评价卵母细胞质量的方法及装置

摘要

本发明提供了一种评价卵母细胞质量的方法及装置，该方法包括：获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个；利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率。本发明的技术方案利用质量评价模型对该图像和该生存环境参数中的至少一个进行分析，以确定卵母细胞的妊娠成功率，能够提高评价结果的准确性和客观性。

权利要求

1.一种评价卵母细胞质量的方法，其特征在于，包括：

获取包含卵母细胞的图像和所述卵母细胞的生存环境参数中的至少一个；

利用质量评价模型基于所述图像和所述生存环境参数中的至少一个，确定所述卵母细胞的妊娠成功率，其中，所述利用质量评价模型基于所述图像和所述生存环境参数中的至少一个，确定所述卵母细胞的妊娠成功率，包括：在所述生存环境参数和所述图像均存在时，利用所述质量评价模型，分别基于所述图像和所述生存环境参数生成图像特征向量和参数特征向量，基于所述图像特征向量和所述参数特征向量确定组合特征向量，并基于所述组合特征向量确定所述妊娠成功率。

2.根据权利要求1所述的方法，其特征在于，所述利用质量评价模型基于所述图像和所述生存环境参数中的至少一个，确定所述卵母细胞的妊娠成功率，还包括：在所述生存环境参数不存在时，利用所述质量评价模型基于所述图像，确定所述卵母细胞的妊娠成功率；或者，在所述图像不存在时，利用所述质量评价模型基于所述生存环境参数，确定所述卵母细胞的妊娠成功率。

3.根据权利要求1所述的方法，其特征在于，还包括：

在所述生存环境参数和所述图像均存在时，利用所述质量评价模型，基于所述图像特征向量确定所述卵母细胞的第一妊娠成功率，并基于所述参数特征向量确定所述卵母细胞的第二妊娠成功率。

4.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：基于所述妊娠成功率和所述卵母细胞的实际妊娠结果评估所述质量评价模型。

5.根据权利要求4所述的方法，其特征在于，所述基于所述妊娠成功率和所述卵母细胞的实际妊娠结果评估所述质量评价模型，包括：基于所述妊娠成功率和所述卵母细胞的实际妊娠结果确定所述质量评价模型的辨别能力参数，所述辨别能力参数包括灵敏度、特异度、受试者工作特征曲线下的面积中的至少一个。

6.根据权利要求5所述的方法，其特征在于，所述基于所述妊娠成功率和所述卵母细胞的实际妊娠结果评估所述质量评价模型，还包括：基于所述妊娠成功率和所述卵母细胞的实际妊娠结果确定所述质量评价模型的预期临床收益参数，所述预期临床收益参数包括净获益率。

7.根据权利要求6所述的方法，其特征在于，还包括：

基于所述辨别能力参数和所述预期临床收益参数调整所述质量评价模型的参数。

8.一种训练质量评价模型的方法，其特征在于，包括：

获取多个样本数据；

利用所述多个样本数据训练机器学习模型得到质量评价模型，其中，所述多个样本数据中的每个样本数据包括样本图像和样本生存环境参数以及样本妊娠结果，所述样本图像包含样本卵母细胞，所述样本生存环境参数为所述样本卵母细胞的生存环境参数，所述样本妊娠结果为所述样本卵母细胞的实际妊娠结果，所述质量评价模型用于，在包含卵母细胞的图像和所述卵母细胞的生存环境参数均存在时，分别基于所述图像和所述生存环境参数生成图像特征向量和参数特征向量，基于所述图像特征向量和所述参数特征向量确定组合特征向量，并基于所述组合特征向量确定所述卵母细胞的妊娠成功率。

9.根据权利要求8所述的方法，其特征在于，还包括：

对包含所述样本卵母细胞的原始图像进行预处理，得到第一样本图像；

对所述第一样本图像进行数据增强处理，得到至少一个第二样本图像，所述样本图像包括所述第一样本图像和所述至少一个第二样本图像。

10.根据权利要求8或9所述的方法，其特征在于，还包括：利用所述质量评价模型基于所述图像和所述生存环境参数，确定所述妊娠成功率；

利用所述图像和所述生存环境参数和所述卵母细胞的实际妊娠结果，继续训练所述质量评价模型。

11.一种评价卵母细胞质量的装置，其特征在于，包括：

获取模块，用于获取包含卵母细胞的图像和所述卵母细胞的生存环境参数中的至少一个；

确定模块，用于在所述生存环境参数和所述图像均存在时，利用质量评价模型，分别基于所述图像和所述生存环境参数生成图像特征向量和参数特征向量，基于所述图像特征向量和所述参数特征向量确定组合特征向量，并基于所述组合特征向量确定所述卵母细胞的妊娠成功率。

