利用光动力学技术的人工智能的细胞检测方法及其系统

摘要

本发明提供了一种利用光动力学技术的人工智能的细胞检测方法及其系统，所述方法包含取得多个细胞；在第一时间点以及第二时间点之间，取样该些细胞的N张图像；决定每一个细胞的分析区域；依据该些细胞的N张图像，对每一个细胞的分析区域进行图像处理程序，以产生多个光动力学向量参数；依据该些光动力学向量参数，产生该些细胞在第一时间点以及第二时间点之间的形变向量信息；依据形变向量信息，取得该些细胞的至少一个关键形变向量特征数值；将形变向量信息及至少一个关键形变向量特征数值输入至类神经网络，以检测细胞品质。

说明书

技术领域

本发明描述一种利用光动力学技术的人工智能的细胞检测方法及其系统，尤指一种具有检测细胞品质以及识别细胞功能的人工智能的细胞检测方法及其系统。

背景技术

随着科技日新月异，适逢生育年龄的妇女常会因为工作压力、饮食习惯、文明病、排卵功能异常、荷尔蒙失调或是一些慢性病而导致不孕。在现今，不孕症是高自费的疗程，在中国以及国际市场需求巨大，且其需求每年是高度成长。许多妇女会选择体外人工受孕(In Vitro Fertilization，IVF)来治疗不孕症的问题。体外人工受孕是将卵子与精子取出，在人为操作下进行体外受精，并培养成胚胎，再将胚胎植回母体内。然而，现有的不孕症疗程的成功率仅三成。不孕症的疗程的重点在于胚胎的选择。然而，现有选择胚胎的方法主要还是由胚胎医师利用胚胎照片或是延时影片的数据，以主观方式判断胚胎的优劣。以目前的技术而论，由于缺乏一种系统化以及自动化的方式判断胚胎的良劣，故在不孕症疗程中，由医师主观地选择植入胚胎，其植入成功率仍低，故也是目前不孕症疗程的瓶颈。

换句话说，在目前的不孕症疗程下，医生仅能以主观的方式观察胚胎在分裂时的情况。例如，医生会以主观的方式，依据胚胎在发育中的细胞数目、细胞分裂的均匀程度以及分裂时的碎片程度，将胚胎由优到劣区分为多个等级。例如，均匀地分裂为双数细胞的胚胎较优，而产生不完整的单数细胞分裂以及碎片越多的胚胎，生长潜力较差。然而，如前述提及，由于目前判断胚胎的优劣主要还是依据医生的经验，以主观的判断方式来选择较佳胚胎。因此，目前技术治疗不孕症的成功率很难提升，且容易受到不同医生的主观见解而影响成功率(例如误判)。

发明内容

本发明一实施例提出一种利用光动力学技术的人工智能的细胞检测方法。利用光动力学技术的人工智能的细胞检测方法包含取得多个细胞，在第一时间点以及第二时间点之间，取样该些细胞的N张图像，决定每一个细胞的分析区域，依据该些细胞的N张图像，对每一个细胞的分析区域进行图像处理程序，以产生多个光动力学向量参数，依据该些光动力学向量参数，产生该些细胞在第一时间点以及第二时间点之间的形变向量信息，依据形变向量信息，取得该些细胞的至少一个关键形变向量特征数值，将形变向量信息及至少一个关键形变向量特征数值输入至类神经网络，以训练类神经网络，以及利用类神经网络，以人工智能的程序建立细胞品质检测模型，以检测细胞品质及/或识别细胞。第一时间点在第二时间点之前，且N为大于2的正整数。

