JP2016509845A - 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム - Google Patents
画像ベースのヒト胚細胞分類のための装置、方法、およびシステム Download PDFInfo
- Publication number
- JP2016509845A JP2016509845A JP2015560375A JP2015560375A JP2016509845A JP 2016509845 A JP2016509845 A JP 2016509845A JP 2015560375 A JP2015560375 A JP 2015560375A JP 2015560375 A JP2015560375 A JP 2015560375A JP 2016509845 A JP2016509845 A JP 2016509845A
- Authority
- JP
- Japan
- Prior art keywords
- images
- image
- embryo
- embryos
- cells
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Pathology (AREA)
- Biotechnology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Cell Biology (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
本願は、米国仮特許出願第61/785,170号(2013年3月14日出願、名称「APPARATUS,METHOD,AND SYSTEM FOR IMAGE−BASED HUMAN EMBRYO CELL CLASSIFICATION」);米国仮特許出願第61/785,216号(2013年3月14日出願、名称「APPARATUS,METHOD,AND SYSTEM FOR IMAGE−BASED HUMAN EMBRYO OUTCOME DETERMINATION」);米国仮特許出願第61/771,000号(2013年2月28日出願、名称「AUTOMATED EMBRYO STAGE CLASSIFICATION IN TIME−LAPSE MICROSCOPY VIDEO OF EARLY HUMAN EMBRYO DEVELOPMENT」);米国仮特許出願第61/785,179号(2013年3月14日出願、名称「APPARATUS,METHOD,AND SYSTEM FOR AUTOMATED,NON−INVASIVE CELL ACTIVITY TRACKING」);米国仮特許出願第61/785,199号(2013年3月14日出願、名称「APPARATUS,METHOD,AND SYSTEM FOR HUMAN EMBRYO VIABILITY SCREENING BASED ON AUTOMATED CONFIDENCE ESTIMATION OF ASSESSMENT OF CELL ACTIVITY」);および米国仮特許出願第61/770,998号(2013年2月28日出願、名称「UNIFIED FRAMEWORK FOR AUTOMATED HUMAN EMBRYO TRACKING」)に対する優先権を主張する。上記出願の各々の内容は、その全体が参照により本明細書に引用される。
本発明は、概して、細胞分類および/または結果決定に関する。より具体的には、本発明は、限定されないが、胚、卵母細胞、および/または同等物等の多能性細胞に関連付けられる特性を決定する分類に関する。加えて、または代替として、本発明は、既知の結果を伴う1つ以上の一連の胚画像から抽出される細胞特徴情報に基づく、未知の結果を伴う一連の胚画像の胚結果決定に関する。加えて、または代替として、本発明は、自動胚ランク付けおよび/またはカテゴリ化に関する。
例えば、自動追跡を介して得られる各画像内の細胞の数が、細胞分裂事象の時間を推定するための基礎であるときに、個々の細胞追跡誤差が、さらに伝搬/拡大され得る。別の実施例として、将来の胚生存率の可能性を決定するために、細胞の推定数および/または分裂タイミング情報が使用されるとき、この自動決定はまた、誤りがあり得、特定の胚を使用してIVFを続行するかどうか等の誤った決定につながり得る。加えて、胚が類似する質であるとき、例えば、どの胚を着床させるか、およびどの胚を凍結させるかを決定するように、胚を区別することが困難であり得る。
これを背景にして、本明細書で説明される、画像ベースのヒト胚細胞分類、画像ベースの胚結果決定のため、ならびに自動胚ランク付けおよび/またはカテゴリ化のための装置、方法、およびシステムを開発する必要性が生じる。
「発生能」および「発生能力」という用語は、健康な胚または多能性細胞が成長または発育する能力および可能性を指すために、本明細書で使用される。
本発明の側面は、1つ以上の分類器を使用する、画像ベースの細胞分類および/または画像ベースの細胞発生結果決定のために動作可能である。いくつかの実施形態では、少なくとも1つの分類器は、細胞分類のため、および結果決定のための両方に使用可能である。他の実施形態では、細胞分類に使用可能な1つ以上の分類器は、結果決定に使用可能な1つ以上の分類器とは異なる。
遷移行列:
を表し、式中、
は、
を伴う点の集合
である。各フレームtにおいて、各々が
個の点を伴うKt個の区画があり、
である。節点17023/oに関連付けられる、推測される変数は、1つ以上の標識節点1706によって表される区画・細胞標識、1つ以上の楕円記述子節点1708によって表される形状記述子(本実施例では、楕円記述子)、細胞の数の節点1710によって表される細胞の数、および1つ以上の細胞分裂事象節点1712によって表される細胞分裂事象を含み得る。標識節点1706は、区画を細胞に割り当てる標識
を表し、本実施例では、Nmax=4個の細胞である。楕円記述子節点1708は、楕円
を表す。細胞の数の節点1710は、細胞の数
を表す。細胞分裂事象節点1712は、分裂事象
を表す。各楕円
は、その親
に関連付けられ得る。
は、ゼロに設定され、フレーム間類似性に関連付けられる項δ(t)は、0.5に設定される(分裂事象が隣接する画像1602(図16A参照)の間で同等に起こるように、または起こらないように)。それによって、
は、定数になり、観察モデルから除外することができる。
は、区画
を細胞に関係付ける、細胞内形状および幾何学的一貫性を捕捉する。幾何学的制約を符号化する項
は、胚内の異なる細胞の形状を互に関係付ける、細胞間幾何学的コンテキストを捕捉する。方程式(7)および(11)(実施例3参照)に示される運動(遷移)モデル
は、画像フレーム間で形状および局所構造を関係付ける時間的コンテキストを捕捉する。
を含み得る。画像類似性尺度は、隣接する画像1602(図16A参照)の間の1つ以上の細胞分裂事象の発生の可能性に関し得る。分類器は、AdaBoostまたはサポートベクターマシン(SVM)分類器であり得、単一レベルまたは多重レベルであり得、手作りおよび/または機械学習される判別可能な画像特徴のセットから、細胞の数の事後確率(一実施形態では以下の方程式(8)(実施例3参照)の中の
)を推定し得る。そのような分類器は、以前に開示されたような画像ベースの細胞分類を行うように構成することができる。
は、ゼロに設定され、フレーム間類似性に関連付けられる項δ(t)は、0.5に設定される(分裂事象が隣接する画像1602(図16A参照)の間で同等に起こるように、または起こらないように)。それによって、
は、定数になり、近似同時分布から除外することができる。
)を含み得る。
適合性関数は、(1)1つの時間スライス(観察モデルΦ)内にある変数、または(2)隣接時間スライス(運動モデルΨ)に及ぶ変数のいずれかに関する。CRFは、全ての適合性関数の積に比例するような全ての変数に関する同時確率分布を符号化する。
をφ1と組み合わせ、φ1は、楕円、区画、および標識の適合性を符号化する。
は、楕円被覆率の項であり、
は、区画適合誤差であり、cfおよびcrは、経験的に選択される。
であり、Λは、変形費用の対角行列であり、hは、母細胞から娘細胞形状への非アフィン変形である。
)を推定するために、マルチレベルAdaBoost分類器を使用する。
およびδ(t)を除外する、分解されたサブグラフ上で時間tを最適化することによって、N(t)の非正規化最大周辺尺度である、
を推定する。
は、粒子から得られる。近似最大周辺尺度402(方程式(13)および(14)参照)の例示的な結果が、図19Aおよび19Bに示される。分類尺度403および画像類似性尺度1905の例示的な結果は、図19Bに示される。
を取得するために、
を分類器
および画像類似性δ(t)と組み合わせる。これは、N(t)、d(t)、δ(t)、および
を含む、別の分解されたサブグラフに関して行われ、最も可能性の高いシーケンス
を推定する。本実施例は、節点がN(t)であり、同時分布が単項(方程式(8))および対合項(方程式(10、11))によって因数分解される、連鎖グラフによって、このサブグラフを近似する。
本発明はさらに、例えば、以下を提供する。
(項目1) 自動細胞分類のための方法であって、前記方法は、
複数の第1の分類器を1つ以上の細胞の複数の画像の各々に適用し、各画像に対して、各第1の分類器に関連付けられている第1の分類確率を決定することであって、
各第1の分類器は、異なる第1の数の細胞に関連付けられており、1つ以上の機械学習される細胞特徴を含む複数の細胞特徴に基づいて、前記各画像の前記第1の分類確率を決定し、
前記第1の分類確率は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞が前記各画像に示されている第1の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第1の分類確率を有する、
ことと、
前記各第1の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の第1の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を含む、方法。
(項目2) 前記各第1の分類器に関連付けられている前記異なる第1の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、項目1に記載の方法。
(項目3) 前記複数の第1の分類器の各々は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて構成されている、項目1に記載の方法。
(項目4) 前記複数の細胞特徴は、1つ以上の手作りの細胞特徴を含む、項目1に記載の方法。
(項目5) 複数の第2の分類器を各画像に適用し、前記各画像に対して、前記複数の第1の分類確率のうちの少なくとも1つに基づいて、各第2の分類器に関連付けられている第2の分類確率を決定することをさらに含む、項目1に記載の方法。
(項目6) 前記複数の第1の分類確率のうちの前記少なくとも1つは、前記各画像に時間的に隣接する、前記複数の画像のうちの1つ以上の画像に関連付けられている、項目5に記載の方法。
(項目7) 前記複数の画像は、経時的な一連の画像である、項目6に記載の方法。
(項目8) 前記第2の分類確率と前記第1の分類確率のうちの前記少なくとも1つとは、同一の異なる第1の数の細胞に関連付けられている、項目5に記載の方法。
(項目9) 複数の第2の分類器を各画像に適用し、前記各画像に対して、各第2の分類器に関連付けられている第2の分類確率を決定することであって、
各第2の分類器は、異なる第3の数の細胞に関連付けられており、
前記各第2の分類器は、前記複数の細胞特徴に基づいて、かつ、1つ以上の追加の細胞特徴にさらに基づいて、前記各画像に対する前記第2の分類確率を決定し、前記1つ以上の追加の細胞特徴は、前記各画像に時間的に隣接する、前記複数の画像に含まれる1つ以上の画像に関連付けられている、前記複数の第1の分類確率像のうちの1つ以上の分類確率に関連付けられており、
前記第2の分類確率は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞が前記各画像に示されている第2の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第2の分類確率を有する、
ことと、
前記各第2の分類器に関連付けられている前記異なる第3の数の細胞と、その画像に関連付けられている前記複数の第2の分類確率とに基づいて、第4の数の細胞を示すものとして各画像を分類することと
をさらに含む、項目1に記載の方法。
(項目10) 前記複数の画像は、経時的な一連の画像である、項目9に記載の方法。
(項目11) 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、項目9に記載の方法。
(項目12) 前記複数の第2の分類器の各々は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて構成されている、項目9に記載の方法。
(項目13) 前記第2の複数の訓練画像の各々は、前記第1の複数の訓練画像の全てとは異なる、項目12に記載の方法。
(項目14) 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、前記複数の第1の分類器のうちの対応するものに関連付けられている前記異なる第1の数の細胞と同一である、項目9に記載の方法。
(項目15) 前記各画像内の前記第4の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定することをさらに含む、項目9に記載の方法。
(項目16) 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、項目15に記載の方法。
(項目17) 精緻化アルゴリズムを前記複数の画像に適用し、前記複数の画像に基づいて、前記第4の数の細胞を示すものとして分類された前記複数の画像のうちの1つ以上の画像が、代わりに、前記第4の数の細胞とは異なる第5の数の細胞を示すことを決定することをさらに含む、項目9に記載の方法。
(項目18) 前記精緻化アルゴリズムは、ビタビアルゴリズムである、項目17に記載の方法。
(項目19) 前記各画像内の前記第2の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定することをさらに含む、項目1に記載の方法。
(項目20) 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、項目19に記載の方法。
(項目21) 前記決定された細胞活性パラメータに基づいて予測基準を前記1つ以上の細胞に適用し、複数の特定の結果に含まれる予測結果を決定することをさらに含む、項目19に記載の方法。
(項目22) 前記複数の画像に示される前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、項目19に記載の方法。
(項目23) 前記複数の第1の分類器は、2項分類を行うように構成されているAdaBoost分類器である、項目1に記載の方法。
(項目24) 前記複数の細胞特徴の各々は、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上の種類である、項目1に記載の方法。
(項目25) 前記1つ以上の機械学習される細胞特徴のうちの少なくとも1つは、複数の学習画像から教師なし学習を介して学習される、項目1に記載の方法。
(項目26) 分類モジュールを備えている自動細胞分類のための装置であって、
前記分類モジュールは、
複数の第1の分類器を1つ以上の細胞の複数の画像の各々に適用し、各画像に対して、各第1の分類器に関連付けられている第1の分類確率を決定することであって、
各第1の分類器は、異なる第1の数の細胞に関連付けられており、1つ以上の機械学習される細胞特徴を含む複数の細胞特徴に基づいて、前記各画像の前記第1の分類確率を決定するように構成されており、
前記第1の分類確率は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞が前記各画像に示されている第1の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第1の分類確率を有する、
ことと、
前記各第1の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の第1の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成され、
前記分類モジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。
(項目27) 前記複数の画像を受信するための画像モジュールをさらに備えている、項目26に記載の装置。
(項目28) 前記各第1の分類器に関連付けられている前記異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて、前記複数の第1の分類器の各々を構成するように構成されている訓練モジュールをさらに備えている、項目26に記載の装置。
(項目29) 前記複数の細胞特徴は、1つ以上の手作りの細胞特徴を含む、項目26に記載の装置。
(項目30) 前記分類モジュールは、複数の第2の分類器を各画像に適用し、前記各画像に対して、前記複数の第1の分類確率のうちの少なくとも1つに基づいて、各第2の分類器に関連付けられている第2の分類確率を決定するようにさらに構成されている、項目26に記載の装置。
(項目31) 前記複数の第1の分類確率のうちの前記少なくとも1つは、前記各画像に時間的に隣接する、前記複数の画像のうちの1つ以上の画像に関連付けられている、項目30に記載の装置。
(項目32) 前記複数の画像は、経時的な一連の画像である、項目31に記載の装置。
(項目33) 前記第2の分類確率と前記第1の分類確率のうちの前記少なくとも1つとは、同一の異なる第1の数の細胞に関連付けられている、項目30に記載の装置。
(項目34) 前記分類モジュールは、
複数の第2の分類器を各画像に適用し、前記各画像に対して、各第2の分類器に関連付けられている第2の分類確率を決定することであって、
各第2の分類器は、異なる第3の数の細胞に関連付けられており、
前記各第2の分類器は、前記複数の細胞特徴に基づいて、かつ、1つ以上の追加の細胞特徴にさらに基づいて、前記各画像に対する前記第2の分類確率を決定し、前記1つ以上の追加の細胞特徴は、前記各画像に時間的に隣接する、前記複数の画像に含まれる1つ以上の画像に関連付けられている、前記複数の第1の分類確率像のうちの1つ以上の分類確率に関連付けられており、
前記第2の分類確率は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞が前記各画像に示されている第2の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第2の分類確率を有する、
ことと、
前記各第2の分類器に関連付けられている前記異なる第3の数の細胞と、その画像に関連付けられている前記複数の第2の分類確率とに基づいて、第4の数の細胞を示すものとして各画像を分類することと
を行うようにさらに構成されている、項目26に記載の装置。
(項目35) 前記複数の画像は、経時的な一連の画像である、項目34に記載の装置。
(項目36) 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、項目34に記載の装置。
(項目37) 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて、前記複数の第2の分類器を構成するように構成されている訓練モジュールをさらに備えている、項目34に記載の装置。
(項目38) 前記第2の複数の訓練画像の各々は、前記第1の複数の訓練画像の全てとは異なる、項目37に記載の装置。
(項目39) 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、前記複数の第1の分類器のうちの対応するものに関連付けられている前記異なる第1の数の細胞と同一である、項目34に記載の装置。
(項目40) 前記各画像内の前記第4の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するように構成されている結果決定モジュールをさらに備えている、項目34に記載の装置。
(項目41) 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、項目40に記載の装置。
(項目42) 前記分類モジュールは、精緻化アルゴリズムを前記複数の画像に適用し、前記複数の画像に基づいて、前記第4の数の細胞を示すものとして分類された前記複数の画像のうちの1つ以上の画像が、代わりに、前記第4の数の細胞とは異なる第5の数の細胞を示すことを決定するようにさらに構成されている、項目34に記載の装置。
(項目43) 前記精緻化アルゴリズムは、ビタビアルゴリズムである、項目42に記載の装置。
(項目44) 前記各画像内の前記第2の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するように構成されている結果決定モジュールをさらに備えている、項目26に記載の装置。
(項目45) 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、項目39に記載の装置。
(項目46) 前記結果決定モジュールは、前記決定された細胞活性パラメータに基づいて予測基準を前記1つ以上の細胞に適用し、複数の特定の結果に含まれる予測結果を決定するようにさらに構成されている、項目44に記載の装置。
(項目47) 前記複数の画像に示される前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、項目44に記載の装置。
(項目48) 前記複数の第1の分類器は、2項分類を行うように構成されているAdaBoost分類器である、項目26に記載の装置。
(項目49) 前記複数の細胞特徴の各々は、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上の種類である、項目26に記載の装置。
(項目50) 前記1つ以上の機械学習される細胞特徴のうちの少なくとも1つは、複数の学習画像から教師なし学習を介して学習される、項目26に記載の装置。
(項目51) 自動細胞分類のためのコンピュータ装置を備えている自動細胞分類のためのシステムであって、前記コンピュータ装置は、
複数の第1の分類器を1つ以上の細胞の複数の画像の各々に適用し、各画像に対して、各第1の分類器に関連付けられている第1の分類確率を決定することであって、
各第1の分類器は、異なる第1の数の細胞に関連付けられており、1つ以上の機械学習される細胞特徴を含む複数の細胞特徴に基づいて、前記各画像の前記第1の分類確率を決定するように構成され、
前記第1の分類確率は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞が前記各画像に示されている第1の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第1の分類確率を有する、
ことと、
前記各第1の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の第1の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成されている、システム。
(項目52) 前記複数の画像を取得するように構成されている撮像デバイスをさらに備え、前記コンピュータ装置は、前記撮像デバイスから前記複数の画像を受信するようにさらに構成されている、項目51に記載のシステム。
(項目53) 前記撮像デバイスは、暗視野照明顕微鏡である、項目52に記載のシステム。
(項目54) 表示デバイスをさらに備え、前記表示デバイスは、
前記複数の画像のうちの1つ以上の画像を表示することと、
前記第2の数の細胞を示すものとして、前記複数の画像のうちの1つ以上の画像の分類に基づく前記1つ以上の細胞の特性を提示することと
を行うように構成されている、項目51に記載のシステム。
(項目55) 前記コンピュータ装置は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて、前記複数の第1の分類器の各々を構成するようにさらに構成されている、項目51に記載のシステム。
(項目56) 前記複数の細胞特徴は、1つ以上の手作りの細胞特徴を含む、項目51に記載のシステム。
(項目57) 前記コンピュータ装置は、複数の第2の分類器を各画像に適用し、前記各画像に対して、前記複数の第1の分類確率のうちの少なくとも1つに基づいて、各第2の分類器に関連付けられている第2の分類確率を決定するようにさらに構成されている、項目51に記載のシステム。
(項目58) 前記複数の第1の分類確率のうちの前記少なくとも1つは、前記各画像に時間的に隣接する、前記複数の画像のうちの1つ以上の画像に関連付けられている、項目57に記載のシステム。
(項目59) 前記複数の画像は、経時的な一連の画像である、項目57に記載のシステム。
(項目60) 前記第2の分類確率と前記第1の分類確率のうちの前記少なくとも1つとは、同一の異なる第1の数の細胞に関連付けられている、項目57に記載のシステム。
(項目61) 前記コンピュータ装置は、
複数の第2の分類器を各画像に適用し、前記各画像に対して、各第2の分類器に関連付けられている第2の分類確率を決定することであって、
各第2の分類器は、異なる第3の数の細胞に関連付けられており、
前記各第2の分類器は、前記複数の細胞特徴に基づいて、かつ、1つ以上の追加の細胞特徴にさらに基づいて、前記各画像に対する前記第2の分類確率を決定するように構成され、前記1つ以上の追加の細胞特徴は、前記各画像に時間的に隣接する、前記複数の画像に含まれる1つ以上の画像に関連付けられている、前記複数の第1の分類確率像のうちの1つ以上の分類確率に関連付けられており、
前記第2の分類確率は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞が前記各画像に示されている第2の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第2の分類確率を有する、
ことと、
前記各第2の分類器に関連付けられている前記異なる第3の数の細胞と、その画像に関連付けられている前記複数の第2の分類確率とに基づいて、第4の数の細胞を示すものとして各画像を分類することと
を行うようにさらに構成されている、項目52に記載のシステム。
(項目62) 前記複数の画像は、経時的な一連の画像である、項目61に記載のシステム。
(項目63) 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、項目61に記載のシステム。
(項目64) 前記コンピュータ装置は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて、前記複数の第2の分類器を構成するようにさらに構成されている、項目61に記載のシステム。
(項目65) 前記第2の複数の訓練画像の各々は、前記第1の複数の訓練画像の全てとは異なる、項目64に記載のシステム。
(項目66) 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、前記複数の第1の分類器のうちの対応するものに関連付けられている前記異なる第1の数の細胞と同一である、項目61に記載のシステム。
(項目67) 前記コンピュータ装置は、前記各画像内の前記第4の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するようにさらに構成されている、項目61に記載のシステム。
(項目68) 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、および受精から5つの細胞を有する胚までの時間間隔のうちの1つ以上のものを含む、項目67に記載のシステム。
(項目69) 前記コンピュータ装置は、精緻化アルゴリズムを前記複数の画像に適用し、前記複数の画像に基づいて、前記第4の数の細胞を示すものとして分類された前記複数の画像のうちの1つ以上の画像が、代わりに、前記第4の数の細胞とは異なる第5の数の細胞を示すことを決定するようにさらに構成されている、項目61に記載のシステム。
(項目70) 前記精緻化アルゴリズムは、ビタビアルゴリズムである、項目69に記載のシステム。
