JP2020005661A

JP2020005661A - 受精判定システム

Info

Publication number: JP2020005661A
Application number: JP2019189301A
Authority: JP
Inventors: 憲隆福永; Noritaka Fukunaga
Original assignee: Individual
Current assignee: Individual
Priority date: 2019-10-16
Filing date: 2019-10-16
Publication date: 2020-01-16
Also published as: JP2022121560A; JP7482172B2

Abstract

【課題】受精処理をされた卵が受精しているか確認できるシステムが提供される。【解決手段】受精判定システムであって、受精処理された卵を培養する培養部と、前記培養部によって培養されている前記卵の状態を、設定された時間間隔で撮影して複数の画像を取得する画像取得部と、前記画像に写った前記卵の状態を解析することによって前記卵が受精しているか判定する判定部と、を備える、受精判定システム。【選択図】図１

Description

本発明は、受精判定システムに関する。

不妊治療分野において、受胎率の向上および患者のＱＯＬの観点から、培養中の胚を評価することによって、胚を選別することが行われている。胚を非侵襲的に評価する方法として、顕微鏡による形態観察から胚の発育状況を評価する方法がある。

特開２０１２−２９６８６号公報

特許文献１の胚選別システムでは、胚の形態および酸素消費量などを指標として、胚を選別している。しかし、胚形成の前提となる受精を確認するシステムについては、これまでに十分に考慮されていなかった。また、媒精等の受精処理をされた卵が正常に受精しているかを、これまでは検体である卵を人間がひとつひとつ目で確認していたことから、確認できる検体の数には限界があった。このような課題を解決するために、受精処理をされた卵が受精しているか確認するシステムの構築および人間が確認するよりも多くの検体における受精の確認を可能とする技術が望まれていた。

本発明は、上述の課題の少なくとも一部を解決するためになされたものであり、以下の形態として実現することが可能である。

（１）本発明の一形態によれば、受精判定システムが提供される。この受精判定システムは、受精処理された卵を培養する培養部と、前記培養部によって培養されている前記卵の状態を、設定された時間間隔で撮影して複数の画像を取得する画像取得部と、前記画像に写った前記卵の状態を解析することによって前記卵が受精しているか判定する判定部と、を備える。このような態様とすれば、受精処理された卵の状態が撮影された画像の解析に基づいて、卵が受精しているか判定部が判定できる。このため、受精処理をされた卵が受精しているか確認できるシステムが提供される。また、検体である卵が機械的に解析されることから、人間が確認するよりも多くの検体を確認できる。また、判定部によって受精しているかが判定されるため、人間が目で確認することに比べて、判定の煩雑さを低減できる。

（２）上記形態における受精判定システムにおいて、前記判定部は、異なる時間に取得された少なくとも２枚の前記画像における前記卵の経時的な変化を解析することによって前記卵が受精しているか判定してもよい。このような態様とすれば、少なくとも２枚の画像を解析することによって、卵の経時的な変化を解析できる。このため、卵の経時的な変化に基づいて卵が受精しているか判定できる。

（３）上記形態における受精判定システムにおいて、前記判定部は、教師あり学習によって前記画像に写った前記卵の特徴について学習し、前記学習に基づいて前記卵が受精しているか判定してもよい。このような態様とすれば、判定部が教師あり学習によって学習した基準に基づいて、卵が受精しているか判定できる。

（４）上記形態における受精判定システムにおいて、前記判定部は、多層のニューラルネットワークを用いたディープラーニングによって前記画像に写った前記卵の特徴について学習し、前記学習に基づいて前記卵が受精しているか判定してもよい。このような態様とすれば、判定部がディープラーニングによって学習した基準に基づいて、卵が受精しているか判定できる。

（５）上記形態における受精判定システムにおいて、前記判定部は、前記画像のうち判定に用いられた判定画像を報知する報知部を有してもよい。このような態様とすれば、受精判定システムを使用するユーザーが、判定部がどの画像を用いて受精を判定したかを知ることができる。