本发明另一实施例提出一种利用光动力学技术的人工智能的细胞检测系统。利用光动力学技术的人工智能的细胞检测系统包含载具、透镜模块、图像采集装置、处理器及存储器。载具具有容置槽，用以放置多个细胞。透镜模块面对载具，用以放大该些细胞的细节。图像采集装置面对透镜模块，用以透过透镜模块取得该些细胞的图像。处理器耦接于透镜模块及图像采集装置，用以调整透镜模块的放大倍率以及处理该些细胞的图像。载具的容置槽放置该些细胞后，处理器控制图像采集装置，透过透镜模块在第一时间点以及第二时间点之间，取样该些细胞的N张图像，处理器决定每一个细胞的分析区域，依据该些细胞的N张图像，对每一个细胞的分析区域进行图像处理程序，以产生多个光动力学向量参数，依据该些光动力学向量参数，产生该些细胞在第一时间点以及第二时间点之间的形变向量信息，依据形变向量信息，取得该些细胞的至少一个关键形变向量特征数值。处理器包含类神经网络。形变向量信息及至少一个关键形变向量特征数值用以训练类神经网络。处理器利用类神经网络，以人工智能的程序建立细胞品质检测模型，以检测细胞品质及/或识别细胞。第一时间点在第二时间点之前，且N为大于2的正整数。

附图说明

图1为本发明的利用光动力学技术的人工智能的细胞检测系统的实施例的方块图。

图2为图1的利用光动力学技术的人工智能的细胞检测系统执行细胞检测方法的流程图。

图3为图1的利用光动力学技术的人工智能的细胞检测系统中，加入额外步骤以增强细胞检测的精确度的示意图。

图4为图1的利用光动力学技术的人工智能的细胞检测系统中，具有类神经网络的处理器的输入数据以及输出数据的示意图。

附图标记：

100：利用光动力学技术的人工智能的细胞检测系统

10：载具

11：透镜模块

12：图像采集装置

13：处理器

14：存储器

S201至S208：步骤

S301至S302：步骤

D1：形变向量信息

D2：至少一个关键形变向量特征数值

D3：边缘特征数据

D4：分裂个数

D5：分裂时间点

D6：细胞品质输出数据

具体实施方式

图1为本发明的利用光动力学技术的人工智能的细胞检测系统100的实施例的方块图。为了简化描述，利用光动力学技术的人工智能的细胞检测系统100后文称为“细胞检测系统100”。细胞检测系统100包含载具10、透镜模块11、图像采集装置12、处理器13以及存储器14。载具10具有容置槽，用以放置多个细胞。举例而言，载具10可为培养皿，其内部的容置槽可包含一些培养液。多个细胞可在培养液中发育。多个细胞可为多个生殖细胞、多个胚胎或是任何欲观察且可分裂的多个细胞。透镜模块11面对载具10，用以放大该些细胞的细节。透镜模块11可为任何具有光学或是数字变焦能力的透镜模块，例如显微镜模块。图像采集装置12面对透镜模块11，用以透过透镜模块11取得该些细胞的图像。在细胞检测系统100中，图像采集装置12可为具有感光元件的相机或是高光谱仪。换句话说，图像采集装置12透过透镜模块11取得该些细胞的图像，可为灰阶图像、高光谱图像或是景深合成图像。若图像采集装置12为高光谱仪，该些细胞的图像可为：(A)高光谱仪图像中的任意一个波长对应的细胞图像，(B)高光谱图像各波长的细胞图像所合成的灰阶细胞图像。任何合理的图像格式都属于本发明所揭露的范畴。处理器13耦接于透镜模块11及图像采集装置12，用以调整透镜模块11的放大倍率以及处理该些细胞的图像。处理器13可为中央处理器、微处理器、或是任何的可编程处理单元。处理器13具有类神经网络，例如深度神经网络(Deep NeuralNetworks，DNN)，可以执行机器学习以及深度学习的功能。因此，处理器13的类神经网络可以被训练，可视为人工智能的处理核心。存储器14耦接于处理器13，用以储存训练数据以及图像处理时的分析数据。

