CN114067164A - 胚胎发育阶段的检测方法、装置、电子设备及存储介质 - Google Patents
胚胎发育阶段的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114067164A CN114067164A CN202111442494.5A CN202111442494A CN114067164A CN 114067164 A CN114067164 A CN 114067164A CN 202111442494 A CN202111442494 A CN 202111442494A CN 114067164 A CN114067164 A CN 114067164A
- Authority
- CN
- China
- Prior art keywords
- embryo
- image
- stage
- detected
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000013020 embryo development Effects 0.000 title claims description 29
- 210000001161 mammalian embryo Anatomy 0.000 claims abstract description 259
- 238000011161 development Methods 0.000 claims abstract description 103
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000003776 cleavage reaction Methods 0.000 claims abstract description 17
- 230000007017 scission Effects 0.000 claims abstract description 17
- 210000002459 blastocyst Anatomy 0.000 claims abstract description 15
- 235000008708 Morus alba Nutrition 0.000 claims abstract description 13
- 240000000249 Morus alba Species 0.000 claims abstract description 13
- 230000018109 developmental process Effects 0.000 claims description 97
- 238000012549 training Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 210000002257 embryonic structure Anatomy 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 102000002322 Egg Proteins Human genes 0.000 description 2
- 108010000912 Egg Proteins Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 210000004681 ovum Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000000472 morula Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种胚胎发育阶段的检测方法、装置、电子设备及存储介质。该方法包括：获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，发育阶段包括原核期、卵裂期、桑葚期和囊胚期；将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息；基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。本发明实施例的技术方案，可以实现目标胚胎的发育阶段的检测，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
Description
技术领域
本发明实施例涉及辅助生殖技术领域，尤其涉及一种胚胎发育阶段的检测方法、装置、电子设备及存储介质。
背景技术
在辅助生殖技术(InVitro Fertilization,IVF)领域，可通过时差(Time-lapse)培养箱对胚胎体外发育的整个过程进行时差拍摄，为胚胎学家研究胚胎发育过程、挑选可移植胚胎、人工智能评估胚胎质量提供了重要数据依据。
从受精到囊胚形成过程中，取卵的当天称为原核期，第二天和第三天称为卵裂期，第四天桑葚期及第五天囊胚期。目前，需要依赖有经验的生殖医生人工去查看时差拍摄得到的图像，分析图像中胚胎分裂的各个事件点，从而检测出胚胎发育的阶段。
