Detekce událostí z časosběrného videa embryonálního vývoje
Cellular event detection from time-lapse video of embryonal development
Typ dokumentu
diplomová prácemaster thesis
Autor
David Rapant
Vedoucí práce
Kybic Jan
Oponent práce
Friedjungová Magda
Studijní obor
Znalostní inženýrstvíStudijní program
InformatikaInstituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Úspěšnost oplodnění metodou in vitro (IVF) výrazně závisí na výběru embryí snejvyšším vývojovým potenciálem. Systémy pro time-lapse snímání umožňují kontinuální sledování vývoje embryí, avšak ruční anotace klíčových vývojových událostí je časově náročná a náchylná kmezilidské variabilitě. Tato práce představuje přístup založený na hlubokém učení pro automatickou klasifikaci vývojových stádií embryí zčasosběrných videí. Nejprve je pro každý snímek automaticky detekována oblast zájmu (ROI) obsahující embryo. Následně konvoluční neuronová síť přiřadí jednotlivým snímkům jedno ze šestnácti biologicky definovaných stádií. Pro zajištění časové konzistence a biologické věrohodnosti predikcí je na úroveň posloupnosti aplikována metoda pro dekódování sledovaných fází. Dále zkoumáme, zda použití více fokálních rovin vede ke zvýšení přesnosti modelu. Experimentální výsledky ukazují, že jak sekvenční zpracování, tak multi-fokální vstupy přispívají ke zlepšení výkonu klasifikace, a naznačují možnosti praktického využití těchto metod v IVF klinické praxi. The success of in vitro fertilization (IVF) critically depends on selecting embryos with the highest developmental potential. While time-lapse imaging systems provide continuous monitoring of embryo development, manual annotation of key developmental events remains time-consuming and subject to inter-observer variability. This thesis presents a deep learning-based approach for automated classification of embryo developmental stages from time-lapse videos. First, a region-of-interest (ROI) extraction method is used to isolate the embryo in each frame. A convolutional neural network then assigns one of sixteen biologically defined stages to each frame. To improve temporal consistency and biological plausibility, a sequence decoding method is applied to smooth the predicted stage sequence. Furthermore, we explore whether using multi-focal-plane image inputs enhances model performance. Experimental results show that both temporal decoding and multi-plane inputs improve prediction accuracy, supporting the potential integration of such models into real-world IVF workflows.
Kolekce
- Diplomové práce - 18105 [235]