1.本发明涉及辅助生殖技术领域，具体涉及囊胚分裂程度的检测方法。
背景技术：2.试管婴儿是体外受精－胚胎移植技术的俗称，是分别将卵子和精子取出后，置于培养液内使其受精，再将胚胎移植回母体子宫内发育成胎儿的过程。囊胚培养是试管婴儿中极其重要的一项技术，囊胚是胚胎体外培养的终末阶段，它通常形成于卵子受精后的第5～7天。囊胚的形成能一定程度上筛选有发育潜力的胚胎，自然状态下，人类胚胎以囊胚的形式植入母体，这样能获得较高的胚胎植入率，同时单囊胚移植又可大大降低多胎的风险。目前对于囊胚的发育等级判断主要是通过在显微镜下对其分裂程度进行形态学观察，根据囊胚腔的扩张程度、内细胞团和滋养层细胞的数量及排列可将囊胚的分裂程度分为以下6个时期：1期：囊胚腔小于囊胚体积的1/2。2期：囊胚腔大于囊胚体积的1/2。3期：完全囊胚，囊胚腔与囊胚体积相等。4期：扩张囊胚，囊胚腔大于囊胚，透明带变薄。5期：孵化囊胚，胚胎部分孵出。6期：完全孵化囊胚。目前传统的测算方法是每隔24小时由观测人员在显微镜下进行人工估算，但通过这种方法具有很大的主观因素，不同的观测人员的评判标准也会有不同，同时人工观测时间间隔过长，无法对囊胚的发育过程进行精确的记录，进而影响后续临床医生的胚胎植入选择，降低胚胎移植的成功率。因此，如何客观的对囊胚发育阶段进行实时测定，具有很大的现实意义。
技术实现要素：3.针对上述存在的技术不足，本发明的目的是提供囊胚分裂程度的检测方法，通过间隔采集囊胚的图像作为输入，就能够分析得到当前的囊胚分裂程度。
4.为解决上述技术问题，本发明采用如下技术方案：本发明提供囊胚分裂程度的检测方法，包括：
5.获取训练数据样本，采集处于各个阶段的囊胚图像；
6.数据预处理，对上述获取的样本图像进行标注，包括目标检测标注和语义分割标注，并对训练集进行归一化处理；
7.构建目标检测预训练模型，以其为基础进行迁移学习，将经过目标检测标注的图像及其标注信息按照比例切分训练集和验证集，并进行训练，得到目标检测训练模型；
8.构建语义分割预训练模型，以其为基础进行迁移学习，将经过语义分割标注的图像及其标注信息按照比例切分训练集和验证集，并进行训练，得到语义分割训练模型；
9.使用训练后的目标检测训练模型和语义分割训练模型，对新采集的囊胚图像进行分析，得到当前囊胚的分裂程度。
10.优选地，对新采集的囊胚图像进行分析，得到当前囊胚的分裂程度，包括：
11.将图像进行预处理后输入训练好的目标检测模型，得到图像中的内细胞团和囊胚腔的目标检测结果，结果包含目标的类别、置信度和边界框数据；
12.若存在类别为内细胞团且置信度大于阈值的结果，则判断图像中存在内细胞团，进一步分析图像中内细胞团和囊胚腔的边界框；
13.若不存在类别为内细胞团且置信度大于阈值的结果，查询本囊胚上一个采集周期的分析结果，根据上一周期囊胚分裂程度，判断是否将当前图像输入训练好的语义分割模型。
14.优选地，若内细胞团的边界框包含于囊胚腔的边界框，则当前囊胚处于4期，否则当前囊胚处于5期；
15.若上一周期囊胚分裂程度为5期或6期，则当前的囊胚分裂程度为6期，否则需将当前图像输入训练好的语义分割模型，根据输出的语义分割结果自动计算图像中的囊胚腔的体积，比较囊胚腔体积与胚胎第三天的体积；若当前囊胚腔体积小于胚胎第三天的体积的1/2，则当前的囊胚分裂程度为1期；若当前囊胚腔体积大于胚胎第三天的体积的1/2，则当前的囊胚分裂程度为2期；若当前囊胚腔体积等于胚胎第三天的体积，则当前的囊胚分裂程度为3期。
16.优选地，在进行归一化处理前，使用数据增强对训练集进行扩充；其中数据增强使用随机旋转、反转、平移、尺度变换进行随机组合。
17.优选地，在以构建的目标检测预训练模型进行迁移学习时，训练集和验证集的切分比例0.8:0.2，训练迭代轮数为50，批次大小为32。
