JP7071047B2

JP7071047B2 - 自動非侵襲細胞活性追跡のための装置、方法、およびシステム

Info

Publication number: JP7071047B2
Application number: JP2015560372A
Authority: JP
Inventors: ファーシドムッサビ，; ユーワン，; ピーターローレンツェン，; スティーブンゴールド，
Original assignee: アレストレイディングソシエテアノニム
Priority date: 2013-02-28
Filing date: 2014-02-28
Publication date: 2022-05-18
Anticipated expiration: 2034-02-28
Also published as: EP2962101A1; IL240856A0; US20140247972A1; JP2024096236A; EP2961336A1; CA2901833A1; CA2901830C; IL263963A; US9710696B2; US9177192B2; US20160078275A1; WO2014134527A1; EP2961336A4; IL263963B; EP2961336B1; US20140247973A1; JP2016509845A; IL240855B; JP2016509844A; JP2022087297A

Description

（関連出願の引用）
本願は、米国仮特許出願第６１／７８５，１７９号（２０１３年３月１４日出願、名称「ＡＰＰＡＲＡＴＵＳ，ＭＥＴＨＯＤ，ＡＮＤＳＹＳＴＥＭＦＯＲＡＵＴＯＭＡＴＥＤ，ＮＯＮ－ＩＮＶＡＳＩＶＥＣＥＬＬＡＣＴＩＶＩＴＹＴＲＡＣＫＩＮＧ」）；米国仮特許出願第６１／７８５，１９９号（２０１３年３月１４日出願、名称「ＡＰＰＡＲＡＴＵＳ，ＭＥＴＨＯＤ，ＡＮＤＳＹＳＴＥＭＦＯＲＨＵＭＡＮＥＭＢＲＹＯＶＩＡＢＩＬＩＴＹＳＣＲＥＥＮＩＮＧＢＡＳＥＤＯＮＡＵＴＯＭＡＴＥＤＣＯＮＦＩＤＥＮＣＥＥＳＴＩＭＡＴＩＯＮＯＦＡＳＳＥＳＳＭＥＮＴＯＦＣＥＬＬＡＣＴＩＶＩＴＹ」）；米国仮特許出願第６１／７７０，９９８号（２０１３年２月２８日出願、名称「ＵＮＩＦＩＥＤＦＲＡＭＥＷＯＲＫＦＯＲＡＵＴＯＭＡＴＥＤＨＵＭＡＮＥＭＢＲＹＯＴＲＡＣＫＩＮＧ」）；米国仮特許出願第６１／７８５，１７０号（２０１３年３月１４日出願、名称「ＡＰＰＡＲＡＴＵＳ，ＭＥＴＨＯＤ，ＡＮＤＳＹＳＴＥＭＦＯＲＩＭＡＧＥ－ＢＡＳＥＤＨＵＭＡＮＥＭＢＲＹＯＣＥＬＬＣＬＡＳＳＩＦＩＣＡＴＩＯＮ」）；米国仮特許出願第６１／７８５，２１６号（２０１３年３月１４日出願、名称「ＡＰＰＡＲＡＴＵＳ，ＭＥＴＨＯＤ，ＡＮＤＳＹＳＴＥＭＦＯＲＩＭＡＧＥ－ＢＡＳＥＤＨＵＭＡＮＥＭＢＲＹＯＯＵＴＣＯＭＥＤＥＴＥＲＭＩＮＡＴＩＯＮ」）；および米国仮特許出願第６１／７７１，０００号（２０１３年２月２８日出願、名称「ＡＵＴＯＭＡＴＥＤＥＭＢＲＹＯＳＴＡＧＥＣＬＡＳＳＩＦＩＣＡＴＩＯＮＩＮＴＩＭＥ－ＬＡＰＳＥＭＩＣＲＯＳＣＯＰＹＶＩＤＥＯＯＦＥＡＲＬＹＨＵＭＡＮＥＭＢＲＹＯＤＥＶＥＬＯＰＭＥＮＴ」）に対する優先権を主張する。上記出願の各々の内容は、それら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、画像ベースの細胞活性評価および／またはヒト胚生存率スクリーニングに関する。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ための細胞活性追跡に関する。加えて、または代替として、本発明は、順に、ヒト胚生存率スクリーニングに採用することができる、細胞活性の査定の信頼推定に関する。

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（ＲｉｊｉｎｄｅｒｓＰＭ，ＪａｎｓｅｎＣＡＭ．（１９９８）ＨｕｍＲｅｐｒｏｄ１３：２８６９－７３（非特許文献１）；ＭｉｌｋｉＡＡ、他（２００２）ＦｅｒｔｉｌＳｔｅｒｉｌ７７：１１９１－５（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（ＭｉｌｋｉＡ、他（２０００）ＦｅｒｔｉｌＳｔｅｒｉｌ７３：１２６－９；ＦｒａｇｏｕｌｉＥ，（２００９）ＦｅｒｔｉｌＳｔｅｒｉｌＪｕｎｅ２１［印刷に先立つ電子出版］；Ｅｌ－ＴｏｕｋｈｙＴ、他（２００９）ＨｕｍＲｅｐｒｏｄ６：２０、ＶａｎｎｅｓｔｅＥ、他（２００９）ＮａｔＭｅｄ１５：５７７－８３）。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（ＭａｎｉｐａｌｖｉｒａｔｎＳ、他（２００９）ＦｅｒｔｉｌＳｔｅｒｉｌ９１：３０５－１５、ＭａｓｔｅｎｂｒｏｅｋＳ、他（２００７）ＮＥｎｇｌＪ．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（Ｎａｇｙｅｔａｌ．（１９９４）ＨｕｍａｎＲｅｐｒｏｄｕｃｔｉｏｎ．９（９）：１７４３－１７４８；Ｐａｙｎｅｅｔａｌ．（１９９７）ＨｕｍａｎＲｅｐｒｏｄｕｃｔｉｏｎ．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）ＨｕｍａｎＲｅｐｒｏｄｕｃｔｉｏｎ，１７：４０７－４１２；Ｌｕｎｄｉｎ、他（２００１）ＨｕｍａｎＲｅｐｒｏｄｕｃｔｉｏｎ１６：２６５２－２６５７）。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）Ｔｈｅｒｉｏｇｅｎｏｌｏｇｙ６９（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。
これを背景にして、本明細書で説明される、自動非侵襲細胞活性追跡のため、および／または細胞活性の査定の信頼推定のための装置、方法、およびシステムを開発する必要性が生じる。

国際公開第２００７／１４４００１号

ＲｉｊｉｎｄｅｒｓＰＭ，ＪａｎｓｅｎＣＡＭ．（１９９８）ＨｕｍＲｅｐｒｏｄ１３：２８６９－７３ＭｉｌｋｉＡＡ、他（２００２）ＦｅｒｔｉｌＳｔｅｒｉｌ７７：１１９１－５Ｎａｇｙ、他（１９９４）ＨｕｍａｎＲｅｐｒｏｄｕｃｔｉｏｎ．９（９）：１７４３－１７４８；Ｐａｙｎｅ、他（１９９７）ＨｕｍａｎＲｅｐｒｏｄｕｃｔｉｏｎ．１２：５３２－５４１

細胞活性の自動非侵襲評価および／または細胞活性の査定の信頼推定のための装置、方法、およびシステムが提供される。

一実施形態では、装置は、画像に示されている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ている仮説選択モジュールを含む。複数の仮説の各々は、画像に示されている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。仮説選択モジュールは、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、細胞活性の自動非侵襲評価のための方法は、画像に示されている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む。複数の仮説を生成することは、画像に示されている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。本方法はさらに、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。

一実施形態では、細胞活性の自動非侵襲評価のためのシステムは、細胞活性の自動評価のために構成されているコンピュータ装置を含む。コンピュータ装置は、複数の仮説が、画像に示されている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ように、画像に示されている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る。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る。

一実施形態では、自動信頼推定のための装置は、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ている信頼尺度を決定するように構成されている信頼モジュールを含む。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ている１つ以上の細胞を特徴付ける。本装置はまた、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ている信頼性決定モジュールも含む。信頼モジュールおよび信頼性決定モジュールのうちの少なくとも１つは、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、自動信頼推定のための方法は、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ている信頼尺度を決定することを含む。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ている１つ以上の細胞を特徴付ける。本方法はまた、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も含む。

