CN110443282B - 一种胚胎时序图像中的胚胎发育阶段分类方法 - Google Patents
一种胚胎时序图像中的胚胎发育阶段分类方法 Download PDFInfo
- Publication number
- CN110443282B CN110443282B CN201910605282.0A CN201910605282A CN110443282B CN 110443282 B CN110443282 B CN 110443282B CN 201910605282 A CN201910605282 A CN 201910605282A CN 110443282 B CN110443282 B CN 110443282B
- Authority
- CN
- China
- Prior art keywords
- image
- input
- detected
- output
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
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,m<M;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。
Description
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,m<M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。
本发明的有益效果是:本发明采用卷积神经网络,特别的,向卷积神经网络输入每张图像得到包括该张图像的相邻多张图像对应的多个概率序列,最后将每张图像输入下所有的概率序列进行集成,统计每张图像对应的多个概率序列并融合,得到一个最大程度能够反映该张图像所在发育阶段的一个概率融合序列,从而保证了后续更精确的图像预测。最后采用动态规划方法对各张图像的概率融合序列进行平滑处理,得到每张图像所处发育阶段的最优解,使得预测结果更加稳定可靠。本发明提高了时序待测图像的胚胎发育阶段序列正确率,计算复杂度低。其中,概率序列为整个胚胎发育周期中每个发育阶段对应的概率的有序集合;单输入多输出是指输入一张图像,输出多张图像的概率序列。
上述技术方案的基础上,本发明还可以做如下改进。
进一步,m取值为3-17中的任一奇数。
本发明的进一步有益效果是:输出相邻3-17张图像,得到的最终分类结果更加准确。
进一步,所述步骤2中,所述集成,具体为:
步骤2.1、从所有所述m个概率序列中,统计每张待测图像的所有概率序列;
步骤2.2、若统计后的该张待测图像的概率序列的个数n少于m,采样n-m个该张待测图像输入下该张待测图像的概率序列进行补充。
本发明的进一步有益效果是:由于时序待测图像的第一张图像输入单输入多输出卷积神经网络时,输出包括第一张图像的相邻多张图像的概率序列,由于第一张图像前面没有图像进行输入并得到包括该第一张图像的相邻多张图像的概率序列,因此,第一张图像的概率序列的个数少于m。为了方便卷积神经网络熟练,保证神经网络的输出个数固定,此时将输入第一张图像时得到的其自身的概率序列填补空缺,使得第一张图像的概率序列的个数等于m,提高后续分类的准确性。
进一步,所述步骤2中,所述融合,具体为:
将统计后的每张待测图像的m个概率序列中,每相同发育阶段对应的概率进行相加或相乘,得到该张待测图像的概率融合序列。
本发明的进一步有益效果是:将每相同发育阶段对应的概率进行相加或相乘,能够保证后续胚胎发育阶段分类的准确性。
进一步,所述步骤2中,所述融合,具体为:
将统计后的每张待测图像的m个概率序列中,每相同发育阶段对应的概率进行相乘,得到该张待测图像的概率融合序列。
本发明的进一步有益效果是:将每相同发育阶段对应的概率进行相乘,能够使得后续胚胎发育阶段分类的准确性更高。
进一步,所述步骤1中,所述获取胚胎发育过程的M张时序待测图像,具体为:
获取胚胎发育过程的time-lapse视频,并基于所述time-lapse视频,处理得到M张时序待测图像。
本发明的进一步有益效果是:在受精卵的发育过程中受精卵的形态学特征和动力学特征都是与移植结果高度相关的特征。预测受精卵的分裂个数不光是一个形态学特征,更可以用于计算受精卵早期培养的发育速度。而采用time-lapse技术记录的图像数据则包含了绝大部分评估胚胎潜能的信息,几乎可以跟踪受精卵发育过程中所有的信息。
进一步,所述单输入多输出卷积神经网络的训练方法包括:
步骤1.1、获取并基于胚胎发育过程的时序图像样本数据,生成单输入单输出样本集和单输入多输出样本集;
步骤1.2、基于所述单输入单输出样本集,训练单输入单输出卷积神经框架,得到单输入单输出卷积神经网络;
步骤1.3、获取所述单输入单输出卷积神经网络的参数,基于所述参数和所述单输入多输出样本集,训练单输入多输出卷积神经框架,得到单输入多输出卷积神经网络。
本发明的进一步有益效果是:先采用单输入单输出样本集训练得到单输入单输出卷积神经网络,再根据单输入单输出卷积神经网络的参数,训练得到单输入多输出卷积神经网络,提高单输入多输出卷积神经网络的训练收敛速度以及预测精度。
进一步,所述单输入单输出卷积神经框架和所述单输入多输出卷积神经框架的不同之处为作为框架输出端的全连接层的输出端个数;
则所述步骤1.3包括:
获取所述单输入单输出卷积神经网络的参数;
