基于边缘增强的胚胎发育阶段预测与质量评估系统的制作方法

1.本发明涉及胚胎质量评估技术领域，具体涉及一种基于边缘增强的胚胎发育阶段预测与质量评估系统。


背景技术：

2.胚胎发育的好坏直接影响妊娠率的结果，胚胎学家依靠胚胎形态学和基因学两种主要途径对胚胎的好坏进行判别，其中利用基因学手段判别胚胎好坏需要具备极高的实验条件，而利用胚胎形态学信息完成胚胎的评判是一种简单快速有效的方法。目前，大多数胚胎学家基于囊胚期胚胎的形态学特征对胚胎的优劣进行判别，筛选出优质胚胎进行移植。在这些形态学特征中，囊胚腔、内细胞团和滋养层等特征是医生对胚胎好坏评分的极其重要的因素，因此，利用计算机建立视觉模型帮助医生快速准确地对囊胚腔、内细胞团和滋养层等特征进行预测是一个极具意义的研究方向。然而，目前利用机器学习对胚胎特征的准确识别与质量评估还存在以下几个问题：（1）在发育初期，胚胎主体区域较小，在原始图片中的占比过小，同时，胚胎图像中还可能存在碎片和其他胚胎主体无关的区域，可能会对发育阶段预测时信息交互产生干扰。另一方面，胚胎发育阶段一步到位分类是一个5分类问题，类别数越多，决策边界越难精确判定，发生误分类的概率越大。因此，设计有效的分类框架是一个值得研究的问题。
3.（2）判定发育阶段和质量等级的依据结构依赖于具体每一个结构分割结果的掩码，每一个特定结构分割任务本身存在极大的挑战，且通常局部结构仅占图像中的一小部分，在此基础上进行特征交互存在更大的挑战。发育阶段的精准预测和质量评估本质上依赖于图像中挖掘的细节信息，对胚胎细胞来说，图像中的边缘信息其中最明显的细节特征。因此设计有效的边缘信息的挖掘方式，有助于提升分类和分级的准确性。


技术实现要素：

4.本发明提出了一种基于边缘增强的胚胎发育阶段预测与质量评估系统，以解决胚胎质量评估不准确的技术问题。
5.为解决上述技术问题，本发明提供了一种基于边缘增强的胚胎发育阶段预测与质量评估系统，所述系统包括预处理模块、胚胎主体分割模块、胚胎二分类模块、胚胎细分类模块和胚胎质量评估模块；所述预处理模块，用于去除待评估胚胎图像的噪声并增强轮廓信息，并保存待评估胚胎图像的图像边缘图；所述胚胎主体分割模块，用于对待评估胚胎图像进行二分类分割，将所述待评估胚胎图像分割为包含囊胚腔、内细胞团、滋养层和透明带的一类以及其他区域的另一类；所述胚胎二分类模块，用于基于所述胚胎主体分割模块的分割结果，对所述待评估胚胎图像进行分类，分类为1-2期或3-5期；所述胚胎细分类模块，用于基于所述胚胎二分类模块的分类结果和图像边缘图，
通过自注意力机制进行特征交互，并进行边缘加权的特征融合，将1-2期分类为1期或2期，将3-5期分类为3期或4期或5期；所述边缘加权的特征融合的表达式为：；式中，i表示待评估胚胎图像，e表示图像边缘图，i和j分别表示图像中对应的像素坐标；所述胚胎质量评估模块，用于基于所述胚胎细分类模块的分类结果，对3-5期的图像进行质量分级识别，输出对应的内细胞团、滋养层的质量等级。
6.优选地，所述胚胎主体分割模块采用res-u-net作为主干网络，通过预测每个像素的预测类别并与真实标签进行比较，以平均交叉熵损失进行约束，得到分割结果。
7.优选地，所述胚胎主体分割模块进行二分类分割的方法包括以下步骤：采用5层编码器逐渐下采样图像，提取高层次丰富的特征；采用4个解码器逐渐上采样恢复原图尺寸并采用跳跃连接的方式加强主要特征的映射，并通过非线性激活得到最终的胚胎主体分割结果。
8.优选地，所述平均交叉熵损失的表达式为：式中，k=2表示像素类别数，y
i,j
表示第i个样本中像素j的真实类别，表示模型预测该像素的预测类别概率分布，n表示图像中的像素总数量。
9.优选地，所述胚胎二分类模块以resnet-50作为主干网络，结合自注意力机制，提取胚胎主体区域分别做带掩码的自注意力的信息交互和聚合后回归出图像的二分类结果。
10.优选地，所述胚胎二分类模块进行二分类分割的方法包括以下步骤：将分割后的待评估胚胎图像输入所述胚胎二分类模块；逐像素通过多层感知机进行升维；使用注意力机制进行图之间的信息挖掘；使用若干层残差块进行特征交互，得到分割后的待评估胚胎图像之间充分交互的信息；另一分支在待评估图像上使用卷积和若干层残差块提取特征并进行一次平均池化；根据掩码对应位置将分割区域的掩码拼接到对应的待评估图像卷积的特征后，没有掩码信息的复制一份待评估图像卷积的特征，经过一次特征融合后回归出图像的二分类结果。