(項目71) 前記コンピュータ装置は、前記各画像内の前記第2の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するようにさらに構成されている、項目51に記載のシステム。
(項目72) 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、項目71に記載のシステム。
(項目73) 前記コンピュータ装置は、前記決定された細胞活性パラメータに基づいて予測基準を前記1つ以上の細胞に適用し、複数の特定の結果に含まれる予測結果を決定するようにさらに構成されている、項目71に記載のシステム。
(項目74) 前記複数の画像に示される前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、項目71に記載のシステム。
(項目75) 前記複数の第1の分類器は、2項分類を行うように構成されているAdaBoost分類器である、項目51に記載のシステム。
(項目76) 前記複数の細胞特徴の各々は、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上の種類である、項目51に記載のシステム。
(項目77) 少なくとも1つの機械学習される細胞特徴は、複数の学習画像から教師なし学習を介して学習される、項目51に記載のシステム。
(項目78) 画像ベースの結果決定のための方法であって、前記方法は、
分類器を1つ以上の細胞の第1の時間連続的な一連の画像に適用し、前記第1の時間連続的な一連の画像に対して、分類確率を決定することであって、
前記分類確率は、前記1つ以上の細胞の発生に対する第1の結果が前記第1の時間連続的な一連の画像によって示されている推定可能性を示し、
前記第1の結果は、前記分類器に関連付けられている、細胞発生に対する複数の結果に含まれる、
ことと、
前記分類器に関連付けられている前記複数の結果と前記分類確率とに基づいて、前記第1の結果を示すものとして、前記第1の経時的な一連の画像を分類することと
を含む、方法。
(項目79) 前記第1の時間連続的な一連の画像から系列特徴情報を抽出することをさらに含み、前記分類器を前記第1の時間連続的な一連の画像に前記適用することは、前記系列特徴情報に基づく、項目78に記載の方法。
(項目80) 前記系列特徴情報は、前記第1の結果を表し、前記第1の時間連続的な一連の画像の全体に関連付けられている、項目79に記載の方法。
(項目81) 前記系列特徴情報を前記抽出することは、
前記第1の時間連続的な一連の画像のうちの1つ以上の画像の一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を含む、項目79に記載の方法。
(項目82) 前記系列特徴情報を前記決定することは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記第1の時間連続的な一連の画像にわたって前記1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記第1の時間連続的な一連の画像にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
を含む、項目81に記載の方法。
(項目83) 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、項目81に記載の方法。
(項目84) 前記複数のコードワードの各々は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から決定される、項目81に記載の方法。
(項目85) 複数の時間連続的な一連の画像の各々に関連付けられている系列特徴情報に基づいて、前記分類器を訓練することをさらに含み、前記複数の時間連続的な一連の画像の各々は、前記複数の結果のうちの1つに関連付けられている、項目78に記載の方法。
(項目86) 前記分類器を前記訓練することは、前記複数の時間連続的な一連の画像の各々から前記系列特徴情報を抽出することを含む、項目85に記載の方法。
(項目87) 前記複数の時間連続的な一連の画像のうちの1つに関連付けられている系列特徴情報は、前記複数の結果のうちの関連するものを表し、前記複数の時間連続的な一連の画像のうちの前記1つの全体に関連付けられている、項目85に記載の方法。
(項目88) 前記系列特徴情報を前記抽出することは、
前記複数の時間連続的な一連の画像のうちの1つ以上のものの一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と、教師なし学習を通して少なくとも1つの細胞の複数の非標識画像から決定される複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を含む、項目85に記載の方法。
(項目89) 前記系列特徴情報を前記決定することは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたって前記1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
を含む、項目88に記載の方法。
(項目90) 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、項目88に記載の方法。
(項目91) 前記複数のコードワードの各々は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から決定される、項目88に記載の方法。
(項目92) 前記第1の時間連続的な一連の画像は、経時的な一連の画像である、項目78に記載の方法。
(項目93) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、ならびに妊娠および妊娠なしのうちの1つ以上のものを含む、項目78に記載の方法。
(項目94) 前記分類器は、AdaBoost分類器である、項目78に記載の方法。
(項目95) 前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、項目78に記載の方法。
(項目96) 分類モジュールを備えている画像ベースの結果決定のための装置であって、前記分類モジュールは、
分類器を1つ以上の細胞の第1の時間連続的な一連の画像に適用し、前記第1の時間連続的な一連の画像に対して、分類確率を決定することであって、
前記分類確率は、前記1つ以上の細胞の発生に対する第1の結果が前記第1の時間連続的な一連の画像によって示されている推定可能性を示し、
前記第1の結果は、前記分類器に関連付けられている、細胞発生に対する複数の結果に含まれる、
ことと、
前記分類器に関連付けられている前記複数の結果と前記分類確率とに基づいて、前記第1の結果を示すものとして、前記第1の経時的な一連の画像を分類することと
を行うように構成され、
前記分類モジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。
(項目97) 前記第1の時間連続的な一連の画像から系列特徴情報を抽出するように構成されている訓練モジュールをさらに含み、前記分類モジュールは、前記系列特徴情報に基づいて、前記分類器を前記第1の時間連続的な一連の画像に適用するようにさらに構成されている、項目96に記載の装置。
(項目98) 前記系列特徴情報は、前記第1の結果を表し、前記第1の時間連続的な一連の画像の全体に関連付けられている、項目97に記載の装置。
(項目99) 前記訓練モジュールは、
前記第1の時間連続的な一連の画像のうちの1つ以上の画像の一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と複数のコードワードとに基づいて、前記系列特徴情報を決定することと
によって、前記系列特徴情報を抽出するようにさらに構成されている、項目97に記載の装置。
(項目100) 前記訓練モジュールは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記第1の時間連続的な一連の画像にわたって1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記第1の時間連続的な一連の画像にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
によって、前記系列特徴情報を決定するようにさらに構成されている、項目99に記載の装置。
(項目101) 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、項目99に記載の装置。
(項目102) 教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するように構成されている学習モジュールをさらに備えている、項目99に記載の装置。
(項目103) 複数の時間連続的な一連の画像の各々に関連付けられている系列特徴情報に基づいて前記分類器を訓練するように構成されている訓練モジュールをさらに備え、前記複数の時間連続的な一連の画像の各々は、前記複数の結果のうちの1つに関連付けられている、項目96に記載の装置。
(項目104) 前記訓練モジュールは、前記複数の時間連続的な一連の画像の各々から前記系列特徴情報を抽出することによって、前記分類器を訓練するようにさらに構成されている、項目103に記載の装置。
(項目105) 前記複数の時間連続的な一連の画像のうちの1つに関連付けられている系列特徴情報は、前記複数の結果のうちの関連するものを表し、前記複数の時間連続的な一連の画像のうちの前記1つの全体に関連付けられている、項目103に記載の装置。
(項目106) 前記訓練モジュールは、
前記複数の時間連続的な一連の画像のうちの1つ以上のものの一部分に関連付けられている局所特徴情報を抽出することによって、前記系列特徴情報を抽出することと、
前記局所特徴情報と、教師なし学習を通して少なくとも1つの細胞の複数の非標識画像から決定される複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を行うようにさらに構成されている、項目103に記載の装置。
(項目107) 前記訓練モジュールは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたって1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
によって、前記系列特徴情報を決定するようにさらに構成されている、項目106に記載の装置。
(項目108) 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、項目106に記載の装置。
(項目109) 教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するように構成されている学習モジュールをさらに備えている、項目106に記載の装置。
(項目110) 前記第1の時間連続的な一連の画像は、経時的な一連の画像である、項目96に記載の装置。
(項目111) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、ならびに妊娠および妊娠なしのうちの1つ以上のものを含む、項目96に記載の装置。
(項目112) 前記分類器は、AdaBoost分類器である、項目96に記載の装置。
(項目113) 前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、項目96に記載の装置。
(項目114) 画像ベースの結果決定のためのシステムであって、前記システムは、
1つ以上の細胞の第1の経時的な一連の画像を取得することと、複数の経時的な一連の画像を取得することとを行うように構成されている撮像デバイスと、
前記第1の経時的な一連の画像を未知または不明確な結果に関連付けることと、複数の経時的な一連の画像の各々を複数の結果のうちの特定の結果に関連付けることとを行うように構成されている入力インターフェースと、
画像ベースの結果決定のために構成されているコンピュータ装置であって、前記コンピュータ装置は、
分類器を1つ以上の細胞の第1の時間連続的な一連の画像に適用し、前記第1の時間連続的な一連の画像に対して、分類確率を決定することであって、
前記分類確率は、前記1つ以上の細胞の発生に対する第1の結果が前記第1の時間連続的な一連の画像によって示されている推定可能性を示し、
前記第1の結果は、前記分類器に関連付けられている、細胞発生に対する複数の結果に含まれる、
ことと、
前記分類器に関連付けられている前記複数の結果と前記分類確率とに基づいて、前記第1の結果を示すものとして、前記第1の経時的な一連の画像を分類することと
を行うように構成されている、コンピュータ装置と、
表示デバイスと
を備え、
前記表示デバイスは、
前記第1の時間経過連続的な一連の画像および前記複数の経時的な一連の画像のうちの1つ以上を表示することと、
前記分類確率、前記分類すること、および前記第1の結果のうちの1つ以上のものに基づいて、前記第1の時間経過連続的な一連の画像内の前記1つ以上の細胞の1つ以上の特性を提示することと、
特徴情報に基づいて、前記複数の経時的な一連の画像内の1つ以上の細胞の1つ以上の特性を提示することと
を行うように構成されている、システム。
(項目115) 前記コンピュータ装置は、
前記第1の時間連続的な一連の画像から系列特徴情報を抽出することと、
前記系列特徴情報に基づいて、前記分類器を前記第1の時間連続的な一連の画像に適用することと
を行うようにさらに構成されている、項目114に記載のシステム。
(項目116) 前記系列特徴情報は、前記第1の結果を表し、前記第1の時間連続的な一連の画像の全体に関連付けられている、項目115に記載のシステム。
(項目117) 前記コンピュータ装置は、
前記第1の時間連続的な一連の画像のうちの1つ以上の画像の一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と複数のコードワードとに基づいて、前記系列特徴情報を決定することと
によって、前記系列特徴情報を抽出するようにさらに構成されている、項目115に記載のシステム。
(項目118) 前記コンピュータ装置は、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記第1の時間連続的な一連の画像にわたって1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記第1の時間連続的な一連の画像にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
によって、前記系列特徴情報を決定するようにさらに構成されている、項目117に記載のシステム。
(項目119) 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、項目117に記載のシステム。
(項目120) 前記コンピュータ装置は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するようにさらに構成されている、項目117に記載のシステム。
(項目121) 前記コンピュータ装置は、複数の時間連続的な一連の画像の各々に関連付けられている系列特徴情報に基づいて、前記分類器を訓練するようにさらに構成され、前記複数の時間連続的な一連の画像の各々は、前記複数の結果のうちの1つに関連付けられている、項目114に記載のシステム。
(項目122) 前記コンピュータ装置は、前記複数の時間連続的な一連の画像の各々から前記系列特徴情報を抽出することによって、前記分類器を訓練するようにさらに構成されている、項目121に記載のシステム。
(項目123) 前記複数の時間連続的な一連の画像のうちの1つに関連付けられている系列特徴情報は、前記複数の結果のうちの関連するものを表し、前記複数の時間連続的な一連の画像のうちの前記1つの全体に関連付けられている、項目121に記載のシステム。
(項目124) 前記コンピュータ装置は、
前記複数の時間連続的な一連の画像のうちの1つ以上のものの一部分に関連付けられている局所特徴情報を抽出することによって、前記系列特徴情報を抽出することと、
前記局所特徴情報と、教師なし学習を通して少なくとも1つの細胞の複数の非標識画像から決定される複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を行うようにさらに構成されている、項目121に記載のシステム。
(項目125) 前記コンピュータ装置は、
前記局所特徴情報を1つ以上のクラスタに関連付けることによって、前記系列特徴情報を決定することであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたって前記1つ以上のコードワードの発生頻度を決定することと
を行うようにさらに構成され、
前記系列特徴情報は、前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、項目124に記載のシステム。
(項目126) 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、項目124に記載のシステム。
(項目127) 前記コンピュータ装置は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するようにさらに構成されている、項目124に記載のシステム。
(項目128) 前記第1の時間連続的な一連の画像は、経時的な一連の画像である、項目114に記載のシステム。
(項目129) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、ならびに妊娠および妊娠なしのうちの1つ以上のものを含む、項目114に記載のシステム。
(項目130) 前記分類器は、AdaBoost分類器である、項目114に記載のシステム。
(項目131) 前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、項目114に記載のシステム。
(項目132) 自動胚ランク付けのための方法であって、前記方法は、
分類器およびニューラルネットワークのうちの1つ以上のものを第1の複数の胚に含まれる各胚の複数の画像に適用し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定することと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚をランク付けすることと
を含む、方法。
(項目133) 前記スコアは、実質的に連続的であり、前記分類器によって決定される、項目132に記載の方法。
(項目134) 前記分類器は、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである、項目133に記載の方法。
(項目135) 前記第1の複数の胚を特定する入力を受信することをさらに含む、項目132に記載の方法。
(項目136) 第2の複数の胚に含まれる各胚に関連付けられている入力を受信することと、
前記入力に基づいて、前記第1の複数の胚として前記第2の複数の胚のサブセットを選択することと
をさらに含む、項目132に記載の方法。
(項目137) 前記入力は、各胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、項目136に記載の方法。
(項目138) 前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を選択することと、
前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を拒否することと、
のうちの1つ以上をさらに含む、項目132に記載の方法。
(項目139) 前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている入力を受信することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記入力に基づいて前記スコアを決定することを含む、項目132に記載の方法。
(項目140) 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、項目139に記載の方法。
(項目141) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定することを含む、項目132に記載の方法。
(項目142) 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、項目141に記載の方法。
(項目143) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定することを含み、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、項目132に記載の方法。
(項目144) 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、項目143に記載の方法。
(項目145) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づく、項目132に記載の方法。
(項目146) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づく、項目132に記載の方法。
(項目147) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づく、項目132に記載の方法。
(項目148) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定することを含む、項目132に記載の方法。
(項目149) 前記第1の複数の胚に含まれる各胚を前記ランク付けすることは、
患者に関連付けられている第2の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと、
集団に関連付けられている第3の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと
を含む、項目132に記載の方法。
(項目150)
前記患者に関連付けられている前記第2の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと、
前記集団に関連付けられている前記第3の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと
をさらに含む、項目149に記載の方法。
(項目151) 前記第1の複数の胚に含まれる第1の胚に関連付けられている入力を受信することであって、前記第1の複数の胚に含まれる各胚を前記ランク付けすることは、第2の複数の胚内の前記第1の胚をランク付けすることを含む、ことと、
前記入力に基づいて前記第2の複数の胚を選択することと
をさらに含む、項目132に記載の方法。
(項目152) 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように選択される、項目151に記載の方法。
(項目153) 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように選択される、項目151に記載の方法。
(項目154) 前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように選択される、項目151に記載の方法。
(項目155) 前記複数の画像は、時間連続的な一連の画像を含む、項目132に記載の方法。
(項目156) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と
を含む、項目132に記載の方法。
(項目157) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と
を含む、項目132に記載の方法。
(項目158) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像
を含む、項目132に記載の方法。
(項目159) 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、項目158に記載の方法。
(項目160) 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することをさらに含む、項目132に記載の方法。
(項目161) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することは、前記特徴情報を抽出することを含み、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、項目160に記載の方法。
(項目162) 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、項目160に記載の方法。
(項目163) 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、項目160に記載の方法。
(項目164) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目163に記載の方法。
(項目165) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目163に記載の方法。
(項目166) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目165に記載の方法。
(項目167) 前記第1の複数の胚の各々の発生に関連付けられているタイミング特性を決定することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記タイミング特性に基づいて前記スコアを決定することを含む、項目132に記載の方法。
(項目168) 前記タイミング特性を前記決定することは、
前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択することであって、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含む、ことと、
前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定することと、
を含む、項目167に記載の方法。
(項目169) 前記分類器は、第1の分類器であり、前記タイミング特性を前記決定することは、
複数の第2の分類器を前記複数の画像の各々に適用し、各画像に対して、各第2の分類器に関連付けられている分類確率を決定することであって、
各第2の分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各第2の分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各第2の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を含む、項目167に記載の方法。
(項目170) 前記タイミング特性を前記決定することは、前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定することを含む、項目167に記載の方法。
(項目171) 前記第1の複数の胚として第2の複数の胚のサブセットを選択することをさらに含む、項目132に記載の方法。
(項目172) 前記サブセットを前記選択することは、
前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定することであって、前記複数の結果は、前記分類器に関連付けられている、ことと、
前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚を決定することと、
を含む、項目171に記載の方法。
(項目173) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目172に記載の方法。
(項目174) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目172に記載の方法。
(項目175) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目174に記載の方法。
(項目176) 自動カテゴリ化のための方法であって、前記方法は、