但是，胚胎发育过程中长达七天，每个胚胎在分裂过程都产生了大量的图像，生殖医生人工查看需要花费大量时间，且效率低、易出错，降低了检测结果的准确率，不利于进行胚胎发育的后续研究。
发明内容
本发明实施例提供了一种胚胎发育阶段的检测方法、装置、电子设备及存储介质，以实现目标胚胎的发育阶段的确定，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
第一方面，本发明实施例提供了一种胚胎发育阶段的检测方法，包括：
获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，所述发育阶段包括原核期、卵裂期、桑葚期和囊胚期；
将所述待检测胚胎图像输入至预先建立的协同网络中，提取所述待检测胚胎图像中用于表征所述目标胚胎的当前胚胎状态的图像特征信息；
基于所述图像特征信息和预先建立的时序分类网络，确定所述待检测胚胎图像中所述目标胚胎的发育阶段。
第二方面，本发明实施例还提供了一种胚胎发育阶段的检测装置，该装置包括：
获取待检测胚胎图像模块，用于获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，所述发育阶段包括原核期、卵裂期、桑葚期和囊胚期；
提取图像特征信息模块，用于将所述待检测胚胎图像输入至预先建立的协同网络中，提取所述待检测胚胎图像中用于表征所述目标胚胎的当前胚胎状态的图像特征信息；
确定发育阶段模块，用于基于所述图像特征信息和预先建立的时序分类网络，确定所述待检测胚胎图像中所述目标胚胎的发育阶段。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的胚胎发育阶段的检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的胚胎发育阶段的检测方法。
本发明实施例所提供的一种胚胎发育阶段的检测方法，通过获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像，将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息，从而无需人工观察待检测胚胎图像中的图像特点；并且，基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。本发明实施例通过协同网络确定图像特征信息，并基于时序分类网络完成对图像特征信息进行分类，以实现目标胚胎的发育阶段的确定，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
此外，本发明所提供的一种胚胎发育阶段的检测装置、电子设备及存储介质与上述方法对应，具有同样的有益效果。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种胚胎发育阶段的检测方法的流程图；
图2为本发明实施例提供的一种胚胎发育阶段的示意图；
图3为本发明实施例提供的另一种胚胎发育阶段的检测方法的流程图；
图4为本发明实施例提供的一种胚胎发育阶段的检测装置的结构图；
图5为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
实施例一
图1为本发明实施例提供的一种胚胎发育阶段的检测方法的流程图。该方法可以由胚胎发育阶段的检测装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的胚胎发育阶段的检测方法。
如图1所示，本实施例的方法具体可包括：
S101、获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像。
在具体实施中，可通过图像采集设备采集当前需要检测目标胚胎的发育阶段的待检测胚胎图像。示例性的，可通过时差培养箱实现胚胎的体外培养，并通过显微成像设备对胚胎体外发育的过程进行时差拍摄。具体的，发育阶段可包括原核期、卵裂期、桑葚期和囊胚期；胚胎处于不同的发育阶段，图像中将呈现出不同的特征信息，可基于目标胚胎的待检测胚胎图像，确定目标图像当前处于的发育阶段。
图2为本发明实施例提供的一种胚胎发育阶段的示意图，如图2所示，取卵的当天的精子和卵子还互为独立的个体，需要在实验室里完成受精。受精后的26-28小时就可以观察到胚胎的原核期，胚胎的卵裂4细胞和8细胞的胚胎称为卵裂期胚胎，胚胎的卵裂速度标志着胚胎的发育潜能。经过卵裂期后，进入桑葚期以及第5-6天的囊胚期，可通过对各阶段的胚胎进行评定，确定具有潜力的胚胎。
S102、将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息。
具体的，可将待检测胚胎图像输入至协同网络中。示例性的，协同网络包括双胞胎网络，可同时输出待检测胚胎图像的图像脉冲特征和图像实值特征，基于图像脉冲特征和图像实值特征，确定出用于表征目标胚胎的当前胚胎状态的图像特征信息。
