基于深度学习的胚胎评估系统研究与实现

发布时间：2020-08-13 16:37

【摘要】：随着现代医疗水平的飞速发展,以及对胚胎发育机理的研究不断深入,体外受精-胚胎移植技术愈发趋于成熟。其中,胚胎植入前的质量评估是辅助生殖技术的重要一环,与治疗成功率紧密关联。形态学评估是目前应用最为广泛的评价方法之一,本文在传统形态学方法的基础上结合深度学习技术,设计了深度神经网络结构,实现从胚胎图片中自动识别主要形态学特征,并构建新的特征用于训练评估模型,最终实现了高效精准、用户友好的胚胎评估系统。本文主要研究内容如下:1.研究基于U-Net和残差结构的胚胎主体分割模型。由于原始胚胎图片中存在大量背景干扰,需要将胚胎主体之外的区域剔除。本文基于U-Net(U型卷积神经网络)语义分割模型的编码器-解码器架构,并结合残差结构,设计了胚胎分割网络,提升了网络的表征能力。同时,将深度可分离卷积应用于残差结构的设计中,大幅提升了分割速度。2.研究基于多任务学习的胚胎形态学特征识别模型。在胚胎分割的基础上,应用多任务学习策略实现主要形态学特征的共同识别。本文基于ShuffleNet V2网络构建共享权重层,并采用ImageNet数据集的预训练权重,在其之上设计了针对不同形态学特征的分类器,基于自适应权重的多任务损失进行训练,最终实现形态学特征的精准识别。3.研究结合发育趋势和平均发育水平的胚胎评估模型。由于胚胎发育是一个动态过程,并且对于同一患者的所有待选胚胎存在内部优先级,因此本文在胚胎主要形态学特征的基础上,结合胚胎评估领域的专家经验,设计了胚胎发育趋势和平均发育水平两类新特征,兼顾了胚胎的动态全局特性,并基于支持向量机构建评估模型对胚胎质量评分进行预测。4.设计实现基于Qt5的胚胎质量评估系统。结合胚胎评估的实际应用需求,系统分析了软件的功能模块构成,采用Qt5设计实现图形用户界面和交互逻辑。核心算法基于Python实现,同时使用MySql作为数据库存储评估结果。系统将胚胎评估核心功能通过图形界面提供给用户,能够满足实际工作需求。本文通过对系统功能和性能进行测试,验证了系统的完整性和可用性。研究成果有助于提高胚胎评估工作的效率,具有良好的应用意义。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R329.1;TP18;TP391.41
【图文】：

卵裂期,胚胎,图片,卵裂球

碎片比细胞碎片现是细胞分裂的结果，所产生碎片的总体积与胚胎体积的比碎片百分比。空泡空泡存在于卵裂球中，内容物为透明液体，空泡数目的多少以及空泡的大小可能对胚胎发育造成影响。多核每个卵裂球中细胞核数目的多少，理想情况卵裂球只能观察到一个核第三天胚胎中，细胞核形态可能不理想。质颗粒化胞质颗粒化包括细胞浆发生了变黑、粗糙等特征。卵周隙卵裂球与透明带之间的距离，通常情况透明带与外围卵裂球紧密相连胚胎色泽胚胎在显微镜下有明显泽光性，较差的胚胎可能出现泽光性减低、变胞质形态卵裂球通常为正圆形或者类圆形，较差的胚胎可能出现不规则形状。透明带约 5μm，呈透明。透明带增粗可能影响胚胎着床，较差胚胎透明带可现变黑，形态缺损等情况。对于如图 2-1 所示的胚胎，可得到相应的形态学特征为：（a）4 个均一的每个卵裂球包含 1 个细胞核，无碎片，透明带和胞质正常；（b）5 个卵两个卵裂球体积较大，不均一；（c）2 个卵裂球，细胞碎片约为 15%，有的空泡。

示意图,神经网络结构,卷积,示意图

图 2-2 传统神经网络结构示意图积神经网络包含多种形式的层级结构，包括卷积层（Convolooling layer）、全连接层（Fully connected layer）、随机失活（范化（Batch normalization）[35]等，它们是构建卷积神经网积层的作用是实现图像特征提取，位于浅层的卷积操作提取图、边缘等，随着卷积操作的加深，简单特征被组合成富含语边角、轮廓等。一个简单的卷积操作如图 2-3 所示：

示意图,卷积

图 2-2 传统神经网络结构示意图现代卷积神经网络包含多种形式的层级结构，包括卷积层（Convolutionla层（Pooling layer）、全连接层（Fully connected layer）、随机失活（Drop批量规范化（Batch normalization）[35]等，它们是构建卷积神经网络的基1. 卷积层卷积层的作用是实现图像特征提取，位于浅层的卷积操作提取图像的简如线条、边缘等，随着卷积操作的加深，简单特征被组合成富含语义信息征，如边角、轮廓等。一个简单的卷积操作如图 2-3 所示：

【参考文献】