分類器およびニューラルネットワークのうちの1つ以上のものを第1の複数の胚に含まれる各胚の複数の画像に適用し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定することと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚を複数のカテゴリに含まれる対応するカテゴリに関連付けることと
を含む、方法。
(項目177) 前記スコアは、実質的に連続的であり、前記分類器によって決定される、項目176に記載の方法。
(項目178) 前記分類器は、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである、項目177に記載の方法。
(項目179) 前記複数のカテゴリの各々は、スコアの範囲に関連付けられており、
各胚は、各胚に関連付けられている前記スコアが対応するスコアの範囲内にある場合に、前記対応するカテゴリに関連付けられる、項目176に記載の方法。
(項目180)各胚は、対応する診療所に関連付けられており、
前記スコアの範囲は、前記対応する診療所に関連付けられている情報に基づく、項目179に記載の方法。
(項目181) 前記対応する診療所に関連付けられている前記情報は、各胚の前記発生能に関連付けられている環境パラメータを含む、項目180に記載の方法。
(項目182) 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、項目181に記載の方法。
(項目183) 前記対応するカテゴリとの各胚の関連性を表示することをさらに含む、項目176に記載の方法。
(項目184) 前記第1の複数の胚を特定する入力を受信することをさらに含む、項目176に記載の方法。
(項目185) 第2の複数の胚に含まれる各胚に関連付けられている入力を受信することと、
前記入力に基づいて、前記第1の複数の胚として前記第2の複数の胚のサブセットを選択することと
をさらに含む、項目176に記載の方法。
(項目186) 前記入力は、各胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、項目185に記載の方法。
(項目187)
前記第1の複数の胚のうちの1つ以上の胚の前記対応するカテゴリに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの前記1つ以上の胚を選択することと、
前記第1の複数の胚のうちの1つ以上の胚の前記対応するカテゴリに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの前記1つ以上の胚を拒否することと
のうちの1つ以上をさらに含む、項目176に記載の方法。
(項目188) 前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている入力を受信することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記入力に基づいて前記スコアを決定することを含む、項目176に記載の方法。
(項目189) 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、項目188に記載の方法。
(項目190) 前記分類器を前記適用することは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定することを含む、項目176に記載の方法。
(項目191) 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、項目190に記載の方法。
(項目192) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定することを含み、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、項目176に記載の方法。
(項目193) 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、項目192に記載の方法。
(項目194) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づく、項目176に記載の方法。
(項目195) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づく、項目176に記載の方法。
(項目196) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づく、項目176に記載の方法。
(項目197) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定することを含む、項目176に記載の方法。
(項目198) 前記第1の複数の胚に含まれる第1の胚に関連付けられている入力を受信することであって、前記第1の複数の胚に含まれる各胚を、前記対応するカテゴリに前記関連付けることは、第2の複数の胚内の各胚をカテゴライズすることを含む、ことと,
前記入力に基づいて前記第2の複数の胚を選択することと
をさらに含む、項目176に記載の方法。
(項目199) 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように選択される、項目198に記載の方法。
(項目200) 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように選択される、項目198に記載の方法。
(項目201) 前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように選択される、項目198に記載の方法。
(項目202) 前記複数の画像は、時間連続的な一連の画像を含む、項目176に記載の方法。
(項目203) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と、
を含む、項目176に記載の方法。
(項目204) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と、
を含む、項目176に記載の方法。
(項目205) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像と、
を含む、項目176に記載の方法。
(項目206) 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、項目205に記載の方法。
(項目207) 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することをさらに含む、項目176に記載の方法。
(項目208) 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することは、前記特徴情報を抽出することを含み、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、項目207に記載の方法。
(項目209) 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、項目207に記載の方法。
(項目210) 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、項目207に記載の方法。
(項目211) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目210に記載の方法。
(項目212) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目210に記載の方法。
(項目213) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目212に記載の方法。
(項目214) 前記第1の複数の胚に含まれる少なくとも1つの胚の発生に関連付けられているタイミング特性を決定することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記タイミング特性に基づいて前記スコアを決定することを含む、項目176に記載の方法。
(項目215) 前記タイミング特性を前記決定することは、
前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択することであって、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含む、ことと、
前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定することと
を含む、項目214に記載の方法。
(項目216) 前記分類器は、第1の分類器であり、前記タイミング特性を前記決定することは、
複数の第2の分類器を前記複数の画像の各々に適用し、各画像に対して、各第2の分類器に関連付けられている分類確率を決定することであって、
各第2の分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各第2の分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各第2の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を含む、項目214に記載の方法。
(項目217) 前記タイミング特性を前記決定することは、前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定することを含む、項目214に記載の方法。
(項目218) 前記第1の複数の胚として第2の複数の胚のサブセットを選択することをさらに含む、項目176に記載の方法。
(項目219) 前記サブセットを前記選択することは、
前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定することであって、前記複数の結果は、前記分類器に関連付けられている、ことと、
前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚を決定することと
を含む、項目218に記載の方法。
(項目220) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目219に記載の方法。
(項目221) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目219に記載の方法。
(項目222) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目221に記載の方法。
(項目223) 自動胚ランク付けのための装置であって、前記装置は、
第1の複数の胚に含まれる各胚の複数の画像を分類し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定するように構成されているスコア決定モジュールと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚をランク付けするように構成されているランク付けモジュールと
を備え、
前記スコア決定モジュールおよび前記ランク付けモジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。
(項目224) 前記スコアは、実質的に連続的である、項目223に記載の方法。
(項目225) 前記スコア決定モジュールは、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである分類器である、項目224に記載の方法。
(項目226) 前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を選択するように構成されている選択モジュールをさらに備えている、項目223に記載の装置。
(項目227) 前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を拒否するように構成されている選択モジュールをさらに備えている、項目223に記載の装置。
(項目228) 前記スコア決定モジュールは、前記装置への入力に基づいて前記スコアを決定するように構成され、前記入力は、前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている、項目223に記載の装置。
(項目229) 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、項目228に記載の装置。
(項目230) 前記スコア決定モジュールは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定するように構成されている、項目223に記載の装置。
(項目231) 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、項目230に記載の装置。
(項目232) 前記スコア決定モジュールは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定するように構成され、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、項目223に記載の装置。
(項目233) 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、項目232に記載の装置。
(項目234) 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、項目223に記載の装置。
(項目235) 前記スコア決定モジュールは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づいて、前記スコアを決定するように構成されている、項目223に記載の装置。
(項目236) 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、項目223に記載の装置。
(項目237) 前記スコア決定モジュールは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、項目223に記載の装置。
(項目238) 前記ランク付けモジュールは、
患者に関連付けられている第2の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと、
集団に関連付けられている第3の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと
を行うように構成されている、項目223に記載の装置。
(項目239) 前記患者に関連付けられている前記第2の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと、
前記集団に関連付けられている前記第3の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと
を行うように構成されている表示モジュールをさらに備えている、項目238に記載の装置。
(項目240) 前記ランク付けモジュールは、第2の複数の胚内の前記第1の胚をランク付けするように構成され、前記装置への入力に基づいて前記第2の複数の胚を選択するように構成されている選択モジュールをさらに備えている、項目223に記載の装置。
(項目241) 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、
項目240に記載の装置。
(項目242) 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、
項目240に記載の装置。
(項目243) 前記入力に応答して、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、項目240に記載の装置。
(項目244) 前記複数の画像は、時間連続的な一連の画像を含む、項目223に記載の装置。
(項目245) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と
を含む、項目223に記載の装置。
(項目246) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と
を含む、項目223に記載の装置。
(項目247) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像と
を含む、項目223に記載の装置。
(項目248) 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、項目247に記載の装置。
(項目249) 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記スコア決定モジュールを訓練するように構成されている訓練モジュールをさらに備えている、項目223に記載の装置。
(項目250) 前記訓練モジュールは、前記特徴情報を抽出するように構成され、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、項目249に記載の装置。
(項目251) 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、項目249に記載の装置。
(項目252) 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、項目249に記載の装置。
(項目253) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目252に記載の装置。
(項目254) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目252に記載の装置。
(項目255) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目254に記載の装置。
(項目256) 前記装置は、前記第1の複数の胚に含まれる少なくとも1つの胚の発生に関連付けられているタイミング特性を決定するように構成され、前記スコア決定モジュールは、前記タイミング特性に基づいて前記スコアを決定するように構成されている、項目223に記載の装置。
(項目257) 前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択するように構成されている仮説選択モジュールをさらに備え、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含み、前記装置は、前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定するように構成されている、項目256に記載の装置。
(項目258) 前記装置は、
複数の分類器を前記複数の画像の各々に適用し、各画像に対して、各分類器に関連付けられている分類確率を決定することであって、
各分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成されている、項目257に記載の装置。
(項目259) 前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定するように構成されている画像類似性決定モジュールをさらに備え、前記装置は、前記画像類似性に基づいて前記タイミング特性を決定するように構成されている、項目256に記載の装置。
(項目260) 前記第1の複数の胚として第2の複数の胚のサブセットを選択するように構成されている選択モジュールをさらに備えている、項目223に記載の装置。
(項目261) 前記選択モジュールは、前記装置への入力に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、項目260に記載の装置。
(項目262) 前記入力は、対応する胚の形態の評価に関連付けられている、項目261に記載の装置。
(項目263) 前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定するように構成されている分類モジュールをさらに備え、
前記選択モジュールは、前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、項目260に記載の装置。
(項目264) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目263に記載の装置。
(項目265) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目263に記載の装置。
(項目266) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目265に記載の装置。
(項目267) 自動胚カテゴリ化のための装置であって、前記装置は、
第1の複数の胚に含まれる各胚の複数の画像を分類し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定するように構成されているスコア決定モジュールと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚を複数のカテゴリに含まれる対応するカテゴリに関連付けるように構成されているカテゴリ化モジュールと
を備え、
前記スコア決定モジュールおよび前記カテゴリ化モジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。
(項目268) 前記スコアは、実質的に連続的である、項目267に記載の方法。
(項目269) 前記スコア決定モジュールは、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである分類器である、項目268に記載の方法。
(項目270) 前記複数のカテゴリの各々は、スコアの範囲に関連付けられており、
各胚は、各胚に関連付けられている前記スコアが対応するスコアの範囲内にある場合に、前記対応するカテゴリに関連付けられる、項目267に記載の装置。
(項目271) 各胚は、対応する診療所に関連付けられており、
前記スコアの範囲は、前記対応する診療所に関連付けられている情報に基づく、項目270に記載の装置。
(項目272) 前記対応する診療所に関連付けられている前記情報は、各胚の前記発生能に関連付けられている環境パラメータを含む、項目271に記載の装置。
(項目273) 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、項目272に記載の装置。
(項目274) 前記対応するカテゴリとの各胚の関連性を表示するように構成されている表示モジュールをさらに備えている、項目267に記載の装置。
(項目275) 前記第1の複数の胚に含まれる各胚の前記対応するカテゴリに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を選択するように構成されている選択モジュールをさらに備えている、項目267に記載の装置。
(項目276) 前記第1の複数の胚に含まれる各胚の前記対応するカテゴリに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を拒否するように構成されている選択モジュールをさらに備えている、項目267に記載の装置。
(項目277) 前記スコア決定モジュールは、前記装置への入力に基づいて前記スコアを決定するように構成され、前記入力は、前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている、項目267に記載の装置。
(項目278) 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、項目277に記載の装置。
(項目279) 前記スコア決定モジュールは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定するように構成されている、項目267に記載の装置。
(項目280) 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、項目279に記載の装置。
(項目281) 前記スコア決定モジュールは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定するように構成され、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、項目267に記載の装置。
(項目282) 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、項目281に記載の装置。
(項目283) 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、項目267に記載の装置。
(項目284) 前記スコア決定モジュールは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づいて、前記スコアを決定するように構成されている、項目267に記載の装置。
(項目285) 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、項目267に記載の装置。
(項目286) 前記スコア決定モジュールは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、項目267に記載の装置。
(項目287) 前記カテゴリ化モジュールは、第2の複数の胚内の前記第1の複数の胚に含まれる各胚をカテゴライズするように構成され、前記装置への入力に基づいて前記第2の複数の胚を選択するように構成されている選択モジュールをさらに備えている、項目267に記載の装置。
(項目288) 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、
項目287に記載の装置。
(項目289) 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、項目287に記載の装置。
(項目290) 前記入力に応答して、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、項目287に記載の装置。
(項目291) 前記複数の画像は、時間連続的な一連の画像を含む、項目267に記載の装置。
(項目292) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と
を含む、項目267に記載の装置。
(項目293) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と
を含む、項目267に記載の装置。
(項目294) 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像と
を含む、項目267に記載の装置。
(項目295) 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、項目294に記載の装置。
(項目296) 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記スコア決定モジュールを訓練するように構成されている訓練モジュールをさらに備えている、項目267に記載の装置。
(項目297) 前記訓練モジュールは、前記特徴情報を抽出するように構成され、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、項目296に記載の装置。
(項目298) 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、項目296に記載の装置。
(項目299) 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、項目296に記載の装置。
(項目300) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目299に記載の装置。
(項目301) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目299に記載の装置。
(項目302) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目301に記載の装置。
