胚胎质量预测方法、装置、设备和存储介质

技术领域

本申请涉及计算机视觉领域，具体而言，涉及一种胚胎质量预测方法、装置、设备和存储介质。

背景技术

随着计算机视觉和辅助生殖技术的发展，人工智能技术对辅助生殖领域的介入也越来越深入。如何借助计算机视觉帮助胚胎学家更好地理解胚胎发育的过程，进一步了解内细胞团的形态与临床结局的相关性，完善内细胞团的评估体系，选择最优质的胚胎进行移植，提升临床活产率是胚胎专家密切关注的话题。

目前，传统的对囊胚的评分是Gardner在1999年提出的是基于囊胚的扩张程度、内细胞团和滋养层的形态的评分系统，其中内细胞团的形态包含大小和外观(紧密、松散)两个特征，通过胚胎专家打分。

然而，传统评分仅从内细胞团的大小和外观两个维度主观衡量，且不具有唯一性(胚胎专家对同一枚胚胎的评分可能会出现歧义)，另外Gardner评分只是将胚胎分为不同的等级，无法帮助胚胎专家在相同的评分下做进一步的选择。

发明内容

有鉴于此，本申请实施例提供了一种胚胎质量预测方法、装置、设备和存储介质，以基于致密评估参数预测胚胎质量，有助于胚胎专家选择出最具有潜力的胚胎，增加活产成功率。

第一方面，本申请实施例提供了一种胚胎质量预测方法，包括：

获取待评估胚胎的内细胞团的图像；

对所述内细胞团的图像进行特征提取，得到所述内细胞团的多维纹理特征，所述多维纹理特征包括：空间频率特征、图像熵特征、圆度特征以及局部纹理特征中的至少两种；

根据所述内细胞团的多维纹理特征，对所述内细胞团进行形态学评估，得到所述内细胞团的致密评估参数；

根据所述内细胞团的致密评估参数，对所述待评估胚胎进行质量预测，得到所述待评估胚胎的预测质量参数。

在一可选的实施方式中，所述多维纹理特征，包括：所述空间频率特征；

所述对所述内细胞团的图像进行特征提取，得到所述内细胞团的多维纹理特征，包括：

对所述内细胞团的图像进行灰度处理，得到灰度图像；

根据所述灰度图像，获取所述空间频率特征，所述空间频率特征用于指示所述内细胞团的纹理变化程度和融合程度。

在一可选的实施方式中，所述多维纹理特征，包括：所述图像熵特征以及所述圆度特征；

所述对所述内细胞团的图像进行特征提取，得到所述内细胞团的多维纹理特征，包括：

获取所述灰度图像的灰度共生矩阵，所述灰度共生矩阵用于指示所述灰度图像的局部特征和排列规则；

根据所述灰度共生矩阵，提取所述灰度图像的图像熵特征以及所述内细胞团的圆度特征。

在一可选的实施方式中，所述多维纹理特征，包括：所述局部纹理特征；

所述对所述内细胞团的图像进行特征提取，得到所述内细胞团的多维纹理特征，包括：

对所述内细胞团的图像进行特征提取，得到所述内细胞团的局部纹理特征。

在一可选的实施方式中，所述根据所述内细胞团的致密评估参数，对所述待评估胚胎进行质量预测，得到所述待评估胚胎的预测质量参数，包括：

对所述待评估胚胎进行评分，得到所述待评估胚胎的评分等级；

根据所述致密评估参数和所述评分等级，对所述待评估胚胎进行质量预测，得到所述预测质量参数。

在一可选的实施方式中，所述获取待评估胚胎的内细胞团的图像，包括：

获取基于多个焦平面分别采集的所述待评估胚胎的胚胎图像；

从多个胚胎图像中确定满足预设纹理条件的目标胚胎图像；

对所述目标胚胎图像进行实例分割，得到所述内细胞团的图像。

在一可选的实施方式中，所述对所述目标胚胎图像进行实例分割，得到所述内细胞团的图像，包括：

对所述目标胚胎图像进行实例分割，得到所述内细胞团的原始图像；

对所述原始图像进行预处理，得到所述内细胞团的图像。

第二方面，本申请实施例还提供了一种胚胎质量预测装置，包括：

获取模块，用于获取待评估胚胎的内细胞团的图像；

提取模块，用于对所述内细胞团的图像进行特征提取，得到所述内细胞团的多维纹理特征，所述多维纹理特征包括：空间频率特征、图像熵特征、圆度特征以及局部纹理特征中的至少两种；