一実施形態では、細胞活性の自動評価のためのシステムは、細胞活性の自動評価のために構成されているコンピュータ装置を含む。コンピュータ装置は、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ている信頼尺度を決定するように構成される。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ている１つ以上の細胞を特徴付ける。コンピュータ装置はさらに、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）細胞活性の自動非侵襲評価のための装置であって、前記装置は、
画像に示されている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ている仮説選択モジュールを備え、前記複数の仮説の各々は、前記画像に示されている前記１つ以上の細胞の幾何学的特徴に基づく、前記１つ以上の細胞の推測特性を含み、
前記仮説選択モジュールは、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２）前記仮説選択モジュールは、前記画像に示されている前記１つ以上の細胞の前記幾何学的特徴との前記推測特性の適合性に基づいて、前記仮説を選択するように構成されている、項目１に記載の装置。
（項目３）前記幾何学的特徴は、前記１つ以上の細胞の各々に関連付けられている境界情報を含む、項目１に記載の装置。
（項目４）前記境界情報は、１つ以上の境界区画を含む、項目３に記載の装置。
（項目５）前記画像に基づいて、前記１つ以上の境界区画を決定するように構成されている境界検出モジュールをさらに備え、前記境界検出モジュールは、区画生成を行って、前記１つ以上の境界区画を決定するように構成されている、項目４に記載の装置。
（項目６）前記画像に基づいて、前記１つ以上の境界区画を決定するように構成されている境界検出モジュールをさらに備え、前記境界検出モジュールは、第１の境界区画および第２の境界区画を前記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ている、項目１に記載の装置。
（項目７）前記１つ以上の細胞は、多細胞胚に含まれる、項目１に記載の装置。
（項目８）前記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、項目１に記載の装置。
（項目９）前記幾何学的特徴は、前記１つ以上の細胞の各々に関連付けられている１つ以上の境界区画を含み、前記装置は、前記１つ以上の細胞の各々の表現を前記複数の仮説の各々によって特徴付けられるような前記関連する１つ以上の境界区画にマップするように構成されている、マッピングモジュールをさらに備えている、項目１に記載の装置。
（項目１０）前記境界区画は、前記１つ以上の境界区画と、第１の境界区画とを含み、
前記マッピングモジュールは、前記第１の境界区画を前記細胞のうちのいずれにも関連付けられていないヌル識別子にマップするように構成されている、項目９に記載の装置。
（項目１１）前記仮説選択モジュールは、前記選択された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１つ以上の細胞の特性を決定するように構成されている、項目１に記載の装置。
（項目１２）前記仮説選択モジュールによる前記１つ以上の細胞の前記特性の決定を増補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ている、項目１１に記載の装置。
（項目１３）前記仮説選択モジュールによる前記１つ以上の細胞の前記特性の決定を増補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ている、項目１１に記載の装置。
（項目１４）前記１つ以上の細胞の前記特性に基づいて、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、および配偶子合体から前記第１の細胞質分裂まで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ている細胞活性パラメータ決定モジュールをさらに備えている、項目１１に記載の装置。
（項目１５）前記１つ以上の細胞の前記特性に基づいて、女性のヒト対象への着床のための前記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ている表示モジュールをさらに備えている、項目１１に記載の装置。
（項目１６）前記１つ以上の細胞の前記推測特性は、前記１つ以上の細胞の推測数、および前記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、
前記１つ以上の細胞の前記特性は、前記１つ以上の細胞の数、および前記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、項目１１に記載の装置。
（項目１７）
前記１つ以上の細胞の前記推測幾何学形状は、前記１つ以上の細胞の推測形状と、前記１つ以上の細胞の推測配列とを含み、
前記１つ以上の細胞の前記幾何学形は、前記１つ以上の細胞の形状と、前記１つ以上の細胞の配列とを含む、項目１６に記載の装置。
（項目１８）前記１つ以上の細胞の前記数は、前記選択された仮説に関連付けられている前記推測数と同一であり、
前記１つ以上の細胞の前記幾何学形状は、前記選択された仮説に関連付けられている前記１つ以上の細胞の前記推測幾何学形状と同一である、項目１６に記載の装置。
（項目１９）前記仮説選択モジュールは、前記複数の仮説の各々に関連付けられている前記１つ以上の細胞の前記推測幾何学形状と、前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴との間の適合性に基づいて、前記複数の仮説から前記仮説を選択するように構成されている、項目１７に記載の装置。
（項目２０）前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴に基づいて、前記複数の仮説を生成するように構成されている仮説生成モジュールをさらに備え、前記仮説生成モジュールは、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、項目１に記載の装置。
（項目２１）前記仮説生成モジュールは、前記画像に示されている前記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、かつ前記画像に示されている前記１つ以上の細胞の前記幾何学的特徴に基づいて、前記予備仮説を精緻化して、前記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ている、項目２０に記載の装置。
（項目２２）前記予備仮説は、複数の第１の形状を含み、前記複数の第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、前記１つ以上の細胞の各々は、前記複数の第１の形状のうちの関連するものによって特徴付けられ、
前記仮説生成モジュールは、前記画像に示されている前記１つ以上の細胞の前記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、前記予備仮説を精緻化するように構成されている、項目２１に記載の装置。
（項目２３）前記複数の第１の形状の各々、および前記複数の第２の形状の各々は、楕円である、項目２２に記載の装置。
（項目２４）前記複数の第１の形状の各々、および前記複数の第２の形状の各々は、ｂスプラインである、項目２２に記載の装置。
（項目２５）前記画像に基づいて、前記１つ以上の細胞の各々に関連付けられている境界情報を決定するように構成されている境界検出モジュールをさらに備え、
前記境界検出モジュールは、前記細胞の一連の時間連続的な画像から前記境界情報を決定するように構成され、
前記画像は、前記一連の時間連続的な画像に含まれる第１の画像であり、
前記仮説生成モジュールは、以前に生成された仮説を修正することによって、前記予備仮説を決定するように構成され、前記以前に生成された仮説は、前記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前記細胞を特徴付け、前記第２の画像は、前記第１の画像に先立つ、項目２１に記載の装置。
（項目２６）前記画像は、第１の画像であり、
前記仮説選択モジュールは、前記第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、前記第１の画像に示されるような前記細胞を特徴付ける前記複数の仮説から前記仮説を選択するように構成されている、項目１に記載の装置。
（項目２７）前記一連の画像は、一連の時間連続的な画像であり、
前記仮説選択モジュールは、前記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、前記１つ以上の細胞の前記推測特性が、どのように変動することができるかを制限する制約を考慮して、前記一連の時間連続的な画像にわたって前記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ている、項目２６に記載の装置。
（項目２８）前記１つ以上の細胞の前記推測特性は、前記１つ以上の細胞の推測数を含む、項目２７に記載の装置。
（項目２９）前記制約は、
前記１つ以上の細胞の前記推測数が、前記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、
前記１つ以上の細胞の前記推測数の変化後、前記１つ以上の細胞の前記推測数が、前記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
前記１つ以上の細胞の前記推測数が、前記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、前記第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、項目２８に記載の装置。
（項目３０）細胞活性の自動非侵襲評価のための方法であって、前記方法は、
画像に示されている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であって、前記複数の仮説を生成することは、前記画像に示されている前記１つ以上の細胞の幾何学的特徴に基づいて、前記１つ以上の細胞の推測特性を決定することを含む、ことと、
前記画像に関連付けられている前記複数の仮説からある仮説を選択することと
を含む、方法。
（項目３１）前記仮説を選択することは、前記画像に示されている前記１つ以上の細胞の前記幾何学的特徴との前記推測特性の適合性に基づく、項目３０に記載の方法。
（項目３２）前記幾何学的特徴は、前記１つ以上の細胞の各々に関連付けられている境界情報を含む、項目３０に記載の方法。
（項目３３）前記境界情報は、１つ以上の境界区画を含む、項目３２に記載の方法。
（項目３４）前記１つ以上の細胞の各々に関連付けられている前記１つ以上の境界区画を決定することをさらに含む、項目３３に記載の方法。
（項目３５）前記１つ以上の細胞の各々の前記１つ以上の境界区画を決定することは、区画生成を行うことを含む、項目３４に記載の方法。
（項目３６）前記１つ以上の細胞の各々の前記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の境界区画を前記１つ以上の細胞のうちの少なくとも１つの前記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、項目３４に記載の方法。
（項目３７）前記１つ以上の細胞は、多細胞胚に含まれる、項目３０に記載の方法。
（項目３８）前記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、項目３０に記載の方法。
（項目３９）前記幾何学的特徴は、前記１つ以上の細胞の各々に関連付けられている１つ以上の境界区画を含み、前記方法は、前記１つ以上の細胞の各々の表現を前記１つ以上の境界区画にマップすることをさらに含む、項目３０に記載の方法。
（項目４０）第１の境界区画を前記細胞のうちのいずれにも関連付けられていないヌル識別子にマップすることをさらに含み、前記境界区画は、前記１つ以上の細胞の各々にマップされる前記境界区画のうちの前記関連する１つ以上の境界区画と、前記第１の境界区画とを含む、項目３９に記載の方法。
（項目４１）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１つ以上の細胞の特性を決定することをさらに含む、項目３０に記載の方法。
（項目４２）前記１つ以上の細胞の前記特性を決定することを増補するために、分類を行うことをさらに含む、項目４１に記載の方法。
（項目４３）前記１つ以上の細胞の前記特性を決定することを増補するために、画像類似性決定を行うことをさらに含む、項目４１に記載の方法。
（項目４４）前記１つ以上の細胞の前記特性に基づいて、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、および配偶子合体から前記第１の細胞質分裂までの時間間隔のうちの１つ以上のものを決定することをさらに含む、項目４１に記載の方法。
（項目４５）前記１つ以上の細胞の前記特性に基づいて、女性のヒト対象への着床のための前記１つ以上の細胞の発生能力の指標を表示することをさらに含む、項目４１に記載の方法。
（項目４６）前記１つ以上の細胞の前記推測特性は、前記１つ以上の細胞の推測数、および前記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、
前記１つ以上の細胞の前記特性は、前記１つ以上の細胞の数、および前記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、項目４１に記載の方法。
（項目４７）前記１つ以上の細胞の前記推測幾何学形状は、前記１つ以上の細胞の推測形状と、前記１つ以上の細胞の推測配列とを含み、
前記１つ以上の細胞の前記幾何学形は、前記１つ以上の細胞の形状と、前記１つ以上の細胞の配列とを含む、項目４６に記載の方法。
（項目４８）前記１つ以上の細胞の前記数は、前記仮説に関連付けられている前記推測数と同一であり、
前記１つ以上の細胞の前記幾何学形状は、前記仮説に関連付けられている前記１つ以上の細胞の前記推測幾何学形状と同一である、項目４６に記載の方法。
（項目４９）前記複数の仮説から前記仮説を選択することは、前記複数の仮説の各々に関連付けられている前記１つ以上の細胞の前記推測幾何学形状と、前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴との間の適合性に基づく、項目４６に記載の方法。
（項目５０）前記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、
前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴に基づいて、前記複数の仮説のうちの１つ以上の仮説を取得するために、前記予備仮説を精緻化することと
をさらに含む、項目３０に記載の方法。
（項目５１）前記予備仮説は、複数の第１の形状を含み、前記複数の第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、前記細胞の各々は、前記複数の第１の形状のうちの関連するものによって特徴付けられ、
前記予備仮説を精緻化することは、複数の第２の形状の各々を前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴に適合させることを含む、項目５０に記載の方法。
（項目５２）前記複数の第１の形状の各々、および前記複数の第２の形状の各々は、楕円である、項目５１に記載の方法。
（項目５３）前記複数の第１の形状の各々、および前記複数の第２の形状の各々は、ｂスプラインである、項目５１に記載の方法。
（項目５４）前記細胞の一連の時間連続的な画像から、前記１つ以上の細胞の各々に関連付けられている境界情報を決定することであって、前記画像は、前記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、前記予備仮説を生成することであって、前記以前に生成された仮説は、前記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前記細胞を特徴付け、前記第２の画像は、前記第１の画像に先立つ、ことと
をさらに含む、項目５０に記載の方法。
（項目５５）前記一連の時間連続的な画像は、一連の経時的画像である、項目５４に記載の方法。
（項目５６）前記画像は、第１の画像であり、
前記第１の画像に示されている前記１つ以上の細胞を特徴付ける前記複数の仮説から前記仮説を選択することは、前記第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、項目３０に記載の方法。
（項目５７）前記一連の画像は、一連の時間連続的な画像であり、
前記一連の時間連続的な画像にわたって前記最も可能性の高い一連の仮説を決定することは、前記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、前記１つ以上の細胞の前記推測特性が、どのように変動することができるかを制限する制約を考慮する、項目５６に記載の方法。
（項目５８）前記制約は、
前記１つ以上の細胞の推測数が、前記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、
前記１つ以上の細胞の前記推測数の変化後、前記１つ以上の細胞の前記推測数が、前記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
前記１つ以上の細胞の前記推測数が、前記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、前記第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、項目５７に記載の方法。
（項目５９）細胞活性の自動非侵襲評価のためのシステムであって、前記システムは、細胞活性の自動評価のために構成されているコンピュータ装置を備え、
前記コンピュータ装置は、
画像に示されている１つ以上の細胞の幾何学的特徴に基づいて、複数の仮説が前記１つ以上の細胞の推測特性を含むように、前記画像に示されている前記１つ以上の細胞を特徴付ける前記複数の仮説を生成することと、
前記画像に関連付けられている前記複数の仮説からある仮説を選択することと
を行うように構成されている、システム。
（項目６０）前記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ている、項目５９に記載のシステム。
（項目６１）前記コンピュータ装置は、前記画像に示されている前記１つ以上の細胞の前記幾何学的特徴との前記推測特性の適合性に基づいて、前記仮説を選択するようにさらに構成されている、項目５９に記載のシステム。
（項目６２）前記幾何学的特徴は、前記１つ以上の細胞の各々に関連付けられている境界情報を含む、項目５９に記載のシステム。
（項目６３）前記境界情報は、１つ以上の境界区画を含む、項目６２に記載のシステム。
（項目６４）前記コンピュータ装置は、前記１つ以上の細胞の各々に関連付けられている前記１つ以上の境界区画を決定するようにさらに構成されている、項目６３に記載のシステム。
（項目６５）前記コンピュータ装置が前記１つ以上の細胞の各々の前記１つ以上の境界区画を決定するように構成されていることは、区画生成を行うように構成されていることを含む、項目６４に記載のシステム。
（項目６６）前記コンピュータ装置が前記１つ以上の細胞の各々の前記１つ以上の境界区画を決定するように構成されていることは、第１の境界区画および第２の境界区画を前記１つ以上の細胞のうちの少なくとも１つの前記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ていることを含む、項目６４に記載のシステム。
（項目６７）前記１つ以上の細胞は、多細胞胚に含まれる、項目５９に記載のシステム。
（項目６８）前記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、項目５９に記載のシステム。
（項目６９）前記幾何学的特徴は、前記１つ以上の細胞の各々に関連付けられている１つ以上の境界区画を含み、
前記コンピュータ装置は、前記１つ以上の細胞の各々の表現を前記１つ以上の境界区画にマップするようにさらに構成されている、項目５９に記載のシステム。
（項目７０）前記コンピュータ装置は、第１の境界区画を前記細胞のうちのいずれにも関連付けられていないヌル識別子にマップするようにさらに構成され、前記境界区画は、前記細胞の各々にマップされる前記境界区画のうちの前記関連する１つ以上の境界区画と、前記第１の境界区画とを含む、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１つ以上の細胞の特性を決定するようにさらに構成されている、項目５９に記載のシステム。
