【技术实现步骤摘要】
本专利技术属于胚胎发育的多阶段分类领域，具体涉及一种面向胚胎发育多阶段分类的深度学习方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、不孕不育是一个广泛的全球性问题。根据世界卫生组织(who)的数据，目前全球约有六分之一的人口受不孕不育的困扰。
3、目前国内外指南和专家共识均指出，体外受精-胚胎移植(in vitrofertilization-embryo transfer，ivf-et)是解决不孕不育问题最有效的方法之一。根据统计数据，目前ivf的成功率通常仅为40％左右。在ivf治疗过程中，为了降低多胎妊娠带来的孕产期及胎儿健康风险，医生通常建议在一个胚胎移植周期中只移植一枚胚胎。因此如何选择一枚最具种植潜力的胚胎进行植入，对提高ivf成功率而言显得至关重要。
4、胚胎发育过程可细分为16个连续的阶段，具体包括，ppb2、ppna、ppnf、p2、p3、p4、p5、p6、p7、p8、p9+、pm、psb、pb、peb和phb。对胚胎发育阶段的细粒度分类，可以更好的了解其发育状态，因而对于选择最有潜力的胚胎进行移植具有重要意义。
5、目前在临床中，胚胎学家利用其专业知识和经验，通过观察胚胎的形态特征和发育速度来选择具有高潜力的胚胎，然而这种方法容易受到主观作用的影响，存在标准不一、主观误差大及工作量繁重等问题。同时，不同地区、不同实验室存在一定的技术水平差异。因此，迫切需要一种客观且自动化的评价手段，为胚胎学家提供有效的辅助
6、近年来，随着深度学习神经网络的蓬勃发展，将深度学习技术应用于辅助生殖领域的研究开始受到学术界的重视。深度学习技术有望实现对胚胎发育阶段的准确分类，进而为医生和胚胎学家提供丰富的信息，帮助医生选择发育状态相对好的胚胎。
7、尽管基于深度学习的胚胎分类方法在辅助生殖领域取得了重大进展，但是这些方法仍然面临着许多挑战。具体而言，胚胎在不同发育阶段表现出复杂的形态和结构变化，因此提高胚胎发育的多阶段分类的准确率，关键在于局部和全局特征的精确提取。然而，现有的基于深度学习的相关方法，在特征提取过程中可能存在信息丢失的问题，进而影响了胚胎发育多阶段分类的准确性，从而可能影响后续ivf成功率。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种面向胚胎发育多阶段分类的深度学习方法及系统，本方法及系统结合了双分支局部特征融合模块和transformer深度神经网络模块，结合这两种模块的优势用于胚胎发育阶段的分类，不仅能够充分提取胚胎图像的局部和全局信息，提高分类阶段的准确率，同时为深度学习在ivf中的应用提供了一种新思路。
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、第一方面，本专利技术提供了一种面向胚胎发育多阶段分类的深度学习方法，包括：
4、获取胚胎图像，对所述胚胎图像进行预处理，得到预处理后的胚胎图像；
5、对预处理后的胚胎图像进行分块操作，并将其输入至双分支局部特征融合模块进行局部特征提取，得到含有细粒度局部特征的特征图；
6、将所述含有细粒度局部特征的特征图输入至深度神经网络模块进行全局特征提取和编码，得到最终特征图；
7、将所述最终特征图输入至分类器进行发育阶段预测，输出预测的胚胎发育阶段。
8、进一步的技术方案，所述双分支局部特征融合模块包括并列连接的第一分支模块和第二分支模块，所述第一分支模块捕获输入图像的局部空间信息，所述第二分支模块有效提取通道特征。
9、进一步的技术方案，依次按照顺序连接全连接层和局部自注意力模块，得到所述第一分支模块，依次按照顺序连接全连接层和深度卷积模块，得到所述第二分支模块。
10、进一步的技术方案，所述局部自注意力模块和所述深度卷积模块之间连接有跨分支交互融合模块，实现跨分支特征交互和融合操作。
11、进一步的技术方案，所述跨分支交互融合模块包括并列的通道交互模块和空间交互模块，通过通道交互模块将所述深度卷积模块提取的特征交互至局部自注意力模块，通过空间交互模块将空间关系从局部自注意力模块传递到深度卷积模块中。
12、进一步的技术方案，依次按照顺序连接池化层、1×1的卷积层、批归一化、gelu激活函数、1×1的卷积层和sigmoid函数，得到通道交互模块，依次按照顺序连接1×1的卷积层、批归一化、gelu激活函数、1×1的卷积层和sigmoid函数，得到空间交互模块。
13、进一步的技术方案，所述深度神经网络模块具体为transformer编码器模块。
14、第二方面，本专利技术提供了一种面向胚胎发育多阶段分类的深度学习系统，包括：
15、图像获取模块，其被配置为：获取胚胎图像，对所述胚胎图像进行预处理，得到预处理后的胚胎图像；
16、局部特征提取模块，其被配置为：对预处理后的胚胎图像进行分块操作，并将其输入至双分支局部特征融合模块进行局部特征提取，得到含有细粒度局部特征的特征图；
17、全局特征提取模块，其被配置为：将所述含有细粒度局部特征的特征图输入至深度神经网络模块进行全局特征提取和编码，得到最终特征图；
18、阶段预测模块，其被配置为：将所述最终特征图输入至分类器进行发育阶段预测，输出预测的胚胎发育阶段。