评估模块，用于根据所述内细胞团的多维纹理特征，对所述内细胞团进行形态学评估，得到所述内细胞团的致密评估参数；

预测模块，用于根据所述内细胞团的致密评估参数，对所述待评估胚胎进行质量预测，得到所述待评估胚胎的预测质量参数。

在一可选的实施方式中，所述多维纹理特征，包括：所述空间频率特征；

所述提取模块具体用于：

对所述内细胞团的图像进行灰度处理，得到灰度图像；

根据所述灰度图像，获取所述空间频率特征，所述空间频率特征用于指示所述内细胞团的纹理变化程度和融合程度。

在一可选的实施方式中，所述多维纹理特征，包括：所述图像熵特征以及所述圆度特征；

所述提取模块具体用于：

获取所述灰度图像的灰度共生矩阵，所述灰度共生矩阵用于指示所述灰度图像的局部特征和排列规则；

根据所述灰度共生矩阵，提取所述灰度图像的图像熵特征以及所述内细胞团的圆度特征。

在一可选的实施方式中，所述多维纹理特征，包括：所述局部纹理特征；

所述提取模块具体用于：

对所述内细胞团的图像进行特征提取，得到所述内细胞团的局部纹理特征。

在一可选的实施方式中，所述预测模块，具体用于：

对所述待评估胚胎进行评分，得到所述待评估胚胎的评分等级；

根据所述致密评估参数和所述评分等级，对所述待评估胚胎进行质量预测，得到所述预测质量参数。

在一可选的实施方式中，所述获取模块，具体用于：

获取基于多个焦平面分别采集的所述待评估胚胎的胚胎图像；

从多个胚胎图像中确定满足预设纹理条件的目标胚胎图像；

对所述目标胚胎图像进行实例分割，得到所述内细胞团的图像。

在一可选的实施方式中，所述获取模块，具体用于：

对所述目标胚胎图像进行实例分割，得到所述内细胞团的原始图像；

对所述原始图像进行预处理，得到所述内细胞团的图像。

第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一项所述的胚胎质量预测方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行第一方面任一项所述的胚胎质量预测方法。

本申请提供了一种胚胎质量预测方法、装置、设备和存储介质，其中，该方法包括：获取待评估胚胎的内细胞团的图像，对内细胞团的图像进行特征提取，得到内细胞团的多维纹理特征，根据内细胞团的多维纹理特征，对内细胞团进行形态学评估，得到内细胞团的致密评估参数，根据内细胞团的致密评估参数，对待评估胚胎进行质量预测，得到待评估胚胎的预测质量参数。通过为胚胎评估体系引入致密化指标，基于致密评估参数预测胚胎质量，有助于胚胎专家选择出最具有潜力的胚胎，增加活产成功率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的胚胎质量预测方法的流程示意图一；

图2为本申请实施例提供的致密评估参数和胚胎质量之间的线性关系示意图；

图3为本申请实施例提供的胚胎质量预测方法的流程示意图二；

图4为本申请实施例提供的内细胞团图像的示意图；

图5为本申请实施例提供的胚胎质量预测方法的流程示意图三；

图6为本申请实施例提供的胚胎质量预测方法的流程示意图四；

图7为本申请实施例提供的胚胎质量预测方法的流程示意图五；

图8为本申请实施例提供的4BB评分等级下致密评估参数和胚胎质量之间的线性关系示意图；

图9为本申请实施例提供的4BC评分等级下致密评估参数和胚胎质量之间的线性关系示意图；

图10为本申请实施例提供的4AB评分等级下致密评估参数和胚胎质量之间的线性关系示意图。

图11为本申请实施例提供的胚胎质量预测方法的流程示意图六；

图12为本申请实施例提供的胚胎质量预测装置的结构示意图；

图13为本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

传统的对囊胚的评分是Gardner在1999年提出的是基于囊胚的扩张程度、内细胞团和滋养层的形态的评分系统，其中内细胞团的形态包含大小和外观(紧密、松散)两个特征，通过胚胎专家打分；在2001年，Richter,K.S.从内细胞团的形态、大小等因素在Gardner的评估体系下，进一步完善了对内细胞团的评估，伊斯坦布尔共识根据研究进一步量化了内细胞团的最佳大小范围；也有研究从人工智能的角度出发，收集胚胎发育的时序图像和发育时间训练模型，对胚胎进行评分，例如：idascore。