（項目７２）前記１つ以上の細胞の前記特性に基づいて、女性のヒト対象への着床のための前記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ている表示デバイスをさらに備えている、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、分類を行って、前記１つ以上の細胞の前記特性の決定を増補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）前記コンピュータ装置は、画像類似性決定を行って、前記１つ以上の細胞の前記特性の決定を増補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７５）前記コンピュータ装置は、前記１つ以上の細胞の前記特性に基づいて、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、および配偶子合体から前記第１の細胞質分裂までの時間間隔のうちの１つ以上のもの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７６）前記１つ以上の細胞の前記推測特性は、前記１つ以上の細胞の推測数、および前記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、
前記１つ以上の細胞の前記特性は、前記１つ以上の細胞の数、および前記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、項目７１に記載のシステム。
（項目７７）前記１つ以上の細胞の前記推測幾何学形状は、前記１つ以上の細胞の推測形状と、前記１つ以上の細胞の推測配列とを含み、
前記１つ以上の細胞の前記幾何学形は、前記１つ以上の細胞の形状と、前記１つ以上の細胞の配列とを含む、項目７２に記載のシステム。
（項目７８）前記コンピュータ装置が前記複数の仮説から前記仮説を選択するように構成されていることは、前記複数の仮説の各々に関連付けられている前記１つ以上の細胞の前記推測幾何学形状と、前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴との間の適合性に基づく、項目７２に記載のシステム。
（項目７９）前記１つ以上の細胞の前記数は、前記仮説に関連付けられている前記推測数と同一であり、
前記１つ以上の細胞の前記幾何学形状は、前記仮説に関連付けられている前記１つ以上の細胞の前記推測幾何学形状と同一である、項目７２に記載のシステム。
（項目８０）前記コンピュータ装置は、
前記画像に示されている前記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、
前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴に基づいて、前記予備仮説を精緻化して、前記複数の仮説のうちの１つ以上の仮説を取得することと
を行うようにさらに構成されている、項目５９に記載のシステム。
（項目８１）前記予備仮説は、複数の第１の形状を含み、前記複数の第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、前記細胞の各々は、前記複数の第１の形状のうちの関連するものによって特徴付けられ、
前記コンピュータ装置が前記予備仮説を精緻化するように構成されていることは、複数の第２の形状の各々を前記画像に示されている前記１つ以上の細胞の前記関連幾何学的特徴に適合させるように構成されていることを含む、項目８０に記載のシステム。
（項目８２）前記複数の第１の形状の各々、および前記複数の第２の形状の各々は、楕円である、項目８１に記載のシステム。
（項目８３）前記複数の第１の形状の各々、および前記複数の第２の形状の各々は、ｂスプラインである、項目８１に記載のシステム。
（項目８４）前記コンピュータ装置は、
前記細胞の一連の時間連続的な画像から、前記１つ以上の細胞の各々に関連付けられている境界情報を決定することであって、前記画像は、前記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、前記予備仮説を生成することであって、前記以前に生成された仮説は、前記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前記細胞を特徴付け、前記第２の画像は、前記第１の画像に先立つ、ことと
を行うようにさらに構成されている、項目８０に記載のシステム。
（項目８５）前記一連の時間連続的な画像は、一連の経時的画像である、項目８４に記載のシステム。
（項目８６）前記画像は、第１の画像であり、
前記コンピュータ装置が前記第１の画像に示されるような前記１つ以上の細胞を特徴付ける前記複数の仮説から前記仮説を選択するように構成されていることは、前記第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ていることを含む、項目５９に記載のシステム。
（項目８７）前記一連の画像は、一連の時間連続的な画像であり、
前記コンピュータ装置が前記一連の画像にわたって前記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ていることは、前記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、前記１つ以上の細胞の前記推測特性が、どのように変動することができるかを制限する制約を考慮するように構成されていることを含む、項目８６に記載のシステム。
（項目８８）前記制約は、
前記１つ以上の細胞の推測数が、前記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、
前記１つ以上の細胞の前記推測数の変化後、前記１つ以上の細胞の前記推測数が、前記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
前記１つ以上の細胞の前記推測数が、前記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、前記第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、項目８７に記載のシステム。
（項目８９）細胞活性の自動評価のための方法であって、前記方法は、
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、前記複数の仮説に関連付けられている信頼尺度を決定することであって、前記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ている１つ以上の細胞を特徴付ける、ことと、
前記信頼尺度に基づいて、前記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と
を含む、方法。
（項目９０）前記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、項目８９に記載の方法。
（項目９１）前記複数の仮説の各々に関連付けられている、前記１つ以上の細胞の各々の推定幾何学形状と、前記１つ以上の細胞の前記１つ以上の画像から決定される、前記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、前記複数の仮説を選択することをさらに含む、項目８９に記載の方法。
（項目９２）前記境界の各々は、１つ以上の境界区画を含む、項目９１に記載の方法。
（項目９３）前記複数の画像は、暗視野照明顕微鏡法によって取得される、項目８９に記載の方法。
（項目９４）前記複数の仮説の各々は、前記１つ以上の細胞の数の推定値、前記１つ以上の細胞の各々の形状の推定値、および前記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、項目８９に記載の方法。
（項目９５）前記複数の画像の各々の中の前記１つ以上の細胞に関連付けられている境界を検出することをさらに含み、前記複数の仮説の各々は、前記境界のうちの関連する１つ以上の境界に基づく、項目８９に記載の方法。
（項目９６）前記境界の各々は、１つ以上の境界区画を含む、項目９５に記載の方法。
（項目９７）前記複数の仮説は、前記１つ以上の細胞の発生能に関連付けられている細胞活性の特徴付けに関連付けられている、項目８９に記載の方法。
（項目９８）前記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、および配偶子合体から第１の細胞質分裂までの時間間隔のうちの１つ以上のものを含む、項目９７に記載の方法。
（項目９９）前記複数の仮説のうちの前記少なくとも１つが、信頼性があると決定される場合のみ、前記細胞活性の特徴付けを表示することをさらに含む、項目９７に記載の方法。
（項目１００）前記細胞活性の特徴付け、および前記細胞活性の特徴付けに関連付けられている前記複数の仮説のうちの前記少なくとも１つの前記信頼性の指標を表示することをさらに含む、項目９７に記載の方法。
（項目１０１）前記複数の画像は、一連の経時的画像であり、
前記複数の仮説のうちの前記１つ以上の仮説の前記可能性の前記推定値は、前記一連の経時的画像の各々に示される前記細胞の数が経時的に減少しないという制約を考慮する、項目８９に記載の方法。
（項目１０２）前記複数の仮説のうちの前記少なくとも１つの前記信頼性を決定することは、前記信頼尺度に基づいて、選択基準を前記１つ以上の細胞に適用することを含む、項目８９に記載の方法。
（項目１０３）前記選択基準は、女性のヒト対象への着床のための前記１つ以上の細胞の発生能力に関連付けられている、項目１０２に記載の方法。
（項目１０４）前記選択基準は、前記信頼尺度の１つ以上の閾値に基づく、項目１０２に記載の方法。
（項目１０５）前記選択基準を適用することの結果を表示することをさらに含む、項目１０２に記載の方法。
（項目１０６）前記選択基準に基づいて、前記複数の仮説のうちの前記少なくとも１つが、信頼性がないと見なされる場合、女性のヒト対象への着床のための前記１つ以上の細胞を拒絶することをさらに含む、項目１０２に記載の方法。
（項目１０７）前記選択基準に基づいて決定される前記複数の仮説のうちの前記少なくとも１つの前記信頼性に基づいて、女性のヒト対象への着床のための前記１つ以上の細胞の発生能力の指標を表示することをさらに含む、項目１０２に記載の方法。
（項目１０８）細胞活性の自動評価のための装置であって、前記装置は、
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、前記複数の仮説に関連付けられている信頼尺度を決定するように構成されている信頼モジュールであって、前記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ている１つ以上の細胞を特徴付ける、信頼モジュールと、
前記信頼尺度に基づいて、前記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ている信頼性決定モジュールと
を備え、
前記信頼モジュールおよび前記信頼性決定モジュールのうちの少なくとも１つは、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１０９）少なくとも１つの暗視野照明顕微鏡を介して、前記複数の画像を取得するように構成されている画像モジュールをさらに備えている、項目１０８に記載の装置。
（項目１１０）前記複数の仮説は、第１の複数の仮説であり、前記装置は、前記第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ている仮説生成モジュールをさらに備え、前記第２の複数の仮説の各々は、１つ以上の細胞の数の推定値、前記１つ以上の細胞の各々の形状の推定値、および前記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、項目１０８に記載の装置。
（項目１１１）前記複数の画像の各々の中の前記１つ以上の細胞に関連付けられている境界を検出するように構成されている境界検出モジュールをさらに備え、前記複数の仮説の各々は、前記境界のうちの関連する１つ以上の境界に基づく、項目１０８に記載の装置。
（項目１１２）前記境界の各々は、１つ以上の境界区画を含む、項目１１１に記載の装置。
（項目１１３）仮説選択モジュールをさらに備え、
前記複数の画像は、一連の経時的画像であり、
前記仮説選択モジュールは、前記一連の経時的画像の各々に示される前記細胞の数が経時的に減少しないという制約を考慮して、前記複数の仮説のうちの前記１つ以上の仮説の前記可能性の前記推定値を決定するように構成されている、項目１０８に記載の装置。
（項目１１４）前記複数の仮説は、前記１つ以上の細胞の発生能に関連付けられている細胞活性の特徴付けに関連付けられている、項目１０８に記載の装置。
（項目１１５）前記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、および配偶子合体から第１の細胞質分裂までの時間間隔のうちの１つ以上のものを含む、項目１１４に記載の装置。
（項目１１６）前記複数の仮説のうちの前記少なくとも１つが、信頼性があると決定される場合のみ、前記細胞活性の特徴付け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１１４に記載の装置。
（項目１１７）前記細胞活性の特徴付け、および前記細胞活性の特徴付けに関連付けられている前記複数の仮説のうちの前記少なくとも１つの前記信頼性の指標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１１４に記載の方法。
（項目１１８）前記信頼性決定モジュールは、前記信頼尺度に基づいて、選択基準を前記１つ以上の細胞に適用するように構成されている、項目１０８に記載の装置。
（項目１１９）前記選択基準は、女性のヒト対象への着床のための前記１つ以上の細胞の発生能力に関連付けられている、項目１１８に記載の装置。
（項目１２０）前記選択基準は、前記信頼尺度の１つ以上の閾値に基づく、項目１１８に記載の装置。
（項目１２１）前記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ている表示モジュールをさらに備えている、項目１１８に記載の装置。
（項目１２２）前記信頼性決定モジュールは、前記選択基準に基づいて、前記複数の仮説のうちの前記少なくとも１つが、信頼性がないと決定される場合、女性のヒト対象への着床のための前記１つ以上の細胞を拒絶するように構成されている、項目１１８に記載の装置。
（項目１２３）前記選択基準に基づいて決定される、前記複数の仮説のうちの前記少なくとも１つの前記信頼性に基づいて、女性のヒト対象への着床のための前記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ている表示モジュールをさらに備えている、項目１１８に記載の装置。
（項目１２４）前記１つ以上の細胞の前記複数の画像を受信するように構成されている、画像モジュールをさらに備えている、項目１１８に記載の装置。
（項目１２５）前記複数の仮説の各々に関連付けられている、前記１つ以上の細胞の各々の推測幾何学形状と、前記１つ以上の細胞の前記１つ以上の画像から決定される、前記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、前記複数の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ている、項目１０８に記載の装置。
（項目１２６）前記境界の各々は、１つ以上の境界区画を含む、項目１２５に記載の装置。
（項目１２７）細胞活性の自動評価のためのシステムであって、前記システムは、細胞活性の自動評価のために構成されているコンピュータ装置を備え、
前記コンピュータ装置は、
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、前記複数の仮説に関連付けられている信頼尺度を決定することであって、前記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ている１つ以上の細胞を特徴付ける、ことと、
前記信頼尺度に基づいて、前記複数の仮説の信頼性を決定することと
を行うように構成されている、システム。
（項目１２８）
前記複数の仮説の前記信頼性の指標を提示するように構成されている表示デバイスと、
前記表示デバイスを介した前記提示に応答して、前記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ている入力インターフェースと
をさらに備えている、項目１２７に記載のシステム。
（項目１２９）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ている、項目１２７に記載のシステム。
（項目１３０）前記撮像デバイスは、暗視野照明顕微鏡である、項目１２９に記載のシステム。
（項目１３１）前記複数の仮説の各々は、前記１つ以上の細胞の数の推定値、前記１つ以上の細胞の各々の形状の推定値、および前記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、項目１２７に記載のシステム。
（項目１３２）前記コンピュータ装置は、前記複数の画像の各々の中の前記１つ以上の細胞に関連付けられている境界を検出するようにさらに構成され、前記複数の仮説の各々は、前記境界のうちの関連する１つ以上の境界に基づく、項目１２７に記載のシステム。
（項目１３３）前記境界の各々は、１つ以上の境界区画を含む、項目１３２に記載のシステム。
（項目１３４）前記複数の仮説は、前記１つ以上の細胞の発生能に関連付けられている細胞活性の特徴付けに関連付けられている、項目１２７に記載のシステム。
（項目１３５）前記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、および配偶子合体から第１の細胞質分裂までの時間間隔のうちの１つ以上のものを含む、項目１３４に記載のシステム。
（項目１３６）表示デバイスをさらに備え、前記表示デバイスは、前記複数の仮説のうちの前記少なくとも１つが、信頼性があると決定される場合のみ、前記細胞活性の特徴付けを表示するように構成されている、項目１３４に記載のシステム。
（項目１３７）表示デバイスをさらに備え、前記表示デバイスは、前記細胞活性の特徴付け、および前記細胞活性の前記特徴付けに関連付けられている前記複数の仮説のうちの前記少なくとも１つの前記信頼性の指標を表示するように構成されている、項目１３４に記載のシステム。
（項目１３８）
前記複数の画像は、一連の経時的画像であり、
前記複数の仮説のうちの前記１つ以上の仮説の前記可能性の前記推定値は、前記一連の経時的画像の各々に示される前記細胞の数が経時的に減少しないという制約を考慮する、項目１２７に記載のシステム。
（項目１３９）前記コンピュータ装置は、前記複数の仮説のうちの前記少なくとも１つの前記信頼性を決定することの一環として、前記信頼尺度に基づいて、選択基準を前記１つ以上の細胞に適用するように構成されている、項目１２７に記載のシステム。
（項目１４０）前記選択基準は、女性のヒト対象への着床のための前記１つ以上の細胞の発生能力に関連付けられている、項目１３９に記載のシステム。
（項目１４１）前記選択基準は、前記信頼尺度の１つ以上の閾値に基づく、項目１３９に記載のシステム。
（項目１４２）表示デバイスをさらに備え、前記表示デバイスは、前記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ている、項目１３９に記載のシステム。
（項目１４３）前記コンピュータ装置は、前記選択基準に基づいて、前記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、女性のヒト対象への着床のための前記１つ以上の細胞を拒絶するように構成されている、項目１３９に記載のシステム。
（項目１４４）表示デバイスをさらに備え、前記表示デバイスは、前記選択基準に基づいて決定される、前記複数の仮説のうちの前記少なくとも１つの前記信頼性に基づいて、女性のヒト対象への着床のための前記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ている、項目１３９に記載のシステム。
（項目１４５）前記１つ以上の細胞の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１つ以上の細胞の前記複数の画像を受信するように構成されている、項目１２７に記載のシステム。
（項目１４６）前記コンピュータ装置は、前記複数の仮説の各々に関連付けられている、前記１つ以上の細胞の各々の推測幾何学形状と、前記１つ以上の細胞の前記１つ以上の画像から決定される、前記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、前記複数の仮説を選択するように構成されている、項目１２７に記載のシステム。
（項目１４７）前記境界の各々は、１つ以上の境界区画を含む、項目１４６に記載のシステム。
（項目１４８）
前記複数の画像のうちの前記１つ以上の画像を表示することと、
前記複数の仮説の前記信頼性の指標を提示することと
を行うように構成されている表示デバイスをさらに備えている、項目１２７に記載のシステム。