11.优选地，所述胚胎细分类模块采用基于带注意力的图卷积和resnet-50的主干网络，特征提取器中的卷积使用边缘增强卷积核。
12.优选地，所述胚胎细分类模块进行分类的方法包括以下步骤：获取所述胚胎主体分割模块进行分割保留的掩码；通过所述掩码对待评估胚胎图像和边缘图进行预处理，主体部分对应像素值保留，其余像素进行零填充；对预处理后的待评估胚胎图像和边缘图均经过2次残差块和自注意力机制，之后进行边缘加权的特征融合；融合之后，依次经过3层残差块和平均池化层提取边缘信息经过充分融合和交互之后的高层语义信息，完成胚胎的细分类。
13.优选地，当所述胚胎二分类模块的分类结果为1-2期时，所述胚胎细分类模块采用二分类交叉熵损失函数进行约束；当所述胚胎二分类模块的分类结果为3-5期时，所述胚胎细分类模块采用三分类交叉熵损失函数进行约束。
14.优选地，所述自注意力机制进行特征交互和融合的方法包括：计算自注意力的权重：：表示键向量的维度；式中，i和j表示图像中对应的像素坐标，分别表示对应像素的特征，为可学习的权重矩阵，表示查询矩阵，分别表示键矩阵和值矩阵，表示非线性的偏置，表示在对j列向量进行softmax计算；将自注意力之后的特征更新为：；上式中表示特征拼接操作，表示构建图卷积时的边，表示自注意力的层数，mlp表示多层感知机。
15.本发明的有益效果至少包括：1）本发明采用通过排除胚胎图像主体无关区域的干扰从而提升粗分类的精度；2）本发明采用先主体分割后分类分级的方法可以通过挖掘胚胎主体的边缘细节信息进行多任务学习，排除非主体区域的信息交互，增加分级的准确度；3）本发明在不同任务上不依赖于具体每一个结构分割结果的掩码，仅关注和依赖整体的边缘信息，设计有效的边缘加权卷积核边缘增强特征融合结构，提升分类分级的精度。
16.4）本发明完成囊胚腔、内细胞团、滋养层、透明带的标注，以及根据标注信息给胚胎样本数据准确的标签信息以构建准确标注的大量胚胎样本数据集。
附图说明
17.图1为本发明基于边缘增强的胚胎发育阶段预测与质量评估系统的结构框图；图2为胚胎主体分割网络结构的示意图；图3为不同发育时期的胚胎图像；图4为发育阶段胚胎二分类模块网络结构图；图5为耦合发育阶段细分类和质量评估模块网络结构图；图6为胚胎主体分割示意图；图7为胚胎发育阶段粗预测的预测结果图；图8为胚胎发育阶段细预测和质量评估的预测结果图。
具体实施方式
18.下面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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发
明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
19.如图1所示，本发明实施例提供了一种基于边缘增强的胚胎发育阶段预测与质量评估系统，包括预处理模块、胚胎主体分割模块、胚胎二分类模块、胚胎细分类模块和胚胎质量评估模块；所述预处理模块，用于去除待评估胚胎图像的噪声并增强轮廓信息，并保存canny检测图像边缘图以引导在深度学习网络中进行边缘增强；所述胚胎主体分割模块，用于对待评估胚胎图像进行二分类分割，将所述待评估胚胎图像分割为包含囊胚腔、内细胞团、滋养层和透明带的一类以及其他区域的另一类；所述胚胎二分类模块，用于基于所述胚胎主体分割模块的分割结果，对所述待评估胚胎图像进行分类，分类为1-2期或3-5期；所述胚胎细分类模块，用于基于所述胚胎二分类模块的分类结果和图像边缘图，将1-2期分类为1期或2期，将3-5期分类为3期或4期或5期；所述胚胎质量评估模块，用于基于所述胚胎细分类模块的分类结果，对3-5期的图像进行质量分级识别，输出对应的内细胞团、滋养层的质量等级。
20.下面对胚胎发育阶段预测与质量评估系统各模块的构建过程进行说明。
