JP2024096236A - 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
- JP2024096236A JP2024096236A JP2024071873A JP2024071873A JP2024096236A JP 2024096236 A JP2024096236 A JP 2024096236A JP 2024071873 A JP2024071873 A JP 2024071873A JP 2024071873 A JP2024071873 A JP 2024071873A JP 2024096236 A JP2024096236 A JP 2024096236A
- Authority
- JP
- Japan
- Prior art keywords
- images
- image
- cell
- cells
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 326
- 210000002308 embryonic cell Anatomy 0.000 title claims abstract description 12
- 210000004027 cell Anatomy 0.000 claims abstract description 1152
- 210000001161 mammalian embryo Anatomy 0.000 claims abstract description 607
- 230000000694 effects Effects 0.000 claims description 100
- 230000032823 cell division Effects 0.000 claims description 37
- 210000000287 oocyte Anatomy 0.000 claims description 33
- 238000013507 mapping Methods 0.000 claims description 31
- 238000003384 imaging method Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 19
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000004071 biological effect Effects 0.000 claims description 5
- 230000001413 cellular effect Effects 0.000 abstract description 136
- 238000010586 diagram Methods 0.000 abstract description 2
- 210000002257 embryonic structure Anatomy 0.000 description 453
- 238000012549 training Methods 0.000 description 164
- 238000002513 implantation Methods 0.000 description 92
- 230000000875 corresponding effect Effects 0.000 description 89
- 230000021953 cytokinesis Effects 0.000 description 85
- 210000002459 blastocyst Anatomy 0.000 description 70
- 238000013459 approach Methods 0.000 description 65
- 230000035935 pregnancy Effects 0.000 description 53
- 238000005192 partition Methods 0.000 description 49
- 238000012360 testing method Methods 0.000 description 49
- 230000011278 mitosis Effects 0.000 description 46
- 238000009826 distribution Methods 0.000 description 43
- 238000004422 calculation algorithm Methods 0.000 description 42
- 238000011161 development Methods 0.000 description 41
- 230000018109 developmental process Effects 0.000 description 41
- 238000013528 artificial neural network Methods 0.000 description 40
- 230000004720 fertilization Effects 0.000 description 35
- 239000013598 vector Substances 0.000 description 25
- 230000007704 transition Effects 0.000 description 24
- 230000007613 environmental effect Effects 0.000 description 22
- 230000002123 temporal effect Effects 0.000 description 22
- 208000036878 aneuploidy Diseases 0.000 description 21
- 231100001075 aneuploidy Toxicity 0.000 description 21
- 230000013020 embryo development Effects 0.000 description 20
- 238000000605 extraction Methods 0.000 description 20
- 230000000670 limiting effect Effects 0.000 description 20
- 230000004044 response Effects 0.000 description 19
- 238000012512 characterization method Methods 0.000 description 15
- 210000000625 blastula Anatomy 0.000 description 14
- 238000000338 in vitro Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000011524 similarity measure Methods 0.000 description 14
- 208000020584 Polyploidy Diseases 0.000 description 13
- 230000022131 cell cycle Effects 0.000 description 12
- 238000003776 cleavage reaction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000007017 scission Effects 0.000 description 12
- 230000011712 cell development Effects 0.000 description 11
- 230000007423 decrease Effects 0.000 description 11
- 239000000203 mixture Substances 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 10
- 238000013467 fragmentation Methods 0.000 description 9
- 238000006062 fragmentation reaction Methods 0.000 description 9
- 238000002347 injection Methods 0.000 description 9
- 239000007924 injection Substances 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- 230000009395 genetic defect Effects 0.000 description 8
- 230000001850 reproductive effect Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000003064 k means clustering Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 210000000130 stem cell Anatomy 0.000 description 7
- 210000000349 chromosome Anatomy 0.000 description 6
- 238000013145 classification model Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000007670 refining Methods 0.000 description 6
- 230000035899 viability Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000002483 medication Methods 0.000 description 5
- 230000027291 mitotic cell cycle Effects 0.000 description 5
- 230000004899 motility Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 210000001109 blastomere Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 210000000805 cytoplasm Anatomy 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000004992 fission Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003834 intracellular effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011824 nuclear material Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241000283690 Bos taurus Species 0.000 description 2
- 102000011022 Chorionic Gonadotropin Human genes 0.000 description 2
- 108010062540 Chorionic Gonadotropin Proteins 0.000 description 2
- 208000035752 Live birth Diseases 0.000 description 2
- 208000034702 Multiple pregnancies Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000002548 cytokinetic effect Effects 0.000 description 2
- 210000003981 ectoderm Anatomy 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 210000001900 endoderm Anatomy 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 229940084986 human chorionic gonadotropin Drugs 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 230000016507 interphase Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000031355 meiotic cell cycle Effects 0.000 description 2
- 210000003716 mesoderm Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000000801 secondary oocyte Anatomy 0.000 description 2
- 230000019100 sperm motility Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000002287 time-lapse microscopy Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 206010000234 Abortion spontaneous Diseases 0.000 description 1
- 230000006820 DNA synthesis Effects 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000005107 Premature Birth Diseases 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 230000012292 cell migration Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000032692 embryo implantation Effects 0.000 description 1
- 230000001973 epigenetic effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 210000003958 hematopoietic stem cell Anatomy 0.000 description 1
- 210000000777 hematopoietic system Anatomy 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 230000003585 interneuronal effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 230000021121 meiosis Effects 0.000 description 1
- 230000017346 meiosis I Effects 0.000 description 1
- 230000023439 meiosis II Effects 0.000 description 1
- 210000002901 mesenchymal stem cell Anatomy 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 208000015994 miscarriage Diseases 0.000 description 1
- 230000000394 mitotic effect Effects 0.000 description 1
- 210000000472 morula Anatomy 0.000 description 1
- 210000002894 multi-fate stem cell Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008775 paternal effect Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 210000001778 pluripotent stem cell Anatomy 0.000 description 1
- 210000004508 polar body Anatomy 0.000 description 1
- 210000000799 primary oocyte Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 210000005132 reproductive cell Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000002363 skeletal muscle cell Anatomy 0.000 description 1
- 210000001057 smooth muscle myoblast Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000001988 somatic stem cell Anatomy 0.000 description 1
- 208000000995 spontaneous abortion Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 210000003014 totipotent stem cell Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Abstract
【課題】画像ベースのヒト胚細胞分類のための装置、方法、およびシステムの提供。
【解決手段】自動細胞分類、胚ランク付け、および/または胚カテゴリ化のための装置、方法、およびシステムが提供される。一実施形態では、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ために、装置は、分類器を1つ以上の細胞の画像に適用するように構成されている分類モジュールを含む。各分類器は、異なる第1の数の細胞に関連付けられ、1つ以上の機械学習される細胞特徴を含む細胞特徴に基づいて、各画像の分類確率を決定するように構成される。分類確率は、異なる第1の細胞が各画像に示される推定可能性を示す。それによって、画像の各々は、その画像に関連付けられている分類確率を有する。
【選択図】なし
【解決手段】自動細胞分類、胚ランク付け、および/または胚カテゴリ化のための装置、方法、およびシステムが提供される。一実施形態では、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ために、装置は、分類器を1つ以上の細胞の画像に適用するように構成されている分類モジュールを含む。各分類器は、異なる第1の数の細胞に関連付けられ、1つ以上の機械学習される細胞特徴を含む細胞特徴に基づいて、各画像の分類確率を決定するように構成される。分類確率は、異なる第1の細胞が各画像に示される推定可能性を示す。それによって、画像の各々は、その画像に関連付けられている分類確率を有する。
【選択図】なし
Description
(関連出願の引用)
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。
(発明の分野)
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。
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。
不妊症は、出産年齢の夫婦の10%~15%に影響を及ぼす、一般的な健康問題である。米国だけでも、2006年に約140,000サイクルの体外受精(IVF)が行われた(cdc.gov/art)。これは、着床および出産予定日までの発育の可変であり、多くの場合、不明瞭な可能性とともに、年間100万個より多くの胚の培養をもたらした。IVFに続く1サイクルあたりの生児出生率が、わずか29%であった一方で、生児出生の平均30%は、多胎妊娠をもたらした(cdc.gov/art)。多胎妊娠は、流産、早産、低出生率等の母親および胎児の両方にとって十分に証明された有害転帰を有する。IVFの失敗の潜在的な原因は多様であるが、1978年のIVFの導入以来、主要な課題のうちの1つは、移入に最も好適であり、満期妊娠をもたらす可能性が最も高い胚を識別することとなっている。
従来、IVF診療所では、一様なサイズの単核割球の存在および細胞断片化の程度等の単純な形態学的観察によって、ヒト胚生存率が査定されている(Rijinders P M,Jansen C A M.(1998) Hum Reprod 13:2869-73(非特許文献1);Milki A A、他(2002) Fertil Steril 77:1191-5(非特許文献2))。つい最近では、胚の質を査定するために、(第5日目での胞胚期までの)胚の拡張培養、および着床前遺伝子診断(PGD)を介した染色体状態の分析等の追加の方法も使用されている(Milki A、他(2000) Fertil Steril 73:126-9;Fragouli E,(2009) Fertil Steril June 21 [印刷に先立つ電子出版];El-Toukhy T、他(2009) Hum Reprod 6:20、Vanneste E、他(2009) Nat Med 15:577-83)。しかしながら、これらの方法の潜在的なリスクもまた、それらが培養期間を延長させ、胚の完全性を妨害するという点で存在する(Manipalviratn S、他(2009) Fertil Steril 91:305-15、Mastenbroek S、他(2007) N Engl J.Med.357:9-17)。
近年、経時的撮像が、初期胚発生を観察するため、および初期発生を潜在的な胚生存率に相関させるための有用なツールであり得ることが示されている。いくつかの方法は、卵細胞質内精子注入法(ICSI)に続いて、ヒト胚発生を監視するために、経時的撮像を使用している(Nagy et al.(1994) Human Reproduction.9(9):1743-1748;Payne et al.(1997) Human Reproduction.12:532-541(非特許文献3))。極体押出および前核形成が分析され、それは、第3日目に良好な形態と相関した。しかしながら、いかなるパラメータも、胚盤胞形成または妊娠転帰と相関しなかった。他の方法は、第1の卵割の開始を、ヒト胚の生存率を予測する指標として見なしている(Fenwick、他(2002) Human Reproduction,17:407-412;Lundin、他(2001) Human Reproduction 16:2652-2657)。しかしながら、これらの方法は、細胞質分裂の持続時間または初期分裂間の時間間隔の重要性を認識しない。
他の方法は、初期胚発生中に細胞分裂のタイミングおよび程度を測定するために、経時的撮像を使用している(国際公開WO/2007/144001号(特許文献1))。しかしながら、これらの方法は、発生能、形態学的挙動、分子および後成的プログラム、ならびに移入を取り囲むタイミングおよびパラメータに関して、ヒト胚とは実質的に異なる、ウシ胚の経時的撮像のための基本および一般的方法のみを開示する。例えば、ウシ胚は、ヒト胚と比較して、着床するために大幅により長くかかる(それぞれ、30日および9日)(Taft,(2008) Theriogenology 69(1):10-16)。また、ヒト胚生存率を予測し得る、いかなる特定の撮像パラメータまたは時間間隔も開示されていない。
経時的撮像は、初期ヒト胚発生の自動分析との関連で有望であるが、有意な発生および/または性能の障害物が、これらの既存の方法によって対処されないままである。初期ヒト胚発生の性質、タイミング、および他の基準は、発生挙動を予測するための課題を提供する。そのような課題は、画像処理を介して、細胞分裂の数、細胞分裂のタイミング、ならびに発生中の種々の時点での個々の細胞および/または接合体の健康を予測すること、および/または別様に決定することを含むことができる。具体的には、これらの決定の各々の基礎を形成する、個々の細胞の自動追跡は、明確な視覚特徴の欠如、欠落した、および/または誤った細胞境界、細胞分裂および/または細胞移動による細胞塊の変化する局所構造、細胞形状の変形等により発生し得るような、生体画像の本質的に雑音が多い性質により、困難であり得る。次いで、そのような自動追跡からの任意のさらなる推測は、追跡誤差を受け継ぎ得る。
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。
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。
Rijinders P M,Jansen C A M.(1998) Hum Reprod 13:2869-73
Milki A A、他(2002) Fertil Steril 77:1191-5
Nagy、他(1994) Human Reproduction.9(9):1743-1748;Payne、他(1997) Human Reproduction.12:532-541
細胞分類、結果決定、自動胚ランク付け、および/または自動胚カテゴリ化のための装置、方法、およびシステムが提供される。
一実施形態では、自動細胞分類のための方法は、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ために、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することを含む。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る。分類器は、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、各画像の第1の分類確率を決定する。第1の分類確率は、各第1の分類器に関連付けられる異なる第1の数の細胞が各画像に示されている第1の推定可能性を示す。それによって、複数の画像の各々は、その画像に関連付けられる複数の第1の分類確率を有する。本方法はさらに、各第1の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の第1の分類確率に基づいて、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を含む。
一実施形態では、自動細胞分類のための装置は、分類モジュールを含む。分類モジュールは、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ために、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するように構成される。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、各画像の第1の分類確率を決定するように構成される。第1の分類確率は、各第1の分類器に関連付けられる異なる第1の数の細胞が各画像に示されている第1の推定可能性を示す。それによって、複数の画像の各々は、その画像に関連付けられる複数の第1の分類確率を有する。分類モジュールはさらに、各第1の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の第1の分類確率に基づいて、第2の数の細胞を示すものとして各画像を分類するように構成される。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る。
一実施形態では、自動細胞分類のためのシステムは、自動細胞分類のために構成されるコンピュータ装置を含む。コンピュータ装置は、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ために、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するように構成される。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、各画像の第1の分類確率を決定するように構成される。第1の分類確率は、各第1の分類器に関連付けられる異なる第1の数の細胞が各画像に示されている第1の推定可能性を示す。それによって、複数の画像の各々は、その画像に関連付けられる複数の第1の分類確率を有する。コンピュータ装置はさらに、各第1の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の第1の分類確率に基づいて、第2の数の細胞を示すものとして各画像を分類するように構成される。
一実施形態では、画像ベースの結果決定のための方法は、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ように、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することを含む。分類確率は、1つ以上の細胞の発生に対する第1の結果が第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す。第1の結果は、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。本方法はさらに、分類器に関連付けられる複数の結果および分類確率に基づいて、第1の結果を示すものとして、第1の経時的な一連の画像を分類することを含む。
一実施形態では、画像ベースの結果決定のための装置は、分類モジュールを含む。分類モジュールは、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ように、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するように構成される。分類確率は、1つ以上の細胞の発生に対する第1の結果が第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す。第1の結果は、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。分類モジュールはさらに、分類器に関連付けられる複数の結果および分類確率に基づいて、第1の結果を示すものとして、第1の経時的な一連の画像を分類するように構成される。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る。
一実施形態では、画像ベースの結果決定のためのシステムは、画像ベースの結果決定のために構成されるコンピュータ装置を含む。コンピュータ装置は、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ように、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するように構成される。分類確率は、1つ以上の細胞の発生に対する第1の結果が第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す。第1の結果は、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。コンピュータ装置はさらに、分類器に関連付けられる複数の結果および分類確率に基づいて、第1の結果を示すものとして、第1の経時的な一連の画像を分類するように構成される。
一実施形態では、自動胚ランク付けのための方法は、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、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することを含む。本方法はさらに、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、第1の複数の胚に含まれる各胚をランク付けすることを含む。
一実施形態では、自動胚ランク付けのための装置は、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ために、第1の複数の胚に含まれる各胚の複数の画像を分類するように構成されている、スコア決定モジュールを含む。本装置はさらに、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、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を含む。スコア決定モジュールおよび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る。
一実施形態では、自動胚カテゴリ化のための方法は、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、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することを含む。本方法はさらに、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、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を含む。
一実施形態では、自動胚カテゴリ化のための装置は、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ために、第1の複数の胚に含まれる各胚の複数の画像を分類するように構成されている、スコア決定モジュールを含む。本装置はさらに、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、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を含む。スコア決定モジュールおよび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る。
本発明の他の側面および実施形態も考慮される。前述の概要および以下の詳細な説明は、本発明をいかなる特定の実施形態にも制限するように意図されていないが、本発明のいくつかの実施形態を説明するように意図されているにすぎない。
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。
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。
本発明の性質および目的のより良い理解のために、添付図面と併せて解釈される、以下の詳細な説明を参照するものとする。
本装置、システム、および方法を説明する前に、本発明は、説明される特定の装置、システム、および方法に限定されず、したがって、当然ながら変動し得ることを理解されたい。また、本明細書で使用される用語は、特定の実施形態を説明する目的のためにすぎず、本発明の範囲が添付の請求項のみによって限定されるであろうため、限定的であることを目的としていないことも理解されたい。
値の範囲が提供されるが、その範囲の上限と下限との間で、文脈が別様に明確に決定付けない限り、下限の単位の10分の1までの各介在値もまた、具体的に開示されることを理解されたい。規定範囲内の任意の規定値または介在値と、その規定範囲内の任意の他の規定値または介在値との間の各々のより小さい範囲が、本発明内に包含される。これらのより小さい範囲の上限および下限は、独立して、範囲に包含または除外され得、より小さい範囲にいずれか一方の限界が含まれる、いずれも含まれない、または両方が含まれる、各範囲もまた、規定範囲内の任意の特異的に除外された限界を受けて、本発明内に包含される。規定範囲が限界の一方または両方を含む場合、これらの含まれた限界のいずれか一方または両方を除外する範囲も本発明に含まれる。
別様に定義されない限り、本明細書で使用される全ての技術および科学用語は、本発明が属する当業者によって一般的に理解されるものと同一の意味を有する。本明細書で説明されるものと類似または同等である任意の方法および材料もまた、本発明の実践または試験で使用することができるが、ここでは、いくつかの潜在的な好ましい方法および材料が説明される。本明細書で記述される全ての出版物は、引用される出版物と関連して方法および/または材料を開示および説明するように、参照することにより本明細書に組み込まれる。本開示は、矛盾がある程度に、組み込まれた出版物の任意の開示に優先することが理解される。
本明細書および添付の請求項で使用される場合、「1つの(a、an)」および「該(the)」という単数形は、文脈が別様に明確に決定付けない限り、複数の指示対象を含むことに留意しなければならない。したがって、例えば、「1つのコンピュータ」という言及は、当業者に公知である複数のそのようなコンピュータ等を含む。
本明細書および添付の請求項で使用される場合、例えば、「AおよびBのうちの1つ以上のもの」等の項目の一覧を伴う「のうちの1つ以上のもの」という用語は、A(Bがない)、B(Aがない)、またはAおよびBを意味することに留意しなければならない。したがって、例えば、「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」は、分類器、ニューラルネットワーク、または分類器およびニューラルネットワークを意味する。
本明細書で議論される任意の出版物は、本願の出願日に先立つそれらの開示のためのみに提供される。本発明が、以前の発明により、そのような出版物に先行する権限がないという承認として解釈されるべきではない。さらに、提供される出版物の日付は、実際の公開日とは異なり得、これは、独立して確認される必要があり得る。
(定義)
「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。
「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。
「胚」という用語は、2つの半数体配偶子細胞、例えば、未受精二次卵母細胞および精子細胞が、融合して、2倍体全能細胞、例えば、受精卵を形成するときに形成される接合体、および直後の細胞分裂、すなわち、桑実胚までの胚分裂に起因する胚、すなわち、16細胞段階および胞胚期(分化した栄養外胚葉および内細胞塊を伴う)の両方を指すために、本明細書で使用される。
「多能性細胞」という用語は、生物内で複数の種類の細胞に分化する能力を有する、任意の細胞を意味するために本明細書で使用される。多能性細胞の実施例は、幹細胞、卵母細胞、1細胞胚(すなわち、接合体)を含む。