(項目303) 前記装置は、前記第1の複数の胚に含まれる少なくとも1つの胚の発生に関連付けられているタイミング特性を決定するように構成され、前記スコア決定モジュールは、前記タイミング特性に基づいて前記スコアを決定するように構成されている、項目267に記載の装置。
(項目304) 前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択するように構成されている仮説選択モジュールをさらに備え、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含み、前記装置は、前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定するように構成されている、項目303に記載の装置。
(項目305) 前記装置は、
複数の分類器を前記複数の画像の各々に適用し、各画像に対して、各分類器に関連付けられている分類確率を決定することであって、
各分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成されている、項目303に記載の装置。
(項目306) 前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定するように構成されている画像類似性決定モジュールをさらに備え、前記装置は、前記画像類似性に基づいて前記タイミング特性を決定するように構成されている、項目303に記載の装置。
(項目307) 前記第1の複数の胚として第2の複数の胚のサブセットを選択するように構成されている選択モジュールをさらに備えている、項目267に記載の装置。
(項目308) 前記選択モジュールは、前記装置への入力に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、項目307に記載の装置。
(項目309) 前記入力は、対応する胚の形態の評価に関連付けられている、項目308に記載の装置。
(項目310) 前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定するように構成されている分類モジュールをさらに備え、
前記選択モジュールは、前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、項目309に記載の装置。
(項目311) 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、項目310に記載の装置。
(項目312) 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、項目311に記載の装置。
(項目313) 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、項目312に記載の装置。
Claims (313)
- 自動細胞分類のための方法であって、前記方法は、
複数の第1の分類器を1つ以上の細胞の複数の画像の各々に適用し、各画像に対して、各第1の分類器に関連付けられている第1の分類確率を決定することであって、
各第1の分類器は、異なる第1の数の細胞に関連付けられており、1つ以上の機械学習される細胞特徴を含む複数の細胞特徴に基づいて、前記各画像の前記第1の分類確率を決定し、
前記第1の分類確率は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞が前記各画像に示されている第1の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第1の分類確率を有する、
ことと、
前記各第1の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の第1の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を含む、方法。 - 前記各第1の分類器に関連付けられている前記異なる第1の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、請求項1に記載の方法。
- 前記複数の第1の分類器の各々は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて構成されている、請求項1に記載の方法。
- 前記複数の細胞特徴は、1つ以上の手作りの細胞特徴を含む、請求項1に記載の方法。
- 複数の第2の分類器を各画像に適用し、前記各画像に対して、前記複数の第1の分類確率のうちの少なくとも1つに基づいて、各第2の分類器に関連付けられている第2の分類確率を決定することをさらに含む、請求項1に記載の方法。
- 前記複数の第1の分類確率のうちの前記少なくとも1つは、前記各画像に時間的に隣接する、前記複数の画像のうちの1つ以上の画像に関連付けられている、請求項5に記載の方法。
- 前記複数の画像は、経時的な一連の画像である、請求項6に記載の方法。
- 前記第2の分類確率と前記第1の分類確率のうちの前記少なくとも1つとは、同一の異なる第1の数の細胞に関連付けられている、請求項5に記載の方法。
- 複数の第2の分類器を各画像に適用し、前記各画像に対して、各第2の分類器に関連付けられている第2の分類確率を決定することであって、
各第2の分類器は、異なる第3の数の細胞に関連付けられており、
前記各第2の分類器は、前記複数の細胞特徴に基づいて、かつ、1つ以上の追加の細胞特徴にさらに基づいて、前記各画像に対する前記第2の分類確率を決定し、前記1つ以上の追加の細胞特徴は、前記各画像に時間的に隣接する、前記複数の画像に含まれる1つ以上の画像に関連付けられている、前記複数の第1の分類確率像のうちの1つ以上の分類確率に関連付けられており、
前記第2の分類確率は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞が前記各画像に示されている第2の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第2の分類確率を有する、
ことと、
前記各第2の分類器に関連付けられている前記異なる第3の数の細胞と、その画像に関連付けられている前記複数の第2の分類確率とに基づいて、第4の数の細胞を示すものとして各画像を分類することと
をさらに含む、請求項1に記載の方法。 - 前記複数の画像は、経時的な一連の画像である、請求項9に記載の方法。
- 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、請求項9に記載の方法。
- 前記複数の第2の分類器の各々は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて構成されている、請求項9に記載の方法。
- 前記第2の複数の訓練画像の各々は、前記第1の複数の訓練画像の全てとは異なる、請求項12に記載の方法。
- 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、前記複数の第1の分類器のうちの対応するものに関連付けられている前記異なる第1の数の細胞と同一である、請求項9に記載の方法。
- 前記各画像内の前記第4の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定することをさらに含む、請求項9に記載の方法。
- 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、請求項15に記載の方法。
- 精緻化アルゴリズムを前記複数の画像に適用し、前記複数の画像に基づいて、前記第4の数の細胞を示すものとして分類された前記複数の画像のうちの1つ以上の画像が、代わりに、前記第4の数の細胞とは異なる第5の数の細胞を示すことを決定することをさらに含む、請求項9に記載の方法。
- 前記精緻化アルゴリズムは、ビタビアルゴリズムである、請求項17に記載の方法。
- 前記各画像内の前記第2の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定することをさらに含む、請求項1に記載の方法。
- 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、請求項19に記載の方法。
- 前記決定された細胞活性パラメータに基づいて予測基準を前記1つ以上の細胞に適用し、複数の特定の結果に含まれる予測結果を決定することをさらに含む、請求項19に記載の方法。
- 前記複数の画像に示される前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、請求項19に記載の方法。
- 前記複数の第1の分類器は、2項分類を行うように構成されているAdaBoost分類器である、請求項1に記載の方法。
- 前記複数の細胞特徴の各々は、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上の種類である、請求項1に記載の方法。
- 前記1つ以上の機械学習される細胞特徴のうちの少なくとも1つは、複数の学習画像から教師なし学習を介して学習される、請求項1に記載の方法。
- 分類モジュールを備えている自動細胞分類のための装置であって、
前記分類モジュールは、
複数の第1の分類器を1つ以上の細胞の複数の画像の各々に適用し、各画像に対して、各第1の分類器に関連付けられている第1の分類確率を決定することであって、
各第1の分類器は、異なる第1の数の細胞に関連付けられており、1つ以上の機械学習される細胞特徴を含む複数の細胞特徴に基づいて、前記各画像の前記第1の分類確率を決定するように構成されており、
前記第1の分類確率は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞が前記各画像に示されている第1の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第1の分類確率を有する、
ことと、
前記各第1の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の第1の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成され、
前記分類モジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。 - 前記複数の画像を受信するための画像モジュールをさらに備えている、請求項26に記載の装置。
- 前記各第1の分類器に関連付けられている前記異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて、前記複数の第1の分類器の各々を構成するように構成されている訓練モジュールをさらに備えている、請求項26に記載の装置。
- 前記複数の細胞特徴は、1つ以上の手作りの細胞特徴を含む、請求項26に記載の装置。
- 前記分類モジュールは、複数の第2の分類器を各画像に適用し、前記各画像に対して、前記複数の第1の分類確率のうちの少なくとも1つに基づいて、各第2の分類器に関連付けられている第2の分類確率を決定するようにさらに構成されている、請求項26に記載の装置。
- 前記複数の第1の分類確率のうちの前記少なくとも1つは、前記各画像に時間的に隣接する、前記複数の画像のうちの1つ以上の画像に関連付けられている、請求項30に記載の装置。
- 前記複数の画像は、経時的な一連の画像である、請求項31に記載の装置。
- 前記第2の分類確率と前記第1の分類確率のうちの前記少なくとも1つとは、同一の異なる第1の数の細胞に関連付けられている、請求項30に記載の装置。
- 前記分類モジュールは、
複数の第2の分類器を各画像に適用し、前記各画像に対して、各第2の分類器に関連付けられている第2の分類確率を決定することであって、
各第2の分類器は、異なる第3の数の細胞に関連付けられており、
前記各第2の分類器は、前記複数の細胞特徴に基づいて、かつ、1つ以上の追加の細胞特徴にさらに基づいて、前記各画像に対する前記第2の分類確率を決定し、前記1つ以上の追加の細胞特徴は、前記各画像に時間的に隣接する、前記複数の画像に含まれる1つ以上の画像に関連付けられている、前記複数の第1の分類確率像のうちの1つ以上の分類確率に関連付けられており、
前記第2の分類確率は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞が前記各画像に示されている第2の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第2の分類確率を有する、
ことと、
前記各第2の分類器に関連付けられている前記異なる第3の数の細胞と、その画像に関連付けられている前記複数の第2の分類確率とに基づいて、第4の数の細胞を示すものとして各画像を分類することと
を行うようにさらに構成されている、請求項26に記載の装置。 - 前記複数の画像は、経時的な一連の画像である、請求項34に記載の装置。
- 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、請求項34に記載の装置。
- 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて、前記複数の第2の分類器を構成するように構成されている訓練モジュールをさらに備えている、請求項34に記載の装置。
- 前記第2の複数の訓練画像の各々は、前記第1の複数の訓練画像の全てとは異なる、請求項37に記載の装置。
- 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、前記複数の第1の分類器のうちの対応するものに関連付けられている前記異なる第1の数の細胞と同一である、請求項34に記載の装置。
- 前記各画像内の前記第4の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するように構成されている結果決定モジュールをさらに備えている、請求項34に記載の装置。
- 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、請求項40に記載の装置。
- 前記分類モジュールは、精緻化アルゴリズムを前記複数の画像に適用し、前記複数の画像に基づいて、前記第4の数の細胞を示すものとして分類された前記複数の画像のうちの1つ以上の画像が、代わりに、前記第4の数の細胞とは異なる第5の数の細胞を示すことを決定するようにさらに構成されている、請求項34に記載の装置。
- 前記精緻化アルゴリズムは、ビタビアルゴリズムである、請求項42に記載の装置。
- 前記各画像内の前記第2の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するように構成されている結果決定モジュールをさらに備えている、請求項26に記載の装置。
- 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、請求項39に記載の装置。
- 前記結果決定モジュールは、前記決定された細胞活性パラメータに基づいて予測基準を前記1つ以上の細胞に適用し、複数の特定の結果に含まれる予測結果を決定するようにさらに構成されている、請求項44に記載の装置。
- 前記複数の画像に示される前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、請求項44に記載の装置。
- 前記複数の第1の分類器は、2項分類を行うように構成されているAdaBoost分類器である、請求項26に記載の装置。
- 前記複数の細胞特徴の各々は、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上の種類である、請求項26に記載の装置。
- 前記1つ以上の機械学習される細胞特徴のうちの少なくとも1つは、複数の学習画像から教師なし学習を介して学習される、請求項26に記載の装置。
- 自動細胞分類のためのコンピュータ装置を備えている自動細胞分類のためのシステムであって、前記コンピュータ装置は、
複数の第1の分類器を1つ以上の細胞の複数の画像の各々に適用し、各画像に対して、各第1の分類器に関連付けられている第1の分類確率を決定することであって、
各第1の分類器は、異なる第1の数の細胞に関連付けられており、1つ以上の機械学習される細胞特徴を含む複数の細胞特徴に基づいて、前記各画像の前記第1の分類確率を決定するように構成され、
前記第1の分類確率は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞が前記各画像に示されている第1の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第1の分類確率を有する、
ことと、
前記各第1の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の第1の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成されている、システム。 - 前記複数の画像を取得するように構成されている撮像デバイスをさらに備え、前記コンピュータ装置は、前記撮像デバイスから前記複数の画像を受信するようにさらに構成されている、請求項51に記載のシステム。
- 前記撮像デバイスは、暗視野照明顕微鏡である、請求項52に記載のシステム。
- 表示デバイスをさらに備え、前記表示デバイスは、
前記複数の画像のうちの1つ以上の画像を表示することと、
前記第2の数の細胞を示すものとして、前記複数の画像のうちの1つ以上の画像の分類に基づく前記1つ以上の細胞の特性を提示することと
を行うように構成されている、請求項51に記載のシステム。 - 前記コンピュータ装置は、前記各第1の分類器に関連付けられている前記異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて、前記複数の第1の分類器の各々を構成するようにさらに構成されている、請求項51に記載のシステム。
- 前記複数の細胞特徴は、1つ以上の手作りの細胞特徴を含む、請求項51に記載のシステム。
- 前記コンピュータ装置は、複数の第2の分類器を各画像に適用し、前記各画像に対して、前記複数の第1の分類確率のうちの少なくとも1つに基づいて、各第2の分類器に関連付けられている第2の分類確率を決定するようにさらに構成されている、請求項51に記載のシステム。
- 前記複数の第1の分類確率のうちの前記少なくとも1つは、前記各画像に時間的に隣接する、前記複数の画像のうちの1つ以上の画像に関連付けられている、請求項57に記載のシステム。
- 前記複数の画像は、経時的な一連の画像である、請求項57に記載のシステム。
- 前記第2の分類確率と前記第1の分類確率のうちの前記少なくとも1つとは、同一の異なる第1の数の細胞に関連付けられている、請求項57に記載のシステム。
- 前記コンピュータ装置は、
複数の第2の分類器を各画像に適用し、前記各画像に対して、各第2の分類器に関連付けられている第2の分類確率を決定することであって、
各第2の分類器は、異なる第3の数の細胞に関連付けられており、
前記各第2の分類器は、前記複数の細胞特徴に基づいて、かつ、1つ以上の追加の細胞特徴にさらに基づいて、前記各画像に対する前記第2の分類確率を決定するように構成され、前記1つ以上の追加の細胞特徴は、前記各画像に時間的に隣接する、前記複数の画像に含まれる1つ以上の画像に関連付けられている、前記複数の第1の分類確率像のうちの1つ以上の分類確率に関連付けられており、
前記第2の分類確率は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞が前記各画像に示されている第2の推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記第2の分類確率を有する、
ことと、
前記各第2の分類器に関連付けられている前記異なる第3の数の細胞と、その画像に関連付けられている前記複数の第2の分類確率とに基づいて、第4の数の細胞を示すものとして各画像を分類することと
を行うようにさらに構成されている、請求項52に記載のシステム。 - 前記複数の画像は、経時的な一連の画像である、請求項61に記載のシステム。
- 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞から成る群から選択される、請求項61に記載のシステム。
- 前記コンピュータ装置は、前記各第2の分類器に関連付けられている前記異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて、前記複数の第2の分類器を構成するようにさらに構成されている、請求項61に記載のシステム。
- 前記第2の複数の訓練画像の各々は、前記第1の複数の訓練画像の全てとは異なる、請求項64に記載のシステム。
- 前記各第2の分類器に関連付けられている前記異なる第3の数の細胞は、前記複数の第1の分類器のうちの対応するものに関連付けられている前記異なる第1の数の細胞と同一である、請求項61に記載のシステム。
- 前記コンピュータ装置は、前記各画像内の前記第4の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するようにさらに構成されている、請求項61に記載のシステム。
- 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、および受精から5つの細胞を有する胚までの時間間隔のうちの1つ以上のものを含む、請求項67に記載のシステム。
- 前記コンピュータ装置は、精緻化アルゴリズムを前記複数の画像に適用し、前記複数の画像に基づいて、前記第4の数の細胞を示すものとして分類された前記複数の画像のうちの1つ以上の画像が、代わりに、前記第4の数の細胞とは異なる第5の数の細胞を示すことを決定するようにさらに構成されている、請求項61に記載のシステム。
- 前記精緻化アルゴリズムは、ビタビアルゴリズムである、請求項69に記載のシステム。
- 前記コンピュータ装置は、前記各画像内の前記第2の数の細胞に基づいて、前記1つ以上の細胞の細胞活性パラメータを決定するようにさらに構成されている、請求項51に記載のシステム。
- 前記決定された細胞活性パラメータは、第1の細胞質分裂の持続時間、第1細胞質分裂と第2細胞質分裂との間の時間間隔、第2細胞質分裂と第3細胞質分裂との間の時間間隔、第1の有糸分裂と第2の有糸分裂との間の時間間隔、第2の有糸分裂と第3の有糸分裂との間の時間間隔、受精から5つの細胞を有する胚までの時間間隔、および配偶子合体と前記第1の細胞質分裂との間の時間間隔のうちの1つ以上のものを含む、請求項71に記載のシステム。
- 前記コンピュータ装置は、前記決定された細胞活性パラメータに基づいて予測基準を前記1つ以上の細胞に適用し、複数の特定の結果に含まれる予測結果を決定するようにさらに構成されている、請求項71に記載のシステム。
- 前記複数の画像に示される前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、請求項71に記載のシステム。
- 前記複数の第1の分類器は、2項分類を行うように構成されているAdaBoost分類器である、請求項51に記載のシステム。
- 前記複数の細胞特徴の各々は、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上の種類である、請求項51に記載のシステム。
- 少なくとも1つの機械学習される細胞特徴は、複数の学習画像から教師なし学習を介して学習される、請求項51に記載のシステム。
- 画像ベースの結果決定のための方法であって、前記方法は、
分類器を1つ以上の細胞の第1の時間連続的な一連の画像に適用し、前記第1の時間連続的な一連の画像に対して、分類確率を決定することであって、
前記分類確率は、前記1つ以上の細胞の発生に対する第1の結果が前記第1の時間連続的な一連の画像によって示されている推定可能性を示し、
前記第1の結果は、前記分類器に関連付けられている、細胞発生に対する複数の結果に含まれる、
ことと、
前記分類器に関連付けられている前記複数の結果と前記分類確率とに基づいて、前記第1の結果を示すものとして、前記第1の経時的な一連の画像を分類することと
を含む、方法。 - 前記第1の時間連続的な一連の画像から系列特徴情報を抽出することをさらに含み、前記分類器を前記第1の時間連続的な一連の画像に前記適用することは、前記系列特徴情報に基づく、請求項78に記載の方法。
- 前記系列特徴情報は、前記第1の結果を表し、前記第1の時間連続的な一連の画像の全体に関連付けられている、請求項79に記載の方法。
- 前記系列特徴情報を前記抽出することは、
前記第1の時間連続的な一連の画像のうちの1つ以上の画像の一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を含む、請求項79に記載の方法。 - 前記系列特徴情報を前記決定することは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記第1の時間連続的な一連の画像にわたって前記1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記第1の時間連続的な一連の画像にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
を含む、請求項81に記載の方法。 - 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、請求項81に記載の方法。
- 前記複数のコードワードの各々は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から決定される、請求項81に記載の方法。
- 複数の時間連続的な一連の画像の各々に関連付けられている系列特徴情報に基づいて、前記分類器を訓練することをさらに含み、前記複数の時間連続的な一連の画像の各々は、前記複数の結果のうちの1つに関連付けられている、請求項78に記載の方法。
- 前記分類器を前記訓練することは、前記複数の時間連続的な一連の画像の各々から前記系列特徴情報を抽出することを含む、請求項85に記載の方法。
- 前記複数の時間連続的な一連の画像のうちの1つに関連付けられている系列特徴情報は、前記複数の結果のうちの関連するものを表し、前記複数の時間連続的な一連の画像のうちの前記1つの全体に関連付けられている、請求項85に記載の方法。
- 前記系列特徴情報を前記抽出することは、
前記複数の時間連続的な一連の画像のうちの1つ以上のものの一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と、教師なし学習を通して少なくとも1つの細胞の複数の非標識画像から決定される複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を含む、請求項85に記載の方法。 - 前記系列特徴情報を前記決定することは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたって前記1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
を含む、請求項88に記載の方法。 - 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、請求項88に記載の方法。
- 前記複数のコードワードの各々は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から決定される、請求項88に記載の方法。
- 前記第1の時間連続的な一連の画像は、経時的な一連の画像である、請求項78に記載の方法。
- 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、ならびに妊娠および妊娠なしのうちの1つ以上のものを含む、請求項78に記載の方法。
- 前記分類器は、AdaBoost分類器である、請求項78に記載の方法。
- 前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、請求項78に記載の方法。
- 分類モジュールを備えている画像ベースの結果決定のための装置であって、前記分類モジュールは、
分類器を1つ以上の細胞の第1の時間連続的な一連の画像に適用し、前記第1の時間連続的な一連の画像に対して、分類確率を決定することであって、
前記分類確率は、前記1つ以上の細胞の発生に対する第1の結果が前記第1の時間連続的な一連の画像によって示されている推定可能性を示し、
前記第1の結果は、前記分類器に関連付けられている、細胞発生に対する複数の結果に含まれる、
ことと、
前記分類器に関連付けられている前記複数の結果と前記分類確率とに基づいて、前記第1の結果を示すものとして、前記第1の経時的な一連の画像を分類することと
を行うように構成され、
