JP2019509057A - ヒト卵母細胞及び前核期胚の生殖能力評価のための自動画像解析 - Google Patents

Abstract

細胞（例えば、卵母細胞又は前核期胚）のトレーニング画像及び関連するアウトカムメタデータのセットを、自動的に記述文書に変換するコンピュータシステムを提供する。この変換は、細胞を表すトレーニング画像の画素値から、特性（例えば、細胞質の特性）を抽出し、抽出された特性をアウトカムメタデータと関連付けることによって行われる。記述文書に基づいて、システムは、新規細胞のアウトカムの予測に利用可能な決定モデルを自動的に計算する。新規細胞のアウトカムを予測するため、コンピュータシステムは、新規細胞を表す画像から特性を自動的に抽出し、決定モデルを適用することで１つ以上のアウトカムを予測する。新規細胞を表す画像から抽出された特性は、決定モデルに含めるために選択された特性に対応し、トレーニング画像から抽出された対応する特性と同じ方法で計算される。

Description

関連出願の相互参照
本出願は、２０１６年１月２８日に出願された米国特許仮出願第６２／２８８３７９号の利益を主張し、その開示は参照により本明細書に組み込まれる。

背景
従来、胚品質は、観察者が連日静的測定を行うことにより、評価が行われてきた。この測定において、観察者は、発生段階の５日間にわたって、胚に対して従来の明視野検査を行う。これらの観察結果を半定量化可能なスコアに変換するために、様々なスコアリングシステムが利用可能であるが、移植される可能性が最も高い胚の選択は、依然として定性的検査となっている。このプロセスは、労力を要しコストがかかり、かなりの訓練とスキルを必要とする。また、このプロセスは、疲労や、観察者間及び観察者内変動などの、反復的な観察技術に共通する要因に影響を受ける可能性がある。

従来、卵母細胞は、回収された後、成熟度又は未成熟度のみに基づいて速やかに分類され、成熟度の高いものを受精させる。これらの卵母細胞のパフォーマンスには、５日間にわたる、高額且つ時間のかかる培養作業が待ち受けている。

手動での卵母細胞のスコアリングによって、有用な臨床情報が提供され得る。しかしながら、卵母細胞と胚の手動での評価は、ヒト発生学技術の誕生以来標準治療であり続け、大きく変化していない。したがって、卵母細胞及び前核期胚の生殖能力を評価し、胚盤胞及び最終的には生児出生に至るまで発生する可能性の高いものを識別するための、より優れたツールが依然として必要とされている。

本概要は、詳細な説明にさらに後述する概念の一部を、簡略化して紹介するために提供される。この概要は、特許請求される発明の内容の重要な特徴を特定することを意図するものではなく、特許請求される発明の内容の範囲の決定に役立てるために使用されることも意図していない。

ある態様では、コンピュータシステムは、細胞（例えば、卵母細胞又は前核期胚）のトレーニング画像及び関連するアウトカムメタデータのセットを、記述文書に自動的に変換する。この変換は、トレーニング画像の画素値から特性を抽出する工程、及び抽出された特性をアウトカムメタデータと関連付ける工程によって行われる。その次に、記述文書に基づいて、コンピュータシステムは、新規細胞のアウトカムの予測に利用可能な決定モデルを自動的に計算する。トレーニング画像は、明視野顕微鏡法を用いて得られる。

抽出された特性は、細胞質境界を含んでもよい。コンピュータシステムは、エッジ検出アルゴリズムを画像に適用することでエッジを検出する工程、及び検出されたエッジに円検出アルゴリズムを適用することで近似細胞質境界を検出する工程によって、トレーニング画像中のそのような境界を検出することができる。エッジ検出アルゴリズムの適用に先立ち、コンピュータシステムは、カラー画像をグレースケール画像に変換することができる。近似細胞質境界が検出された後、コンピュータシステムは、近似細胞質境界から環状マスク画像を作製し、元のソース画像上で画像セグメンテーションを行って、連結領域を細胞質として識別することができる。

抽出された特性は、以下のうち１つ以上をさらに含んでもよい。
細胞質の総面積、
細胞質のアスペクト比、
細胞質境界の凸性、
細胞質の平均画像強度、
細胞質の画像強度の標準偏差、
細胞質の平滑度、
細胞質内のグリッド領域においてサブサンプルされた画像強度又は平滑度、
細胞質テクスチャ又はテクスチャ分布、
密度、及び
クラスタリング。
細胞質の平均画像強度は、グレースケール画像中の識別された細胞質の対応する画素値を平均することによって計算してもよい。

卵母細胞又は前核期胚に係り抽出された特性は、以下のうち１つ以上をさらに含んでもよい。
手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された、極体の境界、
極体の存在の有無の表示、
透明帯の内外エッジの識別、
囲卵腔の識別、
透明帯のエッジの平滑度の測定結果、
細胞質及び透明帯の主軸の配置、
極体、透明帯、又は囲卵腔の総面積、
極体、透明帯、又は囲卵腔のアスペクト比、
極体、透明帯、又は囲卵腔の境界の凸性、
極体、透明帯、又は囲卵腔の平均画像強度、
極体、透明帯、又は囲卵腔の画像強度の標準偏差、
極体、透明帯、又は囲卵腔の平滑度、及び
極体、透明帯、又は囲卵腔内のグリッド領域においてサブサンプルされた画像強度又は平滑度。

前核期胚に係り抽出された特性は、以下のうち１つ以上をさらに含んでもよい。
手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された、前核の境界の識別、
個別に、且つ／又は互いに相対的に測定された前核の面積、
個別に、且つ／又は互いに相対的に測定された前核のアスペクト比、
１つ以上の前核の、境界の凸性、
１つ以上の前核の、平均画像強度、
１つ以上の前核の、画像強度の標準偏差、
１つ以上の前核の、平滑度、及び
１つ以上の前核内の、グリッド領域においてサブサンプルされた画像強度又は平滑度。

別の態様では、コンピュータシステムは、新規細胞を表す（トレーニング画像と同様に、明視野顕微鏡法を用いて得ることのできる）新規細胞画像から、特性を自動的に抽出する。また、コンピュータシステムは、新規細胞画像から抽出された特性に対して決定モデルを適用することで、新規細胞に係る１つ以上のアウトカムを予測する。新規細胞画像から抽出された特性は、決定モデルに含めるために選択されたトレーニング画像の特性に対応しており、同じ方法で計算することができる。アウトカムは、新規卵母細胞の品質又は生殖能力、後期発生段階における染色体数の異常の検出の有無、後期発生段階における遺伝性疾患の検出の有無、及び細胞の異常成長に係るアウトカムのうち、１つ以上を含んでもよい。新規卵母細胞の品質又は生殖能力は、卵母細胞がヒトの精子に接触した際受精する確率、その結果生じる受精胚が所定の発生段階に達する確率、又は受精胚が子宮への移植後、生児出生に至る確率のうち１つ以上で表してもよい。

これらの機能は、既存の画像解析システムのアドオンとして実装してもよく、又は別個のシステムとして実装してもよい。このシステムは、細胞画像を得るための顕微鏡検査システムと統合してもよい。

