CN116757967A - 胚胎图像碎片去除方法、计算机设备及可读存储介质 - Google Patents
胚胎图像碎片去除方法、计算机设备及可读存储介质 Download PDFInfo
- Publication number
- CN116757967A CN116757967A CN202311041144.7A CN202311041144A CN116757967A CN 116757967 A CN116757967 A CN 116757967A CN 202311041144 A CN202311041144 A CN 202311041144A CN 116757967 A CN116757967 A CN 116757967A
- Authority
- CN
- China
- Prior art keywords
- embryo
- image
- embryo image
- model
- attention
- 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.)
- Granted
Links
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000012634 fragment Substances 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 210000004027 cell Anatomy 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 210000001109 blastomere Anatomy 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000032823 cell division Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000013020 embryo development Effects 0.000 description 2
- 210000002257 embryonic structure Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000019888 Circadian rhythm sleep disease Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000001456 Jet Lag Syndrome Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000033915 jet lag type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000007762 localization of cell Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种胚胎图像碎片去除方法、计算机设备及可读存储介质，包括步骤：S1收集含有卵裂球的胚胎图像，构建原始胚胎图像数据集；S2对胚胎图像进行胚胎细胞定位，形成图像数据集；S3构建胚胎图像碎片去除模型，对模型进行训练，获取模型及其参数；S4利用胚胎图像碎片去除模型对测试集胚胎数据进行预测；S5将待处理的胚胎图像输入至胚胎图像碎片去除模型得到处理结果。本发明通过构建去除胚胎图像中碎片的AI模型，对胚胎图像进行图像处理以去除碎片干扰，得到高信噪比的胚胎图像。
Description
技术领域
本发明涉及人工智能技术领域，具体地指一种胚胎图像碎片去除方法、计算机设备及可读存储介质。
背景技术
随着不孕不育患者的指数增长，胚胎的体外培养技术作用与日俱增，利用时差培养箱进行体外胚胎培养已经成为一种重要手段。胚胎学家通过观察时差培养箱中拍摄的胚胎图像对胚胎的质量进行评估，选择优质胚胎进行移植。胚胎发育过程中会产生碎片，碎片的大小是胚胎学家评估胚胎质量的重要因素之一。如何很好地识别碎片具有两个重要的意义：一是准确地获取碎片的大小可以帮助胚胎学家精准地判断胚胎的好坏；二是胚胎学家在进行胚胎质量评估时不仅依赖于碎片大小，同时还需要结合细胞个数、细胞分裂时刻等多个因素，胚胎发育产生的碎片对细胞个数、细胞分裂时刻等识别产生了干扰。由于在胚胎分裂过程中，产生的碎片是动态变化，如何运用计算机技术快速准确地识别和去除胚胎中的碎片是目前亟需解决的问题。
发明内容
本发明针对现有技术的不足之处，提出一种胚胎图像碎片去除方法、计算机设备及可读存储介质，通过学习图像中有用信息和噪声之间的差异，自适应地去除碎片，从而提高胚胎评估和预测的准确性和鲁棒性。
为实现上述目的，本发明设计的一种胚胎图像碎片去除方法，其特殊之处在于，包括如下步骤：
S1收集含有卵裂球的胚胎图像，构建原始胚胎图像数据集；
S2对每张原始胚胎图像进行胚胎细胞定位，得到定位后的胚胎图像，并形成图像数据集；
S3构建胚胎图像碎片去除模型，并利用S2构建的图像数据集对所述胚胎图像碎片去除模型进行训练，获取模型及其参数；