「幹細胞」という用語は、(a)自己再生能力を有し、(b)多様な分化した細胞型を生じさせる可能性を有する、細胞または細胞の集団を指すために、本明細書で使用される。頻繁に、幹細胞は、複数の細胞系統を生じさせる可能性を有する。本明細書で使用される場合、幹細胞は、全能幹細胞、例えば、生物の胚および胚外組織の全てを生じさせる、受精卵母細胞、多能性幹細胞、例えば、生物の胚組織の全て、すなわち、内胚葉、中胚葉、および外胚葉系統を生じさせる、胚幹(ES)細胞、胚生殖(EG)細胞、または誘導多能性幹(iPS)細胞、多分化能幹細胞、例えば、生物の胚組織のうちの少なくとも2つ、すなわち、内胚葉、中胚葉、および外胚葉系統のうちの少なくとも2つを生じさせる、間充織幹細胞であり得るか、または、特定の組織の複数の種類の分化した細胞を生じさせる、組織特異的幹細胞であり得る。組織特異的幹細胞は、特定の組織の細胞を生じさせる、組織特異的胚細胞、および成体組織中に存在し、その組織の細胞を生じさせることができる、体性幹細胞、例えば、中枢神経系の細胞の全てを生じさせる神経間細胞、骨格筋を生じさせる衛星細胞、および造血系の細胞の全てを生じさせる造血幹細胞を含む。
「卵母細胞」という用語は、未受精雌生殖細胞または配偶子を指すために、本明細書で使用される。本願の卵母細胞は、一次卵母細胞であり得、その場合、それらは、第1減数分裂を受けるように位置付けられるか、または第1減数分裂を受けており、または二次卵母細胞であり得、その場合、それらは、第2減数分裂を受けるように位置付けられるか、または第2減数分裂を受けている。
「減数分裂」とは、配偶子の産生をもたらす細胞周期事象を意味する。第1の減数分裂細胞周期、または第1減数分裂では、細胞の染色体が複製され、2つの娘細胞に分割される。次いで、これらの娘細胞は、DNA合成を伴わない、第2の減数分裂細胞周期または第2減数分裂で分裂し、半数の染色体を伴う配偶子をもたらす。
「有糸分裂細胞周期」とは、細胞の染色体の複製、ならびにこれらの染色体および細胞の細胞質の2つの娘細胞への分裂をもたらす、細胞内の事象を意味する。有糸分裂細胞周期は、2つの段階、すなわち、中間期および有糸分裂に分割される。中間期では、細胞が成長し、そのDNAを複製する。有糸分裂では、細胞が細胞分裂を開始して完了し、最初にその核物質を分割し、次いで、その細胞質およびその分割した核物質を2つの別個の細胞に分割する(細胞質分裂)。
「第1の有糸分裂細胞周期」または「第1細胞周期」とは、受精から第1の細胞質分裂事象の完了、すなわち、2つの娘細胞への受精卵母細胞の分裂までの時間間隔を意味する。卵母細胞が生体外で受精させられる場合においては、ヒト絨毛性ゴナドトロピン(HCG)の注入(通常は卵母細胞の回収に先立って投与される)と第1の細胞質分裂事象の完了との間の時間間隔が、代理時間間隔として使用され得る。
「第2の有糸分裂細胞周期」または「第2細胞周期」とは、胚で観察される第2の細胞周期、すなわち、有糸分裂による受精卵母細胞からの娘細胞の産生と、有糸分裂によるこ
れらの娘細胞のうちの1つ(「先導娘細胞」または娘細胞A)からの孫細胞の第1のセットの産生との間の時間間隔を意味する。第2細胞周期の完了時に、胚は、3つの細胞から成る。換言すると、第2細胞周期は、2つの細胞を含有する胚と3つの細胞を含有する胚との間の時間として視覚的に識別することができる。
れらの娘細胞のうちの1つ(「先導娘細胞」または娘細胞A)からの孫細胞の第1のセットの産生との間の時間間隔を意味する。第2細胞周期の完了時に、胚は、3つの細胞から成る。換言すると、第2細胞周期は、2つの細胞を含有する胚と3つの細胞を含有する胚との間の時間として視覚的に識別することができる。
「第3の有糸分裂細胞周期」または「第3細胞周期」とは、胚で観察される第3の細胞周期事象、典型的には、有糸分裂による受精卵母細胞からの娘細胞の産生と、有糸分裂による第2の娘細胞(「遅行娘細胞」または娘細胞B)からの孫細胞の第2のセットの産生との間の時間間隔を意味する。第3細胞周期の完了時に、胚は、4つの細胞から成る。換言すると、第3細胞周期は、3つの細胞を含む胚と4つの細胞を含む胚との間の時間として視覚的に識別することができる。
「第1の卵割事象」とは、第1の分裂、すなわち、2つの娘細胞への卵母細胞の分裂、すなわち、第1細胞周期を意味する。第1の卵割事象の完了時に、胚は、2つの細胞から成る。
「第2の卵割事象」とは、分裂の第2のセット、すなわち、2つの孫細胞への先導娘細胞の分裂、および2つの孫細胞への遅行娘細胞の分裂を意味する。換言すると、第2の卵割事象は、第2細胞周期および第3細胞周期の両方から成る。第2の卵割事象の完了時に、胚は、4つの細胞から成る。
「第3の卵割事象」とは、分裂の第3のセット、すなわち、孫細胞の全ての分裂を意味する。第3の卵割事象の完了時に、胚は、典型的には、8つの細胞から成る。
「細胞質分裂」または「細胞分裂」とは、細胞が細胞分裂を受ける有糸分裂の段階を意味する。換言すると、これは、2つの娘細胞を産生するように、細胞の分割した核物質およびその細胞質が分裂される、有糸分裂の段階である。細胞質分裂の期間は、細胞膜の収縮(「分裂溝」)が最初に観察されるときと、その収縮事象の解消、すなわち、2つの娘細胞の生成との間の時間の期間のまたは窓として識別可能である。分裂溝の開始は、細胞膜の曲率が凸状(外向きに丸みを帯びた)から凹状(くぼみまたはへこみを伴って内向きに湾曲する)に変化する点として、視覚的に識別され得る。細胞伸長の開始もまた、細胞質分裂の開始を指し示すために使用され得、その場合、細胞質分裂の期間は、細胞伸長の開始と細胞分裂の解消との間の期間として定義される。
「第1の細胞質分裂」または「第1細胞質分裂」とは、受精後の第1の細胞分裂事象、すなわち、2つの娘細胞を産生する受精卵母細胞の分裂を意味する。第1の細胞質分裂は、通常、受精の約1日後に起こる。
「第2の細胞質分裂」または「第2細胞質分裂」とは、胚で観察される第2の細胞分裂事象、すなわち、2つの孫細胞の第1のセットへの受精卵母細胞の娘細胞(「先導娘細胞」または娘A)の分裂を意味する。
「第3の細胞質分裂」または「第3細胞質分裂」とは、胚で観察される第3の細胞分裂事象、すなわち、2つの孫細胞の第2のセットへの受精卵母細胞の他方の娘細胞(「遅行娘細胞」または娘B)の分裂を意味する。
受精後、両方の配偶子は、それぞれ本明細書では「前核」(PN)と称される構造に含まれる、染色体(半数体内容物)の1つのセットを寄与する。通常の受精後、各胚は、2つのPNを示し、1つは、父系遺伝物質を表し、1つは、母系遺伝物質を表す。本明細書で使用されるような「配偶子合体」は、第1の細胞質分裂の前の数時間以内に起こる、染
色体の2つのセットが融合するときのPNの分解を指す。
色体の2つのセットが融合するときのPNの分解を指す。
発明の実施形態の説明
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。
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。
いくつかの実施形態では、細胞分類は、画像内の細胞の数を決定することを含むことができる。いくつかの実施形態では、細胞分類は、画像が予測された数の細胞を含む分類確率を決定することを含むことができる。いくつかの実施形態では、細胞分類は、予測された数の細胞を含む、または含まないものとしての画像の2項分類を含むことができる。
いくつかの実施形態では、1つ以上の分類器の各々は、1つ以上の細胞の複数の画像の各々に適用することができる。複数の画像は、経時的な一連の画像等の時間連続的な一連の画像であり得る。複数の画像に示される細胞は、任意の目的とする細胞であり得る。いくつかの実施形態では、各画像内の細胞の数が関心となり、それは、本発明の側面によって決定することができる。例えば、細胞は、ヒト胚であり得、細胞の数は、1細胞段階、2細胞段階、3細胞段階、4細胞段階等のうちの1つ以上の段階での胚を表すことができる。いくつかの実施形態では、4細胞段階は、4つ以上の細胞を表す。そのような目的とする細胞の他の実施例は、卵母細胞および多能性細胞を含むが、それらに限定されない。
任意の好適な分類器が採用され得る。いくつかの実施形態では、分類器は、機械学習アルゴリズムに基づく。分類器は、AdaBoost(適応ブースティング)分類器、またはサポートベクターマシン(SVM)等の別の分類器であり得る。いくつかの実施形態では、分類器は、細胞特徴および/またはパターン認識に基づく。細胞特徴は、限定されないが、細胞形状、テクスチャ、縁、および/または同等物の認識等の1つ以上の細胞(胚、卵母細胞、または多能性細胞等)の1つ以上の画像に基づいて取得される、特徴である。細胞特徴は、単一の細胞のみに関連付けられる特徴に限定されず、複数の細胞に関連付けられる特徴、および/または、1つ以上の細胞および画像背景等の1つ以上の細胞を示す画像の別の部分に関連付けられる特徴を指すことができる。いくつかの実施形態では、分類器は、標識画像を使用することによって等、1つ以上の教師あり学習アプローチを介して訓練される。いくつかの実施形態では、分類器が基づく細胞特徴は、1つ以上の教師なし学習アプローチを通して決定される。これらの教師なし学習アプローチは、非標識画像を使用し得る。
いくつかの実施形態では、各々が異なる数の細胞に関連付けられる、複数の分類器を採用することができる。さらに、いくつかの実施形態では、複数のレベルの画像分類器を採用することができ、各レベル内で、各分類器は、異なる数の細胞に関連付けられる。明確にするために、n個の細胞に関連付けられる個々の分類器は、細胞分類器として識別され、(各々が画像に適用される)細胞分類器のグループは、画像分類器と称されるであろう。いくつかの実施形態では、画像の分類をさらに精緻化するように、精緻化アルゴリズムを最後の画像分類器の出力に適用することができる。いくつかの実施形態では、精緻化アルゴリズムは、画像の時間的画像類似性尺度に基づいて、各画像の分類を精緻化する。いくつかの実施形態では、精緻化アルゴリズムは、経時的な一連の画像に含まれる画像の最も可能性の高い分類を見出すための動的プログラミングアルゴリズムである。いくつかの実施形態では、精緻化アルゴリズムは、ビタビアルゴリズムである。
いくつかの実施形態では、結果決定は、未知の結果を伴う細胞発生の複数の試験画像の
いくつかの起こり得る結果のうちの予測結果を決定することを含むことができる。いくつかの実施形態では、結果決定は、試験画像の2項分類、すなわち、試験画像の2つの起こり得る結果のうちの結果を決定することを含むことができる。
いくつかの起こり得る結果のうちの予測結果を決定することを含むことができる。いくつかの実施形態では、結果決定は、試験画像の2項分類、すなわち、試験画像の2つの起こり得る結果のうちの結果を決定することを含むことができる。
いくつかの実施形態では、1つ以上の分類器の各々は、結果決定を行うように、1つ以上の細胞の複数の試験画像に適用することができる。試験画像は、経時的な一連の画像等の時間連続的な一連の画像であり得る。一連の画像は、経時的なビデオ等の1つ以上の細胞のビデオに含むことができる。試験画像に示される細胞は、任意の目的とする細胞であり得る。例えば、細胞は、ヒト胚であり得、試験画像の起こり得る結果は、胚盤胞(すなわち、着床に好適である胚盤胞が形成される)または停止(すなわち、胚発生が停止されているため胚盤胞形成が起こらない)のいずれかであり得る。そのような目的とする細胞の他の実施例は、卵母細胞および多能性細胞を含むが、それらに限定されない。
いくつかの実施形態では、分類器は、限定されないが、細胞形状、テクスチャ、縁、および/または同等物の認識等の細胞特徴および/またはパターン認識に基づいて、結果決定を行うように訓練される。
いくつかの実施形態では、分類器が基づく細胞特徴は、1つ以上の教師なし学習アプローチを通して決定される。これらの教師なし学習アプローチは、非標識画像を使用することができる。したがって、いくつかの実施形態では、細胞特徴は、1つ以上の機械学習される細胞特徴を含むことができる。概して、機械学習される細胞特徴は、結果決定、細胞分類、および/または同等物で後に使用する目的で、学習画像から学習される、任意の細胞特徴であり得る。いくつかの実施形態では、機械学習される細胞特徴は、複数の非標識学習画像からの分類器による教師なし学習に基づくことができ、細胞特徴は、いくつかの実施形態では、「バッグオブフィーチャーズ」と称される。非標識学習画像は、経時的な系列を形成する場合もあり、形成しない場合もあることが理解される。いくつかの実施形態では、バッグオブフィーチャーズは、上記で簡潔に説明され、以降でさらに詳細に説明されるように、分類器による細胞分類に向けて適用することができる。
いくつかの実施形態では、分類器は、教師なし学習後に、標識された、および/または特定の結果と別様に関連付けられた少なくとも1つの一連の訓練画像上で訓練され、すなわち、分類器は、教師あり訓練を受ける。いくつかの実施形態では、分類器は、複数の一連の訓練画像上で訓練され、各特定の結果のための少なくとも1つの一連の訓練画像が提供される。いくつかの実施形態では、分類器は、それぞれの特定の結果に関連付けられる各一連の訓練画像から抽出される、細胞特徴および/またはパターン情報に基づいて訓練される。このようにして、分類器は、各特定の結果に関連付けられる細胞特徴情報を認識するように訓練すされることができ、後に、試験画像から抽出される細胞特徴情報が最も良く対応する特定の結果に基づいて、試験画像を分類するために適用されることができる。
いくつかの実施形態では、分類器は、試験画像によって示される1つ以上の細胞について、特定の結果が試験画像によって示されている推定可能性を示す、各特定の結果に関連付けられた分類確率を決定することができる。分類確率は、試験画像によって示される1つ以上の細胞の発生に対する特定の結果の推定可能性を示すことができる。次いで、分類器は、例えば、試験画像が最高分類確率に関連付けられる特定の結果を示すと決定することによって等、分類確率に基づいて試験画像を分類することができる。
図1Aは、本発明の実施形態による、レベル画像ベースの細胞分類アプローチの非限定的実施例を図示し、このアプローチは、各レベルで、4つの細胞分類器(すなわち、1細胞分類器102-1、2細胞分類器102-2、3細胞分類器102-3、および4細胞
(または4つ以上の細胞)分類器102-4)を採用し、それらは、それぞれ、4つのAdaBoost細胞分類器、すなわち、1つの細胞、2つの細胞、3つの細胞、および4つの細胞を示すために入力画像を分類する。2図1Aで図示されるように、および以降でさらに詳細に説明されるように、レベル1画像分類器102の出力は、追加の特徴として、レベル2画像分類器104によって対処されることができる。いくつかの実施形態では、例えば、ビタビアルゴリズム等の精緻化アルゴリズムが、レベル2画像分類器104の出力に適用される。
(または4つ以上の細胞)分類器102-4)を採用し、それらは、それぞれ、4つのAdaBoost細胞分類器、すなわち、1つの細胞、2つの細胞、3つの細胞、および4つの細胞を示すために入力画像を分類する。2図1Aで図示されるように、および以降でさらに詳細に説明されるように、レベル1画像分類器102の出力は、追加の特徴として、レベル2画像分類器104によって対処されることができる。いくつかの実施形態では、例えば、ビタビアルゴリズム等の精緻化アルゴリズムが、レベル2画像分類器104の出力に適用される。
いくつかの実施形態では、画像分類器の各細胞分類器は、各画像について、各細胞分類器に関連付けられる第1の分類確率を決定することができる。各画像の第1の分類確率は、複数の細胞特徴に基づくことができる。いくつかの実施形態では、細胞特徴は、1つ以上の機械学習される細胞特徴を含むことができる。概して、機械学習される細胞特徴は、細胞分類で後に使用する目的で、学習画像から学習される任意の細胞特徴であり得る。いくつかの実施形態では、機械学習される細胞特徴は、未知数の細胞を有する複数の非標識学習画像上の分類器による、教師なし学習に基づくことができる(「バッグオフフィーチャーズ」とも称される)。いくつかの実施形態では、分類器は、結果決定について上で説明されるように、および以降でさらに詳細に説明されるように、このようにして複数の非標識画像からバッグオフフィーチャーズを学習する。
一実施形態では、バッグオフフィーチャーズは、スケール不変特徴変換(SIFT)、加速ロバスト特徴(SURF)、高速網膜キーポイント(FREAK)、およびバイナリロバスト不変拡張可能キーポイント(BRISK)、または当業者に公知である他の好適な記述子等のキーポイント記述子に基づく。
いくつかの実施形態では、細胞特徴はまた、機械学習されるよりもむしろ人間によって設計される、1つ以上の手作りの細胞特徴を含むこともできる。手作りの細胞特徴は、領域性質、GLCM、LBP、ヘッシアン特徴、ガボール特徴、および/または細胞境界特徴を含み得る(表1参照)。
以下の表1は、画像毎の分類に採用することができる、6種類の手作りの特徴およびバッグオブフィーチャーズ(教師なし学習を通して決定される)の例示的な一覧を図示する。GLCM、LBP、ガボール特徴は、分類に使用することができる、既知のテクスチャ特徴である。ヘッシアン特徴は、細胞縁を増進する、ヘッシアンフィルタにかけた画像の第1の固有値から計算される統計である。領域性質(面積、凸包点の数、固体性、偏心度、および外周)は、極性画像空間内の胚境界を抽出するように最短経路アルゴリズムを適用することによって取得される、粗い胚マスクから計算することができる。他の実施形態では、表1に示される特徴は、代替的な特徴セットおよび/または特徴セットあたりの異なる特徴の数と置換することができる。例えば、表1の中の手作りの特徴は、バッグオフフィーチャーズに類似する、他の機械学習される特徴(教師なし学習に基づいて学習される特徴等)と置換することができる。別の実施例では、異なる特徴の数(表1に示される369の代わりに262)を使用することができる。一実施形態では、262個の特徴は、表1に示される境界特徴を含まず、バッグオブフィーチャーズに300個の特徴の代わりに200個の特徴を含む。
図1Bは、本発明の実施形態による、図1Aの(例えば)レベル1分類器102の訓練に使用することができる、それぞれ、1つの細胞(参照文字108-1)、2つの細胞(参照文字108-2)、3つの細胞(参照文字108-3)、および4つの細胞(参照文字108-4)を示すものとして標識される、訓練画像108の非限定的実施例を図示する。一実施形態では、訓練画像108-4は、4つ以上の細胞を示し得る。分類器の訓練は、各々が既知の数の細胞を有する複数の標識画像(訓練画像108等)に基づく、教師あり学習であり得る。
図1Cは、本発明の実施形態による、複数の画像上で表1の記載された特徴を採用する、分類器の例示的な出力110を図示する。図1Cでは、各行110-1から110-nは、単一の画像に関連付けられる(画像に対する「特徴ベクター」とも称される)。本実施形態では、各特徴ベクター110-1から110-nは、370の列(図1Cでは全て示されていない)を有し、1つは画像識別子110aに対し、1つは表1に示される369個の特徴の各々に対するものである。図1Cに示される代表的な列入力110a-110hは、画像識別子110aと、表1に記載される7つの特徴セットの各々に含まれる特徴の代表的な値を示す、1つの代表的な入力(110b-110h)とを含む。これらは、6つの手作りの特徴セット(Regionprops、GLCM、LBP、ヘッシアン特徴、ガボール特徴、および境界特徴)に関連付けられる代表的な入力110b-110gと、バッグオフフィーチャーズに関連付けられる代表的な入力110hとを含む。このようにして、各特徴ベクター110-1から110-nは、その関連画像内の特徴情報を表す。
細胞分類器が訓練されると、図2の非限定的実施例で広く図示されるように、およびこれに関してさらに詳細に説明されるように、画像毎の細胞分類のために、それらを非標識画像に適用することができる。図2では、発育中の胚の経時的な一連の画像202が、本発明の実施形態に従って、図1Aのレベル1およびレベル2分類器102、104によって、画像毎の基準で分類される。複数の画像の各々に関連付けられる予測された数の細胞対画像識別子(例えば、フレーム番号または時間指標)として描画される、グラフ204Aは、画像202のうちの各画像に対するレベル1分類器102の出力を図示し、画像識別子は、X軸で提供され、画像識別子に関連付けられる分類結果は、Y軸で提供される。グラフ204Bは、画像202に関する各画像に対するレベル2分類器104の出力、ならびに入力としてのレベル1分類の結果を図示する。一般に、別様に注記されない限り、分類結果のプロット、または本明細書で開示されるような精緻化アルゴリズムを適用することの結果は、予測された数の細胞対画像識別子のプロットであり、画像識別子は、一連の画像に基づき、各他の画像に対して各画像が撮影された時間を表すことができる。
図3Aは、本発明の実施形態による、画像毎の分類を図示する。一連の試験および/または別様な非標識画像302は、レベル1画像分類器102への入力としての機能を果たし、レベル1画像分類器102は、1細胞、2細胞、3細胞、および4細胞(または4つ以上の細胞)分類器(例えば、図1の細胞分類器102-1から102-4に類似する「細胞分類器」)を含み、さらに、追加の細胞分類器(図示せず)を含み得る。いくつかの実施形態では、各分類器は、細胞特徴に基づいて、各画像の分類確率を決定し、細胞特徴は、以前に説明されたように、機械学習される特徴および/または手作りの細胞特徴であり得る。いくつかの実施形態では、分類確率を決定することは、各画像に対する特徴ベクター(例えば、図1Cの各行110-1から110-nに類似する)を抽出すること、および/または別様に決定することと、特徴ベクターに基づいて分類確率を決定することとを含む。各分類確率は、各細胞分類器(例えば、1細胞分類器)に関連付けられる異なる数の細胞(例えば、1つの細胞)が各画像に示されている推定可能性を示すことができる。このようにして、画像302のうちの各画像は、それに関連付けられる複数の分類確率304を有する。いくつかの実施形態では、図3Aで図示されるように、複数の分類確率304は、各細胞分類器について図3Aで好適に描画されるように、少なくとも、1細胞確率(参照文字304-1)、2細胞確率(参照文字304-2)、3細胞確率(参照文字304-3)、および4細胞確率(参照文字304-4)を含む。画像分類器102の出力は、全ての細胞分類器の出力の累積プロット306(「レベル1出力」)によって表すことができる。一般に、別様に注記されない限り、本明細書で開示されるような画像分類器または細胞分類器の出力のプロットは、分類確率対画像識別子のプロットであり、画像識別子は、一連の画像に基づき、各他の画像に対して各画像が撮影された時間を表すことができる。
本発明の側面は、ある数の細胞を示すものとして各画像を分類するために、さらに構成可能である。いくつかの実施形態では、各画像は、各細胞分類器に関連付けられる異なる数の細胞、およびそれに関連付けられる複数の分類確率に基づいて分類することができる。例えば、図3Aでは、画像302のうちの各画像は、各画像内の各細胞数の確率情報を提供する、レベル1出力306に基づいて、1つの細胞、2つの細胞、3つの細胞、または4つの細胞(あるいは4つ以上の細胞)を示すものとして分類することができる。任意の画像の分類は、その画像に関連付けられている分類確率を計上する任意の好適な様式で達成され得る。いくつかの実施形態では、画像は、その画像に関連付けられる最高分類確率に関連付けられる細胞数を示すものとして、分類されると見なされる。例えば、図3Aのレベル1出力306は、画像302の(例えば、50番目の画像に対応する時間/タイムスタンプを表す)画像識別子50の最高分類確率が、1細胞分類器102-1に由来し、画像302の画像識別子450の最高分類確率が、4細胞分類器102-4に由来することを示す。したがって、図3Aの「レベル1細胞数分類結果」プロット308で最も良く図示されるように、画像識別子50が、1つの細胞を示すものとして分類される一方で、画像識別子450は、4つの細胞を示すものとして分類される。
いくつかの実施形態では、細胞分類結果308は、複数の画像に示される細胞の細胞活性パラメータ、タイミングパラメータ、非タイミングパラメータ、および/または同等物等の1つ以上のパラメータに基づいて、生物学的活性を推測するために使用することができる。いくつかの実施形態では、細胞分類結果308は、経時的な一連の画像のうちの連続画像内の細胞の数の変化に基づいて、細胞分裂事象を推測するために使用することができる。例えば、図3Aの分類結果308は、細胞活性パラメータを決定するために使用することができる。いくつかの実施形態では、パラメータは、細胞活性パラメータを含むことができ、発育中の胚の中等で細胞を分裂させるための以下のパラメータのうちの1つ以上のパラメータ、すなわち、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(以下の表2の中のt5)、および配偶子合体から第1の細胞質分裂までの時間間隔(以下の表2の中のS)であり得る。
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(以下の表2の中のt5)、および配偶子合体から第1の細胞質分裂までの時間間隔(以下の表2の中のS)であり得る。
いくつかの実施形態では、パラメータは、表2で説明および/または参照されるような1つ以上のパラメータ、および/または他のパラメータを含むことができ、国際出願日が2012年5月31日の(PCT公開)WO2012/163363号、「Embryo
Quality Assessment Based on Blastomere Cleavage and Morphology」、国際出願日が2014年2月3日の(PCT公開第)PCT/US2014/014449号、「Abnormal Syngamy Phenotypes Observed With Time Lapse Imaging for Early Identification of Embryos With Lower Development Potential」、および国際出願日が2014年2月3日の(PCT公開第)PCT/US2014/014466号、「Measuring Embryo Development and Implantation Potential With Timing and First Cytokinesis Phenotype Parameters」の開示が、それらの全体で参照することにより組み込まれる。
Quality Assessment Based on Blastomere Cleavage and Morphology」、国際出願日が2014年2月3日の(PCT公開第)PCT/US2014/014449号、「Abnormal Syngamy Phenotypes Observed With Time Lapse Imaging for Early Identification of Embryos With Lower Development Potential」、および国際出願日が2014年2月3日の(PCT公開第)PCT/US2014/014466号、「Measuring Embryo Development and Implantation Potential With Timing and First Cytokinesis Phenotype Parameters」の開示が、それらの全体で参照することにより組み込まれる。
いくつかの実施形態では、限定されないが、胚の質の尺度(すなわち、画像が発育中の胚のものであるとき)等の決定された細胞活性パラメータに基づいて、1つ以上の予測基準を1つ以上の細胞に適用することができる。いくつかの実施形態では、予測基準はさらに、例えば、どの胚が胚盤胞に達するであろうか等の予測結果を決定するために採用することができ、どの胚がヒトの着床のための発生能を有するかをユーザが決定することを可能にすることができる。
いくつかの実施形態では、別の分類プロセス/アプローチのための入力として使用することができる、追加の細胞特徴を定義するために、上で説明される画像毎の確率304-1から304-4および/または分類結果308を使用することができる。図3Bの例示的実施形態は、本発明の実施形態によると、画像302を分類するために後続のレベル2細胞分類器104によって採用することができる、追加の細胞特徴を計算し、および/または別様に決定するために、図3Aの細胞分類器(「レベル1細胞分類器」、「第1の細胞分類器」、「レベル1画像分類器」、および/または「第1の画像分類器」とも称される)によって決定される分類確率304-1から304-4をどのようにして採用することができるかを図示する。図3Bで図示されるように、レベル2分類器104も、レベル1分類器の1細胞、2細胞、3細胞、および4細胞分類器に関連付けられる、1細胞、2細胞、3細胞、および4細胞分類器を含む。いくつかの実施形態では、増進した特徴ベクターを生成するために、追加の細胞特徴を各画像に対する特徴ベクターに追加することができる。実施例として、(単一の画像に関連付けられる)各行110-1から110-nが、各追加の細胞特徴に対する追加の入力を有するように、追加の列を、各追加の細胞特徴について図1Cで図示される表110に追加することができる。いくつかの実施形態では、その画像に関連付けられるレベル1分類確率304-1から304-4に基づいて、および少なくとも1つの他の画像に関連付けられるレベル1分類確率に基づいて、1つ以上の追加の細胞特徴が各画像について計算される。例えば、いくつかの実施形態では、レベル1細胞分類器によって決定されるような、その画像に対する1細胞、2細胞、3細胞、および4細胞分類確率304-1から304-4に基づいて、4つ以上の追加の細胞特徴を、各画像に対する特徴ベクター110-1から110-nに追加することができる。いくつかの実施形態では、各画像に対する特徴ベクター110-1から110-nに追加される4つ以上の追加の細胞特徴は、それぞれ、その画像および複数の画像のうちの少な
くとも1つの他の画像に対する、1細胞、2細胞、3細胞、および4細胞分類確率304-1から304-4の平均値(平均)、中央値、最大値、最小値、標準偏差、および/または他の複合表現のうちの1つ以上のものに基づく。いくつかの実施形態では、平均化画像は、図2のグラフ204Aに示されるもの等のレベル1分類確率の雑音が多い変動の低減を促進するように、互に時間的に隣接する。換言すると、画像302を参照して、平均化分類確率は、一連の画像302内で互に隣接する。このようにして、連続画像分類方式で、分類情報を1つの分類器から次の分類器に伝達することができる。2つの画像分類器102および104について図3Bで図示されているが、本明細書で説明されるアプローチは、連続的に、および/または並行して実行する、任意の追加の画像分類器に拡張可能であることが理解される。例えば、いくつかの実施形態では、レベル1分類器の出力を、2つ以上のレベル2分類器に並行して供給することができ、各レベル2分類器は、それぞれ、学習画像の異なるセットから学習させられ、および/または訓練画像の異なるセットに基づいて訓練される。このようにして、本発明の側面は、それを各他のレベル2分類器の出力と比較することによって、各レベル2分類器の出力の独立した補完的検証を受けるように動作可能である。
くとも1つの他の画像に対する、1細胞、2細胞、3細胞、および4細胞分類確率304-1から304-4の平均値(平均)、中央値、最大値、最小値、標準偏差、および/または他の複合表現のうちの1つ以上のものに基づく。いくつかの実施形態では、平均化画像は、図2のグラフ204Aに示されるもの等のレベル1分類確率の雑音が多い変動の低減を促進するように、互に時間的に隣接する。換言すると、画像302を参照して、平均化分類確率は、一連の画像302内で互に隣接する。このようにして、連続画像分類方式で、分類情報を1つの分類器から次の分類器に伝達することができる。2つの画像分類器102および104について図3Bで図示されているが、本明細書で説明されるアプローチは、連続的に、および/または並行して実行する、任意の追加の画像分類器に拡張可能であることが理解される。例えば、いくつかの実施形態では、レベル1分類器の出力を、2つ以上のレベル2分類器に並行して供給することができ、各レベル2分類器は、それぞれ、学習画像の異なるセットから学習させられ、および/または訓練画像の異なるセットに基づいて訓練される。このようにして、本発明の側面は、それを各他のレベル2分類器の出力と比較することによって、各レベル2分類器の出力の独立した補完的検証を受けるように動作可能である。
依然として図3Bを参照すると、いくつかの実施形態では、各レベル2細胞分類器104-1から104-4は、未知数の細胞を有する非標識学習画像上での教師なし学習に基づいて構成される。いくつかの実施形態では、レベル2細胞分類器104-1から104-4の教師なし学習に使用される非標識画像は、レベル1細胞分類器の教師なし学習に使用される、全てではないにしても少なくともいくつかの非標識画像とは異なる。したがって、本発明の側面は、画像の各後続の分類が、同一の画像の独立した前の分類から利益を得ることができるように、独立して訓練された分類器を連続的に採用するために構成可能である。
レベル2画像分類器104による画像ベースの細胞分類(「第2の分類」とも称される)は、レベル1画像分類器102について上で説明されるものと同様に進むことができる。すなわち、レベル2細胞分類器104-1から104-4は、各画像の各レベル2細胞分類器に関連付けられる第2の分類確率を決定するように、画像302のうちの各画像に適用することができる。いくつかの実施形態では、第2の分類確率を決定することは、上で説明されるような各画像に対する増進した特徴ベクターを抽出すること、および/または別様に決定することと、特徴ベクターに基づいて第2の分類確率を決定することとを含むことができる。各第2の分類確率は、各細胞分類器(例えば、1細胞分類器)に関連付けられる異なる数の細胞(例えば、1つの細胞)が各画像に示されている推定可能性を示すことができる。このようにして、画像302のうちの各画像は、それに関連付けられる複数の第2の分類確率を有する。いくつかの実施形態では、複数の第2の分類確率は、少なくとも、1細胞確率、2細胞確率、3細胞確率、および4細胞確率を含む。レベル2画像分類器の出力は、レベル2細胞分類器の出力の累積プロット310(「レベル2出力」プロット)によって表すことができる。
本発明の側面は、ある数の細胞を示すものとして各画像を分類するために、さらに構成可能である。いくつかの実施形態では、各画像は、各レベル2細胞分類器に関連付けられる異なる数の細胞、およびそれに関連付けられる第2の分類確率に基づいて分類することができる。例えば、図3Bでは、画像302のうちの各画像は、各画像内の各細胞数の確率情報を提供する、レベル2出力に基づいて、1つの細胞、2つの細胞、3つの細胞、または4つの細胞を示すものとして分類することができる。任意の画像の第2の分類は、その画像に関連付けられる第2の分類確率を計上する任意の好適な様式で達成され得る。いくつかの実施形態では、画像は、その画像に関連付けられる最高の第2の分類確率に関連付けられる細胞数を示すものとして、分類されると見なされる。
いくつかの実施形態では、レベル2細胞分類結果312は、複数の画像に示される細胞の生物学的活性、細胞活性パラメータ、および/または同等物を推測するために使用することができる。いくつかの実施形態では、レベル2細胞分類結果312は、経時的な一連の画像のうちの連続画像内の細胞の数の変化に基づいて、細胞分裂事象を推測するために使用することができる。例えば、図3Bのレベル2分類結果312は、細胞を分裂させるための以下のパラメータのうちの1つ以上のパラメータを含む、細胞活性パラメータ、すなわち、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(表2の中のt5)を決定するために、使用することができる。代替として、または加えて、図3Bのレベル2分類結果312は、表2に含まれる細胞活性パラメータのうちのいずれかを決定するために使用することができる。
いくつかの例示的実施形態では、図3Cで図示されるように、図3Bのレベル2分類結果312を精緻化するために、ビタビアルゴリズムが使用される。レベル2分類器104、または代替として、レベル2分類結果312を受信するモジュールが、ビタビアルゴリズムを実装し得る。ビタビアルゴリズムは、事前の知識を統合し、減少しない数の細胞を実施し、分類確率および時間的画像類似性等の情報を融合して、大域的状況内で最終胚段階分類結果を生成するために、レベル2分類器104によって使用することができる。
いくつかの実施形態では、所与の画像について、ビタビアルゴリズムは、各先行画像に対処する。ビタビアルゴリズムは、連続画像が減少しない数の細胞を有することを実施し、それによって、レベル3結果314で図示されるように、レベル2分類結果を「平滑化」し得る。このようにして、本発明の側面は、画像302の単一の最も可能性が高い分類314を提供することができる。図3Bでも示されるように、ビタビアルゴリズムはまた、以下の図14を参照して開示されるように評価される、各画像に対する時間的画像類似性スコア316を入力として受け入れることもできる。
いくつかの実施形態では、限定されないが、胚の質の尺度(すなわち、画像が発育中の胚のものであるとき)等の決定された細胞活性パラメータに基づいて、1つ以上の予測基準を1つ以上の細胞に適用することができる。いくつかの実施形態では、予測基準はさらに、例えば、どの胚が胚盤胞に達するであろうか等の仮説的結果を決定するために採用することができ、どの胚がヒトの着床のための発生能を有するかをユーザが決定することを可能にすることができる。
図4は、本発明のいくつかの実施形態による、胚発生等の細胞発生の画像のための結果決定アプローチの非限定的実施例を図示する。訓練中に、訓練画像402のN個のセットは、特定の結果を提供され、各特定の結果は、ここでは、「胚盤胞」または「停止」のいずれかに対応する。例えば、図4で図示されるように、一連の訓練画像402-1は、胚盤胞結果に関連付けられ、一連の訓練画像402-Nは、停止結果に関連付けられる。いくつかの実施形態では、訓練画像402のうちの少なくとも1つ以上の画像は、訓練画像108のうちの少なくとも1つ以上の画像と同一であり得る。代替として、訓練画像402の全ては、訓練画像108とは異なり得る。
図4でも図示されるように、および以下でさらに詳細に説明されるように、本発明の側面は、各一連の訓練画像402からの特徴抽出404を実行するように動作可能である。1つ以上の特徴ベクター等の抽出された特徴情報、およびそれらの関連結果は、結果分類器406を訓練するために採用することができるが、いくつかの実施形態(図示せず)では、複数の分類器が、一連の訓練画像402のうちのいくつかまたは全ての上で訓練され得る。図4は、AdaBoost分類器として分類器406を図示するが、任意の好適な
分類器が採用され得ることが理解される。
分類器が採用され得ることが理解される。
分類器406は、訓練後に、一連の試験画像408の結果決定に対して適用することができる。図4で図示されるように、訓練画像402に対する特徴抽出404に使用されるものに類似する様式/アプローチで、特徴抽出410を介して、特徴情報を試験画像408から抽出することができる。次いで、分類器406は、抽出された特徴情報に基づいて、結果を決定し、および/または胚盤胞または停止として試験画像408を分類することができる。いくつかの実施形態では、図4でも図示されるように、胚が着床に好適であるかどうか(「着床、着床なし」)、および胚の着床が妊娠に発展する可能性があるかどうか(「妊娠、妊娠なし」)を含む、他の関連する追加のまたは代替的な結果/推測が、分類器406によって決定され得る。