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。

図１Ａ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た自動細胞追跡アプローチの非限定的実施例を図示する。

図１Ｂは、本発明の実施形態による、図１Ａに示される細胞境界区画の拡大図を図示する。

図２Ａは、本発明の実施形態による、細胞追跡枠組みの非限定的実施例を図示する。

図２Ｂは、本発明の別の実施形態による、細胞追跡枠組みの非限定的実施例を図示する。

図３Ａ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を図示する。

図３Ｂは、本発明の実施形態による、細胞境界特徴情報への細胞の表現のマッピングを生成し、細胞のうちの１つ以上の細胞の推測特性をそれぞれ含む、仮説を精緻化するための方法を図示する。

図３Ｃは、本発明の実施形態による、図１Ａで図示される仮説から仮説を選択するための方法を図示する。

図４Ａは、本発明の実施形態による、図１の画像１０２に対する仮説１１２の選択のための例示的なアプローチを図示する。

図４Ｂは、本発明の実施形態による、図１の画像１０２に対する仮説１１２の選択のための例示的なアプローチを図示する。

図４Ｃは、本発明の実施形態による、選択された仮説（図１Ａの選択された仮説１１２等）に対する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。

図５は、本発明の実施形態による、自動細胞追跡のため、および信頼推定のためのシステムの概略図を図示する。

図６は、本発明の実施形態による、コンピュータ装置を図示する。

図７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を図示する。

図８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方法を図示する。

図９Ａは、本発明の実施形態による、例示的な画像ベースの細胞分類アプローチを図示する。

図９Ｂは、本発明の実施形態による、例示的な訓練画像を図示する。

図９Ｃは、本発明の実施形態による、複数の画像の各々の特徴ベクターを図示する。

図１０は、本発明の実施形態による、図９Ａの画像ベースの細胞分類アプローチによる、例示的な画像ベースの細胞分類結果を図示する。

図１１Ａは、本発明の実施形態による、図９Ａのレベル１画像分類器を使用する画像ベースの細胞分類アプローチを図示する。

図１１Ｂは、本発明の実施形態による、図９Ａおよび図１１Ａのレベル１およびレベル２画像分類器を使用する画像ベースの細胞分類アプローチを図示する。

図１１Ｃは、本発明の実施形態による、図１１Ｂのレベル２画像分類器の出力に適用されるビタビ分類器を使用する画像ベースの細胞分類精緻化アプローチを図示する。

図１２は、本発明の実施形態による、例示的な細胞発生結果決定アプローチを図示する。

図１３は、本発明の実施形態による、教師なし学習のための例示的なアプローチを図示する。

図１４は、本発明の実施形態による、特徴抽出のための例示的なアプローチを図示する。

図１５は、本発明の実施形態による、結果決定のための例示的なアプローチを図示する。

図１６は、本発明の実施形態による、画像ベースの細胞発生結果決定のための方法を図示する。

図１７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ための方法を図示する。

図１８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。

図１９Ａおよび１９Ｂ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。

図２０は、時間的画像類似性の実施例を図示する。

図２１Ａ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の精密な細胞分裂検出率の例示的な結果を図示する。図２１Ｂ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の精密な細胞分裂検出率の例示的な結果を図示する；そして

図２２は、本発明の実施形態による、（ａ）分類器および類似性尺度（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）を使用するときに、（ｉ）遷移ｔ_１、（ｉｉ）遷移ｔ_２、（ｉｉｉ）遷移ｔ_３、および（ｉｖ）３つ全て（図２５（ｉｖ））においてｒｍｓｄ＜ｄ_ｐ＋ｍである、胚の比率の例示的な結果を図示する。

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。

「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。

「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。

発明の実施形態の説明
本発明の側面は、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。

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５^Ｋ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。

一実施形態では、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、５^Ｋ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。

