基于机器学习的IVF/ICSI预处理方案优化系统的制作方法

本发明涉及机器学习，尤其涉及一种基于机器学习的ivf/icsi预处理方案优化系统。

背景技术：

1、ivf和icsi是辅助生殖技术中常用的两种技术。ivf，即体外受精，是将卵子取出体外并与精子在实验室环境中结合，以促进受精。icsi，即单精子微注射，是直接将单个精子注射入卵子内以促进受精?；餮?，作为人工智能的一个分支，是通过算法和统计模型使计算机系统能够从数据中学习并作出决策或预测。在医疗领域，尤其是在辅助生殖技术中，机器学习的应用分析大量的医疗数据，帮助医生和研究人员更准确地预测治疗方案的成效，进而优化治疗过程。ivf/icsi预处理方案是对还未植入的胚胎进行处理，以筛选出更加优好的胚胎。然而，传统的ivf/icsi预处理方案对于胚胎的选择往往依赖于专业人员的经验和肉眼观察，主观性较强，且受限于观察者的经验和技术水平，胚胎选择的准确性和一致性可能受到影响。

技术实现思路

1、基于此，本发明提供一种基于机器学习的ivf/icsi预处理方案优化系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于机器学习的ivf/icsi预处理方案优化系统，包括：

3、胚胎图像数据采集?？?，用于获取ivf/icsi技术的胚胎图像数据；对胚胎图像数据进行图像特征分析处理，生成胚胎特征图像数据；对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据；

4、历史数据分析?？?，用于获取历史胚胎图像数据；对历史胚胎图像数据进行活跃程度聚类分析，生成历史聚类胚胎图像数据；

5、预测模型建立?？?，用于基于卷积神经网络算法以及历史聚类胚胎图像数据进行胚胎活跃程度的数学关系模型建立，生成优化活跃程度预测模型；

6、胚胎活跃程度分析?？?，用于将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成胚胎活跃程度数据；根据胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据；

7、ivf/icsi优选胚胎标记?？?，用于根据胚胎活跃程度得分数据对有效胚胎图像数据进行ivf/icsi技术的优选胚胎图像标记，生成ivf/icsi优选胚胎图像数据。

8、本发明通过胚胎图像数据采集?？榛袢vf/icsi技术中的胚胎图像数据，并对这些数据进行深入的图像特征分析处理。通过自动化的图像分析和特征提取，大大减少了人工操作的需要，提高了数据处理的效率和一致性；通过精确的异常检测，提高了胚胎选择的准确性，从而可能增加ivf/icsi的成功率；高质量的胚胎图像数据为后续的预测模型建立和胚胎评分提供了可靠的基础，进一步增强了整个系统的性能。通过历史数据分析?？楦玫乩斫饽男┡咛ヌ卣饔氤晒χ踩肼矢叩拖喙?，提高选择最佳胚胎的准确率。这些历史数据为构建和训练更加精确的机器学习模型提供了宝贵的输入，这些模型随后可用于评估新的胚胎图像。在预测模型建立?？橹?，利用cnn算法，这个?？槟芄挥行У卮砗头治龈丛拥耐枷袷?，自动提取胚胎图像的重要特征，对于准确预测胚胎的活跃程度至关重要。通过结合历史聚类胚胎图像数据，这个模型不仅能够基于当前的图像数据做出预测，而且还能够从过去的案例中学习，提高其预测的准确性和可靠性，更加科学和客观地选择最有可能成功植入的胚胎，从而提高整个ivf/icsi过程的成功率。通过精确计算胚胎的活跃程度得分，该?？樘峁┝艘桓隽炕?、客观的评估标准，帮助从多个备选胚胎中挑选出适合的胚胎，提高了胚胎选择的准确性。这个自动化的分析流程大幅提高了处理速度和效率，尤其是在面对大量胚胎图像数据时，能够快速且准确地完成分析任务。通过ivf/icsi优选胚胎标记?？槎耘咛セ钤境潭冉辛炕婪?，并基于这些得分进行标记，该?？樘峁┝艘桓隹凸?、科学的参考标准，帮助在众多胚胎中快速识别出最有可能成功植入的候选胚胎。

