JP6732722B2 - 胚選抜システム - Google Patents

Description

本発明は、胚選抜システムに関する。

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

特開２０１２−２９６８６号公報

特許文献１の胚選別システムでは、特定の卵割の段階に対応する胚の割球数を１つの指標として、胚を選別している。しかし、特許文献１の胚選別システムでは、予め記憶されている卵割の段階に対応する時間帯情報を用いて胚の選別に用いられる画像を抽出しているため、その時間帯情報から外れたタイミングで卵割が進行した胚は、良好胚として選別されない虞がある。また、記憶された時間帯情報に基づいて特定の卵割の段階を示す画像であるとして抽出された画像から、特定の卵割の段階における胚の割球数が選別基準を満たしているように見えたとしても、その卵割の段階より前の段階において胚の割球のうち少なくとも一部が融合（リバース）したことによって選別基準を満たすようになった胚が良好胚として選別される虞がある。このような課題を解決するために、良好胚を選抜するシステムの選抜精度をより高めることができる技術が望まれていた。

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

（１）本発明の一形態によれば、胚選抜システムが提供される。この胚選抜システムは、培養されている胚の状態を、設定された時間間隔で撮影した画像を格納する画像格納部と、前記画像における前記胚の割球数の経時的な変化を解析することによって前記胚が良好胚であるか判定する判定部と、を備える。このような態様とすれば、胚の状態が撮影された画像を用いて、胚の割球数の経時的な変化を解析することによって、胚が良好胚であるか判定部が判定できる。このため、良好胚を選抜できるシステムについて、良好胚の選抜精度をより高めることができる。

（２）上記形態における胚選抜システムにおいて、前記判定部は、教師あり学習によって前記画像に写った前記胚の特徴について学習し、前記学習に基づいて前記胚が良好胚であるか判定してもよい。このような態様とすれば、判定部が教師あり学習によって学習した基準に基づいて、胚が良好胚であるか判定できる。

（３）上記形態における胚選抜システムにおいて、前記判定部は、多層のニューラルネットワークを用いたディープラーニングによって前記画像に写った前記胚の特徴について学習し、前記学習に基づいて前記胚が良好胚であるか判定してもよい。このような態様とすれば、判定部がディープラーニングによって学習した基準に基づいて、胚が良好胚であるか判定できる。

（４）上記形態における胚選抜システムにおいて、さらに、前記画像のうち判定に用いられた判定画像を報知する報知部を備えてもよい。このような態様とすれば、胚選抜システムを使用するユーザーが、判定部がどの画像を用いて良好胚の判定を行ったかを知ることができる。

（５）上記形態における胚選抜システムにおいて、前記報知部は、前記判定画像を報知するとともに前記判定画像において前記判定部が判定の根拠とした情報を報知してもよい。このような態様とすれば、胚選抜システムを使用するユーザーが、判定部がどの画像を用いて良好胚の判定を行ったかを知ることができるとともに、判定部が判定の根拠とした情報を知ることができる。

（６）本発明の一形態によれば、良好胚でない胚を選抜する方法が提供される。この良好胚でない胚を選抜する方法は、培養されている胚の状態を、設定された時間間隔で撮影した画像を格納する画像格納工程と、前記画像における前記胚の割球数の経時的な変化を解析することによって前記良好胚でない胚を選抜する選抜工程と、を備える。このような態様とすれば、胚の状態が撮影された画像を用いて、胚の割球数の経時的な変化を解析することによって、良好胚でない胚を選抜できる。

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

第１実施形態における胚選抜システムの構成を示す説明図である。 判定部が教師あり学習において使用される画像の例である。 判定部が教師あり学習において使用される画像の例である。 判定部が教師あり学習において使用される画像の例である。 判定部が教師あり学習において使用される画像の例である。 制御部が実行する画像取得処理を示すフローである。 制御部が実行する良好胚判定処理を示すフローである。 ディープラーニングによる画像の学習について説明した説明図である。

Ａ．第１実施形態：
図１は、第１実施形態における胚選抜システム１０の構成を示す説明図である。胚選抜システム１０は、培養されている胚の中から移植に適した良好胚を選抜するシステムである。ここでいう胚とは、精子と卵子とを共培養したコンベンショナル法もしくは顕微授精法等の受精のための処理がなされた卵のことである。胚選抜システム１０は、培養部１１０と、画像取得部１３０と、制御部１４０と、ユーザインタフェース１５０と、報知部１６０とを備える。