一実施形態では、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１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た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１０２_１から１０２_４００（１０２_１、１０２_１５０、１０２_２５０、および１０２_４００が示される）は、それぞれ、画像１０２_１、１０２_１５０、１０２_２５０、および１０２_４００の各々に示される、１つ以上の細胞１００_１／１、１００_{１５０／１}から１００_{１５０／ｃ}、・・・１００_{４００／１}から１００_{４００／ｃ}の発生を示す（ｃは、画像１０２_ｉに示される細胞の数であり、ｃは、各画像１０２_ｉ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１００は、ヒト胚に含まれる。下付き文字１から４００は、各個々の画像１０２_ｉ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１０２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１０２_１については、１つの細胞１００_１／１が示されている。画像１０２_１５０については、２つの細胞１００_{１５０／１}から１００_{１５０／２}が示されている。画像１０２_２５０については、３つの細胞１００_{２５０／１}から１００_{２５０／３}が示されている。画像１０２_４００については、４つの細胞１００_{４００／１}から１００_{４００／４}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１０４_１／１、１０４_{１５０／１}から１０４_{１５０／ｋ}、・・・１０４_{４００／１}から１０４_{４００／ｋ}が、それぞれ、画像１０２_１、１０２_１５０、１０２_２５０、および１０２_４００の各々について示される（ｋは、画像１０２_ｉ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１０２_ｉ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１０４は、画像１０２に重ね合わせられておらず、隣接する細胞境界区画１０４が、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１０６_１／１、１０６_{１５０／１}から１０６_{１５０／ｎ}、・・・１０６_{４００／１}から１０６_{４００／ｎ}が、それぞれ、画像１０２_１、１０２_１５０、１０２_２５０、および１０２_４００の各々について、各画像に対して示される（ｎは、画像１０２_ｉに対する仮説の数であり、ｎは、各画像１０２_ｉについて異なる値であり得る）。本実施例では、画像１０２_ｉあたりのｎ個の仮説１０６_ｉ／１から１０６_ｉ／ｎの各々は、その仮説に対する各細胞１００_ｉ／ｃに関連付けられる境界区画１０４_ｉ／１から１０４_ｉ／ｋのうちの１つ以上の境界区画への各細胞１００_ｉ／ｃの表現のマッピングに基づく。他の実施形態では、仮説１０６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１０６は、１つ以上の細胞１０２の推測数、および１つ以上の細胞１００の推測幾何学形状を含む、１つ以上の細胞１００の推測特性を含む。例えば、仮説１０６_{４００／１}に関連付けられる細胞１００の推測数は、４（仮説１０６_{４００／１}に関連付けられる楕円１１０の数）であり、仮説１０６_{４００／１}に関連付けられる１つ以上の細胞１００の推測幾何学形状は、楕円１１０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１１０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１０２_１によって示されると決定される、１つだけの細胞１００_１／１および１つの細胞境界区画１０４_１／１があるため、画像１０２_１に関連付けられる１つだけの仮説、すなわち、細胞１００_１／１を細胞境界区画１０４_１／１にマップする仮説１０６_１／１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１０２_１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１０４_１／１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１１２_ｉ／ｎ（本実施例では仮説１０６_１／１、１０６_{１５０／２}、１０６_{２５０／２}、および１０６_{４００／１}を含む）が選択される。細胞１００の数、ならびに各選択された仮説１０６_１／１、１０６_{１５０／２}、１０６_{２５０／２}、および１０６_{４００／１}に関連付けられる１つ以上の細胞１００の幾何学形状を含む、選択された仮説１０６_１／１、１０６_{１５０／２}、１０６_{２５０／２}、および１０６_{４００／１}に関連付けられる細胞１００の特性１０８が、それぞれ、画像１０２_１、１０２_１５０、１０２_２５０、および１０２_４００の各々について示される。明確にするために、細胞特性１０８は、画像１０２に重ね合わせられていない。

図１Ｂは、本発明の実施形態による、図１Ａに示される細胞境界区画１０４の拡大図を図示する。識別された細胞境界区画１０４_１／１、１０４_{１５０／１}から１０４_{１５０／ｋ}、・・・１０４_{４００／１}から１０４_{４００／ｋ}が、それぞれ、画像１０２_１、１０２_１５０、１０２_２５０、および１０２_４００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１０４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１１０は、細胞境界区画１０４に含まれない細胞境界の閉塞部分である。

図２Ａは、本発明の実施形態による、細胞追跡枠組み２００の非限定的実施例を図示する。細胞追跡枠組み２００は、ヒト胚発生に関連付けられ得る。追跡枠組み２００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）２０２に基づき得る。一実施形態では、図１Ａを参照すると、ＰＧＭ２０２は、画像１０２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。ＰＧＭ２０２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。ＰＧＭ２０２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。ＰＧＭ２０２は、画像１０２_１から１０２_４００より観察可能な情報（証拠）を表す節点２０２_１／ｏから２０２_{４００／ｏ}と、細胞追跡に基づいて推測される、画像１０２_１から１０２_４００に関連付けられる変数を表す節点２０２_１／ｉから２０２_{４００／ｉ}とを含む。ＰＧＭ２０２の代表的な節点２０２_３／ｉおよび２０２_３／ｏは、１つの時間スライスについて、ＰＧＭ２０２に含まれ得る例示的な基礎的節点を図示するように拡張される。

一実施形態では、節点２０２_３／ｉに関連付けられる観察可能な証拠は、画像１０２_３から観察され、１つ以上の区画節点２０４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２０４は、区画

を表し、式中、

は、

を伴う、
である点の集合

である。各フレームｔでは、それぞれ、

個、

の点を伴うＫ_ｔ個の区画、。節点２０２_３／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２０６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２０８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２１０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２１２によって表される細胞分裂事象を含み得る。標識節点２０６は、区画を細胞に割り当てる標識

を表し、本実施例では、Ｎ_ｍａｘ＝４個の細胞である。楕円記述子節点２０８は、楕円

を表す。細胞の数の節点２１０は、細胞の数

を表す。細胞分裂事象節点２１２は、分裂事象

を表す。各楕円

は、その親

に関連付けられ得る。

ＰＧＭ２０２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１０２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３Ａ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。実施例３の方程式（８）は、実施例３の方程式（７）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図示する。実施例３の方程式（８）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が、方程式（１）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、（分裂事象が隣接する画像１０２（図１Ａ参照）の間で同等に起こりることも、怒らないこともあるように）０．５に設定される。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。

実施例３の方程式（８）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。実施例３の方程式（８、１１）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２Ｂは、本発明の別の実施形態による、細胞追跡枠組み２２０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２２０は、ヒト胚発生に関連付けられ得る。細胞追跡枠組み２２０の種々の側面は、図２Ａを参照して説明される細胞追跡枠組み２００の側面に類似し、これらの側面はここで繰り返されない。ＰＧＭ２２２は、ＰＧＭ２２２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２Ａを参照して説明されるＰＧＭ２０２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２２４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２２６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１０２（図１Ａ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実施例３の方程式（８）の中の

）を推定し得る。そのような分類器は、以下の実施例１および２で開示される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２Ｂ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３Ａ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１０４（図１参照）を含み得る。一実施形態では、細胞境界区画１０４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１０２（図１参照）に対して、細胞の境界点が決定される（ブロック３０２）。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３０４）。次いで、細胞境界区画の１つ以上のペアが、細胞境界区画１０４に合併され得る（ブロック３０６）。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３０４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２０６（図２Ａ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１０２からの観察可能な証拠である（図３Ｂを参照した説明を参照）。

細胞境界点の抽出（ブロック３０２）に関し、一実施形態では、各画像１０２（図１参照）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１０２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１０２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１０２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１０２に適用することの効果は、細胞１００（図１参照）の内部であろうと外部であろうと、画像１０２内の細胞境界点および他のピクセル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３０４）に関し、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１０２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３０６）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１０２からの境界点抽出（ブロック３０２）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１０２からの境界点抽出（ブロック３０２）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３０６）に関し、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３０４）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３０４）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３０６）。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３Ｂは、本発明の実施形態による、細胞境界特徴情報への細胞１００（図１参照）の表現のマッピングを生成し、各々が細胞１００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３１０を図示する。一実施形態では、細胞１００は、ヒト胚に含まれ得る。各画像１０２（図１参照）において、胚発生に関連付けられる仮説が生成され、それらの各々は、細胞１００の各々の表現を細胞境界区画１０４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１０２_ｉにおいて、画像１０２_ｉに関連付けられる予備仮説３１３を決定するために、前の画像１０２_ｉ－１からの細胞１００_{ｉ－１／ｎ}に対する仮説１０６_{ｉ－１／ｎ}から選択される、いくつかの「親」仮説３１１を使用することができる（ブロック３１２）。親仮説３１１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１０２_ｉに関連付けられる予備仮説３１３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これらの予備仮説３１３に含まれる推測特性のうちの１つ以上の特性が生成され得る。一実施形態では、画像１０２_ｉ－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３１１があり得る。代替として、画像１０２_ｉ－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３１１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３１３があり得る。代替として、多数の予備仮説３１３があり得る。初期画像１０２_１では、細胞１００_１／１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１００のうちのいずれかの表現に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１０２_ｉ）からの観察可能な幾何学的情報に基づいて、仮説３１５が予備仮説から生成される（ブロック３１４）。一実施形態では、仮説３１５は、少なくとも画像１０２_ｉ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ように、期待値最大化（ＥＭ）最適化を通して生成され得る（ブロック３１４）。画像１０２_ｉからの観察可能な幾何学的情報は、画像１０２_ｉに示される細胞１００_ｉ／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１００_ｉ／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１００_ｉ／ｎの配列は、限定されないが、細胞１００_ｉ／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１０２_ｉ、ならびに過去の画像１０２_１から１０２_ｉ－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３１５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３１４内の仮説３１５の生成は、ブロック３１６、３１８、および３２０のうちの１つ以上のブロックを含み得る。画像１０２_ｉでは、次いで、画像１０２_ｉに適用された区画合併（ブロック３０６）から取得される境界区画１０４_ｉ／ｋへの予備仮説３１３の各々に関連付けられる細胞１００_ｉ／ｎの各々の表現のマッピングが生成され得る（ブロック３１６）。一実施形態では、このマッピングは、区画１０４_ｉ／ｋの各々を、予備仮説３１３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１０４_ｉ／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１０４_ｉ／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２０６（図２参照）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１０２_ｉで精緻化仮説３１５を取得するように、ブロック３１６からのマッピングに基づいて、次いで、予備仮説３１３の各々が精緻化され得る（ブロック３１８）。理想的には、画像１０２_ｉに示される細胞１００_ｉ／ｎの各々の境界全体が可視的であろうため、予備仮説３１３にマップされる境界区画１０４_ｉ／ｋは、細胞１００_ｉ／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１０２_ｉに示される細胞１００_ｉ／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３１３にマップされる境界区画１０４_ｉ／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３１３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３１３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３１３にマップされる境界区画１０４_ｉ／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１０２_ｉで精緻化仮説３１５を取得するための予備仮説３１３の精緻化（ブロック３１８）は、（１つ以上の標識節点２０６（図２参照）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１０４_ｉ／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３１５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３１５によって特徴付けられる関連細胞１００_ｉ／ｎに関連付けられる。