在细胞检测系统100中，载具10的容置槽在放置该些细胞后，处理器13控制图像采集装置12，透过透镜模块11在第一时间点以及第二时间点之间，取样该些细胞的N张图像。接着，处理器13决定每一个细胞的分析区域，依据该些细胞的N张图像，对每一个细胞的分析区域进行图像处理程序，以产生多个光动力学向量参数。处理器13依据该些光动力学向量参数，产生该些细胞在第一时间点以及第二时间点之间的形变向量信息，并依据形变向量信息，取得该些细胞的至少一个关键形变向量特征数值。如前述提及，处理器13包含可训练的类神经网络。因此，形变向量信息及至少一个关键形变向量特征数值可用以训练类神经网络。在类神经网络训练完成后，处理器13可以利用类神经网络，以人工智能的程序建立细胞品质检测模型，以检测细胞品质及/或识别细胞。在细胞检测系统100中，第一时间点在第二时间点之前，且N为大于2的正整数。换句话说，细胞检测系统100可以用两个不同时间点之间的时间序列的细胞图像信息来训练类神经网络。在类神经网络训练完成后，细胞检测系统100即具备人工智能的细胞检测功能，具有自动化地检测细胞品质及/或识别细胞的能力。细胞检测系统100如何训练类神经网络以执行人工智能的细胞检测功能的细节，将描述于后文。

图2为利用光动力学技术的人工智能的细胞检测系统100执行细胞检测方法的流程图。细胞检测方法可包含步骤S201至步骤S208。任何合理的步骤变化或是技术更动都属于本发明所揭露的范畴。步骤S201至步骤S208的内容描述于下：

步骤S201：取得多个细胞；

步骤S202：在第一时间点以及第二时间点之间，取样该些细胞的N张图像；

步骤S203：决定每一个细胞的分析区域；

步骤S204：依据该些细胞的N张图像，对每一个细胞的分析区域进行图像处理程序，以产生多个光动力学向量参数；

步骤S205：依据该些光动力学向量参数，产生该些细胞在第一时间点以及第二时间点之间的形变向量信息；

步骤S206：依据形变向量信息，取得该些细胞的至少一个关键形变向量特征数值；

步骤S207：将形变向量信息及至少一个关键形变向量特征数值输入至类神经网络，以训练类神经网络；

步骤S208：利用类神经网络，以人工智能的程序建立细胞品质检测模型，以检测细胞品质及/或识别细胞。

为了描述简化，后文的“细胞”仅以“胚胎”为实施例进行说明，然而本发明并不限于此，细胞的定义可为生殖细胞、神经细胞、组织细胞、动植物细胞或是任何需要研究及观察的细胞。在步骤S201中，研究人员或是医疗人员可先取得多个胚胎。在步骤S202中，处理器13可以控制图像采集装置12，在第一时间点以及第二时间点之间，取样该些胚胎的N张图像。图像采集装置12可用任何方式取得两个不同时间点之间的N张图像。举例而言，图像采集装置12可在一段时间内(第一时间点以及第二时间点之间)，以录影的方式(如30fps或是60fps)取得多张帧(Frames)构成的图像集合。或是，图像采集装置12可在一段时间内(第一时间点以及第二时间点之间)，周期性地对多个胚胎拍照，以取得该些胚胎的N张图像。并且，第一时间点以及第二时间点可为该些胚胎于培养液中发育且分裂的观察周期中的任两时间点。举例而言，第一时间点以及第二时间点可以分别选为第一天以及第五天，以观察该些胚胎发育以及分裂的状况。换句话说，图像采集装置12可以在第0个小时到第120小时之内对该些胚胎连续地拍照，以取得N张图像。在步骤S203中，处理器13可以决定每一个胚胎的分析区域。医疗人员或是研究人员也可以用手动的方式决定每一个胚胎的分析区域。于此，每一个胚胎的分析区域可选为两胚胎之间差异性最大的区域、或是优等胚胎与劣等胚胎之间差异性最大的区域。举例而言，分析区域可为该些胚胎中每一个胚胎的囊胚(Blastocyst)区域或自定义区域。并且，分析区域的范围小于单一胚胎的尺寸。

