一种基于AI深度学习算法的小鼠胚胎发育评价方法技术

本发明专利技术的提供一种基于AI深度学习算法的小鼠胚胎发育评价方法，通过PP

【技术实现步骤摘要】
一种基于AI深度学习算法的小鼠胚胎发育评价方法


[0001]本专利技术属于体视显微镜图像自动识别领域，特别涉及一种基于形态学与人工智能深度学习算法的小鼠胚胎发育评价方法。

技术介绍

[0002]啮齿类动物胚胎相关实验在毒理学、畸胎学研究中具有重要价值，其形态学分级技术对于这些领域是必不可少的。小鼠胚胎植入后从囊胚开始了三胚层分化，神经管、心脏等重要形态学特征按胚胎自身特定的时空顺序开始发生和发育，其形态学变化巨大且迅速，参与的动力学和分子学机制复杂，形态学指标评估主观性强，远不能满足植入后胚胎发育水平的评估和对给定的胚胎胎龄的预测，尤其是对关键发育节点的形态学评估精准度要求很难到达。
[0003]现阶段对胚胎发育状态的评估依然以人工为主，因评估者知识背景的差异和胚胎个体多样性而致对胚胎发育评估结果呈现较强的主观性，科研的平行性差，同时后期对胚胎发育学指标统计学分析耗时费力，急需构建一套客观性强，准确性高且快速的自动化分级体系。

技术实现思路

[0004]本专利技术的目的在于提供一种基于AI深度学习算法的小鼠胚胎发育评价方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI深度学习算法的小鼠胚胎发育评价方法，包括如下步骤，S1：选取小鼠E8.0
‑
10.0期间的胚胎图像，将胚胎图中形态学特征进行标记并制作名称标签，利用PP
‑
YOLOv4模型训练，得到可识别图像中形态学特征的识别模型；S2：将S1胚胎图像中的形态学特征单独截取，制作对应各个形态学特征图片的生长评价文件，分别利用卷积神经网络进行训练，得到图像评分模型，所述生长评价文件中各个形态学特征通过发育评分对应一个胚胎发育阶段，S1中选取的E8.0
‑
10.0期间的胚胎图像按照E8.0
‑
8.5.0，E8.5
‑
8.75，E8.75
‑
9.0，E9.0
‑
9.25，E9.25
‑
9.5，E9.5
‑
10.0分成六个胚胎发育阶段；S3：将待识别小鼠胚胎图片输入识别模型，原图中输出对应形态学特征的矩形框与名称标签数据，并对图中各形态学特征进行截图；将截图输入图像评分模型，得到待识别图像各形态学特征对应的发育评分和发育阶段，S4：建立胎龄验证模型，基于S2的生长评价文件中各发育阶段内的各形态学特征进行胎龄评价权重划分，由高向低依次划分为胎龄预测形态学特征、胎龄预测参考形态学特征、不参考形态学特征；S5：胎龄预测，统计S3中的输出结果，当各形态特征的评分一半以上集中于一个发育阶段时，该发育阶段为待识别图片的预测胎龄；当输出结果为各形态特征的评分均布于两个发育阶段时，与S4的胎龄验证模型中对应的发育阶段分别进行比对，去除权重较低的胎龄预测参考形态学特征、不参考形态学特征，胎龄预测形态学特征符合数量占优的为预测胎龄，同时将S3输出结果与预测胎龄阶段内的胎龄预测形态学特征评分不一致的标识为存疑形态学特征。2.根据权利要求1所述的基于AI深度学习算法的小鼠胚胎发育评价方法，其特征在于：所述存疑形态学特征表示该形态学特征可能存在发育迟缓或畸形。3.根据权利要求1所述的基于AI深度学习算法的小鼠胚胎发育评价方法，其特征在于：所述形态学特征包括卵黄囊、转体、尿囊、前脑、中脑、后脑、眼泡、耳泡、嗅泡、心脏、前肢、后肢、尾神经管、鳃弓、上颌和下颌。4.根据权利要求1所述的基于AI深度学习算法的小鼠胚胎发育评价方法，其特征在于：所述步骤S4中各形态学特征进行胎龄评价权重划分时排除卵黄囊、尿囊，卵黄囊、尿囊作为单独评价特征。5.根据权利要求1所述的基于AI深度学习算法的小鼠胚胎发育评价方法，其特征在于：所述E 8.0
‑
8.5胚胎发育阶段的形态学特征，包括7项，分别为卵黄囊、尿囊、转体、心脏、尾神经管、前脑、后脑；该阶段胎龄预测形态学特征为心脏、尾神经管、前脑和后脑，胎龄预测参考形态学特征为转体；所述E 8.5
‑
...

【专利技术属性】
技术研发人员：奥瑞芳，解军，李航，马雪涛，梁宇翔，曹睿，金姗姗，刘志贞，靳宁，金国荣，程海琴，李雪薇，李然，
申请(专利权)人：山西医科大学，
类型：发明
国别省市：