可选的，将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息，包括：基于协同网络，对待检测胚胎图像提取图像脉冲特征和图像实值特征；将图像脉冲特征和图像实值特征进行特征融合处理，生成用于表征目标胚胎的当前胚胎状态的图像特征编码。
具体的，图像特征信息包括图像特征编码；协同网络中包括至少一个Slab-SpikeLayer组件，Slab-Spike Layer组件中Slab层用于确定待检测胚胎图像的实值特征，Spike层用于确定待检测胚胎图像的脉冲特征。示例性的，图像脉冲特征的确定公式如下：
其中，
表示第k个spike特征图谱中坐标位置为(i,j)的特征值，relu为线性整流函数，I代表一个L×N1×N2矩阵，L表示待检测胚胎图像的通道数目，N1×N2表示图像分辨率。k表示卷积核的个数。可训练的协同网络生成参数
和bk分别表示第l通道的第k的滤波器在位置坐标为(i,j)的权值大小和第k特征图谱的偏置。符号Θ表示卷积操作。从图像脉冲特征的确定公式可知，协同网络能够捕捉到待检测胚胎图像的图像块中协方差信息。
进一步的，图像实值特征确定公式及对图像脉冲特征和图像实值特征进行特征融合处理的融合公式如下：
其中，
表示第k个slab特征图谱中坐标位置为(i,j)的特征值。
是为了限制
过大的限制因子。
可以捕捉图像块中均值信息。
表示第k个融合特征图谱中坐标位置为(i,j)的特征值，组成图像特征编码，可见图像特征编码综合了脉冲特征和实值特征两方面特征属性。
S103、基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。
在具体实施中，将待检测胚胎图像对应的图像特征信息输入至预先建立的时序分类网络中，以完成对图像特征信息中目标胚胎所处的发育阶段进行分类。示例性的，时序分类网络包括长短期记忆网络，长短期记忆网络模型中最后一层为softmax分类器，包含4个神经元，4个神经元分别对应于发育阶段中的原核期、卵裂期、桑葚期和囊胚期4个阶段。
本发明实施例所提供的一种胚胎发育阶段的检测方法，通过获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像，将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息，从而无需人工观察待检测胚胎图像中的图像特点；并且，基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。本发明实施例通过协同网络确定图像特征信息，并基于时序分类网络对图像特征信息进行分类，以实现目标胚胎的发育阶段的确定，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
实施例二
图3为本发明实施例提供的另一种胚胎发育阶段的检测方法的流程图。本实施例以上述各技术方案为基础进行优化。可选的，在将待检测胚胎图像输入至预先建立的协同网络中之前，还包括：获取预先存储的各样本胚胎图像和与各样本胚胎图像对应的标签信息；其中，标签信息用于表示对应的样本胚胎图像中胚胎处于的发育阶段；基于各样本胚胎图像和标签信息，建立由胚胎图像对组成的样本集合；基于样本集合对深度卷积神经网络进行训练，生成协同网络。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
如图3所示，本实施例的方法具体可包括：
S201、获取预先存储的各样本胚胎图像和与各样本胚胎图像对应的标签信息，基于各样本胚胎图像和标签信息，建立由胚胎图像对组成的样本集合；其中，标签信息用于表示对应的样本胚胎图像中胚胎处于的发育阶段。
具体的，可预先获取分别处于各发育阶段的胚胎图像作为样本胚胎图像，并对各样本胚胎图像所处的发育阶段建立标签信息，基于由各样本胚胎图像和各样本胚胎图像对应的标签信息，建立样本集合。示例性的，可分别对各个发育阶段选取等量的样本胚胎图像，组成样本集合。
可选的，基于各样本胚胎图像和标签信息，建立由胚胎图像对组成的样本集合，包括：对各样本胚胎图像进行随机排序，依次确定出序号相邻的两张样本胚胎图像组成胚胎图像对，基于全部的胚胎图像对建立样本集合。具体的，为提高训练结果的准确性，可采用随机排序的方式对各样本胚胎图像进行排序，将序号相邻两张样本胚胎图像组成胚胎图像对。
S202、基于样本集合对深度卷积神经网络进行训练，生成协同网络。
可选的，基于样本集合对深度卷积神经网络进行训练，生成协同网络，包括：基于深度卷积神经网络，确定样本集合中胚胎图像对之间处于同一发育阶段的第一度量损失函数和处于不同发育阶段的第二度量损失函数；基于第一度量损失函数和第二度量损失函数，确定出深度卷积神经网络的最优训练参数；基于最优训练参数生成协同网络。
具体的，可基于度量学习的方式对深度卷积神经网络进行训练，确定样本集合中胚胎图像对之间的度量损失函数。示例性的，度量损失函数可分为两种情况，即胚胎图像对中的两张样本胚胎图像处于同一发育阶段时的第一度量损失函数和处于不同发育阶段时的第二度量损失函数。