本発明の上記の態様及び付随する利点の多くは、以下の詳細な説明を添付の図面と併せて参照することにより、より容易に且つより深く理解されるであろう。

図１Ａは、本開示の少なくとも１つの実施形態に係る画像に基づく自動細胞解析システムによって解析され得る、成熟卵母細胞の画像である。

図１Ｂは、本開示の少なくとも１つの実施形態に係る画像に基づく自動細胞解析システムによって解析され得る、異常卵母細胞の画像である。

図２は、本開示の少なくとも１つの実施形態に係る画像に基づく自動細胞解析システムにおける、作業フローを示すフロー図である。

図３は、本開示の少なくとも１つの実施形態に係る、画像解析技術を用いた細胞質境界の識別のためのアルゴリズムを示すフロー図である。

図４は、本開示の少なくとも１つの実施形態に係る、卵母細胞又は前核期胚の透明帯の内外エッジの識別のためのアルゴリズムを示すフロー図である。

図５は、本開示の少なくとも１つの実施形態に係る画像に基づく自動細胞解析システムによって解析され得る、前核期胚の画像である。

図６は、本開示の実施形態に係る利用に適した例示的な演算装置の態様を示すブロック図である。

詳細な説明
以下の説明では、本開示の例示的実施形態の完全な理解のために、多数の具体的な詳細が示されている。しかしながら、本開示の多くの実施形態が、これら具体的な詳細の一部又は全てを伴わずに実施され得ることは、当業者にとっては明白であろう。本開示の様々な態様が不必要に分かりにくくなることを避けるため、場合によっては、周知のプロセス段階は詳細には説明されていない。また、本開示の実施形態は、本明細書に記載の特徴を任意に組み合わせて利用し得ることも理解されたい。本明細書において提供される例示は、網羅的であること、又は特許請求される発明の内容を開示形式に正確に限定することを意図するものではない。

本開示は、卵母細胞や前核期胚などの細胞、及びその様々な細胞内成分を対象とした、コンピュータによる画像解析、コンテンツベースの画像検索及び細胞特性抽出と、細胞の品質、成長、又は発生（例えば、卵母細胞と前核期胚との比較に見られる発生変化）に係るアウトカムの予測とを対象とする。本開示は、卵母細胞及び前核期胚の性質を研究するためのアルゴリズムを含む。このアルゴリズムは、生殖能力に関する可能性のあるアウトカムの中でも、移植可能性の高い卵母細胞及び前核期胚を識別するための自動解析ソフトウェアツールにおいて用いることができる。本開示は、市販されているものとは異なる独自の臨床的便益を有する技術について記載している。開示される実施形態は、新しい細胞科学へ適応する能力の点で特に重要といえる。新規アウトカムを調査し特定の細胞特性と関連付けるうえで、開示される実施形態は、その特性をトレーニング画像から自動的に抽出しアウトカムと関連付ける能力を提供し、決定モデルを作製し、その決定モデルを新規細胞画像に適用することで新規細胞のアウトカムを予測する。

臨床応用向けのプログラムのカタログに、画像解釈のためのソフトウェアシステムが最近加わっている。規定の関心領域においてパターン及びテクスチャを抽出するためのシステムが現在利用可能である。抽出された特性をカタログに追加することで、比較のための正常及び異常画像のアーカイブが作製され、最終的には、意思決定及びアウトカムを改善することができ、また、研究室におけるコスト削減やワークフローの改善も見込める。従来は、暗視野評価法を用いた胚のビデオ画像解析が用いられている。しかしながら、本明細書に記載の技術を用いた、標準的な明視野方式で卵母細胞又は前核期胚の性質を評価するソフトウェアは、試用されていない。

本開示には、卵母細胞や前核期胚などの細胞を新しい手法で評価し、且つ従来の明視野顕微鏡法を用いるハードウェアシステムとの互換性もある自動解析システムの態様が記載されている。他のコンピュータ画像解析システムは、経時的暗視野システムを用いており、保守及び監視のために別途監視用ハードウェア及び補助人員を必要とする。さらに、そのようなシステムによるデータ解析アウトカムは、品質が変動しやすく、アウトカムの改善が実証されていないものもある。

上述のように、既存のシステムとは対照的に、本開示の実施形態は、いくつかの潜在的な市場優位性を有する。考えられる優位性の１つとして、（例えば、発生学研究室における）既存のハードウェアを、本開示の実施形態を利用して、さらなる便益を生み出すために活用できることが挙げられる。例えば、多くの研究室に現存する顕微鏡検査システムを、ハードウェアを追加せずに活用できる。考えられる別の優位性として、本開示の実施形態を、既存の画像解析ソフトウェアシステム、又は顕微鏡検査ハードウェア及び画像解析ソフトウェアの統合システムに組み込むことで、既存の画像解析ソフトウェアの拡張が可能である点も挙げられる。

画像とアウトカムのアーカイブを拡張し、アルゴリズムの精度及び信頼性を高めることもできる。共通のデータレポジトリに記憶されている、複数のソース（例えば、診療所、研究機関）から入手したトレーニング画像に対して、画像トレーニングを行うことができる。人工知能を用いることで、機械のセルフトレーニングによって、時間の経過と共にアウトカムの予測が改善され、継続的に使用することでアウトカムの予測に顕著な改善がもたらされる。本明細書に記載された実施形態は、例えば、卵母細胞の凍結保存及び胚発生の両方に適用して、凍結保存に先立って、又は受精後の胚発生の段階で、卵母細胞の生殖能力を予測することができる。

さらに、本明細書に記載の実施形態は、単一細胞に係る有用な解析を提供し、画像取得及び解析を格段に容易にする可能性がある。また、本明細書に記載の実施形態は、細胞の品質又は発生に関する臨床における意思決定、例えば、妊孕性温存又は卵母細胞提供のための卵母細胞の凍結に先立つ意思決定を改善し、受精させる卵母細胞の選択及び培養を継続する前核期胚の選択を改善する可能性がある。本明細書に記載の実施形態は、単一細胞の研究、特に生殖医療の分野において有用である。受精及び培養後、（例えば、２日を超える観察時に）胚の細胞数が増加すると共に、画像フィールドはより密になり、個々の細胞を分離することは難しくなり、解析はより複雑になる。単一細胞である卵母細胞及び前核期胚は、コンピュータによる画像解析を用いた情報抽出を行ううえで好適の機会を提供する。

本開示には、既存の画像、及び細胞の品質、成長、及び発生に係るアウトカムの記述などの関連メタデータの学習によって得られる品質モデルが記載されている。生殖医療の分野において、そのようなアウトカムには、胚盤胞形成、倍数性決定、及び臨床的妊娠が含まれる。生殖能力は、例えば凍結後の卵母細胞、及び前核期胚に対して、評価することができる。例えば、新形式のデータが利用可能となり、（アウトカムのさらなる記述、又はアウトカムの新規クラスを提供し得る）追加研究に対して規制当局の承認が得られれば、既存の画像、メタデータ、及びアウトカムのデータセットを拡張し、品質モデルを改善することができる。

卵母細胞又は前核期胚の品質又は生殖能力は、いくつかの異なる方法で表すことができる。例えば、卵母細胞がヒトの精子に接触した際受精する確率、結果として生じる胚が所定の発生段階（例えば、胚盤胞段階）に達する確率、又は受精胚が、子宮への移植後生児出生に至る確率などである。また、確率は、パーセンテージ又は高／中／低で表された所定の発生状態に達する可能性として、表現することができる。本開示に記載の技術を用いると、ある状況では、遺伝情報（例えば、遺伝的相補性）、又は異常な細胞成長に係るアウトカムが予測できる可能性もある。例えば、本明細書に記載の画像解析技術を用いて画像から識別できる細胞特性と、遺伝情報又は異常な細胞成長とを関連付ける新たな情報が利用可能となれば、当該技術を用いることで、遺伝情報、又は異常な細胞成長に係るアウトカムを当該画像から推定することができる。ある考えられる状況では、アウトカムは、卵母細胞が無事に受精したかどうか、又は胚発生がどのように進行したかを示すアウトカムではなく、発生後期における染色体数の異常又は遺伝性疾患の検出の有無を示すアウトカムでもよい。