上記で議論されるように、いくつかの実施形態では、分類器は、バッグオブフィーチャーズとも呼ばれる、細胞特徴を「学習」するように、非標識学習画像上で教師なし特徴学習を受ける。一実施形態では、バッグオブフィーチャーズは、スケール不変特徴変換(SIFT)、加速ロバスト特徴(SURF)、高速網膜キーポイント(FREAK)、およびバイナリロバスト不変拡張可能キーポイント(BRISK)、または当業者に公知である他の好適な記述子等のキーポイント記述子に基づく。
学習画像を表す特徴情報を生成する、任意の好適な学習アプローチが採用され得る。いくつかの実施形態では、学習画像の領域に関連付けられる複数の局所特徴情報(「局所特徴情報」)を決定するように、各学習画像内の領域が分析される。いくつかの実施形態では、局所特徴情報は、学習画像内の複数の場所で学習画像をサンプリングすることによって決定される。例えば、各サンプル点における色または強度を、数値として、および局所特徴情報として決定することができる。いくつかの実施形態では、生体画像で典型的であるような情報の疎の性質に対処する、スパースサンプリング等の圧縮感知技法が採用される。いくつかの実施形態では、局所特徴の検出および/または記述に向けて、追加のステップが講じられる。例えば、各サンプル点をビンにさらに分割することができ、サンプルあたり複数の局所特徴記述子値を収集するために、異なる方向に対する各ビンに対して、複数の測定を行うことができる。
いくつかの実施形態では、局所特徴情報は、学習画像全体の画像特徴情報(「画像特徴情報」)を取得するために組み合わせられことができる。例えば、画像特徴情報を、2次元マトリクス等の多次元マトリクスとして特定することができる。マトリクスは、少なくとも、局所特徴情報の決定に関連付けられるサンプル点の数に対応する第1の次元と、少なくとも、サンプルあたり収集される局所特徴記述子値の数等の各サンプル点に対する追加の検出/記述情報に対応する第2の次元とを有し得る。例えば、いくつかの実施形態では、学習画像に関連付けられる特徴記述子は、局所特徴情報に関連付けられる特徴ベクターの集合と見なすこともできる、この2次元マトリクスとして表すことができる。特徴ベクターの数は、サンプル点の数であり得、各特徴ベクターの長さは、各サンプル点に対して、上で説明されるように、以下の積:ビンの数×方向の数によって決定することができる。
いくつかの実施形態では、学習画像のセット/グループ全体の特徴情報(「セット特徴情報」)を取得するように、全ての学習画像の画像特徴情報を組み合わせることができる。セット特徴情報は、学習画像の全ての局所特徴情報の全てを含み得る。例えば、セット特徴情報を、3次元マトリクス等の多次元マトリクスとして特定することができる。マトリクスは、少なくとも学習画像の数に対応する、第1の次元と、少なくとも、局所特徴情報の決定に関連付けられるサンプル点の数に対応する、第2の次元と、少なくとも、サンプルあたり収集される局所特徴記述子値の数等の各サンプル点の追加の検出/記述情報に
対応する、第3の次元とを有し得る。このようにして、結果分類器が最終的に細胞特徴を学習することができる、セット特徴情報を生成するように、局所、画像、およびセットレベルでの特徴情報を、任意の好適な様式で、連続的に計上し、集計し、連結し、および/または組み合わせることができる。
対応する、第3の次元とを有し得る。このようにして、結果分類器が最終的に細胞特徴を学習することができる、セット特徴情報を生成するように、局所、画像、およびセットレベルでの特徴情報を、任意の好適な様式で、連続的に計上し、集計し、連結し、および/または組み合わせることができる。
いくつかの実施形態では、生成されたセット特徴情報を、複数のデータ領域、または関連および/または有用な細胞特徴情報のクラスタ(「特徴クラスタ」)に分割するために、データマイニングアプローチを採用することができる。いくつかの実施形態では、k平均クラスタリング、k中央値クラスタリング、k-medoidクラスタリング、および/または同等物等のkクラスタリングアプローチが採用される。いくつかの実施形態では、セット特徴情報を、各観察が最近傍平均を伴う特徴クラスタに属する複数の特徴クラスタに分割する、k平均クラスタリングが採用される。セット特徴情報は、このようにして、任意の好適な数の特徴クラスタによって表すことができる。いくつかの実施形態では、各特徴クラスタは、学習される細胞特徴を表し、形状の種類、縁の種類、およびテクスチャの種類を含むが、それらに限定されない、特徴の種類から選択することができる。クラスタの重心および/または他のサンプリング点の周囲の複数の可視化等の特徴クラスタの任意の好適な表現を採用することができる。いくつかの実施形態では、特徴クラスタの数がコードブックサイズであり得る、特徴クラスタのコードブックを生成するように、(コードワードとしても知られている)特徴クラスタの各々に関連付けられる重心または他のサンプル点を組み合わせることができる。例えば、コードブックは、クラスタの数、およびサンプルあたりの局所特徴記述子値の数に対応する、マトリクス次元を伴う2次元マトリクス等の多次元マトリクスとして特定することができる。
図5は、非標識学習画像からの教師なし学習のための例示的かつ非限定的なアプローチを図示し、局所特徴情報、画像特徴情報、セット特徴情報、複数のクラスタ、コードワード、および上で説明されるコードドブックの各々を決定するための実施形態を示す。これらの各々は、任意の好適な手段によって決定され得、教師なし学習プロセスの結果としてコードワードを生成するための広範囲の可能性/組み合わせにつながることが理解される。
図5は、学習画像502のセットから開始する、本発明の実施形態による、教師なし学習を図示する。いくつかの実施形態では、学習画像502のうちの少なくとも1つ以上の画像は、訓練画像108のうちの少なくとも1つ以上の画像と同一である。代替として、訓練画像502の全ては、訓練画像108とは異なり得る。
学習画像502に含まれる各画像504は、局所特徴情報を生成するように、したがって、画像504の画像特徴情報を生成するように、サンプリングされる。学習画像502に含まれる各画像504の画像特徴情報は、マトリクス506によって表される。以前に説明されたように、マトリクス506は、少なくとも、局所特徴情報の決定に関連付けられるサンプル点の数に対応する第1の次元と、少なくとも、サンプルあたり収集される局所特徴記述子値の数等の各サンプル点の追加の検出/記述情報に対応する第2の次元とを有し得る。学習画像502のセットのセット特徴情報は、学習画像502あたり1つである、複数のマトリクス506(1つの代表的なマトリクス506が図5に示される)として、および/または複数のマトリクス506を組み込む単一の3次元マトリクスとして表され得る。
508では、学習される細胞特徴をそれぞれ表す、128次元特徴空間内で(本実施例では)300個の特徴クラスタを生成するように、K平均クラスタリングがマトリクス506(セット特徴情報)に適用される。510では、各特徴クラスタは、サンプリング点の周囲で可視化され、ここでは各特徴クラスタに対して画像の10×10マトリクスとし
て図示される。本実施例では、各特徴クラスタの重心は、コードワードであり、次いで、300個のコードワードに基づいて、コードブック512を生成することができ、すなわち、コードブックは、300(クラスタの数/コードワード)×128(特徴空間の次元の数)のサイズである。コードブック512は、訓練および/または試験画像からの特徴抽出のための300個の学習される細胞特徴を表すものとして、結果分類器への入力としての機能を果たすことができる。
て図示される。本実施例では、各特徴クラスタの重心は、コードワードであり、次いで、300個のコードワードに基づいて、コードブック512を生成することができ、すなわち、コードブックは、300(クラスタの数/コードワード)×128(特徴空間の次元の数)のサイズである。コードブック512は、訓練および/または試験画像からの特徴抽出のための300個の学習される細胞特徴を表すものとして、結果分類器への入力としての機能を果たすことができる。
図4を参照すると、いくつかの実施形態では、教師なし学習時に、分類器406は、それに関連付けられる複数の結果について、訓練画像402-1から402-N上で訓練することができる。いくつかの実施形態では、分類器を訓練することは、404で訓練画像の各セットから局所特徴情報を抽出することと、系列特徴情報を生成するために、抽出された局所特徴情報を学習されるコードブックと比較することによって、抽出された特徴情報を訓練画像の各セットに関連付けられる結果に関連付けることとを含む。このようにして、分類器406は、特定の結果に対して特徴情報がどのように見えるかという事前の知識に基づいて、試験画像408に対して、特定の結果を認識するように、および/またはその特定の結果の確率を決定するように「訓練」されることができる。
いくつかの実施形態では、訓練特徴情報を抽出するための特徴抽出404は、図6の例示的かつ非限定的なアプローチで図示されるように動作することができる。特定の結果を有する時間連続的な一連の訓練画像602(例えば、訓練画像402-1)は、一連の訓練画像のうちの各画像604の画像特徴情報を生成するように、分類器406、および/または分類器406に含まれ得るか、あるいは分類器406とは別個であり得る、学習モジュール940(図9参照)によって、分析することができる。いくつかの実施形態では、訓練画像602のうちの少なくとも1つ以上の画像は、訓練画像108のうちの少なくとも1つ以上の画像と同一であり得る。代替として、訓練画像602の全ては、訓練画像108とは異なり得る。いくつかの実施形態では、各画像604の局所特徴情報は、教師なし学習に対して上で説明される様式と同様に生成される。
訓練画像302からの局所特徴情報、および入力としてのコードブックを伴う、図4-6を参照すると、次いで、分類器406および/または学習モジュール940(図9参照)は、各コードワードが各訓練画像604の局所特徴情報(画像特徴情報と見なすことができる)において発生する頻度を決定し、さらに、訓練画像602の各々の中の各コードワードの発生頻度の中央値を平均化および/または決定することによって等、全ての訓練画像602にわたって各コードワードの発生頻度を決定することができる。このようにして、系列特徴情報とも称される、全ての訓練画像602にわたるコードワードの頻度分布を、全ての訓練画像602に関連付けられる特定の結果に関連付けることができる。図6で最も良く図示されるように、ヒストグラム606(画像特徴情報)は、図5で生成されるコードブック512に対して訓練画像604内の局所特徴情報を比較することの結果を視覚的に描写し、画像604内のコードブック512の300個のコードワードの各々の発生頻度の頻度分布である。一方で、ヒストグラム608(系列特徴情報)は、a)訓練画像602のうちの各画像の頻度分布データを生成すること、ならびにb)コードブック512内の各コードワードの発生頻度を表す単一の要素を生成するように、訓練画像602のうちの全ての画像にわたって、各コードブックの発生頻度を平均化、および/またはその中央値を決定することの結果を視覚的に描写する。訓練画像602が経時的な一連の画像であり得るため、ヒストグラム608は、それに応じて、経時的情報を表すことができる。さらに、訓練画像602が特定の結果に関連付けられるため、ヒストグラム608は、それに応じて、特定の結果を表すことができ、分類器406は、特定の結果(例えば、訓練画像402-1に対する胚盤胞結果)を認識するように「訓練される」と見なすことができる。異なる結果(例えば、停止結果)を有する訓練画像の異なるセットを用いて(例えば、402-Nを用いて)、このプロセスを繰り返すことによって、分類器は、2
つの結果を区別するように訓練されると見なすことができる。ここで、分類器は、一連の非標識画像のコードワード頻度分布に基づいて、一連の非標識画像(試験画像108等)を分類することができる。
つの結果を区別するように訓練されると見なすことができる。ここで、分類器は、一連の非標識画像のコードワード頻度分布に基づいて、一連の非標識画像(試験画像108等)を分類することができる。
分類器406が一連の試験画像408に対する結果決定の起こり得る結果のセット上で訓練されると、分類器を未知の結果の試験画像408に適用することができる。結果決定は、試験画像408からの試験局所、画像、および系列特徴情報の特徴抽出410を含むことができる。いくつかの実施形態では、画像408に対する特徴抽出410は、各訓練画像604について図6で図示されるように、および以前に説明されたように、特徴抽出404と同様に実行される。換言すると、試験局所特徴情報が各試験画像について決定され、これは、各試験画像の試験画像特徴情報(すなわち、各試験画像のコードワード頻度分布)を生成するために使用することができ、これは順に、一連の試験画像408の系列特徴情報(すなわち、系列全体の複合コードワード頻度分布)を生成するために使用することができる。コードブックを試験画像の各々における局所特徴情報に適用することによって、ならびにそのように取得されるコードワード頻度分布の中央値を平均化および/または決定することによって、平均試験ヒストグラムを生成することができる。
一連の試験画像(例えば、試験画像408)のヒストグラム(「試験ヒストグラム」)、および各一連の訓練画像402-1から402-Nの平均ヒストグラム608(「訓練ヒストグラム」)を用いると、次いで、分類器406は、その特定の結果の試験ヒストグラムおよび訓練ヒストグラムに基づいて、一連の試験画像の分類を行うことによって、各結果の分類確率を決定することができる。分類は、AdaBoost(適応ブースティング)分類器、またはサポートベクターマシン(SVM)等の別の分類器によって等、任意の好適な様式で行うことができる。次いで、分類器106は、各結果に関連付けられている分類確率に基づく予測結果を示すものとして、試験画像を分類することができる。
図7は、図4の結果112の結果決定のための例示的かつ非限定的なアプローチを図示する。訓練ヒストグラム702-1から702-Nは、それぞれ、対応する一連の訓練画像402-1から402-Nのコードワード頻度分布を表し、さらに、それぞれ、対応する一連の訓練画像402-1から402-Nに関連付けられる、特定の結果1から特定の結果Nを表す。各訓練ヒストグラム702は、図4の試験画像408のコードワード頻度分布を表す、試験ヒストグラム706に対して比較され、それぞれ、特定の結果1から特定の結果Nに対応する、分類確率710-1から710-Nが決定される。次いで、結果412が、分類確率710-1から710-Nに基づいて決定される。
いくつかの実施形態では、訓練/試験画像内の細胞が胚であるとき等、限定されないが、胚が着床に好適であるかどうか、着床した場合、胚が妊娠をもたらすであろうかどうか等の決定された結果412に基づいて、1つ以上の予測基準を適用することができる。
図8を参照すると、本発明の実施形態による、自動画像ベースの細胞分類のためのシステム800の概略図が説明される。他の実施形態では、システム800は、画像ベースの胚結果決定用であり得る。システム800は、少なくとも1つの撮像デバイス802と、コンピュータ装置804と、表示デバイス806と、入力インターフェース808とを含む。
撮像デバイス802は、画像302、レベル1画像分類器に対する訓練画像、レベル2画像分類器に対する訓練画像、および/または同等物等の1つ以上の細胞の画像を取得するように構成可能な任意のデバイスであり得る。撮像デバイス502はまた、試験画像408等の第1の時間連続的な一連の画像を取得するように、および訓練画像402-1から402-N等の1つ以上の細胞の複数の経時的な一連の画像を取得するように構成可能
でもあり得る。コンピュータ装置804は、撮像デバイス802から画像を受信するように構成することができる。いくつかの実施形態では、撮像デバイス802は、暗視野照明顕微鏡および/または明視野照明顕微鏡を含むが、これらの画像診断法に限定されない。表示デバイス806は、制御情報および/またはデータをシステム800のユーザに表示するための任意の好適なデバイス(例えば、LCDディスプレイ等)であり得、随意に、(例えば、タッチスクリーンパネルを介して等)ユーザ入力を受信するために適し得る。いくつかの実施形態では、表示デバイスは、少なくとも、撮像デバイス802によって取得されるような細胞の1つ以上の画像を表示するように、および本明細書で説明される画像分類に基づいて細胞の特性を提示するために構成される。いくつかの実施形態では、表示デバイス806は、少なくとも、分類確率、分類、および第1の結果のうちの1つ以上のものに基づいて、第1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ように構成される。いくつかの実施形態では、表示デバイス806はさらに、特徴情報に基づいて、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ように構成される。
でもあり得る。コンピュータ装置804は、撮像デバイス802から画像を受信するように構成することができる。いくつかの実施形態では、撮像デバイス802は、暗視野照明顕微鏡および/または明視野照明顕微鏡を含むが、これらの画像診断法に限定されない。表示デバイス806は、制御情報および/またはデータをシステム800のユーザに表示するための任意の好適なデバイス(例えば、LCDディスプレイ等)であり得、随意に、(例えば、タッチスクリーンパネルを介して等)ユーザ入力を受信するために適し得る。いくつかの実施形態では、表示デバイスは、少なくとも、撮像デバイス802によって取得されるような細胞の1つ以上の画像を表示するように、および本明細書で説明される画像分類に基づいて細胞の特性を提示するために構成される。いくつかの実施形態では、表示デバイス806は、少なくとも、分類確率、分類、および第1の結果のうちの1つ以上のものに基づいて、第1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ように構成される。いくつかの実施形態では、表示デバイス806はさらに、特徴情報に基づいて、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ように構成される。
いくつかの実施形態では、コンピュータ装置804、表示デバイス806、および入力インターフェース808は、(パーソナルコンピュータ、ラップトップ、および/またはタブレット形状因子における等の)共通シャーシに組み込まれ得、有線および/または無線ネットワークを経由して撮像デバイス802に接続され得る。代替として、または加えて、撮像デバイス802、コンピュータ装置804、表示デバイス806、および入力インターフェース808は、共通シャーシに組み込まれ得る。
いくつかの実施形態では、コンピュータ装置804は、画像ベースの結果決定のために構成することができる。いくつかの実施形態では、コンピュータ装置804は、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ように、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する。いくつかの実施形態では、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。いくつかの実施形態では、分類器は、AdaBoost分類器である。いくつかの実施形態では、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。
いくつかの実施形態では、分類確率は、1つ以上の細胞の発生に対する第1の結果が第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す。第1の結果は、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ができる。コンピュータ装置804はさらに、分類器に関連付けられる複数の結果および分類確率に基づいて、第1の結果を示すものとして第1の経時的な一連の画像を分類するように構成される。いくつかの実施形態では、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。
いくつかの実施形態では、コンピュータ装置804は、各第1の分類器に関連付けられる異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて、複数の第1の分類器の各々を構成するように構成されることができる。いくつかの実施形態では、コンピュータ装置804はさらに、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ために、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するように構成されることができる。複数の細胞特徴は、1つ以上の手作りの細胞特徴を含むことができる。いくつかの実施形態では、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つ以上の種類であり得る。いくつかの実施形態では、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。
いくつかの実施形態では、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、コンピュータ装置804は、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、各画像の第1の分類確率を決定するように構成することができる。
いくつかの実施形態では、第1の分類確率は、各第1の分類器に関連付けられる異なる第1の数の細胞が各画像に示されている第1の推定可能性を示す。それによって、複数の画像の各々は、その画像に関連付けられる第1の分類確率を有する。
いくつかの実施形態では、コンピュータ装置804はさらに、各第1の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の第1の分類確率に基づいて、第2の数の細胞を示すものとして各画像を分類するように構成することができる。
いくつかの実施形態では、コンピュータ装置804はさらに、各画像について、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ために、複数の第2の分類器を各画像に適用するように構成することができる。いくつかの実施形態では、複数の第1の分類確率のうちの少なくとも1つは、各画像に時間的に隣接する複数の画像のうちの1つ以上の画像に関連付けられる。いくつかの実施形態では、複数の画像は、経時的な一連の画像である。いくつかの実施形態では、第2の分類確率、および第1の分類確率のうちの少なくとも1つは、同一の異なる第1の数の細胞に関連付けられる。いくつかの実施形態では、複数の画像は、経時的な一連の画像である。
いくつかの実施形態では、コンピュータ装置804は、各第2の分類器に関連付けられる異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて、複数の第2の分類器を構成するように構成されることができる。いくつかの実施形態では、第2の複数の訓練画像の各々は、第1の複数の訓練画像の全てとは異なる。
いくつかの実施形態では、コンピュータ装置804はさらに、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ように、複数の第2の分類器を各画像に適用するように構成することができる。いくつかの実施形態では、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、各第2の分類器は、複数の細胞特徴に基づいて、さらに、各画像に時間的に隣接する複数の画像に含まれる1つ以上の画像に関連付けられる、複数の第1の分類確率のうちの1つ以上の分類確率に関連付けられる1つ以上の追加の細胞特徴に基づいて、各画像の第2の分類確率を決定する。いくつかの実施形態では、第2の分類確率は、各第2の分類器に関連付けられる異なる第3の数の細胞が各画像に示されている第2の推定可能性を示す。それによって、複数の画像の各々は、その画像に関連付けられる複数の第2の分類確率を有する。いくつかの実施形態では、各第2の分類器に関連付けられる異なる第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。いくつかの実施形態では、各第2の分類器に関連付けられる異なる第3の数の細胞は、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、異なる第1の数の細胞と同一である。
いくつかの実施形態では、コンピュータ装置804はさらに、各第2の分類器に関連付けられる異なる第3の数の細胞と、その画像に関連付けられている複数の第2の分類確率に基づいて、第4の数の細胞を示すものとして各画像を分類するように構成することができる。いくつかの実施形態では、コンピュータ装置804はさらに、複数の画像に基づいて、第4の数の細胞を示すものとして分類される複数の画像のうちの1つ以上の画像が、代わりに、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ために、精緻化アルゴリズムを複数の画像に適用するように構成することができる。
いくつかの実施形態では、コンピュータ装置804はさらに、各画像内の第4の数の細胞に基づいて、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る。いくつかの実施形態では、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。
いくつかの実施形態では、コンピュータ装置804はさらに、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、および系列特徴情報に基づいて分類器を第1の時間連続的な一連の画像に適用するように構成される。いくつかの実施形態では、系列特徴情報は、第1の結果を表し、第1の時間連続的な一連の画像の全体に関連付けられる。いくつかの実施形態では、コンピュータ装置804はさらに、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、ならびに局所特徴情報と複数のコードワードとに基づいて、系列特徴情報を決定することによって、系列特徴情報を抽出するように構成される。
いくつかの実施形態では、コンピュータ装置804はさらに、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、系列特徴情報を決定するように構成され、1つ以上のクラスタの各々は、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る。コンピュータ装置804はさらに、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ように構成され、系列特徴情報は、第1の時間連続的な一連の画像にわたる1つ以上のコードワードの各々の発生頻度を含む。いくつかの実施形態では、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る。
いくつかの実施形態では、コンピュータ装置804はさらに、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複数のコードワードの各々を決定するように構成される。
いくつかの実施形態では、コンピュータ装置804はさらに、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、分類器を訓練するように構成され、複数の時間連続的な一連の画像の各々は、複数の結果のうちの1つに関連付けられる。いくつかの実施形態では、コンピュータ装置804はさらに、複数の時間連続的な一連の画像の各々から系列特徴情報を抽出することによって、分類器を訓練するように構成される。いくつかの実施形態では、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、複数の結果のうちの関連するものを表し、複数の時間連続的な一連の画像のうちの1つの全体に関連付けられる。
いくつかの実施形態では、コンピュータ装置804はさらに、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、系列特徴情報を抽出し、局所特徴情報、および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に基づいて、系列特徴情報を決定するように構成される。いくつかの実施形態では、コンピュータ装置804はさらに、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、系列特徴情報を決定するように構成され、1つ以上のクラスタの各々は、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る。コンピュータ装置804はさらに、複数の時間連続的な一連の画像のうちの1つ以上の画像の各々にわたって1つ以上のコードワードの発生頻度を決定するように構成される。系列特徴情報は、複数の時間連続的な一連の画像のうち
の1つ以上の画像の各々にわたる1つ以上のコードワードの各々の発生頻度を含む。いくつかの実施形態では、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る。いくつかの実施形態では、コンピュータ装置504はさらに、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複数のコードワードの各々を決定するように構成される。
の1つ以上の画像の各々にわたる1つ以上のコードワードの各々の発生頻度を含む。いくつかの実施形態では、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る。いくつかの実施形態では、コンピュータ装置504はさらに、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複数のコードワードの各々を決定するように構成される。
図9は、本発明の実施形態による、コンピュータ装置804を図示する。コンピュータ装置804は、少なくとも、プロセッサ912と、メモリ914と、入出力モジュール(I/O)916と、バス(図示せず)によって接続される接続インターフェース918とを含む。いくつかの実施形態では、メモリ914は、自動細胞分類のためにコンピュータ装置804を実装するように使用される、実行可能プログラム(図示せず)のセットを記憶する。加えて、または代替として、プロセッサ912は、図8で図示されるように、自動細胞分類のためにコンピュータ装置804を実装するように使用することができる。プロセッサ912は、画像モジュール920、訓練モジュール934、分類モジュール936、結果決定モジュール938、学習モジュール940、および表示モジュール942等の図9に示されるモジュールの種々の組み合わせを含み得る。
画像モジュール920は、1つ以上の細胞の複数の画像を受信するように構成することができる。画像モジュール920は、試験画像408等の第1の時間連続的な一連の画像を取得するように、および訓練画像402-1から402-N等の1つ以上の細胞の複数の時間連続的な一連の画像を取得するように構成することができる。いくつかの実施形態では、画像モジュール520はまた、学習画像も取得する。
分類モジュール936は、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ために、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するように構成することができる。各第1の分類器は、異なる第1の数の細胞に関連付けることができる。分類モジュール936はさらに、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、各画像の第1の分類確率を決定するように構成することができる。第1の分類確率は、各第1の分類器に関連付けられる異なる第1の数の細胞が各画像に示されている第1の推定可能性を示すことができる。それによって、複数の画像の各々は、その画像に関連付けられる複数の第1の分類確率を有する。
分類モジュール936はさらに、各第1の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の第1の分類確率に基づいて、第2の数の細胞を示すものとして各画像を分類するように構成することができる。各第2の分類器は、異なる第3の数の細胞に関連付けることができる。各第2の分類器は、複数の細胞特徴に基づいて、さらに、各画像に時間的に隣接する複数の画像に含まれる1つ以上の画像に関連付けられる、複数の第1の分類確率のうちの1つ以上の分類確率に関連付けられる1つ以上の追加の細胞特徴に基づいて、各画像の第2の分類確率を決定することができる。第2の分類確率は、各第2の分類器に関連付けられる異なる第3の数の細胞が各画像に示されている第2の推定可能性を示すことができる。それによって、複数の画像の各々は、その画像に関連付けられる複数の第2の分類確率を有する。分類モジュール936はさらに、各第2の分類器に関連付けられる異なる第3の数の細胞と、その画像に関連付けられている複数の第2の分類確率に基づいて、第4の数の細胞を示すものとして各画像を分類するように構成することができる。
分類モジュール936はさらに、複数の画像に基づいて、第4の数の細胞を示すものとして分類される複数の画像のうちの1つ以上の画像が、代わりに、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ために、精緻化アルゴリズムを複数の画像に適用するように構成することができる。
分類モジュール936は、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ように、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するように構成することができる。分類確率は、1つ以上の細胞の発生に対する第1の結果が第1の時間連続的な一連の画像によって示される、推定可能性を示す。第1の結果は、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。分類モジュール936はさらに、分類器に関連付けられる複数の結果および分類確率に基づいて、第1の結果を示すものとして、第1の経時的な一連の画像を分類するように構成することができる。分類モジュール936は、示されるように、プロセッサ912上で実装することができる。加えて、または代替として、分類モジュール936は、メモリ914上で実装することができる。
訓練モジュール934は、各第1の分類器に関連付けられる異なる第1の数の細胞を示す第1の複数の訓練画像に基づいて、複数の第1の分類器の各々を構成するように構成することができる。いくつかの実施形態では、訓練モジュール934はさらに、各第2の分類器に関連付けられる異なる第3の数の細胞を示す第2の複数の訓練画像に基づいて、複数の第2の分類器を構成するように構成することができる。
いくつかの実施形態では、訓練モジュール934は、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、分類モジュール936はさらに、系列特徴情報に基づいて、分類器を第1の時間連続的な一連の画像に適用するように構成される。いくつかの実施形態では、訓練モジュール934はさらに、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、系列特徴情報を決定するように構成され、1つ以上のクラスタの各々は、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、学習モジュール940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複数のコードワードの各々を決定するように構成される。
いくつかの実施形態では、プロセッサ912はさらに、以下の実施例2および3でさらに詳細に説明されるように、細胞活性の追跡のために、境界検出モジュール922と、仮説生成モジュール924と、仮説選択モジュール926と、マッピングモジュール932と、細胞活性パラメータ決定モジュール933と、画像類似性決定モジュール941とを含むことができる。
いくつかの実施形態では、プロセッサ912はさらに、以下の実施例2および3でさらに詳細に説明されるように、ヒト胚生存率スクリーニングのために、信頼モジュール928と、信頼性決定モジュール930とを含むことができる。
いくつかの実施形態では、プロセッサはさらに、以下でさらに説明されるように、自動胚ランク付けおよび/またはカテゴリ化のために、選択モジュール944と、スコア決定モジュール948と、ランク付けモジュール950と、カテゴリ化モジュール952とを含むことができる。
図10は、本発明の実施形態による、自動画像ベースの細胞分類の方法1000を図示する。いくつかの実施形態では、方法1000の少なくとも一部は、コンピュータ装置804によって、具体的には、分類モジュール932によって行うことができる。ステップ1010では、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ように、複数の第1の分類器が、1つ以上の細胞の複数の画像の各々に適用される。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、各画像の第1の分類確率を決定する。第1の分類確率は、各第1の分類器に関連付けられる異なる第1の数の細胞が各画像に
示されている第1の推定可能性を示すことができる。それによって、複数の画像の各々は、その画像に関連付けられる複数の第1の分類確率を有する。
示されている第1の推定可能性を示すことができる。それによって、複数の画像の各々は、その画像に関連付けられる複数の第1の分類確率を有する。
ステップ1020では、各第1の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の第1の分類確率に基づいて、各画像が、第2の数の細胞を示すものとして分類される。
ステップ1030では、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ように、複数の第2の分類器が各画像に適用される。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、複数の細胞特徴に基づいて、さらに、各画像に時間的に隣接する複数の画像に含まれる1つ以上の画像に関連付けられる、複数の第1の分類確率のうちの1つ以上の分類確率に関連付けられる1つ以上の追加の細胞特徴に基づいて、各画像の第2の分類確率を決定する。第2の分類確率は、各第2の分類器に関連付けられる異なる第3の数の細胞が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、複数の画像の各々は、その画像に関連付けられる複数の第2の分類確率を有する。