需要说明的是，度量学习的目的是为了最小化同一发育阶段胚胎特征的欧式距离，最大化不同发育阶段胚胎特征的欧式距离，从而使训练出的协同网络能够使处于同一发育阶段的待检测胚胎图像具有相同的特征，有助于提高时序分类网络的分类结果。
具体的，协同网络中最后一个特征层G(w)为特征提取层，用于提取胚胎图像中的特征信息，则对于胚胎图像对(I1,I2)中的样本胚胎图像I1和样本图像I2经过协同网络后，分别提取到特征向量G(I1；w)和特征向量G(I2；w)，可计算两个特征向量之间的欧式距离D(I1,I2；w)，计算公式如下：
D(I1,I2；w)＝||G(I1；w)-G(I2；w)||2
其中，w为图像中包含的图像特征。可根据样本胚胎图像I1和样本图像I2的标签信息，确定两张样本胚胎图像是否属于同一发育阶段，当确定出处于同一发育阶段时，则可将欧式距离最小作为训练条件，对协同网络中特征层G(w)进行训练。进一步的，当确定出两张样本图像处于不同发育阶段时，可将欧式距离较大作为训练条件，对协同网络中特征层G(w)进行训练。基于上述两种情况，综合训练得到同时满足处于同于发育阶段欧式距离最小，且处于不同发育阶段欧式距离最大的训练条件的最优特征层G(w)，并确定出最优特征层G(w)对应的协同网络最优训练参数。
示例性的，loss1表示一对训练样本来自于同一个阶段的第一度量损失，第一度量损失函数loss1(I1,I2；w)的公式如下：
loss1(I1,I2；w)＝0.5D(I1,I2；w)2
如果胚胎图像对中的两张样本胚胎图像来自于同一发育阶段，为确保训练结果的准确性，可使第一度量损失应该逼近0。loss2表示一对训练样本来自于不同发育阶段的第二度量损失，第二度量损失函数loss2(I1,I2；w)的公式如下：
loss2(I1,I2；w)＝0.5(max(0,δ-D(I1,I2；w)))2
其中，δ成为预设阈值。如果两张样本胚胎图像之间的特征欧式距离大于预设阈值，则说明当前两张样本图像处于不同发育阶段，可使loss2为0。通过预设阈值以区分胚胎图像对中的图像是否处于同一发育阶段。为简化训练过程的工作量，可将处于同一发育阶段和不同发育阶段两种情况统一至一个综合度量损失函数中，综合度量损失loss3的计算公式如下：
loss3＝y1 loss1(I1,I2；w)+(1-y1)loss2(I1,I2；w)
其中，基于标签信息确定出胚胎图像对中的两张样本胚胎图像来自于同一发育阶段时，y1的取值为1，反之为0；loss3用于表示综合度量损失。
可选的，基于第一度量损失函数和第二度量损失函数，确定出深度卷积神经网络的最优训练参数，包括：基于梯度下降方式和预设迭代次数，对第一度量损失函数和第二度量损失函数进行迭代操作；将各次迭代操作的操作结果中损失函数数值最小时对应的深度卷积神经网络的训练参数确定为最优训练参数。
具体的，可采用梯度下降的方式对深度卷积神经网络进行训练，当迭代次数达到预设迭代次数时，则停止训练过程，确定出损失函数数值最小时对应的深度卷积神经网络的训练参数作为最优训练参数。
可选的，在确定待检测胚胎图像中目标胚胎的发育阶段之前，还包括：将样本胚胎图像输入至建立完成的协同网络中，获取协同网络输出的样本特征信息；基于各样本特征信息输入至预先建立的时序神经网络中，获取时序神经网络输出的与各样本特征信息对应的样本分类结果；基于样本分类结果和与各样本特征信息对应的标签信息，对时序神经网络进行训练，生成时序分类网络。
具体的，基于建立的协同网络，可对时序分类网络进行训练。将各样本特征信息输入至预先建立的时序神经网络中，获取时序神经网络输出样本分类结果。样分类结果为时序神经网络对样本特征信息对应的发育阶段的预测结果，可将样本分类结果与标签信息进行对比，当与标签信息中标识的发育阶段一致时，则说明预测结果正确；当与标签信息中标识的发育阶段不一致时，则说明预测结果错误。将预设数量的样本胚胎图像输入至协同网络中，得到预设数量的样本特征信息，在通过预设数量的样本特征信息不断优化时序神经网络中的各参数，从而生成满足预设正确率的时序分类网络。
S203、获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像。
S204、将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息。
S205、基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。
本发明实施例提供的胚胎发育阶段的检测方法，可通过度量学习的方式对协同网络进行训练，提高了协同网络训练结果的精确程度，并基于训练号的协同网络，对时序分类网络进行训练。从而通过协同网络确定图像特征信息，并基于时序分类网络完成对图像特征信息进行分类，以实现目标胚胎的发育阶段的确定，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
实施例三