12.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至7中任一项所述的评价卵母细胞质量的方法或者用于执行上述权利要求8至10中任一项所述的训练质量评价模型的方法。

13.一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器，

其中，所述处理器用于执行上述权利要求1至7中任一项所述的评价卵母细胞质量的方法或者用于执行上述权利要求8至10中任一项所述的训练质量评价模型的方法。

说明书

评价卵母细胞质量的方法及装置

技术领域

[0001] 本发明涉及医疗人工智能领域，具体涉及一种评价卵母细胞质量的方法及装置。

背景技术

[0002] 随着不孕症患者的不断增加，辅助生殖技术(Assisted  Reproductive Technology，ART)得到了发展。辅助生殖技术是指采用医疗辅助手段使不育夫妇妊娠的技术，包括人工授精(Artificial Insemination，AI)和体外受精-胚胎移植(In Vitro Fertilization and Embryo Transfer，IVF-ET)及其衍生技术两大类。在体外受精-胚胎移植技术中，需要在体外进行早期胚胎发育，然后将胚胎移植到母体中，其中，卵母细胞的质量对胚胎着床成功有着至关重要的影响。因此，准确预测卵母细胞的质量，对于提高妊娠成功率、孕育健康子代具有重要意义。现有的卵母细胞质量预测方法准确率低，且预测结果受观察者主观影响大。

发明内容

[0003] 有鉴于此，本发明实施例提供了一种评价卵母细胞质量的方法及装置，能够提高评价结果的准确性和客观性。

[0004] 第一方面，本发明的实施例提供了一种评价卵母细胞质量的方法，包括：获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个；利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率。

[0005] 在本发明某些实施例中，利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率，包括：在生存环境参数不存在时，利用质量评价模型基于图像，确定卵母细胞的妊娠成功率；或者，在图像不存在时，利用质量评价模型基于生存环境参数，确定卵母细胞的妊娠成功率。

[0006] 在本发明某些实施例中，利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率，包括：在生存环境参数和图像均存在时，利用质量评价模型，分别基于图像和生存环境参数生成图像特征向量和参数特征向量，基于图像特征向量和参数特征向量确定组合特征向量，并基于组合特征向量确定妊娠成功率。

[0007] 在本发明某些实施例中，第一方面的评价卵母细胞质量的方法还包括：在生存环境参数和图像均存在时，利用质量评价模型，基于图像特征向量确定卵母细胞的第一妊娠成功率，并基于参数特征向量确定卵母细胞的第二妊娠成功率。

[0008] 在本发明某些实施例中，第一方面的评价卵母细胞质量的方法还包括：基于妊娠成功率和卵母细胞的实际妊娠结果评估质量评价模型。

[0009] 在本发明某些实施例中，基于妊娠成功率和卵母细胞的实际妊娠结果评估质量评价模型，包括：基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的辨别能力参数，辨别能力参数包括灵敏度、特异度、受试者工作特征曲线下的面积中的至少一个。

[0010] 在本发明某些实施例中，基于妊娠成功率和卵母细胞的实际妊娠结果评估质量评价模型，还包括：基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的预期临床收益参数，预期临床收益参数包括净获益率。

[0011] 在本发明某些实施例中，第一方面的评价卵母细胞质量的方法还包括：基于辨别能力参数和预期临床收益参数调整质量评价模型的参数。

[0012] 第二方面，本发明的实施例提供了一种训练质量评价模型的方法，包括：获取多个样本数据；利用多个样本数据训练机器学习模型得到质量评价模型，其中，多个样本数据中的每个样本数据包括样本图像和样本生存环境参数中的至少一个以及样本妊娠结果，样本图像包含样本卵母细胞，样本生存环境参数为样本卵母细胞的生存环境参数，样本妊娠结果为样本卵母细胞的实际妊娠结果。

[0013] 在本发明某些实施例中，第二方面的训练质量评价模型的方法还包括：对包含样本卵母细胞的原始图像进行预处理，得到第一样本图像；对第一样本图像进行数据增强处理，得到至少一个第二样本图像，样本图像包括第一样本图像和至少一个第二样本图像。

[0014] 在本发明某些实施例中，第二方面的训练质量评价模型的方法还包括：利用质量评价模型基于包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个，确定卵母细胞的妊娠成功率；利用图像和卵母细胞的生存环境参数中的至少一个和卵母细胞的实际妊娠结果，继续训练质量评价模型。

[0015] 第三方面，本发明的实施例提供了一种评价卵母细胞质量的装置，包括：获取模块，用于获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个；确定模块，用于利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率。