9、优选地，所述胚胎图像数据采集?？榘ㄒ韵鹿δ埽?/p>

10、获取ivf/icsi技术的胚胎图像数据；

11、为胚胎图像数据添加时间戳，以获得时序胚胎图像数据；

12、将时序胚胎图像数据进行灰度图像转换，生成胚胎灰度图像数据；

13、根据canny边缘检测技术对胚胎灰度图像数据进行轮廓灰度值分析，生成轮廓灰度值数据；

14、根据轮廓灰度值数据对胚胎灰度图像数据进行图像特征提取，生成胚胎特征图像数据；

15、根据胚胎图像异常检测算法对胚胎特征图像数据进行异常得分计算，生成异常得分数据；

16、根据异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除，以获得有效胚胎图像数据。

17、本发明从ivf/icsi过程中收集胚胎图像，以便于进一步的处理和分析。通过标记每张胚胎图像的拍摄时间，为数据提供时间上的上下文信息，有助于分析胚胎发育过程中的动态变化。将彩色图像转换为灰度图像，减少处理的复杂性，同时便于更清晰地识别和分析图像中的纹理和边缘信息。利用canny算法进行边缘检测，准确地识别出胚胎图像中的轮廓?；诒咴导觳饨峁?，提取胚胎的关键特征，如形状、大小和轮廓细节，降低数据维度，提高数据分析的准确性。运用特定的异常检测算法来评估胚胎图像的正常性与否，为每个图像分配一个异常得分，从而识别潜在的问题胚胎?；谝斐５梅?，筛选出正常的胚胎图像，排除那些可能影响ivf/icsi成功率的异常胚胎，确保最终的图像数据集只包含健康且发育良好的胚胎。

18、优选地，所述胚胎图像异常检测算法如下所示：

19、

20、式中，p表示为胚胎特征图像数据对应的异常得分数据，n表示为不同周期下的胚胎特征图像，αi表示为第i个周期的周期权重信息，β表示为对称性偏差权重信息，e表示为自然常数，γi表示为第i个周期的胚胎振荡频率，t表示为周期长度，ωi表示为第i个周期的胚胎角频率偏差，φi表示为第i个周期的胚胎初始相位偏差，δ表示为形状偏差权重信息，li表示为第i个周期的胚胎曲线长度，x表示为胚胎曲线长度对应的积分变量。

21、本发明利用胚胎图像异常检测算法对胚胎特征图像的对称性性、大小以及完整性等进行胚胎异常检测。该函数关系式能够处理不同周期下的胚胎特征图像数量，以提高对胚胎异常检测的全面性；αi反映了每个周期的重要性权重，如最新的周期权重相对更高；β用于考虑胚胎图像的对称性特征的重要性，δ用于考虑胚胎图像的形状特征的重要性，通过设定的权重均衡对称性以及形状的重要性；γi反映了胚胎图像在该第i个周期内的振荡频率；t用于描述胚胎图像的时间周期，如一小时；ωi反映了胚胎图像在该第i个周期内的角频率偏差，如与标准化比对样本的胚胎图像的角频率进行差值计算得出；φi反映了第i个周期的胚胎图像与对应的标准化比对样本的胚胎图像的初始相位偏差；li反映了第i个周期的胚胎图像曲线的长度特征；x反映了胚胎曲线长度对应的积分变量，用于计算曲线的长度。反映了第i个周期的胚胎图像与对应的标准化比对样本的胚胎图像的对称性差异，通过将振荡函数与对称性偏差权重相乘，算法考虑了图像中的对称性特征，用于考虑胚胎图像的形状特征差异，如过大或过小可能造成异常数值更大，综合考虑了不同周期的胚胎特征图像的对称性和形状特征，通过权重加权振荡函数和积分项，能够精确地评估每个周期的异常得分，以此计算出能够评估胚胎图像是否存在异常的状况以得到胚胎特征图像数据对应的异常得分数据。

22、优选地，执行所述根据胚胎异常得分数据对胚胎特征图像数据进行异常胚胎图像剔除时，包括：

23、当异常得分数据大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据进行剔除；或者，当异常得分数据不大于预设的异常得分阈值时，则将异常得分数据对应的胚胎特征图像数据标记为有效胚胎图像数据。

24、本发明设定一个异常得分阈值。这个阈值是根据历史数据、专家知识或通过数据分析得出的，用于区分正常和异常的胚胎图像。当某个胚胎图像的异常得分超过了预设的阈值时，该图像被识别为异常胚胎图像，根据这个判断标准，系统会自动将这些图像从数据集中剔除，确保后续分析的准确性。与此同时，当胚胎图像的异常得分低于或等于预设阈值时，这表明该胚胎图像属于正常范围，因此被标记为有效胚胎图像数据，并保留在数据集中。

25、优选地，所述历史数据分析?？榘ㄒ韵鹿δ埽?/p>

26、获取历史胚胎图像数据；

27、对历史胚胎图像数据进行灰度值转换，生成历史胚胎灰度图像数据；

28、对历史胚胎灰度图像数据进行灰度值变化数据分析，生成历史图像灰度值变化数据；

29、根据历史图像灰度值变化数据对历史胚胎灰度图像数据进行聚类分析，生成初始历史聚类胚胎图像数据；

30、根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行活跃程度聚类标识，生成历史聚类胚胎图像数据。

31、本发明从ivf/icsi过程的历史记录中收集胚胎图像数据，提供了对实时数据进行分析及预测的数据基础。将收集到的历史胚胎图像数据转换为灰度图像，简化了图像的复杂性，使得后续的分析更加专注于图像的灰度变化，这对于识别胚胎发育的关键特征非常重要。分析胚胎灰度图像数据中的灰度值变化，生成历史图像灰度值变化数据，能够揭示胚胎图像随时间的变化规律，对于理解胚胎发育过程至关重要?；诨叶戎当浠?，对历史胚胎灰度图像数据进行聚类分析，通过识别相似的发育模式，将胚胎图像分为不同的类别或群组。根据预设的活跃程度标签对初始历史聚类胚胎图像数据进行再次分类和标识，以便更准确地识别和标记高活跃度和低活跃度的胚胎。