然而，传统的形态学评分(Gardner的伊斯坦布尔共识)仅从内细胞团的大小和外观(紧密、松散)两个维度主观衡量，且不具有唯一性(胚胎专家对同一枚胚胎的评分可能会出现歧义)，另外Gardner评分只是将胚胎分为不同的等级，无法帮助胚胎专家在相同的评分下做进一步的选择；Richter,K.S.虽然从内细胞团的圆度(其计算公式实际表达的是椭圆度)增加了衡量内细胞团的维度，使囊胚评分具有唯一性，但Richter,K.S.同时也指出，虽然内细胞团圆度在一定范围内，植入率更高，但此结论仅通过统计分析得出，无法从生物学意义解释，即没有研究揭露内细胞团形状更加椭圆的原因和更高植入率之间的关系；基于人工智能角度训练出的胚胎评分模型，虽然进一步的提升了临床活产率，但整个评分的过程是不透明的，部分胚胎专家对模型结束的可信性低。

基于此，申请人研究发现对内细胞团致密化的研究是至关重要的。首先，内细胞团在未来发育成胎儿，其发育状态直接影响临床结局，所以对内细胞团形态的研究在很大程度上会直接体现临床结局。另外，目前对内细胞团的评估维度(大小、圆度、外观)不够，不足以支撑选择出优质囊胚，现有系统选择出的优质囊胚的活产成功率较低。所以，有必要加深对内细胞团的认知，在内细胞团的评估体系中加入致密化指标，提升预测活产率。但辅助生殖领域对内细胞团的形态研究是罕见的，也未有对内细胞团致密化的定义及衡量方式。

下面结合几个具体实施例对本申请提供的胚胎质量预测方法进行说明。

图1为本申请实施例提供的胚胎质量预测方法的流程示意图一，本实施例的执行主体可以为电子设备，如终端、服务器等。

如图1所示，该方法可以包括：

S101、获取待评估胚胎的内细胞团的图像。

S102、对内细胞团的图像进行特征提取，得到内细胞团的多维纹理特征。

采集待评估胚胎的内细胞团的图像，并对内细胞团的图像进行特征提取，得到内细胞团的多维纹理特征，多维纹理特征用于指示内细胞团在不同维度下的纹理特征，多维纹理特征包括：空间频率特征、图像熵特征、圆度特征以及局部纹理特征中的至少两种。

其中，空间频率特征用于指示内细胞团的纹理变化程度和融合程度，图像熵特征用于指示灰度图像的灰度分布的聚集特性，圆度特征用于指示内细胞团的圆度，局部纹理特征可以为Tamura纹理特征，对内细胞团的图像进行特征提取，得到内细胞团的局部纹理特征，Tamura纹理特征主要包括三个部分:粗糙度、对比度和方向，其中，粗糙度描述了纹理的平滑程度，对比度描述了纹理中颜色差异的程度，方向描述了纹理的方向性。

也就是说，采用不同维度的特征提取算法，对内细胞团的图像进行特征提取，得到在不同维度下内细胞团的纹理特征。

其中，待评估胚胎例如可以为囊胚，囊胚指的是内部产生囊胚液、囊胚腔的胚胎，囊胚中细胞没有开始分化。

S103、根据内细胞团的多维纹理特征，对内细胞团进行形态学评估，得到内细胞团的致密评估参数。

根据内细胞团的多维纹理特征，对内细胞团进行形态学评估，以评估内细胞团的形态，得到内细胞团的致密评估参数，其中，致密评估参数用于指示内细胞团在形态上的致密程度，致密程度可以理解为内细胞团中细胞之间的融合程度和纹理变化程度，其中，内细胞团中细胞之间的致密程度越高，则细胞之间的边界不明显、表面越光滑且纹理变化越平缓；内细胞团中细胞之间的致密程度越低，细胞之间的边界越明显、凹凸程度越明显、表面越粗糙、纹理变化越剧烈。