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

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

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

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

容器搬送部１１５が培養容器２００を搬送する頻度（時間間隔）は、予めユーザインタフェース１５０を介してユーザーより設定された内容に基づいて、制御部１４０によって制御されている。ここでいう時間間隔とは、経験的に求められる胚の割球数の経時的な変化を捉えることのできる時間間隔のことである。本実施形態では、容器搬送部１１５は、画像取得部１３０の重力方向下側の位置へ培養容器２００を１５分毎に搬送するよう制御されている。搬送の頻度は、１５分毎ではない別の時間間隔に設定されてもよい。容器搬送部１１５は、画像取得部１３０の重力方向下側の位置へ培養容器２００が搬送されてから、画像取得部１３０から見て培養容器２００の位置を縦横の２次元的に調整することによって、画像取得部１３０が画像を取得できる位置に各ウェルを配置できる。容器搬送部１１５は、画像取得部１３０による画像の取得が終了すると、培養容器２００を初期位置に搬送する。画像取得部１３０が培養容器２００における各ウェルの画像を取得する工程については、後述する。

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

本実施形態では、画像取得部１３０は、搬送されてくる培養容器２００を重力方向下側から照明した状態で、重力方向上側から撮影を行う。他の実施形態では、画像取得部１３０は、搬送されてくる培養容器２００から見て重力方向下側に配置され、重力方向上側から照明した状態で撮影を行ってもよい。

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

制御部１４０は、画像格納部１４２と、判定部１４４とを備える。

画像格納部１４２は、画像取得部１３０によって取得された画像を格納する。換言すれば、画像格納部１４２は、培養されている胚の状態を、設定された時間間隔で撮影した画像を格納する。画像格納部１４２は、取得された各ウェルの画像を判定部１４４に送る。

判定部１４４は、画像格納部１４２より送られてきた画像に写った胚の状態を解析することによって胚が良好胚であるか判定する。本実施形態では、判定部１４４は、培養部１１０が胚の培養を開始してから７２時間の間に１５分の時間間隔で画像取得部１３０によって取得された各ウェルの画像を用いて、胚が良好胚であるか判定する。

判定部１４４は、胚の割球数の経時的な変化を解析することによって、胚が良好胚であるか判定する。判定部１４４は、受精処理されてから開始される卵割が、２細胞期を経て進行していくか解析することによって、胚が良好胚であるか判定する。

判定部１４４は、異なる時間に取得された複数の画像のうち、卵割中の胚の割球数を認識できる画像を用いて判定を行う。判定部１４４は、受精処理されてから開始される最初の卵割において、胚の割球数が２個の状態に直接移行したことを確認した場合、その胚は良好胚であると判定する。換言すれば、判定部１４４は、胚（受精処理された卵）を１細胞としたとき、最初の卵割において、２細胞の状態に直接移行した場合、その胚は良好胚であると判定する。ここでいう「２個の状態に直接移行」もしくは「２細胞の状態に直接移行」とは、胚の割球数もしくは細胞数が２個より大きい状態を経ることなく１個から２個の状態に移行することをいう。

判定部１４４は、最初の卵割において、胚の割球数が２個の状態を経ることなく胚の割球数が３個以上の状態に直接移行したことを確認した場合、その胚は良好胚ではないと判定する。換言すれば、判定部１４４は、最初の卵割において、胚（受精処理された卵）が１細胞から２細胞の状態を経ることなく３つ以上の細胞の状態へと直接移行した場合には、その胚は良好胚ではないと判定する。また、判定部１４４は、最初の卵割において、胚（受精処理された卵）が１細胞から無秩序（chaotic）な状態に移行した場合には、その胚は良好胚ではないと判定する。

細胞が分裂する際、通常、１つの母細胞から２つの娘細胞が分裂して生じる。このとき、１つの母細胞から３つ以上の娘細胞が分裂して生じる場合には、これらの娘細胞には染色体数に異常がある蓋然性が高い。このため、判定部１４４は、上述したように、胚（受精処理された卵）を１細胞としたとき、最初の卵割において、２細胞の状態に移行した場合に、その胚は良好胚であると判定する。

判定部１４４は、教師あり学習によって画像に写った胚の特徴について学習し、その学習に基づいて胚が良好胚であるか判定する。本実施形態では、判定部１４４は、画像に写った胚における割球の数の判定について学習し、その学習に基づいて胚が良好胚であるか判定する。このため、判定部１４４は、教師あり学習によって学習した割球の数の判定基準に基づいて、胚が良好胚であるか判定できる。