18.优选地，在以构建的语义分割预训练模型进行迁移学习时，训练集和验证集的切分比例0.8:0.2，训练迭代轮数为100，批次大小为32。
19.优选地，采用momentum优化方法，polynomial的学习率衰减策略，初始学习率为0.1。
20.优选地，所述阈值为0.8。
21.本发明的有益效果在于：本发明通过时差培养箱对囊胚进行图像采集，基于深度神经网络构造多目标检测模型和语义分割模型，将图像输入模型进行计算，依照模型输出结果判断内细胞团是否存在、计算内细胞团和囊胚腔的相对位置关系以及计算囊胚腔体积与胚胎第三天体积的比值，并综合上述数据自动测定当前囊胚所处的发育阶段。
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明实施例提供的囊胚分裂程度的检测方法的流程示意图一。
24.图2为本发明实施例提供的囊胚分裂程度的检测方法的流程示意图二。
具体实施方式
25.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
26.实施例：如图1和图2所示，本发明提供了囊胚分裂程度的检测方法，具体如下：
27.s1、获取训练数据样本：采集处于各个阶段的囊胚图像。
28.s2、数据预处理：对s1得到的图像进行标注，对图像中的内细胞团和囊胚腔进行目标检测标注，对囊胚腔进行语义分割标注；为了增加训练集(该训练集指获取的训练数据样本)的数量和模型的鲁棒性，使用数据增强对数据集进行扩充，最后再进行归一化处理；
29.其中，数据增强，使用随机旋转、反转、平移、尺度变换进行随机组合。
30.s3、构建基于resnet50的yolov3目标检测预训练模型，模型已在ms coco2017数据集上完成训练，以此模型为基础进行迁移学习，将s2中经过目标检测标注的图像及其标注信息按照比例切分训练集和验证集，对上述模型(即目标检测预训练模型)进行训练得到目标检测训练模型；
31.其中，训练集与验证集的切分比例为0.8:0.2，训练迭代轮数为50，批次大小为32，使用momentum优化方法，polynomial的学习率衰减策略，初始学习率为0.1。
32.s4、构建基于deeplabv3p的语义分割预训练模型，模型已在pascal voc2012数据集上完成训练(其中pascal voc 2012数据集为现有的)，以此模型为基础进行迁移学习，将s2中经过语义分割标注的图像及其标注信息按照比例切分训练集和验证集，对上述模型(即语义分割预训练模型)进行训练得到语义分割训练模型；
33.其中，训练集与验证集的切分比例为0.8:0.2，训练迭代轮数为100，批次大小为32，使用momentum优化方法，polynomial的学习率衰减策略，初始学习率为0.1。
34.s5、使用上述训练好的目标检测模型和语义分割模型，对新采集到的囊胚图像进行分析，自动得到当前囊胚的分裂程度，具体如下：
35.a、将图像进行预处理后输入s3中训练好的目标检测模型，得到图像中的内细胞团和囊胚腔的目标检测结果，结果包含目标的类别、置信度和边界框数据。
36.b、若存在类别为内细胞团且置信度大于阈值的结果，则判断图像中存在内细胞团，进一步分析图像中内细胞团和囊胚腔的边界框，若内细胞团的边界框包含于囊胚腔的边界框，则当前囊胚处于4期，否则当前囊胚处于5期；其中阈值为0.8。
37.c、若不存在类别为内细胞团且置信度大于阈值的结果，查询本囊胚上一个采集周期的分析结果，若上一周期囊胚分裂程度为5期或6期，则当前的囊胚分裂程度为6期，否则需将当前图像输入s4中训练好的语义分割模型，根据输出的语义分割结果自动计算图像中的囊胚腔的体积，比较囊胚腔体积与胚胎第三天的体积，若当前囊胚腔体积小于胚胎第三天的体积的1/2，则当前的囊胚分裂程度为1期；若当前囊胚腔体积大于胚胎第三天的体积的1/2，则当前的囊胚分裂程度为2期；若当前囊胚腔体积等于胚胎第三天的体积，则当前的囊胚分裂程度为3期。
