基于循环特征推理的胚胎图像碎片去除系统技术方案

本发明专利技术公开了基于循环特征推理的胚胎图像碎片去除系统，包括图像数据集构建模块、胚胎图像碎片去除模型构建模块、模型预训练模块、模型精训练模块和图像处理模块。本发明专利技术通过构建胚胎图像碎片去除模型，对碎片区域的特征推理，用更好的特征填充碎片掩码区域，分为预训练、精训练两个阶段，获取训练后的网络和参数，以有效解决胚胎图像中的碎片问题。以有效解决胚胎图像中的碎片问题。以有效解决胚胎图像中的碎片问题。

【技术实现步骤摘要】
基于循环特征推理的胚胎图像碎片去除系统


[0001]本专利技术涉及人工智能
，具体地指一种基于循环特征推理的胚胎图像碎片去除系统。

技术介绍

[0002]胚胎图像碎片去除是一个很重要的图像处理任务，用于清除胚胎图像中不必要的碎片，从而提高胚胎形态学特征的可靠性。胚胎图像碎片去除的目的是保留有关胚胎形态学特征的重要信息，同时去除碎片，从而提高后续的胚胎评估和预测准确性。近年来，深度学习算法在图像中得到了广泛应用。
[0003]通过利用卷积神经网络（CNN）、自编码器（Autoencoder）和生成对抗网络（GAN）等深度学习模型，可以自动学习图像中有用信息和噪声之间的差异，并准确地去除噪声。这些模型可以通过大量数据的训练，从而提高准确性和鲁棒性。总之，胚胎图像碎片去除是胚胎评估和预测的重要预处理步骤，可以提高胚胎形态学特征的可靠性。计算机视觉技术和深度学习算法是实现胚胎图像碎片去除的技术，可以学习图像中有用信息和噪声之间的差异，自适应地去除碎片，从而提高胚胎评估和预测的准确性和鲁棒性。
[0004]然而，胚胎在体外培养的过程中，可以经常看到一种“没有核分裂的细胞分裂”现象，也即碎片。它是由细胞外膜包裹的一种无核胞质结构。由于碎片是动态发生的，在胚胎内的位置会出现移动，有时碎片会掺入到细胞中，在胚胎图像中，碎片如同斑块镶嵌于其中，降低胚胎图像的信噪比，对后续胚胎图像预测产生严重干扰。