21.（一）构建准确标注的胚胎样本数据集：卵母细胞受精后在第5天可能根据培养条件和胚胎质量会正式进入囊胚期，收集d5~d6包含囊胚腔、内细胞团、滋养层、透明带和碎片等的囊胚期胚胎图像，在多名胚胎学家的指导下由专业医生完成胚胎图像的标注工作。经研究证实有效且被广泛应用的gardner评价法认为，对胚胎识别发育阶段和质量等级主要观察囊胚扩张程度、内细胞团和滋养层的发育状态即可。胚胎细胞的发育阶段可以用1~6期表示，并对已经完全扩张的囊胚，分别用a，b，c级评估内细胞团和滋养层的质量分级。首先，使用labelimg软件对胚胎图像进行像素级标注，主要分为三类分别是囊胚腔、内细胞团和滋养层，具体来说利用多边形标注各类别的轮廓即可，为每一个轮廓区域赋予一个表示类别的标签。其次，划分好不同区域的标签图像再由不同的医生随机交叉为每张胚胎图像标注准确的发育阶段和质量评级，最终胚胎图像的发育阶段和质量评级由标签一致最多的决定，以此构建具有准确标签的胚胎样本数据集，并将具有准确标签的胚胎样本数据集存储至图像数据集。
22.（二）图像预处理：由于采集的胚胎图像存在一定的胚胎主体无关区域和噪声，可能会对基于深度学习的胚胎阶段识别和质量评估结果产生偏差。因此，有必要对输入的胚胎图像进行预处理。具体来说，首先使用传统的形态学图像去噪方法如膨胀、开闭运算等对原始输入图像进行边缘增强和噪声去除。然后根据图像的梯度信息统计分析划分不同的区域并为它们生成掩模信息，同时使用边缘检测如canny算子提取胚胎图像的轮廓信息并保存为对应图像的轮廓图。
23.（三）胚胎主体分割：在发育初期，胚胎主体区域较小，在原始图片中的占比过小，同时，胚胎图像中还可能存在碎片和其他胚胎主体无关的区域，可能会对分类时信息交互产生干扰。因此，在粗分类之前进行胚胎主体的分割很有必要。其次，划分胚胎主体是2分类的分割问题，2分类的
分割比5分类的分割难度低，能降低噪声带来的干扰，具有更好的泛化性，从而提升模型的可靠性。
24.胚胎主体分割网络结构采用res-u-net作为主干网络如图2所示，输入为原图，先采用5层编码器逐渐下采样图像，提取高层次丰富的特征。然后采用4个解码器逐渐上采样恢复原图尺寸并采用跳跃连接的方式加强主要特征的映射，并通过非线性激活得到最终的胚胎主体分割结果。胚胎主体包含囊胚腔、内细胞团、滋养层和透明带，将其标签合并为一类，其余区域分割标签合并为另一类，做二分类的分割，预测每个像素的预测类别并与真实标签进行比较，计算整张图像的平均交叉熵损失，可以表示为：；其中k=2表示像素类别数，y
i,j
表示第i个样本中像素j的真实类别，表示模型预测该像素的预测类别概率分布，n表示图像中的像素总数量。
25.（四）发育阶段胚胎二分类粗分类模块：胚胎发育阶段分类精度取决于高层全局语义特征和底层细节特征的挖掘。首先，如图3所示，1-2期和3-5期胚胎图像区分往往是在宏观上的，反映到图像的分类问题上，根本决定了分类是依赖于全局特征。其次，来自于相邻发育阶段的分类往往靠细节区分。然而，一步到位的分类既要考虑保留底层细节特征，也要保留高层全局语义特征，这是机器学习和计算机视觉中极具挑战的问题。因此，采用解耦的两阶段先粗分后细分框架，即先用全局特征二分类，再用细节特征进行相邻阶段的分类，以提升相邻阶段分类的精度。
26.发育阶段粗分类模块以resnet-50作为主干网络，结合自注意力机制，取胚胎主体区域分别做带掩码的自注意力的信息交互和聚合。在分割后的胚胎主体区域使用多层感知机逐步将特征升维记为，然后进行自注意力机制进行特征交互和融合，可以表示为：；式中，i和j表示图像中对应的像素坐标，分别表示对应像素的特征，为可学习的权重矩阵，表示查询矩阵，分别表示键矩阵和值矩阵，表示非线性的偏置，那么自注意力的权重可以表示为可以表示为表示键向量的维度；进行自注意力之后的特征可以更新为；上式中表示特征拼接操作，表示构建图卷积时的边，表示自注意力的层数，通过聚焦边缘信息引导的特征交互并通过注意力机制加深对边缘特征的信息交互和挖掘。然后进行边缘加权的特征融合模块，原图i和边缘图e对应元素相乘，表示为：；
其中i和j表示图像中对应的像素坐标。