前記分類モジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。 - 前記第1の時間連続的な一連の画像から系列特徴情報を抽出するように構成されている訓練モジュールをさらに含み、前記分類モジュールは、前記系列特徴情報に基づいて、前記分類器を前記第1の時間連続的な一連の画像に適用するようにさらに構成されている、請求項96に記載の装置。
- 前記系列特徴情報は、前記第1の結果を表し、前記第1の時間連続的な一連の画像の全体に関連付けられている、請求項97に記載の装置。
- 前記訓練モジュールは、
前記第1の時間連続的な一連の画像のうちの1つ以上の画像の一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と複数のコードワードとに基づいて、前記系列特徴情報を決定することと
によって、前記系列特徴情報を抽出するようにさらに構成されている、請求項97に記載の装置。 - 前記訓練モジュールは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記第1の時間連続的な一連の画像にわたって1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記第1の時間連続的な一連の画像にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
によって、前記系列特徴情報を決定するようにさらに構成されている、請求項99に記載の装置。 - 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、請求項99に記載の装置。
- 教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するように構成されている学習モジュールをさらに備えている、請求項99に記載の装置。
- 複数の時間連続的な一連の画像の各々に関連付けられている系列特徴情報に基づいて前記分類器を訓練するように構成されている訓練モジュールをさらに備え、前記複数の時間連続的な一連の画像の各々は、前記複数の結果のうちの1つに関連付けられている、請求項96に記載の装置。
- 前記訓練モジュールは、前記複数の時間連続的な一連の画像の各々から前記系列特徴情報を抽出することによって、前記分類器を訓練するようにさらに構成されている、請求項103に記載の装置。
- 前記複数の時間連続的な一連の画像のうちの1つに関連付けられている系列特徴情報は、前記複数の結果のうちの関連するものを表し、前記複数の時間連続的な一連の画像のうちの前記1つの全体に関連付けられている、請求項103に記載の装置。
- 前記訓練モジュールは、
前記複数の時間連続的な一連の画像のうちの1つ以上のものの一部分に関連付けられている局所特徴情報を抽出することによって、前記系列特徴情報を抽出することと、
前記局所特徴情報と、教師なし学習を通して少なくとも1つの細胞の複数の非標識画像から決定される複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を行うようにさらに構成されている、請求項103に記載の装置。 - 前記訓練モジュールは、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたって1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
によって、前記系列特徴情報を決定するようにさらに構成されている、請求項106に記載の装置。 - 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、請求項106に記載の装置。
- 教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するように構成されている学習モジュールをさらに備えている、請求項106に記載の装置。
- 前記第1の時間連続的な一連の画像は、経時的な一連の画像である、請求項96に記載の装置。
- 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、ならびに妊娠および妊娠なしのうちの1つ以上のものを含む、請求項96に記載の装置。
- 前記分類器は、AdaBoost分類器である、請求項96に記載の装置。
- 前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、請求項96に記載の装置。
- 画像ベースの結果決定のためのシステムであって、前記システムは、
1つ以上の細胞の第1の経時的な一連の画像を取得することと、複数の経時的な一連の画像を取得することとを行うように構成されている撮像デバイスと、
前記第1の経時的な一連の画像を未知または不明確な結果に関連付けることと、複数の経時的な一連の画像の各々を複数の結果のうちの特定の結果に関連付けることとを行うように構成されている入力インターフェースと、
画像ベースの結果決定のために構成されているコンピュータ装置であって、前記コンピュータ装置は、
分類器を1つ以上の細胞の第1の時間連続的な一連の画像に適用し、前記第1の時間連続的な一連の画像に対して、分類確率を決定することであって、
前記分類確率は、前記1つ以上の細胞の発生に対する第1の結果が前記第1の時間連続的な一連の画像によって示されている推定可能性を示し、
前記第1の結果は、前記分類器に関連付けられている、細胞発生に対する複数の結果に含まれる、
ことと、
前記分類器に関連付けられている前記複数の結果と前記分類確率とに基づいて、前記第1の結果を示すものとして、前記第1の経時的な一連の画像を分類することと
を行うように構成されている、コンピュータ装置と、
表示デバイスと
を備え、
前記表示デバイスは、
前記第1の時間経過連続的な一連の画像および前記複数の経時的な一連の画像のうちの1つ以上を表示することと、
前記分類確率、前記分類すること、および前記第1の結果のうちの1つ以上のものに基づいて、前記第1の時間経過連続的な一連の画像内の前記1つ以上の細胞の1つ以上の特性を提示することと、
特徴情報に基づいて、前記複数の経時的な一連の画像内の1つ以上の細胞の1つ以上の特性を提示することと
を行うように構成されている、システム。 - 前記コンピュータ装置は、
前記第1の時間連続的な一連の画像から系列特徴情報を抽出することと、
前記系列特徴情報に基づいて、前記分類器を前記第1の時間連続的な一連の画像に適用することと
を行うようにさらに構成されている、請求項114に記載のシステム。 - 前記系列特徴情報は、前記第1の結果を表し、前記第1の時間連続的な一連の画像の全体に関連付けられている、請求項115に記載のシステム。
- 前記コンピュータ装置は、
前記第1の時間連続的な一連の画像のうちの1つ以上の画像の一部分に関連付けられている局所特徴情報を抽出することと、
前記局所特徴情報と複数のコードワードとに基づいて、前記系列特徴情報を決定することと
によって、前記系列特徴情報を抽出するようにさらに構成されている、請求項115に記載のシステム。 - 前記コンピュータ装置は、
前記局所特徴情報を1つ以上のクラスタに関連付けることであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記第1の時間連続的な一連の画像にわたって1つ以上のコードワードの発生頻度を決定することであって、前記系列特徴情報は、前記第1の時間連続的な一連の画像にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、ことと
によって、前記系列特徴情報を決定するようにさらに構成されている、請求項117に記載のシステム。 - 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、請求項117に記載のシステム。
- 前記コンピュータ装置は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するようにさらに構成されている、請求項117に記載のシステム。
- 前記コンピュータ装置は、複数の時間連続的な一連の画像の各々に関連付けられている系列特徴情報に基づいて、前記分類器を訓練するようにさらに構成され、前記複数の時間連続的な一連の画像の各々は、前記複数の結果のうちの1つに関連付けられている、請求項114に記載のシステム。
- 前記コンピュータ装置は、前記複数の時間連続的な一連の画像の各々から前記系列特徴情報を抽出することによって、前記分類器を訓練するようにさらに構成されている、請求項121に記載のシステム。
- 前記複数の時間連続的な一連の画像のうちの1つに関連付けられている系列特徴情報は、前記複数の結果のうちの関連するものを表し、前記複数の時間連続的な一連の画像のうちの前記1つの全体に関連付けられている、請求項121に記載のシステム。
- 前記コンピュータ装置は、
前記複数の時間連続的な一連の画像のうちの1つ以上のものの一部分に関連付けられている局所特徴情報を抽出することによって、前記系列特徴情報を抽出することと、
前記局所特徴情報と、教師なし学習を通して少なくとも1つの細胞の複数の非標識画像から決定される複数のコードワードとに基づいて、前記系列特徴情報を決定することと
を行うようにさらに構成されている、請求項121に記載のシステム。 - 前記コンピュータ装置は、
前記局所特徴情報を1つ以上のクラスタに関連付けることによって、前記系列特徴情報を決定することであって、前記1つ以上のクラスタの各々は、前記複数のコードワードのうちの対応するものに関連付けられている、ことと、
前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたって前記1つ以上のコードワードの発生頻度を決定することと
を行うようにさらに構成され、
前記系列特徴情報は、前記複数の時間連続的な一連の画像のうちの前記1つ以上のものの各々にわたる前記1つ以上のコードワードの各々の前記発生頻度を含む、請求項124に記載のシステム。 - 前記複数のコードワードの各々は、縁の種類、テクスチャの種類、および形状の種類のうちの1つ以上のものである細胞特徴に関連付けられている、請求項124に記載のシステム。
- 前記コンピュータ装置は、教師なし学習を通して、少なくとも1つの細胞の複数の非標識画像から前記複数のコードワードの各々を決定するようにさらに構成されている、請求項124に記載のシステム。
- 前記第1の時間連続的な一連の画像は、経時的な一連の画像である、請求項114に記載のシステム。
- 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、ならびに妊娠および妊娠なしのうちの1つ以上のものを含む、請求項114に記載のシステム。
- 前記分類器は、AdaBoost分類器である、請求項114に記載のシステム。
- 前記1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、および1つ以上の多能性細胞から成る群から選択される、請求項114に記載のシステム。
- 自動胚ランク付けのための方法であって、前記方法は、
分類器およびニューラルネットワークのうちの1つ以上のものを第1の複数の胚に含まれる各胚の複数の画像に適用し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定することと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚をランク付けすることと
を含む、方法。 - 前記スコアは、実質的に連続的であり、前記分類器によって決定される、請求項132に記載の方法。
- 前記分類器は、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである、請求項133に記載の方法。
- 前記第1の複数の胚を特定する入力を受信することをさらに含む、請求項132に記載の方法。
- 第2の複数の胚に含まれる各胚に関連付けられている入力を受信することと、
前記入力に基づいて、前記第1の複数の胚として前記第2の複数の胚のサブセットを選択することと
をさらに含む、請求項132に記載の方法。 - 前記入力は、各胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、請求項136に記載の方法。
- 前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を選択することと、
前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を拒否することと、
のうちの1つ以上をさらに含む、請求項132に記載の方法。 - 前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている入力を受信することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記入力に基づいて前記スコアを決定することを含む、請求項132に記載の方法。
- 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、請求項139に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定することを含む、請求項132に記載の方法。
- 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、請求項141に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定することを含み、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、請求項132に記載の方法。 - 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、請求項143に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づく、請求項132に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づく、請求項132に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づく、請求項132に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定することを含む、請求項132に記載の方法。
- 前記第1の複数の胚に含まれる各胚を前記ランク付けすることは、
患者に関連付けられている第2の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと、
集団に関連付けられている第3の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと
を含む、請求項132に記載の方法。 - 前記患者に関連付けられている前記第2の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと、
前記集団に関連付けられている前記第3の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと
をさらに含む、請求項149に記載の方法。 - 前記第1の複数の胚に含まれる第1の胚に関連付けられている入力を受信することであって、前記第1の複数の胚に含まれる各胚を前記ランク付けすることは、第2の複数の胚内の前記第1の胚をランク付けすることを含む、ことと、
前記入力に基づいて前記第2の複数の胚を選択することと
をさらに含む、請求項132に記載の方法。 - 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように選択される、請求項151に記載の方法。 - 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように選択される、請求項151に記載の方法。 - 前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように選択される、請求項151に記載の方法。
- 前記複数の画像は、時間連続的な一連の画像を含む、請求項132に記載の方法。
- 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と
を含む、請求項132に記載の方法。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と
を含む、請求項132に記載の方法。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像
を含む、請求項132に記載の方法。 - 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、請求項158に記載の方法。
- 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することをさらに含む、請求項132に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することは、前記特徴情報を抽出することを含み、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、請求項160に記載の方法。
- 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、請求項160に記載の方法。
- 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、請求項160に記載の方法。
- 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項163に記載の方法。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項163に記載の方法。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項165に記載の方法。
- 前記第1の複数の胚の各々の発生に関連付けられているタイミング特性を決定することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記タイミング特性に基づいて前記スコアを決定することを含む、請求項132に記載の方法。
- 前記タイミング特性を前記決定することは、
前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択することであって、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含む、ことと、
前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定することと、
を含む、請求項167に記載の方法。 - 前記分類器は、第1の分類器であり、前記タイミング特性を前記決定することは、
複数の第2の分類器を前記複数の画像の各々に適用し、各画像に対して、各第2の分類器に関連付けられている分類確率を決定することであって、
各第2の分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各第2の分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各第2の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を含む、請求項167に記載の方法。 - 前記タイミング特性を前記決定することは、前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定することを含む、請求項167に記載の方法。
- 前記第1の複数の胚として第2の複数の胚のサブセットを選択することをさらに含む、請求項132に記載の方法。
- 前記サブセットを前記選択することは、
前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定することであって、前記複数の結果は、前記分類器に関連付けられている、ことと、
前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚を決定することと、
を含む、請求項171に記載の方法。 - 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項172に記載の方法。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項172に記載の方法。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項174に記載の方法。
- 自動カテゴリ化のための方法であって、前記方法は、
分類器およびニューラルネットワークのうちの1つ以上のものを第1の複数の胚に含まれる各胚の複数の画像に適用し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定することと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚を複数のカテゴリに含まれる対応するカテゴリに関連付けることと
を含む、方法。 - 前記スコアは、実質的に連続的であり、前記分類器によって決定される、請求項176に記載の方法。
- 前記分類器は、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである、請求項177に記載の方法。
- 前記複数のカテゴリの各々は、スコアの範囲に関連付けられており、
各胚は、各胚に関連付けられている前記スコアが対応するスコアの範囲内にある場合に、前記対応するカテゴリに関連付けられる、請求項176に記載の方法。 - 各胚は、対応する診療所に関連付けられており、
前記スコアの範囲は、前記対応する診療所に関連付けられている情報に基づく、請求項179に記載の方法。 - 前記対応する診療所に関連付けられている前記情報は、各胚の前記発生能に関連付けられている環境パラメータを含む、請求項180に記載の方法。
- 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、請求項181に記載の方法。
- 前記対応するカテゴリとの各胚の関連性を表示することをさらに含む、請求項176に記載の方法。
- 前記第1の複数の胚を特定する入力を受信することをさらに含む、請求項176に記載の方法。
- 第2の複数の胚に含まれる各胚に関連付けられている入力を受信することと、
前記入力に基づいて、前記第1の複数の胚として前記第2の複数の胚のサブセットを選択することと
をさらに含む、請求項176に記載の方法。 - 前記入力は、各胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、請求項185に記載の方法。
- 前記第1の複数の胚のうちの1つ以上の胚の前記対応するカテゴリに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの前記1つ以上の胚を選択することと、
前記第1の複数の胚のうちの1つ以上の胚の前記対応するカテゴリに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの前記1つ以上の胚を拒否することと
のうちの1つ以上をさらに含む、請求項176に記載の方法。 - 前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている入力を受信することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記入力に基づいて前記スコアを決定することを含む、請求項176に記載の方法。
- 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、請求項188に記載の方法。
- 前記分類器を前記適用することは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定することを含む、請求項176に記載の方法。
- 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、請求項190に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定することを含み、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、請求項176に記載の方法。 - 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、請求項192に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づく、請求項176に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づく、請求項176に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づく、請求項176に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定することを含む、請求項176に記載の方法。
- 前記第1の複数の胚に含まれる第1の胚に関連付けられている入力を受信することであって、前記第1の複数の胚に含まれる各胚を、前記対応するカテゴリに前記関連付けることは、第2の複数の胚内の各胚をカテゴライズすることを含む、ことと,
前記入力に基づいて前記第2の複数の胚を選択することと
をさらに含む、請求項176に記載の方法。 - 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように選択される、請求項198に記載の方法。 - 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように選択される、請求項198に記載の方法。 - 前記入力に応答して、前記第2の複数の胚は、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように選択される、請求項198に記載の方法。
- 前記複数の画像は、時間連続的な一連の画像を含む、請求項176に記載の方法。
- 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と、
を含む、請求項176に記載の方法。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と、
を含む、請求項176に記載の方法。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像と、
を含む、請求項176に記載の方法。 - 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、請求項205に記載の方法。
- 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することをさらに含む、請求項176に記載の方法。
- 前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを訓練することは、前記特徴情報を抽出することを含み、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、請求項207に記載の方法。
- 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、請求項207に記載の方法。
- 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、請求項207に記載の方法。
- 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項210に記載の方法。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項210に記載の方法。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項212に記載の方法。
- 前記第1の複数の胚に含まれる少なくとも1つの胚の発生に関連付けられているタイミング特性を決定することをさらに含み、前記分類器および前記ニューラルネットワークのうちの前記1つ以上のものを前記適用することは、前記タイミング特性に基づいて前記スコアを決定することを含む、請求項176に記載の方法。