32、优选地，所述预测模型建立?？榘ㄒ韵鹿δ埽?/p>

33、基于卷积神经网络算法建立胚胎图像活跃程度预测的映射关系，生成初始活跃程度预测模型；

34、将历史聚类胚胎图像数据的图像数据作为输入数据以及历史聚类胚胎图像数据的活跃程度标签作为输出数据设计模型训练样本；

35、将模型训练样本传输至初始活跃程度预测模型进行模型训练，生成活跃程度预测模型；

36、利用随机梯度算法对活跃程度预测模型的损失函数进行模型的优化超参数分析，生成优化超参数；

37、根据优化超参数对活跃程度预测模型进行模型超参数优化调节，生成优化活跃程度预测模型。

38、本发明利用卷积神经网络(cnn)算法根据历史聚类胚胎图像数据构建胚胎活跃程度的映射关系，提供能够从图像特征预测胚胎活跃程度的模型的基础，cnn在处理图像数据方面表现出色，特别适合于识别和学习图像中的复杂模式和特征。将历史聚类胚胎图像数据的图像作为输入，活跃程度标签作为输出，设计模型训练样本，确保了模型训练过程中使用的数据既具有代表性又与实际应用场景紧密相关，并且提供了数据预测方向的依据。使用设计好的训练样本对初始活跃程度预测模型进行训练，通过调整模型参数，使模型能够准确地从图像数据预测胚胎的活跃程度。应用随机梯度下降算法优化模型的损失函数，进行超参数分析，通过优化算法调整模型，以减少预测误差，提高模型的准确性和泛化能力。根据优化得到的超参数对活跃程度预测模型进行进一步的调整和优化，确保模型在实际应用中能够达到最佳的预测性能。

39、优选地，所述胚胎活跃程度分析?？榘ㄒ韵鹿δ埽?/p>

40、将有效胚胎图像数据传输至优化活跃程度预测模型进行胚胎活跃程度分析，生成初始胚胎活跃程度数据；

41、对初始胚胎活跃程度数据进行归一化处理，生成胚胎活跃程度数据；

42、根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，生成加权胚胎活跃程度数据；

43、根据加权胚胎活跃程度数据进行胚胎活跃程度得分计算，生成胚胎活跃程度得分数据。

44、本发明将筛选后的有效胚胎图像数据输入到胚胎活跃分析模型进行活跃程度的分析，模型根据图像的特征，如纹理、形状等，预测胚胎的活跃程度，生成初始的胚胎活跃程度数据。对初始胚胎活跃程度数据进行归一化处理，以确保数据在相同的尺度上，方便后续的分析和比较。根据预设的时序性权重数据对不同时间戳下的胚胎活跃程度数据进行权重分配，考虑了胚胎发育过程中不同时间点的重要性，从而更准确地反映胚胎的整体活跃程度?；诩尤ù砗蟮呐咛セ钤境潭仁萁凶酆系梅值募扑?，对每个胚胎发育潜力的量化评估，可用于辅助选择最佳胚胎。

45、优选地，所述ivf/icsi优选胚胎标记?？樵谥葱兴龈菖咛セ钤境潭鹊梅质荻杂行咛ネ枷袷萁衖vf/icsi技术的优选胚胎图像标记时，包括：

46、当胚胎活跃程度得分数据不小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据标记为ivf/icsi优选胚胎图像数据；或者，当胚胎活跃程度得分数据小于预设的活跃程度阈值时，则将胚胎活跃程度得分数据对应的有效胚胎图像数据进行剔除。

47、本发明设定一个活跃程度得分的阈值。这个阈值是根据临床经验、历史数据分析或其他相关研究确定的，用于区分高活跃程度和低活跃程度的胚胎。当某个胚胎的活跃程度得分不小于预设阈值时，该胚胎被认为是活跃且发育潜力较高的，因此其对应的有效胚胎图像数据被标记为ivf/icsi的优选胚胎，确保了选择的胚胎具有较高的成功植入潜力。相反，当胚胎的活跃程度得分低于预设的阈值时，表明该胚胎的活跃程度较低，其成功植入的可能性相对较小，这些胚胎的图像数据将被从优选列表中剔除。

48、本说明书中提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述中所述的基于机器学习的ivf/icsi预处理方案优化系统。

49、本说明书中提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述中所述的基于机器学习的ivf/icsi预处理方案优化系统。

50、本技术有益效果在于，本发明的基于机器学习的ivf/icsi预处理方案优化系统通过自动化图像分析和机器学习模型，可以更客观、准确地评估胚胎的质量，降低胚胎选取到主观性。并且，通过对胚胎图像数据进行异常检测和活跃度分析，从而提高整个ivf/icsi过程的成功率。此外，通过模型的学习与优化，这种技术可以随着时间和更多数据的积累而不断进步，进一步提高胚胎筛选的精度，保障胚胎选择的准确性和一致性。