[0016] 第四方面，本发明的实施例提供了一种计算可读存储介质，存储介质存储有计算机程序，计算机程序用于执行上述第一方面所述的评价卵母细胞质量的方法或者用于执行上述第二方面所述的训练质量评价模型的方法。

[0017] 第五方面，本发明的实施例提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所述的评价卵母细胞质量的方法或者用于执行上述第二方面所述的训练质量评价模型的方法。

[0018] 本发明实施例提供了一种评价卵母细胞质量的方法及装置，通过获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个，并利用质量评价模型对该图像和该生存环境参数中的至少一个进行分析，以确定卵母细胞的妊娠成功率，进而通过妊娠成功率来评价卵母细胞的质量，能够提高评价结果的准确性和客观性。

附图说明

[0019] 图1是本发明一示例性实施例提供的评价卵母细胞质量的方法的流程示意图。

[0020] 图2a是本发明一示例性实施例提供的质量评价模型的结构示意图。

[0021] 图2b是本发明一示例性实施例提供的普通卷积块的结构示意图。

[0022] 图2c是本发明一示例性实施例提供的深度可分离卷积块的结构示意图。

[0023] 图2d是本发明一示例性实施例提供的全局最大池化层的结构示意图。

[0024] 图2e是本发明一示例性实施例提供的全连接层的结构示意图。

[0025] 图3是本发明另一示例性实施例提供的评价卵母细胞质量的方法的流程示意图。

[0026] 图4是本发明一示例性实施例提供的训练质量评价模型的方法的流程示意图。

[0027] 图5是本发明另一示例性实施例提供的训练质量评价模型的方法的流程示意图。

[0028] 图6是本发明一示例性实施例提供的评价卵母细胞质量的装置的结构示意图。

[0029] 图7是本发明一示例性实施例提供的用于评价卵母细胞质量的电子设备的框图。

具体实施方式

[0030] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0031] 在体外受精-胚胎移植技术中，由于胚胎着床失败率高，为了提高胚胎着床的成功率，多采用多胚胎移植方法。多胚胎移植导致多胎妊娠增加，但是多胚胎妊娠容易出现出生的新生儿早产、死产、低出生体重、出生缺陷以及母体高血压等并发症。因此，关注单个胚胎移植的妊娠成功率才是解决胚胎着床失败率高的问题的关键。

[0032] 单个胚胎移植后若妊娠成功，则说明卵母细胞是没有问题的。因此，准确预测卵母细胞的质量，对于提高妊娠成功率具有重要作用。目前有基于卵母细胞自体生物标志物的方法对卵母细胞的质量进行预测，例如，通过使用亮甲酚蓝对卵母细胞进行染色，将染色成功的卵母细胞视为优质卵母细胞，将染色失败的卵母细胞视为劣质卵母细胞。但是这种方法操作复杂，筛选效率低，且染色试剂对卵母细胞的影响情况不明确。

[0033] 图1是本发明一示例性实施例提供的评价卵母细胞质量的方法的流程示意图。如图1所示，该方法包括如下内容。

[0034] 110：获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个。

[0035] 这里，卵母细胞为待评价的卵母细胞。包含卵母细胞的图像可以是通过图像采集设备获取的，例如图像采集设备可以采集卵母细胞在光学显微镜下的图像，该图像中可以包括卵丘卵母细胞复合体(Cumulus-Oocyte Complexes，COCs)形态、第一极体形态、卵周隙大小、胞质形态、纺锤体形态等用于评价卵母细胞质量的物质形态。卵母细胞的生存环境参数可以是对卵泡液内的生物活性代谢物和蛋白质等成分进行分析获得的参数。进一步地，卵母细胞的生存环境参数还可以包括卵泡液内的PH值。

[0036] 120：利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率。

[0037] 质量评价模型可以是机器学习模型经过训练后得到的，机器学习模型可以是神经网络模型。例如，机器学习模型可以是由反向传播神经网络、卷积神经网络、循环神经网络、深度神经网络等网络结构中的至少一个构成。

[0038] 卵母细胞的质量对妊娠成功有重要影响，而且妊娠成功说明该卵母细胞是优质的，因此，本发明实施例通过妊娠成功率来表征卵母细胞的质量，可以建立卵母细胞的质量与妊娠成功率之间的关系，避免因卵母细胞的质量问题而导致妊娠失败。

[0039] 通过质量评价模型对卵母细胞的图像和/或生存环境参数进行分析以评价卵母细胞的妊娠成功率，可以避免直接通过观察者对卵母细胞形态或其生存环境状态的观察来确定卵母细胞妊娠成功率的主观性，提高评价结果的客观性和可靠性。

