【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及一种基于机器学习的ivf/icsi预处理方案优化系统。
技术介绍
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。机器学习，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，本专利技术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、胚胎图像数据采集模块，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、历史数据分析模块，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
5、预测模型建立模块，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、胚胎活跃程度分析模块，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优选胚胎标记模块，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、本专利技术通过胚胎图像数据采集模块获取ivf/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。通过历史数据分析模块更好地理解哪些胚胎特征与成功植入率高低相关，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。在预测模型建立模块中，利用cnn算法，这个模块能够有效地处理和分析复杂的图像数据，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，该模块提供了一个量化的、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优选胚胎标记模块对胚胎活跃程度进行量化评分，并基于这些得分进行标记，该模块提供了一个客观、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模块包括以下功能：
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、本专利技术从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。基于边缘检测结果，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。基于异常得分，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、本专利技术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，算法考虑了本文档来自技高网...
【技术保护点】
1.一种基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述胚胎图像数据采集模块包括以下功能：
3.根据权利要求2所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述胚胎图像异常检测算法如下所示：
4.根据权利要求2所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，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：
5.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述历史数据分析模块包括以下功能：
6.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述预测模型建立模块包括以下功能：
7.根据权利要求1所述的基于机器学习的IVF/ICSI预处理方案优化系统，其特征在于，所述胚胎活跃程度分析模块包括以下功能：
8.根据权利要求1所述的基于机器学习的IVF/IC
9.一种计算机可读存储介质，其特征在于，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所述权利要求1至8任一项中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
10.一种电子装置，包括存储器和处理器，其特征在于，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所述权利要求1至8任一项中所述的基于机器学习的IVF/ICSI预处理方案优化系统。
...【技术特征摘要】
1.一种基于机器学习的ivf/icsi预处理方案优化系统，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的ivf/icsi预处理方案优化系统，其特征在于，所述胚胎图像数据采集模块包括以下功能：
3.根据权利要求2所述的基于机器学习的ivf/icsi预处理方案优化系统，其特征在于，所述胚胎图像异常检测算法如下所示：
4.根据权利要求2所述的基于机器学习的ivf/icsi预处理方案优化系统，其特征在于，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：
5.根据权利要求1所述的基于机器学习的ivf/icsi预处理方案优化系统，其特征在于，所述历史数据分析模块包括以下功能：
6.根据权利要求1所述的基于机器学习的ivf/icsi预处理方案优化系统，其特征在于，所述预测模型建立模块包括以下功能：
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。