CN114067317A - 染色体异常事件的检测方法、装置、电子设备及介质 - Google Patents

染色体异常事件的检测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114067317A
CN114067317A CN202111406893.6A CN202111406893A CN114067317A CN 114067317 A CN114067317 A CN 114067317A CN 202111406893 A CN202111406893 A CN 202111406893A CN 114067317 A CN114067317 A CN 114067317A
Authority
CN
China
Prior art keywords
image
loss function
determining
network
historical
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
Application number
CN202111406893.6A
Other languages
English (en)
Inventor
张冀聪
王海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Innovation Research Institute of Beihang University
Original Assignee
Hefei Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Innovation Research Institute of Beihang University filed Critical Hefei Innovation Research Institute of Beihang University
Priority to CN202111406893.6A priority Critical patent/CN114067317A/zh
Publication of CN114067317A publication Critical patent/CN114067317A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of 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)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明实施例公开了一种染色体异常事件的检测方法、装置、电子设备及存储介质。该方法包括：获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像；获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；其中，生成网络和判别网络包括神经网络；如果否，则确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。本发明实施例的技术方案，通过判断预测图像与实际图像是否一致确定染色体是否存在异常事件，无需人工参与，提高了检测异常事件的效率和准确率。

Description

染色体异常事件的检测方法、装置、电子设备及介质
技术领域
本发明实施例涉及图像识别技术领域，尤其涉及一种染色体异常事件的检测方法、装置、电子设备及介质。
背景技术
在辅助生殖技术(In Vitro Fertilization,IVF)领域，Time-lapse系统能够拍摄到胚胎分裂过程中染色体异常核结构。在正常的初生核中可以观察到一个单独的、相对较大的、有完整核膜的核。而在胚胎中可以出现几种不同类型的核缺陷，如多核、双核、微核和无核。
为了帮助胚胎研究专家从细胞核发生异常的时间点以及异常程度去得到进行生物研究，需要检测Time-lapse系统拍摄到的胚胎分裂过程的染色体图像，确定染色体图像是否存在染色体异常事件。现有技术中，需要依赖有经验的生殖医生人工查看染色体图像的方式，确定是否发生染色体异常事件；该方式检测效率低且容易出错，因而如何高效、准确地检测出异常核就变得愈加重要。
发明内容
本发明实施例提供了一种染色体异常事件的检测方法、装置、电子设备及存储介质，以实现通过判断预测图像和实际图像是否一致即可确定染色体是否存在异常事件，无需人工参与，提高了检测异常事件的效率和准确率。
第一方面，本发明实施例提供了一种染色体异常事件的检测方法，包括：
获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；
将各所述历史图像输入至预先建立的生成网络中，生成所述目标胚胎分裂过程中相对于所述历史时刻的未来时刻的预测图像；
获取所述未来时刻所述目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定所述实际图像是否与所述预测图像一致；其中，所述生成网络和所述判别网络包括神经网络；
如果否，则确定所述目标胚胎分裂过程中在所述未来时刻出现染色体异常事件。