基于所述参数,固定所述单输入多输出卷积神经框架中所述全连接层以外各层的参数;
基于所述单输入多输出样本集,训练所述单输入多输出卷积神经框架中全连接层的参数,得到单输入多输出卷积神经网络。
本发明的进一步有益效果是:单输入单输出卷积神经网络和单输入多输出卷积神经网络只有输出端的个数不同,因此,加载单输入单输出卷积神经网络的参数,固定单输入多输出卷积神经网络的卷积层的参数,采用单输入多输出样本集,单独训练单输入多输出卷积神经网络的全连接层的参数,提高训练效率。
进一步,分别采用损失函数使得所述单输入单输出卷积神经网络和所述单输入多输出卷积神经网络达到训练精度。
本发明还提供一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述任一种胚胎时序图像中的胚胎发育阶段分类方法。
附图说明
图1为本发明一个实施例提供的一种胚胎时序图像中的胚胎发育阶段分类方法的流程框图;
图2为本发明一个实施例提供的对time-lapse视频中各帧图像进行胚胎发育阶段分类的流程框图;
图3为本发明一个实施例提供的概率序列示意图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种胚胎时序图像中的胚胎发育阶段分类方法100,如图1所示,包括:
步骤110、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,m<M且均为正整数;
步骤120、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;
步骤130、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。
需要说明的是,步骤120中,从每个概率序列中,找到一张图像对应的概率序列,集成得到该张图像的由神经网络输出的所有的概率序列。
本实施例采用基于深度学习的卷积神经网络,特别的,向卷积神经网络输入每张图像得到包括该张图像的相邻多张图像对应的多个概率序列,最后将每张图像输入下所有的概率序列进行集成,统计每张图像对应的多个概率序列并融合,得到一个最大程度能够反映该张图像所在发育阶段的一个概率融合序列,从而保证了后续更精确的图像预测。最后采用动态规划方法对各张图像的概率融合序列进行平滑处理,得到每张图像所处发育阶段的最优解,使得预测结果更加稳定可靠。本实施例提高了时序待测图像的胚胎发育阶段序列正确率,计算复杂度低。其中,概率序列为整个胚胎发育周期中每个发育阶段对应的概率的有序集合;单输入多输出是指输入一张图像,输出多张图像的概率序列。
优选的,相邻多种待测图像为相邻3-17张图像且张数为奇数。
输出相邻3-17张图像,得到的最终分类结果更加准确。
优选的,步骤120中,所述集成,具体为:
步骤121、从所有上述m个概率序列中,统计每张待测图像的所有概率序列;
步骤122、若统计后的该张待测图像的概率序列的个数n少于m,采样n-m个该张待测图像输入下该张待测图像的概率序列进行补充。
由于时序待测图像的第一张图像输入单输入多输出卷积神经网络时,输出包括第一张图像的相邻多张图像的概率序列,由于第一张图像前面没有图像进行输入并得到包括该第一张图像的相邻多张图像的概率序列,因此,第一张图像的概率序列的个数少于m。为了方便卷积神经网络熟练,保证神经网络的输出个数固定,此时将输入第一张图像时得到的其自身的概率序列填补空缺,使得第一张图像的概率序列的个数等于m,提高后续分类的准确性。
优选的,步骤120中,所述融合,具体为:
将统计后的每张待测图像的m个概率序列中,每相同发育阶段对应的概率进行相加或相乘,得到该张待测图像的概率融合序列。
将每相同发育阶段对应的概率进行相加或相乘,能够保证后续胚胎发育阶段分类的准确性。
优选的,步骤120中,所述融合,具体为:
将统计后的每张待测图像的m个概率序列中,每相同发育阶段对应的概率进行相乘,得到该张待测图像的概率融合序列。
将每相同发育阶段对应的概率进行相乘,能够使得后续胚胎发育阶段分类的准确性更高。
优选的,步骤110中,所述获取胚胎发育过程的M张时序待测图像,具体为:
获取胚胎发育过程的time-lapse视频,并基于time-lapse视频,处理得到M张时序待测图像。
在受精卵的发育过程中受精卵的形态学特征和动力学特征都是与移植结果高度相关的特征。预测受精卵的分裂个数不光是一个形态学特征,更可以用于计算受精卵早期培养的发育速度。而采用time-lapse技术记录的图像数据则包含了绝大部分评估胚胎潜能的信息,几乎可以跟踪受精卵发育过程中所有的信息。
优选的,上述单输入多输出卷积神经网络的训练方法包括:
步骤111、获取并基于胚胎发育过程的时序图像样本数据,生成单输入单输出样本集和单输入多输出样本集;
步骤112、基于单输入单输出样本集,训练单输入单输出卷积神经框架,得到单输入单输出卷积神经网络;
步骤113、获取单输入单输出卷积神经网络的参数,基于上述参数和单输入多输出样本集,训练单输入多输出卷积神经框架,得到单输入多输出卷积神经网络。
先采用单输入单输出样本集训练得到单输入单输出卷积神经网络,再根据单输入单输出卷积神经网络的参数,训练得到单输入多输出卷积神经网络,提高单输入多输出卷积神经网络的训练收敛速度以及预测精度。
优选的,单输入单输出卷积神经框架和单输入多输出卷积神经框架的不同之处为作为框架输出端的全连接层的输出端个数;