さらに、本開示の態様は、卵母細胞の品質を測定する能力を提供することで、卵母細胞の凍結保存に係る意思決定を支援する。卵母細胞の保存は、例えば卵母細胞の選択的凍結プログラムにおいて、行われる場合があるが、この際、将来の妊孕性を最大化するために凍結すべき卵母細胞の数を決定すること、又はそれを超えて卵母細胞を回収しても将来の妊孕確率が有意に増加することはない逓減ポイントを決定することは有用であろう。したがって、本開示の態様は、卵母細胞の過剰又は過少な回収を回避するために利用してもよい。卵母細胞の保存は、卵母細胞提供プログラムにおいて行われる場合もあるが、この際も、卵母細胞の生殖能力の事前評価が可能になることで、所定の提供に必要な１バッチあたりの卵母細胞数、又は卵母細胞を廃棄し受精を見送るべきかどうかの判断に係る意思決定の指針が得られるであろう。

本開示の態様は、卵母細胞が成熟又は未成熟かどうかの判断のみによって、１バッチあたり６から８個の卵母細胞を凍結するという、現行方法を改善する。受精を行う卵母細胞の数が制限され、最も生殖能力が高い卵母細胞を識別する能力がより重要になる状況において、本開示の態様は特に有用であろう。

図１Ａは、成熟卵母細胞の画像であり、透明帯及び極体が示されている。以下に詳細に記載されるように、例示的な実施形態において、細胞質、透明帯、及び極体の性質を自動的に識別し解析することができる。

ある例示的な実施形態によると、手法全体は２つのステージから構成され、各ステージが２つのフェーズから構成されている。ステージ１（モデル構築ステージ）は、細胞（例えば、特定のアウトカムが既知の卵母細胞又は前核期胚）のトレーニング画像から、決定モデル（例えば、ヒト卵母細胞又は前核期胚の品質モデル）を構築する工程を含む。ステージ２（使用ステージ）は、（例えば、臨床の場において）解析対象の新規細胞のアウトカムを、このモデルを使用して予測する工程を含む。例えば、生殖医療の分野において、使用ステージを、個々の胚の品質を決定するために用いてもよい。

本明細書に記載されているように、本手法は、１つ以上の演算装置を備えるコンピュータシステムに実装された、画像に基づく自動細胞解析システムによって実行してもよい。ハイレベルな解析を行う場合、画像に基づく自動細胞解析システムは、図２への参照のもと記載されているタスクを実行するための機能を含んでもよい。画像に基づく自動細胞解析システムは、異なるステージ又はフェーズに応じて異なるタスク群を実行するための複数のモジュール又はエンジンを含んでもよい。これには、例えば、以下で詳細に説明する、モデル構築エンジンやモデル使用エンジンなどが含まれる。そのようなモジュール又はエンジンは、同一の又は異なる演算装置内に実装することができる。同様に、これらのモジュール又はエンジンは、モデル構築エンジンにおける特定種類の特性を抽出するタスクなどの、タスク群中のより特定のタスクを実行するための複数のサブモジュールを含んでもよい。

モデル構築ステージの最初のフェーズであるフェーズ１は、特性抽出を行うフェーズである。図２に示した例では、フェーズ１において、画像に基づく自動細胞解析システムは、データストア２１０からトレーニング画像及び関連メタデータのセットを得て、（例えば、モデル構築エンジンを用いて）記述文書に変換する。他のデジタル画像と同様に、トレーニングセットを構成するデジタル画像は、行と列に配置された画素で構成されている。各画素は、１つ以上の標本値のセットによって定義され、各標本の数、意味、及び値の範囲は、画像のフォーマット、色空間、及びビット深度（１チャネルあたりのビット数）によって決まる。本明細書に記載の技術は、様々なフォーマット、解像度、色空間、及びビット深度などを有するデジタル画像の解析に適合可能であることが理解できるであろう。例えば、本明細書では、いくつかの技術は所定の解像度のグレースケール画像に対して行われるものとして記載されているが、画像の解像度をアップスケーリング又はダウンスケーリングするための様々な技術、及びカラー画像をグレースケールに変換するための様々な技術などを、本明細書に記載の技術と組み合わせて用いることができる。

以下に詳細に説明するように、特性抽出を行うフェーズは、細胞（例えば、卵母細胞又は前核期胚）を表すトレーニング画像から、特性を、画像において数値的に抽出する（ブロック２１２）ことによって進行する。生殖医療の分野において、これは、トレーニング画像における、各卵母細胞の細胞質の面積測定、又は各前核期胚の細胞質若しくは核の特性などの、特性の抽出を含み得る。本明細書に記載の特性は、２次元境界や、その境界内の面積などの２次元特性に焦点を当てているが、２次元画像から得られた情報に基づき正確に推定できる範囲であれば、体積などの３次元特性に当該特性を拡張することも可能であることを理解されたい。

抽出された特性は、記述文書内のアウトカムに関連付けられる（ブロック２１４）。記述文書に含めることができる特性のさらなる詳細は、後述する。（本明細書における「文書」という用語は、本明細書に記載されているように、後続の処理に適した任意のフォーマットで記述された情報の集合体を指しており、人間が読めるように設計された従来の文書を指すものとは限らない。）データストアは、例えば追加のトレーニング画像及び関連メタデータを提供するために、必要に応じてアップデートしてもよい。

ある例示的な実施形態において、記述文書中に必要とされる１つの項目は、各トレーニング画像中の卵母細胞が受精したときに生じた現象に係る、１つ以上のアウトカムの記述である。トレーニング画像に係るアウトカムは、本明細書において各トレーニング画像の「特性１」とも称され、これは、画像と共に提供されるメタデータであって、画像データに依存するものではない。メタデータは、発生のアウトカムに係る情報を含んでもよい。例えば、卵母細胞のトレーニング画像について、そのようなメタデータは、卵母細胞が受精したかどうか、及び胚発生がどのように進行したかに関する情報を含んでもよい。

下記のように、少なくとも１つの実施形態によると、フェーズ１において、下記の特性２から１８のうちの１つ以上を卵母細胞の画像から抽出し、記述文書を作製することができる。以下に記載したいくつかの特性（例えば、細胞質特性）の抽出は、多くの種類の細胞に有用であり得ることが理解できるであろう。例えば、前核期胚はまだ単一細胞であり（図５参照）、その特性も後述するように解析可能である。

２． 手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された、細胞質境界の識別。例示としてのアルゴリズム３００を図３に示す。
（a） ステップ３１０において、画像をカラーからグレースケールに変換する（必要な場合）。
（b） ステップ３２０において、エッジ検出アルゴリズム（例えば、キャニーしきい値法）をグレースケール画像に適用し、エッジを検出する。
（c） ステップ３３０において、円検出アルゴリズム（例えば、ハフ円検出法）を適用し、近似細胞質境界を見つける。少なくとも１つの実施形態において、円検出アルゴリズムは、検索される円のサイズを制御するために、既知の量の画像解像度及び倍率を使用することができる。さらに、必要に応じて、キャニー法で検出されたエッジにガウシアンぼかし処理を行い、検出される円の数をただ１つになるまで減らすことができる。
検出された細胞質によってはさらに処理ステップを行う必要があり、その場合、以下のステップが有用となり得る。
（d） ステップ３４０において、検出された円から、内環半径及び外環半径を有する環状マスク画像を作製する。
（e） ステップ３５０において、元のソース画像上で画像セグメンテーションを行って、連結領域を細胞質として識別する。例えばグラブカット法を用いることができ、結果として得られる連結領域が細胞質であり、連結領域の境界が細胞質境界である。環状マスクを用いてこの検索を絞り込むことができる。
マスク画像は、連結領域の画素のみを含むように作製してもよい。このマスク画像を用いることで、さらなる細胞質特性の計算が容易になる。