図２、図３、図４および図５は、判定部１４４が教師あり学習において使用される画像の例を示した説明図である。図２は、受精処理されてから卵割が開始されていない状態の胚であるとラベルされた画像の例である。図３は、受精処理されてから最初の卵割において、割球数が２個の状態に直接移行した胚であるとラベルされた画像の例である。図４は、受精処理されてから最初の卵割において、割球数が２個の状態を経ることなく割球数が３個の状態に直接移行した胚であるとラベルされた画像の例である。図５は、受精処理されてから最初の卵割において、無秩序（chaotic）な状態に移行した胚であるとラベルされた画像の例である。

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

報知部１６０は、画像のうち判定に用いられた判定画像を報知する。報知部１６０は、ユーザインタフェース１５０であるタッチパネルの画面上において、ユーザーが判定部１４４による判定結果を閲覧している際に、判定画像を報知する。ここで判定画像として報知される画像は、卵割中の胚の割球数を認識できる画像であるとして、判定部１４４が判定に用いた画像である。画像の例としては、受精処理されてから最初の卵割において、割球数が２個の状態に直接移行した胚の画像が挙げられる。報知の形式の一例としては、判定画像とされた画像に対するタグ付けが挙げられる。このため、胚選抜システム１０を使用するユーザーが、判定部１４４がどの画像を用いて良好胚を判定したか知ることができる。本実施形態では、取得された各画像について取得された時間が画像に付されていることから、ユーザーは判定画像に付された時間を確認することによって、受精処理されてからの経過時間と割球数との対応関係を知ることができる。

また、報知部１６０は、判定画像において判定部１４４が判定の根拠とした情報を報知する。報知部１６０は、ユーザインタフェース１５０であるタッチパネルの画面上において、報知された判定画像をユーザーが閲覧している際に、判定部１４４が判定の根拠とした情報を報知する。本実施形態では、報知部１６０は、判定画像において判定部１４４が割球数のカウントに用いた画像内の領域部分についての位置情報を報知する。換言すれば、報知部１６０は、画像のうちどの部分を１個の割球としてカウントしたかの情報を報知する。

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

画像取得処理が開始されると、制御部１４０は、ユーザーより指定されたウェルの数を表す変数Ａを算出する（ステップＳ１００）。指定されたウェルの数を表す変数Ａを算出したのち（ステップＳ１００）、制御部１４０は、指定されたウェルであって撮影を終えていないウェルのうち、最も番号が小さいウェルの画像を、画像取得部１３０に撮影させる（ステップＳ１１０）。番号とは、各ウェルの底に付された１から１２のウェル番号のことである。このとき撮影された画像は、画像格納部１４２に格納される。画像格納部１４２には、同じ番号のウェルを異なる時間に撮影した画像が時系列的に格納される。

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

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

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

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

図７は、制御部１４０が実行する良好胚判定処理を示すフローである。制御部１４０は、胚の培養が開始されてから７２時間を経過したとき、良好胚判定処理を実行する。

良好胚判定処理が開始されると、制御部１４０は、ユーザーより指定されたウェルの数を表す変数Ａを算出する（ステップＳ２００）。指定されたウェルの数を表す変数Ａを算出したのち（ステップＳ２００）、制御部１４０は、指定されたウェルであって判定を終えていないウェルのうち、最も番号が小さいウェルの画像を抽出する（ステップＳ２１０）。本実施形態では、例えば、胚の培養が開始されてから７２時間を経過したときに実行される良好胚判定処理では、指定されたウェルの画像は、培養部１１０が胚の培養を開始してから７２時間の間に、１５分の時間間隔で画像取得部１３０によって取得されていることから、指定されたウェルごとに２８８枚ある。すなわち、胚の培養が開始されてから７２時間を経過したときに実行される良好胚判定処理においては、ステップＳ２１０において、制御部１４０は、指定されたウェルのうちの１つのウェルについて、２８８枚の画像を抽出する。換言すれば、制御部１４０は、画像格納部１４２に時系列的に格納された、同じ番号のウェルを異なる時間に撮影した画像を、画像格納部１４２から抽出する。

指定されたウェルであって判定を終えていないウェルのうち、最も番号が小さいウェルの画像を抽出したのち（ステップＳ２１０）、制御部１４０は、抽出された画像の中で、卵割中の胚の割球数を認識できる画像を選択する（ステップＳ２２０）。