上文中对于胚胎发育阶段的检测方法对应的实施例进行了详细描述，为了使本领域技术人员进一步清楚本方法的技术方案，下文中给出具体的对协同网络和时序分类网络训练的训练过程。
1、收集时差培育系统中两个或两个以上的胚胎完整培养周期的图像，并获取预先对各图像进行标注的阶段标签，标签标注的时期包括原核期、卵裂期、桑葚期和囊胚期。可将手机到的胚胎图像分为样本图像集和测试图像集。
2、基于收集到的样本图像集，对样本图像集中的各样本图像进行随机排序，依次确定出序号相邻的两张样本图像组成胚胎图像对，形成由胚胎图像对组成的图像对训练集。
3、将图像对训练集中的胚胎图像对输入至深度卷积神经网络中，根据综合度量损失的计算公式计算损失函数值。
4、利用梯度下降方法对确定出的损失函数进行优化，并基于优化结果得到深度卷积神经网络的最优训练参数。
5、重复步骤3和步骤4，直至遍历图像对训练集中的全部胚胎图像对；遍历结束后，再重复上述训练过程，直至迭代次数达到预设迭代次数，则完成协同网络的训练。
6、将样本图像集中的各样本图像输入至训练完成的协同网络中，获取协同网络输出的样本特征及对应的阶段标签，组成样本特征集。
7、通过样本特征集对时序神经网络进行训练，将各样本特征信息输入至时序神经网络中，获取时序神经网络输出样本分类结果。样分类结果为时序神经网络对样本特征信息对应的发育阶段的预测结果，可将样本分类结果与阶段标签进行对比，不断优化时序神经网络中的各参数，从而生成满足预设正确率的时序分类网络。
8、基于测试图像集中各测试图像，分别输入至训练完成的协同网络中，得到测试图像对应的测试图像特征，并将测试图像特征数值至建立完成的时序分类网络中，得到各测试图像对应的发育阶段结果，将各发育阶段结果与各测试图像的阶段标签进行对比，对协同网络和时序分类网络的准确性进行测试。
本发明实施例通过度量学习的方式对协同网络进行训练，提高了协同网络训练结果的精确程度，并基于训练号的协同网络，对时序分类网络进行训练。在训练结束后还通过预先存储的测试图像集，测试协同网络和时序分类网络的准确度。
实施例四
图4为本发明实施例提供的一种胚胎发育阶段的检测装置的结构图；该装置用于执行上述任意实施例所提供的胚胎发育阶段的检测方法。该装置与上述各实施例的胚胎发育阶段的检测方法属于同一个发明构思，在胚胎发育阶段的检测装置的实施例中未详尽描述的细节内容，可以参考上述胚胎发育阶段的检测方法的实施例。该装置具体可包括：
获取待检测胚胎图像模块10，用于获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，发育阶段包括原核期、卵裂期、桑葚期和囊胚期；
提取图像特征信息模块11，用于将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息；
确定发育阶段模块12，用于基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。
在本发明实施例中任一可选技术方案的基础上，可选的，图像特征信息包括图像特征编码；其中，提取图像特征信息模块11包括：
生成图像特征编码单元，用于基于协同网络，对待检测胚胎图像提取图像脉冲特征和图像实值特征；将图像脉冲特征和图像实值特征进行特征融合处理，生成用于表征目标胚胎的当前胚胎状态的图像特征编码。
在本发明实施例中任一可选技术方案的基础上，可选的，该装置还包括：
第一训练模块，用于在将待检测胚胎图像输入至预先建立的协同网络中之前，获取预先存储的各样本胚胎图像和与各样本胚胎图像对应的标签信息；其中，标签信息用于表示对应的样本胚胎图像中胚胎处于的发育阶段；基于各样本胚胎图像和标签信息，建立由胚胎图像对组成的样本集合；基于样本集合对深度卷积神经网络进行训练，生成协同网络。
在本发明实施例中任一可选技术方案的基础上，可选的，第一训练模块，包括：
随机排序单元，用于对各样本胚胎图像进行随机排序，依次确定出序号相邻的两张样本胚胎图像组成胚胎图像对，基于全部的胚胎图像对建立样本集合。
在本发明实施例中任一可选技术方案的基础上，可选的，第一训练模块，包括：
确定损失函数单元，用于基于深度卷积神经网络，确定样本集合中胚胎图像对之间处于同一发育阶段的第一度量损失函数和处于不同发育阶段的第二度量损失函数；基于第一度量损失函数和第二度量损失函数，确定出深度卷积神经网络的最优训练参数；基于最优训练参数生成协同网络。
在本发明实施例中任一可选技术方案的基础上，可选的，确定损失函数单元包括：
迭代计算单元，用于基于梯度下降方式和预设迭代次数，对第一度量损失函数和第二度量损失函数进行迭代操作；将各次迭代操作的操作结果中损失函数数值最小时对应的深度卷积神经网络的训练参数确定为最优训练参数。
在本发明实施例中任一可选技术方案的基础上，可选的，该装置还包括：
第二训练模块，用于在确定所述待检测胚胎图像中目标胚胎的发育阶段之前，将样本胚胎图像输入至建立完成的协同网络中，获取协同网络输出的样本特征信息；基于各样本特征信息输入至预先建立的时序神经网络中，获取时序神经网络输出的与各样本特征信息对应的样本分类结果；基于样本分类结果和与各样本特征信息对应的标签信息，对时序神经网络进行训练，生成时序分类网络。
