特開 2024-72325 胚分類方法、コンピュータプログラム、および胚分類装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024072325

(43)【公開日】2024-05-28

(54)【発明の名称】胚分類方法、コンピュータプログラム、および胚分類装置

(51)【国際特許分類】

   C12Q 1/06 20060101AFI20240521BHJP

   G01N 21/17 20060101ALI20240521BHJP

   G01N 33/483 20060101ALI20240521BHJP

   C12M 1/00 20060101ALI20240521BHJP

   C12M 1/34 20060101ALI20240521BHJP

【ＦＩ】

C12Q1/06

G01N21/17 630

G01N33/483 C

C12M1/00 A

C12M1/34 B

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2022183037

(22)【出願日】2022-11-16

(71)【出願人】

【識別番号】000207551

【氏名又は名称】株式会社ＳＣＲＥＥＮホールディングス

(74)【代理人】

【識別番号】100135013

【弁理士】

【氏名又は名称】西田 隆美

(72)【発明者】

【氏名】長谷部 涼

【テーマコード（参考）】

2G045

2G059

4B029

4B063

【Ｆターム（参考）】

2G045CB01

2G045FA19

2G045HA16

2G045JA03

2G059AA05

2G059BB09

2G059BB14

2G059EE09

2G059FF02

2G059MM01

2G059MM03

2G059MM04

4B029AA07

4B029AA27

4B029BB11

4B029BB20

4B029FA03

4B029FA15

4B063QA18

4B063QA20

4B063QQ08

4B063QS36

4B063QX01

(57)【要約】

【課題】胚盤胞期胚を、三次元画像に基づいて定量的に分類できる技術を提供する
【解決手段】まず、光干渉断層撮影により、胚盤胞期胚の三次元画像Ｄ２を取得する。次に、三次元画像Ｄ２に基づいて、内部細胞塊の体積、内部細胞塊の厚さ、内部細胞塊の厚さ分布、栄養外胚葉の体積、栄養外胚葉の厚さ、栄養外胚葉の厚さ分布、栄養外胚葉の細胞数のうちの少なくともいずれか１つを表すパラメータＰを算出する。そして、当該パラメータＰを入力変数とし、胚盤胞期胚の分類結果を出力変数とする学習済みの機械学習モデルＭ１，Ｍ２，Ｍ３に、分類対象となる胚盤胞期胚のパラメータＰを入力し、機械学習モデルから出力される分類結果に基づいて、胚盤胞期胚を分類する。これにより、胚盤胞期胚の分類を、三次元画像Ｄ２に基づいて定量的に行うことができる。
【選択図】図３

【特許請求の範囲】

【請求項1】

胚盤胞期胚を分類する胚分類方法であって、
ａ）光干渉断層撮影により、前記胚盤胞期胚の三次元画像を取得する画像取得工程と、
ｂ）前記三次元画像に基づいて、内部細胞塊の体積、内部細胞塊の厚さ、内部細胞塊の厚さ分布、栄養外胚葉の体積、栄養外胚葉の厚さ、栄養外胚葉の厚さ分布、栄養外胚葉の細胞数のうちの少なくともいずれか１つを表すパラメータを算出するパラメータ算出工程と、
ｃ）前記パラメータを入力変数とし、前記胚盤胞期胚の分類結果を出力変数とする学習済みの機械学習モデルに、分類対象となる前記胚盤胞期胚の前記パラメータを入力し、前記機械学習モデルから出力される分類結果に基づいて、前記胚盤胞期胚を分類する分類工程と、
を有する、胚分類方法。

【請求項2】

請求項１に記載の胚分類方法であって、
前記分類結果は、前記内部細胞塊の評価結果を含む、胚分類方法。

【請求項3】

請求項１に記載の胚分類方法であって、
前記分類結果は、前記栄養外胚葉の評価結果を含む、胚分類方法。

【請求項4】

請求項１に記載の胚分類方法であって、
前記分類結果は、胚盤胞期胚の発育段階の推定結果を含む、胚分類方法。

【請求項5】

請求項１から請求項４までのいずれか１項に記載の胚分類方法であって、
前記入力変数は、前記内部細胞塊の厚さを表すパラメータとして、前記内部細胞塊の厚さの平均値、中央値、標準偏差、最小値、最大値、範囲のうちの少なくともいずれか１つを含む、胚分類方法。

【請求項6】

請求項１から請求項４までのいずれか１項に記載の胚分類方法であって、
前記入力変数は、前記内部細胞塊の厚さ分布を表すパラメータとして、前記内部細胞塊の厚さ分布の尖度、歪度、最頻値、ヒストグラムにおける各ビンの密度のうちの少なくともいずれか１つを含む、胚分類方法。