S4利用训练后的胚胎图像碎片去除模型对测试集胚胎数据进行预测，并完成测试集预测和结果评估；
S5将待处理的胚胎图像输入至胚胎图像碎片去除模型得到处理结果。
优选地，步骤S3中所述胚胎图像碎片去除模型采用基于CNN和注意力机制的网络结构，包括一个CNN编码器、一个CNN解码器和一个对称注意力结构。
优选地，所述胚胎图像碎片去除模型的网络结构中，所述编码器是一个由多个卷积层组成的堆栈，用于将输入的图像转换成特征图；所述解码器用于将特征图解码成输出图像，所述对称注意力结构用于处理特征序列中不同斑块大小的信息。
优选地，所述对称注意力结构分为特征编码部分和特征解码部分，所述特征编码部分采用逐渐增大的斑块，从小到大依次使用注意力块；所述特征解码部分采用逐渐减小的斑块，从大到小依次放置注意力块。
优选地，步骤S2中使用YOLO-FastestV2对每张图像进行了胚胎细胞定位，得到定位后的胚胎图像。
优选地，步骤S1中对原始胚胎图像数据集中的图像通过旋转、翻转操作进行扩充；并调整图像的亮度、对比度以扩充数据集，增强对训练模型在不同光照环境下胚胎图像的识别能力。
优选地，所述对称注意力结构对图像处理的步骤包括：
a1）将一个特征图嵌入到一个查询特征/>，一个关键特征和一个值特征/>，R表示实数集，h、w分别为高度和宽度，c是通道数；
a2）从查询特征Q中提取形状为的斑块，得到/>个斑块，m为设定的斑块宽度与高度的值；
a3）将l个斑块展为列向量，并将这些向量合并为矩阵，即d维斑块序列；
a4）对关键特征K、值特征Q进行相同操作，得到相应的、/>。
优选地，所述对称注意力结构具有特殊先验机制，处理过程为：
假设第i个查询斑块的空间坐标/>为/>，第j个关键斑块/>的空间坐标为/>；对于每个/>，引入一个二维空间高斯分布作为注意力得分的先验，I是一个单位矩阵，则对于第j个关键斑块/>的/>，Q中第i个查询斑块/>的注意力输出通过以下方式确定：
其中，是K中第j、n个关键补丁，T代表转秩运算，/>是V中对应的第j个值补丁，/>；
在计算相似度时，被视为特殊先验。
本发明还提出一种计算机设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的一种胚胎图像碎片去除方法。
本发明另外提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种胚胎图像碎片去除方法。
胚胎图像碎片去除是一个重要的图像处理任务，用于清除胚胎图像中不必要的碎片，从而提高胚胎形态学特征的可靠性。胚胎图像碎片去除的目的是保留有关胚胎形态学特征的重要信息，同时去除碎片，从而提高后续的胚胎评估和预测准确性。
深度学习算法在图像去噪中得到了广泛应用。通过利用卷积神经网络（CNN）、自编码器（Autoencoder）和生成对抗网络（GAN）等深度学习模型，可以自动学习图像中有用信息和噪声之间的差异，并准确地去除噪声。这些模型可以通过大量数据的训练，学习图像中有用信息和噪声之间的差异，自适应地去除碎片，从而提高胚胎评估和预测的准确性和鲁棒性。胚胎图像碎片去除是胚胎评估和预测的重要预处理步骤，可以提高胚胎形态学特征的可靠性。
本发明提出的一种胚胎图像碎片去除方法、计算机设备及可读存储介质，其有益效果包括：
1、本发明通过构建去除胚胎图像中碎片的AI模型，使胚胎图像预测得到保障；
2、本发明能够对胚胎图像进行图像处理以去除碎片干扰，得到高信噪比的胚胎图像；
3、本发明使用网络模型对每张图像进行了胚胎细胞定位，以解决时差培养箱提供的光源条件不稳定，拍摄的胚胎图像出现忽亮忽暗，造成其他成像区域干扰的问题。
4、本发明构建基于CNN和对称注意力网络结构的胚胎图像碎片去除模型，不仅能够有效地处理特征序列中不同斑块大小的信息，还可以更加高效地提取特征。
附图说明
图1为本发明一种胚胎图像碎片去除方法的流程图；
图2为胚胎图像碎片去除模型的网络结构示意图；
图3为胚胎图像碎片去除结果示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示，本发明提出的一种胚胎图像碎片去除方法，包括步骤：
S1收集含有卵裂球的胚胎图像，构建原始胚胎图像数据集；
S2对每张原始胚胎图像进行胚胎细胞定位，得到定位后的胚胎图像，并形成图像数据集；
S3构建胚胎图像碎片去除模型，并利用S2构建的图像数据集对所述胚胎图像碎片去除模型进行训练，获取模型及其参数；
S4利用训练后的胚胎图像碎片去除模型对测试集胚胎数据进行预测，并完成测试集预测和结果评估；
S5将待处理的胚胎图像输入至胚胎图像碎片去除模型得到处理结果。
下面详细介绍本实施例的实施过程：
1. 数据收集与预处理阶段
收集含有卵裂球的胚胎图像，构建原始胚胎图像数据集。本发明从不同生殖中心收集胚胎图像。考虑到时差培养箱中拍摄的图像长宽比相同，且胚胎在孔中摆放的位置各不相同，通过图像处理中旋转，翻转的技术对图像进行扩充，丰富胚胎姿态的多样性；同时考虑到时差培养箱在拍摄时会受到灯光环境的影响，调整图像的亮度、对比度以扩充数据集，增强对训练模型对不同光照环境下胚胎图像的识别能力。