致密程度越高，致密评估参数可以越大，致密程度越低，致密评估参数可以越小。

结合空间频率特征、图像熵特征、圆度特征以及局部纹理特征中的至少两种，对内细胞团进行形态学评估，得到内细胞团的致密评估参数。

S104、根据内细胞团的致密评估参数，对内细胞团进行质量预测，得到内细胞团的预测质量参数。

其中，致密评估参数和质量参数可以具有对应关系，致密评估参数越大，质量参数可以越高，致密评估参数越小，质量参数可以越低，因此可根据内细胞团的致密评估参数，查询该对应关系，以对内细胞团进行质量预测，得到内细胞团的预测质量参数。

预测质量参数例如可以包括临床活产率，在一些实施例中，致密评估参数和临床活产率之间具有一个显著的线性增长关系，且不受患者年龄、子宫内膜厚度和扩张程度的影响，图2为本申请实施例提供的致密评估参数和细胞活产率之间的线性关系示意图，如图2所示，横坐标为致密评估参数(Densification Index，DI)，纵坐标为活产率(Livebirthrate，LBR)，单位为：％，可以看出，在囊胚扩展程度为4的情况下，致密评估参数和细胞活产率之间具有线性增长关系。

值得说明的是，临床上进行胚胎移植时，内细胞团的扩张程度通常为4。

在本实施例的胚胎质量预测方法中，通过根据内细胞团的多维纹理特征，对内细胞团进行形态学评估，得到内细胞团的致密评估参数，根据内细胞团的致密评估参数，对内细胞团进行质量预测，得到内细胞团的预测质量参数。从而提出了描述内细胞团致密化的指标，即致密评估参数，该指标从内细胞团的融合和纹理变化程度两个维度进行衡量。通过为胚胎评估体系引入致密化指标，基于致密评估参数预测胚胎质量，有助于胚胎专家选择出最具有潜力的胚胎，增加活产成功率。

图3为本申请实施例提供的胚胎质量预测方法的流程示意图二，如图3所示，在一可选的实施方式中，多维纹理特征，包括：空间频率特征，步骤S102，对内细胞团的图像进行特征提取，得到内细胞团的多维纹理特征，可以包括：

S201、对内细胞团的图像进行灰度处理，得到灰度图像。

S202、根据灰度图像，获取空间频率特征。

对内细胞团的图像进行灰度处理，得到灰度图像，对灰度图像进行特征提取，得到内细胞团的空间频率特征，空间频率特征用于指示内细胞团的纹理变化程度和融合程度，其中，灰度图像可以为空间灰度分布直方图。

其中，空间频率特征是图像函数在单位长度上重复变化的次数，描述的是图像在空间中的变化特征，不同的图像成分具有不同的空间频率，反映的是灰度图像中灰度的变化率，灰度变化率越大，说明亮度变化越大，对应到内细胞团的融合程度和纹理变化程度，融合度差的内细胞团，亮度变化越大(即具有明显的边界)，若内细胞团的纹理变化越剧烈，则空间频率特征值越大；若内细胞团融合程度相当，亮度变化较小，同时纹理特征也更光滑，则空间频率特征值越小。可以看出，空间频率特征可以从细胞之间的融合程度和纹理变化程度来描述内细胞团的致密程度，空间频率特征的倒数归一化到0至10之间可定义为致密评估参数。

也就是说，从内细胞团的形态上进行分析，具有高融合度和光滑表面的内细胞团具有缓慢的纹理特征变化和较低的空间频率；具有低融合度和粗糙表面的内细胞团具有更剧烈的纹理特征变化和更高的空间频率。内细胞团的致密程度越低，细胞与细胞之间的边界就越明显，凹凸程度就越明显，表面越粗糙，纹理特征变化越剧烈，与之伴随的亮度分布就越复杂，图像空间的灰度分布变化就越剧烈，空间频率特征值就越高；致密化好的内细胞团，细胞间的融合程度高，细胞间的边界不明显，表面越光滑，纹理特征变化越平缓，图像空间的灰度分布变化亮度就越小，空间频率特征值就越低。

图4为本申请实施例提供的内细胞团图像的示意图，如图4所示，行包括内细胞团描述、囊胚、内细胞团和空间频率，内细胞团图像从囊胚图像提取出来，内细胞团中左侧是内细胞团图像，右侧是内细胞团空间灰度分布图。

对于第一个内细胞团，融合度差且表面粗糙，空间频率为1.45；对于第二个内细胞团，融合度差且表面相对光滑，空间频率为0.91；对于第三个内细胞团，融合度好且表面粗糙，空间频率为0.75；对于第四个内细胞团，融合度好且表面光滑，空间频率为0.50，可以看出第四个内细胞团的致密程度最好。