ステップ1040では、各第2の分類器に関連付けられる異なる第3の数の細胞と、その画像に関連付けられている複数の第2の分類確率に基づいて、各画像が、第4の数の細胞を示すものとして分類される。
いくつかの実施形態では、自動細胞分類のための方法は、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ために、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することを含む。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、各画像の第1の分類確率を決定する。第1の分類確率は、各第1の分類器に関連付けられる異なる第1の数の細胞が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、複数の画像の各々は、その画像に関連付けられる複数の第1の分類確率を有する。
いくつかの実施形態では、自動細胞分類のための方法はさらに、各第1の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の第1の分類確率に基づいて、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を含む。
いくつかの実施形態では、各第1の分類器に関連付けられる異なる第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。
いくつかの実施形態では、複数の第1の分類器の各々は、各第1の分類器に関連付けられる異なる第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る。
いくつかの実施形態では、複数の細胞特徴は、1つ以上の手作りの細胞特徴を含む。
いくつかの実施形態では、自動細胞分類のための方法はさらに、各画像について、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、複数の第2の分類器を各画像に適用することを含む。
いくつかの実施形態では、複数の第1の分類確率のうちの少なくとも1つは、各画像に時間的に隣接する複数の画像のうちの1つ以上の画像に関連付けられる。
いくつかの実施形態では、複数の画像は、経時的な一連の画像である。
いくつかの実施形態では、第2の分類確率および第1の分類確率のうちの少なくとも1つは、同一の異なる第1の数の細胞に関連付けられる。
いくつかの実施形態では、自動細胞分類のための方法はさらに、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ように、複数の第2の分類器を各画像に適用することを含む。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る。各第2の分類器は、複数の細胞特徴に基づいて、さらに、各画像に時間的に隣接する複数の画像に含まれる1つ以上の画像に関連付けられる、複数の第1の分類確率のうちの1つ以上の分類確率に関連付けられる1つ以上の追加の細胞特徴に基づいて、各画像の第2の分類確率を決定する。第2の分類確率は、各第2の分類器に関連付けられる異なる第3の数の細胞が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、複数の画像の各々は、その画像に関連付けられる複数の第2の分類確率を有する。自動細胞分類のための方法はさらに、各第2の分類器に関連付けられる異なる第3の数の細胞と、その画像に関連付けられている複数の第2の分類確率に基づいて、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を含む。いくつかの実施形態では、複数の画像は、経時的な一連の画像である。
いくつかの実施形態では、各第2の分類器に関連付けられる異なる第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。
いくつかの実施形態では、複数の第2の分類器の各々は、各第2の分類器に関連付けられる異なる第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る。
いくつかの実施形態では、第2の複数の訓練画像の各々は、第1の複数の訓練画像の全てとは異なる。
いくつかの実施形態では、各第2の分類器に関連付けられる、異なる第3の数の細胞は、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、異なる第1の数の細胞と同一である。
いくつかの実施形態では、自動細胞分類のための方法はさらに、各画像内の第4の数の細胞に基づいて、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含む。いくつかの実施形態では、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。
いくつかの実施形態では、自動細胞分類のための方法はさらに、複数の画像に基づいて、第4の数の細胞を示すものとして分類される複数の画像のうちの1つ以上の画像が、代わりに、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、精緻化アルゴリズムを複数の画像に適用することを含む。
いくつかの実施形態では、精緻化アルゴリズムは、ビタビアルゴリズムである。
いくつかの実施形態では、自動細胞分類のための方法はさらに、各画像内の第2の数の
細胞に基づいて、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含む。いくつかの実施形態では、1つ以上の細胞の細胞活性パラメータを決定することは、各画像内の第2の数の細胞に基づく。
細胞に基づいて、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含む。いくつかの実施形態では、1つ以上の細胞の細胞活性パラメータを決定することは、各画像内の第2の数の細胞に基づく。
いくつかの実施形態では、自動細胞分類のための方法はさらに、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、決定された細胞活性パラメータに基づいて、予測基準を1つ以上の細胞に適用することを含む。いくつかの実施形態では、複数の画像に示される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。
いくつかの実施形態では、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。
いくつかの実施形態では、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つ以上のものである。
いくつかの実施形態では、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。
図11は、本発明の実施形態による、画像ベースの胚結果決定のための方法1100を図示する。
ステップ1110では、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ように、分類器が、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される。分類確率は、1つ以上の細胞の発生に対する第1の結果が第1の時間連続的な一連の画像によって示される、推定可能性を示すことができる。第1の結果は、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。
ステップ1120では、第1の経時的な一連の画像は、分類器に関連付けられる複数の結果および分類確率に基づいて、第1の結果を示すものとして分類することができる。
いくつかの実施形態では、本方法はさらに、第1の時間連続的な一連の画像から特徴ベクターを抽出することを含むことができ、特徴ベクターは、第1の経時的な一連の画像の各々に基づく。特徴ベクターは、機械学習される細胞特徴に関連付けられるコードワードの第1の経時的な一連の画像の各々の中の発生頻度に基づく要素を含むことができる。
いくつかの実施形態では、特徴情報は、複数の経時的な一連の画像のうちの1つ以上の画像から抽出される特徴ベクターに基づく。複数の経時的な一連の画像のうちの1つ以上の画像から抽出される特徴ベクターは、複数の経時的な一連の画像のうちの1つ以上の画像に含まれる各画像に基づくことができる。
いくつかの実施形態では、機械学習される細胞特徴に関連付けられるコードワードは、複数の経時的な一連の画像のうちの1つ以上の画像から抽出される特徴ベクターから抽出され、特徴情報は、コードワードを含む。いくつかの実施形態では、機械学習される細胞特徴は、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。いくつかの実施形態では、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。
いくつかの実施形態では、分類確率は、第1の分類確率であり、分類器はさらに、複数
の経時的な一連の画像の各々に関連付けられる特徴情報に基づいて、追加の分類確率を決定するように構成される。いくつかの実施形態では、第1の経時的な一連の画像を分類することはさらに、追加の分類確率に基づく。いくつかの実施形態では、第1の分類確率は、追加の分類確率の各々のより大きい。
の経時的な一連の画像の各々に関連付けられる特徴情報に基づいて、追加の分類確率を決定するように構成される。いくつかの実施形態では、第1の経時的な一連の画像を分類することはさらに、追加の分類確率に基づく。いくつかの実施形態では、第1の分類確率は、追加の分類確率の各々のより大きい。
いくつかの実施形態では、分類器は、AdaBoost分類器である。いくつかの実施形態では、第1の経時的な一連の画像内の1つ以上の細胞は、複数の経時的な一連の画像の各々の中の1つ以上の細胞と同一の細胞型であり、該細胞型は、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選択される。
いくつかの実施形態では、画像ベースの結果決定のための方法は、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ように、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することを含む。分類確率は、1つ以上の細胞の発生に対する第1の結果が第1の時間連続的な一連の画像によって示される、推定可能性を示す。第1の結果は、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。
いくつかの実施形態では、画像ベースの結果決定のための方法はさらに、分類器に関連付けられる複数の結果および分類確率に基づいて、第1の結果を示すものとして、第1の経時的な一連の画像を分類することを含む。
いくつかの実施形態では、画像ベースの結果決定のための方法はさらに、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含み、分類器を第1の時間連続的な一連の画像に適用することは、系列特徴情報に基づく。
いくつかの実施形態では、系列特徴情報は、第1の結果を表し、第1の時間連続的な一連の画像の全体に関連付けられる。
いくつかの実施形態では、系列特徴情報を抽出することは、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、局所特徴情報と複数のコードワードとに基づいて、系列特徴情報を決定することとを含む。
いくつかの実施形態では、系列特徴情報を決定することは、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、1つ以上のクラスタの各々は、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、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とを含む。系列特徴情報は、第1の時間連続的な一連の画像にわたる1つ以上のコードワードの各々の発生頻度を含む。
いくつかの実施形態では、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る。
いくつかの実施形態では、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。
いくつかの実施形態では、画像ベースの結果決定のための方法はさらに、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、分類器を訓練することを含み、複数の時間連続的な一連の画像の各々は、複数の結果のうちの1つに関連付けられる。いくつかの実施形態では、分類器を訓練することは、複数の時間連続的な一連の画像の各々から系列特徴情報を抽出することを含む。いくつかの実施形態では、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、複数の結果のうちの関連するものを表し、複数の時間連続的な一連の画像のうちの1つの全体に関連付けられる。いくつかの実施形態では、系列特徴情報を抽出することは、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、局所特徴情報、および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に基づいて、系列特徴情報を決定することとを含む。
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、複数の結果のうちの関連するものを表し、複数の時間連続的な一連の画像のうちの1つの全体に関連付けられる。いくつかの実施形態では、系列特徴情報を抽出することは、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、局所特徴情報、および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に基づいて、系列特徴情報を決定することとを含む。
いくつかの実施形態では、系列特徴情報を決定することは、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、1つ以上のクラスタの各々は、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、複数の時間連続的な一連の画像のうちの1つ以上の画像の各々にわたって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、系列特徴情報は、複数の時間連続的な一連の画像のうちの1つ以上の画像の各々にわたる1つ以上のコードワードの各々の発生頻度を含む、こととを含む。いくつかの実施形態では、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る。いくつかの実施形態では、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。
いくつかの実施形態では、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。いくつかの実施形態では、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。いくつかの実施形態では、分類器は、AdaBoost分類器である。いくつかの実施形態では、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。
(実施例)
(実施例1)
本実施例は、初期ヒト胚発生の経時的顕微鏡ビデオにおいて複数の時点で細胞数を推定する、多重レベル胚段階分類方法を提示する。2レベル分類モデルが、時空間的状況内で胚段階を分類するために提案される。判別可能な胚特徴の豊富なセットが、採用され、手作りされ、または胚画像から自動的に学習される。ビタビアルゴリズムは、細胞数確率および時間的画像類似性尺度を用いて、胚段階をさらに精緻化する。提案された方法は、合計389個のヒト胚のビデオを使用して定量的に評価され、87.92%の全体的な胚段階分類精度をもたらした。
(緒言)
2細胞段階および3細胞段階の持続時間等のヒト胚の経時的顕微鏡ビデオから測定される、タイミング/形態動力学的パラメータは、ヒト胚の質と相関することが確認されており、したがって、タイミング/形態動力学的パラメータは、IVF患者に移送するために高い発生能力を伴う胚を選択するために使用することができる。これらのタイミングパラメータを正確かつ客観的に測定することは、経時的撮像プロセス中にヒト胚の段階(すなわち、細胞の数)を識別することができる自動アルゴリズムを必要とする。本実施例は、ヒト胚を4つの段階、すなわち、1つの細胞、2つの細胞、3つの細胞、および4つ以上の細胞に分類することに集中している。この問題は、胚の形態の変動、閉塞、および撮像制限により、困難であり得る。
本実施例は、初期ヒト胚発生の経時的顕微鏡ビデオにおいて胚段階を分類する3レベル方法を提示する。この作業は、臨床転帰の予測パラメータの抽出のためにヒト胚段階を分類する機械学習技法を適用する。分類方法および学習される胚特徴(すなわち、バッグオフフィーチャーズ(BoF))は、他の細胞分類および有糸分裂検出問題を含む、種々の画像診断法に容易に適用することができる。
(方法論)
図12は、本発明の実施形態による、画像ベースの細胞分類のための例示的なアプローチを図示する。経時的顕微鏡法を用いて取得されるヒト胚ビデオ1210を考慮すると、62個の標準的な手作りの特徴および200個の自動的に学習されるバッグオブフィーチャーズの豊富なセットが、ビデオの各フレームから抽出される。レベル1Adaboost分類モデル1220は、262個の特徴を使用して、残りのクラスから1つのクラスを分類するために訓練される4つのAdaboost分類器から成る。レベル1分類は、独立して、各フレーム上でこの分類モデルを使用して行われる。レベル2Adaboost分類モデル1230もまた、262個の特徴とレベル1クラス確率から計算される追加の特徴との両方を含む増補特徴セットを用いて訓練される、4つのAdaboost分類器から成る。レベル2Adaboostは、局所時間的状況を活用し、レベル1分類結果を精緻化するように設計されている。レベル3(参照文字1240参照)では、ビタビアルゴリズムが、事前の知識を統合し、減少しない数の細胞を実施し、大域的状況内で最終胚段階分類結果を生成する。
(胚特徴)
胚特徴は、62個の手作りの特徴(22個のグレーレベル同時生起行列(GLCM)、10個のガボール特徴、および5個の領域性質)と、胚画像から自動的に学習される200個のバッグオブフィーチャーズとを含む。GLCM、LBP、およびガボール特徴は、分類問題のための周知のテクスチャ特徴である。ヘッシアン特徴は、細胞縁を増進する、ヘッシアンフィルタにかけた画像の第1の固有値から計算される統計である。領域性質(面積、凸包点の数、固体性、偏心度、および外周)は、極性画像空間内の胚境界を抽出するように最短経路アルゴリズムを適用することによって取得される、粗い胚マスクから計算される。
図13Aおよび13Bは、(a)学習されるコードブックを用いて、疎に検出された記述子および密にサンプリングされた記述子から生成される、密および疎発生ヒストグラムの実施例、および(b)k平均クラスタリングによって生成されるクラスタ(出現コードワード)の4つの実施例を示す、実施例によるバッグオフフィーチャーズを図示する。バッグオブフィーチャーズ(BoF)は、SIFT等のキーポイント記述子に基づく。本実施例は、BoFの有効性を実証するために、基本SIFT記述子を採用する。密にサンプリングされた記述子1310Aおよび疎に検出された記述子1310Bの両方が、本方法で使用される。訓練胚画像から抽出されたSIFT記述子(128次元ベクター)からの200個のコードワードを用いてコードブックを構築するために、k平均クラスタリングが採用された。クラスタ1320A-1320Dの各々は、胚の固有のテクスチャパターンを表し、その重心はコードワードのうちの1つとして保持される。試験画像が与えられると、記述子が最初に抽出され、次いで、各記述子を1つのコードワードにハードに割り当てることによって量子化される。最終的なBoF(1330A、1130B)は、コードワードの頻度を表す発生ヒストグラムである。
追加のレベル2特徴は、レベル1Adaboostによって出力されるクラス条件付き
確率から計算される、時間的状況特徴である。各フレームにおいて、その局所近傍(例えば、5つのフレーム)のクラス条件付き確率の平均値、中央値、最大値、最小値、および標準偏差が計算され、元の特徴セットに追加される。
確率から計算される、時間的状況特徴である。各フレームにおいて、その局所近傍(例えば、5つのフレーム)のクラス条件付き確率の平均値、中央値、最大値、最小値、および標準偏差が計算され、元の特徴セットに追加される。
(2レベルAdaboost分類モデル)
2項Adaboost分類器を用いて、この多重クラス分類問題に対処するために、1対全体(one-vs-all)の方式が採用される。代替として、離散的Adaboostへの多重クラス拡張である、AdaBoost.M1またはAdaboost.M2も使用することができる。2レベルAdaboost分類モデルの各レベルに、4つのAdaboost分類器がある。各Adaboost分類器は、基礎スタンプ分類器のセットから成り、他のクラスから1つのクラスを分離するように訓練される。クラスi∈{1,2,3,4}のために訓練されるAdaboost分類器について、画像フレームのその出力は、以下である。
式中、xtは、フレームtに対する抽出された特徴ベクターであり、aikは、基礎分類器の重みであり、hik∈{0,1}は、基礎分類器の出力であり、P(yt=i|xt)は、[0.1]に正規化されたクラス条件付き確率である(図12)。
(時間的画像類似性)
提案された方法で胚画像を表すことの他に、状態遷移確率を定義するためにビタビアルゴリズムによって後に使用される、時間的画像類似性尺度1250(図12)を計算するためにもBoFが使用される。2つの連続胚フレームの正規化BoFヒストグラムが与えられると、フレームtにおける時間的画像類似性は、これら2つのヒストグラムのバタチャリア距離に基づいて定義される。時間的画像類似性の一実施例が、図14に示される。BoFに基づく時間的類似性尺度は、位置合わせなしである。プロット内のこれらの「下落(dip)」は、段階遷移の良好な指標である。
(大域的な胚段階の精緻化)
式中、Y={y1・・・,yr}は、状態シーケンスであり、X={x1,・・・,xr}は、胚画像を表す特徴ベクターである。
式中、P(y1=i)は、第1のフレームでの各クラスの事前確率を表し、P(xt|yt=i)は、観察確率であり、P(yt=i|yt-1=j)は、遷移確率である。胚が常に1細胞段階から開始するため、P(y1=i)は、i=1については1、他の段階については0に設定される。4つの段階が残りのフレームについて同等に確からしいと仮定される場合、観察確率P(xt|yt=i)は、単純に、レベル2Adaboostによって出力されるクラス条件付き確率である。遷移確率P(yt=i|yt-1=j)は、フレーム依存性状態として定義される。
式中、d(t)は、前の節で定義された時間的画像類似性である。この遷移行列は、減少しない数の細胞を実施し、時間的画像類似性尺度を統合する。2つの連続フレームがほとんど同一である(すなわち、d(t)が1に近い)とき、遷移行列は、いかなる胚段階変化も支持しない。
(実験研究)
提案された分類方法の性能を評価するために、ヒト胚のビデオが、種々の臨床現場から収集され、分類精度および細胞分裂検出率に基づいて、分類が評価された。
(データセットおよびグランドトルース)
ビデオ取得システムは、暗視野照明のために修正された、1つの倒立デジタル顕微鏡から成る。胚画像が、胚の大部分が4細胞段階に達するまで、最大で2日にわたって5分毎に取得された。各胚のビデオの最初の500フレームが分析のために保持され、各フレームが151×151ピクセルのサイズに切り取られた。訓練データは、327個のヒト胚のビデオ(それぞれ、各クラスについて、41741、38118、7343、および69987個のサンプルを伴う)を含み、我々の試験データは、いくつかの臨床現場で取得された389個のヒト胚のビデオ(それぞれ、各クラスについて47063、48918、9386、および89133個のサンプルを伴う)を含む。3細胞段階は、通常、非常に短いため、他のクラスよりも少ない3細胞訓練サンプルが使用される。
2人の人間の専門家が、第1の細胞分裂、第2の細胞分裂、および第3の細胞分裂が起こるときにフレームに注釈を付けた。グランドトルース分割フレームは、2人の人間の専門家による注釈の平均である。各フレームの胚段階のためのグランドトルースは、細胞分裂グランドトルースから変換される。
(評価結果)
訓練データセットは、それぞれ、レベル1およびレベル2Adaboost分類器を訓練するために、2つの半分に分割される。スタンプが、基礎分類器として使用され、各Adaboost分類器は、100個のスタンプを含む。
第1の評価では、提案された方法によって予測される胚段階が、グランドトルースと比較される。全体的な分類精度および各クラスに対する分類精度が、表3で本方法の各レベルについて示される。最終分類結果に対する混同行列が、表4に示される。各結果から、各レベルが、前のレベルと比べて全体的な分類精度を向上させることが分かる。90%以上の1つの細胞および4つ以上の細胞の胚が、最終結果において正しく分類されている。3細胞訓練サンプルの欠如、ならびに2つの細胞および4つ以上の細胞の胚とのそれらの類似性により、レベル1Adaboostによって、わずか7.79%の精度に達した。精度は、レベル2Adaboostによって10.71%まで増加させられ、さらに、レベル3ビタビアルゴリズムによって20.86%まで向上させられた。
第2の評価では、分類によって検出された3つの分割フレームが、3つのグランドトルース胚分割フレームと比較された。推定分割フレームは、グランドトルースに対する許容差内である場合は真陽性と見なされ、他の場合は偽陽性と見なされる。グランドトルース分割フレームは、ある許容差内で予測分割フレームがない場合に偽陰性と見なされる。
図15は、本発明の実施形態による、例示的な3レベル分類方法から取得されるオフセット許容差の関数として、細胞分裂検出の(a)精度率および(b)再現率の例示的な結果を図示する。分類性能へのそれらの寄与を別々に評価するように、特徴の3つのサブセットの精密再現率曲線が生成された。図15から、BoFが手作りの特徴(表1を参照し
て説明される、RegionPropおよびGLCM+LBP+ヘッシアン+ガボール)より優れ、BoFと手作りの特徴との組み合わせが最高性能に達したことが分かる。例えば、10フレーム許容差では、84.58%の精度および75.63%の再現率が、複合特徴セットによって達成された。
て説明される、RegionPropおよびGLCM+LBP+ヘッシアン+ガボール)より優れ、BoFと手作りの特徴との組み合わせが最高性能に達したことが分かる。例えば、10フレーム許容差では、84.58%の精度および75.63%の再現率が、複合特徴セットによって達成された。
本実施例は、初期ヒト胚発生の経時的顕微鏡法において胚段階を効果的に分類するための分類方法を提示する。複数の臨床現場から収集された大量試験データセットに適用されたとき、提案された方法は、合計で87.92%の分類精度を達成した。
(実施例2)
前述のように、本発明のいくつかの側面はまた、細胞活性の追跡のために動作可能である。したがって、本発明のいくつかの側面は、自動非侵襲細胞活性追跡のために動作可能である。いくつかの実施形態では、自動非侵襲細胞活性追跡は、染料の注入等の侵襲的方法を用いることなく、1つ以上の細胞の特性を決定するためのものである。細胞活性追跡は、1つ以上の細胞の1つ以上の画像に適用することができる。画像は、経時的な一連の画像等の時間連続的な一連の画像であり得る。複数の画像に示される細胞は、任意の目的とする細胞であり得る。例えば、細胞は、1つ以上の細胞を有し得る、ヒト胚であり得る。そのような目的とする細胞の他の実施例は、卵母細胞および多能性細胞を含むが、それらに限定されない。
いくつかの実施形態では、各画像内の細胞の数が関心となり、本発明の実施形態によって決定することができる。例えば、細胞の数は、1細胞段階、2細胞段階、3細胞段階、4細胞段階等のうちの1つ以上の段階での胚を表すことができる。いくつかの実施形態では、4細胞段階は、4つ以上の細胞を表す。代替として、または加えて、各画像内の細胞の幾何学形状が関心となり、本発明の実施形態によって決定することができる。細胞の幾何学形状は、細胞の形状および/または細胞の配列を含み得る。
いくつかの実施形態では、細胞のこれらの特性のうちの1つ以上の特性は、画像あたり複数の仮説のうちの1つを選択することによって決定され得る。選択される仮説は、時間連続的な一連の画像にわたる最も可能性の高い一連の仮説であり得、細胞の観察可能な幾何学的特性(画像のうちの1つ以上の画像に示される幾何学的特徴)に最良適合する、形状のセットを含み得る。一実施形態では、幾何学的情報は、境界点および/または境界区画等の1つ以上の細胞の各々に関連付けられる境界情報を含み得る。各境界点および/または境界区画は、特定の細胞にマップされ得る(またはいかなる細胞にもマップされないこともある)。このマッピングは、明示的または暗示的であり得る。代替として、または加えて、形状が、各細胞に関連付けられる境界点および/または境界区画に適合され得る。これらの形状は、楕円形、またはbスプラインあるいは他の平滑形状等の他の好適な形状であり得る。本明細書では、境界区画に適合されている形状という言及はまた、1つ以上の細胞の各々に関連付けられる、境界点および/または他の幾何学的特徴に適合されている形状を指すこともできると理解されるであろう。一実施例では、仮説は、データ駆動型近似推測等の多重仮説推測に基づいて選択され得る。
画像あたりの複数の仮説の各々は、細胞の推測数および/または細胞の推測幾何学形状等の細胞の推測特性を含む。画像あたりの複数の仮説は、画像に示される細胞の幾何学的特徴に基づくことができる。各細胞に関連付けられる、1つ以上の境界点および/または境界区画への各細胞の表現のマッピングがあり得る。このマッピングは、明示的または暗示的であり得る。代替として、または加えて、細胞と、各細胞に関連付けられる境界点および/または境界区画との間の明示的なマッピングの生成を伴わずに、形状が、各細胞に関連付けられる境界点および/または境界区画に適合され得る。本明細書では、細胞の境
界区画およびこれらの区画を伴う動作(マッピング、生成、合併等)という言及は、特定の実施形態の例であり、境界区画を伴う実施形態に本発明の範囲を限定しない。
界区画およびこれらの区画を伴う動作(マッピング、生成、合併等)という言及は、特定の実施形態の例であり、境界区画を伴う実施形態に本発明の範囲を限定しない。
一実施形態では、細胞境界区画は、細胞の画像に基づいて決定することができる、観察可能な幾何学的情報の例である。別の例は、細胞境界点である。一実施形態では、画像あたりの複数の仮説の各々は、各細胞に関連付けられる1つ以上の境界区画への各細胞の表現の(各仮説によって推測される)マッピングを表す、細胞境界特徴標識を通して、細胞の推測数および/または推測幾何学形状を表すと見なすことができる。細胞境界特徴標識は、細胞境界区画標識であり得る。有利なことには、画像あたりの複数の仮説にわたる解空間は、細胞を表すことができる特定の種類の全ての可能な形状群を表す、パラメータの連続セットよりはるかに小さい解空間である、細胞境界区画標識の離散セットを覆う。例えば、5つの連続パラメータ(例えば、長軸長、短軸長、楕円中心のx座標、楕円中心のy座標、およびヨー角)によって各々が画定される楕円を伴う最大で4つの細胞を追跡するために、解空間は、20の連続次元を有する。対照的に、K個の境界区画の各々のための標識は、合計でわずか5K個の起こり得る解について、5つの離散値のうちの1つ(例えば、細胞のうちのいずれにも割り当てないことについては0、または4つの細胞のうちの特定のものへの割当については1~4)を有し得る。これは、画像からの観察可能な細胞境界区画情報を活用することによって、解空間を有意に縮小し、仮説選択をより扱いやすく、かつ確実にする。
いくつかの実施形態では、細胞境界区画が標識されると、細胞境界区画を一緒にグループ化し、多数の連続パラメータによって表される、より複雑な形状等の楕円以外の形状に適合させることができる。例えば、胚内の割球は、楕円からかなり離れたものであり得る。有利なことには、細胞境界標識の離散セットを覆う解空間の次元性は不変である(上記の実施例では、依然として、K個の境界区画がある、5K個の起こり得る解)。これは、形状を画定する連続パラメータの数が増加する場合に増加する、細胞を表すことができる特定の種類の全ての可能な形状群を表す、パラメータの連続セットに関する解空間の次元性とは異なる。
いくつかの実施形態では、細胞境界区画標識について解くことによって、細胞境界区画を細胞のうちのいずれにも割り当てることができない。有利なことには、これは、細胞境界データの処理に関連付けられる一般的な問題である、異常値および偽陽性境界のよりロバストな処理を可能にすることができる。
いくつかの実施形態では、画像あたりの仮説選択に基づいて決定される細胞の特性に基づいて、胚の健康および/または運命(胚が胚盤胞または停止に達することが予期されるかどうか等の結果)に関係付けられるパラメータを決定することができる。これらのパラメータは、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つ以上のものを含み得るが、それらに限定されない。これらのパラメータのうちの1つ以上のパラメータから、自動化した非侵襲的様式で、女性のヒト対象への着床のための胚の発生能力の指標を決定することができる。
本発明の側面はまた、胚の健康および/または運命/結果に関係付けられる細胞/胚特性の決定を増進する分類および/またはフレーム間類似性決定等の無追跡アプローチと併せて、自動非侵襲細胞活性追跡のためにも動作可能である。
図16は、本発明の実施形態による、胚発生等の細胞発生の画像に適用される自動細胞
追跡アプローチの非限定的実施例を図示する。一連の時間連続的な画像16021から1602400(16021、1602150、1602250、および1602400が示される)は、それぞれ、画像16021、1602150、1602250、および1602400の各々に示される、1つ以上の細胞16001/1、1600150/1から1600150/c、・・・1600400/1から1600400/cの発生を示す(cは、画像1602iに示される細胞の数であり、cは、各画像1602iについて異なる値であり得る)。本実施例では、1つ以上の細胞1600が、ヒト胚に含まれる。下付き文字1から400は、各個々の画像1602iに関連付けられる識別子であり、識別子は、時間指標、フレーム番号、または画像1602およびそれらのコンテンツを区別するための別の好適な識別子であり得る。本実施例では、画像16021については、1つの細胞16001/1が示されている。画像1602150については、2つの細胞1600150/1から1600150/2が示されている。画像1602250については、3つの細胞1600250/1から1600250/3が示されている。画像1602400については、4つの細胞1600400/1から1600400/4が示されている。
追跡アプローチの非限定的実施例を図示する。一連の時間連続的な画像16021から1602400(16021、1602150、1602250、および1602400が示される)は、それぞれ、画像16021、1602150、1602250、および1602400の各々に示される、1つ以上の細胞16001/1、1600150/1から1600150/c、・・・1600400/1から1600400/cの発生を示す(cは、画像1602iに示される細胞の数であり、cは、各画像1602iについて異なる値であり得る)。本実施例では、1つ以上の細胞1600が、ヒト胚に含まれる。下付き文字1から400は、各個々の画像1602iに関連付けられる識別子であり、識別子は、時間指標、フレーム番号、または画像1602およびそれらのコンテンツを区別するための別の好適な識別子であり得る。本実施例では、画像16021については、1つの細胞16001/1が示されている。画像1602150については、2つの細胞1600150/1から1600150/2が示されている。画像1602250については、3つの細胞1600250/1から1600250/3が示されている。画像1602400については、4つの細胞1600400/1から1600400/4が示されている。
細胞境界区画の決定後、識別された細胞境界区画16041/1、1604150/1から1604150/k、・・・1604400/1から1604400/kが、それぞれ、画像16021、1602150、1602250、および1602400の各々について示される(kは、画像1602iの中にあると決定される細胞境界区画の数であり、kは、各画像1602iについて異なる値であり得る)。明確にするために、細胞境界区画1604は、画像1602に重ね合わせられておらず、隣接する細胞境界区画1604は、異なる線種および厚さを伴って示されている。
1つ以上の仮説16061/1、606150/1から1606150/n、・・・1606400/1から1606400/nが、それぞれ、画像16021、1602150、1602250、および1602400の各々について、各画像に対して示される(nは、画像1602iに対する仮説の数であり、nは、各画像1602iについて異なる値であり得る)。本実施例では、画像1602iあたりのn個の仮説1606i/1から1606i/nの各々は、その仮説に対する各細胞1600i/cに関連付けられる境界区画1604i/1から1604i/kのうちの1つ以上の境界区画への各細胞1600i/cの表現のマッピングに基づく。他の実施形態では、仮説1606の各々は、境界点等の他の種類の観察可能な幾何学的情報に基づき得る。他の実施形態では、境界点および/または境界区画への細胞の明示的なマッピングは必要とされない。本実施例では、各仮説1606は、1つ以上の細胞1602の推測数、および1つ以上の細胞1600の推測幾何学形状を含む、1つ以上の細胞1600の推測特性を含む。例えば、仮説1606400/1に関連付けられる細胞1600の推測数は、4(仮説1606400/1に関連付けられる楕円1610の数)であり、仮説1606400/1に関連付けられる1つ以上の細胞1600の推測幾何学形状は、楕円1610の形状および配列のうちの1つ以上のものによって示される。別の実施例では、楕円1610は、bスプラインまたは別の平滑形状等の別の好適な形状であり得る。画像16021によって示されると決定される、1つだけの細胞16001/1および1つの細胞境界区画16041/1があるため、画像16021に関連付けられる1つだけの仮説、すなわち、細胞16001/1を細胞境界区画16041/1にマップする仮説16061/1があり得ることに留意されたい。代替として、または加えて、画像16021に関連付けられる第2の仮説、すなわち、細胞のうちのいずれも細胞境界区画16041/1にマップしない仮説(図示せず)があり得る。