受精処理された卵割中の胚の割球数を認識できる画像を選択したのち（ステップＳ２２０）、制御部１４０における判定部１４４は、胚の割球数の経時的な変化を解析することによって、胚が受精処理されてから最初の卵割において、割球数が２個である状態に直接移行したか否かに基づいて、胚が良好胚であるか否か判定する。（ステップＳ２３０）。

胚が良好胚であるか判定したのち（ステップＳ２３０）、制御部１４０は、判定を終えたウェルの番号を記憶する（ステップＳ２４０）。判定を終えたウェルを記憶したのち（ステップＳ２４０）、制御部１４０は、変数Ａをデクリメントする。（ステップＳ２５０）。

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

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

以上説明した実施形態によれば、胚の状態が撮影された画像を用いて、胚の割球数の経時的な変化を解析することによって、胚が良好胚であるか判定部１４４が判定できる。このため、良好胚を選抜できるシステムについて、良好胚の選抜精度をより高めることができる。

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

第２実施形態における判定部は、多層のニューラルネットワークであるディープニューラルネットワーク４００を用いたディープラーニングによって画像に写った胚の特徴（割球の数）について学習し、その学習に基づいて胚が良好胚であるか判定する。このため、判定部がディープラーニングによって学習した基準に基づいて、胚が良好胚であるか判定できる。ディープラーニングにより抽出された胚の割球数の特徴量が、人間が認識できていない特徴量であった場合には、胚が良好胚であるか否かの判定を、人間が行うよりも高い精度で行うことができる。

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

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

図８における画像３００は、胚が写った画像である。画像３００の中には、受精処理されてから卵割が開始されていない状態の胚であるとラベルされた画像、受精処理されてから最初の卵割において割球数が２個である状態に直接移行した胚であるとラベルされた画像、胚が受精処理されてから最初の卵割において割球数が２個である状態を経ることなく割球数がＮ個（Ｎは３以上の整数）である状態に直接移行した胚であるとラベルされた画像、胚が受精処理されてから最初の卵割において無秩序（chaotic）な状態に移行した胚であるとラベルされた画像等が含まれる。

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

Ｃ．第３実施形態：
第３実施形態では、良好胚でない胚を選抜する方法について説明する。この良好胚でない胚を選抜する方法は、培養工程と、画像取得工程と、選抜工程とを備える。

培養工程は、受精処理された胚を培養する工程である。画像取得工程は、培養工程において培養されている胚の状態を、設定された時間間隔で撮影して複数の画像を取得する工程である。選抜工程は、異なる時間に取得された画像における胚の割球数の経時的な変化を解析することによって良好胚でない胚を選抜する工程である。

以上説明した第３実施形態によれば、胚の状態が撮影された画像を用いて、胚の割球数の経時的な変化を解析することによって、良好胚でない胚を選抜できる。

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

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

第１実施形態では、判定部１４４は、最初の卵割において、割球数が２個である状態を経ることなく割球数が３個以上の状態に直接移行したことを確認した場合、胚が良好胚ではない判定していたが、本発明はこれに限られない。例えば、判定部１４４は、胚が卵割を開始してから予め設定された時間を経過するまでに、ある１個の割球が２個である状態を経ることなく３個以上に分裂したことを確認した場合、その胚は良好胚ではないと判定してもよい。この場合に分裂して生じた細胞についても、染色体数に異常がある蓋然性が高いと考えられるからである。また、判定部１４４は、胚が卵割を開始してから予め設定された時間を経過するまでに、胚の割球のうち少なくとも一部が融合（リバース）したことを確認した場合、その胚は良好胚ではないと判定してもよい。

第３実施形態では、入力される画像３００は、胚の状態についてラベルされた画像であったが、本発明はこれに限られない。例えば、入力される画像は、移植後に着床が確認された胚の卵割中の状態を示した画像および移植後に着床が確認されなかった胚の卵割中の状態を示した画像であってもよい。

第１実施形態では、胚選抜システム１０は、胚の培養が開始されてから７２時間を経過したとき、良好胚判定処理を実行していたが、本発明はこれに限られない。例えば、胚選抜システムは、胚の培養が開始されてから７２時間より短い時間もしくは長い時間を経過したとき、良好胚判定処理を実行してもよい。また、胚選抜システムは、胚の培養が開始されてから予め設定された時間間隔、例えば１時間毎に、良好胚判定処理を繰り返し実行してもよい。このとき判定に用いられる画像は、それまでの間に画像取得部１３０により取得された画像である。このような形態の胚選抜システムにおいて、胚が良好胚であると判定された場合、それ以降の良好胚判定処理の実行を繰り返さないようにしてもよい。