其中，空间频率特征可以采用如下公式计算得到：

上述公式中，RF是行频率，CF是列频率，SF(F)是空间频率特征，m为灰度图像的高度，n为灰度图像的宽度，F(i,j)为像素点(i,j)的灰度值，i的取值从1到M-1，j的取值从1到N-1，M＝m，N＝n。

在本实施例的胚胎质量预测方法中，借助计算机视觉领域的空间频率概念衡量描述内细胞团致密程度的新指标，从而从内细胞团的融合程度和纹理变化程度两个维度衡量，并且致密化指标的引入可以辅助胚胎专家选择出最具有潜力的胚胎，增加活产成功率。

图5为本申请实施例提供的胚胎质量预测方法的流程示意图三，如图5所示，在一可选的实施方式中，多维纹理特征，包括：图像熵特征以及圆度特征，步骤S102，对内细胞团的图像进行特征提取，得到内细胞团的多维纹理特征，可以包括：

S301、获取灰度图像的灰度共生矩阵。

S302、根据灰度共生矩阵，提取灰度图像的图像熵特征以及内细胞团的圆度特征。

灰度共生矩阵用于指示灰度图像的局部特征和排列规则，局部特征例如可以包括：纹理方向，排列规则例如可以包括相邻像素等级之间的像素间隔、相邻像素等级之间的灰度变化幅度等。通过设计不同大小的卷积核和不同方向的滑动窗口可提取局部特征和排列规则。

根据灰度共生矩阵，可以提取灰度图像的图像熵特征以及内细胞团的圆度特征，图像熵特征用于指示灰度图像的灰度分布的聚集特性，圆度特征用于指示内细胞团的圆度。

在本实施例的胚胎质量预测方法中，根据灰度共生矩阵提取图像熵特征和内细胞团的圆度特征，将图像熵特征和内细胞团的圆度特征作为衡量内细胞团的致密程度的一种评估参数，提高了内细胞团的致密化评估准确度，同时提高了临床活产率的预测准确度。

图6为本申请实施例提供的胚胎质量预测方法的流程示意图四，如图6所示，在一可选的实施方式中，多维纹理特征，包括：局部纹理特征，步骤S102，对内细胞团的图像进行特征提取，得到内细胞团的多维纹理特征，还可以包括：

S401、对内细胞团的图像进行特征提取，得到内细胞团的局部纹理特征。

其中，局部纹理特征可以为Tamura纹理特征，对内细胞团的图像进行特征提取，得到内细胞团的局部纹理特征，Tamura纹理特征主要包括三个部分:粗糙度、对比度和方向，其中，粗糙度描述了纹理的平滑程度，对比度描述了纹理中颜色差异的程度，方向描述了纹理的方向性。

对于粗糙度，是反映纹理中粒度的一个量，其描述是当两种纹理特征模式知识基元尺寸不同时，具有较大基元尺寸的模式给人感觉更粗糙，Tamura纹理特征的粗糙度数值反映的是一幅图像的平均粗糙程度。

在本实施例的胚胎质量预测方法中，将局部纹理特征作为衡量内细胞团的致密程度的一种评估参数，提高了内细胞团的致密化评估准确度，同时提高了临床活产率的预测准确度。

图7为本申请实施例提供的胚胎质量预测方法的流程示意图五，如图7所示，在一可选的实施方式中，步骤S104，根据内细胞团的致密评估参数，对待评估胚胎进行质量预测，得到待评估胚胎的预测质量参数，可以包括：

S501、对待评估胚胎进行评分，得到待评估胚胎的评分等级。

采用评分算法，对待评估胚胎进行评分，得到待评估胚胎的评分等级，以囊胚为例，评分算法例如可以为Gardner评分算法，Gardner用于评估囊胚，囊胚的分级根据囊胚腔、内细胞团、滋养层细胞来判定，根据Gardner囊胚评分系统对形成的囊胚进行评分，评分等级例如可以包括：4AB、4BB、4BC，其中，4用于指示内细胞团的扩张程度。