本実施例では、仮説1612i/n(本実施例では、仮説16061/1、1606150/2、1606250/2、および1606400/1を含む)が選択される。細胞
1600の数、ならびに各選択された仮説16061/1、1606150/2、1606250/2、および1606400/1に関連付けられる1つ以上の細胞1600の幾何学形状を含む、選択された仮説16061/1、1606150/2、1606250/2、および1606400/1に関連付けられる細胞1600の特性1608が、それぞれ、画像16021、1602150、1602250、および1602400の各々について示される。明確にするために、細胞特性1608は、画像1602に重ね合わせられていない。
1600の数、ならびに各選択された仮説16061/1、1606150/2、1606250/2、および1606400/1に関連付けられる1つ以上の細胞1600の幾何学形状を含む、選択された仮説16061/1、1606150/2、1606250/2、および1606400/1に関連付けられる細胞1600の特性1608が、それぞれ、画像16021、1602150、1602250、および1602400の各々について示される。明確にするために、細胞特性1608は、画像1602に重ね合わせられていない。
図16Bは、本発明の実施形態による、図16Aに示される細胞境界区画1604の拡大図を図示する。識別された細胞境界区画16041/1、1604150/1から1604150/k、・・・1604400/1から1604400/kが、それぞれ、画像16021、1602150、1602250、および1602400の各々について示される。明確にするために、隣接する細胞境界区画1604は、異なるパターンで平行線が付けられている。本実施例では、黒く塗りつぶして示される細胞境界の部分1610は、細胞境界区画1604に含まれない細胞境界の閉塞部分である。
図17Aは、本発明の実施形態による、細胞追跡枠組み1700の非限定的実施例を図示する。細胞追跡枠組み1700は、ヒト胚発生に関連付けられ得る。追跡枠組み1700は、細胞境界特徴、各細胞に関連付けられる1つ以上の境界区画への各細胞の表現のマッピングを表す、細胞境界特徴標識、細胞幾何学形状(細胞の形状等)、細胞分裂事象、および/または経時的な細胞の数等の関連する未知数を捕捉する、確率的グラフィカルモデル(PGM)1702に基づき得る。いくつかの実施形態では、図16Aを参照すると、PGM1702は、画像1602が撮影される時間間隔に及び得る、連鎖グラフであり、グラフ内の各節点は、変数である。PGM1702は、楕円形の細胞の確率的進化を表す、条件付き確率場(CRF)であり得る。PGM1702内の2つの変数の間のリンクは、それらの間の直接統計的依存を表す。PGM1702は、それぞれ、画像16021から1602400より観察可能な情報(証拠)を表す節点17021/oから1702400/oと、細胞追跡に基づいて推測される、それぞれ、画像16021から1602400に関連付けられる変数を表す節点17021/iから1702400/iとを含む。PGM1702の代表的な節点17023/iおよび17023/oは、1つの時間スライスに対して、PGM1702に含まれ得る例示的な基礎的節点を説明するために拡張される。
一実施形態では、節点17023/iに関連付けられる観察可能な証拠は、画像16023から観察され、1つ以上の区画節点1704によって表される細胞境界区画特徴を含み得る。区画節点1704は、区画
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。
PGM1702は、少なくとも3種類のコンテキスト、すなわち、(1)任意の所与の細胞の境界ピクセルを互に関係付ける、細胞内形状および幾何学的一貫性、(2)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、および(3)画像フレーム1602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(図1A参照)を捕捉する。細胞内形状および幾何学的一貫性は、1つの細胞に属する境界点間の関係を指し、例えば、区画生成および制限された区画合併に関する(例えば、図18A参照)。細胞間幾何学的コンテキストとは、(胚の中等の)異なる細胞の形状の互の関係を指す。例えば、非常に大きい細胞および非常に小さい細胞は、同一の胚内に含まれる可能性が低く、非常に大きい細胞および非常に小さい細胞を含む仮説を拒絶することができる(または低く採点することができる)。時間的コンテキストとは、例えば、経時的な細胞形状の変形および細胞分裂を指す。
以下の実施例3は、PGM202で表される変数に関する同時確率分布の数学的形態の実施例を詳細に図示し、その議論はここで繰り返されない。方程式(8)(実施例3参照)は、方程式(7)(実施例3参照)に示される同時確率分布に含まれる、観察モデルの実施例を例証する。方程式(8)(実施例3参照)の例示的な観察モデルは、細胞活性追跡と併せて使用され得る、分類および/またはフレーム間類似性決定等の無追跡アプローチに関連付けられる情報を含むように一般化され得る。無追跡アプローチを用いることなく細胞活性追跡が使用されるとき、観察モデルの実施例は、方程式(5)として以下で示され、分類器に関連付けられる項
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。
方程式(8)(実施例3参照)では、楕円、区画、および標識の適合性を符号化する、項
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。
図17Bは、本発明の別の実施形態による、細胞追跡枠組み1720の非限定的実施例を図示する。一実施形態では、細胞追跡枠組み1720は、ヒト胚発生に関連付けられ得る。細胞追跡枠組み1720の種々の側面は、図17Aを参照して説明される細胞追跡枠組み1700の側面に類似し、これらの側面はここで繰り返されない。PGM1722は、PGM1722がさらに追加の観察可能情報を含むことを除いて、多くの点に関して図17Aを参照して説明されるPGM1702に類似する。この追加の観察可能情報は、1つ以上の画像類似性尺度節点1724によって表される画像類似性尺度δ(t)∈[0,1]、および/または1つ以上の分類器節点1726によって表される細胞の数についての分類器
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。
一実施形態では、図17Bを参照して上で説明されるように、分類および/またはフレーム間類似性決定等の無追跡アプローチと併せて、細胞活性追跡を使用することができる。以下の実施例3は、PGM222で表される変数に関する同時確率分布の数学的形態の実施例を詳細に例証し、その議論はここで繰り返されない。
図18Aは、本発明の実施形態による、細胞境界特徴情報を取得するための方法300を図示する。この細胞境界特徴情報は、細胞境界区画1604(図1参照)を含み得る。一実施形態では、細胞境界区画1604は、ヒト胚に含まれる1つ以上の細胞の境界区画であり得る。各画像1602(図16参照)に対して、細胞の境界点が決定される(ブロック1802)。次いで、細胞境界区画は、細胞境界点に基づいて生成される(ブロック1804)。次いで、細胞境界区画の1つ以上のペアが、細胞境界区画1604に合併され得る(ブロック1806)。区画合併は、1つ以上の細胞の各々に関連付けられる1つ以上の境界区画への1つ以上の細胞の各々の表現のマッピングのための組み合わせの総数を削減するために、(ブロック1804からの)生成された細胞境界区画をより長い区画のより小さいセットに組み込むことを目指す。これらの潜在的なマッピングは、1つ以上の標識節点1706(図17Aを参照した説明を参照)によって表される、関連区画・細胞標識を有することができ、仮説選択中に考慮される仮説の数を削減することの一環として活用することができる、画像1602からの観察可能な証拠である(図18Bを参照した説明を参照)。
細胞境界点の抽出(ブロック1802)に関して、一実施形態では、各画像1602(図16参照)の各ピクセルに対する境界強度および配向角を提供する、ヘッシアン演算子を使用して、境界点を抽出することができる。ヘッシアン演算子は、二次偏導関数のマトリクスとして表され得る。各画像1602の各ピクセルにおける境界強度は、このマトリクスの固有値に基づいて取得され得、各画像1602の各ピクセルにおける配向角は、このマトリクスの固有ベクトルに基づいて取得され得る。一実施形態では、各画像1602へのヘッシアン演算子の適用に起因するヘッシアン画像が、閾値化され得る。閾値化が後に続く、ヘッシアン演算子を各画像1602に適用することの効果は、細胞1600(図16参照)の内部であろうと外部であろうと、画像1602内の細胞境界点と他のピクセルとの間のコントラストを強調することであり得る。他の実施形態では、強度勾配(例えば、Cannyエッジ検出および/またはSobelエッジ検出)、テクスチャ勾配、領域ベースのアプローチ、および/またはコンピュータビジョンの分野の当業者に公知である他の好適なアプローチを含むが、それらに限定されない、境界点抽出のための他のアプローチを使用することができる。
境界区画の生成(ブロック1804)に関して、一実施形態では、抽出された細胞境界点のセットに含まれる首尾一貫した境界ピクセルの有向局所検索を通して、境界区画を生成することができる。以前に説明されたように、境界区画生成は、任意の所与の細胞の境界ピクセルを互に関係付ける、細胞内形状および幾何学的一貫性に基づく。例えば、楕円形の細胞境界に沿って本質的に位置し、楕円形の境界を本質的に覆う、境界点は、高度に首尾一貫し、その細胞と適合すると見なすことができる。一方で、無作為に散乱した点は、首尾一貫せず、いかなる特定の細胞とも適合しない。この場合の細胞形状は、楕円であると仮定されるが、他の好適な形状モデル(限定されないがbスプライン等)も仮定することができる。一実施形態では、境界区画の生成および細胞の表現への境界区画のマッピングは、ボトムアップ様式で起こる。境界区画は、滑らかな曲線に沿って、またはその付近に位置する点を検索することによって、決定することができる。これらの点が完全な楕円に沿って継続する場合、境界区画は楕円と同一である。しかし、細胞境界はまた、(他の細胞による閉塞により等)断絶されて不連続的でもあるため、区画を検出した後に、典型的には、細胞の表現への境界区画のマッピングが起こる。
一実施形態では、境界点は、以下の2つの競合基準、すなわち、(1)可能な限り少ない区画を作成する、および(2)各区画を画像1602内の多くても1つの細胞に関連付けるという基準を受けて、境界区画にグループ化することができる。換言すると、一実施形態では、境界区画生成は、初期境界点を可能な限り少ない区画にグループ化することを目指すが、それらが同一の細胞を表すかどうかに関して不確かな場合、区画を分解しすぎる。後続の区画合併(ブロック1806)は、これらの曖昧性を解消することを目指す。
一実施形態では、境界区画は、隆起検索区画生成を通して生成することができる。隆起検索は、それに沿って連続ピークが発生する経路を求める。隆起検索の例示は、山脈の頂上に沿って歩き、その山脈の方向に沿って次の山頂を探すことである。この検索は、画像1602からの境界点抽出(ブロック1802)を通して生成されるヘッシアン画像に行うことができる。隆起検索は、隆起への入力点として、ヘッシアン画像内の最も強い値のピクセルを見出すことによって始まる。次いで、これは、画像1602からの境界点抽出(ブロック1802)を通して生成される各ピクセルのヘッシアン配向角に沿って、元のピクセルから始まる軌道に沿って進行することによって継続する。これは、この軌道に沿って、別の最高値のピクセルを検索し、もう一度開始する。これは、期待領域中に高値ピクセルがなくなるまで、または見出された高値ピクセルが、区画の終点を示すことができる、現在の配向角とは過度に異なる配向角を有する場合のいずれかで、このプロセスを繰り返すことができる。区画の領域検索が終了したとき、新しい領域検索が開始される。このプロセスは、全ての高値ヘッシアン画像ピクセルが網羅されるまで継続される。
他の実施形態では、限定ではないが、境界点上の横型検索、最小全域木で境界点を順序付け、次いで、不連続点で木を分解すること、および/またはコンピュータビジョンの当業者に公知である他の好適なアプローチを含む、境界区画生成のための他のアプローチを使用することができる。
境界区画の合併(ブロック1806)に関して、区画合併は、細胞への区画のマッピングのための組み合わせの総数を削減するために、生成された境界区画(ブロック1804)をより長い区画のより小さいセットに組み込むことを目指す。一実施形態では、いずれか2つの区画について、区画合併は、4つの基準、すなわち、(1)相対適合誤差、(2)終点の連続性、(3)角度の連続性、および(4)曲率の一貫性のうちの1つ以上の基準に基づき得る。相対適合誤差基準は、1つは2つの入力区画の各々のため、および1つは合併区画のためのものである、3つの曲線を適合させることを伴うことができる。合併区画の適合誤差が個々の入力区画のものより良い場合、合併の可能性が増加する。終点基準の連続性は、合併される2つの区画が継続するものであった場合に互にどれだけ近いかを調べる。より近い距離は、合併をより起こりやすくする。角度の連続性の基準は、合併区画のための接合点における角度、ならびに接合点まで継続するものであった場合に個々の区画の各々の角度に基づくことを除いて、類似概念に基づく。これらの角度が互に近いほど、より合併が起こり得る。曲率の一貫性の基準は、合併される2つの区画の平均曲率が互に近い場合に、より合併が起こり得ることであり得る。
一実施形態では、区画をより大きい区画のより小さいセットに合併することができるかどうかを決定するように、生成された境界区画(ブロック1804)の幾何学的性質を分析する合併インターフェースに基づいて、区画を合併することができる(ブロック1806)。境界区画の合併は、頂点が区画であり、縁が区画の合併を示す、グラフ上でのグラフ分割として策定することができ、分割の数は、事前に知られていない。
図18Bは、本発明の実施形態による、細胞境界特徴情報への細胞1600(図16参照)の表現のマッピングを生成し、各々が細胞1600のうちの1つ以上の細胞の推測特
性を含む仮説を精緻化するための方法1810を図示する。一実施形態では、細胞1600は、ヒト胚に含まれ得る。各画像1602(図16参照)では、胚発生に関連付けられる仮説が生成され、その各々は、細胞1600の各々の表現を細胞境界区画1604のうちの1つ以上の区画にマップする、細胞境界区画標識に関連付けられる。各画像1602iにおいて、画像1602iに関連付けられる予備仮説1813を決定するために、前の画像1602i-1からの細胞1600i-1/nに対する仮説1606i-1/nから選択される、いくつかの「親」仮説1811を使用することができる(ブロック1812)。親仮説1811のうちの1つ以上の仮説に関連付けられる楕円をサンプリングし、摂動させることによって、画像1602iに関連付けられる予備仮説1813に含まれる推測特性(これらの予備仮説1813の各々に関連付けられる楕円に関連付けられる、推測幾何学的パラメータ等)のうちの1つ以上が生成され得る。一実施形態では、画像1602i-1に示されることができる各数の細胞(1つ、2つ、3つ、および4つの細胞等)に関連付けられる、1つの親仮説1811があり得る。代替として、画像1602i-1に示されることができる各数の細胞に関連付けられる、より多いまたは少ない親仮説1811があり得る。一実施形態では、1つ、2つ、3つ、または4つの予備仮説1813があり得る。代替として、多数の予備仮説1813があり得る。初期画像16021では、細胞16001/1に対する境界区画に最良適合する楕円を見出すことによって、初期仮説が生成され得る。
性を含む仮説を精緻化するための方法1810を図示する。一実施形態では、細胞1600は、ヒト胚に含まれ得る。各画像1602(図16参照)では、胚発生に関連付けられる仮説が生成され、その各々は、細胞1600の各々の表現を細胞境界区画1604のうちの1つ以上の区画にマップする、細胞境界区画標識に関連付けられる。各画像1602iにおいて、画像1602iに関連付けられる予備仮説1813を決定するために、前の画像1602i-1からの細胞1600i-1/nに対する仮説1606i-1/nから選択される、いくつかの「親」仮説1811を使用することができる(ブロック1812)。親仮説1811のうちの1つ以上の仮説に関連付けられる楕円をサンプリングし、摂動させることによって、画像1602iに関連付けられる予備仮説1813に含まれる推測特性(これらの予備仮説1813の各々に関連付けられる楕円に関連付けられる、推測幾何学的パラメータ等)のうちの1つ以上が生成され得る。一実施形態では、画像1602i-1に示されることができる各数の細胞(1つ、2つ、3つ、および4つの細胞等)に関連付けられる、1つの親仮説1811があり得る。代替として、画像1602i-1に示されることができる各数の細胞に関連付けられる、より多いまたは少ない親仮説1811があり得る。一実施形態では、1つ、2つ、3つ、または4つの予備仮説1813があり得る。代替として、多数の予備仮説1813があり得る。初期画像16021では、細胞16001/1に対する境界区画に最良適合する楕円を見出すことによって、初期仮説が生成され得る。
一実施形態では、1つ以上の検出された区画は、細胞1600のうちのどの表現にも割り当てられることができない。有利なことには、これは、細胞境界データの処理に関連付けられる一般的な問題である、異常値および偽陽性境界のよりロバストな処理を可能にすることができる。
次に、現在の画像(画像1602i)からの観察可能な幾何学的情報に基づいて、仮説1815が予備仮説から生成される(ブロック1814)。一実施形態では、仮説1815は、少なくとも画像1602iからの観察可能な幾何学的情報に基づいて、データ駆動型精緻化仮説を取得するための期待値最大化(EM)最適化を通して生成され得る(ブロック1814)。画像1602iからの観察可能な幾何学的情報は、画像1602iに示される細胞1600i/nの形状および配列のうちの1つ以上のものを含み得る。細胞1600i/nの形状は、複数の形状パラメータによって特徴付けられ得る。例えば、楕円である形状については、形状パラメータは、長軸長、短軸長、楕円中心のx座標、楕円中心のy座標、およびヨー角を含み得るが、それらに限定されない。細胞1600i/nの配列は、限定されないが、細胞1600i/nのうちの1つ以上の細胞の配向、場所、および細胞の間の重複のうちの1つ以上のものに関係付けられる、パラメータによって特徴付けられ得る。有利なことには、現在の画像1602i、ならびに過去の画像16021から1602i-1からの観察可能な幾何学的情報を考慮することによって、仮説1915は、利用可能で観察可能な幾何学的情報の完全なセットをより密接に追跡するように精緻化され得、それによって、仮説選択をより扱いやすく、かつ確実にする。
一実施形態では、ブロック1814における仮説1915の生成は、ブロック1816、1818、および1820のうちの1つ以上のブロックを含み得る。画像1602iにおいて、次いで、画像1602iに適用された区画合併(ブロック1806)から取得される境界区画1604i/kへの予備仮説1813の各々に関連付けられる細胞1600i/nの各々の表現のマッピングが生成され得る(ブロック1816)。一実施形態では、このマッピングは、区画1604i/kの各々を、予備仮説1813の各々に含まれる最も近い形状(楕円等)に割り当てることによって、取得され得る。例えば、区画1604i/k内の全ての点にわたる平均距離が最小である、楕円は、区画1604i/kのための対応する楕円であり得る。これらのマッピングは、1つ以上の標識節点1706(図17参照)によって表される、区画・細胞標識によって表され得る。
次に、画像1602iにおける精緻化仮説1815を取得するように、ブロック1816からのマッピングに基づいて、次いで、予備仮説1813の各々が精緻化され得る(ブロック1818)。理想的には、画像1602iに示される細胞1600i/nの各々の境界全体が可視的であろうため、予備仮説1813にマップされる境界区画1604i/kは、細胞1600i/nの各々の境界全体を覆うであろう。しかしながら、より典型的なシナリオでは、画像1602iに示される細胞1600i/nのうちの1つ以上の細胞の境界の区分は、可視的ではない場合があり、したがって、効果的に欠落し得る。推定値(期待値等)が、これらの区分について生成される必要があり得る。一実施形態では、各予備仮説1813にマップされる境界区画1604i/kに関連付けられる、いかなるデータ点も近くに有さない、各予備仮説1813に関連付けられる各楕円の部分が識別される。一実施形態では、いくつかの同等に離間した点(50~100個、または任意の他の好適な数)を、各予備仮説1813に関連付けられる各楕円のパラメトリック表現から生成することができる。各予備仮説1813にマップされる境界区画1604i/kに関連付けられるデータ点を十分に近くで有さない、これらのデータ点の各々は、推定データ点として楕円に含むことができる。
次いで、画像1602iで精緻化仮説1815を取得するための予備仮説1813の精緻化(ブロック1818)は、(1つ以上の標識節点1706(図17参照)によって表される)同一の区画・細胞標識を用いた、境界区画1604i/kの各群への形状(限定されないが楕円等)の適合を含み得る。各精緻化仮説1815は、これらの新たに適合された楕円のうちの1つ以上の楕円を含み、各楕円は、精緻化仮説1815によって特徴付けられる関連細胞1600i/nに関連付けられる。
次に、画像1602iに示される細胞1600i/nから決定される境界区画1604i/kを含むが、それらに限定されない、画像1602iからの観察可能な幾何学的情報に基づいて、各精緻化仮説1815が採点され得る(ブロック1820)。一実施形態では、各精緻化仮説1815を取得するために、ブロック1816、1818、および1820は、適合度(適合誤差)が収束するか、または最大数の反復に達するまで、繰り返され得る。複数の精緻化仮説1815を各画像1602iで生成することができる。例えば、所与の画像1602iで生成される精緻化仮説1815の数の代表的な値は、50~200の範囲内であるが、より多いまたは少ない仮説が生成され得る。
一実施形態では、所与のフレームに対する粒子採点基準は、適合度(適合誤差)および被覆率を含むが、それらに限定されない。適合度(0から1に及ぶことができる)および/または適合誤差(0から無限に及ぶことができる)は、精緻化仮説1815によって特徴付けられる各細胞1600i/nに関連付けられる細胞境界点(細胞境界の欠落部分について生成される任意の推定データ点を含む)が、適合形状(限定されないが楕円等)を各細胞1600i/nにどれだけ良く適合させるかを示す。被覆率は、精緻化仮説1815によって特徴付けられる各細胞1600i/nに関連付けられる細胞境界点(細胞境界の欠落部分について生成される任意の推定データ点を含む)によって、適合形状の境界がどれだけ良く覆われるかを示す。一実施例では、被覆率に関連付けられる1つ以上のパラメータは、0から1に及ぶことができ、0は、被覆範囲がないことを意味することができ、1は、全被覆率を意味することができ、または逆も同様である。加えて、被覆率に関連付けられる他のパラメータは、内座層被覆率を特徴付けることができ、内座層被覆率は、適合形状に対する、内座層と見なされる精緻化仮説1815によって特徴付けられる各細胞1600i/nに関連付けられる細胞境界点(細胞境界の欠落部分について生成される任意の推定データ点を含む)の比である。例えば、これらの細胞境界点のうちの1つ以上の境界点は、適合形状からあまりにもかけ離れている場合に除外され得る。それが起こるとき、それに応じて、内座層被覆率を縮小することができる。
次に、親仮説1817が、精緻化仮説1815から画像1602i+1について選択される(ブロック1822)。一実施形態では、画像1602iに示されることができる各数の細胞(1つ、2つ、3つ、および4つの細胞等)に関連付けられる、1つの親仮説1817があり得る。代替として、画像1602iに示されることができる各数の細胞に関連付けられる、より多いまたは少ない親仮説1817があり得る。精緻化仮説1815およびそれらのスコアの集合は、精緻化仮説1815に関する分布を近似するために使用され、これは次いで、細胞の数に関する近似分布を取得するために周辺化される。次いで、この周辺分布は、親仮説1817を選択するために使用することができる。例えば、親仮説1817は、画像16021から1602iに基づいて決定される以下のもののうちの1つ以上に基づいて選択され得る:画像16021から1602iの各々における細胞の数の近似最大周辺尺度、画像16021から1602iの各々における細胞の数に関する近似同時分布、および/または画像16021から1602iの各々における細胞の数に関する周辺分布。これらの分布は、さらに図18C、19A、および19Bを参照して説明される。
図18Cは、本発明の実施形態による、仮説1606(図16A参照)から仮説1612を選択するための方法1830を図示する。図19A-19Bは、本発明の実施形態による、図16Aの画像1602に対する仮説1612の選択のための例示的なアプローチを図示する。一実施形態では、仮説1612の選択は、図17AのPGM1702に関する近似推測である。代替として、仮説1612の選択は、図17BのPGM1722に関する近似推測である。代替として、仮説1612の選択は、任意の好適な確率的グラフィカルモデルに関する近似推測であり得る。図18C、19A、および19Bを参照すると、一実施形態では、画像16021から1602Nに対する精緻化仮説1815(図18B参照)に基づいて、画像16021から1602Nの各々における細胞の数の近似最大周辺尺度1902を決定することができる(ブロック1832)。本実施例では、近似最大周辺尺度1902は、1つの細胞(1902A)、2つの細胞(1902B)、3つの細胞(1902C)、および4つの細胞(1902D)に対するものである。近似最大周辺尺度の値(Y軸)は、画像フレーム番号(1~400)に対して描画される。次いで、近似最大周辺尺度1902に基づいて、画像16021から1602Nの各々における細胞の数に関する近似同時分布を決定することができる(ブロック1834)。次いで、最も可能性の高い一連の仮説1612が、時間連続的な画像16021から1602Nにわたって決定される(ブロック1836)。一実施形態では、最も可能性の高い一連の仮説1612は、画像16021から1602Nの各々における細胞の数に関する周辺分布1904として表される。細胞の数に関するこれらの周辺分布1904は、近似同時分布に基づいて、または任意の他の好適な様式で決定することができる(ブロック1838)。選択された仮説1612は、それぞれ、画像16021、1602150、1602250、および1602400の各々について示されるように、画像16021から1602N(図19Aおよび19Bに示される実施例ではN=400)の各々に示される細胞1600i/nの推定数1906、および各選択された仮説1612に関連付けられる1つ以上の細胞1600の幾何学形状を含む、細胞1600の特性1608に関連付けられる。画像16021から1602Nの各々に示される細胞1600i/nの推定数1906は、1つの細胞(1904A)、2つの細胞(1904B)、3つの細胞(1904C)、および4つの細胞(1904D)に対する周辺分布1904の間の交差点に基づいて、決定することができる。周辺分布の値(Y軸)は、画像フレーム番号(1~400)に対して描画される。画像1602iにわたる各周辺分布1904の値は、選択された仮説1612に基づいて、周辺分布1904に関連付けられる細胞の数が画像1602iに示される確率を表す。細胞1600i/nの推定数1906の値(Y軸)もまた、画像フレーム番号(1~400)に対して描画される。
以下の実施例3は、近似最大周辺尺度1602の数学的形態(方程式(13)および(14)、実施例3参照)、および画像16021から1602Nの各々における細胞の数に関する近似同時分布(方程式(15)、実施例3参照)の実施例を詳細に例証し、その議論はここで繰り返されない。実施例3の方程式(15)は、細胞活性追跡と併せて使用され得る、分類および/またはフレーム間類似性決定等の無追跡アプローチに関連付けられる情報を含むように一般化され得る。無追跡アプローチを用いることなく細胞活性追跡が使用されるとき、細胞の数に関する近似同時分布の実施例が、方程式(6)として以下で示され、分類器に関連付けられる項
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。
ブロック1836および1838を参照すると、確率伝搬法を使用して、画像16021から1602Nの各々における細胞の数に関する周辺分布1904を決定することができる。確率伝搬法は、事前の知識を統合し、制約(減少しない数の細胞等)を実施し、細胞追跡結果、分類確率、および時間的画像類似性等の情報を融合して、大域的状況内で胚段階推定値(画像16021から1602Nの各々に示される細胞1600i/nの推定数1906等)を生成するために、使用することができる。一実施形態では、画像16021から1602Nの各々における細胞の数に関する同時分布、および画像16021から1602Nの各々における細胞の数に関する周辺分布1904を提供するために、積和確率伝搬法を使用することができる。この分布のセットは、推測細胞分裂時間に対する信頼尺度を決定するために使用することができる(図19Cを参照した説明を参照)。
一実施形態では、仮説選択(ブロック1836)によって考慮される制約は、以下のうちの1つであり、すなわち、(1)仮説1606に関連付けられる1つ以上の細胞1600の推測数が、一連の時間連続的な画像16021から1602Nにわたって経時的に減少しない、(2)1つ以上の細胞1600の推測数の変化後、1つ以上の細胞1600の推測数が、一連の時間連続的な画像16021から1602Nの第1のサブセットにわたって、ある期間で安定している、および/または(3)1つ以上の細胞1600の推測数が、一連の時間連続的な画像16021から1602Nの第2のサブセットにわたって、経時的にわずか1だけ減少し、次いで、第2のサブセットの終了時に増加する。制約(2)は、期待生物学的時間枠外で起こる細胞分裂事象等のいくつかの仮説1606の排除を促進することができる。制約(3)は、細胞1600のうちの1つ以上の細胞が分裂し、次いで、再結合し、次いで、後に再度分裂する、ヒト胚発生のシナリオに適用することができる。
一実施形態では、上で説明されるPGM1702および/または1722(図17Aおよび17B参照)に関する近似推測は、左から右の様式で(画像16021から画像1602Nに)起こり得、その後に事象推測(図18Cを参照して説明される)が続く。代替として、または加えて、仮説1815をさらに精緻化するように、および追加でまだ探索されていない仮説を検索するように、右から左への(画像16021から画像1602Nへの)画像1602の別の通過が起こることができる。代替として、または加えて、画像1602の1つ以上のサブセットの1回以上の通過が起こり得る。
一実施形態では、事象推測(図18Cを参照して説明される)が省略され得る。本実施形態では、画像16021から画像1602Nの各々における親仮説1817(図18B参照)は、選択された仮説1612であり得る。
図19Aの実施形態では、無追跡アプローチを用いることなく、細胞活性追跡が使用される。代替として、図19Bの実施形態では、分類およびフレーム間類似性決定と併せて、細胞活性追跡が使用される。画像類似性尺度1905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。分類尺度1903は、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決定され得る、細胞の数の推定事後確率(一実施形態では方程式(8)(実施例3参照)の中の
)を含み得る。
いくつかの実施形態では、複数の画像1602に関連付けられる選択された仮説1612は、細胞活性パラメータ、タイミングパラメータ、非タイミングパラメータ、および/または同等物等の1つ以上のパラメータに基づいて、生物学的活性の特徴付けを決定し、計上し、および/または別様にそれに関連付けられるために使用することができる。例えば、複数の画像1602が発育中の胚の経時的画像であるとき、各選択された仮説1612は、限定されないが、1つの細胞、2つの細胞、3つの細胞、および/または4つの細胞等のいくつかの細胞を示す、画像1602の可能性に関連付けられることができ、細胞分裂タイミング/事象を推測するために使用されることができる。そのような実施形態では、選択された仮説1612は、図18Cを参照して説明されるもの等の制約を反映することができる。したがって、選択された仮説1612は、複数の画像1602について、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(表2の中のt5)、配偶子合体と第1の細胞質分裂との間の時間間隔(表2の中のS)、および/または表2に示される他のパラメータ等の他の好適なパラメータを決定するために使用することができる。
いくつかの実施形態では、パラメータは、表2で説明および/または参照されるような1つ以上のパラメータを含むことができ、国際出願日が2012年5月31日の(PCT公開)WO2012/163363号、「Embryo Quality Assessment Based on Blastomere Cleavage and Morphology」の開示が、その全体で参照することにより組み込まれる。
本発明の側面はさらに、各選択された仮説(仮説1612(図16A参照)等)に対する信頼尺度の決定のために動作可能である。各選択された仮説に対する信頼尺度は、選択
された仮説の可能性の推定値に基づくことができる。例えば、胚発生における種々の期間(1細胞、2細胞、3細胞、および4細胞期間を含むが、それらに限定されない)が、1に近い周辺確率、および随意に、1細胞、2細胞、3細胞、および/または4細胞領域間の周辺分布1904の急な遷移によって表される場合には、選択された仮説1612に関連付けられる細胞1600i/nの推定数1906は、強く確信して信頼性があると見なすことができる。信頼尺度は、確率(0~1)、割合(0%~100%)、および/または同等物等の任意の好適な様式で表すことができる。
された仮説の可能性の推定値に基づくことができる。例えば、胚発生における種々の期間(1細胞、2細胞、3細胞、および4細胞期間を含むが、それらに限定されない)が、1に近い周辺確率、および随意に、1細胞、2細胞、3細胞、および/または4細胞領域間の周辺分布1904の急な遷移によって表される場合には、選択された仮説1612に関連付けられる細胞1600i/nの推定数1906は、強く確信して信頼性があると見なすことができる。信頼尺度は、確率(0~1)、割合(0%~100%)、および/または同等物等の任意の好適な様式で表すことができる。
このようにして、本発明の側面はさらに、信頼尺度に基づいて、選択された仮説に信頼性があるかどうかを決定するように動作可能である。例えば、選択された仮説は、信頼尺度が閾値を満たすか、または超える場合に信頼性があると見なし、そうでなければ信頼性がないと見なすことができる。換言すると、信頼性決定は、2項選択基準であり得、仮説、および/または仮説に関連付けられる画像、および/または複数の画像等を使用するか、または破棄するかどうかを、自動的に、または手動で決定するために使用することができる。いくつかの実施形態では、信頼性決定は、選択された仮説に関連付けられる細胞活性パラメータの決定および/または伝達に影響を及ぼす因子であり得る。例えば、いくつかの実施形態では、細胞活性パラメータは、各異なる細胞特性に対する選択された仮説のうちの少なくとも1つに信頼性がある場合に決定することができる。したがって、例えば、細胞活性パラメータは、1つの細胞、2つの細胞、3つの細胞、および4つの細胞の各々に関連付けられる少なくとも1つの選択された仮説1612が、信頼性があると見なされる場合に、特性108について決定されるであろう(図16A、16B参照)。いくつかの実施形態では、細胞活性パラメータは、少なくとも最小数の選択された仮説に信頼性がある場合に決定することができる。
いくつかの実施形態では、細胞活性パラメータは、各異なる数の細胞に対する(例えば、1つの細胞、2つの細胞等に対する)選択された仮説のうちの少なくとも1つが、信頼性があると見なされる場合のみ表示される。いくつかの実施形態では、細胞活性パラメータは、それに関連付けられる選択された仮説の信頼性の指標とともに表示される。このようにして、本発明の側面は、ユーザへの低信頼結果の表示を防止するように、および/または低信頼性結果をユーザに警告するように動作可能である。
いくつかの実施形態では、画像の信頼性決定に基づいて、選択基準を複数の画像に示される細胞に適用することができる。換言すると、画像ベースの信頼性決定を、画像に示される細胞の生物学的決定を行うことに変換することができる。例えば、選択基準は、細胞の発生能力、すなわち、細胞が着床した場合に、胚盤胞へ進むであろうかどうか、女性対象で着床をもたらすであろうかどうか、女性対象で着床したときに妊娠をもたらすであろうかどうか、および/または同等のものであろうかどうかに関連付けることができる。いくつかの実施形態では、1つ以上の細胞は、仮説のうちの少なくとも1つが、信頼性がないと決定される場合に、(例えば)不適合と見なすことができる。いくつかの実施形態では、そのような選択基準を適用することの結果をユーザに伝達することができる。このようにして、ユーザは、ここで説明される画像ベースの選択基準決定に基づいて、細胞を破棄するか、または使用するかどうかを決定することができる。
図19Cは、本発明の実施形態による、選択された仮説(図16Aの選択された仮説1612等)の信頼尺度の決定のため、およびこの信頼情報を適用するための例示的かつ非限定的なアプローチを図示する。画像16021から1602Nの各々に示される細胞1600i/nの推定数1906は、各画像1602iにおいて最高の可能性を有する、(本実施例では1つの細胞、2つの細胞、3つの細胞、および4つの細胞に対する)選択された仮説1612に関連付けられる。次いで、各選択された仮説に対する信頼尺度が決定される(ブロック1908)。信頼尺度は、画像16021から1602Nにわたる選択