（６）上記形態における受精判定システムにおいて、前記報知部は、前記判定画像を報知するとともに前記判定画像において前記判定部が判定の根拠とした情報を報知してもよい。このような態様とすれば、受精判定システムを使用するユーザーが、判定部がどの画像を用いて受精を判定したかを知ることができるとともに、判定部が判定の根拠とした情報を知ることができる。

（７）本発明の一形態によれば、非受精卵を選抜する方法が提供される。この非受精卵を選抜する方法は、受精処理された卵のうち正常に受精していない非受精卵を選抜する方法であって、前記卵を培養する培養工程と、前記培養工程において培養されている前記卵の状態を、設定された時間間隔で撮影して複数の画像を取得する画像取得工程と、前記画像に写った前記卵の状態を解析することによって前記非受精卵を選抜する選抜工程と、を備える。このような態様とすれば、受精処理された卵の状態が撮影された画像の解析に基づいて、非受精卵を選抜できる。このため、受精処理をされた卵のうち正常に受精していない非受精卵を選抜する方法が提供される。

本発明は、受精判定システム以外の種々の形態で実現することも可能である。例えば、本発明は、受精判定装置の形態で実現することができる。また、本発明は、前述の形態に何ら限定されるものではなく、本発明の趣旨を逸脱しない範囲内において様々な形態で実施し得ることは勿論である。

第１実施形態における受精判定システムの構成を示す説明図である。前核が確認されなかった卵であるとラベルされた画像の例である。前核が１つ確認された卵であるとラベルされた画像の例である。前核が２つ確認された卵であるとラベルされた画像の例である。前核が３つ確認された卵であるとラベルされた画像の例である。制御部が実行する画像取得処理を示すフローである。制御部が実行する受精判定処理を示すフローである。ディープラーニングによる画像の学習について説明した説明図である。

Ａ．第１実施形態：
図１は、第１実施形態における受精判定システム１０の構成を示す説明図である。受精判定システム１０は、受精処理されたヒトの卵が受精しているかを判定するシステムである。受精処理された卵とは、精子と卵子とを共培養したコンベンショナル法もしくは顕微授精法等の受精のための処置がなされた卵のことである。受精判定システム１０は、培養部１１０と、画像取得部１３０と、制御部１４０と、ユーザインタフェース１５０と、報知部１６０とを備える。

培養部１１０は、受精処理された卵を培養するいわゆるインキュベータである。培養部１１０内における温度、湿度、酸素濃度、二酸化炭素濃度および培養時間等の培養条件は、予めユーザインタフェース１５０を介してユーザーより入力された内容に基づいて、制御部１４０によって制御されている。培養部１１０は、受精処理された卵を培養するための容器である培養容器２００が培養部１１０内に固定された状態で、卵を培養する。

培養容器２００は、３行４列の１２個のウェルを備えたウェルプレートである。培養容器２００の各ウェルの底にはウェル番号である１から１２の番号が付されている。培養容器２００は、各ウェルに１つの卵を入れて培養するための容器である。

培養部１１０は、容器搬送部１１５を有する。容器搬送部１１５は、水平方向に伸びた形状を有するとともに、培養部１１０における底面部分を構成している。容器搬送部１１５は、重力方向上側を向いた面上に、培養容器２００を固定するための固定部（図示しない）を有する。培養部１１０は、培養容器２００が固定部に固定された状態で、卵を培養する。

容器搬送部１１５は、固定部に固定された培養容器２００を、培養部１１０の内側に一部が突出した画像取得部１３０の重力方向下側の位置に、固定部を移動させることによって搬送する。容器搬送部１１５は、画像取得部１３０による画像の取得が終了すると、培養容器２００を初期位置に搬送する。図１において、培養容器２００が図示されている位置が初期位置である。