[0040] 在一实施例中，可以将包含卵母细胞的图像输入质量评价模型，质量评价模型对图像进行分析后输出该卵母细胞的妊娠成功率。在本实施例中，质量评价模型可以是通过利用多个样本数据训练机器学习模型得到的，其中，样本数据包括样本图像和样本妊娠结果，样本图像包含样本卵母细胞，样本妊娠结果为该样本卵母细胞的实际妊娠结果。具体地，样本图像包含的物质形态的种类可以与上述图像中包含的物质形态的种类一致。

[0041] 在另一实施例中，可以将卵母细胞的生存环境参数输入质量评价模型，质量评价模型对生存环境参数进行分析后输出该卵母细胞的妊娠成功率。在本实施例中，质量评价模型可以是通过利用多个样本数据训练机器学习模型得到的，其中，样本数据包括样本生存环境参数和样本妊娠结果，样本生存环境参数包含样本卵母细胞的生存环境参数，样本妊娠结果为该样本卵母细胞的实际妊娠结果。具体地，样本生存环境参数包含的内容可以与上述生存环境参数包含的内容一致。

[0042] 在另一实施例中，可以将包含卵母细胞的图像以及卵母细胞的生存环境参数输入质量评价模型，质量评价模型对图像和生存环境参数进行分析后输出该卵母细胞的妊娠成功率。在本实施例中，质量评价模型可以是通过利用多个样本数据训练机器学习模型得到的，其中，样本数据包括样本图像、样本生存环境参数和样本妊娠结果，样本图像包含样本卵母细胞，样本生存环境参数包含样本卵母细胞的生存环境参数，样本妊娠结果为该样本卵母细胞的实际妊娠结果。具体地，样本图像包含的物质形态的种类可以与上述图像中包含的物质形态的种类一致，样本生存环境参数包含的内容可以与上述生存环境参数包含的内容一致。在本实施例中，可以结合图像和生存环境参数对卵母细胞的质量进行评价，这样利用的数据多，可以提高评价结果的准确性。

[0043] 本发明实施例提供了一种评价卵母细胞质量的方法，通过获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个，并利用质量评价模型对该图像和该生存环境参数中的至少一个进行分析，以确定卵母细胞的妊娠成功率，进而通过妊娠成功率来评价卵母细胞的质量，能够提高评价结果的准确性和客观性。

[0044] 根据本发明一实施例，120包括：在生存环境参数不存在时，利用质量评价模型基于图像，确定卵母细胞的妊娠成功率；或者，在图像不存在时，利用质量评价模型基于生存环境参数，确定卵母细胞的妊娠成功率。

[0045] 在本实施例中，用于训练机器学习模型得到质量评价模型的样本数据包括样本图像、样本生存环境参数和样本妊娠结果。即，质量评价模型可以对图像和生存环境参数进行综合分析后输出卵母细胞的妊娠成功率。而当图像和生存环境参数只存在一个时，也可以利用该质量评价模型对图像或生存环境参数进行分析以输出该卵母细胞的妊娠成功率。这样在输入该质量评价模型的数据单一时，也可以获得卵母细胞的妊娠成功率，提高该评价方法的适应性。

[0046] 根据本发明一实施例，120包括：在生存环境参数和图像均存在时，利用质量评价模型，分别基于图像和生存环境参数生成图像特征向量和参数特征向量，基于图像特征向量和参数特征向量确定组合特征向量，并基于组合特征向量确定妊娠成功率。

[0047] 质量评价模型可以基于图像提取图像特征向量，该图像特征向量可以用于表征卵丘卵母细胞复合体形态、第一极体形态、卵周隙大小、胞质形态、纺锤体形态等用于评价卵母细胞质量的物质形态。质量评价模型可以基于生存环境参数提取参数特征向量，该参数特征向量可以用于表征卵泡液内的生物活性代谢物和蛋白质等成分的含量。

[0048] 图2a是本发明一示例性实施例提供的质量评价模型的结构示意图。如图2a所示，该质量评价模型可以是基于二维卷积神经网络，该网络中包括依次连接的2个普通卷积块、11个深度可分离卷积块、1个全局最大池化层、1个特征组合层和至少两个全连接层。参见图
2b，普通卷积块包括依次连接的卷积层(例如3*3多通道卷积层)、批归一化层和激活函数层。参见图2c，深度可分离卷积块包括依次连接的组卷积层(例如三组3*3单通道卷积)、卷积层(例如1*1多通道卷积层)、批归一化层和激活函数层。参见图2d，全局最大池化层其计算方式具体来说是选择层覆盖范围内的最大值作为该层的输出。图2e是本发明一示例性实施例提供的全连接层的结构示意图，该二维卷积神经网络中涉及的全连接层的具体结构可以与图2e示意的全连接层的结构相同或相似。