对每张原始胚胎图像进行胚胎细胞定位，得到定位后的胚胎图像，并形成图像数据集。在胚胎图像的实际的拍摄过程中，时差培养箱提供的光源条件不稳定给拍摄胚胎图像带来干扰，造成拍摄的胚胎图像出现忽亮忽暗，而且胚胎区域在整个形成的胚胎图像中所占区域基本小于50%，所以，为了避免其他成像区域的干扰，在将图像送入网络模型之前，使用卷积神经网络，如YOLO-FastestV2或Yolov5网络对每张图像进行了胚胎细胞定位，得到定位后的胚胎图像，并形成数据集。
2.模型构建和训练阶段
（1）模型构建
本发明构建的胚胎图像碎片去除模型主要采用基于CNN和注意力机制的网络，如图2所示，该网络主要由三部分组成，包括一个CNN编码器、一个CNN解码器和一个对称注意力结构。编码器由多个残差块组成，残差块是一种神经网络层，有助于改善梯度流动，使网络学习更深层次的表示，并减少过拟合的可能性。利用五个残差块将图像编码为特征图，R表示实数集，h、w分别为高度和宽度，c是通道数。解码器的结构与编码器相似，解码器则用于将特征渲染成图像。对称性注意力结构是由特征编码过程和特征解码过程共同形成的一个对称结构，它们利用多尺度的特征信息，充分挖掘输入的上下文形成的特征。
胚胎图像碎片去除模型通过提供的对称注意力结构，有效地处理特征序列中不同斑块大小的信息。该结构由一系列注意力块组成，这些块被设计用于处理不同大小的斑块，以一定的顺序堆叠。具体地，将该结构分为特征编码部分和特征解码部分：在特征编码部分，采用逐渐增大的斑块，从小到大依次使用注意力块；在特征解码部分，则采用逐渐减小的斑块，从大到小依次放置注意力块。这样，可以逐步降低特征图的分辨率，并在特征解码阶段逐步增加分辨率。因此，本发明提供的对称注意力结构不仅能够有效地处理特征序列中不同斑块大小的信息，还可以更加高效地提取特征。
胚胎图像碎片去除模型的对称注意力结构是由基于不同大小的特征斑块的注意力块组成的。注意块的设计参考了transformer中的编码器块，包含拉普拉斯注意力层和前馈网络（FFN）层。此外，在每个子层上采用了残差连接，以提高模型性能。
注意力结构处理数据包括两个过程：特征编码过程和特征解码过程。在特征编码过程中，采用逐渐减少的策略来控制特征斑块的数量，而在解码过程中，采用逐渐增加的策略。具体来说，图像通过编码器后，得到一个特征图。在特征编码的过程中，首先将特征图F分成/>个斑块，每个斑块的大小为/>；把斑块序列送入第一个注意力块的子层；重复4次不同大小斑块的特征编码。在每一次中，首先将输入的特征图/>划分为/>斑块，每个斑块的大小为/>（其中m i依次为1、2、4、8、16）；将这些特征斑块送入注意力块的后续子层，并输出一个与F相同大小的新特征图。而随着网络加深，斑块的数量会逐渐减少，斑块的大小会逐渐增加。
至于特征解码过程，基本上可以看作是特征编码的逆过程。在特征解码的每个阶段，也将输入的特征分成/>个斑块，大小为/>（其中m i依次为16、8、4、2、1）。与特征编码类似，这些斑块被送入注意块的子层，得到相应的特征图。特征解码过程也包括五个阶段。随着网络的加深，斑块的数量增加，斑块的维度减少，特征编码过程和特征解码过程共同形成了一个对称的结构，利用多尺度的特征信息，充分挖掘输入的上下文形成的特征。
在本实施例中，注意力结构具体特殊先验机制。首先，将一个特征图嵌入到一个查询特征/>、一个关键特征/>和一个值特征/>。然后从查询特征Q中提取形状为/>的斑块，得到/>个斑块，m为设定的斑块宽度与高度的值。将这些斑块展为列向量，并将这些向量合并为矩阵/>，即d维斑块序列。对关键特征K、值特征V进行类似操作，得到相应矩阵的/>、/>。在相似性分布上引入了特殊先验，以反映注意力中距离的影响。具体来说，假设第i个查询斑块/>的空间坐标/>为/>；假设第j个关键斑块/>的空间坐标/>为/>。对于每个查询斑块/>，引入一个二维空间高斯分布/>作为注意力得分的先验，I是一个单位矩阵，则对于第j个关键斑块/>的/>。Q中第i个查询斑块/>的注意力输出/>可以通过以下方式确定：
，
，
，
；
其中，是K中第j、n个关键补丁，T代表转秩运算，/>是V中对应的第j个值补丁，/>。因此，在计算相似度时，/>可以被视为特殊先验。
（2）模型训练
使用胚胎图像数据集对本文的网络进行训练，获取训练后的网络和参数。
3.模型预测阶段
将测试集中的胚胎图像作为训练网络的输入，模型会输出去除碎片后的胚胎图像，评估结果图片如图3所示。
本发明还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种胚胎图像碎片去除方法。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
最后需要说明的是，以上具体实施方式仅用以说明本专利技术方案而非限制，尽管参照较佳实施例对本专利进行了详细说明，本领域的普通技术人员应当理解，可以对本专利的技术方案进行修改或者等同替换，而不脱离本专利技术方案的精神和范围，其均应涵盖在本专利的权利要求范围当中。
Claims (10)
1.一种胚胎图像碎片去除方法，其特征在于：包括如下步骤：
S1收集含有卵裂球的胚胎图像，构建原始胚胎图像数据集；
S2对每张原始胚胎图像进行胚胎细胞定位，得到定位后的胚胎图像，并形成图像数据集；