容器搬送部１１５が培養容器２００を搬送する頻度（時間間隔）は、予めユーザインタフェース１５０を介してユーザーより設定された内容に基づいて、制御部１４０によって制御されている。本実施形態では、容器搬送部１１５は、画像取得部１３０の重力方向下側の位置へ培養容器２００を１５分毎に搬送するよう制御されている。容器搬送部１１５は、画像取得部１３０の重力方向下側の位置へ培養容器２００が搬送されてから、画像取得部１３０から見て培養容器２００の位置を縦横の２次元的に調整することによって、画像取得部１３０が画像を取得できる位置に各ウェルを配置できる。容器搬送部１１５は、画像取得部１３０による画像の取得が終了すると、培養容器２００を初期位置に搬送する。画像取得部１３０が培養容器２００における各ウェルの画像を取得する工程については、後述する。

画像取得部１３０は、培養部１１０によって培養されている卵の状態を設定された時間間隔で撮影して画像を取得する。本実施形態では、画像取得部１３０は、容器搬送部１１５が培養容器２００を搬送してくる度に卵の状態を撮影することによって、培養容器２００における各ウェル毎の複数の画像を時系列的に取得する。他の実施形態では、画像取得部１３０は、制御部１４０から直接指示された時間間隔で撮影して画像を取得してもよい。培養容器２００が有する１２個のウェルのうち画像取得部１３０が画像を取得するウェルの位置は、予めユーザインタフェース１５０を介してユーザーより指定される。以下の説明では、ユーザーより指定されたウェルの位置を「指定位置」と呼ぶ。本実施形態では、画像取得部１３０は、ＣＣＤカメラである。

制御部１４０は、中央処理装置と主記憶装置とを備えるマイクロコンピュータによって構成されている。制御部１４０は、受精判定システム１０の各部を制御する。また、制御部１４０は、予めユーザインタフェース１５０を介してユーザーより入力された内容に基づいて、培養部１１０、容器搬送部１１５、画像取得部１３０を制御する。

制御部１４０は、画像格納部１４２と、判定部１４４とを備える。

画像格納部１４２は、画像取得部１３０によって取得された画像を格納する。画像格納部１４２は、取得された各ウェルの画像を判定部１４４に送る。

判定部１４４は、画像格納部１４２より送られてきた画像に写った卵の状態を解析することによって卵が受精しているか判定する。本実施形態では、判定部１４４は、培養部１１０が卵の培養を開始してから２４時間の間に１５分の時間間隔で画像取得部１３０によって取得された各ウェルの画像を用いて、卵が受精しているか判定する。

本実施形態では、判定部１４４は、卵における前核の数を確認することによって、卵が受精しているか判定する。正常に受精した卵では、一般に受精後２２時間以内に２つの前核が現れる。

本実施形態では、判定部１４４は、異なる時間に取得された２枚の画像を解析することによって卵が受精しているか判定する。本実施形態では、画像取得部１３０によって取得された画像のうち、異なる時間に取得された２枚の画像として、卵における前核の数の差を最も顕著に認識できる２枚の画像を、判定部１４４が選択する。２枚の画像が、卵における前核の数が確認されなかった画像１枚と卵における前核が２つ確認された画像１枚との２枚であった場合にのみ、判定部１４４は、卵が受精していると判定する。このように、２枚の画像における卵の経時的な変化を解析できることから、卵の経時的な変化に基づいて卵が受精しているか判定できる。また、２枚の画像における前核の数の差を比較することによって、１枚の画像を用いて判定するより精度良く受精を判定できる。

判定部１４４は、教師あり学習によって画像に写った卵の特徴について学習し、その学習に基づいて卵が受精しているか判定する。本実施形態では、判定部１４４は、画像に写った卵における前核の数の判定について学習し、その学習に基づいて卵が受精しているか判定する。このため、判定部１４４は、教師あり学習によって学習した前核の数の判定基準に基づいて、卵が受精しているか判定できる。

図２、図３、図４および図５は、判定部１４４が教師あり学習において使用される画像の例を示した説明図である。図２は、受精処理された卵において、前核が確認されなかった卵であるとラベルされた画像の例である。図３は、受精処理された卵において、前核が１つ確認された卵であるとラベルされた画像の例である。図４は、受精処理された卵において、前核が２つ確認された卵であるとラベルされた画像の例である。図５は、受精処理された卵において、前核が３つ確認された卵であるとラベルされた画像の例である。受精処理された卵において、前核が確認されなかった場合、一般に不受精卵と判断される。また、受精処理された卵において、前核が１つもしくは３つ以上確認された場合、一般に異常受精卵であると判断される。