[0049] 具体地，将包含卵母细胞的图像以及该卵母细胞的生存环境参数输入质量评价模型后，该图像经过2个普通卷积块、11个深度可分离卷积块以及1个全局最大池化层的运算过程后，全局最大池化层输出该图像的图像特征向量。该生存环境参数经过第一全连接层的运算过程后，第一全连接层输出该卵母细胞的参数特征向量。特征组合层可以将图像特征向量和参数特征向量结合得到组合特征向量。第二全连接层可以对组合特征向量进行分类以输出代表该卵母细胞妊娠成功率的数值。在本实施例中，由于融合了包含卵母细胞的图像以及该卵母细胞的生存环境参数这两种数据来确定妊娠成功率，因此该评价卵母细胞质量的过程也可以称为融合预测。

[0050] 当输入质量评价模型的数据只有包含卵母细胞的图像时，如图2a所示，该质量评价模型还包括第三全连接层，第三全连接层可以对图像特征向量进行分类以输出代表该卵母细胞妊娠成功率(或称第一妊娠成功率)的数值。在这种情况下，由于只考虑了包含卵母细胞的图像这单一数据来确定妊娠成功率，因此该评价卵母细胞质量的过程也可以称为图像预测。

[0051] 当输入质量评价模型的数据只有卵母细胞的生存环境参数时，如图2a所示，该质量评价模型还包括第四全连接层，第四全连接层可以对参数特征向量进行分类以输出代表该卵母细胞妊娠成功率(或称第二妊娠成功率)的数值。在这种情况下，由于只考虑了卵母细胞的生存环境参数这单一数据来确定妊娠成功率，因此该评价卵母细胞质量的过程也可以称为参数预测。

[0052] 进一步地，当包含卵母细胞的图像以及该卵母细胞的生存环境参数这两种数据均存在时，质量评价模型可以同时输出融合预测(妊娠成功率)、图像预测(第一妊娠成功率)以及参数预测(第一妊娠成功率)这三种预测结果供用户参考。通过比较三种预测结果，可以得出影响卵母细胞质量的具体因素主要是物质形态和生存环境参数两者中的哪一个，便于为后续的治疗过程提供参考依据。

[0053] 上述二维卷积神经网络的结构仅是示意性的，可以根据需要设计成其他结构。而且，本发明实施例中的质量评价模型还可以是基于其他神经网络，该神经网络的具体结构可以根据实际需要进行设计，本发明实施例对此不做具体的限制。

[0054] 可选地，在本发明另一实施例中，120包括：在生存环境参数和图像均存在时，利用质量评价模型，分别基于图像和生存环境参数生成图像特征向量和参数特征向量，基于图像特征向量确定卵母细胞的第一妊娠成功率，并基于参数特征向量确定卵母细胞的第二妊娠成功率，其中，妊娠成功率包括第一妊娠成功率和第二妊娠成功率。

[0055] 在本实施例中，第一妊娠成功率的预测过程可认为是图像预测，第二妊娠成功率的预测过程可认为是参数预测。当图像和生存环境参数两种数据均存在时，质量评价模型对两种数据进行分开处理，输出图像预测结果和参数预测结果，供用户参考。

[0056] 根据本发明一实施例，该评价卵母细胞质量的方法还包括：基于妊娠成功率和卵母细胞的实际妊娠结果评估质量评价模型。

[0057] 具体地，在利用质量评价模型对卵母细胞的质量进行评价并输出妊娠成功率后，可以记录该卵母细胞的实际妊娠结果，例如失败或成功，成功则实际妊娠结果记为1，失败则实际妊娠结果记为0。质量评价模型输出的妊娠成功率可以是0至1之间的数值。将妊娠成功率与实际妊娠结果作比较，可以评估该质量评价模型的评价结果是否准确，或者可以确定该质量评价模型输出的妊娠成功率的临界值，即，妊娠成功率在该临界值以上的卵母细胞实际妊娠成功的可能性大，可以用于体外受精-胚胎移植。

[0058] 根据本发明一实施例，基于妊娠成功率和卵母细胞的实际妊娠结果评估质量评价模型，包括：基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的辨别能力参数，辨别能力参数包括灵敏度、特异度、受试者工作特征曲线下的面积中的至少一个。