された仮説1612のうちの1つ以上の仮説の信頼性を表すことができる。例えば、信頼尺度は、(2つの細胞に対する、図19Aおよび19B参照)周辺分布1904Bに関連付けられる最高確率、または別の好適な尺度に基づき得る。代替として、または加えて、信頼尺度は、周辺分布1904によって表されるような1細胞、2細胞、3細胞、および/または4細胞領域間の遷移の急激性に基づき得る。胚発生におけるこれらの種々の期間(1細胞、2細胞、3細胞、および4細胞期間を含むが、それらに限定されない)が、1に近い周辺確率、および随意に、1細胞、2細胞、3細胞、および/または4細胞領域間の周辺分布1904の急な遷移によって表される場合には、選択された仮説1612に関連付けられる細胞1600i/nの推定数1906は、強く確信して信頼性があると見なすことができる。信頼尺度は、0~1の値であり得、0%~100%の信頼率の値を表し得る。
された仮説1612のうちの1つ以上の仮説の信頼性を表すことができる。例えば、信頼尺度は、(2つの細胞に対する、図19Aおよび19B参照)周辺分布1904Bに関連付けられる最高確率、または別の好適な尺度に基づき得る。代替として、または加えて、信頼尺度は、周辺分布1904によって表されるような1細胞、2細胞、3細胞、および/または4細胞領域間の遷移の急激性に基づき得る。胚発生におけるこれらの種々の期間(1細胞、2細胞、3細胞、および4細胞期間を含むが、それらに限定されない)が、1に近い周辺確率、および随意に、1細胞、2細胞、3細胞、および/または4細胞領域間の周辺分布1904の急な遷移によって表される場合には、選択された仮説1612に関連付けられる細胞1600i/nの推定数1906は、強く確信して信頼性があると見なすことができる。信頼尺度は、0~1の値であり得、0%~100%の信頼率の値を表し得る。
次に、信頼尺度を閾値化することによって、選択された仮説1612の信頼性を決定することができる(ブロック1910)。例えば、選択された仮説1612は、各数の細胞に対する少なくとも1つの選択された仮説1612の信頼尺度が、少なくとも閾値である場合に、全体的に信頼性があると見なすことができる。閾値は、限定されないが、0.5、0.6、0.7、0.8、0.9、または1.0等の0~1の任意の好適な値であり得る。いくつかの実施形態では、選択された仮説1612が、信頼性がないと見なされる場合、仮説1612の非信頼性の指標が表示され得る。
次に、選択された仮説1612が、信頼性があると見なされる場合、および/または信頼性のない結果についてそのように特定される場合、細胞分裂事象、細胞分裂および/または成長の持続時間、および/または同等物等のパラメータの特徴付けに基づいて、細胞活性を決定することができる(ブロック1912)。次に、着床のために画像1602に示される胚を容認するか、または拒絶するかどうかを決定するために、選択基準を適用することができる(ブロック1914)。選択基準は、ブロック1910で行われる閾値化に基づいて、および随意に、ブロック1912で行われるパラメータ特徴付けに基づいて決定することができる。
一実施形態では、選択基準に基づいて、仮説1612のうちの少なくとも1つが、信頼性がないと見なされる場合に、女性のヒト対象への着床のための胚の拒絶を表示することができる。代替として、または加えて、女性のヒト対象への着床のための胚の発生能力の指標を表示することができ、指標は、選択基準に基づいて決定される仮説1612のうちの少なくとも1つの信頼性に基づく。発生能力の拒絶および/または指標が、信頼尺度に基づく、仮説1612のうちの少なくとも1つの信頼性の指標とともに表示され得る。
図8を参照すると、ここで、システム800が、本発明による、自動細胞追跡について、および信頼推定について説明される。いくつかの実施形態では、表示デバイス806はさらに、複数の仮説の信頼性の指標を提示するように構成される。
いくつかの実施形態では、コンピュータ装置804は、細胞活性の自動評価のために構成され得る。いくつかの実施形態では、コンピュータ装置804は、画像に示される1つ以上の細胞を特徴付ける複数の仮説を生成するように構成され得、複数の仮説は、画像に示される1つ以上の細胞の幾何学的特徴に基づく、細胞のうちの1つ以上の細胞の推測特性を含む。コンピュータ装置はさらに、画像に関連付けられる複数の仮説からある仮説を選択するように構成され得る。コンピュータ装置804はさらに、仮説に関連付けられる推測特性に基づいて、細胞のうちの1つ以上の細胞の特性を決定するように構成され得る。1つ以上の細胞は、多細胞胚に含まれ得る。1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、あるいは1つ以上の多能性細胞に含まれ得る。
いくつかの実施形態では、コンピュータ装置804は、画像に示される1つ以上の細胞の幾何学的特徴との推測特性の適合性に基づいて、仮説を選択するように構成され得る。幾何学的特徴は、1つ以上の細胞の各々に関連付けられる境界情報を含み得る。境界情報は、1つ以上の境界区画を含み得る。コンピュータ装置は、1つ以上の細胞の各々に関連付けられる、1つ以上の境界区画を決定するように構成され得る。
いくつかの実施形態では、コンピュータ装置804は、1つ以上の細胞の各々の表現を1つ以上の境界区画にマップするように構成され得る。いくつかの実施形態では、コンピュータ装置804はさらに、第1の境界区画を、細胞のうちのいずれとも関連付けられないヌル識別子にマップするように構成され得、境界区画は、細胞の各々にマップされる境界区画のうちの関連する1つ以上の境界区画、および第1の境界区画を含む。
いくつかの実施形態では、コンピュータ装置804は、細胞のうちの1つ以上の細胞の特性に基づいて、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つ以上のものを決定するように構成され得る。
いくつかの実施形態では、コンピュータ装置804は、画像に示される1つ以上の細胞を特徴付ける予備仮説を生成するように構成され得る。コンピュータ装置804はさらに、画像に示される1つ以上の細胞の関連幾何学的特徴に基づいて、予備仮説を精緻化して、複数の仮説のうちの1つ以上の仮説を取得するように構成され得る。予備仮説は、1つ以上の細胞の各々に関連付けられる1つ以上の境界区画への1つ以上の細胞の各々の表現のマッピングに基づいて、精緻化され得る。
いくつかの実施形態では、予備仮説は、複数の第1の形状を含み得、複数の第1の形状の各々は、第1の形状パラメータ値によって画定され、細胞の各々は、複数の第1の形状のうちの関連するものによって特徴付けられる。コンピュータ装置が予備仮説を精緻化するように構成されることは、複数の第2の形状の各々を、画像に示される1つ以上の細胞の関連幾何学的特徴に適合させるように構成されることを含む。複数の第1の形状の各々、および複数の第2の形状の各々は、楕円であり得る。代替として、複数の第1の形状の各々、および複数の第2の形状の各々は、bスプラインであり得る。
いくつかの実施形態では、コンピュータ装置804は、細胞の一連の時間連続的な画像から、1つ以上の細胞の各々に関連付けられる境界情報を決定するように構成され得、画像は、一連の時間連続的な画像に含まれる第1の画像である。コンピュータ装置804はさらに、以前に選択された仮説を修正することによって、予備仮説を生成するように構成され得、以前に選択された仮説は、一連の時間連続的な画像に含まれる第2の画像に示されるような細胞を特徴付け、第2の画像は、第1の画像に先立つ。一連の時間連続的な画像は、一連の経時的画像であり得る。
いくつかの実施形態では、画像は、第1の画像であり得、コンピュータ装置504が、第1の画像に示されるような細胞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ることは、第1の画像を含む一連の画像にわたって、最も可能性の高い一連の仮説を決定するように構成されることを含み得る。
いくつかの実施形態では、一連の画像は、一連の時間連続的な画像であり得る。コンピュータ装置804が、一連の時間連続的な画像にわたって、最も可能性の高い一連の仮説を決定するように構成されることは、一連の時間連続的な画像のうちの2つ以上の画像に
わたって、細胞のうちの1つ以上の細胞の推測特性が、どのように変動し得るかを制限する制約を考慮するように構成されることを含み得る。制約は、(1)1つ以上の細胞の推測数が、一連の時間連続的な画像にわたって経時的に減少していないこと、(2)1つ以上の細胞の推測数の変化後、1つ以上の細胞の推測数が、一連の時間連続的な画像の第1のサブセットにわたって、ある期間で安定していること、および(3)1つ以上の細胞の推測数が、一連の時間連続的な画像の第2のサブセットにわたって、経時的にわずか1だけ減少し、次いで、第2のサブセットの終了時に増加することから成る群から選択され得る。
わたって、細胞のうちの1つ以上の細胞の推測特性が、どのように変動し得るかを制限する制約を考慮するように構成されることを含み得る。制約は、(1)1つ以上の細胞の推測数が、一連の時間連続的な画像にわたって経時的に減少していないこと、(2)1つ以上の細胞の推測数の変化後、1つ以上の細胞の推測数が、一連の時間連続的な画像の第1のサブセットにわたって、ある期間で安定していること、および(3)1つ以上の細胞の推測数が、一連の時間連続的な画像の第2のサブセットにわたって、経時的にわずか1だけ減少し、次いで、第2のサブセットの終了時に増加することから成る群から選択され得る。
いくつかの実施形態では、1つ以上の細胞の推測特性は、1つ以上の細胞の推測数および1つ以上の細胞の推測幾何学形状のうちの少なくとも1つを含み得る。1つ以上の細胞の特性は、1つ以上の細胞の数および1つ以上の細胞の幾何学形状のうちの少なくとも1つを含み得る。1つ以上の細胞の推測幾何学形状は、1つ以上の細胞の推測形状、および1つ以上の細胞の推測配列を含み得る。1つ以上の細胞の幾何学形状は、1つ以上の細胞の形状、および1つ以上の細胞の配列を含み得る。1つ以上の細胞の数は、仮説に関連付けられる推測数と同一であり得る。1つ以上の細胞の幾何学形状は、仮説に関連付けられる1つ以上の細胞の推測幾何学形状と同一であり得る。
いくつかの実施形態では、コンピュータ装置804は、複数の仮説の各々に関連付けられる細胞のうちの1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の関連幾何学的特徴との間の差異に基づいて、複数の仮説からある仮説を選択するように構成され得る。いくつかの実施形態では、コンピュータ装置804は、複数の仮説の各々に関連付けられる細胞のうちの1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の関連幾何学的特徴との間の適合性に基づいて、複数の仮説からある仮説を選択するように構成され得る。
いくつかの実施形態では、コンピュータ装置804は、1つ以上の細胞の各々に関連付けられる、1つ以上の境界区画を決定するように構成され得る。いくつかの実施形態では、コンピュータ装置が、1つ以上の細胞の各々の1つ以上の境界区画を決定するように構成されることは、限定されないが、隆起検索区画生成等の区画生成を行うように構成されることを含み得る。いくつかの実施形態では、コンピュータ装置804が、1つ以上の細胞の各々の1つ以上の境界区画を決定するように構成されることは、第1の境界区画および第2の境界区画を、1つ以上の細胞のうちの少なくとも1つの1つ以上の境界区画に含まれる第3の境界区画に合併するように構成されることを含み得る。
いくつかの実施形態では、コンピュータ装置804は、複数の仮説のうちの1つ以上の仮説の可能性の推定値に基づいて、複数の仮説に関連付けられる信頼尺度を決定するように構成され得る。複数の仮説の各々は、複数の画像のうちの関連する1つ以上の画像に示される、1つ以上の細胞を特徴付ける。いくつかの実施形態では、コンピュータ装置804はさらに、複数の仮説の各々に関連付けられる、1つ以上の細胞の各々の推定幾何学形状と、1つ以上の細胞の1つ以上の画像から決定される、1つ以上の細胞の各々の境界との間の差異に基づいて、複数の仮説を選択するように構成される。いくつかの実施形態では、コンピュータ装置804はさらに、複数の仮説の各々に関連付けられる、1つ以上の細胞の各々の推定幾何学形状と、1つ以上の細胞の1つ以上の画像から決定される、1つ以上の細胞の各々の境界との間の適合性に基づいて、複数の仮説を選択するように構成される。
いくつかの実施形態では、複数の画像は、一連の経時的画像であり、複数の仮説のうちの1つ以上の仮説の可能性の推定値は、一連の経時的画像の各々に示される細胞の数が経時的に減少しないという制約を考慮する。
コンピュータ装置804はさらに、信頼尺度に基づいて、複数の仮説の信頼性を決定するように構成され得る。いくつかの実施形態では、複数の仮説の各々は、1つ以上の細胞の数の推定値、1つ以上の細胞の各々の形状の推定値、および1つ以上の細胞の配列の推定値のうちの1つ以上のものに基づく。
いくつかの実施形態では、コンピュータ装置804はさらに、複数の画像の各々の中の1つ以上の細胞に関連付けられる境界を検出するように構成され得る。複数の仮説の各々は、境界のうちの関連する1つ以上の境界に基づき得る。いくつかの実施形態では、境界の各々は、1つ以上の境界区画を含み得る。
いくつかの実施形態では、複数の仮説は、1つ以上の細胞の発生能に関連付けられる細胞活性の特徴付けに関連付けられる。いくつかの実施形態では、細胞活性の特徴付けは、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。
いくつかの実施形態では、表示デバイス806は、細胞のうちの1つ以上の細胞の特性に基づいて、女性のヒト対象への着床のための細胞のうちの1つ以上の細胞の発生能力の指標を表示するように構成され得る。
いくつかの実施形態では、表示デバイス806はさらに、複数の仮説の信頼性の指標を提示するように構成され得、入力インターフェース808はさらに、表示デバイス806を介した提示に応答して、1つ以上の細胞の発生能力を示す入力を受信するように構成され得る。いくつかの実施形態では、表示デバイス806は、複数の仮説のうちの少なくとも1つが、信頼性があると決定される場合のみ、細胞活性の特徴付けを表示するように構成される。いくつかの実施形態では、表示デバイスは、細胞活性の特徴付け、および細胞活性の特徴付けに関連付けられる複数の仮説のうちの少なくとも1つの信頼性の指標を表示するように構成される。
いくつかの実施形態では、コンピュータ装置804はさらに、分類を行って、1つ以上の細胞の特性の決定を増補するように構成され得る。代替として、または加えて、コンピュータ装置804はさらに、画像類似性決定を行って、1つ以上の細胞の特性の決定を増補するように構成され得る。
いくつかの実施形態では、コンピュータ装置804はさらに、複数の仮説のうちの少なくとも1つの信頼性を決定することの一環として、信頼尺度に基づいて、選択基準を1つ以上の細胞に適用するように構成され得る。いくつかの実施形態では、選択基準は、女性のヒト対象への着床のための1つ以上の細胞の発生能力に関連付けられる。いくつかの実施形態では、選択基準は、信頼尺度の1つ以上の閾値に基づく。いくつかの実施形態では、表示デバイス806は、選択基準を適用することの結果を表示するように構成される。
いくつかの実施形態では、コンピュータ装置804はさらに、選択基準に基づいて、複数の仮説のうちの少なくとも1つが、信頼性がないと決定される場合に、女性のヒト対象への着床のための1つ以上の細胞を拒絶するように構成され得る。いくつかの実施形態では、表示デバイス806はさらに、選択基準に基づいて決定される、複数の仮説のうちの少なくとも1つの信頼性に基づいて、女性のヒト対象への着床のための1つ以上の細胞の発生能力の指標を表示するように構成され得る。
ここで図9を参照すると、いくつかの実施形態では、プロセッサ912はさらに、境界検出モジュール922と、仮説生成モジュール924と、仮説選択モジュール926と、信頼モジュール928と、信頼性決定モジュール930と、マッピングモジュール932と、細胞活性パラメータ決定モジュール933とを含む。
いくつかの実施形態では、仮説選択モジュール926は、画像に示される1つ以上の細胞を特徴付ける、複数の仮説からある仮説を選択するように構成され得る。複数の仮説の各々は、画像に示される1つ以上の細胞の幾何学的特徴に基づいて、細胞のうちの1つ以上の細胞の推測特性を含み得る。仮説選択モジュール926はさらに、仮説に関連付けられる推測特性に基づいて、細胞のうちの1つ以上の細胞の特性を決定するように構成され得る。仮説選択モジュール926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得る。1つ以上の細胞は、多細胞胚に含まれ得る。1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、あるいは1つ以上の多能性細胞に含まれ得る。
いくつかの実施形態では、仮説選択モジュール926は、画像に示される1つ以上の細胞の幾何学的特徴との推測特性の適合性に基づいて、仮説を選択するように構成され得る。幾何学的特徴は、1つ以上の細胞の各々に関連付けられる境界情報を含み得る。境界情報は、1つ以上の境界区画を含み得る。コンピュータ装置は、1つ以上の細胞の各々に関連付けられる、1つ以上の境界区画を決定するように構成され得る。
いくつかの実施形態では、1つ以上の細胞の推測特性は、1つ以上の細胞の推測数、および1つ以上の細胞の推測幾何学形状のうちの少なくとも1つを含み得る。1つ以上の細胞の特性は、1つ以上の細胞の数、および1つ以上の細胞の幾何学形状のうちの少なくとも1つを含み得る。1つ以上の細胞の数は、仮説に関連付けられる推測数と同一であり得る。1つ以上の細胞の幾何学形状は、仮説に関連付けられる1つ以上の細胞の推測幾何学形状と同一であり得る。
いくつかの実施形態では、仮説選択モジュール926は、複数の仮説の各々に関連付けられる細胞のうちの1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の関連幾何学的特徴との間の差異に基づいて、複数の仮説からある仮説を選択するように構成され得る。仮説選択モジュール926は、複数の仮説の各々に関連付けられる細胞のうちの1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の関連幾何学的特徴との間の適合性に基づいて、複数の仮説からある仮説を選択するように構成され得る。
いくつかの実施形態では、画像は、第1の画像である。仮説選択モジュール926は、第1の画像を含む一連の画像にわたる最も可能性の高い一連の仮説の決定に基づいて、第1の画像に示されるような細胞を特徴付ける、複数の仮説からある仮説を選択するように構成され得る。
いくつかの実施形態では、一連の画像は、一連の時間連続的な画像である。仮説選択モジュール926は、一連の時間連続的な画像のうちの2つ以上の画像にわたって、1つ以上の細胞の推測特性が、どのように変動し得るかを制限する制約を考慮して、一連の時間連続的な画像にわたって最も可能性の高い一連の仮説を決定するように構成され得る。制約は、(1)1つ以上の細胞の推測数が、一連の時間連続的な画像にわたって経時的に減少していないこと、(2)1つ以上の細胞の推測数の変化後、1つ以上の細胞の推測数が、一連の時間連続的な画像の第1のサブセットにわたって、ある期間で安定していること、および(3)1つ以上の細胞の推測数が、一連の時間連続的な画像の第2のサブセットにわたって、経時的にわずか1だけ減少し、次いで、第2のサブセットの終了時に増加す
ることから成る群から選択され得る。
ることから成る群から選択され得る。
いくつかの実施形態では、仮説生成モジュール924は、画像に示される1つ以上の細胞の関連幾何学的特徴に基づいて、複数の仮説を生成するように構成され得る。仮説生成モジュール924は、画像に示されるような細胞を特徴付ける、予備仮説を生成するように構成され得、画像に示される1つ以上の細胞の幾何学的特徴に基づいて、予備仮説を精緻化して、複数の仮説のうちの1つ以上の仮説を取得するように構成され得る。仮説生成モジュール924は、予備仮説によって特徴付けられるような1つ以上の境界区画への1つ以上の細胞の表現のマッピングに基づいて、予備仮説を精緻化するように構成され得る。
いくつかの実施形態では、予備仮説は、複数の第1の形状を含み得、複数の第1の形状の各々は、第1の形状パラメータ値によって画定され、細胞のうちの1つ以上の細胞の各々は、複数の第1の形状のうちの関連するものによって特徴付けられる。仮説生成モジュール924は、画像に示される1つ以上の細胞の関連幾何学的特徴への複数の第2の形状の各々の適合に基づいて、予備仮説を精緻化するように構成され得る。複数の第1の形状の各々、および複数の第2の形状の各々は、楕円であり得る。代替として、複数の第1の形状の各々、および複数の第2の形状は、bスプラインであり得る。
いくつかの実施形態では、境界検出モジュール922は、画像に基づいて、1つ以上の細胞の各々に関連付けられる境界情報を決定するように構成され得る。境界検出モジュール922はさらに、細胞の一連の時間連続的な画像から境界情報を決定するように構成され得る。画像は、一連の時間連続的な画像に含まれる第1の画像であり得る。仮説生成モジュール924はさらに、以前に選択された仮説を修正することによって、予備仮説を決定するように構成され得、以前に選択された仮説は、一連の時間連続的な画像に含まれる第2の画像であって、第1の画像に先立つ第2の画像に示されるような細胞を特徴付ける。
いくつかの実施形態では、境界検出モジュール922は、画像に基づいて、細胞のうちの1つ以上の細胞の各々に関連付けられる、1つ以上の境界区画を決定するように構成され得る。境界検出モジュール922はさらに、限定されないが、隆起検索区画生成等の区画生成を行って、1つ以上の境界区画を決定するように構成され得る。
いくつかの実施形態では、境界検出モジュール922は、画像に基づいて、細胞のうちの1つ以上の細胞の各々に関連付けられる、1つ以上の境界区画を決定するように構成され得る。境界検出モジュール922はさらに、区画合併を行って、1つ以上の境界区画のうちの少なくとも1つを決定するように構成され得る。例えば、境界検出モジュール922は、第1の境界区画および第2の境界区画を、1つ以上の境界区画に含まれる第3の境界区画に合併するように構成され得る。
いくつかの実施形態では、細胞活性パラメータ決定モジュール933は、1つ以上の細胞の特性に基づいて、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つ以上のもの決定するように構成され得る。
いくつかの実施形態では、マッピングモジュール932は、細胞のうちの1つ以上の細胞の各々の表現を、複数の仮説の各々によって特徴付けられるような関連する1つ以上の境界区画にマップするように構成され得る。いくつかの実施形態では、境界区画は、1つ
以上の境界区画と、第1の境界区画とを含み得る。マッピングモジュールは、第1の境界区画を、細胞のうちのいずれとも関連付けられないヌル識別子にマップするように構成され得る。
以上の境界区画と、第1の境界区画とを含み得る。マッピングモジュールは、第1の境界区画を、細胞のうちのいずれとも関連付けられないヌル識別子にマップするように構成され得る。
いくつかの実施形態では、信頼モジュール928は、複数の仮説のうちの1つ以上の仮説の可能性の推定値に基づいて、複数の仮説に関連付けられる信頼尺度を決定するように構成され得る。複数の仮説の各々は、複数の画像のうちの関連する1つ以上の画像に示される、1つ以上の細胞を特徴付ける。
いくつかの実施形態では、信頼性決定モジュール930は、信頼尺度に基づいて、複数の仮説のうちの少なくとも1つの信頼性を決定するように構成され得る。いくつかの実施形態では、信頼性決定モジュール930はさらに、信頼尺度に基づいて、選択基準を1つ以上の細胞に適用するように構成され得る。いくつかの実施形態では、選択基準は、女性のヒト対象への着床のための1つ以上の細胞の発生能力に関連付けられる。
いくつかの実施形態では、複数の仮説は、第1の複数の仮説であり、仮説生成モジュール924は、第1の複数の仮説を含む、第2の複数の仮説を決定するように構成され得る。第2の複数の仮説の各々は、1つ以上の細胞の数の推定値、1つ以上の細胞の各々の形状の推定値、および1つ以上の細胞の配列の推定値のうちの1つ以上のものに基づく。
いくつかの実施形態では、仮説選択モジュール926は、複数の仮説の各々に関連付けられる、1つ以上の細胞の各々の推測幾何学形状と、1つ以上の細胞の1つ以上の画像から決定される、1つ以上の細胞の各々の境界との間の差異に基づいて、複数の仮説を選択するように構成され得る。いくつかの実施形態では、境界の各々は、1つ以上の境界区画を含む。いくつかの実施形態では、仮説選択モジュール926は、複数の仮説の各々に関連付けられる、1つ以上の細胞の各々の推測幾何学形状と、1つ以上の細胞の1つ以上の画像から決定される、1つ以上の細胞の各々の境界との間の適合性に基づいて、複数の仮説を選択するように構成され得る。いくつかの実施形態では、境界の各々は、1つ以上の境界区画を含む。
いくつかの実施形態では、境界検出モジュール922は、複数の画像の各々の中の1つ以上の細胞に関係付けられる、境界を検出するように構成され得る。複数の仮説の各々は、境界のうちの関連する1つ以上の境界に基づく。いくつかの実施形態では、境界の各々は、1つ以上の境界区画を含む。
いくつかの実施形態では、表示モジュール942は、複数の仮説のうちの少なくとも1つが、信頼性があると決定される場合のみ、細胞活性の特徴付けを表示するように構成され得る。いくつかの実施形態では、表示モジュール942はさらに、細胞活性の特徴付け、および細胞活性の特徴付けに関連付けられる複数の仮説のうちの少なくとも1つの信頼性の指標を表示するように構成され得る。いくつかの実施形態では、表示モジュール942はさらに、選択基準を適用することの結果を表示するように構成され得る。いくつかの実施形態では、表示モジュール942はさらに、1つ以上の細胞の特性に基づいて、および/または選択基準に基づいて決定される複数の仮説のうちの少なくとも1つの信頼性に基づいて、女性のヒト対象への着床のための1つ以上の細胞の発生能力の指標を表示するように構成され得る。
いくつかの実施形態では、分類モジュール936は、仮説選択モジュール926による、1つ以上の細胞の特性の決定を増補するように構成され得る。
いくつかの実施形態では、プロセッサ912はさらに、以前に説明された、結果決定モ
ジュール938を含み得る。
ジュール938を含み得る。
いくつかの実施形態では、プロセッサ912はさらに、画像類似性決定モジュール941を含み得る。画像類似性決定モジュール941は、仮説選択モジュール926による、1つ以上の細胞の特性の決定を増補するように構成され得る。
図20は、本発明の実施形態による、細胞活性の自動評価のための方法2000を図示する。1つ以上の細胞を特徴付ける、複数の仮説が生成される(ブロック2010)。1つ以上の細胞の幾何学的特徴に基づいて、1つ以上の細胞の推測特性が決定され得る(ブロック2012)。次に、複数の仮説から仮説が選択される(ブロック2020)。次に、第1の仮説に関連付けられる推測特性に基づいて、細胞のうちの1つ以上の細胞の特性が決定され得る(ブロック2030)。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法は、画像に示される1つ以上の細胞を特徴付ける、複数の仮説を生成することを含み、複数の仮説を生成することは、画像に示される1つ以上の細胞の幾何学的特徴に基づいて、1つ以上の細胞の推測特性を決定することを含む。細胞活性の自動非侵襲評価のための方法はさらに、画像に関連付けられる複数の仮説からある仮説を選択することを含む。本方法は、仮説に関連付けられる推測特性に基づいて、細胞のうちの1つ以上の細胞の特性を決定することを含み得る。
いくつかの実施形態では、1つ以上の細胞は、多細胞胚に含まれる。
細胞活性の自動非侵襲評価のための方法のいくつかの実施形態では、仮説を選択することは、画像に示される1つ以上の細胞の幾何学的特徴との推測特性の適合性に基づく。幾何学的特徴は、1つ以上の細胞の各々に関連付けられる境界情報を含み得る。境界情報は、1つ以上の境界区画を含み得る。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、1つ以上の境界区画への1つ以上の細胞の各々の表現のマッピングを含み得る。いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、第1の境界区画を、細胞のうちのいずれとも関連付けられないヌル識別子にマップすることを含み、境界区画は、1つ以上の細胞の各々にマップされる境界区画のうちの関連する1つ以上の境界区画、および第1の境界区画を含む。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、1つ以上の細胞の特性の決定を増補するために、分類を行うことを含む。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、1つ以上の細胞の特性の決定を増補するために、画像類似性決定を行うことを含む。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、1つ以上の細胞の特性に基づいて、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つ以上のものを決定することを含む。
いくつかの実施形態では、1つ以上の細胞の推測特性は、1つ以上の細胞の推測数、および1つ以上の細胞の推測幾何学形状のうちの少なくとも1つを含み、1つ以上の細胞の
特性は、1つ以上の細胞の数、および1つ以上の細胞の幾何学形状のうちの少なくとも1つを含む。いくつかの実施形態では、1つ以上の細胞の推定幾何学形状は、1つ以上の細胞の推定形状、および1つ以上の細胞の推定配列を含む。いくつかの実施形態では、1つ以上の細胞の幾何学形状は、1つ以上の細胞の形状、および1つ以上の細胞の配列を含む。いくつかの実施形態では、1つ以上の細胞の数は、仮説に関連付けられる推測数と同一である。いくつかの実施形態では、1つ以上の細胞の幾何学形状は、仮説に関連付けられる1つ以上の細胞の推測幾何学形状と同一である。いくつかの実施形態では、複数の仮説からある仮説を選択することは、複数の仮説の各々に関連付けられる1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の幾何学的特徴との間の差異に基づく。いくつかの実施形態では、複数の仮説からある仮説を選択することは、複数の仮説の各々に関連付けられる1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の幾何学的特徴との間の適合性に基づく。
特性は、1つ以上の細胞の数、および1つ以上の細胞の幾何学形状のうちの少なくとも1つを含む。いくつかの実施形態では、1つ以上の細胞の推定幾何学形状は、1つ以上の細胞の推定形状、および1つ以上の細胞の推定配列を含む。いくつかの実施形態では、1つ以上の細胞の幾何学形状は、1つ以上の細胞の形状、および1つ以上の細胞の配列を含む。いくつかの実施形態では、1つ以上の細胞の数は、仮説に関連付けられる推測数と同一である。いくつかの実施形態では、1つ以上の細胞の幾何学形状は、仮説に関連付けられる1つ以上の細胞の推測幾何学形状と同一である。いくつかの実施形態では、複数の仮説からある仮説を選択することは、複数の仮説の各々に関連付けられる1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の幾何学的特徴との間の差異に基づく。いくつかの実施形態では、複数の仮説からある仮説を選択することは、複数の仮説の各々に関連付けられる1つ以上の細胞の推測幾何学形状と、画像に示される1つ以上の細胞の幾何学的特徴との間の適合性に基づく。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、1つ以上の細胞の特性に基づいて、女性のヒト対象への着床のための1つ以上の細胞の発生能力の指標を表示することを含み得る。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、1つ以上の細胞の各々に関連付けられる、1つ以上の境界区画を決定することを含む。いくつかの実施形態では、1つ以上の細胞の各々の1つ以上の境界区画を決定することは、限定されないが、隆起検索区画生成等の区画生成を行うことを含む。いくつかの実施形態では、1つ以上の細胞の各々の1つ以上の境界区画を決定することは、第1の境界区画および第2の境界区画を、1つ以上の細胞のうちの少なくとも1つの1つ以上の境界区画に含まれる、第3の境界区画に合併することを含む。
いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、1つ以上の細胞を特徴付ける予備仮説を生成することと、画像に示される1つ以上の細胞の関連幾何学的特徴に基づいて、複数の仮説のうちの1つ以上の仮説を取得するように、予備仮説を精緻化することとを含む。いくつかの実施形態では、予備仮説は、複数の第1の形状を含み、複数の第1の形状の各々は、第1の形状パラメータ値によって画定され、細胞の各々は、複数の第1の形状のうちの関連するものによって特徴付けられる。いくつかの実施形態では、予備仮説を精緻化することは、複数の第2の形状の各々を、画像に示される1つ以上の細胞の関連幾何学的特徴に適合させることを含む。いくつかの実施形態では、複数の第1の形状の各々、および複数の第2の形状の各々は、楕円である。いくつかの実施形態では、複数の第1の形状の各々、および複数の第2の形状は、bスプラインである。いくつかの実施形態では、細胞活性の自動非侵襲評価のための方法はさらに、細胞の一連の時間連続的な画像から、1つ以上の細胞の各々に関連付けられる境界情報を決定することであって、画像は、一連の時間連続的な画像に含まれる、第1の画像である、ことと、以前に生成された仮説を修正することによって、予備仮説を生成することとを含み、以前に生成された仮説は、一連の時間連続的な画像に含まれる第2の画像であって、第1の画像に先立つ第2の画像に示されるような細胞を特徴付ける。いくつかの実施形態では、一連の時間連続的な画像は、一連の経時的画像である。
いくつかの実施形態では、画像は、第1の画像であり、第1の画像に示されるような1つ以上の細胞を特徴付ける、複数の仮説からある仮説を選択することは、第1の画像を含む一連の画像にわたって最も可能性の高い一連の仮説を決定することを含む。いくつかの実施形態では、一連の画像は、一連の時間連続的な画像であり、一連の画像にわたって最も可能性の高い一連の仮説を決定することは、一連の時間連続的な画像のうちの2つ以上の画像にわたって、1つ以上の細胞の推測特性が、どのように変動し得るかを制限する制約を考慮する。いくつかの実施形態では、制約は、1つ以上の細胞の推測数が、一連の時
間連続的な画像にわたって経時的に減少していないこと、1つ以上の細胞の推測数の変化後、1つ以上の細胞の推測数が、一連の時間連続的な画像の第1のサブセットにわたって、ある期間で安定していること、および1つ以上の細胞の推測数が、一連の時間連続的な画像の第2のサブセットにわたって、経時的にわずか1だけ減少し、次いで、第2のサブセットの終了時に増加することから成る群から選択される。
間連続的な画像にわたって経時的に減少していないこと、1つ以上の細胞の推測数の変化後、1つ以上の細胞の推測数が、一連の時間連続的な画像の第1のサブセットにわたって、ある期間で安定していること、および1つ以上の細胞の推測数が、一連の時間連続的な画像の第2のサブセットにわたって、経時的にわずか1だけ減少し、次いで、第2のサブセットの終了時に増加することから成る群から選択される。
いくつかの実施形態では、細胞は、ヒト胚、1つ以上の卵母細胞、あるいは1つ以上の多能性細胞に含まれる。
図21は、本発明の実施形態による、信頼性決定を含む、細胞活性の自動評価のための本発明の方法2100を図示する。信頼尺度が決定され、信頼尺度は、複数の仮説のうちの1つ以上の仮説の可能性の推定値に基づいて、複数の仮説に関連付けられる(ブロック2110)。複数の仮説の各々は、複数の画像のうちの関連する1つ以上の画像に示される、1つ以上の細胞を特徴付ける。信頼尺度に基づいて、複数の仮説のうちの少なくとも1つの信頼性が決定される(ブロック2120)。
いくつかの実施形態では、細胞活性の自動評価のための方法は、複数の仮説のうちの1つ以上の仮説の可能性の推定値に基づいて、複数の仮説に関連付けられる信頼尺度を決定することを含み、複数の仮説の各々は、複数の画像のうちの関連する1つ以上の画像に示される、1つ以上の細胞を特徴付ける。細胞活性の自動評価のための方法はさらに、信頼尺度に基づいて、複数の仮説のうちの少なくとも1つの信頼性を決定することを含む。
いくつかの実施形態では、1つ以上の細胞は、ヒト胚、1つ以上の卵母細胞、あるいは1つ以上の多能性細胞に含まれる。
いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、複数の仮説の各々に関連付けられる、1つ以上の細胞の各々の推定幾何学形状と、1つ以上の細胞の1つ以上の画像から決定される、1つ以上の細胞の各々の境界との間の差異に基づいて、複数の仮説を選択することを含む。いくつかの実施形態では、境界の各々は、1つ以上の境界区画を含む。
いくつかの実施形態では、複数の画像は、暗視野照明顕微鏡法によって取得される。
いくつかの実施形態では、複数の仮説の各々は、1つ以上の細胞の数の推定値、1つ以上の細胞の各々の形状の推定値、および1つ以上の細胞の配列の推定値のうちの1つ以上のものに基づく。
いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、複数の画像の各々の中の1つ以上の細胞に関連付けられる、境界を検出することを含み、複数の仮説の各々は、境界のうちの関連する1つ以上の境界に基づく。いくつかの実施形態では、境界の各々は、1つ以上の境界区画を含む。
いくつかの実施形態では、複数の仮説は、1つ以上の細胞の発生能に関連付けられる、細胞活性の特徴付けに関連付けられる。いくつかの実施形態では、細胞活性の特徴付けは、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。いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、複数の仮説のうちの少なくとも1つが、信頼性があると決定される場合のみ、
細胞活性の特徴付けを表示することを含む。いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、細胞活性の特徴付け、および細胞活性の特徴付けに関連付けられる複数の仮説のうちの少なくとも1つの信頼性の指標を表示することを含む。
細胞活性の特徴付けを表示することを含む。いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、細胞活性の特徴付け、および細胞活性の特徴付けに関連付けられる複数の仮説のうちの少なくとも1つの信頼性の指標を表示することを含む。