27.具体来说，发育阶段粗分类网络如图4所示，输入分割之后的特定区域的不规则图像，逐像素通过多层感知机升维为128，使用注意力机制进行图之间的信息挖掘，接着，使用若干层残差块进行特征交互，得到特定区域内充分交互的信息。另一分支在原图上使用卷积和若干层残差块提取特征并进行一次平均池化。根据掩码对应位置将特定区域的掩码拼接到对应的原图卷积的特征后，没有掩码信息的复制一份原图卷积的特征，经过一次特征融合后回归出图像的粗分类结果。
28.（五）耦合发育阶段细分类和质量评估模块：发育阶段细分类本质上是依赖于图像中挖掘的细节信息，对胚胎细胞来说，图像中的边缘信息其中最明显的细节特征。边缘敏感卷积是一种常用的方式，深度边缘感知滤波器（deep edge-aware filters , deaf）中的双边滤波器结合空间距离和像素值之间的相似性不断平滑图像，保留边缘的细节信息同时减少噪声的影响；传统的卷积操作在处理图像数据时，通常是在像素网格上进行的，忽略了像素之间的关系和连接。然而，在图像中，像素之间的连接和结构是非常重要的，特别是在处理边缘和纹理等有结构信息的区域时。边缘图卷积（edge-conditioned convolution， ecc）通过在图像的边缘上进行卷积操作，以更好地捕捉边缘特征和结构信息。因此，通过使用图像边缘增强和边缘图卷积来充分挖掘图像的边缘特征对胚胎发育阶段进行分类，有助于提升分类的准确性。另外，边缘图卷积利用边缘信息指导图之间的信息传递，不依赖于具体每一个结构分割结果的掩码，仅关注和依赖整体的边缘信息。每一个结构分割任务本身存在极大的挑战，且通常局部结构仅占图像中的一小部分，在此基础上进行特征交互存在更大的挑战。因此，仅保留胚胎主体结构再挖掘胚胎主体内的边缘信息能够保留更丰富的特征交互信息，从而提升分类和分级的准确性。
29.根据粗分类的结果，对1-2期图像进行细分类，输出分类图像为1期或2期；对3-5期图像进行细分类和质量分级识别，输出分类图像为3期、4期或5期和对应的内细胞团、滋养层的质量等级a级、b级或c级。以3-5期同时做细分类分级任务为例，其网络结构如图5所示，使用一个共享权重的公用特征提取器，然后对不同的分支施加不同的约束得到精确的分类分级结果。
30.耦合的网络结构基于resnet-50构建如图5的主干网络，其中特征提取器中的卷积使用边缘增强卷积核，增强边缘的灰度变化或检测边缘的高频分量。首先网络的输入包括3个，原细胞图，对应检测的边缘图和胚胎主体分割保留的掩码，使用掩码对原图和边缘图进行预处理，主体部分对应像素值保留，其余像素零填充。在预处理之后的图上分别经过2次残差块和自注意力机制，以预处理的原图为例，残差块提取的特征记为，进行自注意力机制进行特征交互和融合，可以表示为：；式中，i和j表示图像中对应的像素坐标，分别表示对应像素的特征，为可学习的权重矩阵，表示查询矩阵，分别表示键矩阵和值矩阵，表示非线性的偏置，那么自注意力的权重可以表示为
表示键向量的维度；进行自注意力之后的特征可以更新为；上式中表示特征拼接操作，表示构建图卷积时的边，表示自注意力的层数，表示在对j列向量进行softmax计算，通过聚焦边缘信息引导的特征交互并通过注意力机制加深对边缘特征的信息交互和挖掘，然后进行边缘加权的特征融合模块，原图i和边缘图e对应元素相乘，表示为：；其中i,j表示图像中对应的像素坐标。融合之后，依次经过3层残差块和平均池化层提取边缘信息经过充分融合和交互之后的高层语义信息。引出3个不同任务的分支，分别为发育分期分类和内细胞团、滋养层的质量等级。1-2期图像网络中直接选用单分支进行分类。
31.1-2期图像损失函数采用二分类交叉熵损失。而3-5期图像损失函数为分类损失和分级损失加权，表示为：；表示3-5期分期分类损失，表示滋养层分级分类损失，表示内细胞团分级分类损失，均为三分类交叉熵损失。
32.具体实施过程如下：1、图像数据预处理将收集的数据集以6：2：2的比例划分为训练集，验证集和测试集。使用形态学方法如膨胀腐蚀、开闭运算去除图像中的噪声点和增强图像的边缘信息，将增强后的图像尺寸统一缩放到500
×
500，计算并保留canny边缘检测的边缘图。
