[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

说明书

本发明公开了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，该系统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。本发明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利用时域、空域模型分开识别视频的时序及形态信息，再将其整合，使得预测的准确率显著提高。

技术领域

本发明涉及人工智能学习分析医学图像的技术领域，具体涉及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。

背景技术

目前，临床中广泛采用的胚胎评估筛选标准仍是传统的形态学方法，即胚胎学家在胚胎受精后的几个固定时间点对胚胎的形态及发育阶段进行评估，以确定它们的发育能力。然而，形态学评估受胚胎学家的主观性影响较大。更重要的是，胚胎发育是一个动态变化的过程，间断时间点的观察不能获取全面的胚胎发育信息，从而遗漏胚胎发育过程中的关键事件。近年来，延时摄像系统(Time-lapse system，TLS)为监测和评估胚胎提供了新方法，它在培养箱中每5-20分钟拍摄一张胚胎图片，整合为动态视频，从而能够在不干扰胚胎培养环境的条件下完整、详细地记录胚胎发育的全过程。

尽管TLS有助于提高胚胎筛选与移植的成功率，由TLS获得的海量数据也为研究者带来了巨大难题。基于TLS记录的胚胎发育信息，人们提取并分析了多种形态学、形态动力学以及分裂方式与胚胎发育潜能的关系，建立了多种胚胎筛选算法(Embryo-selectionalgorithms，ESAs)。然而，这些ESAs的有效性和适用性存在很大的争议。EevaTM系统是第一个为预测囊胚形成而开发的自动化的ESAs。与单纯的D3(第3天)形态学相比，联合EevaTM能够改善胚胎筛选。但是，EevaTM系统对早期胚胎自动标注的准确性还有待提高：当与相同胚胎视频的手动标注进行比较时，EevaTM并未显示出预测囊胚和胚胎筛选的优势。另有一项研究检验了6种已发表ESAs的有效性，发现它们对建模以外的数据没有诊断价值，表明现有的ESAs可能不适用于临床。显然，如何利用TLS获取的大量信息来开发一种能准确预测胚胎能否成囊形成是很有必要的。

发明内容

本发明的目的在于克服上述背景技术的不足，提供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，该系统提取胚胎发育的时序信息及形态信息，将两种信息融合互补，使预测结果更精确。

为实现上述目的，本发明所设计的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，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。