ユーザインタフェース１５０は、受精判定システム１０のユーザーとの間で情報をやり取りする。本実施形態では、ユーザインタフェース１５０は、画像を表示するとともに、その画像上で利用者から指示の入力を受け付けるタッチパネルである。他の実施形態では、ユーザインタフェース１５０は、利用者から指示の入力を受け付ける押しボタンを備えてもよい。

報知部１６０は、画像のうち判定に用いられた判定画像を報知する。報知部１６０は、ユーザインタフェース１５０であるタッチパネルの画面上において、ユーザーが判定部１４４による判定結果を閲覧している際に、判定画像を報知する。このため、受精判定システム１０を使用するユーザーが、判定部１４４がどの画像を用いて受精を判定したかを知ることができる。本実施形態では、取得された各画像について取得された時間が画像に付されていることから、ユーザーは判定画像に付された時間を確認することによって、卵がいつ受精したかを知ることができる。

また、報知部１６０は、判定画像において判定部１４４が判定の根拠とした情報を報知する。報知部１６０は、ユーザインタフェース１５０であるタッチパネルの画面上において、報知された判定画像をユーザーが閲覧している際に、判定部１４４が判定の根拠とした情報を報知する。本実施形態では、報知部１６０は、判定画像において判定部１４４が前核であると認識した部分についての位置情報を報知する。

図６は、制御部１４０が実行する画像取得処理を示すフローである。制御部１４０は、画像取得部１３０の重力方向下側の位置に培養容器２００が搬送された際に、画像取得処理を実行する。

画像取得処理が開始されると、制御部１４０は、ユーザーより指定されたウェルの数を表す変数Ａを算出する（ステップＳ１００）。指定されたウェルの数を表す変数Ａを算出したのち（ステップＳ１００）、制御部１４０は、指定されたウェルであって撮影を終えていないウェルのうち、最も番号が小さいウェルの画像を、画像取得部１３０に撮影させる（ステップＳ１１０）。番号とは、各ウェルの底に付された１から１２のウェル番号のことである。

ステップＳ１１０において、画像取得部１３０は、以下の（１）（２）の工程で、ウェルの画像を取得する。（１）制御部１４０は、容器搬送部１１５に培養容器２００の位置を２次元的に調整させて、ウェルの位置を画像取得部１３０が撮影を行うことができる位置に移動させる。（２）制御部１４０は、画像取得部１３０が撮影を行うことができる位置にウェルを移動させてから、画像取得部１３０に撮影を行わせる。

指定されたウェルであって撮影を終えていないウェルのうち、最も番号が小さいウェルの画像が撮影されたのち（ステップＳ１１０）、制御部１４０は、撮影を終えたウェルの番号を記憶する（ステップＳ１２０）。撮影を終えたウェルの番号を記憶したのち（ステップＳ１２０）、制御部１４０は、変数Ａをデクリメントする。（ステップＳ１３０）。

変数Ａがデクリメントされたあと（ステップＳ１３０）、制御部１４０は、変数Ａが０になったか判定する（ステップＳ１４０）。変数Ａが０になった場合（ステップＳ１４０：ＹＥＳ）、制御部１４０は、図６の画像取得処理を終了する。

変数Ａが０でない場合（ステップＳ１４０：ＮＯ）、制御部１４０は、ステップＳ１１０に戻って、ステップＳ１１０〜ステップＳ１４０の処理を変数Ａが０になるまで繰り返す。変数Ａが０になった場合（ステップＳ１４０：ＹＥＳ）、制御部１４０は、図６の画像取得処理を終了する。

図７は、制御部１４０が実行する受精判定処理を示すフローである。制御部１４０は、卵の培養が開始されてから７時間を経過したとき、受精判定処理を実行する。また、制御部１４０は、卵の培養が開始されてから７時間後から２４時間後までの間に、１時間毎に受精判定処理を繰り返し実行する。