次に、画像１０２_ｉに示される細胞１００_ｉ／ｎから決定される境界区画１０４_ｉ／ｋを含むが、それらに限定されない、画像１０２_ｉ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３１５が採点され得る（ブロック３２０）。一実施形態では、各精緻化仮説３１５を取得するために、ブロック３１６、３１８、および３２０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３１５を各画像１０２_ｉで生成することができる。例えば、所与の画像１０２_ｉで生成される精緻化仮説３１５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、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、精緻化仮説３１５によって特徴付けられる各細胞１００_ｉ／ｎに関連付けられる細胞境界点が、適合形状（限定されないが楕円等）を各細胞１００_ｉ／ｎにどれだけ良く適合させるかを示す。被覆率は、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、精緻化仮説３１５によって特徴付けられる各細胞１００_ｉ／ｎに関連付けられる細胞境界点によって、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、適合形状への内座層と見なされる、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、精緻化仮説３１５によって特徴付けられる各細胞１００_ｉ／ｎに関連付けられる細胞境界点の比である、内座層被覆率を特徴付けることができる。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３１７が、精緻化仮説３１５から画像１０２_ｉ＋１について選択される（ブロック３２２）。一実施形態では、画像１０２_ｉ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３１７があり得る。代替として、画像１０２_ｉ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３１７があり得る。精緻化仮説３１５およびそれらのスコアの集合は、精緻化仮説３１５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３１７を選択するために使用することができる。例えば、親仮説３１７は、画像１０２_１から１０２_ｉに基づいて決定される、画像１０２_１から１０２_ｉの各々における細胞の数の近似最大周辺尺度、画像１０２_１から１０２_ｉ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１０２_１から１０２_ｉの各々における細胞の数に関する周辺分布のうちの１つ以上のものに基づいて、選択され得る。これらの分布は、さらに図３Ｃ、４Ａ、および４Ｂを参照して説明される。

図３Ｃは、本発明の実施形態による、仮説１０６（図１参照）から仮説１１２を選択するための方法３３０を図示する。図４Ａ－４Ｂは、本発明の実施形態による、図１の画像１０２に対する仮説１１２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１１２の選択は、図２ＡのＰＧＭ２０２に関する近似推測である。代替として、仮説１１２の選択は、図２ＢのＰＧＭ２２２に関する近似推測である。代替として、仮説１１２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３Ｃ、４Ａ、および４Ｂを参照すると、一実施形態では、画像１０２_１から１０２_Ｎに対する精緻化仮説３１５（図３Ｂ参照）に基づいて、画像１０２_１から１０２_Ｎの各々における細胞の数の近似最大周辺尺度４０２を決定することができる（ブロック３３２）。本実施例では、近似最大周辺尺度４０２は、１つの細胞（４０２Ａ）、２つの細胞（４０２Ｂ）、３つの細胞（４０２Ｃ）、および４つの細胞（４０２Ｄ）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４０２に基づいて、画像１０２_１から１０２_Ｎ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３３４）。次いで、最も可能性の高い一連の仮説１１２が、時間連続的な画像１０２_１から１０２_Ｎにわたって決定される（ブロック３３６）。一実施形態では、最も可能性の高い一連の仮説１１２は、画像１０２_１から１０２_Ｎの各々における細胞の数に関する周辺分布４０４として表される。細胞の数に関するこれらの周辺分布４０４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３３８）。選択された仮説１１２は、それぞれ、画像１０２_１、１０２_１５０、１０２_２５０、および１０２_４００の各々について示されるように、画像１０２_１から１０２_Ｎ（図４Ａおよび４Ｂに示される実施例ではＮ＝４００）の各々に示される細胞１００_ｉ／ｎの推定数４０６、および各選択された仮説１１２に関連付けられる１つ以上の細胞１００の幾何学形状を含む、細胞１００の特性１０８に関連付けられる。画像１０２_１から１０２_Ｎの各々に示される細胞１００_ｉ／ｎの推定数４０６は、１つの細胞（４０４Ａ）、２つの細胞（４０４Ｂ）、３つの細胞（４０４Ｃ）、および４つの細胞（４０４Ｄ）に対する周辺分布４０４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１０２_ｉにわたる各周辺分布４０４の値は、選択された仮説１１２に基づいて、周辺分布４０４に関連付けられる細胞の数が画像１０２_ｉに示される確率を表す。細胞１００_ｉ／ｎの推定数４０６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４０２の数学的形態（方程式（１３、１４）、実施例３参照）、および画像１０２_１から１０２_Ｎ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）の実施例を詳細に図示し、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（２）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、（分裂事象が隣接する画像１０２（図１Ａ参照）の間で同等に起こりることも、起こらないこともあるように）０．５に設定される。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３３６および３３８を参照すると、確率伝搬法を使用して、画像１０２_１から１０２_Ｎの各々における細胞の数に関する周辺分布４０４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１０２_１から１０２_Ｎの各々に示される細胞１００_ｉ／ｎの推定数４０６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１０２_１から１０２_Ｎの各々における細胞の数に関する同時分布、および画像１０２_１から１０２_Ｎの各々における細胞の数に関する周辺分布４０４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４Ｃ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３３６）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１０６に関連付けられる１つ以上の細胞１００の推測数が、一連の時間連続的な画像１０２_１から１０２_Ｎ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１００の推測数の変化後、１つ以上の細胞１００の推測数が、一連の時間連続的な画像１０２_１から１０２_Ｎ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／または（３）１つ以上の細胞１００の推測数が、一連の時間連続的な画像１０２_１から１０２_Ｎ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。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１０６の排除を促進することができる。制約（３）は、細胞１００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ＰＧＭ２０２および／または２２２（図２Ａおよび２Ｂ参照）に関する近似推測は、左から右の様式で（画像１０２_１から画像１０２_Ｎに）起こり得、その後に事象推測（図３Ｃ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３１５をさらに精緻化するように、および追加の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１０２_Ｎから画像１０２_１への）画像１０２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１０２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３Ｃ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１０２_１から画像１０２_Ｎの各々における親仮説３１７（図３Ｂ参照）は、選択された仮説１１２であり得る。

図４Ａ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４Ｂ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４０５は、隣接する画像１０２（図１Ａ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４０３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、以下の実施例３の方程式（２）の中の

）を含み得る。

いくつかの実施形態では、複数の画像１０２に関連付けられる選択された仮説１１２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１０２が発育中の胚の経時的画像であるとき、各選択される仮説１１２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１０２の可能性に関連付けることができ、細胞分裂タイミング／事象を推測するために使用することができる。そのような実施形態では、選択される仮説１１２は、図３Ｃ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、選択される仮説１１２は、複数の画像１０２に対して、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（以下の表１の中のｔ５）、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）、および／または以下の表１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１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、「ＥｍｂｒｙｏＱｕａｌｉｔｙＡｓｓｅｓｓｍｅｎｔＢａｓｅｄｏｎＢｌａｓｔｏｍｅｒｅＣｌｅａｖａｇｅａｎｄＭｏｒｐｈｏｌｏｇｙ」、国際出願日が２０１４年２月３日の（ＰＣＴ公開第）ＰＣＴ／ＵＳ２０１４／０１４４４９号、「ＡｂｎｏｒｍａｌＳｙｎｇａｍｙＰｈｅｎｏｔｙｐｅｓＯｂｓｅｒｖｅｄＷｉｔｈＴｉｍｅＬａｐｓｅＩｍａｇｉｎｇｆｏｒＥａｒｌｙＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＥｍｂｒｙｏｓＷｉｔｈＬｏｗｅｒＤｅｖｅｌｏｐｍｅｎｔＰｏｔｅｎｔｉａｌ」、および国際出願日が２０１４年２月３日の（ＰＣＴ公開第）ＰＣＴ／ＵＳ２０１４／０１４４６６号、「ＭｅａｓｕｒｉｎｇＥｍｂｒｙｏＤｅｖｅｌｏｐｍｅｎｔａｎｄＩｍｐｌａｎｔａｔｉｏｎＰｏｔｅｎｔｉａｌＷｉｔｈＴｉｍｉｎｇａｎｄＦｉｒｓｔＣｙｔｏｋｉｎｅｓｉｓＰｈｅｎｏｔｙｐｅＰａｒａｍｅｔｅｒｓ」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。

本発明の側面はさらに、各選択された仮説（仮説１１２（図１Ａ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４０４の急な遷移によって表される場合には、選択された仮説１１２に関連付けられる細胞１００_ｉ／ｎの推定数４０６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１１２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１参照）。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４Ｃは、本発明の実施形態による、選択された仮説（図１Ａの選択された仮説１１２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１０２_１から１０２_Ｎの各々に示される細胞１００_ｉ／ｎの推定数４０６は、各画像１０２_ｉにおいて最高の可能性を有する選択された仮説１１２（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）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４０８）。信頼尺度は、画像１０２_１から１０２_Ｎにわたる選択された仮説１１２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４Ａおよび４Ｂ参照）周辺分布４０４Ｂ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４０４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４０４の急な遷移によって表される場合には、選択された仮説１１２に関連付けられる細胞１００_ｉ／ｎの推定数４０６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１１２の信頼性を決定することができる（ブロック４１０）。例えば、選択された仮説１１２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１１２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１１２が、信頼性がないと見なされる場合、仮説１１２の非信頼性の指標が表示され得る。

次に、選択された仮説１１２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４１２）。次に、着床のために画像１０２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ように、選択基準を適用することができる（ブロック４１４）。選択基準は、ブロック４１０で行われる閾値化に基づいて、および随意に、ブロック４１２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１１２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１１２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／または指標は、信頼尺度に基づく、仮説１１２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５を参照すると、本発明の実施形態による、自動細胞追跡のため、および信頼推定のためのシステム５００の概略図が説明される。システム５００は、少なくとも、撮像デバイス５０２と、コンピュータ装置５０４と、表示デバイス５０６と、入力インターフェース５０８とを含む。

いくつかの実施形態では、コンピュータ装置５０４、表示デバイス５０６、および入力インターフェース５０８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の中等の）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５０２に接続され得る。代替として、または加えて、撮像デバイス５０２、コンピュータ装置５０４、表示デバイス５０６、および入力インターフェース５０８は、共通シャーシに組み込まれ得る。

撮像デバイス５０２は、１つ以上の細胞の画像および／または複数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。コンピュータ装置５０４は、撮像デバイス５０２から画像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、撮像デバイス５０２は、暗視野照明顕微鏡および明視野照明顕微鏡のうちの１つ以上のものを含むが、これらの画像診断法に限定されない。表示デバイス５０６は、制御情報および／またはデータをシステム５００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５０６は、少なくとも、複数の画像のうちの１つ以上の画像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５０６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５０４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、複数の仮説が、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ように、コンピュータ装置５０４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る。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５０４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５０４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５０４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５０４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５０４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、および配偶子合体から第１の細胞質分裂まで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５０４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５０４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５０４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５０４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。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５０４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。

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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０６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５０６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５０８はさらに、表示デバイス５０６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５０６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５０４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５０４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５０４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５０６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５０４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５０６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。

