via Complementary Spatial-Temporal Pattern Mining
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05169-1_57.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能在体外受精（IVF）的胚胎自动化选择方面显示出前景。然而，当前方法要么仅解决部分胚胎评估而缺乏整体质量评估，要么针对临床结果，不可避免地受到胚胎外因素的干扰，两者都限制了临床应用。为弥补这一差距，我们提出了一项新任务，即基于视频的胚胎分级，这是首个直接利用全时长时间 lapse 监测（TLM）视频来预测胚胎学家整体质量评估的范式。为支持此任务，我们整理了一个真实临床数据集，包含超过2,500个TLM视频，每个视频都标注有分级标签，表示胚胎的整体质量。基于临床决策原则，我们提出了一个互补的空间-时间模式挖掘（CoSTeM）框架，该框架概念上复制了胚胎学家的评估过程。CoSTeM包含两个分支：（1）形态学分支，使用交叉注意力专家混合层和时序选择块来选择区分性的局部结构特征；（2）形态动力学分支，采用时序Transformer来建模全局发育轨迹，协同整合静态和动态因素以进行胚胎分级。大量实验结果证明了我们设计的优越性。这项工作为AI辅助胚胎选择提供了有价值的方法框架。源代码可在https://github.com/RIL-Lab/CoSTeM获取。
Keyword:
Time-lapse Video
In-Vitro Fertilization
Deep Learning
期刊
机构
引用论文
Deep learning enables robust assessment and selection of human blastocysts after in vitro fertilization.png)
NPJ DIGITAL MEDICINE
OAAI
NPJ DIGITAL MEDICINEIF15.1
OAAI分享收藏Infertility around the globe: new thinking on gender, reproductive technologies and global movements in the 21st century全球不孕症: 关于性别，生殖技术和21世纪全球运动的新思维OAAI
OAAI分享收藏
查看更多内容