[0059] 将质量评价模型输出的妊娠成功率超过预设阈值的卵母细胞视为优质卵母细胞，可用于体外受精-胚胎移植，该卵母细胞对应的预测妊娠结果为妊娠成功，记为1；将质量评价模型输出的妊娠成功率未超过预设阈值的卵母细胞视为劣质卵母细胞，该卵母细胞对应的预测妊娠结果为妊娠失败，记为0。记录妊娠成功率超过预设阈值的卵母细胞的实际妊娠结果，以及妊娠成功率未超过预设阈值的卵母细胞的实际妊娠结果。实际妊娠成功记为1，实际妊娠失败记为0。通过比较预测妊娠结果与实际妊娠结果，可以确定该质量评价模型的灵敏度和特异度。灵敏度和特异度作为辨别能力参数，用于评估质量评价模型的辨别能力。

[0060] 例如，可以基于卵母细胞的预测妊娠结果和实际妊娠结果绘制受试者工作特征曲线(Receiver Operating Characteristic curve，ROC)。受试者工作特征曲线的横坐标为假阳性率，即预测为1且实际为0的样本占所有实际为0样本的比例，可以表征质量评价模型的误判率(即1-特异度)；受试者工作特征曲线的纵坐标为真阳性率，即预测为1且实际为1的样本占所有实际为1样本的比例，可以表征质量评价模型的灵敏度。误判率越低且灵敏度越高，该质量评价模型的准确度就越高。此外，通过分析受试者工作特征曲线可以判断预设阈值的设置是否合适，若不合适，可以根据受试者工作特征曲线选取合适的临界值代替预设阈值。

[0061] 进一步地，为了更直观地评估质量评价模型的实际应用价值，可以通过受试者工作特征曲线下的面积(Area Under ROC Curve，AUC)大小来进行评估。AUC越大，则该质量评价模型的性能越好，实际应用价值越大。

[0062] 根据本发明一实施例，基于妊娠成功率和卵母细胞的实际妊娠结果评估质量评价模型，还包括：基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的预期临床收益参数，预期临床收益参数包括净获益率。

[0063] 具体地，可以通过决策曲线分析(Decision Curve Analysis，DCA)方法将患者或决策者的偏好整合到分析中，以确定预期临床收益参数，进而分析该质量评价模型的临床意义，使患者的整体净收益最大化。决策曲线的横坐标表示阈概率，纵坐标表示利减去弊之后的净获益率。

[0064] 根据本发明一实施例，该评价卵母细胞质量的方法还包括：基于辨别能力参数和预期临床收益参数调整质量评价模型的参数。

[0065] 具体地，根据辨别能力参数和预期临床收益参数的取值大小或等级划分结果对质量评模型的参数进行适当的调整，以提高质量评模型的辨别能力和预期临床收益。

[0066] 图3是本发明另一示例性实施例提供的评价卵母细胞质量的方法的流程示意图。图3是图1实施例的例子，相同之处不再赘述，此处着重描述不同之处。如图3所示，该方法包括如下内容。

[0067] 310：获取包含卵母细胞的图像和卵母细胞的生存环境参数。

[0068] 图像中包含的具体的物质形态的种类，以及生存环境参数具体包括的内容，可以参见上述图1实施例中的描述，为避免重复，此处不再赘述。

[0069] 320：利用质量评价模型分别基于图像和生存环境参数生成图像特征向量和参数特征向量。

[0070] 质量评价模型的具体结构可以参见上述图2a至图2e实施例中的描述，为避免重复，此处不再赘述。

[0071] 330：利用质量评价模型基于图像特征向量和参数特征向量确定组合特征向量，并基于组合特征向量确定妊娠成功率。

[0072] 该妊娠成功率的确定过程可以称为融合预测。

[0073] 340：利用质量评价模型基于图像特征向量确定第一妊娠成功率。

[0074] 该第一妊娠成功率的确定过程可以称为图像预测。

[0075] 350：利用质量评价模型基于参数特征向量确定第二妊娠成功率。

[0076] 该第二妊娠成功率的确定过程可以称为参数预测。本发明实施例对330、340以及350的执行先后顺序不做限制，例如，330、340以及350可以同时执行。

[0077] 360：基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的辨别能力参数，辨别能力参数包括灵敏度、特异度和受试者工作特征曲线下的面积中的至少一个。

[0078] 辨别能力参数可以通过分析受试者工作特征曲线进行确定，具体确定过程可以参见上述图1实施例中的描述，为避免重复，此处不再赘述。

[0079] 370：基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的预期临床收益参数，预期临床收益参数包括净获益率。

[0080] 预期临床收益参数可以通过决策曲线分析方法进行确定，具体确定过程可以参见上述图1实施例中的描述，为避免重复，此处不再赘述。

[0081] 380：基于辨别能力参数和预期临床收益参数调整质量评价模型的参数。

[0082] 基于辨别能力参数和预期临床收益参数评估该质量评价模型，可以明确该质量评价模型的实际应用价值。若评估结果为该质量评价模型的实际应用价值低，则根据辨别能力参数和预期临床收益参数的取值大小或等级划分结果对质量评模型的参数进行适当的调整，以提高质量评模型的辨别能力和预期临床收益。