33.2、模型训练阶段图像分割模块的网络模型使用res-u-net，使用在imagenet上的预训练模型初始化参数设置，训练过程的参数设置学习率为1e-4，权重衰减率为5e-4，所有训练集共迭代200次。胚胎标注中的内细胞团、滋养层、囊胚腔、透明带像素级标签分别为1类表示胚胎主体，其他区域合并为1类，做2分类的分割，提取胚胎的主体部位用于分类。训练过程的损失函数设置为2分类逐像素的平均交叉熵损失。计算整张图像的平均交叉熵损失，可以表示为：；其中k=2表示像素类别数，表示第i个样本中像素j的真实类别，表示模型预测该像素的预测类别概率分布，n表示图像中的像素总数量。
34.发育阶段粗分类模型训练阶段模型如图4所示，使用在imagenet上的预训练模型
初始化参数设置，训练过程的参数设置学习率为1e-4，权重衰减率为5e-4，所有训练集共迭代200次。胚胎发育阶段的标签将1-2期合并为0类，将3-5期合并为1类，做一个二分类训练获得粗分类结果。模型预测结果为p ，样本标签为0或1，训练过程的损失函数为二分类交叉熵损失，具体形式如下：；耦合发育阶段分类和发育质量分级模块训练的网络模型如图5所示，选取分割掩码为内细胞团和滋养层区域和原图作为输入，同样的使用在imagenet上的预训练模型初始化参数设置，训练过程的参数设置学习率为1e-4，权重衰减率为5e-4，所有训练集共迭代200次。1-2期图像损失函数采用二分类交叉熵损失。而3-5期图像损失函数为分类损失和分级损失加权，表示为：；表示3-5期分期分类损失，表示滋养层分级分类损失，表示内细胞团分级分类损失，均为三分类交叉熵损失。
35.3、模型测试阶段将测试集中的胚胎图像同样进行形态学处理后分别送入训练好的胚胎主体分割、发育阶段粗分类模块、耦合发育阶段细分类和发育质量分级模块的网络模型中测试，分别得到胚胎发育阶段粗预测、胚胎主体分割、胚胎发育阶段细预测和胚胎发育质量评级的结果，胚胎主体分割结果如图6所示，胚胎发育阶段粗预测的结果如图7所示，胚胎发育阶段细预测和分级结果的结果如图8所示。
36.本发明还提出一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的基于边缘增强的胚胎发育阶段预测与质量评估系统。
37.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，仅表达了本发明的较佳实施例而已，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
38.应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述系统包括预处理模块、胚胎主体分割模块、胚胎二分类模块、胚胎细分类模块和胚胎质量评估模块；所述预处理模块，用于去除待评估胚胎图像的噪声并增强轮廓信息，并保存待评估胚胎图像的图像边缘图；所述胚胎主体分割模块，用于对待评估胚胎图像进行二分类分割，将所述待评估胚胎图像分割为包含囊胚腔、内细胞团、滋养层和透明带的一类以及其他区域的另一类；所述胚胎二分类模块，用于基于所述胚胎主体分割模块的分割结果，对所述待评估胚胎图像进行分类，分类为1-2期或3-5期；所述胚胎细分类模块，用于基于所述胚胎二分类模块的分类结果和图像边缘图，通过自注意力机制进行特征交互，并进行边缘加权的特征融合，将1-2期分类为1期或2期，将3-5期分类为3期或4期或5期；所述边缘加权的特征融合的表达式为：；式中，i表示待评估胚胎图像，e表示图像边缘图，i和j分别表示图像中对应的像素坐标；所述胚胎质量评估模块，用于基于所述胚胎细分类模块的分类结果，对3-5期的图像进行质量分级识别，输出对应的内细胞团、滋养层的质量等级。2.根据权利要求1所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述胚胎主体分割模块采用res-u-net作为主干网络，通过预测每个像素的预测类别并与真实标签进行比较，以平均交叉熵损失进行约束，得到分割结果。3.根据权利要求2所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述胚胎主体分割模块进行二分类分割的方法包括以下步骤：采用5层编码器逐渐下采样图像，提取高层次丰富的特征；采用4个解码器逐渐上采样恢复原图尺寸并采用跳跃连接的方式加强主要特征的映射，并通过非线性激活得到最终的胚胎主体分割结果。4.根据权利要求2所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述平均交叉熵损失的表达式为：式中，k=2表示像素类别数，y