38.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
技术特征：1.囊胚分裂程度的检测方法，其特征在于，包括：获取训练数据样本，采集处于各个阶段的囊胚图像；数据预处理，对上述获取的样本图像进行标注，包括目标检测标注和语义分割标注，并对训练集进行归一化处理；构建目标检测预训练模型，以其为基础进行迁移学习，将经过目标检测标注的图像及其标注信息按照比例切分训练集和验证集，并进行训练，得到目标检测训练模型；构建语义分割预训练模型，以其为基础进行迁移学习，将经过语义分割标注的图像及其标注信息按照比例切分训练集和验证集，并进行训练，得到语义分割训练模型；使用训练后的目标检测训练模型和语义分割训练模型，对新采集的囊胚图像进行分析，得到当前囊胚的分裂程度。2.如权利要求1所述的囊胚分裂程度的检测方法，其特征在于，对新采集的囊胚图像进行分析，得到当前囊胚的分裂程度，包括：将图像进行预处理后输入训练好的目标检测模型，得到图像中的内细胞团和囊胚腔的目标检测结果，结果包含目标的类别、置信度和边界框数据；若存在类别为内细胞团且置信度大于阈值的结果，则判断图像中存在内细胞团，进一步分析图像中内细胞团和囊胚腔的边界框；若不存在类别为内细胞团且置信度大于阈值的结果，查询本囊胚上一个采集周期的分析结果，根据上一周期囊胚分裂程度，判断是否将当前图像输入训练好的语义分割模型。3.如权利要求2所述的囊胚分裂程度的检测方法，其特征在于，若内细胞团的边界框包含于囊胚腔的边界框，则当前囊胚处于4期，否则当前囊胚处于5期；若上一周期囊胚分裂程度为5期或6期，则当前的囊胚分裂程度为6期，否则需将当前图像输入训练好的语义分割模型，根据输出的语义分割结果自动计算图像中的囊胚腔的体积，比较囊胚腔体积与胚胎第三天的体积；若当前囊胚腔体积小于胚胎第三天的体积的1/2，则当前的囊胚分裂程度为1期；若当前囊胚腔体积大于胚胎第三天的体积的1/2，则当前的囊胚分裂程度为2期；若当前囊胚腔体积等于胚胎第三天的体积，则当前的囊胚分裂程度为3期。4.如权利要求1所述的囊胚分裂程度的检测方法，其特征在于，在进行归一化处理前，使用数据增强对数据集进行扩充；其中数据增强使用随机旋转、反转、平移、尺度变换进行随机组合。5.如权利要求1所述的囊胚分裂程度的检测方法，其特征在于，在以构建的目标检测预训练模型进行迁移学习时，训练集和验证集的切分比例0.8:0.2，训练迭代轮数为50，批次大小为32。6.如权利要求1所述的囊胚分裂程度的检测方法，其特征在于，在以构建的语义分割预训练模型进行迁移学习时，训练集和验证集的切分比例0.8:0.2，训练迭代轮数为100，批次大小为32。7.如权利要求5或6所述的囊胚分裂程度的检测方法，其特征在于，采用momentum优化方法，polynomial的学习率衰减策略，初始学习率为0.1。8.如权利要求2所述的囊胚分裂程度的检测方法，其特征在于，所述阈值为0.8。
技术总结本发明公开了囊胚分裂程度的检测方法，包括：获取训练数据样本，采集处于各个阶段的囊胚图像；数据预处理，对上述获取的样本图像进行标注，包括目标检测标注和语义分割标注，并对训练集进行归一化处理；构建目标检测预训练模型，并进行训练，得到目标检测训练模型；构建语义分割预训练模型，并进行训练，得到语义分割训练模型；使用训练后的目标检测训练模型和语义分割训练模型，对新采集的囊胚图像进行分析，得到当前囊胚的分裂程度。本发明提供囊胚分裂程度的检测方法，通过间隔采集囊胚的图像作为输入，就能够分析得到当前的囊胚分裂程度。度。度。
技术研发人员：潘昊 王英男
受保护的技术使用者：无锡职业技术学院
技术研发日：2022.05.17
技术公布日：2022/11/1
