[发明专利]基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统

权利要求书

1.一种基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：包括单多细胞识别模块、原核识别模块、原核消失识别模块、五分类细胞识别模块、时域预测模块、空域预测模块、以及时空域结合预测模块；

所述单多细胞识别模块用于识别延时摄像系统视频中的单细胞和多细胞；

所述原核识别模块用于识别延时摄像系统视频中单细胞图像中的原核并输出序列；

所述原核消失识别模块用于定位原核识别模块的输出序列中的原核存在的最后一帧图像，确定原核消失的帧数；

所述五分类细胞识别模块用于对细胞发育阶段的自动分类，从而通过分析胚胎视频中处于不同细胞时期的帧数及其变化来获取发育时序信息；

所述时域预测模块用于学习五分类细胞识别模块输出的细胞分类标签，获取视频中细胞发育不同阶段的变化信息，判断该胚胎是否有发育成囊的潜能；

所述空域预测模块用于利用深度学习算法识别延时摄像系统视频中的胚胎形态信息，判断胚胎是否有发育成囊的潜能；

所述时空域结合预测模块用于通过对时域预测模块和空域预测模块输出的预测成囊概率进行加权平均，整合时序和形态信息预测胚胎是否成囊。

2.根据权利要求1所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述单多细胞识别模块利用DenseNet201网络构建的二分类模块，其中一类表示单细胞，一类表示多细胞，从而识别延时摄像系统视频中的单细胞和多细胞。

3.根据权利要求2所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述原核识别模块利用DenseNet121网络识别延时摄像系统视频中单细胞图像中的原核，该模块为二分类模块，一类表示原核存在，模块输出序列为1；一类表示原核消失，模块输出序列为0；延时摄像系统视频经过原核识别模块后输出一串包含1和0的序列。

4.根据权利要求3所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述原核消失识别模块根据计算机通过定位原核识别模块输出序列中的最后一个1所在的帧数来确定每一例延时摄像系统视频的原核消失的帧数。

5.根据权利要求4所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述原核消失识别模块还通过对原核识别模块的输出序列进行纠正，设定与左右序列不同的序列为无序序列，与左右值相同的序列为有序序列，从而去除输出序列中的乱序。

6.根据权利要求1～5任一项所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述五分类细胞识别模块的五分类分别对应胚胎发育为1细胞、2细胞、3细胞、4细胞以及≥5细胞的五个阶段。

7.根据权利要求6所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述五分类细胞识别模块通过DenseNet201网络与Focal Loss损失函数结合以进行视频帧数的五分类。

8.根据权利要求1～5任一项所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述时域预测模块利用长短期记忆网络有序地学习五分类细胞识别模块输出的细胞分类标签，通过五分类细胞模块与LSTM网络结合后，可获取视频中细胞发育不同阶段的变化信息，判断该胚胎是否有发育成囊的潜能。

9.根据权利要求1～5任一项所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述空域预测模块利用DenseNet201网络提取每帧图像的1000维高维空间特征，再依序输入至Gradient Boosting分类器中，获取视频中图像的胚胎形态信息，判断胚胎是否有发育成囊的潜能。

10.根据权利要求1～5任一项所述的基于延时摄像系统与深度学习算法预测胚胎能否成囊的系统，其特征在于：所述时空域结合预测模块将时域预测模块和空域预测模块结合的多阶段网络模块，通过对时域和空域模块输出的预测成囊概率进行加权平均，整合时序和形态信息预测胚胎是否成囊。