第二方面，本发明实施例还提供了一种染色体异常事件的检测装置，该装置包括：
获取历史图像模块，用于获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；
生成预测图像模块，用于将各所述历史图像输入至预先建立的生成网络中，生成所述目标胚胎分裂过程中相对于所述历史时刻的未来时刻的预测图像；
获取实际图像模块，用于获取所述未来时刻所述目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定所述实际图像是否与所述预测图像一致；其中，所述生成网络和所述判别网络包括神经网络；如果否，则进入确定异常事件模块；
确定异常事件模块，用于确定所述目标胚胎分裂过程中在所述未来时刻出现染色体异常事件。
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染色体异常事件的检测方法。
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染色体异常事件的检测方法。
本发明实施例所提供的一种染色体异常事件的检测方法，获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像，将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像；预测图像可反映出在正常分裂情况下，正常胚胎分裂图像；获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；其中，生成网络和判别网络包括神经网络；如果否，则确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。本发明实施例通过将预测图像与实际图像进行对比，即将正常胚胎分裂图像与实际图像进行对比，通过判断二者是否一致即可确定染色体是否存在异常事件，无需人工参与，提高了检测异常事件的效率和准确率。
此外，本发明所提供的一种染色体异常事件的检测装置、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染色体异常事件的检测方法的流程图；
图2为本发明实施例提供的另一种染色体异常事件的检测方法的流程图；
图3为本发明实施例提供的一种染色体异常事件的检测装置的结构图；
图4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染色体异常事件的检测的流程图。该方法可以由染色体异常事件的检测装置来执行，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染色体异常事件的检测方法。
如图1所示，本实施例的方法具体可包括：
S101、获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像。
在具体实施中，可获取目标胚胎在分裂过程中的历史时刻的历史图像，可通过单色光源观察胚胎。示例性的，可获取连续的t个历史时刻拍摄到的历史图像，t为大于1的正整数。对于每个拍摄时刻，可采集11张不同焦平面的图像，以确保采集到的历史图像的准确性和信息全面性；历史图像的高度分辨率和宽度分别率可分别为1024。
S102、将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像。
具体的，可预先建立用于生成预测图像的生成网络，生成网络包括神经网络。示例性的，生成网络为U-Net网络。进一步的，可通过预先建立的样本胚胎的分裂过程中，各历史时刻的历史样本图像和未来时刻的未来样本图像，对神经网络进行训练，以建立生成网络。
可选的，将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像，包括：将各历史图像进行灰度处理，生成对应的灰度图像；将各灰度图像输入至预先建立的生成网络中，对各灰度图像进行卷积计算、下采样计算、反卷积计算及图像跳转连接处理，将处理后得到的图像确定为预测图像。
具体的，为了便于生成网络对历史图像进行分析和图像处理，可将各历史图像进行灰度处理，生成对应的灰度图像。生成网络可实现对灰度图像的卷积计算、下采样计算、反卷积计算及图像跳转连接处理，将处理后得到的图像确定为与历史时刻相对应的未来时刻的预测图像。
需要说明的是，未来时刻可为历史时刻连续的下一时刻，本领域技术人员也可将未来时刻确定为与历史时刻之后，间隔N个时刻的时刻，N为大于1的正整数，对此本发明实施例不做限定。预测图像可反映出按照当前目标胚胎在各历史时刻的分裂趋势，正常情况下未来时刻目标胚胎分裂、发育过程中胚胎状态。
S103、获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；如果否，则进入S104。
具体的，可获取目标胚胎在分裂过程和发育过程中的未来时刻实际产生的实际图像；实际图像为需要待检测是否存在染色体异常事件的图像。进一步的，可预先建立判别网络，判别网络可用于判断实际图像和预测图像是否一致。其中，判别网络包括用于实现分类的神经网络，判别网络对输入的实际图像与预测图像进行卷积计算、下采样操作及全连接操作，最后通过softmax激活函数，确定出二者是否一致。示例性的，判别网络包括深度残差网络ResNet和深度卷积网络VGG。