図６は、本発明の実施形態による、コンピュータ装置５０４を図示する。コンピュータ装置５０４は、少なくとも、プロセッサ５１２と、メモリ５１４と、入出力モジュール（Ｉ／Ｏ）５１６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５１８とを含む。いくつかの実施形態では、メモリ５１４は、コンピュータ装置５０４を実装するために使用される、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５１２は、図６で図示されるように、コンピュータ装置５０４を実装するために使用することができる。プロセッサ５１２は、画像モジュール５２０、境界検出モジュール５２２、仮説生成モジュール５２４、仮説選択モジュール５２６、信頼モジュール５２８、信頼性決定モジュール５３０、マッピングモジュール５３２、細胞活性パラメータ決定モジュール５３３、および表示モジュール５４２等の図６に示されるモジュールの種々の組み合わせを含み得る。いくつかの実施形態では、画像モジュール５２０は、暗視野照明顕微鏡、明視野照明顕微鏡、または他の好適な画像診断法のうちの１つ以上のものを介して、複数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、仮説選択モジュール５２６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５２６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５２６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５２６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５２６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５２６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。仮説生成モジュール５２６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５２６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。

いくつかの実施形態では、仮説生成モジュール５２４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５２４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５２４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５２４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５２２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５２２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５２４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５２２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５２２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５２２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５２２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５２２は、第１の境界区画と第２の境界区画とを、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５３３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、および配偶子合体から第１の細胞質分裂まで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、マッピングモジュール５３２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。

いくつかの実施形態では、信頼モジュール５２８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５３０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５３０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５２４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５２６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５２６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５２２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５４２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５４２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５４２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５４２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、プロセッサ５１２はさらに、以下の実施例１でさらに説明される、学習モジュール５４０と、訓練モジュール５３４と、分類モジュール５３６とを含み得る。分類モジュール５３６は、仮説選択モジュール５２６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５１２はさらに、以下の実施例１でさらに説明される、結果決定モジュール５３８を含み得る。

いくつかの実施形態では、プロセッサ５１２はさらに、画像類似性決定モジュール５４１を含み得る。画像類似性決定モジュール５４１は、仮説選択モジュール５２６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、プロセッサはさらに、その開示全体が参照することにより本明細書に組み込まれる、２０１４年２月２８日に出願された、米国特許出願第＿＿／＿＿＿，＿＿＿号、「ＡＰＰＡＲＡＴＵＳ，ＭＥＴＨＯＤ，ＡＮＤＳＹＳＴＥＭＦＯＲＩＭＡＧＥ－ＢＡＳＥＤＨＵＭＡＮＥＭＢＲＹＯＣＥＬＬＣＬＡＳＳＩＦＩＣＡＴＩＯＮ」で開示されるように、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５４４と、スコア決定モジュール５４８と、ランク付けモジュール５５０と、カテゴリ化モジュール５５２とを含むことができる。

図７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７１０）。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７１２）。次に、複数の仮説から仮説が選択される（ブロック７２０）。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７３０）。

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。

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。

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８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８１０）。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８２０）。

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。

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）

（実施例１）

前述のように、本発明のいくつかの側面はまた、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。したがって、本発明のいくつかの側面は、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９は、本発明の実施形態による、２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９０２－１、２細胞分類器９０２－２、３細胞分類器９０２－３、および４細胞（または４つ以上の細胞）分類器９０２－４）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。図９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９０２の出力は、追加の特徴として、レベル２画像分類器９０４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９０４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２参照）。

以下の表２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２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２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２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２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９Ｂは、本発明の実施形態による、図９Ａの（例えば）レベル１分類器９０２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９０８－１）、２つの細胞（参照文字９０８－２）、３つの細胞（参照文字９０８－３）、および４つの細胞（参照文字９０８－４）を示すものとして標識される、訓練画像９０８の非限定的実施例を図示する。一実施形態では、訓練画像９０８－４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９０８等）に基づく、教師あり学習であり得る。

図９Ｃは、本発明の実施形態による、複数の画像上で表２の記載された特徴を採用する、分類器の例示的な出力９１０を図示する。図９Ｃでは、各行９１０－１から９１０－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９１０－１から９１０－ｎは、３７０の列（図９Ｃでは全て示されていない）を有し、１つは画像識別子９１０ａに対し、１つは表２に示される３６９個の特徴の各々に対するものである。図９Ｃに示される代表的な列入力９１０ａ－９１０ｈは、画像識別子９１０ａと、表２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（９１０ｂ－９１０ｈ）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９１０ｂ－９１０ｇ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９１０ｈとを含む。このようにして、各特徴ベクター９１０－１から９１０－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１０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１０では、発育中の胚の経時的な一連の画像１００２が、本発明の実施形態に従って、図９Ａのレベル１およびレベル２分類器１００２、１００４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１００４Ａは、画像１００２のうちの各画像に対するレベル１分類器９０２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１００４Ｂは、画像１００２に関する各画像に対するレベル２分類器９０４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１１Ａ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１１０２は、レベル１画像分類器９０２への入力としての機能を果たし、レベル１画像分類器９０２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９の細胞分類器９０２－１から９０２－４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９Ｃの各行９１０－１から９１０－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１１０２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１１０４を有する。いくつかの実施形態では、図１１Ａで図示されるように、複数の分類確率１１０４は、各細胞分類器について図１１Ａ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１１０４－１）、２細胞確率（参照文字１１０４－２）、３細胞確率（参照文字１１０４－３）、および４細胞確率（参照文字１１０４－４）を含む。画像分類器９０２の出力は、全ての細胞分類器の出力の累積プロット１１０６（「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１１Ａでは、画像１１０２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１１０６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１１Ａのレベル１出力１１０６は、画像１１０２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９０２－１に由来し、画像１１０２の画像識別子４５０の最高分類確率が、４細胞分類器９０２－４に由来することを示す。したがって、図１１Ａの「レベル１細胞数分類結果」プロット１１０８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１１０８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１１０８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１１Ａの分類結果１１０８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。

いくつかの実施形態では、パラメータは、表１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１１０４－１から１１０４－４および／または分類結果１１０８を使用することができる。図１１Ｂの例示的実施形態は、本発明の実施形態によると、画像１１０２を分類するために後続のレベル２細胞分類器９０４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１１Ａ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１１０４－１から１１０４－４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１１Ｂで図示されるように、レベル２分類器９０４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９１０－１から９１０－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９Ｃで図示される表９１０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１１０４－１から１１０４－４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１１０４－１から１１０４－４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９１０－１から９１０－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９１０－１から９１０－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１１０４－１から１１０４－４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１０のグラフ１００４Ａ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１１０２を参照して、平均化分類確率は、一連の画像１１０２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９０２および９０４について図１１Ｂ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１１Ｂ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９０４－１から９０４－４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９０４－１から９０４－４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９０４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９０２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９０４－１から９０４－４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１１０２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１１０２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１１１０（「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１１Ｂでは、画像１１０２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１１１２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１１Ｂのレベル２分類結果１１１２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３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１１Ｂのレベル２分類結果１１１２は、表３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１１Ｃで図示されるように、図１１Ｂのレベル２分類結果１１１２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９０４、または代替として、レベル２分類結果１１１２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１１０４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１１１４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１１０２の単一の最も可能性が高い分類１１１４を提供することができる。図１１Ｂ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２０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１１１６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１２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１２０２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１２で図示されるように、一連の訓練画像１２０２－１は、胚盤胞結果に関連付けられ、一連の訓練画像１２０２－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１２０２のうちの少なくとも１つ以上の画像は、訓練画像９０８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１２０２の全ては、訓練画像９０８とは異なり得る。

図１２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１２０２からの特徴抽出１２０４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１２０６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１２０２のうちのいくつかまたは全ての上で訓練され得る。図１２は、ＡｄａＢｏｏｓｔ分類器として分類器１２０６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１２０６は、訓練後に、一連の試験画像１２０８の結果決定に対して適用することができる。図１２で図示されるように、訓練画像１２０２に対する特徴抽出１２０４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１２１０を介して、特徴情報を試験画像１２０８から抽出することができる。次いで、分類器１２０６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１２０８を分類することができる。いくつかの実施形態では、図１２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」）、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」）、および胚が正常な数の染色体を有するかどうか（「倍数性、異数性」）を含むが、それらに限定されない、他の関連する追加のまたは代替的な結果／推測が、分類器１２０６によって決定され得る。また、胚の質に関して、限定されないが、（「高品質胚盤胞、胚盤胞、および停止」）等の３つ以上の結果群があり得る。

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。

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１３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１３は、学習画像１３０２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１３０２のうちの少なくとも１つ以上の画像は、訓練画像９０８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１３０２の全ては、訓練画像９０８とは異なり得る。

学習画像１３０２に含まれる各画像１３０４は、局所特徴情報を生成するように、したがって、画像１３０４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１３０２に含まれる各画像１３０４の画像特徴情報は、マトリクス１３０６によって表される。以前に説明されたように、マトリクス１３０６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１３０２のセットのセット特徴情報は、学習画像１３０２あたり１つである、複数のマトリクス１３０６（１つの代表的なマトリクス１３０６が図１３に示される）として、および／または複数のマトリクス１３０６を組み込む単一の３次元マトリクスとして表され得る。

１３０８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１３０６（セット特徴情報）に適用される。１３１０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１３１２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１３１２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１２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１２０６は、それに関連付けられる複数の結果について、訓練画像１２０２－１から１２０２－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、１２０４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１２０６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１２０４は、図１４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１４０２（例えば、訓練画像１２０２－１）は、一連の訓練画像のうちの各画像１４０４の画像特徴情報を生成するように、分類器１２０６、および／または分類器１２０６に含まれ得るか、あるいは分類器１２０６とは別個であり得る、学習モジュール５４０（図６参照）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１４０２のうちの少なくとも１つ以上の画像は、訓練画像９０８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１４０２の全ては、訓練画像９０８とは異なり得る。いくつかの実施形態では、各画像１４０４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１１０２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１２－１４を参照すると、次いで、分類器１２０６および／または学習モジュール５４０（図６参照）は、各コードワードが各訓練画像１４０４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１４０２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１４０２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１４０２にわたるコードワードの頻度分布を、全ての訓練画像１４０２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１４で最も良く図示されるように、ヒストグラム１４０６（画像特徴情報）は、図１３で生成されるコードブック１３１２に対して訓練画像１４０４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１４０４内のコードブック１３１２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１４０８（系列特徴情報）は、ａ）訓練画像１４０２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１３１２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１４０２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１４０２が経時的な一連の画像であり得るため、ヒストグラム１４０８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１４０２が特定の結果に関連付けられるため、ヒストグラム１４０８は、それに応じて、特定の結果を表すことができ、分類器１２０６は、特定の結果（例えば、訓練画像１２０２－１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、１２０２－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９０８等）を分類することができる。