- 前記タイミング特性を前記決定することは、
前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択することであって、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含む、ことと、
前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定することと
を含む、請求項214に記載の方法。 - 前記分類器は、第1の分類器であり、前記タイミング特性を前記決定することは、
複数の第2の分類器を前記複数の画像の各々に適用し、各画像に対して、各第2の分類器に関連付けられている分類確率を決定することであって、
各第2の分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各第2の分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各第2の分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を含む、請求項214に記載の方法。 - 前記タイミング特性を前記決定することは、前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定することを含む、請求項214に記載の方法。
- 前記第1の複数の胚として第2の複数の胚のサブセットを選択することをさらに含む、請求項176に記載の方法。
- 前記サブセットを前記選択することは、
前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定することであって、前記複数の結果は、前記分類器に関連付けられている、ことと、
前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚を決定することと
を含む、請求項218に記載の方法。 - 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項219に記載の方法。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項219に記載の方法。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項221に記載の方法。
- 自動胚ランク付けのための装置であって、前記装置は、
第1の複数の胚に含まれる各胚の複数の画像を分類し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定するように構成されているスコア決定モジュールと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚をランク付けするように構成されているランク付けモジュールと
を備え、
前記スコア決定モジュールおよび前記ランク付けモジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。 - 前記スコアは、実質的に連続的である、請求項223に記載の方法。
- 前記スコア決定モジュールは、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである分類器である、請求項224に記載の方法。
- 前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を選択するように構成されている選択モジュールをさらに備えている、請求項223に記載の装置。
- 前記スコアに基づく、前記第1の複数の胚に含まれる各胚のランク付けに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を拒否するように構成されている選択モジュールをさらに備えている、請求項223に記載の装置。
- 前記スコア決定モジュールは、前記装置への入力に基づいて前記スコアを決定するように構成され、前記入力は、前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている、請求項223に記載の装置。
- 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、請求項228に記載の装置。
- 前記スコア決定モジュールは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定するように構成されている、請求項223に記載の装置。
- 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、請求項230に記載の装置。
- 前記スコア決定モジュールは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定するように構成され、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、請求項223に記載の装置。 - 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、請求項232に記載の装置。
- 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、請求項223に記載の装置。
- 前記スコア決定モジュールは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づいて、前記スコアを決定するように構成されている、請求項223に記載の装置。
- 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、請求項223に記載の装置。
- 前記スコア決定モジュールは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、請求項223に記載の装置。
- 前記ランク付けモジュールは、
患者に関連付けられている第2の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと、
集団に関連付けられている第3の複数の胚内の前記第1の複数の胚に含まれる各胚をランク付けすることと
を行うように構成されている、請求項223に記載の装置。 - 前記患者に関連付けられている前記第2の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと、
前記集団に関連付けられている前記第3の複数の胚内の前記第1の複数の胚に含まれる各胚のランク付けを表示することと
を行うように構成されている表示モジュールをさらに備えている、請求項238に記載の装置。 - 前記ランク付けモジュールは、第2の複数の胚内の前記第1の胚をランク付けするように構成され、前記装置への入力に基づいて前記第2の複数の胚を選択するように構成されている選択モジュールをさらに備えている、請求項223に記載の装置。
- 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、
請求項240に記載の装置。 - 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、
請求項240に記載の装置。 - 前記入力に応答して、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、請求項240に記載の装置。
- 前記複数の画像は、時間連続的な一連の画像を含む、請求項223に記載の装置。
- 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と
を含む、請求項223に記載の装置。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と
を含む、請求項223に記載の装置。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像と
を含む、請求項223に記載の装置。 - 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、請求項247に記載の装置。
- 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記スコア決定モジュールを訓練するように構成されている訓練モジュールをさらに備えている、請求項223に記載の装置。
- 前記訓練モジュールは、前記特徴情報を抽出するように構成され、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、請求項249に記載の装置。
- 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、請求項249に記載の装置。
- 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、請求項249に記載の装置。
- 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項252に記載の装置。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項252に記載の装置。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項254に記載の装置。
- 前記装置は、前記第1の複数の胚に含まれる少なくとも1つの胚の発生に関連付けられているタイミング特性を決定するように構成され、前記スコア決定モジュールは、前記タイミング特性に基づいて前記スコアを決定するように構成されている、請求項223に記載の装置。
- 前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択するように構成されている仮説選択モジュールをさらに備え、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含み、前記装置は、前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定するように構成されている、請求項256に記載の装置。
- 前記装置は、
複数の分類器を前記複数の画像の各々に適用し、各画像に対して、各分類器に関連付けられている分類確率を決定することであって、
各分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成されている、請求項257に記載の装置。 - 前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定するように構成されている画像類似性決定モジュールをさらに備え、前記装置は、前記画像類似性に基づいて前記タイミング特性を決定するように構成されている、請求項256に記載の装置。
- 前記第1の複数の胚として第2の複数の胚のサブセットを選択するように構成されている選択モジュールをさらに備えている、請求項223に記載の装置。
- 前記選択モジュールは、前記装置への入力に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、請求項260に記載の装置。
- 前記入力は、対応する胚の形態の評価に関連付けられている、請求項261に記載の装置。
- 前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定するように構成されている分類モジュールをさらに備え、
前記選択モジュールは、前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、請求項260に記載の装置。 - 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項263に記載の装置。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項263に記載の装置。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項265に記載の装置。
- 自動胚カテゴリ化のための装置であって、前記装置は、
第1の複数の胚に含まれる各胚の複数の画像を分類し、前記第1の複数の胚に含まれる各胚の発生能に関連付けられているスコアを決定するように構成されているスコア決定モジュールと、
前記第1の複数の胚に含まれる各胚に関連付けられている前記スコアに基づいて、前記第1の複数の胚に含まれる各胚を複数のカテゴリに含まれる対応するカテゴリに関連付けるように構成されているカテゴリ化モジュールと
を備え、
前記スコア決定モジュールおよび前記カテゴリ化モジュールは、メモリまたは処理デバイスのうちの少なくとも1つにおいて実装されている、装置。 - 前記スコアは、実質的に連続的である、請求項267に記載の方法。
- 前記スコア決定モジュールは、ナイーブベイズ、Adaboost、サポートベクターマシン(SVM)、ブースティング、およびランダムフォレストのうちの1つである分類器である、請求項268に記載の方法。
- 前記複数のカテゴリの各々は、スコアの範囲に関連付けられており、
各胚は、各胚に関連付けられている前記スコアが対応するスコアの範囲内にある場合に、前記対応するカテゴリに関連付けられる、請求項267に記載の装置。 - 各胚は、対応する診療所に関連付けられており、
前記スコアの範囲は、前記対応する診療所に関連付けられている情報に基づく、請求項270に記載の装置。 - 前記対応する診療所に関連付けられている前記情報は、各胚の前記発生能に関連付けられている環境パラメータを含む、請求項271に記載の装置。
- 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、請求項272に記載の装置。
- 前記対応するカテゴリとの各胚の関連性を表示するように構成されている表示モジュールをさらに備えている、請求項267に記載の装置。
- 前記第1の複数の胚に含まれる各胚の前記対応するカテゴリに基づいて、女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を選択するように構成されている選択モジュールをさらに備えている、請求項267に記載の装置。
- 前記第1の複数の胚に含まれる各胚の前記対応するカテゴリに基づいて、前記女性のヒト対象への着床のための前記第1の複数の胚のうちの1つ以上の胚を拒否するように構成されている選択モジュールをさらに備えている、請求項267に記載の装置。
- 前記スコア決定モジュールは、前記装置への入力に基づいて前記スコアを決定するように構成され、前記入力は、前記第1の複数の胚に含まれる少なくとも1つの胚に関連付けられている、請求項267に記載の装置。
- 前記入力は、前記少なくとも1つの胚に対して、形態の評価、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、機械学習される画像特徴、生物学的特徴、タイミング特徴、時空間的特徴、患者情報、および臨床関連情報のうちの1つ以上のものに関連付けられている、請求項277に記載の装置。
- 前記スコア決定モジュールは、各胚の前記発生能に関連付けられている環境パラメータに基づいて、前記スコアを決定するように構成されている、請求項267に記載の装置。
- 前記環境パラメータは、媒体の種類、インキュベータ温度、およびインキュベータで使用されるガス混合のうちの1つ以上のものを含む、請求項279に記載の装置。
- 前記スコア決定モジュールは、前記第1の複数の胚に含まれる少なくとも1つの胚の前記スコアを決定するように構成され、前記スコアを決定することは、
前記少なくとも1つの胚の父親と、
前記少なくとも1つの胚の母親と
のうちの1つ以上のものに関連付けられている患者情報に基づく、請求項267に記載の装置。 - 前記患者情報は、年齢、民族性、他の人口統計学的情報、生殖歴、補助生殖歴、前記父親に対して、前記父親によって提供される精子の運動性、および前記精子に関連付けられる他のパラメータのうちの1つ以上のものを含む、請求項281に記載の装置。
- 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚に含まれる1つ以上の細胞に関連付けられている以下の種類の画像の特徴、すなわち、形状の種類、テクスチャの種類、および縁の種類のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、請求項267に記載の装置。
- 前記スコア決定モジュールは、1つ以上の機械学習される画像特徴を含む複数の画像特徴に基づいて、前記スコアを決定するように構成されている、請求項267に記載の装置。
- 前記スコア決定モジュールは、前記第1の複数の胚に含まれる胚の境界に関連付けられている以下の種類の画像の特徴、すなわち、越境強度プロファイル、越境テクスチャプロファイル、境界曲率、および境界の波打ち現象のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、請求項267に記載の装置。
- 前記スコア決定モジュールは、以下の因子、すなわち、各胚が胞胚期に達する可能性、各胚がある品質水準で胞胚期に達する可能性、各胚に起因する妊娠の可能性、各胚に起因する着床の可能性、各胚における遺伝的欠陥の可能性、各胚に関連付けられている異数性の可能性、各胚に関連付けられている断片化の程度、および前記第1の複数の胚のうちの1つ以上の胚が凍結されるであろうかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が卵細胞質内精子注入法に起因したかどうか、前記第1の複数の胚のうちの前記1つ以上の胚が従来の体外受精に起因したかどうか、および前記第1の複数の胚のうちの前記1つ以上の胚をもたらす体外受精に関連して使用される薬剤のうちの1つ以上のものに基づいて、前記スコアを決定するように構成されている、請求項267に記載の装置。
- 前記カテゴリ化モジュールは、第2の複数の胚内の前記第1の複数の胚に含まれる各胚をカテゴライズするように構成され、前記装置への入力に基づいて前記第2の複数の胚を選択するように構成されている選択モジュールをさらに備えている、請求項267に記載の装置。
- 前記入力は、前記第1の胚が以前に凍結されたことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されたものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、
請求項287に記載の装置。 - 前記入力は、前記第1の胚が以前に凍結されなかったことを示し、
前記入力に応答して、前記第2の複数の胚に含まれる各胚が以前に凍結されなかったものであるように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、請求項287に記載の装置。 - 前記入力に応答して、前記第2の複数の胚が、以前に凍結された胚および以前に凍結されなかった胚の両方を含むように、前記選択モジュールは、前記第2の複数の胚を選択するように構成されている、請求項287に記載の装置。
- 前記複数の画像は、時間連続的な一連の画像を含む、請求項267に記載の装置。
- 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1の被写界深度を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1の被写界深度とは異なる第2の被写界深度を有する、第2の画像と
を含む、請求項267に記載の装置。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、前記胚に対する第1の角度配向を有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記胚に対する第2の角度配向を有し、前記第2の角度配向は、前記第1の角度配向とは異なる、第2の画像と
を含む、請求項267に記載の装置。 - 前記複数の画像は、
前記第1の複数の胚に含まれる胚の第1の画像であって、前記第1の画像は、第1のモダリティを有する、第1の画像と、
前記胚の第2の画像であって、前記第2の画像は、前記第1のモダリティとは異なる第2のモダリティを有する、第2の画像と
を含む、請求項267に記載の装置。 - 前記第1のモダリティおよび前記第2のモダリティの各々は、明視野および暗視野から成る群から選択される、請求項294に記載の装置。
- 第2の複数の胚に含まれる各胚の複数の画像のうちの1つ以上の画像に関連付けられている標識情報および特徴情報のうちの少なくとも1つに基づいて、前記スコア決定モジュールを訓練するように構成されている訓練モジュールをさらに備えている、請求項267に記載の装置。
- 前記訓練モジュールは、前記特徴情報を抽出するように構成され、前記特徴情報は、形状の種類を有する画像特徴、テクスチャの種類を有する画像特徴、縁の種類を有する画像特徴、および機械学習される画像特徴のうちの1つ以上のものを含む、請求項296に記載の装置。
- 前記第2の複数の胚に含まれる各胚は、以前に凍結されたものである、請求項296に記載の装置。
- 前記標識情報は、対応する胚の質の指標、および前記対応する胚の発生に対する複数の結果のうちの1つの指標のうちの1つ以上のものを含む、請求項296に記載の装置。
- 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項299に記載の装置。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項299に記載の装置。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項301に記載の装置。
- 前記装置は、前記第1の複数の胚に含まれる少なくとも1つの胚の発生に関連付けられているタイミング特性を決定するように構成され、前記スコア決定モジュールは、前記タイミング特性に基づいて前記スコアを決定するように構成されている、請求項267に記載の装置。
- 前記少なくとも1つの胚を特徴付ける複数の仮説からある仮説を選択するように構成されている仮説選択モジュールをさらに備え、前記複数の仮説の各々は、前記少なくとも1つの胚の幾何学的特徴に基づく、前記少なくとも1つの胚の推測特性を含み、前記装置は、前記仮説に関連付けられている前記推測特性に基づいて、前記タイミング特性を決定するように構成されている、請求項303に記載の装置。
- 前記装置は、
複数の分類器を前記複数の画像の各々に適用し、各画像に対して、各分類器に関連付けられている分類確率を決定することであって、
各分類器は、異なる第1の数の細胞に関連付けられており、複数の画像特徴に基づいて、前記各画像の前記分類確率を決定し、
前記分類確率は、各分類器に関連付けられている前記異なる第1の数の細胞が各画像に示されている推定可能性を示し、それによって、前記複数の画像の各々は、その画像に関連付けられている複数の前記分類確率を有する、
ことと、
各分類器に関連付けられている前記異なる第1の数の細胞と、その画像に関連付けられている前記複数の分類確率とに基づいて、第2の数の細胞を示すものとして各画像を分類することと
を行うように構成されている、請求項303に記載の装置。 - 前記複数の画像のうちの2つ以上の画像の間の画像類似性を決定するように構成されている画像類似性決定モジュールをさらに備え、前記装置は、前記画像類似性に基づいて前記タイミング特性を決定するように構成されている、請求項303に記載の装置。
- 前記第1の複数の胚として第2の複数の胚のサブセットを選択するように構成されている選択モジュールをさらに備えている、請求項267に記載の装置。
- 前記選択モジュールは、前記装置への入力に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、請求項307に記載の装置。
- 前記入力は、対応する胚の形態の評価に関連付けられている、請求項308に記載の装置。
- 前記第2の複数の胚の各々の時間連続的な一連の画像が、前記第2の複数の胚の各々の発生に対する複数の結果のうちの1つを示している推定可能性を決定するように構成されている分類モジュールをさらに備え、
前記選択モジュールは、前記第2の複数の胚の各々に関連付けられている前記推定可能性に基づいて、前記第1の複数の胚として前記第2の複数の胚の前記サブセットを選択するように構成されている、請求項309に記載の装置。 - 前記複数の結果は、以下の結果のペア、すなわち、胚盤胞および停止、着床および着床なし、妊娠および妊娠なし、ならびに倍数性および異数性のうちの1つ以上のものを含む、請求項310に記載の装置。
- 前記複数の結果は、3つ以上の結果の1つ以上のセットを含む、請求項311に記載の装置。
- 前記3つ以上の結果の1つ以上のセットは、以下の3つの結果のセット、すなわち、高品質胚盤胞、胚盤胞、および停止を含む、請求項312に記載の装置。
Applications Claiming Priority (13)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361770998P | 2013-02-28 | 2013-02-28 | |
US201361771000P | 2013-02-28 | 2013-02-28 | |
US61/770,998 | 2013-02-28 | ||
US61/771,000 | 2013-02-28 | ||
US201361785179P | 2013-03-14 | 2013-03-14 | |
US201361785216P | 2013-03-14 | 2013-03-14 | |
US201361785199P | 2013-03-14 | 2013-03-14 | |
US201361785170P | 2013-03-14 | 2013-03-14 | |
US61/785,170 | 2013-03-14 | ||
US61/785,199 | 2013-03-14 | ||
US61/785,179 | 2013-03-14 | ||
US61/785,216 | 2013-03-14 | ||
PCT/US2014/019615 WO2014134550A1 (en) | 2013-02-28 | 2014-02-28 | Apparatus, method, and system for image-based human embryo cell classification |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019226650A Division JP2020036625A (ja) | 2013-02-28 | 2019-12-16 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016509845A true JP2016509845A (ja) | 2016-04-04 |
Family
ID=51420965
Family Applications (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015560372A Active JP7071047B2 (ja) | 2013-02-28 | 2014-02-28 | 自動非侵襲細胞活性追跡のための装置、方法、およびシステム |
JP2015560375A Withdrawn JP2016509845A (ja) | 2013-02-28 | 2014-02-28 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
JP2019226650A Pending JP2020036625A (ja) | 2013-02-28 | 2019-12-16 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
JP2022067218A Pending JP2022087297A (ja) | 2013-02-28 | 2022-04-14 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
JP2024071873A Pending JP2024096236A (ja) | 2013-02-28 | 2024-04-25 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015560372A Active JP7071047B2 (ja) | 2013-02-28 | 2014-02-28 | 自動非侵襲細胞活性追跡のための装置、方法、およびシステム |
