[发明专利]一种胚胎时序图像中的胚胎发育阶段分类方法

说明书

本发明涉及一种胚胎时序图像中的胚胎发育阶段分类方法，包括：获取胚胎发育过程的M张时序待测图像并依次输入单输入多输出卷积神经网络，得到每张待测图像输入下包括该张待测图像的相邻m张待测图像一一对应的m个概率序列，mM；基于所有上述m个概率序列，集成得到每张待测图像的m个概率序列并对其融合，得到该张待测图像的概率融合序列；采用满足单调递增约束下的动态规划法，平滑处理由各张待测图像的概率融合序列构成的矩阵，识别每张待测图像对应的发育阶段。本发明采用单输入多输出卷积神经网络，结合集成融合处理，将单输入多输出转换成单输入单输出，最后采用动态规划法得到每张图像所处发育阶段，分类精确度高，计算复杂度低。

技术领域

本发明属于辅助生殖领域，更具体地，涉及一种胚胎时序图像中的胚胎发育阶段分类方法。

背景技术

在辅助生殖领域中，受精卵的培养、选择与移植是决定不孕不育患者能否怀孕的关键步骤之一。在受精卵的培养过程中，通常使用time-lapse技术对受精卵进行定时的监控，每个胚胎都会收集大量的时序图像数据。time-lapse技术通过对胚胎进行短间隔的定时拍照，实时记录胚胎的发育过程，在最终进行受精卵选择的阶段，医生可以方便的一次性浏览完受精卵的发育过程，从而进行受精卵的打分和排序。除此以外，time-lapse技术还可以帮助医生看到传统的定时检查的方式观察不到的动力学特征等，这些特征已经被证明会对最终的移植结局产生影响，因此，time-lapse技术对于辅助医生了解受精卵的培养过程具有重要作用。那么，如何对采用time-lapse技术采集的图像信息进行处理以辅助医生快速准确地掌握胚胎发育过程，有着重要意义。

目前，采用图像分析来对time-lapse图像信息进行学习分析的相关工作较少。其中，有些学者比较了神经网络、支持向量机和最近邻分类器这三种模型分别基于采用time-lapse技术采集的图像信息进行细胞分裂时间检测的性能。有些学者采用了深度卷积神经网络对time-lapse图像中的细胞个数进行了预测。有些学者采用语义分割的方式对time-lapse图像中的细胞区域进行了提取。有些学者结合了卷积神经网络和动态规划的方法对细胞发育的不同阶段进行了预测。但是，由于time-lapse技术本身的限制，立体的细胞在拍摄成图像时，造成不同高度的细胞相互遮盖，在细胞分裂到8个细胞以上时，即便是经验丰富的胚胎学家，光凭借单张time-lapse的图像也很难清楚分辨细胞个数。所以，以上基于time-lapse图像的研究都仅能集中在细胞早期发育阶段，中后期发育阶段的研究精确度相对较低。因此，如何辅助医生基于time-lapse图像快速准确地识别胚胎发育整个周期，是目前亟待解决的技术问题。

发明内容

本发明提供一种胚胎时序图像中的胚胎发育阶段分类方法，用以解决在低计算复杂度下提高胚胎发育整个周期的发育阶段分类精度的技术问题。

本发明解决上述技术问题的技术方案如下：一种胚胎时序图像中的胚胎发育阶段分类方法，包括：

步骤1、获取胚胎发育过程的M张时序待测图像并依次输入单输入多输出卷积神经网络，得到每张待测图像输入下包括该张待测图像的相邻m张待测图像一一对应的m个概率序列，mM且均为正整数；

步骤2、基于所有所述m个概率序列，集成得到每张待测图像的m个概率序列并对其融合，得到该张待测图像的概率融合序列；

步骤3、采用满足单调递增约束下的动态规划法，平滑处理由各张待测图像的概率融合序列构成的矩阵，识别每张待测图像对应的发育阶段。