技术实现思路

[0005]本专利技术针对现有技术的不足之处，提出一种基于循环特征推理的胚胎图像碎片去除系统，通过对碎片区域的特征推理，填充碎片掩码区域，以有效解决胚胎图像中的碎片问题。
[0006]为实现上述目的，本专利技术设计的基于循环特征推理的胚胎图像碎片去除系统，其特殊之处在于，所述系统包括图像数据集构建模块、胚胎图像碎片去除模型构建模块、模型预训练模块、模型精训练模块和图像处理模块；所述图像数据集构建模块：存储胚胎图像样本数据集，取设定比例的图像数据，对胚胎主体定位后，将图像中的碎片打掩码，得到精训练数据集；所述胚胎图像碎片去除模型构建模块：用于构建胚胎图像碎片去除模型，所述胚胎图像碎片去除模型由局部卷积层、循环特征推理模块和解码卷积构成；所述模型预训练模块：用于使用没有碎片的胚胎数据集对所述胚胎图像碎片去除模型进行预训练，获取网络初始化参数；所述模型精训练模块：使用精训练数据集对所述胚胎图像碎片去除模型进行精训练，并完成测试集预测和结果评估；所述图像处理模块：将待处理的胚胎图像输入至经过测试的胚胎图像碎片去除模
型得到碎片去除处理结果。
[0007]进一步地，所述胚胎图像碎片去除模型的局部卷积层用于确定每次递归中对胚胎图像打掩码的碎片区域。
[0008]更进一步地，所述胚胎图像碎片去除模型的循环特征推理模块进行循环卷积操作，识别要处理的区域后进行特征推理，经过多次的循环特征推理，使得在处理大的碎片区域时，经过掩码后产生的空洞被更好的特征填补。
[0009]更进一步地，所述循环特征推理模块包含两个局部卷积、八个编码器、三个解码器、注意力模块和特征融合模块。
[0010]更进一步地，所述特征融合模块中，输出特征图中的数值只从相应位置被填满的特征图中计算出来；处理过程为：将定义为由特征推理模块生成的第i个特征图，N为大于1的自然数，定义为特征图中第z个通道中x，y位置的特征值，定义为特征图中第z个通道中x，y位置的掩码值，是特征图的二进制掩码，输出特征图的值被定义为：。
[0011]更进一步地，所述局部卷积层在卷积计算后更新掩码并重新对图像作规范化处理，具体操作为：表示由局部卷积层生成的特征图，表示第z个通道中x，y位置的特征值，和分别是以（x，y）位置为中心的输入特征斑块和输入掩码斑块，I为与输入掩码斑块大小相同的单位矩阵，由局部卷积层计算的特征图表示为：掩码斑块大小相同的单位矩阵，由局部卷积层计算的特征图表示为：为局部卷积层的第z个卷积核，T代表转秩，sum()代表求和运算，代表逐点乘积，b为卷积偏置；由该层产生的新掩码值表示为：，通过上述方程，在每个局部卷积层之后得到更新后的新掩模。
[0012]更进一步地， 所述胚胎图像碎片去除模型采用基于CNN和注意力机制的网络，注意力机制的设计为：测量每对特征像素之间的余弦相似度，j是循环特征推理模块当前循环
的次数，是相对于的同一特征区域，分别为位置和的特征像素向量，为2范数，用于求取向量长度，为单位特征像素向量，即求两个向量夹角余弦值；；对相邻区域的目标像素的相似度进行平均滤波来平滑相似度，k为平均滤波的窗口宽度，为平均滤波后的平滑相似度，p，q为临时变量，用于取k
×
k大小窗口中的相似度：最后，注意力得分被用来重建特征图新特征图的计算方法为：上式中，W、H分别为参与特征区域计算的宽度和高度，softmax为归一化指数函数，为计算后的新特征图，为原始特征图。
[0013]更进一步地，所述图像数据集构建模块使用YOLO
‑
FastestV2对每张图像进行了胚胎细胞定位，得到定位后的胚胎图像，并对碎片区域打掩码，形成精训练数据集。
[0014]本专利技术还提出一种设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于循环特征推理的胚胎图像碎片去除系统。
[0015]本专利技术另外提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于循环特征推理的胚胎图像碎片去除系统。
[0016]本专利技术提出的基于循环特征推理的胚胎图像碎片去除系统，其有益效果包括：1、在卵裂球分裂过程中，碎片的形状和大小是动态变化的，本专利技术将图像中的碎片区域制作一个掩码标签，这样做可以更好地捕捉区域特征和信息；2、本专利技术提出的去除不同形状大小的胚胎碎片的AI模型为端到端模型，能够自动地去除不同形状大小的胚胎碎片，预测过程中无需人工干预；3、本专利技术使用网络模型对每张图像进行了胚胎细胞定位，以解决时差培养箱提供的光源条不稳定，拍摄的胚胎图像出现忽亮忽暗，造成其他成像区域干扰的问题。
[0017]4、本专利技术提出的AI模型根据循环特征推理网络，进行碎片区域的特征推理，用更好的特征填充碎片掩码区域，以有效地解决碎片问题便于对卵裂球的进一步操作。
附图说明
[0018]图1为本专利技术基于循环特征推理的胚胎图像碎片去除系统的胚胎图像碎片去除的流程图；图2为胚胎图像碎片去除模型的网络处理原理图；图3为胚胎图像碎片去除模型的网络结构图；图4为胚胎图像碎片去除结果示意图，其中，(a)原始图像、(b)定位后图像、(c)碎片区域的掩码、(d)模型处理后结果。
具体实施方式
[0019]以下结合附图和具体实施例对本专利技术作进一步的详细描述。
[0020]如图1所示，本专利技术提出的基于循环特征推理的胚胎图像碎本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于循环特征推理的胚胎图像碎片去除系统，其特征在于：所述系统包括图像数据集构建模块、胚胎图像碎片去除模型构建模块、模型预训练模块、模型精训练模块和图像处理模块；所述图像数据集构建模块：存储胚胎图像样本数据集，取设定比例的图像数据，对胚胎主体定位后，将图像中的碎片打掩码，得到精训练数据集；所述胚胎图像碎片去除模型构建模块：用于构建胚胎图像碎片去除模型，所述胚胎图像碎片去除模型由局部卷积层、循环特征推理模块和解码卷积构成；所述模型预训练模块：用于使用没有碎片的胚胎数据集对所述胚胎图像碎片去除模型进行预训练，获取网络初始化参数；所述模型精训练模块：使用精训练数据集对所述胚胎图像碎片去除模型进行精训练，并完成测试集预测和结果评估；所述图像处理模块：将待处理的胚胎图像输入至经过测试的胚胎图像碎片去除模型得到碎片去除处理结果。2.根据权利要求1所述的基于循环特征推理的胚胎图像碎片去除系统，其特征在于：所述胚胎图像碎片去除模型的局部卷积层用于确定每次递归中对胚胎图像打掩码的碎片区域。3.根据权利要求1所述的基于循环特征推理的胚胎图像碎片去除系统，其特征在于：所述胚胎图像碎片去除模型的循环特征推理模块进行循环卷积操作，识别要处理的区域后进行特征推理，经过多次的循环特征推理，使得在处理大的碎片区域时，经过掩码后产生的空洞被更好的特征填补。4.根据权利要求3所述的基于循环特征推理的胚胎图像碎片去除系统，其特征在于：所述循环特征推理模块包含两个局部卷积、八个编码器、三个解码器、注意力模块和特征融合模块。5.根据权利要求4所述的基于循环特征推理的胚胎图像碎片去除系统，其特征在于：所述特征融合模块中，输出特征图中的数值只从相应位置被填满的特征图中计算出来；处理过程为：将定义为由特征推理模块生成的第i个特征图，N为大于1的自然数，定义为特征图中第z个通道中x，y位置的特征值，定义为特征图...

【专利技术属性】
技术研发人员：彭松林，谭威，董兴浩，陈长胜，熊祥，云新，
申请(专利权)人：武汉互创联合科技有限公司，
类型：发明
国别省市：