受精判定処理が開始されると、制御部１４０は、ユーザーより指定されたウェルの数を表す変数Ａを算出する（ステップＳ２００）。指定されたウェルの数を表す変数Ａを算出したのち（ステップＳ２００）、制御部１４０は、指定されたウェルであって判定を終えていないウェルのうち、最も番号が小さいウェルの画像を抽出する（ステップＳ２１０）。本実施形態では、例えば、卵の培養が開始されてから７時間を経過したときに実行される受精判定処理では、指定されたウェルの画像は、培養部１１０が卵の培養を開始してから７時間の間に、１５分の時間間隔で画像取得部１３０によって取得されていることから、指定されたウェルごとに２８枚ある。すなわち、卵の培養が開始されてから７時間を経過したときに実行される受精判定処理においては、ステップＳ２１０において、制御部１４０は、指定されたウェルのうちの１つのウェルについて、２８枚の画像を抽出する。卵の培養が開始されてから２４時間を経過したときに実行される受精判定処理では、制御部１４０は、指定されたウェルのうちの１つのウェルについて、９６枚の画像を抽出する。

指定されたウェルであって判定を終えていないウェルのうち、最も番号が小さいウェルの画像を抽出したのち（ステップＳ２１０）、制御部１４０は、抽出された画像の中で、卵における前核の数の差を最も顕著に認識できる２枚の画像を選択する（ステップＳ２２０）。

抽出された画像の中で、卵における前核の数の差を最も顕著に認識できる２枚を選択したのち（ステップＳ２２０）、制御部１４０における判定部１４４は、２枚の画像を比較して受精しているか判定する（ステップＳ２３０）。

２枚の画像を比較して受精しているか判定したのち（ステップＳ２３０）、制御部１４０は、判定を終えたウェルの番号を記憶する（ステップＳ２４０）。判定を終えたウェルを記憶したのち（ステップＳ２４０）、制御部１４０は、変数Ａをデクリメントする。（ステップＳ２５０）。

変数Ａがデクリメントされたあと（ステップＳ２５０）、制御部１４０は、変数Ａが０になったか判定する（ステップＳ２６０）。変数Ａが０になった場合（ステップＳ２６０：ＹＥＳ）、制御部１４０は、図７の受精判定処理を終了する。

変数Ａが０でない場合（ステップＳ２６０：ＮＯ）、制御部１４０は、ステップＳ２１０に戻って、ステップＳ２１０〜ステップＳ２６０の処理を変数Ａが０になるまで繰り返す。変数Ａが０になった場合（ステップＳ２６０：ＹＥＳ）、制御部１４０は、図７の受精判定処理を終了する。

以上説明した実施形態によれば、受精処理された卵の状態が撮影された画像の解析に基づいて、卵が受精しているか判定部１４４が判定できる。このため、受精処理された卵の受精を確認できるシステムが提供される。また、検体である受精処理された卵が機械的に解析されることから、人間が確認するよりも多くの検体を確認できる。また、判定部１４４によって受精しているかが判定されるため、人間が目で確認することに比べて、判定の煩雑さを低減できる。

Ｂ．第２実施形態：
第２実施形態における受精判定システムの構成は、第１実施形態における判定部１４４とは異なる学習を行う判定部を備える点を除き、第１実施形態における受精判定システム１０の構成と同様である。

第２実施形態における判定部は、多層のニューラルネットワークであるディープニューラルネットワーク４００を用いたディープラーニングによって画像に写った卵の特徴（前核の数）について学習し、その学習に基づいて卵が受精しているか判定する。このため、判定部がディープラーニングによって学習した基準に基づいて、卵が受精しているか判定できる。ディープラーニングにより抽出された正常に受精した卵の特徴量が、人間が認識できていない特徴量であった場合には、卵の受精確認を、人間が行うよりも高い精度で行うことができる。