S3构建胚胎图像碎片去除模型，并利用S2构建的图像数据集对所述胚胎图像碎片去除模型进行训练，获取模型及其参数；
S4利用训练后的模型胚胎图像碎片去除模型对测试集胚胎数据进行预测，并完成测试集预测和结果评估；
S5将待处理的胚胎图像输入至胚胎图像碎片去除模型得到处理结果。
2.根据权利要求1所述的一种胚胎图像碎片去除方法，其特征在于：步骤S3中所述胚胎图像碎片去除模型采用基于CNN和注意力机制的网络结构，包括一个CNN编码器、一个CNN解码器和一个对称注意力结构。
3.根据权利要求2所述的一种胚胎图像碎片去除方法，其特征在于：所述胚胎图像碎片去除模型的网络结构中，所述编码器是一个由多个卷积层组成的堆栈，用于将输入的图像转换成特征图；所述解码器用于将特征图解码成输出图像，所述对称注意力结构用于处理特征序列中不同斑块大小的信息。
4.根据权利要求3所述的一种胚胎图像碎片去除方法，其特征在于：所述对称注意力结构分为特征编码部分和特征解码部分，所述特征编码部分采用逐渐增大的斑块，从小到大依次使用注意力块；所述特征解码部分采用逐渐减小的斑块，从大到小依次放置注意力块。
5.根据权利要求1所述的一种胚胎图像碎片去除方法，其特征在于：步骤S2中使用卷积神经网络对每张图像进行了胚胎细胞定位，得到定位后的胚胎图像。
6.根据权利要求1所述的一种胚胎图像碎片去除方法，其特征在于：步骤S1中对原始胚胎图像数据集中的图像通过旋转、翻转操作进行扩充；并调整图像的亮度、对比度以扩充数据集，增强对训练模型在不同光照环境下胚胎图像的识别能力。
7.根据权利要求4所述的一种胚胎图像碎片去除方法，其特征在于：所述对称注意力结构对图像处理的步骤包括：
a1）将一个特征图嵌入到一个查询特征/>、一个关键特征和一个值特征/>，R表示实数集，h、w分别为高度和宽度，c是通道数；
a2）从查询特征Q中提取形状为的斑块，得到/>个斑块，m为设定的斑块宽度与高度的值；
a3）将l个斑块展为列向量，并将这些向量合并为矩阵，即d维斑块序列；
a4）对关键特征K、值特征Q进行相同操作，得到相应的、/>。
8.根据权利要求7所述的一种胚胎图像碎片去除方法，其特征在于：所述对称注意力结构具有特殊先验机制，处理过程为：
假设第i个查询斑块q i的空间坐标c i为，第j个关键斑块k j的空间坐标c j为；对于每个q i，引入一个二维空间高斯分布/>作为注意力得分的先验，I是一个单位矩阵，则对于第j个关键斑块k j的，Q中第i个查询斑块/>的注意力输出/>通过以下方式确定：
其中，是K中第j、n个关键补丁，T代表转秩运算，/>是V中对应的第j个值补丁， />；在计算相似度时，/>被视为特殊先验。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任一所述的方法。
10.一种计算机可读存储介质，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权利要求1至8中任一项所述的一种胚胎图像碎片去除方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311041144.7A CN116757967B (zh) | 2023-08-18 | 2023-08-18 | 胚胎图像碎片去除方法、计算机设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311041144.7A CN116757967B (zh) | 2023-08-18 | 2023-08-18 | 胚胎图像碎片去除方法、计算机设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757967A true CN116757967A (zh) | 2023-09-15 |
| CN116757967B CN116757967B (zh) | 2023-11-03 |
Family
ID=87953674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311041144.7A Active CN116757967B (zh) | 2023-08-18 | 2023-08-18 | 胚胎图像碎片去除方法、计算机设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757967B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016036697A1 (en) * | 2014-09-05 | 2016-03-10 | Progyny, Inc. | Methods of detecting embryo mosaicism |
| CN109544512A (zh) * | 2018-10-26 | 2019-03-29 | 浙江大学 | 一种基于多模态的胚胎妊娠结果预测装置 |
| WO2019113643A1 (en) * | 2017-12-15 | 2019-06-20 | Virtus Innovations Pty Ltd | Systems and methods for estimating embryo viability |