值得说明的是，经临床结局验证，在不同的Gardner评分下(以4BB,4BC,4AB为例)，致密评估参数和活产率存在线性趋势关系，图8为本申请实施例提供的4BB评分等级下致密评估参数和细胞活产率之间的线性关系示意图，图9为本申请实施例提供的4BC评分等级下致密评估参数和细胞活产率之间的线性关系示意图，图10为本申请实施例提供的4AB评分等级下致密评估参数和细胞活产率之间的线性关系示意图。

如图8-10所示，在相同的Gardner评分下，随着致密评估参数的增加，胚胎的活产成功率随之增加，致密评估参数的引入可以帮助临床医生在相同的Gardner评分下选择优质囊胚。

S502、根据致密评估参数和评分等级，对待评估胚胎进行质量预测，得到预测质量参数。

结合致密评估参数和评分等级可以确定待评估胚胎的预测质量参数，例如，将致密评估参数和评分等级作为评估因素，对待评估胚胎的内细胞团的活产率进行预测，得到预测临床活产率。

在一些实施例中，可以根据致密评估参数和评分等级，查询预先得到的不同评分等级下致密评估参数与临床活产率之间的对应关系，得到预测临床活产率，其中，该对应关系可以是预先通过临床结局验证得到的。

表1为4AB评分等级下致密化参数和临床活产率、妊娠率、流产率的关系，表2为4BB评分等级下致密化参数和临床活产率、妊娠率、流产率的关系，如表1、表2所示，Gardner评分为4AB且致密化好的囊胚拥有最高的活产率(50.0％)和最低的流产率(12.5％)，相比较于Gardner评分为4AB且致密化中等的囊胚，评分为4BB且致密化良好或中等的胚胎拥有更高的活产率(39.6％ VS 47.8％，39.6％ VS 42.3％)和更低的流产率(40.6％VS 31.2％，40.6％ VS 35.4％)。

表1

表2

可以看出，在不同的囊胚评分下，致密化指标也有一定的参考价值，例如，尽管根据Gardner评分，4AB的囊胚比4BB的囊胚具有更高的活产率，但是数据显示4AB致密化中等胚胎的活产率远低于4BB致密化良好的胚胎(39.6％ VS 47.8％)和4BB致密化中等的胚胎(39.6％ VS 42.3％)，并且具有更高的流产率(40.6％ VS 31.2％，40.6％ VS 35.4％)。

在本实施例的胚胎质量预测方法中，将致密评估参数加入到现有Gardner体系中，完善了对内细胞团的衡量方式，增加了衡量维度，且带来了更好的临床结局，以及内细胞团致密评估参数的引入为预测囊胚活产的可能性提供了新的维度，帮助胚胎专家在相同或不同的Gardner评分下选择出最有可能活产成功的胚胎。

图11为本申请实施例提供的胚胎质量预测方法的流程示意图六，如图11所示，在一可选的实施方式中，步骤S101，获取待评估胚胎的内细胞团的图像，包括：

S601、获取基于多个焦平面分别采集的待评估胚胎的胚胎图像。

基于多个焦平面采集待评估胚胎的胚胎图像，待评估胚胎例如可以为囊胚，则胚胎图像可以为囊胚图像，其中，胚胎图像中包括内细胞团，一个焦平面对应采集到的一个胚胎图像。

S602、从多个胚胎图像中确定满足预设纹理条件的目标胚胎图像。

预设纹理条件例如可以为纹理特征最清晰可见且在视野范围内，根据预设纹理条件对多个胚胎图像进行筛选，以从多个胚胎图像中确定满足预设纹理条件的目标胚胎胚图像，也就是说，目标图像为多个胚胎图像中最佳焦平面的胚胎图像。

S603、对目标胚胎图像进行实例分割，得到内细胞团的图像。

采用实例分割算法(Mask-RCNN)对目标胚胎图像进行实例分割，得到内细胞团的图像，胚胎包括内细胞团和空腔，通过对目标胚胎图像进行实例分割，将空腔分割出去，得到内细胞团的图像。