【請求項7】

請求項１から請求項４までのいずれか１項に記載の胚分類方法であって、
前記入力変数は、前記栄養外胚葉の厚さを表すパラメータとして、前記栄養外胚葉の厚さの平均値、中央値、標準偏差、最小値、最大値、範囲のうちの少なくともいずれか１つを含む、胚分類方法。

【請求項8】

請求項１から請求項４までのいずれか１項に記載の胚分類方法であって、
前記入力変数は、前記栄養外胚葉の厚さ分布を表すパラメータとして、前記栄養外胚葉の厚さ分布の尖度、歪度、最頻値、ヒストグラムにおける各ビンの密度のうちの少なくともいずれか１つを含む、胚分類方法。

【請求項9】

請求項１から請求項４までのいずれか１項に記載の胚分類方法であって、
前記入力変数は、前記栄養外胚葉の細胞数を表すパラメータとして、前記栄養外胚葉の前記内部細胞塊と重ならない部分の細胞数または細胞密度を含む、胚分類方法。

【請求項10】

請求項１から請求項４までのいずれか１項に記載の胚分類方法であって、
ｄ）前記パラメータと、前記パラメータに対応する前記胚盤胞期胚の既知の分類結果とを教師データとして、機械学習アルゴリズムにより、前記機械学習モデルを生成する学習工程
をさらに有する、胚分類方法。

【請求項11】

請求項１から請求項４までのいずれか１項に記載の胚分類方法を、コンピュータに実行させるコンピュータプログラム。

【請求項12】

胚盤胞期胚を分類する胚分類装置であって、
光干渉断層撮影により、前記胚盤胞期胚の三次元画像を取得する画像取得部と、
前記三次元画像に基づいて、内部細胞塊の体積、内部細胞塊の厚さ、内部細胞塊の厚さ分布、栄養外胚葉の体積、栄養外胚葉の厚さ、栄養外胚葉の厚さ分布、栄養外胚葉の細胞数のうちの少なくともいずれか１つを表すパラメータを算出するパラメータ算出部と、
前記パラメータを入力変数とし、前記胚盤胞期胚の分類結果を出力変数とする学習済みの機械学習モデルに、分類対象となる前記胚盤胞期胚の前記パラメータを入力し、前記機械学習モデルから出力される分類結果に基づいて、前記胚盤胞期胚を分類する分類部と、
を備える、胚分類装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、胚分類方法、コンピュータプログラム、および胚分類装置に関する。

【背景技術】

【0002】

不妊治療を目的とする生殖補助医療では、体外で受精させた胚を一定期間培養した後、胚を体内に戻すことが行われている。このような生殖補助医療においては、妊娠の成功率を高めるために、複数の胚の状態を的確に評価し、良好な胚を体内に戻すことが重要である。

【0003】

胚は、受精後、分割期を経て胚盤胞期へ至る。胚盤胞期の胚（以下「胚盤胞期胚」と称する）は、球面状の透明帯と、透明帯の中に収容された内部細胞塊および栄養外胚葉とを有する。従来、胚盤胞期胚の評価には、主にGardner分類が使用されている。Gardner分類は、胚盤胞期胚の発育段階を６段階に分類し、内部細胞塊の状態を３段階に分類し、栄養外胚葉の状態を３段階に分類するものである。従来の生殖補助医療では、胚培養士が、胚の顕微鏡画像を見ながら、Gardner分類の基準に沿って胚盤胞期胚を評価していた。

【0004】

しかしながら、従来、胚培養士が評価に使用する顕微鏡画像は、胚を一方向から見た二次元画像であるため、胚の立体的な構造を正確に把握することは難しい。そこで、近年、胚を光干渉断層撮影（Optical Coherence Tomography；ＯＣＴ）により胚を撮影し、得られた三次元画像を、胚の観察に利用することが提案されている。胚を光干渉断層撮影により撮影する従来の技術については、例えば、特許文献１に記載されている。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１９－１３３４２９号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

ただし、光干渉断層撮影により得られた三次元画像に基づいて、胚盤胞期胚の状態を定量的に分類する方法については、まだ十分に確立されていない。上述した胚培養士による主観的な判断では、胚培養士の技量によって判断に差が生じる場合がある。生殖補助医療の成功率をより高めるために、胚培養士の技量に依存することなく、三次元画像に基づいて、胚盤胞期胚の状態を定量的に分類できる技術が求められている。

【0007】

本発明は、このような事情に鑑みなされたものであり、胚盤胞期胚を、三次元画像に基づいて定量的に分類できる技術を提供することを目的とする。

【課題を解決するための手段】

【0008】

上記課題を解決するため、本願の第１発明は、胚盤胞期胚を分類する胚分類方法であって、ａ）光干渉断層撮影により、前記胚盤胞期胚の三次元画像を取得する画像取得工程と、ｂ）前記三次元画像に基づいて、内部細胞塊の体積、内部細胞塊の厚さ、内部細胞塊の厚さ分布、栄養外胚葉の体積、栄養外胚葉の厚さ、栄養外胚葉の厚さ分布、栄養外胚葉の細胞数のうちの少なくともいずれか１つを表すパラメータを算出するパラメータ算出工程と、ｃ）前記パラメータを入力変数とし、前記胚盤胞期胚の分類結果を出力変数とする学習済みの機械学習モデルに、分類対象となる前記胚盤胞期胚の前記パラメータを入力し、前記機械学習モデルから出力される分類結果に基づいて、前記胚盤胞期胚を分類する分類工程と、を有する。