| US20190333199A1 (en) * | 2018-04-26 | 2019-10-31 | The Regents Of The University Of California | Systems and methods for deep learning microscopy |
| WO2020045987A1 (ko) * | 2018-08-31 | 2020-03-05 | 길재소프트 주식회사 | 딥 러닝 기반 가상현실 3d 태아 모델 제공 시스템 및 방법 |
| US20200134831A1 (en) * | 2018-10-30 | 2020-04-30 | Allen Institute | Segmenting 3d intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions |
| CN111681209A (zh) * | 2020-05-15 | 2020-09-18 | 武汉互创联合科技有限公司 | 卵裂球分裂状态智能检测方法及系统 |
| CN111785375A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎分裂过程分析及妊娠率智能预测方法及系统 |
| CN111783854A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎妊娠状态智能预测方法及系统 |
| CN111814741A (zh) * | 2020-07-28 | 2020-10-23 | 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 |
| CN112991306A (zh) * | 2021-03-25 | 2021-06-18 | 华南理工大学 | 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 |
| CN113066093A (zh) * | 2021-04-08 | 2021-07-02 | 南华大学附属第一医院 | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 |
| CN114972167A (zh) * | 2022-03-24 | 2022-08-30 | 武汉大学 | 基于时空注意力和跨模态融合的胚胎妊娠预测方法及系统 |
| CN115239715A (zh) * | 2022-09-22 | 2022-10-25 | 中南大学 | 一种囊胚发育结果预测方法、系统、设备及存储介质 |
| WO2022240851A1 (en) * | 2021-05-10 | 2022-11-17 | Kang Zhang | System and method for outcome evaluations on human ivf-derived embryos |
| US20220383497A1 (en) * | 2021-05-28 | 2022-12-01 | Daniel Needleman | Automated analysis and selection of human embryos |
| CN116051560A (zh) * | 2023-03-31 | 2023-05-02 | 武汉互创联合科技有限公司 | 基于胚胎多维度信息融合的胚胎动力学智能预测系统 |
| CN116091421A (zh) * | 2022-12-16 | 2023-05-09 | 中山大学 | 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法 |
| WO2023121575A1 (en) * | 2021-12-23 | 2023-06-29 | Kodmed Saglik Ve Bilisim Teknolojileri A.S | Determining the age and arrest status of embryos using a single deep learning model |
-
2023
- 2023-08-18 CN CN202311041144.7A patent/CN116757967B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016036697A1 (en) * | 2014-09-05 | 2016-03-10 | Progyny, Inc. | Methods of detecting embryo mosaicism |
| WO2019113643A1 (en) * | 2017-12-15 | 2019-06-20 | Virtus Innovations Pty Ltd | Systems and methods for estimating embryo viability |
