[发明专利]胚胎分裂过程分析及妊娠率智能预测方法及系统

权利要求书

1.一种胚胎分裂过程分析及妊娠率智能预测方法，其特征在于，所述方法包括如下步骤：

1)采集D1～D6时间内的胚胎图像；

2)将胚胎图像输入至原核个数预测网络模型、卵裂球个数预测模型、碎片比例预测网络模型、囊胚腔和内细胞团等级预测网络模型、滋养层等级预测网络模型；

3)所述原核个数预测网络模型计算并输出预测原核个数，所述卵裂球个数预测模型计算并输出预测卵裂球个数；所述碎片比例预测网络模型计算并输出碎片图像的预测碎片比例，所述囊胚腔和内细胞团等级预测网络模型计算并输出预测囊胚腔比例和预测内细胞团等级，所述滋养层等级预测网络模型计算并输出预测滋养层等级；

4)将预测原核个数、卵裂球个数、碎片比例、预测囊胚腔比例和预测内细胞团等级、预测滋养层等级输入至胚胎妊娠率状态预测机器学习模型，经过训练的胚胎妊娠率状态预测机器学习模型计算胚胎图像的胚胎妊娠率；

5)所述胚胎妊娠率状态预测机器学习模型输出胚胎妊娠率预测结果；

所述胚胎妊娠率状态预测机器学习模型为经过训练的网络模型，构建过程包括：

a1)对图像数据集内每一个样本数据标注临床妊娠结果标签，利用经过训练的原核个数预测网络模型、卵裂球个数预测模型、碎片比例预测网络模型、囊胚腔和内细胞团等级预测网络模型、滋养层等级预测网络模型对图像数据集内每一个样本数据分别进行原核个数、卵裂球个数、碎片比例、囊胚腔比例和预测内细胞团等级、滋养层等级的预测；

a2)将标注有临床妊娠结果标签和预测结果的样本数据集划分为训练集、验证集和测试集；

a3)将训练集内的样本数据输入至胚胎妊娠率状态预测机器学习模型，对评分准则函数进行参数化学习，得到完成训练学习的评分准则函数；

a4)使用训练集中的胚胎图像对胚胎妊娠率状态预测机器学习模型进行训练，得到训练后的网络模型，使用验证集的胚胎图像对训练后的模型输出结果进行验证；

a5)利用训练后的对测试集胚胎图像进行预测，统计预测结果，若达到预定的准确率，则完成胚胎妊娠率状态预测机器学习模型的构建；

所述评分准则函数为

其中，表示第k次分裂时由S_i个卵裂球分裂为S_j个的影响因子,1(·)为指示函数，r_i表示i(i＝1～P)时刻原核的识别个数，Q_i表示t_i(i＝1～L)时刻碎片面积，X_i表示i(i＝1～N)时刻的囊胚腔面积，Y_i表示i(i＝1～K)时刻的内细胞团等级量化值，Z_i表示i(i＝1～M)时刻的滋养层团等级量化值；ρ、μ、α、β、γ、δ为训练参数，分别代表卵裂球分裂、原核、碎片、囊胚腔、内细胞团和滋养层的权重；Max()表示取最大值；C、P、L、N、K、M为大于1的自然数。

2.根据权利要求1所述的胚胎分裂过程分析及妊娠率智能预测方法，其特征在于：所述碎片比例预测网络模型、囊胚腔和内细胞团等级预测网络模型、滋养层等级预测网络模型的构建过程包括：

b1)收集D1～D6时期的胚胎图像，对图像数据集内每一张胚胎图像的碎片比例、囊胚腔比例、内细胞团等级、滋养层等级进行标注；

b2)将标注后的胚胎图像划分为训练集、验证集和测试集；

b3)利用ImageNet自然图像数据集对网络模型进行初始化训练，获取初始化模型；

b4)使用训练集中的胚胎图像对初始化模型进行精训练，得到精训练后的网络模型；

b5)利用精训练模型对测试集胚胎图像进行预测，统计预测结果，若达到预定的准确率，则完成预测网络模型的构建。

3.根据权利要求1所述的胚胎分裂过程分析及妊娠率智能预测方法，其特征在于：所述碎片比例预测网络模型、囊胚腔和内细胞团等级预测网络模型、滋养层等级预测网络模型采用DeepLab v3+网络，以DeepLab v3作为编码器，并采用深度可分离卷积层作为解码器。

4.根据权利要求1所述的胚胎分裂过程分析及妊娠率智能预测方法，其特征在于：所述原核个数预测网络模型、卵裂球个数预测模型采用Faster RCNN网络识别。