进一步的，若实际图像与预测图像一致，则说明实际图像反映出的胚胎分裂情况属于正常情况，无染色体异常事件发生。
S104、确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。
可选的，若实际图像与预测图像不一致时，则说明实际图像反映出的胚胎分裂情况存在异常，可将该异常情况进行反馈，便于研究专家进行研究。进一步的，在确定目标胚胎分裂过程中在未来时刻出现染色体异常事件之后，还包括：在未来时刻目标胚胎分裂对应的实际图像中，标注出与预测图像不一致的位置。
具体的，基于判别网络的判别结果，确定出实际图像与预测图像存在差异的图像位置，并将该图像位置进行标注。示例性的，标注方式可为通过标注框选中方式和通过不同颜色显示的方式，以便使研究专家直观、清楚的确定出实际图像中的异常情况，快速发现问题。
本发明实施例所提供的一种染色体异常事件的检测方法，获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像，将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像；预测图像可反映出在正常分裂情况下，正常胚胎分裂图像；获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；其中，生成网络和判别网络包括神经网络；如果否，则确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。本发明实施例通过将预测图像与实际图像进行对比，即将正常胚胎分裂图像与实际图像进行对比，通过判断二者是否一致即可确定染色体是否存在异常事件，无需人工参与，提高了检测异常事件的效率和准确率。
实施例二
图2为本发明实施例提供的另一种染色体异常事件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，在将各历史图像输入至预先建立的生成网络中之前，还包括：确定目标胚胎分裂过程产生的损失函数，基于损失函数确定预测图像的生成参数；基于所述生成参数和神经网络结构，建立所述生成网络。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。
S201、获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像。
S202、确定目标胚胎分裂过程产生的损失函数，基于损失函数确定预测图像的生成参数；基于生成参数和神经网络结构，建立生成网络。
在具体实施中，为了确保确定出的预测图像的准确度较高，需要确保建立的生成网络具有损失小的特点，可在建立生成网络时，确定目标胚胎分裂过程产生的损失函数，将损失函数值最小时对应的生成参数，确定为预测图像的生成参数。
可选的，确定目标胚胎分裂过程产生的损失函数，包括：确定目标胚胎分裂过程产生的对抗损失函数、空间损失函数和时间损失函数。
具体的，目标胚胎分裂过程产生的损失函数包括对抗损失函数、空间损失函数和时间损失函数；其中，空间损失函数包括像素损失函数和梯度损失函数。可分别确定出对抗损失函数、空间损失函数和时间损失函数。
可选的，基于损失函数确定预测图像的生成参数，包括：确定对抗损失函数、像素损失函数、梯度损失函数和时间损失函数对应的权重系数；基于各权重系数，对对抗损失函数、像素损失函数、梯度损失函数和时间损失函数进行加权求和计算，将计算结果确定为目标胚胎分裂过程产生的总损失；基于梯度下降法确定总损失最小时，生成预测图像的生成网络对应的生成参数。
具体的，对抗损失、像素损失、梯度损失和时间损失对建立生成网络的准确度影响不同，可基于产生的影响大小，对应设定对抗损失函数、像素损失函数、梯度损失函数和时间损失函数对应的权重系数，权重系数越大，说明对生成网络的准确度的影响越大，本领域技术人员可根据实际应用情况设定权重系数，本发明实施例对此不作限定。示例性的，对抗损失函数、像素损失函数、梯度损失函数和时间损失函数对应的权重系数之和可为1。
进一步的，可分别从对抗损失、像素损失、梯度损失和时间损失这几方面确定实际图像和预测图像之间的函数关系，形成对抗损失函数、像素损失函数、梯度损失函数和时间损失函数；基于各权重系数，对对抗损失函数、像素损失函数、梯度损失函数和时间损失函数进行加权求和计算，将计算结果确定为目标胚胎分裂过程产生的总损失。可基于梯度下降法确定使总损失最小的情况下，对应的建立生成网络的生成参数，基于该生成参数构建生成网络。
示例性的，总损失的计算公式如下：
Figure BDA0003373099260000091
其中，
Figure BDA0003373099260000092
表示总损失，λint、λgd、λop、λadv分别为像素损失函数、梯度损失函数、时间损失函数、对抗损失函数的权重系数；
Figure BDA0003373099260000093
为t+1时刻的预测图像，It+1t+1时刻的实际图像，Lint、Lgd、Lop、
Figure BDA0003373099260000094
分别为像素损失函数、梯度损失函数、时间损失函数、对抗损失函数。