| US20190333199A1 (en) * | 2018-04-26 | 2019-10-31 | The Regents Of The University Of California | Systems and methods for deep learning microscopy |
| US20210315539A1 (en) * | 2018-08-31 | 2021-10-14 | Girjaesoft Co., Ltd. | System and method for providing deep learning-based virtual reality 3d embryo model |
| WO2020045987A1 (ko) * | 2018-08-31 | 2020-03-05 | 길재소프트 주식회사 | 딥 러닝 기반 가상현실 3d 태아 모델 제공 시스템 및 방법 |
| CN109544512A (zh) * | 2018-10-26 | 2019-03-29 | 浙江大学 | 一种基于多模态的胚胎妊娠结果预测装置 |
| US20200134831A1 (en) * | 2018-10-30 | 2020-04-30 | Allen Institute | Segmenting 3d intracellular structures in microscopy images using an iterative deep learning workflow that incorporates human contributions |
| CN111681209A (zh) * | 2020-05-15 | 2020-09-18 | 武汉互创联合科技有限公司 | 卵裂球分裂状态智能检测方法及系统 |
| CN111785375A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎分裂过程分析及妊娠率智能预测方法及系统 |
| CN111783854A (zh) * | 2020-06-18 | 2020-10-16 | 武汉互创联合科技有限公司 | 胚胎妊娠状态智能预测方法及系统 |
| CN111814741A (zh) * | 2020-07-28 | 2020-10-23 | 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 |
| CN112991306A (zh) * | 2021-03-25 | 2021-06-18 | 华南理工大学 | 一种基于图像处理的卵裂期胚胎细胞位置分割和计数方法 |
| CN113066093A (zh) * | 2021-04-08 | 2021-07-02 | 南华大学附属第一医院 | 一种基于子宫内膜超声图像的自动分割分型及厚度测量方法 |
| WO2022240851A1 (en) * | 2021-05-10 | 2022-11-17 | Kang Zhang | System and method for outcome evaluations on human ivf-derived embryos |
| US20220383497A1 (en) * | 2021-05-28 | 2022-12-01 | Daniel Needleman | Automated analysis and selection of human embryos |
| WO2023121575A1 (en) * | 2021-12-23 | 2023-06-29 | Kodmed Saglik Ve Bilisim Teknolojileri A.S | Determining the age and arrest status of embryos using a single deep learning model |
| CN114972167A (zh) * | 2022-03-24 | 2022-08-30 | 武汉大学 | 基于时空注意力和跨模态融合的胚胎妊娠预测方法及系统 |
| CN115239715A (zh) * | 2022-09-22 | 2022-10-25 | 中南大学 | 一种囊胚发育结果预测方法、系统、设备及存储介质 |
| CN116091421A (zh) * | 2022-12-16 | 2023-05-09 | 中山大学 | 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法 |
| CN116051560A (zh) * | 2023-03-31 | 2023-05-02 | 武汉互创联合科技有限公司 | 基于胚胎多维度信息融合的胚胎动力学智能预测系统 |
Non-Patent Citations (3)
| Title |
|---|
| VIDAS RAUDONIS ET AL: "Towards the automation of early-stage human embryo development detection", 《OPEN ACCESS》 * |