いくつかの実施形態では、複数の画像は、一連の経時的画像であり、複数の仮説のうちの1つ以上の仮説の可能性の推定値は、一連の経時的画像の各々に示される細胞の数が経時的に減少しないという制約を考慮する。
いくつかの実施形態では、複数の仮説のうちの少なくとも1つの信頼性を決定することは、信頼尺度に基づいて、選択基準を1つ以上の細胞に適用することを含む。いくつかの実施形態では、選択基準は、女性のヒト対象への着床のための1つ以上の細胞の発生能力に関連付けられる。いくつかの実施形態では、選択基準は、信頼尺度の1つ以上の閾値に基づく。いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、選択基準を適用することの結果を表示することを含む。いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、選択基準に基づいて、複数の仮説のうちの少なくとも1つが、信頼性がないと見なされる場合に、女性のヒト対象への着床のための1つ以上の細胞を拒絶することを含む。いくつかの実施形態では、細胞活性の自動評価のための方法はさらに、選択基準に基づいて決定される複数の仮説のうちの少なくとも1つの信頼性に基づいて、女性のヒト対象への着床のための1つ以上の細胞の発生能力の指標を表示することを含む。
(実施例3)
ヒト胚追跡は、高次元検索空間、弱特徴、異常値、閉塞、欠落したデータ、複数の相互作用する変形可能な標的、変化する局所構造、および弱運動モデルを含む、課題に直面し得る。本実施例は、それらの空間的および時間的コンテキストともに、判別可能な画像および幾何学的特徴の豊富なセットを使用することによって、これらに対処する。一実施形態では、問題は、追跡ベースおよび無追跡アプローチを組み合わせる、条件付き確率場(CRF)枠組みにおける増補同時分割および分類として提起される。CRF上のマルチパスデータ駆動型近似推測が行われる。分裂事象は、389個の臨床画像シーケンスの65%において、30分以内までに発生の最初の48時間中に測定され、これは、純粋に追跡ベースまたは無追跡アプローチと比べて19%向上を表す。
(増補同時分割および分類)
増補同時分割および分類は、分裂事象を推定するために、追跡ベースおよび無追跡アプローチを活用する。両方の種類の特徴が抽出され、CRFに追加される。次いで、近似推測が行われる。
(特徴抽出)
一実施形態では、追跡に使用される画像特徴は、図16Aで描写される区画1604である。より少ない区画1604が、追跡の数を削減する。本実施例では、各ピクセルの強度および配向角を提供する、ヘッシアン演算子を使用して、境界点が抽出される。ヒステリシス閾値化とともにこの情報を使用して、有向局所検索が、一貫した境界ピクセルについて行われる。後続の合併推測は、区画をより大きい区画のより小さいセットに組み込む。このステップは、頂点が区画であり、縁が区画の合併を示す、グラフ上でグラフ分割として策定される。分割の数は、事前に分かっていない。
一実施形態では、枠組みの無追跡部分は、細胞の数について訓練されるフレーム毎の分
類器(図1Aを参照して説明される分類器102等)、およびフレーム間類似性尺度を使用する。本実施例では、分類器は、262個の手作りで自動的に学習される判別可能な特徴の豊富なセットを使用する。類似性尺度は、正規化相互相関(NCC)であり得る。
類器(図1Aを参照して説明される分類器102等)、およびフレーム間類似性尺度を使用する。本実施例では、分類器は、262個の手作りで自動的に学習される判別可能な特徴の豊富なセットを使用する。類似性尺度は、正規化相互相関(NCC)であり得る。
(CRFモデル)
本実施例は、細胞1600の特性1608として図16Aで描写されるような胚の中の細胞の数および形状を経時的に推定しようとする。図17BのCRFを伴う楕円形の細胞の確率的進化がモデル化される。
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。
式中、Tは、シーケンス長であり、ZTは、正規化定数である。我々は、周辺分布P(N(t))を最大化する、シーケンスN(t)に関心がある。
本実施例では、関数Ψ2は、減少しないように細胞の数N(t)を制約する。
(近似推測)
本実施例は、CRFから最も可能性の高いシーケンスN(t)を求める。近似推測は、3つの段階、すなわち、細胞数分類、近似最大周辺推測、および事象推測で行われる。
細胞数分類は、無追跡部分の一部である。本実施例では、細胞数分類は、262個の手作りの自動的に学習される判別可能な画像特徴の豊富なセットから、細胞の数の事後確率(方程式(8)の中の
)を推定するために、マルチレベルAdaBoost分類器を使用する。
本実施例では、最大周辺推測は、追跡ベースであり、区画から幾何学形状を推測する。これは、
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。
本実施例は、データ駆動型連続モンテカルロ(DD-SMC)を用いて、この再帰を最大化する。時間および測定更新の間のデータ駆動型精緻化段階は、期待値最大化(EM)を用いて、初期粒子を境界点の不完全なセットに精緻化することによって、粒子の必要数を削減する。次いで、
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。
事象推測は、細胞の数についての近似周辺分布
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。
本実施例は、周辺分布1904(図19Aおよび19B参照)を見出すように、確率伝搬法を行う。細胞の推定数1906の値は、画像フレーム番号に対して描画され(図19Aおよび19B参照)、細胞の異なる推定数1906の間の遷移時間は、異なる数の細胞(本実施例では1つの細胞、2つの細胞、3つの細胞、および4つの細胞)に対する周辺
分布1904の中の交差点に基づく。
分布1904の中の交差点に基づく。
(実験結果)
本実施例は、アルゴリズムを、複数のIVF診療所から取得され、少なくとも3日にわたって観察されたヒト胚画像シーケンスに適用した。画像は、暗視野デジタル顕微鏡を用いて取得され、5分毎に151×151ピクセルに切り取られた。
(追跡性能)
アルゴリズムは、327個の胚について訓練され、389個の胚の別個のセットで試験された。それぞれ、第1、第2、および第3の有糸分裂の時間t1、t2、およびt3が測定された。2人の専門発生学者が、評価のためにグランドトルースを測定した。アルゴリズムの測定と2人のパネリストの測定との間のrms偏差である、rmsdが測定された。
図22は、本発明の実施形態による、パネリストからの偏差が、各遷移(t1、t2、t3)について、および全ての遷移にわたって、パネリスト間不一致の限界m内である(rmsd<dp+m)、胚の比率の例示的な結果を図示する。これは、観察可能物の3つの組み合わせ、すなわち、(a)分類器確率および類似性尺度(無追跡)、(b)DD-SMC最大限界(追跡ベース)、および(c)全ての観察可能物(複合)について示される。時として、1つのアプローチが他のアプローチより良好に機能することが分かる。例えば、t3遷移(決定することが最も困難である)では、場面がより複雑であり、単純な形状および異常値仮定を用いて適切にモデル化されない場合もあるため、無追跡が追跡ベースを凌ぎ得る。対照的に、t2遷移では、無追跡アプローチにおけるバッグオブフィーチャーズによってよりも、追跡ベースの形状モデルによって、2つの細胞の事例の形状および構造を良好にモデル化することができる。しかし、すべての場合において、2つのアプローチを組み合わせることにより、大幅な向上をもたらす。パネリスト間変動の30分以内のrmsdを伴って遷移が測定された、データセットの割合が、個々の遷移時間の各々について、ならびに全ての遷移時間について、表5に示される。このデータセット上で、複合アプローチを使用して、胚の65.3%が、パネリスト間変動の30分以内のrmsdを伴って、3つの全ての遷移で追跡された。この結果は、それぞれ、54.5%および55.0%であった、無追跡および追跡ベースのアプローチの対応するrmsdと単独で比較された。無追跡および追跡ベースのアプローチと比べた相対的向上は、それぞれ、19.8%および18.7%である。これらの事例の21%以上が、30分以上のパネリスト間不一致を有したことに留意されたい。
(結語)
本実施例で提示される枠組みは、追跡ベースおよび無追跡アプローチを活用する統一CRF枠組みにおいて、複数の特徴およびそれらのコンテンツを組み合わせる。試験データの65%における手動専門家測定に匹敵する自動追跡が実証され、自動追跡は、それが利用可能になるにつれて、より多くの標識データを活用し、それから学習すること、ならびに解空間の大部分を探索するように推測を拡張することによって、さらに増進することができる。
(自動胚ランク付けおよび/またはカテゴリ化)
本発明の側面はさらに、複数の胚に含まれる各胚に対するランク付けおよび/またはカテゴリ化の決定のために動作可能である。各胚のランク付けおよび/またはカテゴリ化は、胚の着床後の妊娠等の陽性受胎結果に対する各胚の質等の各胚の発生能に関連付けられているスコアに基づくことができる。スコアは、限定されないが、形状、テクスチャ、および/または縁特徴(表1を参照して説明される)、タイミング特徴(表2を参照して説明される種々のタイミングパラメータ等)、生物学的特徴(限定されないが、表2を参照して説明される種々の他のパラメータ、遺伝的欠陥の可能性、異数性の可能性、および各胚に関連付けられている断片化の程度)、機械学習される特徴(表1を参照して説明される)、および時空間的特徴(限定されないが、以下で説明されるような時間的特徴および空間的特徴の組み合わせ)等の種々の種類の特徴に基づいて、決定され得る。特徴は、胚および/または胚内の個々の細胞に関連付けられ得る。特徴は、1つ以上の画像に示される胚および/または胚内の個々の細胞の特性に基づく画像特徴、および/または限定されないが、画像背景強度等の1つ以上の画像の追加の性質であり得る。一実施形態では、特徴は、越境(cross-boundary)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等の画像に示される胚の境界に関連付けられる画像特徴であり得る。特徴はまた、医療専門家によって評価され得、かつ胚の自動ランク付けおよび/またはカテゴリ化への入力として提供され得る、形態および他の特徴を含み得る。スコアはまた、以下でさらに説明されるように、患者情報および/または臨床関連情報に基づき得る。スコアはまた、図19Cを参照して説明されるように、タイミング特徴に関連付けられる信頼尺度に基づいて決定され得る。例えば、1つ以上のタイミング特徴は、図19Cを参照して説明される信頼尺度が、閾値を上回るか、または下回るかどうかに基づいて、スコアの決定に含まれ、または除外され得る。
一実施形態では、スコアは、少なくとも10、20、50、100、1000、または1000より何桁も大きい(効果的に無限である)いくつかの値等の多数の値のうちのいずれかを取ることができる。スコアは、実値または整数値であり得る。スコアは、スコアを計算するデバイスの精度の限界まで実質的に連続的であり得る。スコアは、[0、1]等の範囲に正規化され得るが、これは必要とはされない。より高いスコアが、より高品質の胚に関連付けられ得るか、または代替として、より低いスコアが、より高品質の胚に関連付けられ得る。
有利なことには、多数の値のうちの任意のものを取ることができるスコアに基づく、胚のランク付けおよび/またはカテゴリ化は、類似品質の胚が区別されることを可能にする。例えば、患者は、結果ベースの分類器および/または細胞ベースの分類器(両方とも上で説明される)によって同一のクラスに関連付けられるであろう、複数の胚を有し得る。代替として、または加えて、患者は、細胞活性追跡(同様に上で説明される)を通して決定される類似特性を有する、複数の胚を有し得る。例えば、クラスおよび/または胚特性が、胚の良好な発生能に関連付けられる場合、ランク付けおよび/またはカテゴリ化に基
づく、着床のための胚のサブセットの選択を促進するように、胚の自動ランク付けおよび/またはカテゴリ化を行うことが望ましくあり得る。上で説明されるように、胚の自動ランク付けおよび/またはカテゴリ化は、多種多様の特徴に基づき得、したがって、例えば、単独での胚の形態の目視比較より正確な胚のランク付けおよび/またはカテゴリ化を提供し得る。また、単一の診療所の集団、診療所群、または全体的集団等からの患者の胚等の胚のより大きい群内の患者の胚をランク付けすること、および/またはカテゴライズすることが望ましくあり得る。このようにして、個々の患者の胚の実際の質のより確実な尺度を取得することができ、これは、個々の患者の胚のみの相対的なランク付けに関連付けられるものを超える情報を提供する。
づく、着床のための胚のサブセットの選択を促進するように、胚の自動ランク付けおよび/またはカテゴリ化を行うことが望ましくあり得る。上で説明されるように、胚の自動ランク付けおよび/またはカテゴリ化は、多種多様の特徴に基づき得、したがって、例えば、単独での胚の形態の目視比較より正確な胚のランク付けおよび/またはカテゴリ化を提供し得る。また、単一の診療所の集団、診療所群、または全体的集団等からの患者の胚等の胚のより大きい群内の患者の胚をランク付けすること、および/またはカテゴライズすることが望ましくあり得る。このようにして、個々の患者の胚の実際の質のより確実な尺度を取得することができ、これは、個々の患者の胚のみの相対的なランク付けに関連付けられるものを超える情報を提供する。
加えて、胚をランク付けする代わりに、またはそれに加えて、胚をカテゴライズことが有益であり得る、種々の状況がある。例えば、異なる環境条件を受けた場合がある、異なる診療所からの胚の間の比較等の高精度での胚スコアの直接比較に信頼性がない場合がある、状況があり得る。いくつかある理由の中でもこの理由により、一実施形態では、胚が対応するカテゴリに関連付けられ得る。これらのカテゴリは、例えば、高品質胚盤胞、胚盤胞、および停止等の結果であり得、各カテゴリに関連付けられるスコアの範囲に基づき得る。代替として、または加えて、これらのカテゴリは、結果に直接マップしない、各カテゴリに関連付けられるスコアの範囲に基づき得る。一実施例では、これらのカテゴリは、高、中、および低であり得る。別の実施例では、これらのカテゴリは、90%起こり得る胚盤胞、70%起こり得る胚盤胞、50%起こり得る胚盤胞、および10%起こり得る胚盤胞等の胚盤胞の可能性に関連付けられ得る。各カテゴリに関連付けられるスコアの範囲は、単一の診療所、診療所群、または全体的集団の中等の胚の集団の中の特定の割合範囲に関連付けられるスコアに基づき得る。一実施形態では、胚は、単一の患者の胚内の胚のランク付け、および/または集団の胚内のランク付け等の胚のランク付けに基づいて、対応するカテゴリに関連付けられ得る。代替として、または加えて、各カテゴリに関連付けられるスコアの範囲は、カテゴライズされている胚に関連付けられるスコアの全体的範囲に応じて、シフトし得る。例えば、カテゴリが、着床、凍結、および破棄である場合、着床に関連付けられるスコアの範囲は、少なくとも1つの胚が所与の患者への着床に推奨されるようにシフトし得る。
図23は、本発明の実施形態による、胚の画像2308に適用される自動胚ランク付けおよび/または胚カテゴリ化アプローチの非限定的実施例を図示する。訓練中に、訓練画像2302のN個のセットは、標識情報(図4を参照して説明されるような関連する胚の質および/または結果)および特徴情報のうちの少なくとも1つを提供される。次いで、特徴抽出2304が、各一連の訓練画像2302から実行される。抽出された特徴情報およびそれらの関連標識情報は、ランク付けおよび/またはカテゴリ化モデル2306の訓練2305を行うために採用することができる。ランク付けおよび/またはカテゴリ化モデル2306は、実施例1を参照して上で説明されるように、分類器、ニューラルネットワーク、あるいは教師あり学習および/または教師なし学習を行うように構成される任意の他の好適なモデルであり得る。特徴抽出2310もまた、各一連の画像2308から実行される。単一の一連の画像2308が、図23に示されているが、特徴抽出2310ならびにランク付けおよび/またはカテゴリ化2312は、1つ以上の一連の画像2308で行われることが理解される。ランク付けおよび/またはカテゴリ化2312は、訓練後のランク付けおよび/またはカテゴリ化モデル2306に基づき、画像2308に示される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、ならびに、胚の各々に関連付けられるスコアに基づいて画像2308に示される胚をランク付けするように、および/またはカテゴライズするように構成される。
一実施形態では、ランク付けおよび/またはカテゴリ化モデル2306は、実質的に連続的な出力等の多数の値のうちのいずれかを取ることができる出力を生成することができ
る。出力は、実値であり得るか、または整数値に量子化あるいは正規化され得る。ランク付けおよび/またはカテゴリ化モデル2306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、ランダムフォレスト、または実質的に連続的な予測スコアを生成することができる任意の他のものであり得る、ニューラルネットワークまたは分類器であり得る。
る。出力は、実値であり得るか、または整数値に量子化あるいは正規化され得る。ランク付けおよび/またはカテゴリ化モデル2306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、ランダムフォレスト、または実質的に連続的な予測スコアを生成することができる任意の他のものであり得る、ニューラルネットワークまたは分類器であり得る。
一実施形態では、画像2302は、胚発生のビデオ等の時間連続的な一連の画像であり得る。時間的特徴が、例えば、異なる時間に撮影された胚の画像から取得され得る。代替として、または加えて、一連の画像2302の中の1つ以上の画像は、第1の被写界深度を有し得、一連の画像2302の中の1つ以上の他の画像は、第2の異なる被写界深度を有し得る。被写界深度は、特定の深度または深度の範囲で、胚特徴に焦点を合わせるように調整されることができる。代替として、または加えて、一連の画像2302の中の1つ以上の画像は、第1のモダリティを有し得、一連の画像2302の中の1つ以上の他の画像は、第2の異なるモダリティを有し得る。モダリティは、例えば、形態学的グレーディング等の胚の目視検査を促進するための明視野、および光への胚の露出を最小限化するための暗視野であり得る。代替として、または加えて、一連の画像2302の中の1つ以上の画像は、胚に対する第1の角度配向を有し得、一連の画像2302の中の1つ以上の他の画像は、胚内の異なる角度面を示すように、胚に対する第2の異なる角度配向を有し得る。空間的特徴が、例えば、ほぼ同時であるが、異なる被写界深度で、異なる角度配向で、および/または異なるモダリティを使用して撮影された、胚の画像から取得され得る。時空間的特徴が、例えば、異なる時間に、および異なる被写界深度で、異なる角度配向で、および/または異なるモダリティを使用して撮影された、胚の画像から取得され得る。
図23で図示されるように、種々の以前に説明されたアプローチを使用して、特徴抽出2304および特徴抽出2310を通して、それぞれ、訓練画像2302および画像2308から特徴情報を抽出することができる。例えば、図1-15および実施例1(画像ベースの細胞分類および結果ベースの分類を説明する)を参照して説明されるように、手作りの形状、テクスチャ、および/または縁特徴等、ならびに機械学習される特徴(BoF等)等の特徴情報を抽出することができる。加えて、図16-22ならびに実施例2および3を参照して説明されるような細胞活性追跡を通して、図1-15および実施例1を参照して説明されるような分類アプローチを通して、図19Bおよび実施例3を参照して説明されるような画像類似性決定を通して、および/または上記のアプローチの組み合わせを通して、タイミングおよび生物学的パラメータ(表2を参照して説明されるパラメータ等)等の細胞活性関連パラメータ等の特徴情報を決定することができる。
図23で図示されるように、ランク付けおよび/またはカテゴリ化モデル2306は、図1-15および実施例1(画像ベースの細胞分類および結果ベースの分類を説明する)を参照して説明されるように訓練することができる。代替として、または加えて、ランク付けおよび/またはカテゴリ化モデル2306が以前に説明された種々の特徴の種類を考慮することができるように、当業者に公知である任意の好適な様式でランク付けおよび/またはカテゴリ化モデル2306を訓練することができる。
一実施形態では、各胚の発生能に関連付けられているスコアは、患者情報および/または臨床関連情報に基づいて決定され得る。患者情報は、各胚の父親および各胚の母親のうちの1つ以上のものに関連付けられ得る。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、および父親について、父親によって提供される精子の運動性、ならびに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。臨床関連情報は、各胚が成長させられる媒体の種類、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等の各胚の発生能に関連付けられている環境パラメータを含み得る。
一実施形態では、各胚の発生能に関連付けられているスコアは、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、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、胚のうちの1つ以上の胚が卵細胞質内精子注入法(ICSI)に起因したかどうか、第1の複数の胚のうちの1つ以上の胚が従来の体外受精に起因したかどうか、および胚のうちの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、決定され得る。
一実施形態では、ランク付けおよび/またはカテゴリ化モデル2306の訓練2305は、各一連の訓練画像2302に関連付けられる標識情報および特徴情報のうちの少なくとも1つに基づき得る。各一連の画像2302(図23の一連の画像2302-1および2302-N等)は、陽性受胎結果に対する対応する胚の質の指標(高または低等)、胚盤胞および停止等の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、着床および着床なし、妊娠および妊娠なし、または倍数性および異数性等の関連標識情報を有し得る。結果は、高品質胚盤胞、胚盤胞、および停止等の3つ以上の結果の1つ以上のセットを含み得る。
一実施形態では、各一連の画像2302は、以前に凍結された胚のものであり得る。これは、以前に凍結された胚群に適用するためにランク付けおよび/またはカテゴリ化モデル2306の訓練を促進し得る。代替として、各一連の画像2302は、以前に凍結されなかった胚のものであり得る。代替として、1つ以上の一連の画像2302は、以前に凍結された胚のものであり得、1つ以上の異なる一連の画像2302は、以前に凍結されなかった胚のものであり得る。
一実施形態では、ランク付けされる胚、および/またはカテゴライズされる胚は、胚のより大きい群のサブセットとして選択することができる。図8を参照すると、胚のより大きい群の選択は、入力インターフェース808を介して、コンピュータ装置804への入力として受信することができる。代替として、または加えて、入力インターフェース808を介して、コンピュータ装置804への入力として、形態等の各胚の側面の評価を受信することができ、入力に基づいて、胚のより大きい群の選択を行うことができる。
一実施形態では、ランク付けおよび/またはカテゴライズされる胚は、図16-22ならびに実施例2および3を参照して説明されるような細胞活性追跡を通して、図1-15および実施例1を参照して説明されるような分類アプローチを通して、図19Bおよび実施例3を参照して説明されるような画像類似性決定を通して、および/または上記のアプローチの組み合わせを通して決定することができる、胚のより大きい群のサブセットとして選択することができる。
一実施形態では、胚は、入力インターフェース808を介したコンピュータ装置804への入力に基づいて選択される胚の集団内で、ランク付けおよび/またはカテゴライズすることができる。例えば、入力は、ランク付けおよび/またはカテゴライズされる胚が以前に凍結されたことを示し得る。この場合、胚の集団は、以前に凍結された胚のみを含むように選択され得、または代替として、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得る。別の実施例では、入力は、ランク付けおよび/またはカテゴライズされる胚が以前に凍結されなかったことを示し得る。この場合、胚の集団は、以前に凍結されなかった胚のみを含むように選択され得、または代替として、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得る。別の実施例では、入力は、胚が、1人の患者、単一の診療所、診療所群、または全体的集団等
の1つ以上の集団内でランク付けおよび/またはカテゴライズされるものであることを特定し得る。
の1つ以上の集団内でランク付けおよび/またはカテゴライズされるものであることを特定し得る。
図24は、本発明の実施形態による、自動胚ランク付けおよび胚カテゴリ化の結果を示す表示2400の非限定的実施例を図示する。表示2400は、1つ以上のウェル2404の各々の識別2402、および胚の1つ以上の画像2406を示し得る。表示2400はまた、各胚に対するランク付けスコア2408を示し得る。一実施形態では、ランク付けスコア2408は、同一の患者の他の胚に対して決定される、患者内ランク付けスコアであり得る。例えば、ランク付けスコア2408は、例えば、患者の最高ランクの胚が1のスコアを受けることができるように、範囲[0、1]等に正規化され得る。代替として、または加えて、ランク付けスコア2408は、単一の診療所、診療所群、または全体的集団等の集団からの他の胚に対して決定され得る。表示2400はまた、患者内のランク等のランク2409を示し得る。代替として、または加えて、表示2400は、単一の診療所、診療所群、または全体的集団からの胚等の集団内のランクを示し得る。
一実施形態では、表示2400は、集団中のランクの指標2410を示し得る。集団中のランクは、単一の診療所、診療所群、または全体的集団等の集団からの他の胚に対して決定され得る。指標2410は、範囲[0、1]等に正規化され得る。代替として、または加えて、指標2410は、例えば、集団の最高ランクの胚が100%のスコアを受けることができるように、範囲[0%、100%]内の割合指標として表され得る。
一実施形態では、表示2400は、各胚に関連付けられるカテゴリ情報2412を示し得る。カテゴリ情報2412として示すことができるカテゴリ群の一実施例は、着床、凍結、および破棄を含む。別の実施例は、高品質胚盤胞、胚盤胞、および停止を含む。
図8を参照すると、いくつかの実施形態では、撮像デバイス802は、画像2302、ランク付けおよび/またはカテゴリ化モジュール2306のための訓練画像、および/または同等物を取得するように構成可能であり得る。撮像デバイス802はまた、画像2308を取得するように構成可能であり得る。コンピュータ装置804は、本明細書で説明される胚の自動ランク付けおよび/またはカテゴリ化を行うように構成される。いくつかの実施形態では、表示デバイス806は、少なくとも、撮像デバイス802によって取得されるような細胞の1つ以上の画像を表示するように、ならびに本明細書で説明される自動ランク付けおよび/またはカテゴリ化に基づいて胚のランク付けおよび/またはカテゴリ化を提示するために構成される。いくつかの実施形態では、入力インターフェース808は、本明細書で説明されるように、ユーザが入力をコンピュータ装置804に入力するために構成される。
ここで図9を参照すると、いくつかの実施形態では、メモリ914は、自動胚ランク付けおよび/またはカテゴリ化のためのコンピュータ装置904を実装するために使用される、実行可能プログラムのセット(図示せず)を記憶する。加えて、または代替として、自動胚ランク付けおよび/またはカテゴリ化のためにコンピュータ装置904を実装するように、プロセッサ912を使用することができる。そのような実施形態では、プロセッサ912は、選択モジュール944、スコア決定モジュール948、ランク付けモジュール950、カテゴリ化モジュール952、表示モジュール942、画像モジュール920、訓練モジュール934、分類モジュール936、および仮説選択モジュール926のうちの1つ以上のものの種々の組み合わせを含むが、それらに限定されない、図9に示されるモジュールの種々の組み合わせを含み得る。
一実施形態では、自動胚ランク付けのための装置904は、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ために、第1の複数の胚に含まれる
各胚の複数の画像を分類するように構成されている、スコア決定モジュール948と、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、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950とを含む。スコア決定モジュール948およびランク付けモジュール950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る。
各胚の複数の画像を分類するように構成されている、スコア決定モジュール948と、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、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950とを含む。スコア決定モジュール948およびランク付けモジュール950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る。
一実施形態では、装置904は、自動胚ランク付けに加えて、または自動胚ランク付けの代替案において、自動胚カテゴリ化のためのものであり得る。本実施形態では、装置904は、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ために、第1の複数の胚に含まれる各胚の複数の画像を分類するように構成されている、スコア決定モジュール948と、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、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952とを含む。スコア決定モジュール948およびカテゴリ化モジュール952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る。
一実施形態では、ランク付けモジュール950は、患者に関連付けられている第2の複数の胚内の第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る。代替として、または加えて、ランク付けモジュール950は、集団に関連付けられている第3の複数の胚内の第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得る。自動胚ランク付けのための装置904はさらに、患者に関連付けられている第2の複数の胚内の第1の複数の胚に含まれる各胚のランク付けを表示するように構成されている、表示モジュール942を含み得る。代替として、または加えて、表示モジュール942は、集団に関連付けられている第3の複数の胚内の第1の複数の胚に含まれる各胚のランク付けを表示するように構成され得る。
一実施形態では、ランク付けモジュール950は、第2の複数の胚内の第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る。装置904はさらに、装置904への入力に基づいて第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944を備えている。
一実施形態では、カテゴリ化モジュール952は、第2の複数の胚内の第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る。装置904はさらに、装置904への入力に基づいて第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944を備えている。
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904の一実施形態では、入力は、第1の胚が以前に凍結されたことを示し、入力に応答して、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、選択モジュール944は、第2の複数の胚を選択するように構成される。代替として、または加えて、入力は、第1の胚が以前に凍結されなかったことを示し、入力に応答して、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、選択モジュール944は、第2の複数の胚を選択するように構成される。代替として、または加えて、入力に応答して、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、選択モジュール944は、第2の複数の胚を選択するように構成される。
一実施形態では、自動胚ランク付けのための装置904はさらに、スコアに基づく、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944を含む。代替として、または加えて、選択モジュール944は、スコアに基づく、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第1の複数の胚のうちの1つ以上の胚を拒絶するように構成され得る。
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第1の複数の胚のうちの1つ以上の胚を拒絶するように構成され得る。
自動胚カテゴリ化のための装置904の一実施形態では、複数のカテゴリの各々は、スコアの範囲に関連付けられる。各胚は、各胚に関連付けられるスコアが対応するスコアの範囲内である場合、対応するカテゴリに関連付けられ得る。一実施形態では、各胚は、対応する診療所に関連付けられ得、スコアの範囲は、対応する診療所に関連付けられている情報に基づき得る。対応する診療所に関連付けられている情報は、各胚の発生能に関連付けられている環境パラメータを含み得るが、それに限定されない。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つ以上のものを含み得るが、それらに限定されない。
一実施形態では、自動胚カテゴリ化のための装置904はさらに、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942を含み得る。
一実施形態では、自動胚カテゴリ化のための装置904はさらに、第1の複数の胚に含まれる各胚の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944を含む。代替として、または加えて、選択モジュール944は、第1の複数の胚に含まれる各胚の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第1の複数の胚のうちの1つ以上の胚を拒絶するように構成され得る。
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904の一実施形態では、スコア決定モジュール948は、装置904への入力に基づいてスコアを決定するように構成され、入力は、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る。入力は、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得る。
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904の一実施形態では、スコアは、実質的に連続的であり得る。スコア決定モジュール948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、ランダムフォレストのうちの1つである、分類器であり得る。
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904の一実施形態では、スコア決定モジュール948は、各胚の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スコアを決定するように構成される。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つ以上のものを含み得る。
自動胚ランク付けおよび/またはカテゴリ化の装置904の一実施形態では、スコア決定モジュール948は、少なくとも1つの胚の父親および少なくとも1つの胚の母親のうちの1つ以上のものに関連付けられている患者情報に基づいて、第1の複数の胚に含まれる少なくとも1つの胚のスコアを決定するように構成される。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、父親について、父親によって提供される精子の運動性、および精子に関連付けられる他のパラメータのうちの1つ以上のものを含み得る。
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904の一実施形態では、ス
コア決定モジュール948は、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、スコアを決定するように構成される。代替として、または加えて、スコア決定モジュール948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、スコアを決定するように構成され得る。代替として、または加えて、スコア決定モジュール948は、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、スコアを決定するように構成され得る。
コア決定モジュール948は、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、スコアを決定するように構成される。代替として、または加えて、スコア決定モジュール948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、スコアを決定するように構成され得る。代替として、または加えて、スコア決定モジュール948は、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、スコアを決定するように構成され得る。