第１実施形態では、胚選抜システム１０は、培養部１１０および画像取得部１３０を備えていたが、本発明はこれに限られない。例えば、他の実施形態では、胚選抜システムは、第１実施形態の胚選抜システム１０と比べて、培養部１１０を備えていない形態であってもよい。このような形態の胚選抜システムでは、胚選抜システムの外部の培養装置内において培養されている胚が入った培養容器を、設定された時間間隔毎に、この胚選抜システムに持ち込んで画像取得部１３０に画像を取得させることにより、判定部１４４が良好胚の判定を行うことができる。また、他の実施形態では、胚選抜システムは、第１実施形態の胚選抜システム１０と比べて、培養部１１０および画像取得部１３０を備えていない形態であってもよい。このような形態の胚選抜システムでは、培養されている胚の状態を設定された時間間隔で撮影した画像を、胚選抜システムの外部から記録媒体やインターネットを介してこの胚選抜システムに持ち込むことにより、判定部１４４が良好胚の判定を行うことができる。

第１実施形態では、判定部１４４は、教師あり学習によって画像に写った胚の特徴について学習し、第２実施形態では、判定部は、ディープニューラルネットワーク４００を用いたディープラーニングによって画像に写った胚の特徴について学習し、その学習に基づいて胚が良好胚であるか判定していたが、本発明はこれに限られない。例えば、判定部は、移植後に着床が確認された胚の卵割中の状態を示した画像を用いたパターンマッチングによって胚が良好胚であるか判定してもよい。

第１実施形態では、培養容器２００は、３行４列の１２個のウェルを備えたウェルプレートであったが、本発明はこれに限られない。例えば、培養容器２００は、５行５列の２５個のウェルを備えたウェルプレートであってもよいし、任意の行と列で構成されたウェルプレートであってもよい。

第１実施形態では、画像取得部１３０は、搬送されてくる培養容器２００を重力方向下側から照明した状態で、重力方向上側から撮影を行っていたが、本発明はこれに限られない。例えば、画像取得部１３０は、重力方向に限らず、任意の方向から照明した状態で、任意の方向から撮影を行ってもよい。

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

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

Claims (6)

1. 胚選抜システムであって、
   培養されている胚の状態を、設定された時間間隔で撮影した画像を格納する画像格納部と、
   前記画像における前記胚の割球数の経時的な変化を解析することによって前記胚が良好胚であるか判定する判定部と、
   を備え、
   前記判定部は、
   受精処理されてから開始される最初の卵割において、前記胚の割球数が２個の状態に直接移行したことを確認した場合、前記胚を良好胚であると判定し、
   受精処理されてから開始される最初の卵割において、前記胚の割球数が２個の状態を経ることなく前記胚の割球数が３個以上の状態に直接移行したことを確認した場合、前記胚を良好胚ではないと判定する、胚選抜システム。
2. 請求項１に記載の胚選抜システムであって、
   前記判定部は、教師あり学習によって前記画像に写った前記胚の特徴について学習し、前記学習に基づいて前記胚が良好胚であるか判定する、胚選抜システム。
3. 請求項１に記載の胚選抜システムであって、
   前記判定部は、多層のニューラルネットワークを用いたディープラーニングによって前記画像に写った前記胚の特徴について学習し、前記学習に基づいて前記胚が良好胚であるか判定する、胚選抜システム。
4. 請求項１から請求項３までのいずれか一項に記載の胚選抜システムであって、さらに、
   前記画像のうち判定に用いられた判定画像を報知する報知部を備える、胚選抜システム。
5. 請求項４に記載の胚選抜システムであって、
   前記報知部は、前記判定画像を報知するとともに前記判定画像において前記判定部が判定の根拠とした情報を報知する、胚選抜システム。
6. 良好胚でない胚を選抜する方法であって、
   培養されている胚の状態を、設定された時間間隔で撮影した画像を格納する画像格納工程と、
   前記画像における前記胚の割球数の経時的な変化を解析することによって良好胚でない胚を選抜する選抜工程と、
   を備え、
   前記選抜工程において、
   受精処理されてから開始される最初の卵割において、前記胚の割球数が２個の状態に直接移行したことが確認された場合、前記胚を良好胚であると判定し、
   受精処理されてから開始される最初の卵割において、前記胚の割球数が２個の状態を経ることなく前記胚の割球数が３個以上の状態に直接移行したことが確認された場合、前記胚を良好胚ではないと判定して前記胚を選抜する、良好胚でない胚を選抜する方法。