図８は、ディープラーニングによる画像の学習について説明した説明図である。ディープニューラルネットワーク４００は、人間の脳神経系における学習機構をモデルにしたネットワークである。ディープニューラルネットワーク４００は、入力層４１０と、複数の中間層４２０と、出力層４３０とを備える。第２実施形態におけるディープニューラルネットワーク４００は、４つの中間層４２０を備える。

入力層４１０は、情報を入力される層である。中間層４２０は、入力層４１０から伝達される情報に基づいて特徴量の算出を行う層である。出力層４３０は、中間層４２０から伝達される情報に基づいて結果を出力する層である。

図８における画像３００は、受精処理された卵の写った画像である。画像３００の中には、前核が確認されなかった卵であるとラベルされた画像、前核が１つ確認された卵であるとラベルされた画像、前核が２つ確認された卵であるとラベルされた画像、前核が３つ確認された卵であるとラベルされた画像等が含まれる。

ディープニューラルネットワーク４００による学習法について、説明する。入力層４１０は、前核の数についてラベルされた画像３００が入力されると、その情報を中間層４２０に伝達する。中間層４２０は、入力層４１０から伝達された情報に基づいて、前核の特徴量の算出を行う。出力層４３０は、中間層から伝達される情報に基づいて算出された前核の特徴量を出力する。第２実施形態における判定部は、出力された特徴量を基準として、卵が受精しているか判定する。

Ｃ．第３実施形態：
第３実施形態では、受精処理された卵のうち正常に受精していない非受精卵を選抜する方法について説明する。この非受精卵を選抜する方法は、培養工程と、画像取得工程と、選抜工程とを備える。ここでいう「非受精卵」には、前核が確認されなかった卵である不受精卵と、前核が１つもしくは３つ以上確認された卵である異常受精卵とを含む。

培養工程は、受精処理された卵を培養する工程である。画像取得工程は、培養工程において培養されている卵の状態を、設定された時間間隔で撮影して複数の画像を取得する工程である。選抜工程は、画像に写った卵の状態を解析することによって非受精卵を選抜する工程である。

以上説明した第３実施形態によれば、受精処理された卵の状態が撮影された画像の解析に基づいて、非受精卵を選抜できる。このため、受精処理をされた卵のうち正常に受精していない非受精卵を選抜する方法が提供される。

Ｄ．変形例：
第１実施形態では、受精判定システム１０は、容器搬送部１１５を備えていたが、本発明はこれに限られない。例えば、他の実施形態における受精判定システムは、容器搬送部１１５を備えていない形態であってもよい。この場合、画像取得部１３０は、固定部に固定された培養容器２００の重力方向上側に備えられていてもよいし、画像取得部１３０が培養容器２００の重力方向上側に移動可能に構成されていればよい。

第１実施形態では、画像取得部１３０によって取得された画像は、画像格納部１４２に格納されていたが、本発明はこれに限られない。例えば、画像取得部１３０によって取得された画像は、いわゆるクラウド上に格納されていてもよい。この場合、判定部１４４は、クラウドより画像を取得して判定を行う。

第１実施形態では、判定部１４４は、異なる時間に取得された２枚の画像を解析することによって卵が受精しているか判定していたが、本発明はこれに限られない。例えば、判定部１４４は、（制御部１４０により選択された）卵における前核の数が最も多く認識できた１枚の画像を解析して卵が受精しているか判定してもよい。この場合、判定部１４４は、例えば、制御部１４０により選択された１枚の画像が、前核が２つ確認された画像であった場合、卵が受精していると判定する。

また、判定部１４４は、（制御部１４０により選択された）異なる時間に取得された３枚の画像を解析することによって卵が受精しているか判定してもよい。この場合、判定部１４４は、例えば、卵における前核の数が確認されなかった画像１枚と卵における前核が１つ確認された画像１枚と卵における前核が２つ確認された画像１枚との３枚が確認された場合にのみ、卵が受精していると判定する。また、判定部１４４は、（制御部１４０により選択された）異なる時間に取得された４枚以上の画像を解析することによって卵が受精しているか判定してもよい。この場合、判定部１４４は、例えば、４枚以上の画像を時系列的に並べて、前核の数が０、１、２、０の順に増減する変化を確認できた場合にのみ、卵が受精していると判定する。