可选的，确定目标胚胎分裂过程产生的时间损失函数，包括：确定正则化网络的等效函数，获取未来时刻的上一时刻对应的实际图像；基于等效函数，计算预测图像和上一时刻对应的实际图像之间的第一等效函数值，计算未来时刻的实际图像与上一时刻的实际图像之间的第二等效函数值；计算第一等效函数值和第二等效函数值的差值的范数，将计算结果确定为时间损失函数。
具体的，为了充分考虑目标胚胎分裂过程中的时间维度关联，可引入正则化网络，用于衡量未来时刻的预测图像与历史时刻的实际图像、未来时刻的实际图像和历史时刻的实际图像之间的时间维度差异。示例性的，正则化网络包括光流网络，预测图像可作为光流网络中的计算合成的光流，实际图像可作为光流网络中的真实光流。时间损失函数的公式如下所示：
Figure BDA0003373099260000101
其中，Lop表示时间损失函数，
Figure BDA0003373099260000102
表示在t+1时刻的预测图像，It表示t时刻的实际图像，It+1表示t+1时刻的实际图像，
Figure BDA0003373099260000103
表示t+1时刻的预测图像与t时刻的实际图像之间的正则化网络的第一等效函数值，f(It+1,It)表示t+1时刻的实际图像与t时刻的实际图像之间的正则化网络的第二等效函数值；Lop等于
Figure BDA0003373099260000104
与f(It+1,It)之间差值的1-范数。
具体的，像素损失函数的计算公式如下：
Figure BDA0003373099260000105
其中，
Figure BDA0003373099260000106
像素损失函数，为t+1时刻的预测图像与t+1时刻的实际图像的2-范数；
Figure BDA0003373099260000107
得到的值越小说明预测图像和实际图像的像素幅值更接近。
具体的，梯度损失函数的计算公式如下：
Figure BDA0003373099260000108
其中，
Figure BDA0003373099260000109
为t+1时刻的预测图像与t+1时刻的实际图像的梯度损失函数，表示预测图像与实际图像分别在横轴和纵轴方向的梯度的差值的绝对值的L1范数之和；
Figure BDA00033730992600001010
与
Figure BDA00033730992600001011
相同，为t+1时刻的预测图像；I与It+1相同，为t+1时刻的实际图像；i表示图像中的横轴像素位置，j表示图像中的纵轴像素位置；
Figure BDA0003373099260000111
Figure BDA0003373099260000112
和
Figure BDA0003373099260000113
分别为t+1时刻的预测图像中(i,j)像素位置、(i-1,j)像素位置、(i,j-1)像素位置处的灰度值；Ii,j、Ii-1,j、Ii,j-1分别为t+1时刻的实际图像中(i,j)像素位置、(i-1,j)像素位置、(i,j-1)像素位置处的灰度值。需要说明的是，梯度损失函数可衡量实际图像与预测图像之间的细节差异，计算结果越小，说明二者差异越小。由像素损失函数和梯度损失函数确定出空间损失函数。
具体的，对抗损失函数的计算公式如下：
Figure BDA0003373099260000114
其中，LMSE表示均方误差，
Figure BDA0003373099260000115
为变量为
Figure BDA0003373099260000116
的判别网络的函数映射，取值范围为{0,1}；i表示图像中的横轴像素位置，j表示图像中的纵轴像素位置；
Figure BDA0003373099260000117
与
Figure BDA0003373099260000118
相同，为t+1时刻的预测图像。对抗损失用来优化生成网络，使得生成网络生成的预测图像更准确。
S203、将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像。
S204、获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；如果否，则进入S205。
具体的，在将预测图像和实际图像输入至判别网络前，可确定用于优化判别网络的损失函数，基于损失函数建立判别网络；判别过程产生的损失函数的公式如下：
Figure BDA0003373099260000119
其中，
Figure BDA0003373099260000121
为用于优化判别网络的损失函数，LMSE表示均方误差，
Figure BDA0003373099260000122
为变量为I的判别网络的函数映射，
Figure BDA0003373099260000123
为变量为
Figure BDA0003373099260000124
的判别网络的函数映射。
示例性的，在对生成网络和判别网络进行训练时，训练流程为：
1、构建样本胚胎在分裂过程产生的图像的图像数据集，获取图像数据集中连续t个时刻拍摄的样本胚胎的分裂过程的历史样本图像。
2、确定生成网络的对抗损失、空间损失和时间损失，基于对抗损失、空间损失和时间损失确定总损失，利用梯度下降法确定出总损失最小值时，生成网络的生成参数，基于生成参数构建生成网络。将历史样本图像输入至神经网络构成的生成网络中，生成t+1时刻的预测图像。