３． 特性２において識別された境界内部の画像部分によって規定される、画像中の細胞質の総面積（この情報に基づいて細胞質の体積も推定できる）。

４． 細胞質のアスペクト比。アスペクト比は、細胞質の最短辺と最長辺の比率である。

５． 細胞質境界の凸性。この特性は、卵母細胞から前核期胚へ移行する過程の細胞質における、比較変化に関連している可能性がある。一例として、凸性は以下のように計算することができる。
（a） 上記の特性２のステップ（ｅ）で作製されたマスク画像の凸包を計算する。
（b） マスク領域の面積と凸包の面積の比率を計算する。

６． 細胞質の平均画像強度。例えば、平均強度は、（各画素の値が単一標本である）グレースケール画像中で識別された、細胞質の対応する画素値を平均することによって、又は、ＨＳＢ（色相−彩度−輝度）などの色空間で表現される場合には、対応する画素に係る特定の数値（輝度など）を平均することによって、計算してもよい。

７． 細胞質の画像強度の標準偏差。

８． 細胞質の平滑度。平滑度は、ガウシアンフィルタを細胞質画像に適用することで測定される。測定は、例えば、キャニー法によるエッジ検出、ハリスコーナー検出法、又は画像の平滑度によって変化する特性を検出するその他のプロセスを用いて、ガウシアンフィルタのサイズを変化させ、細胞質から検出可能な特性数に、サイズ変化がどのような影響を与えるかを記録することによって行われる。ガウシアン平滑化の効果が増すにつれ、特性数が減少し、ついには特性が検出されなくなる。システムは、特性数の減少速度、及び特性を完全に除去するために要する平滑化を調査することができ、これにより、細胞質の平滑度に係る情報が提供される。

９． サブサンプルされた細胞質の調査。細胞質領域をグリッド分割し、各グリッド領域に６、７、及び８の技術を適用する。これらの手順の結果は、以下で特徴付けることができる。
（a） 個々のグリッド領域に係るアウトカムの変化、又は
（b） グリッド領域の、所定のしきい値を超える場合に生成されるカウント数。

１０． 手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された極体の境界の識別。

１１． 上記の特性１０に基づく、卵母細胞又は前核期胚に極体が存在するかどうかの表示。

１２． 極体に係る、上記の特性３から９と同様の特性。

１３． 卵母細胞又は前核期胚の透明帯の内外エッジの識別。内側境界は、細胞質境界と一致するか、又は両者の間に隙間（囲卵腔）が存在する場合もあり得る。例示的アルゴリズム４００を図４に示した。
（a） ステップ４１０において、透明帯の外側境界を識別するために、上記特性２において細胞質境界を含むと判定された画像領域をマスクアウトする。
（b） ステップ４２０において、透明帯の内側境界を識別するために、まず、細胞質内部、及び透明帯の外側境界の外部の画像部分をマスクアウトする。さらに、特性２と同様にエッジ検出及び円検出アルゴリズムを適用することによって、透明帯の内側境界を識別する。
さらに、エッジ検出工程の前に画像の鮮明化を行うことができ、これにより、透明帯のエッジがより容易に明らかとなる。

１４． 透明帯に係る、上記の特性３から９と同様の特性。

１５． エッジ上で見出される特性のサイズと数を記述することによる、透明帯の境界の平滑度の測定。

１６． 細胞質と透明帯の主軸の配置。例えば、システムは、細胞質と透明帯のマスク周囲に最小の外接矩形を見出し、主軸を規定する矩形の辺の配置に基づき、主軸を計算することができる。別の例では、システムは、内部基準点（例えば、重心）から卵母細胞の外周を推定し、卵母細胞のエッジを超えない範囲で繰り返し領域拡張を行い、さらに、この重心を介して座標を長軸及び短軸に沿って卵母細胞のエッジまで移動させ、推定された卵母細胞領域内の座標の長さを測ることによって、配置を決定することができる。

１７． 細胞質と透明帯の間の囲卵腔の面積。これは、透明帯の内側境界内に属し、且つ細胞質の内部に属さない領域の面積である。

１８． 囲卵腔に係る、上記の特性３から９と同様の特性。

例示として、６枚の画像に係る、それら画像と関連付けられたアウトカム及び５つの特性を含む記述文書を、以下の表１に示す。

画像解析技術で抽出され得る他の特性には、細胞質テクスチャ特性、テクスチャ分布、密度、及びクラスタリングが含まれる。

前核期胚の例示的画像を図５に示す。上記の適用可能な特性に加え、前核期胚に係る下記の追加の特性１９から２３のいずれかを、細胞質の中心に位置する前核に対して抽出することができる。

１９． 手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された、前核の境界の識別。

２０． 個別に、且つ互いに相対的に測定された、前核の面積又は体積。

２１． 個別に、且つ互いに相対的に測定された、前核のアスペクト比。

２２． 前核に係る、上記の特性５から９と同様の特性、及び２つの前核間での当該特性の比較。

２３． 前核及び卵母細胞の解析に共通する特性それぞれに対して、差又は比を取ることによって、比較特性のセットを作製する。

本明細書に記載の特性は、図１Ｂに示した卵母細胞に現れた異常のような、例えば、テクスチャ、封入体、及び形状又はサイズにおける異常を検出するために用いてもよい。

上記の画像解析ツールに加え、カラー化及びカラーフィルタなどの他のツールも、特性抽出のために使用することができる。例えば、特定のカラーフィルタが特定の特性を検出するうえで有用である場合は、画像のさらなる解析に進む前に、カラーフィルタを細胞のカラー画像に適用することが可能である。例えば、カラーのソース画像を他の特性抽出のためにグレースケールに変換する前に、カラーのソース画像にこのプロセスを施すことが可能である。

上述のように、あらゆるケースにおいて上記の特性全てを抽出する必要はなく、また、全ての特性を自動的に抽出する必要もない。ある場合においては、手動で測定した特性（例えば、カスタマイズされたグラフィカルユーザーインターフェースを用いて測定された特性）に対して、又は手動で測定した特性と自動抽出された特性との組み合わせに対して、自動解析を行うこともできる。

再び図２を参照すると、モデル構築ステージの２番目のフェーズ（フェーズ２）は、学習又はトレーニングを行うフェーズである。フェーズ２では、フェーズ１で抽出された特性のうち、フェーズ４における予測能力に実質的に影響を及ぼすものを決定する。決定モデルに含める特性として選択されるものには、例えば、予測値がしきい値を超える特性を含めてもよい。決定モデルに含める特性として選択されないもの、つまり、重要な予測値を持たない特性は、詳細を後述するフェーズ３及びフェーズ４において除外することができる。フェーズ２においては、モデル構築エンジンは、記述文書中の記述（例えば、数値で表された記述）を、取り込み、又は読み込み、数理最適化を行い、アウトカムの品質を決定するうえで重要な特性を決定する。したがって、フェーズ１の出力がフェーズ２の入力となる。フェーズ２の出力は、アウトカムを予測するために用いることが可能なモデル（図２に示すブロック２２０「決定モデルを作製する」を参照）である。例えば、生殖医療の分野では、そのような予測アウトカムは、既知の卵母細胞又は前核期胚の数値で表される特性が与えられた際に、品質又は生殖能力を決定するために用いてもよい。これは、ラベル付けされたトレーニングデータによるモデル構築と呼ぶことができる。少なくとも１つの実施形態によると、画像解析、及びソフトウェアが検出する性質は、アウトカムと関連付けられ、重要度に応じて重み付けされる。