19、第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的一种面向胚胎发育多阶段分类的深度学习方法中的步骤。
20、第四方面，本专利技术提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的一种面向胚胎发育多阶段分类的深度学习方法中的步骤。
21、以上一个或多个技术方案存在以下有益效果：
22、本专利技术结合了双分支局部特征融合模块和transformer深度神经网络模块，transformer深度神经网络模块为全局特征提取模块。双分支局部特征融合模块由局部自注意力模块、深度卷积模块和跨分支交互融合模块组成，用于从胚胎图像中有效地提取局部特征；transformer模块中编码器通过多头自注意力和前馈神经网络，从输入特征图中提取全局上下文特征。本专利技术结合这两种模块的优势用于胚胎发育阶段的分类，不仅能够充分提取胚胎图像的局部和全局信息，提高分类阶段的准确率，同时为深度学习在ivf中的应用提供了一种新思路。
23、本专利技术设计了一种新的基于transformer的双分支局部特征融合网络，可以从输入胚胎图像中进行局部和全局特征提取，有效地提高了胚胎发育多阶段分类的准确性。
24、本发本文档来自技高网...
【技术保护点】
1.一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，包括：
2.如权利要求1所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，所述双分支局部特征融合模块包括并列连接的第一分支模块和第二分支模块，所述第一分支模块捕获输入图像的局部空间信息，所述第二分支模块有效提取通道特征。
3.如权利要求2所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，依次按照顺序连接全连接层和局部自注意力模块，得到所述第一分支模块，依次按照顺序连接全连接层和深度卷积模块，得到所述第二分支模块。
4.如权利要求3所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，所述局部自注意力模块和所述深度卷积模块之间连接有跨分支交互融合模块，实现跨分支特征交互和融合操作。
5.如权利要求4所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，所述跨分支交互融合模块包括并列的通道交互模块和空间交互模块，通过通道交互模块将所述深度卷积模块提取的特征交互至局部自注意力模块，通过空间交互模块将空间关系从局部自注意力模块传递到深度卷积模块中。p>
6.如权利要求5所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，依次按照顺序连接池化层、1×1的卷积层、批归一化、GELU激活函数、1×1的卷积层和sigmoid函数，得到通道交互模块，依次按照顺序连接1×1的卷积层、批归一化、GELU激活函数、1×1的卷积层和sigmoid函数，得到空间交互模块。
7.如权利要求1所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，所述深度神经网络模块具体为Transformer编码器模块。
8.一种面向胚胎发育多阶段分类的深度学习系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种面向胚胎发育多阶段分类的深度学习方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种面向胚胎发育多阶段分类的深度学习方法中的步骤。
...【技术特征摘要】
1.一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，包括：
2.如权利要求1所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，所述双分支局部特征融合模块包括并列连接的第一分支模块和第二分支模块，所述第一分支模块捕获输入图像的局部空间信息，所述第二分支模块有效提取通道特征。
3.如权利要求2所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，依次按照顺序连接全连接层和局部自注意力模块，得到所述第一分支模块，依次按照顺序连接全连接层和深度卷积模块，得到所述第二分支模块。
4.如权利要求3所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，所述局部自注意力模块和所述深度卷积模块之间连接有跨分支交互融合模块，实现跨分支特征交互和融合操作。
5.如权利要求4所述的一种面向胚胎发育多阶段分类的深度学习方法，其特征在于，所述跨分支交互融合模块包括并列的通道交互模块和空间交互模块，通过通道交互模块将所述深度卷积模块提取的特征交互至局部自注意力模块，通过空间交互模块将空间关系从局部自注意力模块传递到...
【专利技术属性】
技术研发人员：张宇昂，刘晓洁，吴海萃，郑向伟，杜文滨，马传龙，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。