接着，在步骤S204中，处理器13可依据该些胚胎的N张图像，对每一个胚胎的分析区域进行图像处理程序，以产生多个光动力学向量参数。举例而言，处理器13可依据该些胚胎的N张图像，对每一个胚胎的分析区域进行数字图像相关(Digital Image Correlation，DIC)技术的分析。数字图像相关(DIC)技术为一种于前后时间点的时间区间内，分析物体特征变化以计算物体形变量的技术。换句话说，在DIC技术下，该些光动力学向量参数可为在N张图像中，依据第M-1张图像(前)及第M张图像(后)的该些胚胎的形变量变化而得，且M≤N。并且，在细胞检测系统100中，该些光动力学向量参数可包含位移向量信息、应变向量信息与变形速度向量信息，说明如下。在步骤S204中，处理器13可依据该些胚胎的N张图像，对每一个胚胎的分析区域进行DIC技术的分析。利用DIC技术将N张图像分析之后，处理器13可以得到前后图像(第M-1张图像及第M张图像)内，每一个胚胎的垂直位移信息、水平位移信息、应变向量分布信息以及变形速度向量信息。垂直位移信息可定义为胚胎在两张图像之间，其分析区域的垂直位移的距离以及坐标。水平位移信息可定义为胚胎在两张图像之间，其分析区域的水平位移的距离以及坐标。应变向量分布信息可定义为胚胎在两张图像之间，将分析区域扩张或是收缩的程度量化。变形速度向量信息可以依据位移距离和应变量除上时间差推导出来。例如，第M-1张图像及第M张图像的时间差为t，水平位移距离为p，则变形速度向量的水平分量的数值为p/t。第M-1张图像及第M张图像的时间差为t，垂直位移距离为q，则变形速度向量的垂直分量的数值为q/t。第M-1张图像及第M张图像的时间差为t，应变量为r，则变形速度向量的应变分量的数值为r/t。接着，于步骤S205中，处理器13可以依据该些光动力学向量参数，产生该些胚胎在第一时间点以及第二时间点之间的形变向量信息。形变向量信息可由上述的该些光动力学向量参数以线性或是非线性的公式产生。

接着，在步骤S206中，处理器13可以依据形变向量信息，取得该些胚胎的至少一个关键形变向量特征数值。举例而言，处理器13可以依据该些胚胎的N张图像，对每一个胚胎的分析区域进行DIC技术的分析，以在该些胚胎的形变向量信息中，取得至少一个局部极大值(Local Maximum)的应变量。类似地，处理器13可以依据该些胚胎的N张图像，对每一个胚胎的分析区域进行DIC的分析，以在该些胚胎的形变向量信息中，取得至少一个局部极小值(Local Minimum)的应变量。并且，至少一个关键形变向量特征数值可包含至少一个局部极大值的应变量及/或至少一个局部极小值的应变量。为了便于理解，表T1中描述了不同时间点下的应变量，如下所示。

表T1

依据表T1，在时间点0-01时，最大应变量为0.227。0.227明显高于时间点0-00的最大应变量0.0795以及时间点0-02的最大应变量0.113。因此，时间点0-01的最大应变量0.227可以被定义为局部极大值(Local Maximum)的应变量。因此，对应时间点0-01的应变分布指向“应变大”的注记。类似地，在时间点0-03时，最大应变量为0.336。0.336明显高于时间点0-02的最大应变量0.113、时间点0-04的最大应变量0.104、时间点0-05的最大应变量0.147、时间点0-06的最大应变量0.061以及时间点0-07的最大应变量0.138。因此，时间点0-03的最大应变量0.336可以被定义为局部极大值的应变量。因此，对应时间点0-03的应变分布指向“应变大”的注记。类似地，至少一个局部极小值(Local Minimum)的应变量也可以由统计而得。处理器13可将表T1、至少一个局部极大值的应变量、至少一个局部极小值的应变量的数据存入存储器14中。