则步骤113包括:
获取单输入单输出卷积神经网络的参数;基于上述参数,固定单输入多输出卷积神经框架中全连接层以外各层的参数;基于单输入多输出样本集,训练单输入多输出卷积神经框架中全连接层的参数,得到单输入多输出卷积神经网络。
单输入单输出卷积神经网络和单输入多输出卷积神经网络只有输出端的个数不同,因此,加载单输入单输出卷积神经网络的参数,固定单输入多输出卷积神经网络的卷积层的参数,采用单输入多输出样本集,单独训练单输入多输出卷积神经网络的全连接层的参数,提高训练效率。
优选的,分别采用损失函数使得所述单输入单输出卷积神经网络和所述单输入多输出卷积神经网络达到训练精度。
将多任务学习与深度学习方法结合,使得深度学习中的卷积神经网络能够利用到输入图像以及输出标签的上下文信息,从而更精确的进行图像预测;然后使用动态规划的方法对单个视频的预测序列进行平滑处理,使得预测结果更加稳定可靠。
为了更好的说明本发明,现示例如下:一种自动分类time-lapse视频中胚胎发育阶段的方法,如图2所示,包括如下步骤:
(1)对已经标注好的time-lapse视频,首先进行数据预处理,包括视频帧图像输入和标签(即胚胎发育阶段信息)输出的整理,对one-to-one(单输入单输出)模型构造一对一数据集D1(单张图片对应单个标签),对one-to-many(单输入多输出)模型构造一对多数据集D2(单张图片对应多个标签)。
(2)基于构造好的一对一数据集D1和选取的卷积神经网络,训练one-to-one模型。其中模型以交叉熵为损失函数,对于第n个样本xn的损失为:
其中,C是胚胎发育阶段分类的总类别数,yc是真实标签值(真实的发育阶段对应的类别,one-hot形式),Pn,c是卷积神经网络最终把图像xn预测为第c阶段的概率。
(3)基于第(2)步中选择的卷积神经网络,构造one-to-many模型,并加载one-to-one模型已经训练好的权重参数。
(4)使用第(1)步中构造好一对多数据集D2,将每个输出看做一个子任务,以多任务的交叉熵为损失函数,训练one-to-many模型。对于第n个样本xn的损失函数为:
如图3所示,每一行为一个图像输入的输出结果,每一行中的一个方框代表一张图像的概率序列,每一行的中间一个方框为该次输入的图像对应的概率序列,如第三行的p(yn|xn)。另外,虚线框内为每次输出的第n张图像的概率序列,图中五行表示有五次输入,那么第n张图像有5个概率序列,将这5个概率序列中代表相同发育阶段的概率相乘或相加,融合为第n张图像的一个概率序列。
(7)使用满足单调递增约束下的动态规范方法,对第(6)步中得到每个视频的预测标签序列进行平滑处理,得到最终的胚胎发育阶段预测序列。其中,动态规划所需要求解的优化问题如下式所示:
其中,表示第n张图像预测的标签(胚胎阶段),表示第n张图像预测为不同阶段的概率组成的概率向量;e表示第n张图像被分类到的损失,本方法中损失使用的为搬动距离eEM(earth mover distance),如下式所示:
实施例二
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述任一种胚胎时序图像中的胚胎发育阶段分类方法。
相关技术方案同实施例一,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种胚胎时序图像中的胚胎发育阶段分类方法,其特征在于,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,m<M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,实现胚胎时序图像中的胚胎发育阶段分类;
所述步骤2中,所述集成,具体为:
步骤2.1、从所有所述m个概率序列中,统计每张待测图像的所有概率序列;
步骤2.2、若统计后的该张待测图像的概率序列的个数n少于m,采样m-n个该张待测图像输入下该张待测图像的概率序列进行补充。
2.根据权利要求1所述的一种胚胎时序图像中的胚胎发育阶段分类方法,其特征在于,所述步骤1中,所述获取胚胎发育过程的M张时序待测图像,具体为:
获取胚胎发育过程的time-lapse视频,并基于所述time-lapse视频,处理得到M张时序待测图像。
3.根据权利要求1所述的一种胚胎时序图像中的胚胎发育阶段分类方法,其特征在于,m取值为3-17中的任一奇数。
4.根据权利要求1所述的一种胚胎时序图像中的胚胎发育阶段分类方法,其特征在于,所述步骤2中,所述融合,具体为:
将统计后的每张待测图像的m个概率序列中,每相同发育阶段对应的概率进行相加或相乘,得到该张待测图像的概率融合序列。
5.根据权利要求1至4任一项所述的一种胚胎时序图像中的胚胎发育阶段分类方法,其特征在于,所述单输入多输出卷积神经网络的训练方法包括:
步骤1.1、获取并基于胚胎发育过程的时序图像样本数据,生成单输入单输出样本集和单输入多输出样本集;
步骤1.2、基于所述单输入单输出样本集,训练单输入单输出卷积神经框架,得到单输入单输出卷积神经网络;
步骤1.3、获取所述单输入单输出卷积神经网络的参数,基于所述参数和所述单输入多输出样本集,训练单输入多输出卷积神经框架,得到单输入多输出卷积神经网络。
6.根据权利要求5所述的一种胚胎时序图像中的胚胎发育阶段分类方法,其特征在于,所述单输入单输出卷积神经框架和所述单输入多输出卷积神经框架的不同之处为作为框架输出端的全连接层的输出端个数;