少なくとも１つの実施形態によると、交差検証法を用いて、トレーニングデータの一部を使用してモデル検証を行い、残りのトレーニングデータによりトレーニングを行うことで、モデルの安定性を確保する。モデルは、ロジスティック回帰、デシジョンツリー、又はラベル付けされたトレーニングデータを用いる他の方法を使用して、構築することができる。トレーニングにより意義ある成果を得るには、十分なトレーニングデータが必要とされる。交差検証法によってモデルが予測能力を有することが示唆された場合、トレーニングデータのうちモデル検証に使用されているものを、モデルの品質を検証するために使用する。フェーズ２におけるトレーニングは、ｋ平均法又はニューラルネットワークなどの教師なし学習法を用いて、トレーニングデータをクラス分類して行ってもよい。クラスが識別された後、各クラスの標本のうち重要なラベルを、各クラスに割り当てる。学習フェーズは、他の機械学習法を用いて行うこともできる。

上述のように、フェーズ２の出力は、細胞の品質又は生殖能力などのアウトカムを予測するために使用可能な決定モデルである。同じく上述のように、卵母細胞又は前核期胚の品質又は生殖能力は、いくつかの異なる方法で表すことができる。例えば、胚の染色体が正常若しくは正倍数体である、又は異常若しくは異数体である確率、ヒトの精子に接触した卵母細胞が受精する確率、結果として生じる胚が所定の発生段階（例えば、胚盤胞段階）に至る確率、又は子宮へ移植された胚が生児出生に至る確率などである。また、確率は、パーセンテージ又は高／中／低で表された所定の発生状態に達する可能性として、表現することができる。

使用ステージの最初のフェーズであるフェーズ３では、画像に基づく自動細胞解析システムは、（例えば、モデル使用エンジンを用いて）新規画像２３０（例えば、単一の卵母細胞又は前核期胚の画像）に対して特性の抽出を行う。このフェーズにおいて、画像に基づく自動細胞解析システムは、新規画像に係る特性を作製する（ブロック２３２）。当該特性は、フェーズ１において作製した、トレーニング画像に係る１つ以上の特性のうち、未知である特性１（アウトカム）以外のものに対応している。フェーズ１で記述された特性全てを、フェーズ３で新規画像に対して抽出する必要はない。例えば、フェーズ２で、重要な予測値を持たないと判断された特性に関しては、フェーズ３で抽出する必要はない。

本明細書に記載されているように、自動特性抽出は多くの便益を有するが、本明細書に記載の技術を、手動で抽出された１つ以上の特性に用いることも可能である。正確なモデリングのために、フェーズ１において手動で抽出された特性を、フェーズ３において手動で抽出することも可能である。

学習及び使用フェーズの両方において、本明細書に記載の特性値を画像間で確実に比較可能にするために、全ての画像の解像度及び倍率を同一にするという規則を設けることができる。この規則に従ううえで、元の画像は必ずしも同じ解像度及び倍率である必要はない。そのかわり、必要に応じて、手動又は自動で画像の縮尺を調整すること及びトリミングすることができる。

フェーズ４において、画像に基づく自動細胞分析システムは、フェーズ２で作製された決定モデルをフェーズ３で抽出された特性に適用する（ブロック２４０）ことで、新規画像中の細胞（例えば、卵母細胞又は前核期胚）に係る１つ以上のアウトカムを（例えば、モデル使用エンジンを用いて）予測する（ブロック２４２）。例えば、０から１の間のスコアを割り当て、スコアが大きいほど予測アウトカムがより好ましい値であることを表すことができる。例えば、成熟度のみに基づき受精させる卵母細胞を選ぶ従来の方法と比べ、予測アウトカムは顕著な便益をもたらす。スコアのしきい値を設定し、しきい値以下の場合、卵母細胞は、その成熟度に拘らず、胚盤胞及び生児を得ることが不可能ではないが可能性は低いものとして、廃棄することもできる。決定モデルの設計に応じて、特性を、何らかの組み合わせで共に重み付けし、又はデシジョンツリーを適用する際のデシジョンポイントとして用いて、トレーニングセットの特性１のアウトカムとして提供される１つ以上の状況についての、細胞（例えば、卵母細胞又は前核期胚）の推定アウトカムを決定してよい。

細胞は、別々に、又は組み合わせて解析することができる。例えば、卵母細胞及び前核期胚の品質は、個々に解析され、次いで、全体的な品質スコアを作るために組み合わせることができる。

上述のように、多くの特性を抽出することができるが、そのサブセットを用いた方が予測能力が高くなるという場合がある。本システムは、様々な種類の予測解析を用いて、どの特性、又はどの特性の組み合わせがより高い予測能力を示すかを判断することができる。例示としてのある実施形態によると、画像に基づく自動細胞解析システムは、卵母細胞の５つの細胞性質を識別する。これらの性質は、卵母細胞の生殖能力及び胚盤胞の形成及び移植の可能性を予測できるものとして選択されたものである。この可能性を推定するために、０．０（最低）から１．０（最高）の間の数値スコアが計算された。この例示的な実施形態において、アルゴリズムには、プログラミング言語であるＰｙｔｈｏｎにおいてＳｃｉＰｙによる機能拡張で実行できる、確率的勾配降下法が用いられている。特性抽出は、ハフ円検出法、及びハリスコーナー検出法を含む、Ｃ＋＋の様々な追加技術を用いる。主要なアウトカム測定は、卵母細胞スコア（ＯＳ）の計算を含み、これにより、生殖能力及び胚盤胞形成の可能性が高い卵母細胞を識別し、ＯＳ（グループ１）を、標準形態学による選別（グループ２）、及びコンピュータによるビデオモニタリングシステム（グループ３）と比較する。

少なくとも１つの実施形態によると、画像に基づく自動細胞解析システムは、ネットワークを介してソフトウェアの更新を受信し、解析システム、トレーニングデータ、又は他のデータに更新を提供することが可能である。

例示としてのデバイス及び動作環境
具体例において特段の指定がない限り、記載された技術及びツールは、任意の適切な演算装置又はデバイスのセットによって実装することができる。

記載された例のいずれかにおいて、エンジン（例えば、コンピュータハードウェア及び顕微鏡検査システムと組み合わせて作動するソフトウェアエンジン）を用いて、本明細書に記載の動作を行ってもよい。エンジンは、１つ以上の演算装置に、本明細書にエンジンと関係するものとして記載されている動作を実行させるように構成された（例えば、コンピュータのプログラムコード形式の）ロジックを含む。例えば、コンピュータ可読有形媒体（この媒体には、演算装置の１つ以上のプロセッサによって実行されると、演算装置に動作を実行させる、コンピュータで実行可能な命令が記憶されている）を、演算装置にインストールすることによって、演算装置を、動作を実行するように特にプログラムすることができる。本明細書には、議論を容易にするために特定のエンジンを記載しているが、多くの代替物が利用可能である。例えば、本明細書に記載されている、複数のデバイス上に存在する２つ以上のエンジンと関連している動作は、単一エンジンで行ってもよい。別の例では、本明細に記載されている、単一エンジンと関連している動作は、同一又は複数のデバイス上に存在する２つ以上のエンジンで行ってもよい。