如前述提及，处理器13具有类神经网络，例如深度神经网络(DNN)，可以执行机器学习以及深度学习的功能。因此，处理器13的类神经网络可以被训练。为了训练处理器13的类神经网络，于步骤S207中，细胞检测系统100可将形变向量信息及至少一个关键形变向量特征数值输入至处理器13内的类神经网络，以训练类神经网络。在类神经网络被训练完成后，依据步骤S208，处理器13可以利用类神经网络，以人工智能的程序建立细胞品质检测模型，以检测胚胎品质及/或识别胚胎。换句话说，细胞检测系统100利用人工智能检测胚胎品质及/或识别胚胎可包含两个阶段。第一阶段为训练阶段，细胞检测系统100可将时间序列的整个数据量，或是缩减时间的数据量的特征数值输入至类神经网络中，也可进一步将至少一个关键形变向量特征数值输入至类神经网络中，以建立细胞品质检测模型。第二阶段为人工智能的检测阶段。在类神经网络训练完成后，处理器13可以利用已经训练完成的类神经网络的细胞品质检测模型，判断胚胎品质以及识别胚胎。因此，本发明的细胞检测系统100可以避免医疗人员或是研究人员以主观的方式来判断胚胎的优劣，因此针对不孕症的疗程，其受孕成功率能够大幅度地提升。

图3为利用光动力学技术的人工智能的细胞检测系统100中，加入额外步骤以增强细胞检测的精确度的示意图。为了进一步加强判断胚胎品质以及识别胚胎的精确度，细胞检测系统100还可以引入型态学的检测技术来强化类神经网络的细胞检测能力，如下所示。

步骤S201：取得多个细胞；

步骤S301：利用型态学的边缘检测技术检测该些细胞于第一时间点以及第二时间点之间的边缘特征数据，并将边缘特征数据输入至类神经网络，以训练类神经网络；

步骤S302：利用型态学的椭圆检测方法，依据边缘特征数据，检测该些细胞于第一时间点以及第二时间点之间，每一个细胞的分裂时间点以及分裂个数，并将每一个细胞的分裂时间点以及分裂个数输入至类神经网络，以训练类神经网络。

类似地，为了描述简化，后文的“细胞”仅以“胚胎”为实施例进行说明，然而本发明并不限于此，细胞的定义可为生殖细胞、神经细胞、组织细胞、动植物细胞或是任何需要研究及观察的细胞。为了进一步加强判断胚胎品质以及识别胚胎的精确度，细胞检测系统100在前述步骤S201取得多个细胞(胚胎)后，依据步骤S301，处理器13可以利用型态学的边缘检测技术检测该些胚胎于第一时间点以及第二时间点之间的边缘特征数据，并将边缘特征数据输入至类神经网络。边缘特征数据可为胚胎整体或是某一个特定部分(例如囊胚)的轮廓，其数据格式可用多个坐标的方式表示。例如在二维平面上，单一胚胎的轮廓可为封闭型的线段，可用(X1,Y1)至(XL,YL)表示，L为正整数且L越大解析度越高。接着，在步骤S302中，处理器13可以利用型态学的椭圆检测方法，依据边缘特征数据，检测该些胚胎于第一时间点以及第二时间点之间，每一个胚胎的分裂时间点以及分裂个数，并将每一个胚胎的分裂时间点以及分裂个数输入至类神经网络，以训练类神经网络。于此说明，处理器13可以预先设定好至少一个椭圆的曲线拟合函数。当前述步骤S301检测出至少一个封闭线段对应的坐标(X1,Y1)至(XL,YL)后，处理器13可以用至少一个椭圆的曲线拟合函数去匹配其坐标(X1,Y1)至(XL,YL)是否符合椭圆形的封闭曲线。因此，处理器13可以得出在某个时间点下的图像中，拟合成功的椭圆形的封闭曲线的个数。处理器13可将拟合成功的椭圆形的封闭曲线的个数视为胚胎的分裂个数。因此，依据不同时间点下的N张图像的信息，处理器13可以检测出每一个胚胎的分裂时间点以及分裂个数。换句话说，对比于图2所述的步骤S201至步骤S208的细胞检测方法，细胞检测系统100可以引入额外的步骤S301至步骤S302，以获取更多的信息(如边缘特征数据、每一个胚胎的分裂时间点以及分裂个数)来训练类神经网络。因此，类神经网络的训练会更加优化，从而增加了人工智能检测细胞品质的精确度。