本发明实施例提供的一种胚胎发育阶段的检测装置，能够实现如下方法：获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，发育阶段包括原核期、卵裂期、桑葚期和囊胚期；将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息；基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。本发明实施例通过协同网络确定图像特征信息，并基于时序分类网络完成对图像特征信息进行分类，以实现目标胚胎的发育阶段的确定，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
值得注意的是，上述胚胎发育阶段的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图5为本发明实施例提供的一种电子设备的结构图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备20的框图。显示的电子设备20仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备20以通用计算设备的形式表现。电子设备20的组件可以包括但不限于：一个或者多个处理器或者处理单元201，系统存储器202，连接不同系统组件(包括系统存储器202和处理单元201)的总线203。
总线203表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备20典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备20访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器202可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)204和/或高速缓存存储器205。电子设备20可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统206可以用于读写不可移动的、非易失性磁介质。可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线203相连。存储器202可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块207的程序/实用工具208，可以存储在例如存储器202中，这样的程序模块207包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块207通常执行本发明所描述的实施例中的功能和/或方法。
电子设备20也可以与一个或多个外部设备209(例如键盘、指向设备、显示器210等)通信，还可与一个或者多个使得用户能与该电子设备20交互的设备通信，和/或与使得该电子设备20能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口211进行。并且，电子设备20还可以通过网络适配器212与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器212通过总线203与电子设备20的其它模块通信。应当明白，可以结合电子设备20使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元201通过运行存储在系统存储器202中的程序，从而执行各种功能应用以及数据处理。
本发明所提供的一种电子设备，能够实现如下方法：获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，发育阶段包括原核期、卵裂期、桑葚期和囊胚期；将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息；基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。本发明实施例通过协同网络确定图像特征信息，并基于时序分类网络完成对图像特征信息进行分类，以实现目标胚胎的发育阶段的检测，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
实施例六
本发明实施例提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种胚胎发育阶段的检测方法，该方法包括：