则所述步骤1.3包括:
获取所述单输入单输出卷积神经网络的参数;
基于所述参数,固定所述单输入多输出卷积神经框架中所述全连接层以外各层的参数;
基于所述单输入多输出样本集,训练所述单输入多输出卷积神经框架中全连接层的参数,得到单输入多输出卷积神经网络。
7.根据权利要求5所述的一种胚胎时序图像中的胚胎发育阶段分类方法,其特征在于,分别采用损失函数使得所述单输入单输出卷积神经网络和所述单输入多输出卷积神经网络达到训练精度。
8.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述如权利要求1至7任一项所述的一种胚胎时序图像中的胚胎发育阶段分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605282.0A CN110443282B (zh) | 2019-07-05 | 2019-07-05 | 一种胚胎时序图像中的胚胎发育阶段分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910605282.0A CN110443282B (zh) | 2019-07-05 | 2019-07-05 | 一种胚胎时序图像中的胚胎发育阶段分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110443282A CN110443282A (zh) | 2019-11-12 |
CN110443282B true CN110443282B (zh) | 2022-02-15 |
Family
ID=68429104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910605282.0A Active CN110443282B (zh) | 2019-07-05 | 2019-07-05 | 一种胚胎时序图像中的胚胎发育阶段分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443282B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814741B (zh) * | 2020-07-28 | 2022-04-08 | 四川通信科研规划设计有限责任公司 | 一种基于注意力机制的遮挡胚胎原核及卵裂球检测方法 |
CN116883996B (zh) * | 2023-09-01 | 2023-12-08 | 武汉互创联合科技有限公司 | 基于旋转等变网络的胚胎发育阶段预测与质量评估系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012130248A1 (en) * | 2011-03-31 | 2012-10-04 | Aarhus Universitet | Ultrasonic system for assessing tissue substance extraction |
CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
CN106104571A (zh) * | 2014-03-14 | 2016-11-09 | 尤尼森斯繁殖技术公司 | 用于分析胚胎发育的方法和设备 |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN109214375A (zh) * | 2018-11-07 | 2019-01-15 | 浙江大学 | 一种基于分段采样视频特征的胚胎妊娠结果预测装置 |
CN109214437A (zh) * | 2018-08-22 | 2019-01-15 | 湖南自兴智慧医疗科技有限公司 | 一种基于机器学习的ivf-et早孕胚胎发育预测系统 |
CN109255502A (zh) * | 2018-11-01 | 2019-01-22 | 天津大学 | 基于多阶段决策的可再生能源发电基地时序优化规划方法 |
-
2019
- 2019-07-05 CN CN201910605282.0A patent/CN110443282B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012130248A1 (en) * | 2011-03-31 | 2012-10-04 | Aarhus Universitet | Ultrasonic system for assessing tissue substance extraction |
CN106104571A (zh) * | 2014-03-14 | 2016-11-09 | 尤尼森斯繁殖技术公司 | 用于分析胚胎发育的方法和设备 |
CN104794484A (zh) * | 2015-04-07 | 2015-07-22 | 浙江大学 | 基于分段正交多项式分解的时序数据最近邻分类方法 |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN109214437A (zh) * | 2018-08-22 | 2019-01-15 | 湖南自兴智慧医疗科技有限公司 | 一种基于机器学习的ivf-et早孕胚胎发育预测系统 |