Family Applications After (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019226650A Pending JP2020036625A (ja) | 2013-02-28 | 2019-12-16 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
JP2022067218A Pending JP2022087297A (ja) | 2013-02-28 | 2022-04-14 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
JP2024071873A Pending JP2024096236A (ja) | 2013-02-28 | 2024-04-25 | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム |
Country Status (7)
Country | Link |
---|---|
US (3) | US9542591B2 (ja) |
EP (2) | EP2962101A4 (ja) |
JP (5) | JP7071047B2 (ja) |
CN (2) | CN105407819A (ja) |
CA (2) | CA2901830C (ja) |
IL (3) | IL240856B (ja) |
WO (2) | WO2014134527A1 (ja) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018061440A (ja) * | 2016-10-11 | 2018-04-19 | 憲隆 福永 | 受精判定システム |
WO2018105432A1 (ja) * | 2016-12-06 | 2018-06-14 | 富士フイルム株式会社 | 細胞画像評価装置および細胞画像評価制御プログラム |
JP6414310B1 (ja) * | 2017-10-26 | 2018-10-31 | ソニー株式会社 | 受精卵品質評価方法、プログラム及び情報処理装置 |
JP2018171039A (ja) * | 2017-03-31 | 2018-11-08 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム及び観察システム |
JP2019024495A (ja) * | 2017-07-31 | 2019-02-21 | 静岡県公立大学法人 | 心筋細胞型判定システム、心筋細胞型判定方法 |
JP2019079543A (ja) * | 2018-12-03 | 2019-05-23 | ソニー株式会社 | 受精卵品質評価方法、受精卵品質評価システム、プログラム及び情報処理装置 |
WO2019225176A1 (ja) * | 2018-05-25 | 2019-11-28 | ソニー株式会社 | 制御装置、制御方法、およびプログラム |
JP2020005661A (ja) * | 2019-10-16 | 2020-01-16 | 憲隆 福永 | 受精判定システム |
KR102084682B1 (ko) * | 2019-01-07 | 2020-03-04 | 기초과학연구원 | 인공신경망을 이용한 특수 현미경 영상 생성 방법 및 영상 처리 장치 |
WO2020090947A1 (ja) * | 2018-10-31 | 2020-05-07 | 合同会社みらか中央研究所 | プログラム、学習モデル、情報処理装置、情報処理方法、情報表示方法および学習モデルの製造方法 |
WO2020138279A1 (ja) * | 2018-12-28 | 2020-07-02 | オリンパス株式会社 | 顕微鏡システム |
WO2020145606A1 (ko) * | 2019-01-07 | 2020-07-16 | 기초과학연구원 | 인공신경망을 이용한 세포 영상 분석 방법 및 세포 영상 처리 장치 |
JP2021507367A (ja) * | 2017-12-15 | 2021-02-22 | ヴィトロライフ アー/エス | 胚の生存率を推定するためのシステムおよび方法 |
WO2021177142A1 (ja) * | 2020-03-05 | 2021-09-10 | ネクスジェン株式会社 | 生殖補助医療を支援するための、システム、情報処理装置、サーバ、端末、プログラム、又は方法 |
US11282201B2 (en) | 2016-11-02 | 2022-03-22 | Sony Corporation | Information processing device, information processing method and information processing system |
WO2024070655A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 分類方法およびコンピュータプログラム |
Families Citing this family (96)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407819A (zh) | 2013-02-28 | 2016-03-16 | 普罗吉涅股份有限公司 | 用于自动化非侵入细胞活性追踪的设备、方法和系统 |
WO2015069824A2 (en) * | 2013-11-06 | 2015-05-14 | Lehigh University | Diagnostic system and method for biological tissue analysis |
WO2015113895A1 (en) * | 2014-01-28 | 2015-08-06 | Ventana Medical Systems, Inc. | Adaptive classification for whole slide tissue segmentation |
EP3120297B1 (en) * | 2014-03-20 | 2020-12-02 | Ares Trading S.A. | Quantitative measurement of human blastocyst and morula morphology developmental kinetics |
WO2015168026A2 (en) * | 2014-04-28 | 2015-11-05 | The Broad Institute, Inc. | Method for label-free image cytometry |
WO2016103501A1 (ja) * | 2014-12-26 | 2016-06-30 | 国立大学法人東京大学 | 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞 |
EP3268870A4 (en) * | 2015-03-11 | 2018-12-05 | Ayasdi, Inc. | Systems and methods for predicting outcomes using a prediction learning model |
EP3271829A4 (en) * | 2015-03-17 | 2018-12-19 | Hewlett-Packard Development Company, L.P. | Pixel-based temporal plot of events according to multidimensional scaling values based on event similarities and weighted dimensions |
GB201507454D0 (en) * | 2015-04-30 | 2015-06-17 | Phase Focus Ltd | Method and apparatus for determining temporal behaviour of an object |
JP2017023055A (ja) * | 2015-07-22 | 2017-02-02 | 大日本印刷株式会社 | 細胞管理システム、プログラム、及び、細胞管理方法 |
US11494578B1 (en) * | 2015-09-21 | 2022-11-08 | Ares Trading S.A. | Systems and methods for automated assessment of embryo quality using image based features |
JP6475134B2 (ja) * | 2015-09-29 | 2019-02-27 | 富士フイルム株式会社 | 細胞評価装置および方法 |
US10002410B2 (en) * | 2015-09-30 | 2018-06-19 | Konica Minolta Laboratory U.S.A, Inc. | Method and system for enhancement of cell analysis |
US20170213080A1 (en) * | 2015-11-19 | 2017-07-27 | Intelli-Vision | Methods and systems for automatically and accurately detecting human bodies in videos and/or images |
CA3013048A1 (en) * | 2016-01-28 | 2017-08-03 | Gerard LETTERIE | Automated image analysis to assess reproductive potential of human oocytes and pronuclear embryos |
US11645859B2 (en) * | 2016-06-30 | 2023-05-09 | Nikon Corporation | Analysis device, analysis method, analysis program and display device |
JP2018022216A (ja) * | 2016-08-01 | 2018-02-08 | ソニー株式会社 | 情報処理装置、情報処理方法、及びプログラム |
US11403751B2 (en) * | 2016-08-22 | 2022-08-02 | Iris International, Inc. | System and method of classification of biological particles |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
WO2018176000A1 (en) | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
US9738937B1 (en) * | 2017-03-31 | 2017-08-22 | Cellmax, Ltd. | Identifying candidate cells using image analysis |
JP6862538B2 (ja) * | 2017-04-14 | 2021-04-21 | 株式会社日立ハイテク | 撮像装置および形態特徴データ表示方法 |
US11450121B2 (en) * | 2017-06-27 | 2022-09-20 | The Regents Of The University Of California | Label-free digital brightfield analysis of nucleic acid amplification |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11157441B2 (en) | 2017-07-24 | 2021-10-26 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US10671349B2 (en) | 2017-07-24 | 2020-06-02 | Tesla, Inc. | Accelerated mathematical engine |
CN111279421B (zh) * | 2017-09-29 | 2024-04-09 | 布里格姆妇女医院 | 人类胚胎的自动评价 |
US10423819B2 (en) * | 2017-10-31 | 2019-09-24 | Chung Yuan Christian University | Method and apparatus for image processing and visualization for analyzing cell kinematics in cell culture |
US11257002B2 (en) * | 2017-11-22 | 2022-02-22 | Amazon Technologies, Inc. | Dynamic accuracy-based deployment and monitoring of machine learning models in provider networks |
US11977958B2 (en) | 2017-11-22 | 2024-05-07 | Amazon Technologies, Inc. | Network-accessible machine learning model training and hosting system |
CN107977684B (zh) * | 2017-12-20 | 2018-10-23 | 杭州智微信息科技有限公司 | 一种快速修正骨髓有核细胞分类的交互方法 |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US10915729B2 (en) * | 2018-02-20 | 2021-02-09 | The Regents Of The University Of Michigan | Three-dimensional cell and tissue image analysis for cellular and sub-cellular morphological modeling and classification |
US10552957B2 (en) * | 2018-03-24 | 2020-02-04 | Dan Nayot | Methods and systems for determining quality of an oocyte |
DE102019114459A1 (de) * | 2018-05-30 | 2019-12-05 | Carl Zeiss Microscopy Gmbh | Verfahren zum Scannen von Teilbereichen einer Probe mittels eines Rastermikroskops, Computerprogrammprodukt, computerlesbares Medium und System zum Scannen von Teilbereichen einer Probe mittels eines Rastermikroskops |
US11308152B2 (en) * | 2018-06-07 | 2022-04-19 | Canon Kabushiki Kaisha | Quantization method for feature vector, search method, apparatus and storage medium |
CN108823095A (zh) * | 2018-06-08 | 2018-11-16 | 上海柏慧康生物科技有限公司 | 一种用于活细胞培养过程中的环境控制及观察分析系统 |
US11215999B2 (en) | 2018-06-20 | 2022-01-04 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
GB201810634D0 (en) | 2018-06-28 | 2018-08-15 | Vitrolife As | Methods and apparatus for assessing embryo development |
US20210287366A1 (en) * | 2018-07-12 | 2021-09-16 | Sony Corporation | Information processing apparatus, information processing method, program, and information processing system |
US11361457B2 (en) | 2018-07-20 | 2022-06-14 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
CN111315488B (zh) * | 2018-08-06 | 2023-08-01 | 卡梅尔诊断有限公司 | 细胞组织分析的方法及装置 |
EP3834128A1 (en) * | 2018-08-07 | 2021-06-16 | Cornell University | System and method for selecting artificially fertilized embryos |
US10611995B2 (en) * | 2018-08-15 | 2020-04-07 | Deepcell, Inc. | Systems and methods for particle analysis |
US11815507B2 (en) | 2018-08-15 | 2023-11-14 | Deepcell, Inc. | Systems and methods for particle analysis |
EP3844770A1 (en) * | 2018-08-28 | 2021-07-07 | Koninklijke Philips N.V. | Advanced loop selection systems and methods for supporting efficient echo comparison |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
CN109190622A (zh) * | 2018-09-11 | 2019-01-11 | 深圳辉煌耀强科技有限公司 | 基于强特征和神经网络的上皮细胞分类系统和方法 |
JP2022502684A (ja) | 2018-09-20 | 2022-01-11 | エーアイブイエフ リミテッド | 画像特徴の検出 |
AU2019357615B2 (en) | 2018-10-11 | 2023-09-14 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
EP3640946A1 (en) * | 2018-10-15 | 2020-04-22 | Sartorius Stedim Data Analytics AB | Multivariate approach for biological cell selection |
US11196678B2 (en) | 2018-10-25 | 2021-12-07 | Tesla, Inc. | QOS manager for system on a chip communications |
CN109544512B (zh) * | 2018-10-26 | 2020-09-18 | 浙江大学 | 一种基于多模态的胚胎妊娠结果预测装置 |
EP3873348A4 (en) * | 2018-11-01 | 2022-08-17 | The Brigham & Women's Hospital, Inc. | AUTOMATIC DETERMINATION OF A BIOLOGICAL AFFECTION OF A SUBJECT FROM PATTERNS OF FERN LEAVES |
WO2020102565A2 (en) | 2018-11-14 | 2020-05-22 | Flagship Pioneering Innovations V, Inc. | Systems and methods for nondestructive testing of gametes |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US10824915B2 (en) * | 2018-12-04 | 2020-11-03 | Capital One Services, Llc | Artificial intelligence system for inspecting image reliability |
CN109710802B (zh) * | 2018-12-20 | 2021-11-02 | 百度在线网络技术(北京)有限公司 | 视频分类方法及其装置 |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
CN110363057A (zh) * | 2018-12-29 | 2019-10-22 | 上海北昂医药科技股份有限公司 | 一种形态学图像中的精子识别及分类方法 |
WO2020157761A1 (en) * | 2019-01-31 | 2020-08-06 | Amnon Buxboim | Automated evaluation of embryo implantation potential |
US10997461B2 (en) | 2019-02-01 | 2021-05-04 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11150664B2 (en) | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US10956755B2 (en) | 2019-02-19 | 2021-03-23 | Tesla, Inc. | Estimating object properties using visual image data |
EP3948221A4 (en) * | 2019-03-27 | 2022-12-21 | Becton, Dickinson and Company | SYSTEMS FOR CELL SORTING BASED ON FREQUENCY-CODED IMAGE AND METHODS OF USE THEREOF |
CA3137866A1 (en) * | 2019-05-16 | 2020-11-19 | Supriya KAPUR | Systems and methods for processing images to classify the processed images for digital pathology |
CN110135503B (zh) * | 2019-05-19 | 2022-07-12 | 重庆理工大学 | 一种装配机器人零件深度学习识别方法 |
CN110222823B (zh) * | 2019-05-31 | 2022-12-30 | 甘肃省祁连山水源涵养林研究院 | 一种水文流量波动情势识别方法及其系统 |
CN110363747B (zh) * | 2019-06-14 | 2024-07-02 | 平安科技(深圳)有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
TWI794615B (zh) * | 2019-07-26 | 2023-03-01 | 德商卡爾蔡司Smt有限公司 | 微加工裝置的自動運作控制 |
US20220330884A1 (en) * | 2019-09-06 | 2022-10-20 | The Brighan And Women's Hospital, Inc. | Automated evaluation of quality assurance metrics for assisted reproduction procedures |
CN110969616B (zh) * | 2019-12-13 | 2020-10-27 | 北京推想科技有限公司 | 评价卵母细胞质量的方法及装置 |
MX2022007415A (es) | 2019-12-20 | 2022-10-18 | Badiola Alejandro Chavez | Metodo basado en el acondicionamiento y pre-procesamiento de imagenes, para la clasificacion de embriones humanos. |
CN111339904B (zh) * | 2020-02-21 | 2023-11-03 | 腾讯科技(深圳)有限公司 | 动物精子图像识别方法和装置 |
US11354547B2 (en) * | 2020-03-31 | 2022-06-07 | Toyota Research Institute, Inc. | Systems and methods for clustering using a smart grid |
CN111652095A (zh) * | 2020-05-21 | 2020-09-11 | 骏实生物科技(上海)有限公司 | 一种基于人工智能的ctc图像识别方法和系统 |
CA3184293A1 (en) * | 2020-06-29 | 2022-01-06 | Hadi Shafiee | Adaptive neural networks for analyzing medical images |
US20220012873A1 (en) * | 2020-07-10 | 2022-01-13 | Embryonics LTD | Predicting Embryo Implantation Probability |
JP2023537476A (ja) | 2020-08-03 | 2023-09-01 | イーエムジェニシス,インコーポレイテッド | リアルタイムビデオに基づいた胚評価 |
CN111932510B (zh) * | 2020-08-03 | 2024-03-05 | 深圳回收宝科技有限公司 | 一种图像清晰度的确定方法及装置 |
CA3192444A1 (en) * | 2020-09-11 | 2022-03-17 | Hadi Shafiee | Automated aneuploidy screening using arbitrated ensembles |
US20220156922A1 (en) * | 2020-11-17 | 2022-05-19 | Alejandro Chávez Badiola | System for real-time automatic quantitative evaluation, assessment and/or ranking of individual sperm, aimed for intracytoplasmic sperm injection (icsi), and other fertilization procedures, allowing the selection of a single sperm |
TR202020705A1 (tr) * | 2020-12-16 | 2022-08-22 | Istanbul Medipol Ueniversitesi | Tüp bebek işleminde gebelik oluşturma potansiyeli en yüksek olan embriyonun seçimi için bir yöntem |
CN117836820A (zh) * | 2021-05-10 | 2024-04-05 | 张康 | 用于人ivf衍生胚胎的结果评价的系统和方法 |
CN113177961B (zh) * | 2021-06-07 | 2022-07-01 | 重庆傲雄在线信息技术有限公司 | 一种用于印章图文比对的多模态深度模型训练方法 |
CN113469958B (zh) * | 2021-06-18 | 2023-08-04 | 中山大学附属第一医院 | 一种胚胎发育潜能预测方法、系统、设备及存储介质 |
US11742076B2 (en) * | 2021-10-05 | 2023-08-29 | Neumora Therapeutics, Inc. | Machine learning systems for generating multi-modal data archetypes |
TWI806220B (zh) * | 2021-11-04 | 2023-06-21 | 財團法人資訊工業策進會 | 異常評估系統與異常評估方法 |
US20230410309A1 (en) * | 2022-05-17 | 2023-12-21 | Overture Life, Inc. | Methods, computer programs, and systems for automated microinjection |
WO2024161784A1 (ja) * | 2023-01-30 | 2024-08-08 | 富士フイルム株式会社 | 判定支援装置、判定支援装置の作動方法、および判定支援装置の作動プログラム |
TWI845274B (zh) * | 2023-04-24 | 2024-06-11 | 國立臺灣海洋大學 | 細胞品質預測系統、方法及其異常數據自動偵測方法 |
CN117253228B (zh) * | 2023-11-14 | 2024-02-09 | 山东大学 | 一种基于核像距离内编码的细胞团簇空间约束方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009137866A1 (en) * | 2008-05-16 | 2009-11-19 | Swinburne University Of Technology | Method and system for automated cell function classification |
WO2012047678A2 (en) * | 2010-09-27 | 2012-04-12 | Auxogyn, Inc. | Apparatus, method, and system for the automated imaging and evaluation of embryos, oocytes, and stem cells |
JP2013502233A (ja) * | 2009-08-22 | 2013-01-24 | ザ ボード オブ トラスティーズ オブ ザ リーランド スタンフォード ジュニア ユニバーシティ | 胚、卵母細胞、および幹細胞の撮像および評価 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6757423B1 (en) | 1999-02-19 | 2004-06-29 | Barnes-Jewish Hospital | Methods of processing tagged MRI data indicative of tissue motion including 4-D LV tissue tracking |
US7907769B2 (en) * | 2004-05-13 | 2011-03-15 | The Charles Stark Draper Laboratory, Inc. | Image-based methods for measuring global nuclear patterns as epigenetic markers of cell differentiation |
EP1949297B1 (en) | 2005-10-14 | 2015-07-29 | Unisense Fertilitech A/S | Determination of a change in a cell population |
JP5731748B2 (ja) | 2006-06-16 | 2015-06-10 | ウニセンス フェルティリテック アー/エス | 卵割球の分裂および運動に基づく胚品質の評価 |
EP2315826A1 (en) * | 2008-07-23 | 2011-05-04 | Mariposa Biotechnology, Inc. | Automated system for cryopreservation of oocytes, embryos, or blastocysts |
US20100055039A1 (en) | 2008-09-04 | 2010-03-04 | Regis Doyonnas | Non-invasive methods of monitoring engrafted stem cells and methods for isolation of skeletal muscle stem cells |
WO2011029053A1 (en) | 2009-09-04 | 2011-03-10 | Buck Institute For Age Research | Human embryonic stem cells for high throughout drug screening |
US8396899B2 (en) * | 2009-11-23 | 2013-03-12 | Dell Products L.P. | Efficient segment detection for deduplication |
JP5807288B2 (ja) * | 2010-06-30 | 2015-11-10 | 大日本印刷株式会社 | 体外培養による胚の製造方法、並びに胚を選別するための方法、装置、及びシステム |
AU2012220540B2 (en) * | 2011-02-23 | 2016-11-10 | The Board Of Trustees Of The Leland Stanford Junior University | Methods of detecting aneuploidy in human embryos |
US20140087415A1 (en) | 2011-05-31 | 2014-03-27 | Unisense Fertilitech A/S | Embryo quality assessment based on blastomere cleavage and morphology |
WO2013178785A1 (en) | 2012-05-31 | 2013-12-05 | Unisense Fertilitech A/S | Embryo quality assessment based on blastocyst development |
US9177098B2 (en) * | 2012-10-17 | 2015-11-03 | Celmatix Inc. | Systems and methods for determining the probability of a pregnancy at a selected point in time |
WO2014121200A1 (en) | 2013-02-01 | 2014-08-07 | Auxogyn, Inc. | Abnormal syngamy phenotypes observed with time lapse imaging for early identification of embryos with lower developmental potential |
PL2951574T3 (pl) | 2013-02-01 | 2019-12-31 | Ares Trading Sa | Pomiar rozwoju zarodka i potencjału do zagnieżdżenia wraz z czasem i parametrami fenotypu pierwszych cytokinez |
CN105407819A (zh) | 2013-02-28 | 2016-03-16 | 普罗吉涅股份有限公司 | 用于自动化非侵入细胞活性追踪的设备、方法和系统 |
-
2014
- 2014-02-28 CN CN201480019406.2A patent/CN105407819A/zh active Pending
- 2014-02-28 WO PCT/US2014/019578 patent/WO2014134527A1/en active Application Filing
- 2014-02-28 CA CA2901830A patent/CA2901830C/en active Active
- 2014-02-28 EP EP14757061.8A patent/EP2962101A4/en not_active Withdrawn
- 2014-02-28 CN CN201480024119.0A patent/CN105408746A/zh active Pending
- 2014-02-28 EP EP14756365.4A patent/EP2961336B1/en active Active
- 2014-02-28 JP JP2015560372A patent/JP7071047B2/ja active Active
- 2014-02-28 JP JP2015560375A patent/JP2016509845A/ja not_active Withdrawn
- 2014-02-28 US US14/194,391 patent/US9542591B2/en active Active
- 2014-02-28 US US14/194,386 patent/US9177192B2/en active Active
- 2014-02-28 WO PCT/US2014/019615 patent/WO2014134550A1/en active Application Filing
- 2014-02-28 CA CA2901833A patent/CA2901833A1/en active Pending
-
2015
- 2015-08-26 IL IL240856A patent/IL240856B/en active IP Right Grant
- 2015-08-26 IL IL240855A patent/IL240855B/en active IP Right Grant
- 2015-09-17 US US14/856,882 patent/US9710696B2/en active Active
-
2018
- 2018-12-25 IL IL263963A patent/IL263963B/en active IP Right Grant
-
2019
- 2019-12-16 JP JP2019226650A patent/JP2020036625A/ja active Pending
-
2022
- 2022-04-14 JP JP2022067218A patent/JP2022087297A/ja active Pending
-
2024
- 2024-04-25 JP JP2024071873A patent/JP2024096236A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009137866A1 (en) * | 2008-05-16 | 2009-11-19 | Swinburne University Of Technology | Method and system for automated cell function classification |
JP2013502233A (ja) * | 2009-08-22 | 2013-01-24 | ザ ボード オブ トラスティーズ オブ ザ リーランド スタンフォード ジュニア ユニバーシティ | 胚、卵母細胞、および幹細胞の撮像および評価 |
WO2012047678A2 (en) * | 2010-09-27 | 2012-04-12 | Auxogyn, Inc. | Apparatus, method, and system for the automated imaging and evaluation of embryos, oocytes, and stem cells |
Non-Patent Citations (2)
Title |
---|
CIMSA 2005 - IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE FOR MEASUREMENT SYSTEMS AND, JPN6018001972, 2005, pages 96 - 101, ISSN: 0003886373 * |
ISM 2010 IEEE INTERNATIONAL SYMPOSIUM ON MULTIMEDIA, JPN6018001971, July 2010 (2010-07-01), pages 145 - 152, ISSN: 0003886372 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018061440A (ja) * | 2016-10-11 | 2018-04-19 | 憲隆 福永 | 受精判定システム |
WO2018070288A1 (ja) * | 2016-10-11 | 2018-04-19 | 憲隆 福永 | 受精判定システム |
US11282201B2 (en) | 2016-11-02 | 2022-03-22 | Sony Corporation | Information processing device, information processing method and information processing system |
WO2018105432A1 (ja) * | 2016-12-06 | 2018-06-14 | 富士フイルム株式会社 | 細胞画像評価装置および細胞画像評価制御プログラム |
US11037292B2 (en) | 2016-12-06 | 2021-06-15 | Fujifilm Corporation | Cell image evaluation device and cell image evaluation control program |
JP2018171039A (ja) * | 2017-03-31 | 2018-11-08 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム及び観察システム |
JP2019024495A (ja) * | 2017-07-31 | 2019-02-21 | 静岡県公立大学法人 | 心筋細胞型判定システム、心筋細胞型判定方法 |
JP7164862B2 (ja) | 2017-07-31 | 2022-11-02 | 静岡県公立大学法人 | 心筋細胞型判定システム、心筋細胞型判定方法 |
JP6414310B1 (ja) * | 2017-10-26 | 2018-10-31 | ソニー株式会社 | 受精卵品質評価方法、プログラム及び情報処理装置 |
US11335000B2 (en) | 2017-10-26 | 2022-05-17 | Sony Corporation | Fertile ovum quality evaluation method, fertile ovum quality evaluation system, program, and information processing apparatus |
JP2019076058A (ja) * | 2017-10-26 | 2019-05-23 | ソニー株式会社 | 受精卵品質評価方法、プログラム及び情報処理装置 |
JP7072067B2 (ja) | 2017-12-15 | 2022-05-19 | ヴィトロライフ アー/エス | 胚の生存率を推定するためのシステムおよび方法 |
JP2021507367A (ja) * | 2017-12-15 | 2021-02-22 | ヴィトロライフ アー/エス | 胚の生存率を推定するためのシステムおよび方法 |
WO2019225176A1 (ja) * | 2018-05-25 | 2019-11-28 | ソニー株式会社 | 制御装置、制御方法、およびプログラム |
US11521320B2 (en) | 2018-05-25 | 2022-12-06 | Sony Corporation | Control device, control method, and program |
JPWO2019225176A1 (ja) * | 2018-05-25 | 2021-07-08 | ソニーグループ株式会社 | 制御装置、制御方法、およびプログラム |
JP7420069B2 (ja) | 2018-05-25 | 2024-01-23 | ソニーグループ株式会社 | 制御装置、制御方法、およびプログラム |
WO2020090947A1 (ja) * | 2018-10-31 | 2020-05-07 | 合同会社みらか中央研究所 | プログラム、学習モデル、情報処理装置、情報処理方法、情報表示方法および学習モデルの製造方法 |
JP7489920B2 (ja) | 2018-10-31 | 2024-05-24 | 合同会社H.U.グループ中央研究所 | プログラム、学習モデル、情報処理装置、情報処理方法、情報表示方法および学習モデルの製造方法 |
CN112889088A (zh) * | 2018-10-31 | 2021-06-01 | 合同会社予幸集团中央研究所 | 程序、学习模型、信息处理装置、信息处理方法、信息显示方法和学习模型的制造方法 |
JPWO2020090947A1 (ja) * | 2018-10-31 | 2021-10-07 | 合同会社H.U.グループ中央研究所 | プログラム、学習モデル、情報処理装置、情報処理方法、情報表示方法および学習モデルの製造方法 |
JP7067444B2 (ja) | 2018-12-03 | 2022-05-16 | ソニーグループ株式会社 | 受精卵解析システム、情報処理装置、情報処理方法及びプログラム |
JP2019079543A (ja) * | 2018-12-03 | 2019-05-23 | ソニー株式会社 | 受精卵品質評価方法、受精卵品質評価システム、プログラム及び情報処理装置 |
JPWO2020138279A1 (ja) * | 2018-12-28 | 2021-10-28 | オリンパス株式会社 | 顕微鏡システム |
US11861921B2 (en) | 2018-12-28 | 2024-01-02 | Evident Corporation | Microscope system |
JP7214753B2 (ja) | 2018-12-28 | 2023-01-30 | 株式会社エビデント | 顕微鏡システム |
WO2020138279A1 (ja) * | 2018-12-28 | 2020-07-02 | オリンパス株式会社 | 顕微鏡システム |
KR102084682B1 (ko) * | 2019-01-07 | 2020-03-04 | 기초과학연구원 | 인공신경망을 이용한 특수 현미경 영상 생성 방법 및 영상 처리 장치 |
WO2020145605A1 (ko) * | 2019-01-07 | 2020-07-16 | 기초과학연구원 | 인공신경망을 이용한 특수 현미경 영상 생성 방법 및 영상 처리 장치 |
WO2020145606A1 (ko) * | 2019-01-07 | 2020-07-16 | 기초과학연구원 | 인공신경망을 이용한 세포 영상 분석 방법 및 세포 영상 처리 장치 |
JP2022121560A (ja) * | 2019-10-16 | 2022-08-19 | 憲隆 福永 | 受精判定システム |
JP2020005661A (ja) * | 2019-10-16 | 2020-01-16 | 憲隆 福永 | 受精判定システム |
JP7482172B2 (ja) | 2019-10-16 | 2024-05-13 | 憲隆 福永 | 受精判定システム |
WO2021177142A1 (ja) * | 2020-03-05 | 2021-09-10 | ネクスジェン株式会社 | 生殖補助医療を支援するための、システム、情報処理装置、サーバ、端末、プログラム、又は方法 |
WO2024070655A1 (ja) * | 2022-09-26 | 2024-04-04 | 株式会社Screenホールディングス | 分類方法およびコンピュータプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2024096236A (ja) | 2024-07-12 |
US9710696B2 (en) | 2017-07-18 |
US20140247973A1 (en) | 2014-09-04 |
IL240856B (en) | 2021-02-28 |
CA2901833A1 (en) | 2014-09-04 |
US9542591B2 (en) | 2017-01-10 |
IL240855A0 (en) | 2015-10-29 |
WO2014134550A1 (en) | 2014-09-04 |
CN105408746A (zh) | 2016-03-16 |
EP2961336A1 (en) | 2016-01-06 |
IL240855B (en) | 2019-01-31 |
WO2014134527A1 (en) | 2014-09-04 |
JP2020036625A (ja) | 2020-03-12 |
US9177192B2 (en) | 2015-11-03 |
CN105407819A (zh) | 2016-03-16 |
IL263963A (en) | 2019-01-31 |
US20160078275A1 (en) | 2016-03-17 |
JP2022087297A (ja) | 2022-06-09 |
JP7071047B2 (ja) | 2022-05-18 |
US20140247972A1 (en) | 2014-09-04 |
EP2961336B1 (en) | 2024-03-27 |
EP2962101A1 (en) | 2016-01-06 |
IL240856A0 (en) | 2015-10-29 |
JP2016509844A (ja) | 2016-04-04 |
IL263963B (en) | 2021-06-30 |
CA2901830A1 (en) | 2014-09-04 |
CA2901830C (en) | 2023-03-21 |
EP2961336A4 (en) | 2016-11-02 |
EP2962101A4 (en) | 2016-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2024096236A (ja) | 画像ベースのヒト胚細胞分類のための装置、方法、およびシステム | |
Saeedi et al. | Automatic identification of human blastocyst components via texture | |
CN111787877A (zh) | 用于估计胚胎活力的系统和方法 | |
JP2022536388A (ja) | 生殖補助技術における適応型画像処理方法およびシステム | |
US20230351589A1 (en) | System and method for automated gamete selection | |
Oyewola et al. | Using five machine learning for breast cancer biopsy predictions based on mammographic diagnosis | |
Ferlaino et al. | Towards deep cellular phenotyping in placental histology | |
Haddon et al. | Using an inverse-logistic model to describe growth increments of blacklip abalone (Haliotis rubra) in Tasmania | |
Hawezi et al. | A comparison of automated classification techniques for image processing in video internet of things | |
EP4367675A1 (en) | Stain-free detection of embryo polarization using deep learning | |
Lakshmi et al. | Feature extraction and feature set selection for cervical cancer diagnosis | |
EP2855664B1 (en) | Embryo quality assessment based on blastocyst development | |
Strouthopoulos et al. | An automated blastomere identification method for the evaluation of day 2 embryos during IVF/ICSI treatments | |
Tonti et al. | Unsupervised HEp-2 mitosis recognition in indirect immunofluorescence imaging | |
TW201913565A (zh) | 胚胎影像評價方法及系統 | |
WO2023154851A1 (en) | Integrated framework for human embryo ploidy prediction using artificial intelligence | |
Delgarmi et al. | Automatic Landmark Detection of Human Back Surface from Depth Images via Deep Learning | |
Li et al. | Improved counting and localization from density maps for object detection in 2d and 3d microscopy imaging | |
Yin et al. | Classification based on LBP and SVM for human embryo microscope images | |
Zhao | Zygote Morphokinetic Parameters as Early Predictors on Embryo Development in In Vitro Fertilization | |
Uyar et al. | Bayesian Network Modeling of IVF Blastocyst Score Prediction | |
Patel | Classification and detection of cell based morphology | |
Tseng et al. | A new statistical-based algorithm for medical image feature extraction | |
Bekker | Classification with Noisy Labels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151027 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170224 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20171227 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180424 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180926 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20181206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190326 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190815 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191216 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20191224 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20200122 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20200128 |