3、可确定出判别网络对应的总损失，利用梯度下降法确定出总损失最小值时，对应的判别网络。将预测图像和t+1时刻的实际图像同时输入至判别网络，确定实际图像中是否存在异常事件。
4、重复步骤1、步骤2和步骤3直至遍历完整个数据集，记为迭代一次1。
5、重复步骤1、步骤2、步骤3和步骤4，统计迭代次数，当迭代次数大于设定的最大次数时，完成生成网络和判别网络的训练。
S205、确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。
本发明实施例提供的种染色体异常事件的检测方法，可基于损失函数对生成网络和判别网络进行训练，提高了生成网络生成预测图像的准确性和判别网络产生的判别结果的准确性，能够确保异常事件的检测结果的有效性。
实施例三
图3为本发明实施例提供的一种染色体异常事件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染色体异常事件的检测方法。该装置与上述各实施例的染色体异常事件的检测方法属于同一个发明构思，在染色体异常事件的检测装置的实施例中未详尽描述的细节内容，可以参考上述染色体异常事件的检测方法的实施例。该装置具体可包括：
获取历史图像模块10，用于获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；
生成预测图像模块11，用于将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像；
获取实际图像模块12，用于获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；其中，生成网络和判别网络包括神经网络；如果否，则进入确定异常事件模块；
确定异常事件模块13，用于确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。
在本发明实施例中任一可选技术方案的基础上，可选的，在将各历史图像输入至预先建立的生成网络中之前，还包括：
建立生成网络模块，用于确定目标胚胎分裂过程产生的损失函数，基于损失函数确定预测图像的生成参数；基于生成参数和神经网络结构，建立生成网络。
在本发明实施例中任一可选技术方案的基础上，可选的，建立生成网络模块，包括：
确定损失函数单元，用于确定目标胚胎分裂过程产生的对抗损失函数、空间损失函数和时间损失函数；其中，空间损失函数包括像素损失函数和梯度损失函数。
在本发明实施例中任一可选技术方案的基础上，可选的，建立生成网络模块，包括：
加权求和单元，用于确定对抗损失函数、像素损失函数、梯度损失函数和时间损失函数对应的权重系数；基于各权重系数，对对抗损失函数、像素损失函数、梯度损失函数和时间损失函数进行加权求和计算，将计算结果确定为目标胚胎分裂过程产生的总损失；基于梯度下降法确定总损失最小时，生成预测图像的生成网络对应的生成参数。
在本发明实施例中任一可选技术方案的基础上，可选的，确定损失函数单元，包括：
确定实际图像单元，用于确定正则化网络的等效函数，获取未来时刻的上一时刻对应的实际图像；基于等效函数，计算预测图像和上一时刻对应的实际图像之间的第一等效函数值，计算未来时刻的实际图像与上一时刻的实际图像之间的第二等效函数值；计算第一等效函数值和第二等效函数值的差值的范数，将计算结果确定为时间损失函数。
在本发明实施例中任一可选技术方案的基础上，可选的，生成预测图像模块11包括：
生成灰度图像，用于将各历史图像进行灰度处理，生成对应的灰度图像；将各灰度图像输入至预先建立的生成网络中，对各灰度图像进行卷积计算、下采样计算、反卷积计算及图像跳转连接处理，将处理后得到的图像确定为预测图像。
在本发明实施例中任一可选技术方案的基础上，可选的，还包括：
标注位置模块，用于在确定目标胚胎分裂过程中在未来时刻出现染色体异常事件之后，在未来时刻目标胚胎分裂对应的实际图像中，标注出与预测图像不一致的位置。
本发明实施例所提供的染色体异常事件的检测装置可执行如下方法：获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像；获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；其中，生成网络和判别网络包括神经网络；如果否，则确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。本发明实施例通过将预测图像与实际图像进行对比，即将正常胚胎分裂图像与实际图像进行对比，通过判断二者是否一致即可确定染色体是否存在异常事件，无需人工参与，提高了检测异常事件的效率和准确率。
值得注意的是，上述染色体异常事件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。
实施例四
