【技术实现步骤摘要】
本专利技术属于深度学习领域中的多模态融合学习方法，涉及一种面向体外受精胚胎移植的多模态深度学习妊娠预测方法及系统。
技术介绍
1、最近的研究表明，多达12-15％的夫妇被诊断为不孕不育，体外受精-胚胎移植(ivf-et)是治疗不孕不育最有效的技术之一。在ivf-et过程中，医务工作者通过使用促排卵药物刺激母亲的子宫来获得多个卵母细胞，然后在实验室环境中结合精子和卵母细胞产生多个受精卵。培养3-5天后，实验室技术人员根据胚胎形态的视觉评估选择最佳胚胎，并将其移植回母亲的子宫进一步发育。因此，胚胎质量评估与优选是影响ivf-et妊娠结果的重要因素。
2、在临床实践中，ivf-et的妊娠成功率仅为30-40％，即使是经验丰富的实验室技术人员判定的优质胚胎，移植后也可能不会妊娠。这是因为胚胎形态并不总是与胚胎的真正发育活力相关。大量研究表明，形态好的胚胎不能存活，但形态差的胚胎可以存活。因此，仅仅根据胚胎形态来评估妊娠结果是不可靠的。胚胎形态不仅影响妊娠成功率，父母的生育指标也会影响，如父母的年龄、子宫内膜厚度、精子质量等。
...【技术保护点】
1.体外受精胚胎移植的多模态深度学习妊娠预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的体外受精胚胎移植的多模态深度学习妊娠预测方法，其特征在于：步骤S2中，所述的多模态图神经网络融合模型包括胚胎图像编码器和胚胎图像分类器、生育力指标编码器和生育力指标分类器、模态注意力模块、图神经网络融合模块和融合分类器；
3.根据权利要求2所述的体外受精胚胎移植的多模态深度学习妊娠预测方法，其特征在于：图像分支中的图像编码器和图像分类器由ResNet34组成；ResNet34有7层，第一层使用7×7大小的卷积核，步长为2，填充为3的卷积层，后接...
【技术特征摘要】
1.体外受精胚胎移植的多模态深度学习妊娠预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的体外受精胚胎移植的多模态深度学习妊娠预测方法，其特征在于：步骤s2中，所述的多模态图神经网络融合模型包括胚胎图像编码器和胚胎图像分类器、生育力指标编码器和生育力指标分类器、模态注意力模块、图神经网络融合模块和融合分类器；
3.根据权利要求2所述的体外受精胚胎移植的多模态深度学习妊娠预测方法，其特征在于：图像分支中的图像编码器和图像分类器由resnet34组成；resnet34有7层，第一层使用7×7大小的卷积核，步长为2，填充为3的卷积层，后接batchnorm归一化层和relu激活层；第二层使用3×3大小的卷积核，步长为2，填充为1的maxpool池化层；第三层由6个子层串联组成，每个子层都使用3×3大小的卷积核，步长为1，填充为1的卷积层，后接batchnorm归一化层和relu激活层，并且每经过2个子层进行一次残差连接；第四层由8个子层串联组成，第一个子层使用3×3大小的卷积核，步长为2，填充为1的卷积层，后接batchnorm归一化层和relu激活层，后面七个子层都使用3×3大小的卷积核，步长为1，填充为1的卷积层，后接batchnorm归一化层和relu激活层，并且每经过2个子层进行一次残差连接；第五层由12个子层串联组成，第一个子层使用3×3大小的卷积核，步长为2，填充为1的卷积层，后接batchnorm归一化层和relu激活层，后面十一个子层都使用3×3大小的卷积核，步长为1，填充为1的卷积层，后接batchnorm归一化层和relu激活层，并且每经过2个子层进行一次残差连接；第六层由6个子层串联组成，第一个子层使用3×3大小的卷积核，步长为2，填充为1的卷积层，后接batchnorm归一化层和relu激活层，后面五个子层都使用3×3大小的卷积核，步长为1，填充为1的卷积层，后接batchnorm归一化层和relu激活层，并且每经过2个子层进行一次残差连接；第七层使用7×7大小的卷积核，步长为1，填充为0的avgpool池化层和一个线性层；
4.根据权利要求2所述的体外受精胚胎移植的多模态深度学习妊娠预测方法，其特征在于：生育力指标分支中的指标编码器和指标分类器由前7层非线性层和最后1层线性层组成，前7层中每一层都包含linear线性层、batchnorm归一化层和...
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。