其中，对目标胚胎图像进行实例分割，得到内细胞团的图像，包括：对目标胚胎图像进行实例分割，得到内细胞团的原始图像，对原始图像进行预处理，得到内细胞团的图像。

对目标胚胎图像进行实例分割，得到内细胞团的原始图像，并对该原始图像进行预处理，包括但不限于滤波处理、全局直方图均衡处理，得到内细胞团的图像。

值得说明的是，随着胚胎的发育，内细胞团的位置会不断地发生变化，部分胚胎会移动到培养皿边缘，导致内细胞团过曝。曝光的内细胞团图像，由于亮度过大，像素变化剧烈，导致计算出的特征值较大，无法真实地衡量出内细胞团特征，所以对内细胞团的原始图像进行预处理是非常必要的。通过对原始图像进行预处理，能够降低光照对后续提取的纹理特征的负面影响，还可以提升图像清晰度，最大程度还原图像纹理特征。

其中，滤波处理可以为Gabor滤波处理，Gabor滤波器是一种用于边缘提取的线性滤波器，可以改善由于曝光导致的特征提取误差，并且具有旋转不变形，可以最大程度上保留图像原本的纹理特征，所以经过Gabor滤波处理后，不同曝光程度下的内细胞团图像空间频率值差异变小，说明Gabor滤波降低了曝光对样本的影响，在很大程度上还原图像原本的纹理特征。

在本实施例的胚胎质量预测方法中，通过获取基于多个焦平面分别采集的待评估胚胎的胚胎图像，从多个胚胎图像中确定满足预设纹理条件的目标胚胎图像，对目标胚胎图像进行实例分割，得到内细胞团的图像。从而使分割得到的内细胞团的图像纹理清晰。

基于同一发明构思，本申请实施例中还提供了与胚胎质量预测方法对应的胚胎质量预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述胚胎质量预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

图12为本申请实施例提供的胚胎质量预测装置的结构示意图，如图12所示，该装置可以集成在电子设备中。

如图12所示，该装置可以包括：

获取模块701，用于获取待评估胚胎的内细胞团的图像；

提取模块702，用于对内细胞团的图像进行特征提取，得到内细胞团的多维纹理特征，多维纹理特征包括：空间频率特征、图像熵特征、圆度特征以及局部纹理特征中的至少两种；

评估模块703，用于根据内细胞团的多维纹理特征，对内细胞团进行形态学评估，得到内细胞团的致密评估参数；

预测模块704，用于根据内细胞团的致密评估参数，对待评估胚胎进行质量预测，得到待评估胚胎的预测质量参数。

在一可选的实施方式中，多维纹理特征，包括：空间频率特征；

提取模块702具体用于：

对内细胞团的图像进行灰度处理，得到灰度图像；

根据灰度图像，获取空间频率特征，空间频率特征用于指示内细胞团的纹理变化程度和融合程度。

在一可选的实施方式中，多维纹理特征，包括：图像熵特征以及圆度特征；

提取模块702具体用于：

获取灰度图像的灰度共生矩阵，灰度共生矩阵用于指示灰度图像的局部特征和排列规则；

根据灰度共生矩阵，提取灰度图像的图像熵特征以及内细胞团的圆度特征。

在一可选的实施方式中，多维纹理特征，包括：局部纹理特征；

提取模块702具体用于：

对内细胞团的图像进行特征提取，得到内细胞团的局部纹理特征。

在一可选的实施方式中，预测模块704，具体用于：

对待评估胚胎进行评分，得到待评估胚胎的评分等级；

根据致密评估参数和评分等级，对待评估胚胎进行质量预测，得到预测质量参数。

在一可选的实施方式中，获取模块701，具体用于：

获取基于多个焦平面分别采集的待评估胚胎的胚胎图像；

从多个胚胎图像中确定满足预设纹理条件的目标胚胎图像；

对目标胚胎图像进行实例分割，得到内细胞团的图像。

在一可选的实施方式中，获取模块701，具体用于：

对目标胚胎图像进行实例分割，得到内细胞团的原始图像；

对原始图像进行预处理，得到内细胞团的图像。

关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。

图13为本申请实施例提供的电子设备的结构示意图，如图13所示，该设备可以包括：处理器801、存储器802和总线803，存储器802存储有处理器801可执行的机器可读指令，当电子设备运行时，处理器801与存储器802之间通过总线803通信，处理器801执行机器可读指令，以执行上述胚胎质量预测方法。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行，处理器执行上述胚胎质量预测方法。

在本申请实施例中，该计算机程序被处理器运行时还可以执行其它机器可读指令，以执行如实施例中其它所述的方法，关于具体执行的方法步骤和原理参见实施例的说明，在此不再详细赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。

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。

另外，在本申请提供的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。

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，本申请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)执行本申请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代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。