(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211154439.0 (22)申请日 2022.09.22 (65)同一申请的已公布的文献号 申请公布号 CN 115239715 A (43)申请公布日 2022.10.25 (73)专利权人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 吴瑞文　黄伟红　黄佳　于永福　 刘冠宇　李靖　高武强　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 王本晋 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06V 10/20(2022.01)G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/69(2022.01) (56)对比文件 US 109023 34 B2,2021.01.26 CN 114972202 A,202 2.08.30 WO 2020157 761 A1,2020.08.0 6 US 2019042 958 A1,2019.02.07 CN 115049908 A,202 2.09.13 CN 111539308 A,2020.08.14 US 109023 34 B2,2021.01.26 李楠 等.早期胚胎质量评估： 提高预测胚胎 发育潜能的敏感性和特异性. 《中国组织工程研 究》 .2014,1- 5. 审查员 彭玉玲 (54)发明名称 一种囊胚发育结果预测方法、 系统、 设备及 存储介质 (57)摘要 本发明公开了一种囊胚发育结果预测方法、 系统、 设备及存储介质， 本方法通过获取训练数 据集； 获取每张胚胎发育图像中的训练细胞数量 特征、 训练均匀程度特征和训练碎片化程度特 征； 将细胞数量特征、 均匀程度特征和碎片化程 度特征进行组合， 获得训练组合特征； 构建 XGBoost预测模型； 通过训练数据集对XGBoost预 测模型进行训练， 获得训练好的XGBoost预测模 型； 将具有细胞数量特征、 均匀程度特征、 碎片化 程度特征以及组合特征的目标胚胎发育图像输 入至训练好的XGBoost预测模型中进行预测， 获 得预测的囊胚发育结果和目标胚胎发育图像中 对应特征的重要性排序。 本发明能够提高预测囊 胚发育结果的准确率。 权利要求书5页 说明书18页 附图4页 CN 115239715 B 2022.12.09 CN 115239715 B 1.一种囊胚发育结果预测方法， 其特 征在于， 所述囊胚发育结果预测方法包括： 获取训练数据集， 所述训练数据集包括卵裂期进行囊胚培育并已知发育结果的多张胚 胎发育图像， 具体为： 获取在卵裂期的第 一时间内进行囊胚培育并已知发育结果的多张第 一胚胎发育图像， 并将所有所述第一胚胎发育图像作为第一训练数据集； 获取在卵裂期的第 二时间内进行囊胚培育并已知发育结果的多张第 二胚胎发育图像， 并将所有所述第二胚胎发育图像作为第二训练数据集； 其中， 所述第二时间与所述第一时 间不同； 根据所述第一训练数据集和所述第二训练数据集 生成训练数据集； 获取每张所述胚胎发育图像中的训练细胞数量特征、 训练均匀程度特征和训练碎片化 程度特征； 将所述训练细胞数量特征、 所述训练均匀程度特征和所述训练碎片化程度特征进行组 合， 获得训练 组合特征； 设置XGBo ost模型中的参数， 根据所述 参数构建XGBo ost预测模型； 通过具有所述训练细胞数量特征、 所述训练均匀程度特征、 所述训练碎片化程度特征 以及所述训练组合特征的训练数据集对所述XGBoost预测模型进行训练， 获得训练好的 XGBoost预测模型； 获取目标胚胎发育 图像对应的细胞数量特征、 均匀程度特征、 碎片化程度特征以及组 合特征， 并将具有 所述目标胚胎发育图像对应的细胞数量特征、 均匀程度特征、 碎片化程度 特征以及组合特征的目标胚胎发育图像输入至所述训练好的XGBoost预测模型中进行预 测， 获得预测的囊胚发育结果和所述 目标胚胎发育图像中对应特征 的重要性排序， 具体包 括： 所述目标胚胎发育图像包括第 一目标胚胎发育图像和第 二目标胚胎发育图像， 