第３実施形態では、入力される画像３００は、前核の数についてラベルされた画像であったが、本発明はこれに限られない。例えば、入力される画像は、受精しているとラベルされた画像および受精していないとラベルされた画像であってもよい。

本発明は、上述の実施形態や実施例、変形例に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。例えば、発明の概要の欄に記載した各形態中の技術的特徴に対応する実施形態、実施例、変形例中の技術的特徴は、上述の課題の一部または全部を解決するために、あるいは、上述の効果の一部または全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

１０…受精判定システム
１１０…培養部
１１５…容器搬送部
１３０…画像取得部
１４０…制御部
１４２…画像格納部
１４４…判定部
１５０…ユーザインタフェース
１６０…報知部
２００…培養容器
３００…画像
４００…ディープニューラルネットワーク
４１０…入力層
４２０…中間層
４３０…出力層

本発明は、上述の課題の少なくとも一部を解決するためになされたものであり、以下の形態として実現することが可能である。例えば、第１の態様として、受精判定システムが提示される。この受精判定システムは、受精処理された複数の卵をウェルの中でそれぞれ培養する培養部と、前記培養部によって前記ウェルの中で培養されている前記それぞれの卵のそのまま状態を、設定された時間間隔で撮影して、前記複数の卵のそれぞれについて複数の画像を取得する画像取得部と、前記画像に写った前記卵の状態を解析することによって前記卵が受精しているか判定する判定部と、を備える。ここで、前記判定部は、教師あり学習によって前記画像に写った前記卵の前核の数を認識するよう学習済みであり、前記ウェル内で培養されているそれぞれの卵について異なる時間に取得された複数の画像のうちに、前記卵における前核の数がゼロである画像と、前記画像のうち前記卵における前核の数が２個である画像と、が含まれている場合、前記卵が受精していると判定する。
本発明の第２の態様として、前記判定部が、教師あり学習によって前記学習を済ませた構成に代えて、多層のニューラルネットワークを用いたディープラーニングによって学習を済ませた構成が提示される。また、同様に卵が受精していることを判定し、当該判定がなされなかった卵を非受精卵として選抜する方法が、本発明の第３，第４の態様として提示される。

Claims

受精判定システムであって、
受精処理された卵を培養する培養部と、
前記培養部によって培養されている前記卵の状態を、設定された時間間隔で撮影して複数の画像を取得する画像取得部と、
前記画像に写った前記卵の状態を解析することによって前記卵が受精しているか判定する判定部と、
を備える、受精判定システム。
請求項１に記載の受精判定システムであって、
前記判定部は、異なる時間に取得された少なくとも２枚の前記画像における前記卵の経時的な変化を解析することによって前記卵が受精しているか判定する、受精判定システム。
請求項１または請求項２に記載の受精判定システムであって、
前記判定部は、教師あり学習によって前記画像に写った前記卵の特徴について学習し、前記学習に基づいて前記卵が受精しているか判定する、受精判定システム。
請求項１に記載の受精判定システムであって、
前記判定部は、多層のニューラルネットワークを用いたディープラーニングによって前記画像に写った前記卵の特徴について学習し、前記学習に基づいて前記卵が受精しているか判定する、受精判定システム。
請求項１から請求項４までのいずれか一項に記載の受精判定システムであって、
前記判定部は、前記画像のうち判定に用いられた判定画像を報知する報知部を有する、受精判定システム。
請求項５に記載の受精判定システムであって、
前記報知部は、前記判定画像を報知するとともに前記判定画像において前記判定部が判定の根拠とした情報を報知する、受精判定システム。
受精処理された卵のうち正常に受精していない非受精卵を選抜する方法であって、
前記卵を培養する培養工程と、
前記培養工程において培養されている前記卵の状態を、設定された時間間隔で撮影して複数の画像を取得する画像取得工程と、
前記画像に写った前記卵の状態を解析することによって前記非受精卵を選抜する選抜工程と、
を備える、非受精卵を選抜する方法。