記載された例のいずれかにおいて、データストアは、本明細書に記載されているようなデータを含む。また、データストアと、記載されたシステムの他のコンポーネントとの間のハイレベルなデータ処理を可能とするために、データストアを、例えば、データベースマネジメントシステム（ＤＢＭＳ）によって管理してもよい。ＤＢＭＳによって、データストアのバックアップを確実に行い、利用可能性をハイレベルに維持することも可能となる。例えば、他のシステムコンポーネントが、システム周辺のプライベートネットワークや、公共のインターネット上の安全が担保されたデータ伝送チャネル、プライベート及びパブリックネットワークを組み合わせたものなどのネットワークを介して、データストアにアクセスしてもよい。ＤＢＭＳの代わりに、又はＤＢＭＳに加えて、データストアは、従来のファイルシステムにファイルとして記憶された構造化データを含んでもよい。データストアは、本明細書に記載のシステムのコンポーネントの一部の演算装置、又は当該コンポーネントとは分離された演算装置上に存在してもよい。別々の複数のデータストアを、単一のデータストアにまとめても、単一データストアを２つ以上の別々のデータストアに分割してもよい。

本明細書に記載の機能のいくつかは、クライアント−サーバ関係が存在する環境下で実装してもよい。このような環境下で、サーバ装置は、本明細書に記載の情報及び／又はサービスを提供するように構成された適切な演算装置を含んでもよい。サーバ装置は、例えばサーバ専用に用意された装置などの、任意の適切な演算装置を含んでもよい。サーバ装置により提供されるサーバ機能は、場合によっては、サーバ専用ではない演算装置上で実行されるソフトウェア（例えば、仮想コンピューティングインスタンス又はアプリケーションオブジェクト）によって提供されるものでもよい。「クライアント」という用語は、サーバによって提供された情報及び／又は接続サービスを、通信回線上で入手する演算装置を称するために用いることができる。しかしながら、特定の装置をクライアント装置として指定する場合、サーバの存在は必須ではない。様々な場面において、単一の装置が、環境及び構成に応じて、サーバ、クライアント、又はサーバ及びクライアントの両方として作動することがある。クライアントとサーバの実際の物理的な場所は必ずしも重要ではないが、その場所は、クライアントについては「ローカル」、サーバについては「リモート」と表現して、離れた（リモートの）場所にあるサーバから提供された情報を、クライアントが受信するという、一般的な使用状況を説明することができる。別の方法として、ピアツーピア構成、又は他の様式を用いることもできる。

図６は、本開示の実施形態に係る使用に適した、例示的な演算装置６００の態様を示すブロック図である。以下の説明は、サーバ、パーソナルコンピュータ、携帯電話、スマートフォン、タブレットコンピュータ、組み込み演算装置、及び現在利用可能な、又は未開発のデバイスであって、本開示の実施形態に係り使用され得るものに対して、適用可能である。本明細書に記載の演算装置は、顕微鏡検査システムなどの、画像の取得に特化したハードウェアと統合してもよい。あるいは、クラウドコンピューティング構成においてリモート環境に記憶された画像を受信するなどの、他の何らかの方法を用いて解析用の画像を取得する、スタンドアローンのデバイスであってもよい。

演算装置６００は、その最も基本的な構成において、通信バス６０６により繋がっている少なくとも１つのプロセッサ６０２及びシステムメモリ６０４を含む。的確な構成やデバイスの種類に応じて、システムメモリ６０４は、揮発性メモリであってもよく、リードオンリーメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＥＰＲＯＭ、フラッシュメモリ、又は他の記憶技術を含む、不揮発性メモリであってもよい。当業者は、また、それ以外の者であっても、システムメモリ６０４は、データ、及び／又はプロセッサ６０２に即座にアクセス可能で、且つ／又はプロセッサ６０２によって現在稼働しているプログラムモジュールを、一般的に記憶していることを認識するであろう。この点では、プロセッサ６０２は、命令の実行を支援することにより、演算装置６００の計算センターとしての役割を果たし得る。

図６にさらに示したように、演算装置６００は、ネットワーク上で他の装置と通信するための１つ以上のコンポーネントを備える、ネットワークインターフェース６１０を含むことができる。本開示の実施形態は、ネットワークインターフェース６１０を利用する基本サービスにアクセスすることで、共通ネットワークプロトコルを用いた通信を行うことができる。ネットワークインターフェース６１０は、ＷｉＦｉ、２Ｇ、３Ｇ、４Ｇ、ＬＴＥ、ＷｉＭＡＸ、ブルートゥースなどの、１つ以上の無線通信プロトコルを介して通信するように構成された無線ネットワークインターフェースを含むこともできる。

図６に示す例示的な実施形態では、演算装置６００は、記憶媒体６０８も含む。しかしながら、ローカル記憶媒体にデータを永続的に記憶させる手段を含まない演算装置を用いて、サービスにアクセスしてもよい。つまり、図６に示す記憶媒体６０８は、任意である。いずれにしても、記憶媒体６０８は、揮発性でも不揮発性でも、取り外し可能でも固定でもよい。また、記憶媒体６０８は、情報を記憶できる任意の技術を用いて実装することができ、例えば、ハードドライブ、ソリッドステートドライブ、ＣＤ−ＲＯＭ、ＤＶＤ、又は他のディスク記憶装置、磁気テープ、磁気ディスク記憶装置などがあるが、これらに限定されるものではない、

本明細書において用いられているように、「コンピュータ可読媒体」という用語には、コンピュータで可読の命令、データ構造、プログラムモジュール、又は他のデータなどの情報を記憶可能な任意の方法又は技術によって実装される、揮発性及び不揮発性媒体と、取り外し可能及び固定の媒体とが含まれる。これに関連して、図６に示したシステムメモリ６０４及び記憶媒体６０８は、コンピュータ可読媒体の例である。

説明を容易にするため、また、特許請求される発明の内容を理解するうえで重要ではないため、図６は、多くの演算装置で典型的な構成要素のいくつかを示していない。これに関連して、演算装置６００は、キーボード、キーパッド、マウス、トラックボール、マイクロフォン、ビデオカメラ、タッチパッド、タッチスクリーン、電子ペン、スタイラスペンなどの入力装置を含むことができる。そのような入力装置は、ＲＦ、赤外線、シリアル、パラレル、ブルートゥース、ＵＳＢ、又は無線接続若しくは物理接続を用いる他の適切な接続プロトコルなどの、有線又は無線接続によって、演算装置６００に連結されていてもよい。