获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，发育阶段包括原核期、卵裂期、桑葚期和囊胚期；将待检测胚胎图像输入至预先建立的协同网络中，提取待检测胚胎图像中用于表征目标胚胎的当前胚胎状态的图像特征信息；基于图像特征信息和预先建立的时序分类网络，确定待检测胚胎图像中目标胚胎的发育阶段。本发明实施例通过协同网络确定图像特征信息，并基于时序分类网络完成对图像特征信息进行分类，以实现目标胚胎的发育阶段的确定，整个过程无需人工参与，节省了确定发育阶段的时间成本，提高了检测效率和检测结果的准确率。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的胚胎发育阶段的检测方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种胚胎发育阶段的检测方法，其特征在于，包括：
获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，所述发育阶段包括原核期、卵裂期、桑葚期和囊胚期；
将所述待检测胚胎图像输入至预先建立的协同网络中，提取所述待检测胚胎图像中用于表征所述目标胚胎的当前胚胎状态的图像特征信息；
基于所述图像特征信息和预先建立的时序分类网络，确定所述待检测胚胎图像中所述目标胚胎的发育阶段。
2.根据权利要求1所述的检测方法，其特征在于，所述图像特征信息包括图像特征编码；其中，
所述将所述待检测胚胎图像输入至预先建立的协同网络中，提取所述待检测胚胎图像中用于表征所述目标胚胎的当前胚胎状态的图像特征信息，包括：
基于所述协同网络，对所述待检测胚胎图像提取图像脉冲特征和图像实值特征；
将所述图像脉冲特征和所述图像实值特征进行特征融合处理，生成用于表征所述目标胚胎的当前胚胎状态的图像特征编码。
3.根据权利要求1所述的方法，其特征在于，在将所述待检测胚胎图像输入至预先建立的协同网络中之前，还包括：
获取预先存储的各样本胚胎图像和与各所述样本胚胎图像对应的标签信息；其中，所述标签信息用于表示对应的所述样本胚胎图像中胚胎处于的发育阶段；
基于各所述样本胚胎图像和所述标签信息，建立由胚胎图像对组成的样本集合；
基于所述样本集合对深度卷积神经网络进行训练，生成所述协同网络。
4.根据权利要求3所述的方法，其特征在于，所述基于各所述样本胚胎图像和所述标签信息，建立由胚胎图像对组成的样本集合，包括：
对各所述样本胚胎图像进行随机排序，依次确定出序号相邻的两张样本胚胎图像组成胚胎图像对，基于全部的胚胎图像对建立样本集合。
5.根据权利要求3所述的方法，其特征在于，所述基于所述样本集合对深度卷积神经网络进行训练，生成所述协同网络，包括：
基于所述深度卷积神经网络，确定所述样本集合中所述胚胎图像对之间处于同一发育阶段的第一度量损失函数和处于不同发育阶段的第二度量损失函数；
基于所述第一度量损失函数和所述第二度量损失函数，确定出所述深度卷积神经网络的最优训练参数；
基于所述最优训练参数生成所述协同网络。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一度量损失函数和所述第二度量损失函数，确定出所述深度卷积神经网络的最优训练参数，包括：
基于梯度下降方式和预设迭代次数，对所述第一度量损失函数和所述第二度量损失函数进行迭代操作；
将各次迭代操作的操作结果中损失函数数值最小时对应的所述深度卷积神经网络的训练参数确定为所述最优训练参数。
7.根据权利要求3所述的方法，其特征在于，在所述确定所述待检测胚胎图像中所述目标胚胎的发育阶段之前，还包括：
将所述样本胚胎图像输入至建立完成的所述协同网络中，获取所述协同网络输出的样本特征信息；
基于各所述样本特征信息输入至预先建立的时序神经网络中，获取所述时序神经网络输出的与各所述样本特征信息对应的样本分类结果；
基于所述样本分类结果和与各所述样本特征信息对应的所述标签信息，对所述时序神经网络进行训练，生成所述时序分类网络。
8.一种胚胎发育阶段的检测装置，其特征在于，包括：
获取待检测胚胎图像模块，用于获取当前需要检测目标胚胎的发育阶段的待检测胚胎图像；其中，所述发育阶段包括原核期、卵裂期、桑葚期和囊胚期；
提取图像特征信息模块，用于将所述待检测胚胎图像输入至预先建立的协同网络中，提取所述待检测胚胎图像中用于表征所述目标胚胎的当前胚胎状态的图像特征信息；
确定发育阶段模块，用于基于所述图像特征信息和预先建立的时序分类网络，确定所述待检测胚胎图像中所述目标胚胎的发育阶段。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的胚胎发育阶段的检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的胚胎发育阶段的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111442494.5A CN114067164A (zh) | 2021-11-30 | 2021-11-30 | 胚胎发育阶段的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111442494.5A CN114067164A (zh) | 2021-11-30 | 2021-11-30 | 胚胎发育阶段的检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114067164A true CN114067164A (zh) | 2022-02-18 |