所述第 一目标胚胎发育图像和所述第二目标胚胎发育图像为目标胚胎对应的不同时间采集的胚 胎发育图像， 所述获取目标胚胎发育图像对应的细胞 数量特征， 包括： 采用Sobel算子和直方图均衡化对所述第一训练数据集中的每张所述第一胚胎发育图 像进行图像增强处 理， 获得增强处 理后的第一训练数据集； 在所述增强处理后的第一训练数据集中随机选取第一预设值的第一胚胎发育样本图 像； 通过所述增强处理后的第一训练数据集对第一mask ‑RCNN实例分割模型进行分割训 练， 每次训练前对每张所述第一胚胎发育样 本图像翻转一次， 直到所述第一mask ‑RCNN实例 分割模型中的损失值收敛时结束训练， 获得训练好的第一mask ‑RCNN实例分割模型； 通过所述训练好的第一mask ‑RCNN实例分割模型对所述第一目标胚胎发育图像进行实 例分割， 获得 所述第一目标胚胎发育图像中的第一细胞 数量特征和第一分割图像； 采用Sobel算子和直方图均衡化对所述第二训练数据集中的每张所述第二胚胎发育图 像进行图像增强处 理， 获得增强处 理后的第二训练数据集； 在所述增强处理后的第二训练数据集中随机选取第二预设值的第二胚胎发育样本图 像； 通过所述增强处理后的第二训练数据集对第二mask ‑RCNN实例分割模型进行分割训权　利　要　求　书 1/5 页 2 CN 115239715 B 2练， 每次训练前对每张所述第一胚胎发育样 本图像翻转一次， 直到所述第二mask ‑RCNN实例 分割模型中的损失值收敛时结束训练， 获得训练好的第二mask ‑RCNN实例分割模型； 通过所述训练好的第二mask ‑RCNN实例分割模型对所述第二目标胚胎发育图像进行实 例分割， 获得 所述第二目标胚胎发育图像中的第二细胞 数量特征和第二分割图像； 所述获取目标胚胎发育图像对应的均匀程度特 征， 包括： 获取所述第一训练数据集中标记为均匀、 不均匀和严重融合的三类第一胚胎发育图 像， 并获取三类所述第一胚胎发育图像中对应的每 个细胞的第一轮廓； 根据所述每 个细胞的第一轮廓， 分割获得三类所述第一胚胎发育图像中的多个细胞； 计算三类所述第一胚胎发育图像中对应的多个细胞中随机一个细胞的所有像素值， 并 计算所述细胞的所有像素值的第一中位数； 根据所述第 一中位数， 从三类所述第 一胚胎发育图像中对应的所述第 一分割图像 中选 取均匀、 不均匀 和严重融合对应的第一像素值范围； 计算所述第一目标胚胎发育图像对应的第一分割图像中所有细胞对应的第一目标中 位数； 根据所述第 一像素值范围和所述第 一目标中位数， 获取所述第 一目标胚胎发育图像中 的第一均匀程度特 征； 获取所述第二训练数据集中标记为均匀、 不均匀和严重融合的三类第二胚胎发育图 像， 并获取三类所述第二胚胎发育图像中对应的每 个细胞的第二轮廓； 根据所述每 个细胞的第二轮廓， 分割获得三类所述第二胚胎发育图像中的多个细胞； 计算三类所述第二胚胎发育图像中对应的多个细胞中随机一个细胞的所有像素值， 并 计算所述细胞的所有像素值的第二中位数； 根据所述第 二中位数， 从三类所述第 二胚胎发育图像中对应的所述第 二分割图像 中选 取均匀、 不均匀 和严重融合对应的第二像素值范围； 计算所述第二目标胚胎发育图像对应的第二分割图像中所有细胞对应的第二目标中 位数； 根据所述第 二像素值范围和所述第 二目标中位数， 获取所述第 二目标胚胎发育图像中 的第二均匀程度特 征。 2.根据权利要求1所述的囊胚发育结果预测方法， 其特征在于， 所述获取目标胚胎发育 图像对应的碎片化 程度特征， 包括： 获取所述第一目标胚胎发育图像中的所有第一胚胎像素值； 对所有所述第一胚胎像素值进行遍历， 获取第一极大像素值； 根据所述第一极大像素值的个数划分所述第一目标胚胎发育图像中的第一碎片化程 度特征； 获取所述第二目标胚胎发育图像中的所有第二胚胎像素值； 对所有所述第二胚胎像素值进行遍历， 获取第二极大像素值； 根据所述第二极大像素值的个数划分所述第二目标胚胎发育图像中的第二碎片化程 度特征。 3.根据权利要求1所述的囊胚发育结果预测方法， 其特征在于， 所述通过具有所述训练 细胞数量特征、 所述训练均匀 程度特征、 所述训练碎片化程度特征以及所述训练组合特征权　利　要　求　书 2/5 页 3 CN 115239715 B 3