图4为本发明实施例提供的一种电子设备的结构图。图4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4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：获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像；获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；其中，生成网络和判别网络包括神经网络；如果否，则确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。本发明实施例通过将预测图像与实际图像进行对比，即将正常胚胎分裂图像与实际图像进行对比，通过判断二者是否一致即可确定染色体是否存在异常事件，无需人工参与，提高了检测异常事件的效率和准确率。
实施例五
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染色体异常事件的检测方法，该方法包括：
获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；将各历史图像输入至预先建立的生成网络中，生成目标胚胎分裂过程中相对于历史时刻的未来时刻的预测图像；获取未来时刻目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定实际图像是否与预测图像一致；其中，生成网络和判别网络包括神经网络；如果否，则确定目标胚胎分裂过程中在未来时刻出现染色体异常事件。本发明实施例通过将预测图像与实际图像进行对比，即将正常胚胎分裂图像与实际图像进行对比，通过判断二者是否一致即可确定染色体是否存在异常事件，无需人工参与，提高了检测异常事件的效率和准确率。
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染色体异常事件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)

1.一种染色体异常事件的检测方法，其特征在于，包括：
获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；
将各所述历史图像输入至预先建立的生成网络中，生成所述目标胚胎分裂过程中相对于所述历史时刻的未来时刻的预测图像；
获取所述未来时刻所述目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定所述实际图像是否与所述预测图像一致；其中，所述生成网络和所述判别网络包括神经网络；
如果否，则确定所述目标胚胎分裂过程中在所述未来时刻出现染色体异常事件。
2.根据权利要求1所述的方法，其特征在于，在将各所述历史图像输入至预先建立的生成网络中之前，还包括：
确定所述目标胚胎分裂过程产生的损失函数，基于所述损失函数确定所述预测图像的生成参数；
基于所述生成参数和神经网络结构，建立所述生成网络。
3.根据权利要求2所述的方法，其特征在于，所述确定所述目标胚胎分裂过程产生的损失函数，包括：
确定所述目标胚胎分裂过程产生的对抗损失函数、空间损失函数和时间损失函数；
其中，所述空间损失函数包括像素损失函数和梯度损失函数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述损失函数确定所述预测图像的生成参数，包括：
确定所述对抗损失函数、所述像素损失函数、所述梯度损失函数和所述时间损失函数对应的权重系数；
基于各所述权重系数，对所述对抗损失函数、所述像素损失函数、所述梯度损失函数和所述时间损失函数进行加权求和计算，将计算结果确定为所述目标胚胎分裂过程产生的总损失；
基于梯度下降法确定所述总损失最小时，生成所述预测图像的生成网络对应的生成参数。
5.根据权利要求3所述的方法，其特征在于，确定所述目标胚胎分裂过程产生的时间损失函数，包括：
确定正则化网络的等效函数，获取所述未来时刻的上一时刻对应的实际图像；
基于所述等效函数，计算预测图像和所述上一时刻对应的实际图像之间的第一等效函数值，计算所述未来时刻的实际图像与所述上一时刻的实际图像之间的第二等效函数值；
计算所述第一等效函数值和所述第二等效函数值的差值的范数，将计算结果确定为所述时间损失函数。
6.根据权利要求1所述的方法，其特征在于，所述将各所述历史图像输入至预先建立的生成网络中，生成所述目标胚胎分裂过程中相对于所述历史时刻的未来时刻的预测图像，包括：
将各所述历史图像进行灰度处理，生成对应的灰度图像；
将各所述灰度图像输入至预先建立的所述生成网络中，对所述各灰度图像进行卷积计算、下采样计算、反卷积计算及图像跳转连接处理，将处理后得到的图像确定为所述预测图像。
7.根据权利要求1所述的方法，其特征在于，在确定所述目标胚胎分裂过程中在所述未来时刻出现染色体异常事件之后，还包括：
在所述未来时刻所述目标胚胎分裂对应的实际图像中，标注出与所述预测图像不一致的位置。
8.一种染色体异常事件的检测装置，其特征在于，包括：
获取历史图像模块，用于获取目标胚胎在分裂过程中的至少一个历史时刻的历史图像；
生成预测图像模块，用于将各所述历史图像输入至预先建立的生成网络中，生成所述目标胚胎分裂过程中相对于所述历史时刻的未来时刻的预测图像；
获取实际图像模块，用于获取所述未来时刻所述目标胚胎分裂对应的实际图像，基于预先建立的判别网络，确定所述实际图像是否与所述预测图像一致；其中，所述生成网络和所述判别网络包括神经网络；如果否，则进入确定异常事件模块；
确定异常事件模块，用于确定所述目标胚胎分裂过程中在所述未来时刻出现染色体异常事件。