Family
ID=80277479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111442494.5A Pending CN114067164A (zh) | 2021-11-30 | 2021-11-30 | 胚胎发育阶段的检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114067164A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115641364A (zh) * | 2022-12-22 | 2023-01-24 | 武汉互创联合科技有限公司 | 基于胚胎动力学参数的胚胎分裂周期智能预测系统及方法 |
-
2021
- 2021-11-30 CN CN202111442494.5A patent/CN114067164A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115641364A (zh) * | 2022-12-22 | 2023-01-24 | 武汉互创联合科技有限公司 | 基于胚胎动力学参数的胚胎分裂周期智能预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
| CN111861978A (zh) | 基于Faster R-CNN的桥梁裂缝实例分割方法 | |
| CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
| US20240281653A1 (en) | Method for training artificial neural network providing determination result of pathological specimen, and computing system for performing same | |
| CN113393443B (zh) | 一种he病理图像细胞核分割方法及系统 | |
| CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
| CN111476307A (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
| CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
| CN110443282B (zh) | 一种胚胎时序图像中的胚胎发育阶段分类方法 | |
| 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 | |
| CN114067164A (zh) | 胚胎发育阶段的检测方法、装置、电子设备及存储介质 | |
| CN115165366A (zh) | 一种旋转机械变工况故障诊断方法及系统 | |
| CN114121226A (zh) | 基于Unet模型的生物标志物预测系统、方法、设备 | |
| CN114580501A (zh) | 骨髓细胞分类方法、系统、计算机设备及存储介质 | |
| CN114067317A (zh) | 染色体异常事件的检测方法、装置、电子设备及介质 | |
| CN112635060B (zh) | 一种生存力评估方法、装置、评估设备及存储介质 | |
| CN116778300B (zh) | 一种基于知识蒸馏的小目标检测方法、系统和存储介质 | |
| CN109035222A (zh) | 一种智能染色体异常核型图像库控制系统及控制方法 | |
| CN113888636B (zh) | 基于多尺度深度特征的蛋白质亚细胞定位方法 | |
| CN115880277A (zh) | 基于Swin Transformer和弱监督的胃癌病理全切片T分期类别预测方法 | |
| CN115984640A (zh) | 一种基于组合蒸馏技术的目标检测方法、系统和存储介质 | |
| CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
| CN114444687A (zh) | 一种基于伪标签噪声过滤的小样本半监督学习方法和装置 | |
| CN114241376A (zh) | 行为识别模型训练和行为识别方法、装置、系统及介质 | |
| CN113031600B (zh) | 一种轨迹生成方法、装置、存储介质及电子设备 |
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 |