分類器１２０６が一連の試験画像１２０８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１２０８に適用することができる。結果決定は、試験画像１２０８からの試験局所、画像、および系列特徴情報の特徴抽出１２１０を含むことができる。いくつかの実施形態では、画像１２０８に対する特徴抽出１２１０は、各訓練画像１４０４について図１４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１２０４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１２０８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１２０８）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１２０２－１から１２０２－Ｎの平均ヒストグラム１４０８（「訓練ヒストグラム」）を用いると、次いで、分類器１２０６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９０６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１５は、図１５の結果１２１２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１５０２－１から１５０２－Ｎは、それぞれ、対応する一連の訓練画像１２０２－１から１２０２－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１２０２－１から１２０２－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１５０２は、図１２の試験画像１２０８のコードワード頻度分布を表す、試験ヒストグラム１５０６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１５１０－１から１５１０－Ｎが決定される。次いで、結果１２１２が、分類確率１５１０－１から１５１０－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１２１２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５を参照すると、いくつかの実施形態では、撮像デバイス５０２は、画像１１０２、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／または同等物を取得するように構成可能であり得る。撮像デバイス５０２はまた、試験画像１２０８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１２０２－１から１２０２－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。いくつかの実施形態では、表示デバイス５０６は、少なくとも、撮像デバイス５０２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５０６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５０６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５０４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。他の実施形態では、コンピュータ装置５０４は、画像ベースの細胞分類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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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５０４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。

いくつかの実施形態では、コンピュータ装置５０４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５０４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５０４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５０４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５０４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。

図６を参照すると、いくつかの実施形態では、メモリ５１４は、自動細胞分類のためにコンピュータ装置５０４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５１２は、自動細胞分類のためにコンピュータ装置５０４を実装するように使用することができる。かかる実施形態では、プロセッサ５１２は、画像モジュール５２０、訓練モジュール５３４、分類モジュール５３６、結果決定モジュール５３８、学習モジュール５４０、および表示モジュール５４２等の図６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５２０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５２０は、試験画像１２０８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１２０２－１から１２０２－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５３６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５３６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５３６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５３６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５３６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５３６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５３６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５３６は、示されるように、プロセッサ５１２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５３６は、メモリ５１４上で実装することができる。

訓練モジュール５３４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５３４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５３４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５３６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５３４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５４０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。

図１６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１６００を図示する。いくつかの実施形態では、方法１６００の少なくとも一部は、コンピュータ装置５０４によって、具体的には、分類モジュール５３２によって行うことができる。ステップ１６１０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。

ステップ１６２０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１６３０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１６４０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。

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１７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１７００を図示する。

ステップ１７１０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１７２０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。

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。

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２）

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。本発明者らが知っている限り、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ことの第１の試行を表す。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１８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１８１０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１８２０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１８３０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１８４０参照）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１９Ａおよび１９Ｂ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１９１０Ａおよび疎に検出された記述子１９１０Ｂ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１９２０Ａ－１９２０Ｄ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（１９３０Ａ、１９３０Ｂ）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。

（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、ｘ_ｔは、フレームｔに対する抽出された特徴ベクターであり、ａ_ｉｋは、基礎分類器の重みであり、ｈ_ｉｋ∈｛０，１｝は、基礎分類器の出力であり、Ｐ（_ｙｔ＝ｉ｜ｘ_ｔ）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１８５０（図１８）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２０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）

提案された方法のレベル３では、大域的状況内で胚段階を精緻化するためにビタビアルゴリズムが採用される。問題は、事後確率Ｐ（Ｙ｜Ｘ）を最大化する、胚の最良の状態シーケンスを推測することである。

式中、Ｙ＝｛ｙ_１・・・，ｙｒ｝は、状態シーケンスであり、Ｘ＝｛ｘ_{１，・・・，}ｘ_ｒ｝は、胚画像を表す特徴ベクターである。

ビタビアルゴリズムは、時間ｔにおいて各段階ｉで終了する、最も可能性の高い状態シーケンスの重みＶ_ｔ，ｉを再帰的に見出す。

式中、Ｐ（ｙ_１＝ｉ）は、第１のフレームでの各クラスの事前確率を表し、Ｐ（ｘ_ｔ｜ｙ_ｔ＝ｉ）は、観察確率であり、Ｐ（ｙ_ｔ＝ｉ_｜ｙ_ｔ－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（ｙ_１＝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（ｘ_ｔ｜ｙ_ｔ＝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（ｙ_ｔ＝ｉ_｜ｙ_ｔ－１＝ｊ）は、フレーム依存性状態として定義される。

（自動胚段階分類）
遷移行列：

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２１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。

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１Ａで描写される区画１０４である。より少ない区画１０４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９Ａを参照して説明される分類器９０２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１００の特性１０８として図１Ａ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２Ｂ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、Ｚ_Ｔ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。

観察モデルΦは、３つの適合性関数の積である。

関数φ_０は、形状への限界を符号化する。第２の関数は、分類器

をφ_１と組み合わせ、φ_１は、楕円、区画、および標識の適合性を符号化する。

式中、

は、楕円被覆率の項であり、

は、区画適合誤差であり、ｃ_ｆおよびｃ_ｒは、経験的に選択される。

関数φ_２は、分裂を隣接する画像の類似性δ^（ｔ）に関連付ける。

遷移モデルΨは、細胞形状変形および分裂を統制する。

関数Ψ_１は、基礎的な細胞変形および分裂プロセスを符号化する。

式中、

であり、Λは、変形費用の対角行列であり、ｈは、母細胞から娘細胞形状への非アフィン変形である。

本実施例では、関数Ψ_２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４Ａおよび４Ｂに示される。分類尺度４０３および画像類似性尺度４０５の例示的な結果は、図４Ｂ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４０４（図４Ａおよび４Ｂ参照）を見出すように、確率伝搬法を行う。細胞の推定数４０６の値は、画像フレーム番号に対して描画され（図４Ａおよび４Ｂ参照）、細胞の異なる推定数４０６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４０４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ｔ_１、ｔ_２、およびｔ_３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（ｔ_１、ｔ_２、ｔ_３）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＜ｄ_ｐ＋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、ｔ_３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、ｔ_２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。

これは、臨床データの大部分で自動追跡を達成するために、追跡ベースおよび無追跡アプローチを組み合わせることができることを示唆する。

（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。

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。

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

胚細胞または多能性細胞の発生能力を決定するための細胞活性の自動非侵襲評価のための方法であって、前記方法は、
（ａ）コンピュータプロセッサを提供する工程ａであって、前記コンピュータプロセッサは：
（ｉ）時間連続的な一連の画像を受信するように構成された画像モジュール；
（ｉｉ）１つ以上の細胞境界区画を決定するように構成された境界検出モジュール；
（ｉｉｉ）前記１つ以上の細胞境界区画のそれぞれに対し、複数の楕円のうち期待値最大化（ＥＭ）最適化を通して生成される適合する楕円を決定するように構成された仮説生成モジュール；
（ｉｖ）前記適合する楕円に基づいて、確率的グラフィカルモデルにより、前記時間連続的な一連の画像にわたって最も可能性の高い一連の仮説である最も適合する楕円を決定するように構成された仮説選択モジュール；
（ｖ）１つ以上の細胞の特徴に基づいて、細胞活性パラメータを決定するように構成された細胞活性パラメータ決定モジュール、
を備える、工程ａと、
（ｂ）前記画像モジュールを用いて、前記時間連続的な一連の画像を取得する工程ｂであって、前記時間連続的な一連の画像には、胚細胞または多能性細胞を含む選択された第１の画像が含まれる、工程ｂと、
（ｃ）前記境界検出モジュールを用いて、前記１つ以上の細胞境界区画を合併して、前記選択された第１の画像の１つ以上の細胞に識別する工程ｃと、
（ｄ）前記時間連続的な一連の画像それぞれについて、前記１つ以上の細胞境界区画の周囲の前記複数の楕円のうち、前記適合する楕円の形状および配列に基づき前記仮説生成モジュールを用いて１つ以上の細胞を特徴付ける工程ｄであって、前記工程ｄは、
（ｉ）前記１つ以上の細胞の数；
（ｉｉ）前記１つ以上の細胞の各々の形状；および
（ｉｉｉ）前記１つ以上の細胞の配列
のうち１つ以上の推測を決定する、工程ｄと、
（ｅ）前記仮説選択モジュールを用いて、確率的グラフィカルモデルにより、前記時間連続的な一連の画像にわたって最も可能性の高い一連の仮説である前記最も適合する楕円を決定する工程ｅと、
（ｆ）前記細胞活性パラメータ決定モジュールを用いて、前記時間連続的な一連の画像にわたって最も可能性の高い仮説である楕円に関して決定された１つ以上の細胞の推測された特徴に基づいて、配偶子合体から前記１つ以上の細胞の第１の細胞分裂までの時間間隔を含む前記細胞活性パラメータを決定する工程ｆであって、前記工程ｆは前記１つ以上の胚細胞または多能性細胞に関する発生能力の指標を決定する、工程ｆ、
を包含する、方法。
前記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の細胞質分裂と第２の細胞質分裂との間の時間間隔、第２の細胞質分裂と第３の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からなる群より選択される、請求項１に記載の方法。
細胞活性の評価のための自動非侵襲システムであって、
（ａ）１つ以上の細胞の時間連続的な一連の画像を取得するように構成された少なくとも１つの撮像デバイスを有する、経時的顕微鏡と、
（ｂ）前記撮像デバイスに接続されるように構成されたコンピュータ装置であって、前記コンピュータ装置は、以下：
（ｉ）前記時間連続的な一連の画像から少なくとも１つの画像を選択するように構成された撮像モジュール；
（ｉｉ）１つ以上の細胞境界区画を合併して１つ以上の細胞を識別するように構成された境界検出モジュール；
（ｉｉｉ）前記時間連続的な一連の画像それぞれについて、前記１つ以上の細胞境界区画の周囲の複数の楕円のうち期待値最大化（ＥＭ）最適化を通して生成される適合する楕円を決定するように構成された仮説生成モジュールであって、それによって、前記１つ以上の細胞は：
（ｉｉｉ－１）前記１つ以上の細胞の数；
（ｉｉｉ－２）前記１つ以上の細胞の各々の形状；および
（ｉｉｉ－３）前記１つ以上の細胞の配列、のうち１つ以上を推測することを含むように特徴付けされる、仮説生成モジュール；
（ｉｖ）前記適合する楕円に基づいて、確率的グラフィカルモデルにより、前記時間連続的な一連の画像にわたって最も可能性の高い一連の仮説である最も適合する楕円を決定するように構成された仮説選択モジュール；
（ｖ）可能性として表される信頼尺度を細胞の数に関する周辺分布に基づいて決定するように構成された信頼モジュールであって、前記可能性とは、前記最も適合する楕円について特徴付けされた前記１つ以上の細胞のうち、前記推測された特徴によって決定される細胞活性パラメータに基づいて、配偶子合体から第１の細胞分裂までの時間間隔を含む細胞活性パラメータを前記特徴付けされた細胞が含むかを推測した可能性である、信頼モジュール；
（ｖｉ）前記細胞活性パラメータの前記信頼尺度が、前記信頼尺度の閾値以上になるか識別するように構成された信頼性決定モジュールであって、前記細胞活性パラメータは前記１つ以上の細胞の発生能力の指標としての選択基準である、信頼性決定モジュール、
を備えるコンピュータ装置、
を備えるシステム。
前記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の細胞質分裂と第２の細胞質分裂との間の時間間隔、第２の細胞質分裂と第３の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からなる群より選択される、請求項３に記載のシステム。