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904の一実施形態では、スコア決定モジュール948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の少なくとも1つに基づいて、スコアを決定するように構成される。
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904の一実施形態では、複数の画像は、時間連続的な一連の画像を含む。代替として、または加えて、複数の画像は、第1の複数の胚に含まれる胚の第1の画像であって、第1の画像は、第1の被写界深度を有する、第1の画像と、胚の第2の画像であって、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の画像とを含み得る。代替として、または加えて、複数の画像は、第1の複数の胚に含まれる胚の第1の画像であって、胚に対する第1の角度配向を有する、第1の画像と、胚の第2の画像であって、胚に対する第2の角度配向であって、第1の角度配向とは異なる第2の角度配向を有する、第2の画像とを含み得る。代替として、または加えて、複数の画像は、第1の複数の胚に含まれる胚の第1の画像であって、第1の画像は、第1のモダリティを有する、第1の画像と、胚の第2の画像であって、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の画像とを含み得る。一実施形態では、第1のモダリティおよび第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得る。
一実施形態では、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904はさらに、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、スコア決定モジュール948を訓練するように構成されている訓練モジュール934を備えている。訓練モジュールは、特徴情報を抽出するように構成され得、特徴情報は、1つ以上の画像特徴を含む。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つ以上のものを含み得る。第2の複数の胚に含まれる各胚は、以前に凍結されていてもよい。一実施形態では、標識情報は、対応する胚の質の指標、および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つ以上のものを含み得る。一実施形態では、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つ以上のものを含み得る。代替として、または加えて、複数の結果は、3つ以上の結果の1つ以上のセットを含み得る。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、および停止を含み得る。
一実施形態では、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904は、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、スコア決定モジュール948は、タイミング特性に基づいてスコアを決定するように構成される。装置904はさらに、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926を備え得、複数の仮説の各々は、少なくとも1つの胚に関連付けられる1つ以上の境界区画への少なくとも1つの胚の表現のマッピングに基づく、少なくとも1つの胚の推測特性を含み、装置904は、仮説に関連付けられる推測特性に基づいて、タイミング特性を決定するように構成される。代替として、または加えて、装置904は、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ために、複数の分類器を複数の画像の各々に適用するように構成され得、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、各画像の分類確率を決定し、分類確率は、各分類器に関連付けられる異なる第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、複数の画像の各々は、その画像に関連付けられる複数の分類確率を有する。装置904はさらに、各分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の分類確率に基づいて、第2の数の細胞を示すものとして各画像を分類するように構成され得る。
性を決定するように構成され、スコア決定モジュール948は、タイミング特性に基づいてスコアを決定するように構成される。装置904はさらに、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926を備え得、複数の仮説の各々は、少なくとも1つの胚に関連付けられる1つ以上の境界区画への少なくとも1つの胚の表現のマッピングに基づく、少なくとも1つの胚の推測特性を含み、装置904は、仮説に関連付けられる推測特性に基づいて、タイミング特性を決定するように構成される。代替として、または加えて、装置904は、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ために、複数の分類器を複数の画像の各々に適用するように構成され得、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、各画像の分類確率を決定し、分類確率は、各分類器に関連付けられる異なる第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、複数の画像の各々は、その画像に関連付けられる複数の分類確率を有する。装置904はさらに、各分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の分類確率に基づいて、第2の数の細胞を示すものとして各画像を分類するように構成され得る。
一実施形態では、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904はさらに、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941を備え、本装置は、画像類似性に基づいてタイミング特性を決定するように構成される。
一実施形態では、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904はさらに、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944を備えている。選択モジュール944は、装置への入力に基づいて、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得る。一実施形態では、入力は、対応する胚の形態の評価に関連付けられ得る。
一実施形態では、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904はさらに、第2の複数の胚の各々の時間連続的な一連の画像が、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936を備えている。選択モジュール944は、第2の複数の胚の各々に関連付けられる推定可能性に基づいて、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得る。一実施形態では、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つ以上のものを含み得る。代替として、または加えて、複数の結果は、3つ以上の結果の1つ以上のセットを含み得る。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、および停止を含み得る。
図25は、本発明の実施形態による、胚ランク付けおよび/または胚カテゴリ化のための方法を図示する。本方法は、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、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すること(ブロック2530)を含む。本方法はまた、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、第1の複数の胚に含まれる各胚をランク付けすること(ブロック2540)も含む。代替として、または加えて、本方法は、第1の複数の胚に含まれる各胚に関連付けられるスコアに基づいて、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(ブロック2550)を含み得る。
一実施形態では、本方法は、ランク付けおよび/またはカテゴリ化のための胚のサブセ
ットを選択すること(ブロック2510)を含み得る。本方法は、胚の画像に関連付けられる、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、分類器およびニューラルネットワークのうちの1つ以上のものを訓練すること(ブロック2520)を含み得る。
ットを選択すること(ブロック2510)を含み得る。本方法は、胚の画像に関連付けられる、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、分類器およびニューラルネットワークのうちの1つ以上のものを訓練すること(ブロック2520)を含み得る。
一実施形態では、本方法は、患者に関連付けられている第2の複数の胚内に含まれる、第1の複数の胚に含まれる各胚をランク付けすることを含む。代替として、または加えて、本方法は、集団に関連付けられている第3の複数の胚内の第1の複数の胚に含まれる各胚をランク付けすることを含み得る。本方法はさらに、患者に関連付けられている第2の複数の胚内の第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を含み得る。代替として、または加えて、本方法は、集団に関連付けられている第3の複数の胚内の第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を含み得る。
一実施形態では、本方法は、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を含み、第1の複数の胚に含まれる各胚をランク付けすることは、第2の複数の胚内の第1の胚をランク付けすることを含む。本方法はさらに、入力に基づいて第2の複数の胚を選択することを含み得る。
一実施形態では、本方法は、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を含み、第1の複数の胚に含まれる各胚を、対応するカテゴリに関連付けることは、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。本方法はさらに、入力に基づいて第2の複数の胚を選択することを含み得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、入力は、第1の胚が以前に凍結されたことを示し、入力に応答して、第2の複数の胚は、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。代替として、または加えて、入力は、第1の胚が以前に凍結されなかったことを示し、入力に応答して、第2の複数の胚は、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。代替として、または加えて、入力に応答して、第2の複数の胚は、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。
一実施形態では、自動胚ランク付けのための方法はさらに、スコアに基づく、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第1の複数の胚のうちの1つ以上の胚を選択することを含む。代替として、または加えて、本方法は、スコアに基づく、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第1の複数の胚のうちの1つ以上の胚を拒否することを含み得る。
自動胚カテゴリ化のための方法の一実施形態では、複数のカテゴリの各々は、スコアの範囲に関連付けられる。各胚は、各胚に関連付けられるスコアが対応するスコアの範囲内にある場合に、対応するカテゴリに関連付けられ得る。一実施形態では、各胚は、対応する診療所に関連付けられ得、スコアの範囲は、対応する診療所に関連付けられている情報に基づき得る。対応する診療所に関連付けられている情報は、各胚の発生能に関連付けられている環境パラメータを含み得るが、それに限定されない。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つ以上のものを含み得るが、それらに限定されない。
一実施形態では、自動胚カテゴリ化のための方法はさらに、対応するカテゴリとの各胚の関連性を表示することを含み得る。
一実施形態では、自動胚カテゴリ化のための方法はさらに、第1の複数の胚に含まれる各胚の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第1の複数の胚のうちの1つ以上の胚を選択することを含む。代替として、または加えて、本方法は、第1の複数の胚に含まれる各胚の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第1の複数の胚のうちの1つ以上の胚を拒否することを含み得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、スコアは、実質的に連続的であり、分類器によって決定される。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、ランダムフォレスト、または任意の他の好適な分類器うちの1つであり得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、本方法は、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含み、分類器およびニューラルネットワークのうちの1つ以上のものを適用することは、入力に基づいてスコアを決定することを含む。入力は、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得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、分類器およびニューラルネットワークのうちの1つ以上のものを適用することは、各胚の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、スコアを決定することを含む。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つ以上のものを含み得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、分類器およびニューラルネットワークのうちの1つ以上のものを適用することは、少なくとも1つの胚の父親および少なくとも1つの胚の母親のうちの1つ以上のものに関連付けられている患者情報に基づいて、第1の複数の胚に含まれる少なくとも1つの胚のスコアを決定することを含む。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、父親について、父親によって提供される精子の運動性、および精子に関連付けられる他のパラメータのうちの1つ以上のものを含み得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、分類器およびニューラルネットワークのうちの1つ以上のものを適用することは、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。代替として、または加えて、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。代替として、または加えて、分類器およびニューラルネットワークのうちの1つ以上のものを適用することは、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。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、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、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、胚のうちの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、第1の複数の胚のうちの1つ以上の胚が従来の体外受精に起因したかどうか、および胚のうちの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、スコアを決定することを含む。
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、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、胚のうちの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、第1の複数の胚のうちの1つ以上の胚が従来の体外受精に起因したかどうか、および胚のうちの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、スコアを決定することを含む。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、複数の画像は、時間連続的な一連の画像を含む。代替として、または加えて、複数の画像は、第1の複数の胚に含まれる胚の第1の画像であって、第1の画像は、第1の被写界深度を有する、第1の画像と、胚の第2の画像であって、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の画像とを含み得る。代替として、または加えて、複数の画像は、第1の複数の胚に含まれる胚の第1の画像であって、胚に対する第1の角度配向を有する、第1の画像と、胚の第2の画像であって、胚に対する第2の角度配向であって、第1の角度配向とは異なる第2の角度配向を有する、第2の画像とを含み得る。代替として、または加えて、複数の画像は、第1の複数の胚に含まれる胚の第1の画像であって、第1の画像は、第1のモダリティを有する、第1の画像と、胚の第2の画像であって、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の画像とを含み得る。一実施形態では、第1のモダリティおよび第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得る。
一実施形態では、自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法はさらに、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、分類器およびニューラルネットワークのうちの1つ以上のものを訓練することを含む。分類器およびニューラルネットワークのうちの1つ以上のものを訓練することは、特徴情報を抽出することを含み得、特徴情報は、1つ以上の画像特徴を含む。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つ以上のものを含み得る。第2の複数の胚に含まれる各胚は、以前に凍結されていてもよい。一実施形態では、標識情報は、対応する胚の質の指標、および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つ以上のものを含み得る。一実施形態では、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つ以上のものを含み得る。代替として、または加えて、複数の結果は、3つ以上の結果の1つ以上のセットを含み得る。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、および停止を含み得る。
一実施形態では、自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法はさらに、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含み、分類器およびニューラルネットワークのうちの1つ以上のものを適用することは、タイミング特性に基づいてスコアを決定することを含む。タイミング特性を決定することは、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を含み得、複数の仮説の各々は、少なくとも1つの胚に関連付けられる1つ以上の境界区画への少なくとも1つの胚の表現のマッピングに基づく、少なくとも1つの胚の推測特性を含む。タイミング特性を決定することはまた、仮説に関連付けられる推測特性に基づいて、タイミング特性を決定することを含み得る。タイミング特性を決定することは、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を含み得、複数の仮説の各々は、少なくとも1つの胚の幾何学的特徴に基づく、少なくとも1つの胚の推測特性を含む。
代替として、または加えて、自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法では、分類器は、第1の分類器であり得る。本方法はさらに、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ように、複数の第2の分類器を複数の画像の各々に適用することを含み得、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、各画像の分類確率を決定し、分類確率は、各第2の分類器に関連付けられる異なる第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、複数の画像の各々は、その画像に関連付けられる複数の分類確率を有する。本方法はさらに、各第2の分類器に関連付けられる異なる第1の数の細胞と、その画像に関連付けられている複数の分類確率に基づいて、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を含み得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、タイミング特性を決定することは、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み得る。
一実施形態では、自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法は、第1の複数の胚を特定する入力を受信することを含む。
一実施形態では、自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法は、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、入力に基づいて、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とを含む。一実施形態では、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得る。
自動胚ランク付けのための方法および/または自動胚カテゴリ化のための方法の一実施形態では、サブセットを選択することは、第2の複数の胚の各々の時間連続的な一連の画像が、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を含み、複数の結果は、分類器に関連付けられる。本方法はさらに、第2の複数の胚の各々に関連付けられる推定可能性に基づいて、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含み得る。一実施形態では、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つ以上のものを含み得る。代替として、または加えて、複数の結果は、3つ以上の結果の1つ以上のセットを含み得る。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、および停止を含み得る。
本発明の実施形態は、種々のコンピュータ実装動作を行うためのコンピュータコードをその上に有する、コンピュータ読み取り可能な媒体を伴うコンピュータ記憶製品に関する。「コンピュータ読み取り可能な媒体」という用語は、本明細書で説明される動作を行うための一連の命令またはコンピュータコードを記憶または符号化することが可能である、任意の媒体を含むために本明細書で使用される。媒体およびコンピュータコードは、本発明の目的で特別に設計および構築されるものであり得るか、またはそれらは、コンピュータソフトウェア技術分野の当業者にとって周知かつ利用可能な種類のものであり得る。コンピュータ読み取り可能な媒体の例は、ハードディスク、フロッピー(登録商標)ディスク、および磁気テープ等の磁気媒体、CD-ROMおよびホログラフィックデバイス等の光学媒体、フロプティカルディスク等の光磁気媒体、および特定用途向け集積回路(「ASIC」)、プログラマブル論理デバイス(「PLD」)、ならびにROMおよびRAM
デバイス等のプログラムコードを記憶および実行するように特別に構成されるハードウェアデバイスを含むが、それらに限定されない。コンピュータコードの例は、コンパイラによって生成されるような機械コード、およびインタープリタまたはコンパイラを使用してコンピュータによって実行される、より高レベルのコードを含むファイルを含む。例えば、本発明の実施形態は、Java(登録商標)、C++、またはオブジェクト指向プログラミング言語および開発ツールを使用して実装され得る。コンピュータコードの追加の実施例は、暗号化コードおよび圧縮コードを含む。さらに、本発明の実施形態は、伝送チャネルを介して、遠隔コンピュータ(例えば、サーバコンピュータ)から要求コンピュータ(例えば、クライアントコンピュータまたは異なるサーバコンピュータ)へ転送され得る、コンピュータプログラム製品としてダウンロードされ得る。本発明の別の実施形態は、機械実行可能ソフトウェア命令の代わりに、またはそれと組み合わせて、配線回路で実装され得る。
デバイス等のプログラムコードを記憶および実行するように特別に構成されるハードウェアデバイスを含むが、それらに限定されない。コンピュータコードの例は、コンパイラによって生成されるような機械コード、およびインタープリタまたはコンパイラを使用してコンピュータによって実行される、より高レベルのコードを含むファイルを含む。例えば、本発明の実施形態は、Java(登録商標)、C++、またはオブジェクト指向プログラミング言語および開発ツールを使用して実装され得る。コンピュータコードの追加の実施例は、暗号化コードおよび圧縮コードを含む。さらに、本発明の実施形態は、伝送チャネルを介して、遠隔コンピュータ(例えば、サーバコンピュータ)から要求コンピュータ(例えば、クライアントコンピュータまたは異なるサーバコンピュータ)へ転送され得る、コンピュータプログラム製品としてダウンロードされ得る。本発明の別の実施形態は、機械実行可能ソフトウェア命令の代わりに、またはそれと組み合わせて、配線回路で実装され得る。
本発明の実施形態は、フィールドプログラマブルゲートアレイ(FPGA)またはASIC等のハードウェアで実装することができる。FPGA/ASICは、入出力デバイスによって構成され得、かつ出力を入出力デバイスに提供し得る。
先述の内容は、本発明の原理を例証するにすぎない。当業者は、本明細書で明示的に説明または図示されないが、本発明の原理を具現化し、その精神および範囲に含まれる、種々の配列を考案することが可能であり得ることが理解される。説明図は、必ずしも一定の縮尺で描かれない場合があり、製造許容差は、本明細書の技術的表現からの逸脱をもたらし得る。具体的に図示されていない、本発明の他の実施形態があり得る。したがって、本明細書および図面は、制限的よりもむしろ例証的と見なされるものである。加えて、本発明の実施形態を図示する図面は、明確にするために、ある主要な特性特徴に焦点を合わせてもよい。さらに、本明細書に記載される全ての実施例および条件付き用語は、主に、本発明の原理、および当技術分野を拡大するために本発明者らによって寄与される概念を理解することにおいて、読者を補助することを目的としており、そのような特別に記載された実施例および条件への限定を伴わないと解釈されるものである。また、本発明の原理、側面、および実施形態、ならびにそれらの具体的実施例を記載する、本明細書の全ての記述は、それらの構造的および機能的均等物の両方を包含することを目的としている。加えて、そのような均等物は、現在公知の均等物および将来開発される均等物の両方、すなわち、構造にかかわらず同一の機能を果たす、開発された任意の要素を含むことが意図される。したがって、本発明の範囲は、本明細書で図示および説明される例示的実施形態に限定されることを目的としていない。むしろ、本発明の範囲および精神は、添付の請求項によって具現化される。加えて、本明細書で開示される方法は、特定の順序で行われる特定の動作を参照して説明されているが、これらの動作は、本発明の教示から逸脱することなく、同等の方法を形成するように、組み合わせられ、細分され、または並べ替えられ得ることが理解されるであろう。したがって、本明細書で特に指示されない限り、動作の順序およびグループ化は、本発明の制限ではない。本明細書で引用される全ての参考文献は、それらの全体で参照することにより本明細書に組み込まれる。
Claims (13)
- 細胞の形態的特徴を分類するための方法であって、前記方法は:
システムを提供する工程aであって、
前記システムは1つ以上の時間連続的な一連の胚細胞の画像を含む撮像デバイス、
プロセッサを含むコンピュータ装置、及び
前記プロセッサに実装される分類モジュールであって、少なくとも1つの分類器を前記1つ以上の時間連続的な一連の胚細胞の画像に適用する、分類モジュール、
を備える、工程a;
前記時間連続的な一連の胚細胞の画像から細胞の形態的特徴を取得する工程b;
細胞段階ベースの分類に基づいて前記1つ以上の時間連続的な一連の胚細胞の画像のうち少なくとも1つについて、前記少なくとも1つの分類器を用いて前記細胞の形態的特徴を分類する工程c、
を包含する方法。 - 前記工程cの前記細胞段階ベースの分類は、単一細胞段階分類、2細胞段階分類、3細胞段階分類、および4細胞段階分類からなる群より選択される、請求項1に記載の方法。
- 前記工程cは、画像ベースの生物活性パラメータ分類であって、細胞活性パラメータ分類、細胞分裂タイミングパラメータ分類および細胞分裂非タイミングパラメータ分類からなる群より選択される生物活性パラメータ分類を含む、請求項1に記載の方法。
- 前記細胞の形態的特徴は、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つ以上をさらに含む、請求項1に記載の方法。
- 前記工程cの分類は、kクラスタリングをさらに含む、請求項1に記載の方法。
- 前記工程aの前記分類モジュールは各々が、教師なし学習による複数の非標識胚画像を使用して訓練される、または、教師あり学習による複数の標識胚画像を使用して訓練される、請求項1に記載の方法。
- 前記細胞の形態的特徴は、領域性質特徴、グレーレベル同時生起行列特徴、ローカルバイナリパターン特徴、ヘッシアン特徴、ガボール特徴、境界特徴およびテクスチャ特徴からなる群よりさらに選択される、請求項1に記載の方法。
- 前記工程bの前記細胞の形態的特徴を前記取得する工程は、前記1つ以上の複数の時間連続的な一連の胚細胞画像の部分と関連付けられ、局所特徴情報に基づいており、前記局所特徴情報は、色および強度からなる群より選択される、請求項1に記載の方法。
- 前記工程cの分類は、前記細胞の画像特徴の発生の頻度を決定する工程をさらに含む、請求項1に記載の方法。
- 前記時間連続的な一連の胚細胞画像は、経時的な一連の胚細胞画像である、請求項1に記載の方法。
- 前記分類モジュールが、AdaBoost分類器またはサポートベクターマシン分類器を含む、請求項1に記載の方法。
- 前記1つ以上の複数の時間連続的な胚細胞画像が、ヒト胚画像、1つ以上の卵母細胞画像、および1つ以上の多能性細胞画像からなる群から選択される、請求項1に記載の方法。
- 前記プロセッサが、境界検出モジュール、仮説生成モジュール、仮説選択モジュール、マッピングモジュール、細胞活性パラメータ決定モジュール、画像類似性決定モジュール、信頼モジュール、信頼性決定モジュール、選択モジュール、スコア決定モジュール、ランク付けモジュール、およびカテゴリ化モジュールからなる群から選択されるモジュールをさらに含む、請求項1に記載の方法。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US61/770,998 | 2013-02-28 | ||
US61/771,000 | 2013-02-28 | ||
US61/785,216 | 2013-03-14 | ||
US61/785,170 | 2013-03-14 | ||
US61/785,199 | 2013-03-14 | ||
US61/785,179 | 2013-03-14 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022067218A Division 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024096236A true JP2024096236A (ja) | 2024-07-12 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022087297A (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 | |
US20200395117A1 (en) | Adaptive image processing method and system in assisted reproductive technologies | |
WO2020157761A1 (en) | Automated evaluation of embryo implantation potential | |
US20200311916A1 (en) | Systems and methods for estimating embryo viability | |
Raudonis et al. | Towards the automation of early-stage human embryo development detection | |
US20240185567A1 (en) | System and method for outcome evaluations on human ivf-derived embryos | |
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 | |
Ferlaino et al. | Towards deep cellular phenotyping in placental histology | |
US20230027723A1 (en) | Stain-free detection of embryo polarization using deep learning | |
Hawezi et al. | A comparison of automated classification techniques for image processing in video internet of things | |
WO2023154851A1 (en) | Integrated framework for human embryo ploidy prediction using artificial intelligence | |
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 | |
Moussavi et al. | A unified graphical models framework for automated mitosis detection in human embryos | |
Kanakasabapathy et al. | Deep learning mediated single time-point image-based prediction of embryo developmental outcome at the cleavage stage | |
Dong et al. | White blood cell classification | |
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 | |
Mukherjee | Pattern Recognition and Machine Learning as a Morphology Characterization Tool for Assessment of Placental Health | |
Zhao | Zygote Morphokinetic Parameters as Early Predictors on Embryo Development in In Vitro Fertilization | |
Yang | Enhancing Clinical IVF Embryo Selection through the Integration of Artificial Intelligence and Bayesian Statistics | |
Rotem et al. | Visual interpretability of image-based classification models by generative latent space disentanglement applied to in vitro fertilization | |
Selfiana et al. | Comparison of K-means and DBSCAN for prediction determination of Down syndrome using prenatal test data | |
Harun | Medical Image Segmentation for Embryo Image Analysis |