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中任一所述的染色体异常事件的检测方法。
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中任一所述的染色体异常事件的检测方法。
CN202111406893.6A 2021-11-24 2021-11-24 染色体异常事件的检测方法、装置、电子设备及介质 Pending CN114067317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111406893.6A CN114067317A (zh) 2021-11-24 2021-11-24 染色体异常事件的检测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111406893.6A CN114067317A (zh) 2021-11-24 2021-11-24 染色体异常事件的检测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN114067317A true CN114067317A (zh) 2022-02-18

Family

ID=80276091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111406893.6A Pending CN114067317A (zh) 2021-11-24 2021-11-24 染色体异常事件的检测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114067317A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859685A (zh) * 2022-07-08 2022-08-05 浙江赛思电子科技有限公司 一种原子钟异常检测方法、系统、设备及计算机存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859685A (zh) * 2022-07-08 2022-08-05 浙江赛思电子科技有限公司 一种原子钟异常检测方法、系统、设备及计算机存储介质
CN114859685B (zh) * 2022-07-08 2022-10-14 浙江赛思电子科技有限公司 一种原子钟异常检测方法、系统、设备及计算机存储介质

Similar Documents

Publication Publication Date Title
CN111652225B (zh) 基于深度学习的非侵入式摄像读取方法及系统
CN112070134A (zh) 电力设备图像分类方法、装置、电力设备及存储介质
CN108156452B (zh) 一种检测传感器的方法、装置、设备及存储介质
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN111986159A (zh) 太阳能电池片的电极缺陷检测方法、设备及存储介质
CN111814740B (zh) 指针仪表读数的识别方法、装置、计算机设备和存储介质
CN111811694A (zh) 一种温度校准方法、装置、设备及存储介质
CN111428374A (zh) 零件缺陷检测方法、装置、设备及存储介质
CN114663389A (zh) 光伏组件热斑检测方法、设备及存储介质
CN111815576B (zh) 金属部件腐蚀状况检测方法、装置、设备和存储介质
CN114067317A (zh) 染色体异常事件的检测方法、装置、电子设备及介质
CN110111018B (zh) 评估车辆感测能力的方法、装置、电子设备及存储介质
CN117456609A (zh) 一种异常行为检测方法、装置、设备及存储介质
CN116433661B (zh) 多任务学习的半导体晶圆检测方法、装置、设备及介质
CN116205918B (zh) 基于图卷积的多模态融合半导体检测方法、装置及介质
CN116935174A (zh) 一种多模态融合的金属工件表面缺陷检测方法和系统
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
CN112801201B (zh) 一种基于标准化的深度学习视觉惯导组合导航设计方法
CN115931895A (zh) 一种输电线路缺陷的校验方法和装置
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质
CN114972530A (zh) 一种基于虚拟场景对摄像机的标定方法、装置、设备及存储介质
CN111047185B (zh) 贮存环境因素对弹药贮存可靠性影响的确定方法及装置
CN114067164A (zh) 胚胎发育阶段的检测方法、装置、电子设备及存储介质
CN110827261B (zh) 图像质量检测方法及装置、存储介质及电子设备
CN115420418B (zh) 气压测量方法、装置、电子设备及可读存储介质

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