| 罗清炳等: "胚胎碎片去除后对妊娠结局的影响", 《湖北医药学院学报》, vol. 40, no. 02 * |
| 翟丹梅;李慕军;江莉;: "早期胚胎发育过程中碎片的产生及其影响研究进展", 生殖与避孕, no. 07 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757967B (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10846566B2 (en) | Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks | |
| CN111476292A (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
| JP2022551683A (ja) | 人工知能（ａｉ）モデルを使用した非侵襲的遺伝子検査を行う方法及びシステム | |
| CN113379833B (zh) | 一种基于神经网络的图像可见水印的定位和分割方法 | |
| CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
| CN114266786A (zh) | 基于生成对抗网络的胃病变分割方法及系统 | |
| Khumancha et al. | Lung cancer detection from computed tomography (CT) scans using convolutional neural network | |
| CN115359074B (zh) | 基于超体素聚类及原型优化的图像分割、训练方法及装置 | |
| Chapala et al. | ResNet: detection of invasive ductal carcinoma in breast histopathology images using deep learning | |
| CN116612378A (zh) | 一种基于ssd改进的不平衡数据及复杂背景下水下小目标检测方法 | |
| CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
| CN115100165A (zh) | 一种基于肿瘤区域ct图像的结直肠癌t分期方法及系统 | |
| CN111047559A (zh) | 一种数字病理切片异常区域快速检测的方法 | |
| CN116757967B (zh) | 胚胎图像碎片去除方法、计算机设备及可读存储介质 | |
| CN112270404A (zh) | 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法 | |
| CN116704188A (zh) | 一种基于改进U-Net网络的不同容重小麦籽粒图像分割算法 | |
| CN112508057A (zh) | 一种肺结节分类方法、介质及电子设备 | |
| CN116524352A (zh) | 一种遥感图像水体提取方法及装置 | |
| CN113192076B (zh) | 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 | |
| Guorui et al. | Image forgery detection based on the convolutional neural network | |
| Arefin et al. | Deep learning approach for detecting and localizing brain tumor from magnetic resonance imaging images | |
| Wang et al. | Weakly-supervised Learning Using Pretraining for Classification in HER2 Immunohistochemistry Image of Breast Cancer | |
| Boumaraf et al. | Conventional Machine Learning versus Deep Learning for Magnification Dependent Histopathological Breast Cancer Image Classification: A Comparative Study with Visual Explanation. Diagnostics, 2021; 11 (3): 528 | |
| CN115205853B (zh) | 一种基于图像的柑橘果实检测与识别方法及系统 | |
| Chen et al. | Image distillation based screening for x-ray crystallography diffraction images |
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 |