[0083] 图4是本发明一示例性实施例提供的训练质量评价模型的方法的流程示意图。如图4所示，该训练质量评价模型的方法包括如下内容。

[0084] 410：获取多个样本数据。

[0085] 420：利用多个样本数据训练机器学习模型得到质量评价模型。

[0086] 多个样本数据中的每个样本数据包括样本图像和样本生存环境参数中的至少一个以及样本妊娠结果，样本图像包含样本卵母细胞，样本生存环境参数为样本卵母细胞的生存环境参数，样本妊娠结果为样本卵母细胞的实际妊娠结果。

[0087] 通过训练机器学习模型得到的质量评价模型可用于上述图1和图3实施例中，以评价卵母细胞的质量。该质量评价模型的具体结构可以参见上述图2a至图2e实施例中的描述。

[0088] 具体地，训练机器学习模型时采用的样本图像，与利用质量评价模型评价卵母细胞质量时分析的图像，两者的规格一致，例如，两者的图像边框大小，图像像素的设置等参数均一致，这样可以提高评价结果的准确性。

[0089] 本发明实施例提供了一种训练质量评价模型的方法，通过获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个，并利用质量评价模型对该图像和该生存环境参数中的至少一个进行分析，以确定卵母细胞的妊娠成功率，进而通过妊娠成功率来评价卵母细胞的质量，能够提高评价结果的准确性和客观性。

[0090] 根据本发明一实施例，该训练质量评价模型的方法还包括：对包含样本卵母细胞的原始图像进行预处理，得到第一样本图像；对第一样本图像进行数据增强处理，得到至少一个第二样本图像，样本图像包括第一样本图像和至少一个第二样本图像。

[0091] 具体地，通过预处理可以使得各个样本图像的规格一致，避免因各个样本图像对应的原始图像之间的差异对机器学习模型的训练过程造成影响。此外，待评价图像(利用质量评价模型进行评价的卵母细胞对应的图像)也可以是经过预处理获得的，这样，样本图像和待评价图像(利用质量评价模型进行评价的卵母细胞对应的图像)的规格一致，避免因样本图像对应的原始图像与待评价图像对应的原始图像之间的差异，对质量评价模型的评价结果造成影响。

[0092] 对经过预处理获得的第一样本图像进行数据增强处理，可以获得多个第二样本图像。该数据增强处理方法可以包括：随机裁剪、旋转、镜像、亮度抖动等。在机器学习模型的训练过程使用数据增强处理方法，可以实现最大化的随机数据增强，丰富样本数据。

[0093] 根据本发明一实施例，该训练质量评价模型的方法还包括：利用质量评价模型基于包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个，确定卵母细胞的妊娠成功率；利用图像和卵母细胞的生存环境参数中的至少一个和卵母细胞的实际妊娠结果，继续训练质量评价模型。

[0094] 在利用质量评价模型评价卵母细胞的质量并输出妊娠成功率后，可以记录该卵母细胞的实际妊娠结果。将该卵母细胞对应的图像、生存环境参数以及实际妊娠结果视为新的样本数据，并利用该新的样本数据继续训练该质量评价模型，可以不断提升该质量评价模型的适应性和准确性。

[0095] 图5是本发明另一示例性实施例提供的训练质量评价模型的方法的流程示意图。如图5所示，该训练质量评价模型的方法包括如下内容。

[0096] 510：对包含样本卵母细胞的原始图像进行预处理，得到第一样本图像。

[0097] 520：对第一样本图像进行数据增强处理，得到至少一个第二样本图像。

[0098] 530：获取多个样本数据，多个样本数据中的每个样本数据包括样本图像和样本生存环境参数中的至少一个以及样本妊娠结果。

[0099] 样本图像包括第一样本图像和至少一个第二样本图像。

[0100] 当样本数据包括样本图像以及样本妊娠结果时，该质量评价模型可以用于进行图像预测。当样本数据包括样本生存环境参数以及样本妊娠结果时，该质量评价模型可以用于进行参数预测。当样本数据包括样本图像、样本生存环境参数以及样本妊娠结果时，该质量评价模型可以用于进行融合预测、图像预测以及参数预测。

[0101] 540：利用多个样本数据训练机器学习模型得到质量评价模型。

[0102] 550：利用质量评价模型基于包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个，确定卵母细胞的妊娠成功率。