i,j
表示第i个样本中像素j的真实类别，表示模型预测该像素的预测类别概率分布，n表示图像中的像素总数量。5.根据权利要求1所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述胚胎二分类模块以resnet-50作为主干网络，结合自注意力机制，提取胚胎主体区域分别做带掩码的自注意力的信息交互和聚合后回归出图像的二分类结果。6.根据权利要求5所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述胚胎二分类模块进行二分类分割的方法包括以下步骤：将分割后的待评估胚胎图像输入所述胚胎二分类模块；逐像素通过多层感知机进行升维；使用注意力机制进行图之间的信息挖掘；使用若干层残差块进行特征交互，得到分割后的待评估胚胎图像之间充分交互的信息；另一分支在待评估图像上使用卷积和若干层残差块提取特征并进行一
次平均池化；根据掩码对应位置将分割区域的掩码拼接到对应的待评估图像卷积的特征后，没有掩码信息的复制一份待评估图像卷积的特征，经过一次特征融合后回归出图像的二分类结果。7.根据权利要求1所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述胚胎细分类模块采用基于带注意力的图卷积和resnet-50的主干网络，特征提取器中的卷积使用边缘增强卷积核。8.根据权利要求7所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述胚胎细分类模块进行分类的方法包括以下步骤：获取所述胚胎主体分割模块进行分割保留的掩码；通过所述掩码对待评估胚胎图像和边缘图进行预处理，主体部分对应像素值保留，其余像素进行零填充；对预处理后的待评估胚胎图像和边缘图均经过2次残差块和自注意力机制，之后进行边缘加权的特征融合；融合之后，依次经过3层残差块和平均池化层提取边缘信息经过充分融合和交互之后的高层语义信息，完成胚胎的细分类。9.根据权利要求8所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：当所述胚胎二分类模块的分类结果为1-2期时，所述胚胎细分类模块采用二分类交叉熵损失函数进行约束；当所述胚胎二分类模块的分类结果为3-5期时，所述胚胎细分类模块采用三分类交叉熵损失函数进行约束。10.根据权利要求8所述的一种基于边缘增强的胚胎发育阶段预测与质量评估系统，其特征在于：所述自注意力机制进行特征交互和融合的方法包括：计算自注意力的权重：：表示键向量的维度；式中，i和j表示图像中对应的像素坐标，分别表示对应像素的特征，为可学习的权重矩阵，表示查询矩阵，分别表示键矩阵和值矩阵，表示非线性的偏置，表示在对j列向量进行softmax计算；将自注意力之后的特征更新为：；上式中表示特征拼接操作，表示构建图卷积时的边，表示自注意力的层数，mlp表示多层感知机。

技术总结
本发明提供了一种基于边缘增强的胚胎发育阶段预测与质量评估系统，预处理模块，用于去除待评估胚胎图像的噪声并增强轮廓信息，并保存图像边缘图；胚胎主体分割模块，用于对待评估胚胎图像进行二分类分割分割为包含囊胚腔、内细胞团、滋养层和透明带的一类以及其他区域的另一类；胚胎二分类模块，用于基于胚胎主体分割模块的分割结果，对待评估胚胎图像进行分类，分类为1-2期或3-5期；胚胎细分类模块，用于基于胚胎二分类模块的分类结果和图像边缘图，将1-2期分类为1期或2期，将3-5期分类为3期或4期或5期；胚胎质量评估模块，用于基于胚胎细分类模块的分类结果，对3-5期的图像进行质量分级识别。质量分级识别。质量分级识别。


技术研发人员：彭松林 代文 谭威 陈长胜 熊祥 云新
受保护的技术使用者：武汉互创联合科技有限公司
技术研发日：2023.09.01
技术公布日：2023/10/8