图4为利用光动力学技术的人工智能的细胞检测系统100中，具有类神经网络的处理器13的输入数据以及输出数据的示意图。如前述提及，图像采集装置12可以在两个不同时间点之间，对多个胚胎拍照，以产生N张图像。细胞检测系统100可以利用DIC技术，对N张图像进行分析，以产生该些光动力学向量参数。并且，该些光动力学向量参数可用于产生形变向量信息D1以及至少一个关键形变向量特征数值D2。产生形变向量信息D1以及至少一个关键形变向量特征数值D2可用于训练处理器13内的类神经网络。当类神经网络训练完成后，处理器13即可利用人工智能的程序判断胚胎品质及/或识别胚胎。处理器13可输出细胞品质输出数据D6。应当理解的是，N张图像中的每一张图像可为二维图像或三维图像。若N张图像中的每一张图像为二维图像时，该些光动力学向量参数、形变向量信息及至少一个关键形变向量特征数值为K维数据的格式。举例而言，在时间点T、高光谱仪的特定波长λ下，坐标(x,y)的像素S1的光信号可以表示为S1(λ,T,x,y)。像素S1的光信号S1(λ,T,x,y)为四个维度的信号格式。同理，若N张图像中的每一张图像为三维图像时，该些光动力学向量参数、该形变向量信息及该至少一个关键形变向量特征数值为(K+1)维数据的格式。举例而言，在时间点T、高光谱仪的特定波长λ下，坐标(x,y,z)的像素S2的光信号可以表示为S2(λ,T,x,y,z)。像素S2的光信号S2(λ,T,x,y,z)为五个维度的信号格式。K为大于2的正整数。因此可预期地，当细胞检测系统100的数据格式为较高的维度时，运算复杂度将变高。当细胞检测系统100的数据格式为较低的维度时，运算复杂度将变低。

并且，如前述提及，处理器13的类神经网络，可以利用边缘特征数据D3及每一个胚胎的分裂时间点D5以及分裂个数D4进行训练后，类神经网络可以利用人工智能的程序优化细胞品质检测模型。因此，如图4所示，处理器内的类神经网络可以接收形变向量信息D1、至少一个关键形变向量特征数值D2、边缘特征数据D3、分裂个数D4、分裂时间点D5。并且，当处理器内的类神经网络训练完成后，处理器即可利用人工智能的程序对不孕症妇女的取卵/胚胎进行遴选，以输出细胞品质输出数据D6。细胞品质输出数据D6可为任何形式的数据格式，如输出胚胎优劣的分级数据、输出至少一个胚胎的优劣排序百分率、或是输出至少一个胚胎的细胞品质。细胞品质可为细胞的详细化学成分数值含量多寡、遗传基因优劣，也可以为细胞于特定时间内的发育状态的优劣，或是细胞是否发生病变而定。若为生殖细胞也可为怀孕与否、新生儿健康以及性别而定。

综上所述，本发明描述一种利用光动力学技术的人工智能的细胞检测方法及其系统。细胞检测系统的应用族群可为不孕症的妇女。医疗人员可先依据大量细胞数据，建立人工智能的细胞品质检测模型后，即可对不孕症的妇女进行疗程。并且，人工智能的类神经网络可以接收光动力学及型态学相关的各种参数，例如形变向量信息、至少一个关键形变向量特征数值、边缘特征数据、分裂个数、分裂时间点。因此，类神经网络的使用可以避免医疗人员或是研究人员以主观的方式来判断胚胎的优劣。不孕症的妇女可以先进行多个胚胎培养，细胞检测系统利用人工智能的细胞品质间检测模型决定最佳胚胎后，再以人工的方式植入母体子宫，以增加受孕的成功率。

以上所述仅为本发明的较佳实施例，凡依本发明权利要求所做的均等变化与修饰，皆应属本发明的涵盖范围。