本明細書に記載されたいずれかの例において、入力データは、（例えば、後々行われる処理のために）入力装置によって取り込まれ、処理され、送信され、又は記憶されることができる。処理は、データストリームの符号化を含み、出力装置による表示のために後で復号化を行うことができる。メディアデータは、マルチメディア入力装置によって取り込むことが可能であり、メディアデータストリームをファイルとしてコンピュータ可読記憶媒体（例えば、クライアント装置、サーバ、管理者装置、又は他の装置上に存在する、メモリ又は永続ストレージ）に保存することによって、記憶することができる。入力装置は、演算装置６００（例えば、クライアント装置）と物理的には分離し、且つ通信上は連結することができ、また、演算装置６００の一体構成要素とすることもできる。いくつかの実施形態では、複数の入力装置を組み合わせて、単一のマルチファンクション入力装置（例えば、マイク内蔵のビデオカメラ）にしてもよい。演算装置６００は、ディスプレイ、スピーカー、プリンタなどの出力装置を含んでもよい。出力装置は、ディスプレイ又はタッチスクリーンなどのビデオ出力装置を含んでもよい。出力装置は、外部スピーカー又はイヤホンなどのオーディオ出力装置を含んでもよい。出力装置は、演算装置６００と物理的には分離し、且つ通信上は連結することができ、また、演算装置６００の一体構成要素とすることもできる。入力機能及び出力機能は、同一の入力／出力装置（例えば、タッチスクリーン）に統合してもよい。現在既知の又は将来開発される、任意の適切な入力装置、出力装置、又は入力／出力複合装置を、本明細書に記載のシステムに用いることができる。

一般的に、本明細書に記載の演算装置の機能は、ハードウェア又はソフトウェア内の命令で具体的に表現された演算ロジックにより実装され得る。命令は、Ｃ、Ｃ＋＋、ＣＯＢＯＬ、ＪＡＶＡ^ＴＭ、ＰＨＰ、Ｐｅｒｌ、Ｐｙｔｈｏｎ、Ｒｕｂｙ、ＨＴＭＬ、ＣＳＳ、ＪａｖａＳｒｃｉｐｔ、ＶＢＳｃｒｉｐｔ、ＡＳＰＸ、Ｃ＃などのＭｉｃｒｏｓｏｆｔ ．ＮＥＴ^ＴＭ言語などのプログラミング言語で記述することができる。演算ロジックは、実行可能なプログラムにコンパイルするか、又はインタプリタ形式のプログラミング言語によって記述してもよい。一般的に、本明細書に記載の機能は、より大きな処理能力を提供するために複製し、他のモジュールと統合し、又はサブモジュールに分割することが可能な、論理モジュールとして実装することができる。演算ロジックは、任意の種類のコンピュータ可読媒体（例えば、メモリ又は記憶媒体などの非一時的な媒体）又はコンピュータ記憶装置に記憶され、１つ以上の汎用又は専用プロセッサによって記憶及び実行されることができる。このようにして、本明細書に記載の機能を提供するように構成された、専用の演算装置が作製される。

拡張及び代替
本明細書に記載のシステム及びデバイスの多くは、代替が可能である。例えば、個々のモジュール又はサブシステムは、追加のモジュール又はサブシステムに分離することができ、又は結合してモジュール又はサブシステムの数を減らすこともできる。別の例においては、モジュール又はサブシステムは、省略することができ、又は他のモジュール又はサブシステムを補うことができる。また別の例においては、特定の装置、モジュール、又はサブシステムによって実行するものとして記載されている機能を、１つ以上の他のデバイス、モジュール、又はサブシステムによって代わりに実行してもよい。本開示のいくつかの例では、特定の配置を取る特定のハードウェアコンポーネントを備える装置が記載されているが、本明細書に記載の技術及びツールは、異なるハードウェアコンポーネント、組み合わせ、又は配置に対応するように変更することができる。さらに、本開示のいくつかの例では、特定の使用状況が記載されているが、本明細書に記載の技術及びツールは、異なる使用状況に対応するよう変更することができる。ソフトウェアに実装されるものとして記載されている機能は、その代りにハードウェアに実装することもでき、その逆もまた可能である。

本明細書に記載の技術の多くは、代替が可能である。例えば、様々な技術における処理ステージは、追加のステージに分離する、又は組み合わせてステージ数を減らすことができる。別の例においては、様々な技術における処理ステージは、省略することができ、又は他の技術又は処理ステージを補うことができる。また別の例においては、特定の順序で行うものとして記載されている処理ステージを、異なる順序で行うこともできる。さらに別の例においては、一連のステップで実行するものとして記載されている処理ステージを、１つ以上の例示される処理ステージを同時に処理する複数のモジュール又はソフトウェアプロセスによって、並列に実行してもよい。さらに別の例においては、特定の装置又はモジュールによって実行するものとして記載されている処理ステージを、１つ以上の他の装置又はモジュールによって実行してもよい。

本開示の原理、代表的な実施形態、及び動作様式を、以上のように記載した。しかしながら、保護が意図される本開示の態様は、開示されている特定の実施形態に限定されるものと解釈すべきではない。さらに、本明細書に記載の実施形態は、限定的ではなく例示的なものとみなすべきである。本開示の精神から逸脱しない範囲で、他者によってなされ得る変形及び変更、並びに均等物を用いることが可能であることは理解されよう。したがって、そのような変形、変更、及び均等物の全てが、特許請求される発明の内容の精神及び範囲内に含まれることは明らかである。

Claims (29)

