本發(fā)明涉及人工智能，具體地指一種基于監(jiān)督學(xué)習(xí)算法的最佳聚焦胚胎圖像篩選方法，旨在定位出一組胚胎圖像中的最佳聚焦胚胎圖像。

背景技術(shù)：

1、在輔助生殖技術(shù)的快速發(fā)展過程中體外受精與胚胎培養(yǎng)領(lǐng)域尤為熱門。然而，在這一過程中，胚胎質(zhì)量評估始終是一項關(guān)鍵且復(fù)雜的任務(wù)。評估的準(zhǔn)確性直接影響著胚胎移植的成功概率，因此如何通過科學(xué)、客觀的方法對胚胎發(fā)育階段進(jìn)行準(zhǔn)確判斷，篩選出優(yōu)質(zhì)胚胎以實現(xiàn)最佳的移植效果，是當(dāng)前輔助生殖技術(shù)研究的核心問題之一。

2、在輔助生殖的實踐中，高質(zhì)量的胚胎圖像是胚胎評估的基礎(chǔ)。醫(yī)生需要通過觀察胚胎圖像的形態(tài)特征，判斷胚胎的發(fā)育狀況，包括胚胎的細(xì)胞分裂情況、形態(tài)完整性和內(nèi)部結(jié)構(gòu)。然而，要獲得高質(zhì)量的圖像并非易事。影響圖像質(zhì)量的因素包括顯微成像設(shè)備的性能、樣本制備的穩(wěn)定性以及成像環(huán)境的復(fù)雜性等。清晰、對比度適宜的胚胎圖像能夠為醫(yī)生提供可靠的判斷依據(jù)，而模糊或偏差較大的圖像則會導(dǎo)致評估結(jié)果的不確定性和潛在的誤判。因此，提高胚胎圖像采集和篩選的效率和準(zhǔn)確性，已經(jīng)成為提升胚胎評估質(zhì)量的關(guān)鍵環(huán)節(jié)。

3、在現(xiàn)有的胚胎圖像采集過程中，時序培養(yǎng)箱已成為一種常用的工具。培養(yǎng)箱中的顯微鏡通常會在設(shè)定的時間間隔內(nèi)，對胚胎樣本進(jìn)行多次自動拍攝，并在每次拍攝中獲取不同聚焦平面的圖像。這種多焦面拍攝的方式在一定程度上避免了手動調(diào)焦的不足，尤其是減少了因顯微鏡調(diào)焦誤差導(dǎo)致的圖像不完整問題。然而，這種技術(shù)也帶來了新的挑戰(zhàn)：每個胚胎樣本的文件夾中通常包含大量的非聚焦圖像，而這些圖像無法直接用于評估。醫(yī)生需要從文件夾中逐一挑選出處于最佳聚焦平面的胚胎圖像，即最佳聚焦胚胎圖像，用于后續(xù)分析和決策。這一人工挑選的過程耗時耗力，尤其是在面對大批量胚胎數(shù)據(jù)時，工作量更是呈指數(shù)級增長。

技術(shù)實現(xiàn)思路

1、本發(fā)明是為了解決上述情景所面對的困難，提出一種基于融合位置信息的convnext?網(wǎng)絡(luò)的最佳聚焦胚胎圖像篩選方法，以期能自動分析胚胎圖像的聚焦程度，從而能有效的從一組胚胎圖像中篩選出最佳聚焦胚胎圖像，并使得結(jié)果具有較強的可解釋性。

2、本發(fā)明為達(dá)到上述發(fā)明目的，采用如下技術(shù)方案：

3、本發(fā)明一種基于融合位置信息的convnext?網(wǎng)絡(luò)的最佳聚焦胚胎圖像篩選方法，其特征在于，是按如下步驟進(jìn)行：

4、步驟1：獲取rgb三通道的胚胎圖像數(shù)據(jù)集，令中第組胚胎圖像數(shù)據(jù)記為，且，其中，表示中的第張胚胎圖像，表示中胚胎圖像的數(shù)量，是一張胚胎圖像的高度，是一張胚胎圖像的寬度；記為中的第張胚胎圖像且為最佳聚焦圖像，；

5、步驟2：灰度化后得到第組灰度胚胎圖像數(shù)據(jù)，其中，表示的灰度胚胎圖像，令表示的灰度胚胎圖像；

6、步驟3：將分別與前個灰度胚胎圖像進(jìn)行組合，得到第1種通道類別的第組胚胎圖像雙通道組合數(shù)據(jù)，其中，為第1種通道類別的第組中第個胚胎圖像雙通道組合數(shù)據(jù)，，且，表示前個灰度胚胎圖像中第個灰度胚胎圖像，其中，的第一個通道的數(shù)據(jù)由灰度圖像構(gòu)成；的第二個通道的數(shù)據(jù)由灰度圖像構(gòu)成；的真實通道類別標(biāo)簽記為；

7、步驟4：將分別與后個灰度胚胎圖像進(jìn)行組合，得到第2種通道類別的第組胚胎圖像雙通道組合數(shù)據(jù)，其中，為第2種通道類別的第組中第個胚胎圖像雙通道組合數(shù)據(jù)，其中，，且，表示后個灰度胚胎圖像中第個灰度胚胎圖像，其中，的第一個通道的數(shù)據(jù)由灰度圖像構(gòu)成；的第二個通道的數(shù)據(jù)由灰度圖像構(gòu)成；的真實通道類別標(biāo)簽記為；

8、步驟5：構(gòu)建融合位置信息的convnext網(wǎng)絡(luò)，并對和分別進(jìn)行處理，相應(yīng)得到的二分類概率和的二分類概率，其中，和分別是屬第1種通道類別和第2種通道類別的概率，而和分別是屬于第1種通道類別和第2種通道類別的概率；

9、步驟6：利用式(1)構(gòu)建convnext網(wǎng)絡(luò)的總損失函數(shù)：

10、?(1)

11、式(1)中，表示第一損失函數(shù)，表示第二損失函數(shù)；

12、步驟7：使用反向傳播算法和優(yōu)化器來最小化總損失函數(shù)，以對融合位置信息的convnext網(wǎng)絡(luò)進(jìn)行訓(xùn)練并更新網(wǎng)絡(luò)參數(shù)，當(dāng)達(dá)到預(yù)設(shè)的最大訓(xùn)練輪數(shù)或總損失函數(shù)收斂時，停止訓(xùn)練，并得到訓(xùn)練后的最佳聚焦圖像二分類模型，用于實現(xiàn)最佳聚焦圖像的篩選。

13、本發(fā)明所述的一種基于融合位置信息的convnext?網(wǎng)絡(luò)的最佳聚焦胚胎圖像篩選方法，其特征在于，步驟5中的融合位置信息的convnext網(wǎng)絡(luò)包括：圖像差分模塊，個convnext模塊和全連接層；

14、步驟5.1：所述圖像差分模塊將的兩個通道上數(shù)據(jù)進(jìn)行相減后，得到第1種通道類別的第組中第個差分圖像；

15、步驟5.2：差分圖像經(jīng)由個convnext模塊進(jìn)行處理，最終將得到第1種通道類別的第組中第個經(jīng)過個convnext模塊處理后的第個特征矩陣；

16、步驟5.3：對進(jìn)行展平操作，得到展平后的一維向量，其中，表示一維向量的長度，且；將送入全連接層中進(jìn)行處理，得到雙通道組合數(shù)據(jù)的二分類概率，其中，和分別是屬第1種通道類別和第2種通道類別的概率；

17、步驟5.4：按照步驟5.1-5.3的過程，將雙通道組合數(shù)據(jù)輸入融合位置信息的convnext網(wǎng)絡(luò)中進(jìn)行處理，得到的二分類概率，其中和分別是屬于第1種通道類別和第2種通道類別的概率。

18、進(jìn)一步的，所述步驟5.2中第個convnext模塊中包括：第個降采樣模塊，第個位置信息融合模塊，第個深度卷積模塊，第個層歸一化模塊，第個層縮放模塊，第個路徑丟棄模塊，第個殘差連接模塊；；

19、當(dāng)時，將差分圖像輸入第個convnext模塊中，由第個降采樣模塊按照縮放比例對進(jìn)行降采樣處理，得到第1種通道類別的第組中第個經(jīng)過降采樣模塊處理后的第個降采樣差分圖像，其中，表示降采樣差分圖像的高度，，表示降采樣差分圖像的寬度，，；

20、第個深度卷積模塊對進(jìn)行通道擴展處理，得到第1種通道類別的第組中第個經(jīng)過深度卷積模塊處理后的第個深度卷積特征矩陣，其中，為特征矩陣的通道數(shù)，；

21、第個位置信息融合模塊計算的位置信息，并對進(jìn)行維度擴展，得到第個擴展后的位置信息；再將擴展到與具有相同的通道數(shù)，得到第個再次擴展后的位置信息，從而將與相加后，得到第1種通道類別的第組中第個融合位置信息的第個位置信息特征矩陣；

22、第個層歸一化模塊計算中第個通道的均值和方差，并得到；具體而言，計算第1種通道類別的第組中第個層歸一化后的第個通道上的第個特征矩陣，從而可以得到第1種通道類別的第組中第個層歸一化后的第個層歸一化特征矩陣，其中，是防止分母為零的常數(shù)，；

23、第個層縮放模塊對特征矩陣進(jìn)行通道縮放，將其通道數(shù)從縮放到1，從而得到第1種通道類別的第組中第個經(jīng)過層縮放模塊處理后的第個層縮放特征矩陣；具體而言，是通過對沿著通道維度進(jìn)行加權(quán)求和得到的：。其中是第個通道對應(yīng)的可學(xué)習(xí)權(quán)重，；

24、第個路徑丟棄模塊利用伯努利分布生成一個與的維度以及形狀相同的隨機張量，并將中的每個元素除以所設(shè)置的路徑丟棄概率后，從而得到第1種通道類別的第組中第個經(jīng)過上述操作處理后的第個路徑丟棄張量，以此得到第1種通道類別的第組中第個經(jīng)過路徑丟棄模塊處理后的第個路徑丟棄特征矩陣，其中，；表示兩個形狀相同的特征矩陣對應(yīng)元素相乘；

25、第個殘差連接模塊將路徑丟棄特征矩陣與降采樣差分圖像進(jìn)行對應(yīng)元素相加，從而得到第1種通道類別的第組中第個經(jīng)過殘差連接模塊處理后的第個殘差特征矩陣，其中，；

26、當(dāng)時，將第1種通道類別的第組中第個經(jīng)過第個convnext模塊處理后的第個特征矩陣輸入到第個convnext模塊中進(jìn)行處理，從而最終可得到第1種通道類別的第組中第個經(jīng)過第個convnext模塊處理后的第個特征矩陣，其中，表示的高度，表示的寬度。

27、本發(fā)明一種電子設(shè)備，包括存儲器以及處理器的特點在于，所述存儲器用于存儲支持處理器執(zhí)行所述最佳聚焦胚胎圖像篩選方法的程序，所述處理器被配置為用于執(zhí)行所述存儲器中存儲的程序。

28、本發(fā)明一種計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)上存儲有計算機程序的特點在于，所述計算機程序被處理器運行時執(zhí)行所述最佳聚焦胚胎圖像篩選方法的步驟。

29、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

30、1.本發(fā)明采用了圖像灰度化、降采樣以及圖像差分等技術(shù)手段，從而有效地降低了模型的計算開銷。具體而言，圖像灰度化將彩色圖像轉(zhuǎn)換為灰度圖像，減少了圖像數(shù)據(jù)的維度和復(fù)雜性，降低了后續(xù)處理的計算量，同時保留了圖像的基本結(jié)構(gòu)和紋理信息，為后續(xù)的特征提取奠定了基礎(chǔ)。降采樣則通過減少圖像的分辨率，進(jìn)一步降低了圖像數(shù)據(jù)的規(guī)模，加快了模型的處理速度，提高了模型的運行效率，使得模型能夠在更短的時間內(nèi)處理更多的胚胎圖像數(shù)據(jù)，提升了整體的篩選效率。

31、2.本發(fā)明巧妙地利用了圖像差分技術(shù)來凸顯兩張胚胎圖像之間的聚焦程度差異性。通過對兩張胚胎圖像進(jìn)行差分運算，能夠清晰地顯示出圖像在聚焦程度上的變化，這種差異性為模型的訓(xùn)練提供了重要的特征，從而提升了模型對雙通道組合數(shù)據(jù)有效特征的提取能力。這種特征提取能力的提升，使得模型在處理復(fù)雜的多焦面胚胎圖像數(shù)據(jù)時，能夠更加精準(zhǔn)地篩選出最佳聚焦胚胎圖像。

32、3.本發(fā)明利用convnext網(wǎng)絡(luò)提取數(shù)據(jù)特征，顯著提升了胚胎圖像數(shù)據(jù)處理和分析的性能。convnext網(wǎng)絡(luò)通過深度卷積操作，對輸入的胚胎圖像進(jìn)行逐層特征提取。每一層卷積操作都能夠捕捉到胚胎圖像數(shù)據(jù)中的不同特征。這種多層次的特征提取方式，使得convnext網(wǎng)絡(luò)能夠全面地分析胚胎圖像數(shù)據(jù)。此外，該網(wǎng)絡(luò)還引入了層歸一化、殘差連接、路徑丟棄等技術(shù)，進(jìn)一步增強了網(wǎng)絡(luò)的訓(xùn)練效果和穩(wěn)定性。

33、4.本發(fā)明通過將胚胎圖像位置先驗信息融入到模型中，增強了模型對胚胎圖像數(shù)據(jù)的先驗知識的充分提取，提升了最終的聚焦準(zhǔn)確率，從而使得本發(fā)明在最佳聚焦胚胎圖像篩選任務(wù)中表現(xiàn)優(yōu)異，并且具有較強的可解釋性。具體來說，該方法在處理胚胎圖像數(shù)據(jù)時，不僅考慮單張胚胎圖像的特征，還綜合考慮圖像之間的關(guān)系和位置索引信息，從而以此更準(zhǔn)確地判斷最佳焦平面。這種方法提高了聚焦準(zhǔn)確率，使得篩選結(jié)果更加可靠，同時也增強了模型的可解釋性。