[0103] 560：利用图像和卵母细胞的生存环境参数中的至少一个和卵母细胞的实际妊娠结果，继续训练质量评价模型。

[0104] 在本实施例中，还可以利用其它包含卵母细胞的图像，该卵母细胞的生存环境参数，以及该卵母细胞的实际妊娠结果，对质量评价模型进行继续训练，其中该卵母细胞可以不是待检测的卵母细胞，也不是510中的样本卵母细胞，可以是新的样本卵母细胞。

[0105] 图6是本发明一示例性实施例提供的评价卵母细胞质量的装置600的结构示意图。如图6所示，该装置600包括：获取模块610和确定模块620。

[0106] 获取模块610用于获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个；确定模块620用于利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率。

[0107] 本发明实施例提供了一种评价卵母细胞质量的装置，通过获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个，并利用质量评价模型对该图像和该生存环境参数中的至少一个进行分析，以确定卵母细胞的妊娠成功率，进而通过妊娠成功率来评价卵母细胞的质量，能够提高评价结果的准确性和客观性。

[0108] 根据本发明一实施例，确定模块620用于在生存环境参数不存在时，利用质量评价模型基于图像，确定卵母细胞的妊娠成功率；或者，在图像不存在时，利用质量评价模型基于生存环境参数，确定卵母细胞的妊娠成功率。

[0109] 根据本发明一实施例，确定模块620用于在生存环境参数和图像均存在时，利用质量评价模型，分别基于图像和生存环境参数生成图像特征向量和参数特征向量，基于图像特征向量和参数特征向量确定组合特征向量，并基于组合特征向量确定妊娠成功率。

[0110] 根据本发明一实施例，确定模块620还用于在生存环境参数和图像均存在时，利用质量评价模型，基于图像特征向量确定卵母细胞的第一妊娠成功率，并基于参数特征向量确定卵母细胞的第二妊娠成功率。

[0111] 根据本发明一实施例，装置600还包括评估模块630，用于基于妊娠成功率和卵母细胞的实际妊娠结果评估质量评价模型。

[0112] 根据本发明一实施例，评估模块630用于基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的辨别能力参数，辨别能力参数包括灵敏度、特异度、受试者工作特征曲线下的面积中的至少一个。

[0113] 根据本发明一实施例，评估模块630还用于基于妊娠成功率和卵母细胞的实际妊娠结果确定质量评价模型的预期临床收益参数，预期临床收益参数包括净获益率。

[0114] 根据本发明一实施例，装置600还包括调整模块640，用于基于辨别能力参数和预期临床收益参数调整质量评价模型的参数。

[0115] 应当理解，上述实施例中的获取模块610、确定模块620、评估模块630以及调整模块640的具体工作过程和功能可以参考上述图1和图3提供的评价卵母细胞质量的方法中的描述，为了避免重复，在此不再赘述。

[0116] 图7是本发明一示例性实施例提供的用于评价卵母细胞质量的电子设备700的框图。

[0117] 参照图7，电子设备700包括处理组件710，其进一步包括一个或多个处理器，以及由存储器720所代表的存储器资源，用于存储可由处理组件710的执行的指令，例如应用程序。存储器720中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件710被配置为执行指令，以执行上述评价卵母细胞质量的方法或者执行上述训练质量评价模型的方法。

[0118] 电子设备700还可以包括一个电源组件被配置为执行电子设备700的电源管理，一个有线或无线网络接口被配置为将电子设备700连接到网络，和一个输入输出(I/O)接口。可以基于存储在存储器720的操作系统操作电子设备700，例如Windows ServerTM，Mac OS TM TM TM TM
X ，Unix ，Linux ，FreeBSD 或类似。

[0119] 一种非临时性计算机可读存储介质，当存储介质中的指令由上述电子设备700的处理器执行时，使得上述电子设备700能够执行一种评价卵母细胞质量的方法，包括：获取包含卵母细胞的图像和卵母细胞的生存环境参数中的至少一个；利用质量评价模型基于图像和生存环境参数中的至少一个，确定卵母细胞的妊娠成功率；或者，当存储介质中的指令由上述电子设备700的处理器执行时，使得上述电子设备700能够执行一种训练质量评价模型的方法，包括：获取多个样本数据；利用多个样本数据训练机器学习模型得到质量评价模型，其中，多个样本数据中的每个样本数据包括样本图像和样本生存环境参数中的至少一个以及样本妊娠结果，样本图像包含样本卵母细胞，样本生存环境参数为样本卵母细胞的生存环境参数，样本妊娠结果为样本卵母细胞的实际妊娠结果。

[0120] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0121] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0122] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

[0123] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0124] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

[0125] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序校验码的介质。

[0126] 需要说明的是，在本发明的描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

[0127] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。