1. コンピュータによって実装される方法であって、
   細胞を表すトレーニング画像から特性を抽出し、前記抽出された特性をアウトカムメタデータと関連付けることによって、細胞の前記トレーニング画像及び関連する前記アウトカムメタデータのセットを、記述文書へと自動的に変換する工程であって、前記トレーニング画像は明視野顕微鏡法を用いて得られる、工程と、
   前記記述文書に基づき、新規細胞に係るアウトカムを予測するために用いることができる決定モデルを自動的に計算する工程とを含む、
   方法。
2. 請求項１に記載の方法であって、前記抽出された特性は、細胞質境界を含む、方法。
3. 請求項２に記載の方法であって、
   エッジ検出アルゴリズムを前記画像に適用することでエッジを検出する工程、及び
   円検出アルゴリズムを前記検出されたエッジに適用することで近似細胞質境界を検出する工程
   により、前記細胞質境界を計算する、方法。
4. 請求項３に記載の方法であって、前記画像の少なくとも１つはカラー画像であり、当該方法はさらに、前記エッジ検出アルゴリズムの適用に先立って前記カラー画像をグレースケール画像に変換する工程を含む、方法。
5. 請求項３又は４に記載の方法であって、
   前記近似細胞質境界から環状マスク画像を作製する工程、及び
   元のソース画像上で画像セグメンテーションを行って連結領域を細胞質として識別する工程
   をさらに含む、
   方法。
6. 請求項２から５のいずれかに記載の方法であって、前記抽出された特性は、以下のうち１つ以上をさらに含む、方法。
   細胞質の総面積、
   細胞質のアスペクト比、
   前記細胞質境界の凸性、
   細胞質の平均画像強度、
   細胞質の画像強度の標準偏差、
   細胞質の平滑度、
   細胞質内のグリッド領域においてサブサンプルされた画像強度又は平滑度、
   細胞質テクスチャ又はテクスチャ分布、
   密度、及び
   クラスタリング。
7. 請求項６に記載の方法であって、前記細胞質の前記平均画像強度は、グレースケール画像中の識別された細胞質の対応する画素値を平均することによって計算される、方法。
8. 請求項１から７のいずれかに記載の方法であって、前記細胞が卵母細胞又は前核期胚である、方法。
9. 請求項８に記載の方法であって、前記抽出された特性は、以下のうち１つ以上を含む、方法。
   手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された、極体の境界、
   極体の存在の有無の表示、
   透明帯の内外エッジの識別、
   囲卵腔の識別、
   透明帯の前記エッジの平滑度の測定結果、
   細胞質及び透明帯の主軸の配置、
   極体、透明帯、又は囲卵腔の総面積、
   極体、透明帯、又は囲卵腔のアスペクト比、
   極体、透明帯、又は囲卵腔の境界の凸性、
   極体、透明帯、又は囲卵腔の平均画像強度、
   極体、透明帯、又は囲卵腔の画像強度の標準偏差、
   極体、透明帯、又は囲卵腔の平滑度、及び
   極体、透明帯、又は囲卵腔内のグリッド領域においてサブサンプルされた画像強度又は平滑度。
10. 請求項８又は９に記載の方法であって、前記抽出された特性は、前核を含む前核期胚に係る以下の特性のうち１つ以上を含む、方法。
    手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された、前記前核の境界の識別、
    個別に、且つ／又は互いに相対的に測定された前記前核の面積、
    個別に、且つ／又は互いに相対的に測定された前記前核のアスペクト比、
    １つ以上の前記前核の、境界の凸性、
    １つ以上の前記前核の、平均画像強度、
    １つ以上の前記前核の、画像強度の標準偏差、
    １つ以上の前記前核の、平滑度、及び
    １つ以上の前記前核内の、グリッド領域においてサブサンプルされた画像強度又は平滑度。
11. 請求項１から１０のいずれかに記載の方法であって、
    新規細胞を表す画像から特性を自動的に抽出する工程であって、前記新規細胞を表す前記画像は明視野顕微鏡法を用いて得られる、工程と、
    前記新規細胞を表す前記画像から抽出された前記特性に対して前記決定モデルを適用することで、前記新規細胞に係る１つ以上のアウトカムを予測する工程とを含む、
    方法。
12. 請求項１１に記載の方法であって、新規細胞を表す前記画像から抽出された前記特性は、前記決定モデルに含めるために選択された特性に対応する、方法。
13. 請求項１１又は１２に記載の方法であって、
    １つ以上の前記アウトカムは、
    新規卵母細胞の品質又は生殖能力、
    後期発生段階における染色体数の異常の検出の有無、
    後期発生段階における遺伝性疾患の検出の有無、及び
    細胞の異常成長に係るアウトカム、
    のうち、１つ以上を含む方法。
14. 請求項１３に記載の方法であって、
    前記新規卵母細胞の前記品質又は前記生殖能力は、前記卵母細胞がヒトの精子に接触した際受精する確率、その結果生じる受精胚が所定の発生段階に達する確率、又は前記受精胚が、子宮への移植後、生児出生に至る確率のうちの、１つ以上で表される、
    方法。
15. コンピュータによって実装される方法であって、
    新規細胞を表す特性を、新規細胞画像から自動的に抽出する工程と、
    前記新規細胞画像から抽出された前記特性に決定モデルを適用することによって、前記新規細胞に係る１つ以上のアウトカムを予測する工程とを含み、
    前記決定モデルは、アウトカムメタデータをトレーニング画像から抽出された特性と関連付ける記述文書に基づくものであり、
    前記トレーニング画像と前記新規細胞画像は、明視野顕微鏡法を用いて得られるものである、
    方法。
16. 請求項１５に記載の方法であって、前記抽出された特性が細胞質境界を含む、方法。
17. 請求項１６に記載の方法であって、
    エッジ検出アルゴリズムを適用することでエッジを検出する工程、及び
    円検出アルゴリズムを前記検出されたエッジに適用することで近似細胞質境界を検出する工程
    により、前記細胞質境界を計算する、方法。
18. 請求項１７に記載の方法であって、前記画像の少なくとも１つはカラー画像であり、当該方法はさらに、前記エッジ検出アルゴリズムの適用に先立って前記カラー画像をグレースケール画像に変換する工程を含む、方法。
19. 請求項１８に記載の方法であって、
    前記近似細胞質境界から環状マスク画像を作製する工程、及び
    元のソース画像上で画像セグメンテーションを行って連結領域を細胞質として識別する工程
    をさらに含む、
    方法。
20. 請求項１６から１９のいずれかに記載の方法であって、前記抽出された特性は、以下のうち１つ以上をさらに含む、方法。
    細胞質の総面積、
    細胞質のアスペクト比、
    前記細胞質境界の凸性、
    細胞質の平均画像強度、
    細胞質の画像強度の標準偏差、
    細胞質の平滑度、
    細胞質内のグリッド領域においてサブサンプルされた画像強度又は平滑度、
    細胞質テクスチャ又はテクスチャ分布、
    密度、及び
    クラスタリング。
21. 請求項２０に記載の方法であって、前記細胞質の前記平均画像強度は、グレースケール画像中の識別された細胞質の対応する画素値を平均することによって計算される、方法。
22. 請求項１５から２１のいずれかに記載の方法であって、前記新規細胞が卵母細胞又は前核期胚である、方法。
23. 請求項２２に記載の方法であって、
    前記新規細胞画像から抽出された前記特性、及び前記トレーニング画像から抽出された前記特性は、以下のうち１つ以上を含む、方法。
    手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された、極体の境界、
    極体の存在の有無の表示、
    透明帯の内外エッジの識別、
    囲卵腔の識別、
    透明帯の前記エッジの平滑度の測定結果、
    細胞質及び透明帯の主軸の配置、
    極体、透明帯、又は囲卵腔の総面積、
    極体、透明帯、又は囲卵腔のアスペクト比、
    極体、透明帯、又は囲卵腔の境界の凸性、
    極体、透明帯、又は囲卵腔の平均画像強度、
    極体、透明帯、又は囲卵腔の画像強度の標準偏差、
    極体、透明帯、又は囲卵腔の平滑度、及び
    極体、透明帯、又は囲卵腔内のグリッド領域においてサブサンプルされた画像強度又は平滑度。
24. 請求項２２又は２３に記載の方法であって、
    前記新規細胞画像から抽出された前記特性、及び前記トレーニング画像から抽出された前記特性は、前核を含む前核期胚に係る以下の特性のうち１つ以上を含む、方法。
    手動で、又はエッジ検出アルゴリズムを用いた画像解析によって測定された前記前核の境界の識別、
    個別に、且つ／又は互いに相対的に測定された前記前核の面積、
    個別に、且つ／又は互いに相対的に測定された前記前核のアスペクト比、
    １つ以上の前記前核の、境界の凸性、
    １つ以上の前記前核の、平均画像強度、
    １つ以上の前記前核の、画像強度の標準偏差、
    １つ以上の前記前核の、平滑度、及び
    １つ以上の前記前核内の、グリッド領域においてサブサンプルされた画像強度又は平滑度。
25. 請求項２２から２４のいずれかに記載の方法であって、
    １つ以上の前記アウトカムは、
    新規卵母細胞の品質又は生殖能力、
    後期発生段階における染色体数の異常の検出の有無、
    後期発生段階における遺伝性疾患の検出の有無、及び
    細胞の異常成長に係るアウトカム
    のうち、１つ以上を含む方法。
26. 請求項２５に記載の方法であって、
    前記新規卵母細胞の前記品質又は前記生殖能力は、前記卵母細胞がヒトの精子に接触した際受精する確率、その結果生じる受精胚が所定の発生段階に達する確率、又は前記受精胚が、子宮への移植後、生児出生に至る確率のうちの、１つ以上で表される、
    方法。
27. コンピュータ可読記憶媒体であって、
    前記記憶媒体上に、コンピュータで実行可能な命令が記憶され、
    前記命令は、１つ以上の演算装置に請求項１から２６のいずれかに記載の方法を実行させるように構成されている、
    記憶媒体。
28. 請求項１から２６のいずれかに記載の方法を実行するようにプログラムされた１つ以上の演算装置を含む、システム。
29. 請求項２８に記載のシステムであって、１つ以上の前記演算装置と統合された顕微鏡検査システムをさらに含む、システム。