[发明专利]精子运动状态的分类方法、装置、介质及电子设备

说明书

本发明公开了一种精子运动状态的分类方法、分类装置、计算机可读存储介质以及电子设备，通过获取包含待分类精子的视频数据，在该视频数据中的每一帧图像数据中标注出待分类精子，并且将带有标注信息的多帧图像数据输入神经网络模型，得到待分类精子的运动类型；即利用神经网络模型跟踪视频数据中的待分类精子的运动轨迹并依此得到待分类精子的运动类型，大幅降低人工操作的工作量，同时利用神经网络模型对视频数据进行跟踪分析，能够获取较高精度的待分类精子的运动轨迹，从而提高了带分类精子的分类准确度，并且完成训练的神经网络模型也具备较高的一致性、鲁棒性和可靠性。

技术领域

本申请涉及人工智能领域，具体涉及精子运动状态的分类方法、分类装置、计算机可读存储介质以及电子设备。

背景技术

随着人们健康意识的加强，自我健康状况测定的问题也越来越受到重视；与此同时，伴随着生活节奏加快、工作生活压力大等复杂因素的影响，人类精子的质量正在悄然下降，为了全面、客观地反映患者的真实情况，进行全面的精液检查是十分有必要的。世界卫生组织(World Health Organization，WHO)于1980年首次出版关于人类精液与精子的实验室检验手册，该手册被公认提供了全球性的标准，被广泛地应用于世界各地的研究和临床实验室。

近几年，基于深度学习的人工智能技术在医学检测分类领域迅猛发展，特别是在医学图像分析中取得了巨大的成功。通过卷积神经网络对图像每一个原始像素进行处理，通过对数据的学习完成高维空间内的特征转换与映射，实现端到端的目标任务分析。根据深度学习训练中使用的数据是否有对应的标注信息，可以将深度学习分为有监督深度学习，半监督深度学习，无监督深度学习三类。目前发展最为成熟的，就是有监督深度学习，有监督深度学习是指训练过程中的全部数据都有对应的标注信息(比如人工标注信息)，这种方案的成本最高，但是与之带来的效果也是最好的。

目前的精液分析手段主要包括人工分析和计算机辅助分析，人工分析的具体步骤在WHO出版的实验室检验手册中有明确的规范，但手册的描述内容反映了几个人工分析存在劣势：

(1)工作量巨大，在精子活动能力推断中，需要进行至少400条精子的活动状态分析，其工作量非常大。

(2)效率和准确度不高，在精子活动能力推断中，精子活动状态的分析是否正确依赖于实验者的能力，能否在规定时间内完成足够样本量的分析依赖于实验者的熟练度。

(3)一致性不高，实验者间的检验结果不一致性高，在精子活动能力推断中，对精子活动能力的判断在不同观察者间的统计差异范围高达20％～40％。

在计算机辅助分析中，分析结果在许多方面都有限制，其可靠性和可重复性高度依赖系统操作者的经验，不具备高性能，高鲁棒性，不够可靠，难以广泛使用。

发明内容

为了解决上述技术问题，本申请提出了一种精子运动状态的分类方法、分类装置、计算机可读存储介质以及电子设备，通过获取包含待分类精子的视频数据，在该视频数据中的每一帧图像数据中标注出待分类精子，并且将带有标注信息的多帧图像数据输入神经网络模型，得到待分类精子的运动类型；即利用神经网络模型跟踪视频数据中的待分类精子的运动轨迹并依此得到待分类精子的运动类型，大幅降低人工操作的工作量，同时利用神经网络模型对视频数据进行跟踪分析，能够获取较高精度的待分类精子的运动轨迹，从而提高了带分类精子的分类准确度，并且完成训练的神经网络模型也具备较高的一致性、鲁棒性和可靠性。

根据本申请的一个方面，提供了一种精子运动状态的分类方法，包括：获取包含待分类精子的视频数据，其中，所述视频数据包括多帧图像数据；标注出所述多帧图像数据中的所述待分类精子，其中，所述多帧图像数据中的同一个所述待分类精子的标注信息均唯一确认该所述待分类精子；以及将带有所述标注信息的所述多帧图像数据输入神经网络模型，得到所述待分类精子的运动类型。