CN109255502A (zh) * | 2018-11-01 | 2019-01-22 | 天津大学 | 基于多阶段决策的可再生能源发电基地时序优化规划方法 |
CN109214375A (zh) * | 2018-11-07 | 2019-01-15 | 浙江大学 | 一种基于分段采样视频特征的胚胎妊娠结果预测装置 |
Non-Patent Citations (1)
Title |
---|
Prevalence, consequence, and significance of reverse cleavage by human embryos viewed with the use of the Embryoscope time-lapse video system;YanheLiuM.Sc 等;《Fertility Sterility》;20140912;第102卷(第5期);第1295-1300页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110443282A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Greenwald et al. | Whole-cell segmentation of tissue images with human-level performance using large-scale data annotation and deep learning | |
Jeckel et al. | Advances and opportunities in image analysis of bacterial cells and communities | |
Angermueller et al. | Deep learning for computational biology | |
Moen et al. | Accurate cell tracking and lineage construction in live-cell imaging experiments with deep learning | |
He et al. | Automated model design and benchmarking of deep learning models for covid-19 detection with chest ct scans | |
Boom et al. | Long-term underwater camera surveillance for monitoring and analysis of fish populations | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN114842019B (zh) | 一种电池板表面缺陷检测方法、系统、存储介质及设备 | |
CN113393443B (zh) | 一种he病理图像细胞核分割方法及系统 | |
CN110443282B (zh) | 一种胚胎时序图像中的胚胎发育阶段分类方法 | |
Ferlaino et al. | Towards deep cellular phenotyping in placental histology | |
Luo et al. | Oxnet: Deep omni-supervised thoracic disease detection from chest x-rays | |
US20230027723A1 (en) | Stain-free detection of embryo polarization using deep learning | |
CN110807426B (zh) | 一种基于深度学习的寄生虫检测系统及方法 | |
Bhuiyan et al. | Hajj pilgrimage video analytics using CNN | |
CN114972222A (zh) | 细胞信息统计方法、装置、设备及计算机可读存储介质 | |
CN114580501A (zh) | 骨髓细胞分类方法、系统、计算机设备及存储介质 | |
CN114399763A (zh) | 一种单样本与小样本微体古生物化石图像识别方法及系统 | |
CN113177576A (zh) | 一种用于目标检测的多示例主动学习方法 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
JP2019537102A (ja) | 最適候補化合物を検出するためのコンピュータ装置およびその方法 | |
CN114067164A (zh) | 胚胎发育阶段的检测方法、装置、电子设备及存储介质 | |
Zimmer | From microbes to numbers: extracting meaningful quantities from images | |
CN113420786A (zh) | 一种特征混合图像的半监督分类方法 | |
Moen et al. | Age interpretation of cod otoliths using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |