[發明專利]一種基于深度神經網絡模型的精子形態分析方法

在審

• 申請號: 201910723701.0
• 申請日: 2019-08-07
• 公開（公告）號: CN110458821A
• 公開（公告）日: 2019-11-15
• 發明（設計）人: 屈晨
• 申請（專利權）人: 屈晨
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/60;G06K9/62
• 代理公司: 32273 南京蘇創專利代理事務所(普通合伙)
• 代理人: 王華<國際申請>=<國際公布>=<進入國

本發明公開了一種基于深度神經網絡模型的精子形態分析方法，該方法利用精子圖像定位模塊識別和定位顯微圖像中精子，并提取精子圖像，最后利用精子形態分析模塊對每個精子的圖像進行分析，并完成分類。本發明能夠大幅削弱干擾因素其對檢測結果的影響，提升精子形態學分析結果的可靠性；能夠捕捉到精子圖片中用傳統測量方法無法獲得的特征信息，從而提高精子形態學分析的準確性；能夠滿足不同的精子分類目標的精子形態學分析需求。

技術領域

本發明主要涉及基于人工智能的精子形態學分析相關的臨床應用和科研。

背景技術

目前的精子形態學分析通用的方法包括人工分類和計算機輔助分類。

人工分類的方法是首先將精液標本進行一系列預處理(包括離心、涂片、染色等)制作成涂片后，由檢驗人員通過顯微鏡的100x物鏡進行觀察，人工對顯微鏡下的精子形態進行分類。這種方法耗時且效率低下；檢驗結果受檢驗人員的主觀成分影響較重，不同檢驗人員的分類結果差異較大，會對臨床診斷和治療方案造成一定的影響。

計算機輔助精子形態分析的涂片制作過程和人工分類一致，通過攝像頭等影像捕捉設備采集顯微鏡下的精子形態照片，利用計算機軟件算法對照片進行處理，并測量精子形態的一系列的幾何參數，再對這些參數進行分析，通過公式等判別精子形態的類別。這種方法比手工操作具有更好的客觀性、準確性和可重復性。但是目前的形態學算法容易受到環境和涂片本身質量的影響。通常的算法對圖片的亮度、染色的深淺、雜質多少等非常敏感。當這些條件發生改變時，測量出的參數會嚴重偏離實際值，且容易出現漏捕、錯捕的情況，導致分析結果的精度明顯下降，魯棒性較低。且計算機輔助精子形態分析測量出的精子形態幾何參數很有限，且通常只有10-20個。在實際使用時，需要人為對這些參數設定閾值后，軟件才能利用這些閾值對精子形態進行判別。閾值須由人為設定，而精子的形態千變萬化。一套預先設定好的參數閾值往往只能對某些特定條件的精子的分類有效。在臨床應用和科研工作中，存在很多無法用這些參數有效分類的情況，或需要經常根據標本的不同情況調整這些參數閾值，泛化能力較弱，且很容易出現人工分類結果與計算機輔助分類結果差別很大的情況,也對精液分析實驗室質控管理造成很大的困難

近年來，出現了一些對計算機輔助精子形態分析算法進行改進的研究和設計，如申請號為201410478600.9的發明專利申請。這些專利申請主要的發明內容和改進技術主要針對精子形態測量和分析算法的改進，來提高精子形態分析的準確性。但這些方法不能解決前文提到的分析結果受環境和涂片本身質量的影響較大，以及測量方法本身的局限性的問題。

發明內容

針對現有技術存在的問題，本發明提供了一種基于深度神經網絡模型的精子形態分析方法。

為解決上述技術問題，本發明采用了以下技術方案：一種基于深度神經網絡模型的精子形態分析方法，以下步驟：

S1：獲取大樣本的精子顯微圖像，并對大樣本精子顯微圖像進行人工標注，然后通過深度學習目標檢測算法訓練精子目標檢測模型，所述深度學習目標檢測算法采用Yolo、RCNN或Faster-RCNN模型；該過程中可以使用精子染色顯微圖像，也可使用非染色的精子顯微圖像，如相差圖像等。

S2：接著，利用訓練好的精子目標檢測模型對待測精子形態顯微圖像進行目標精子的識別和定位，同時提取精子顯微圖像中的單個精子圖像；

S3：對大樣本的單精子圖像進行人工分類后，利用圖像卷積算法搭建精子形態分類模型，并通過人工分類后的大樣本單精子圖像進行訓練，得到訓練好的精子形態分類模型；

S4：利用訓練好的精子形態分類模型對步驟2中識別定位的目標精子進行單精子形態分類。

進一步的，步驟S1中的所述深度學習目標檢測算法采用Faster-RCNN模型。

進一步的，步驟S1中，對精子顯微圖像進行人工標注時，對精子頭部和中段同時進行標注。