【0009】

本願の第２発明は、第１発明の胚分類方法であって、前記分類結果は、前記内部細胞塊の評価結果を含む。

【0010】

本願の第３発明は、第１発明または第２発明の胚分類方法であって、前記分類結果は、前記栄養外胚葉の評価結果を含む。

【0011】

本願の第４発明は、第１発明から第３発明までのいずれか１発明の胚分類方法であって、前記分類結果は、胚盤胞期胚の発育段階の推定結果を含む。

【0012】

本願の第５発明は、第１発明から第４発明までのいずれか１発明の胚分類方法であって、前記入力変数は、前記内部細胞塊の厚さを表すパラメータとして、前記内部細胞塊の厚さの平均値、中央値、標準偏差、最小値、最大値、範囲のうちの少なくともいずれか１つを含む。

【0013】

本願の第６発明は、第１発明から第５発明までのいずれか１発明の胚分類方法であって、前記入力変数は、前記内部細胞塊の厚さ分布を表すパラメータとして、前記内部細胞塊の厚さ分布の尖度、歪度、最頻値、ヒストグラムにおける各ビンの密度のうちの少なくともいずれか１つを含む。

【0014】

本願の第７発明は、第１発明から第６発明までのいずれか１発明の胚分類方法であって、前記入力変数は、前記栄養外胚葉の厚さを表すパラメータとして、前記栄養外胚葉の厚さの平均値、中央値、標準偏差、最小値、最大値、範囲のうちの少なくともいずれか１つを含む。

【0015】

本願の第８発明は、第１発明から第７発明までのいずれか１発明の胚分類方法であって、前記入力変数は、前記栄養外胚葉の厚さ分布を表すパラメータとして、前記栄養外胚葉の厚さ分布の尖度、歪度、最頻値、ヒストグラムにおける各ビンの密度のうちの少なくともいずれか１つを含む。

【0016】

本願の第９発明は、第１発明から第８発明までのいずれか１発明の胚分類方法であって、前記入力変数は、前記栄養外胚葉の細胞数を表すパラメータとして、前記栄養外胚葉の前記内部細胞塊と重ならない部分の細胞数または細胞密度を含む。

【0017】

本願の第１０発明は、第１発明から第９発明までのいずれか１発明の胚分類方法であって、ｄ）前記パラメータと、前記パラメータに対応する前記胚盤胞期胚の既知の分類結果とを教師データとして、機械学習アルゴリズムにより、前記機械学習モデルを生成する学習工程をさらに有する。

【0018】

本願の第１１発明は、コンピュータプログラムであって、第１発明から第１０発明までのいずれか１発明の胚分類方法を、コンピュータに実行させる。

【0019】

本願の第１２発明は、胚盤胞期胚を分類する胚分類装置であって、光干渉断層撮影により、前記胚盤胞期胚の三次元画像を取得する画像取得部と、前記三次元画像に基づいて、内部細胞塊の体積、内部細胞塊の厚さ、内部細胞塊の厚さ分布、栄養外胚葉の体積、栄養外胚葉の厚さ、栄養外胚葉の厚さ分布、栄養外胚葉の細胞数のうちの少なくともいずれか１つを表すパラメータを算出するパラメータ算出部と、前記パラメータを入力変数とし、前記胚盤胞期胚の分類結果を出力変数とする学習済みの機械学習モデルに、分類対象となる前記胚盤胞期胚の前記パラメータを入力し、前記機械学習モデルから出力される分類結果に基づいて、前記胚盤胞期胚を分類する分類部と、を備える。

【発明の効果】

【0020】

本願の第１発明～第１２発明によれば、従来、二次元の顕微鏡画像に基づいて、観察者が主観的な判断で行っていた胚盤胞期胚の分類を、三次元画像に基づいて定量的に行うことができる。

【図面の簡単な説明】

【0021】

【図1】胚分類装置の構成を示した図である。

【図2】胚分類装置の制御ブロック図である。

【図3】胚盤胞期胚の分類を行うためのコンピュータの機能を、概念的に示したブロック図である。

【図4】胚盤胞期胚の構造を示した図である。

【図5】胚盤胞期胚の分類処理の流れを示したフローチャートである。

【図6】三次元画像における複数の領域を示した図である。

【図7】厚さ分布を表すヒストグラムの例を示した図である。

【発明を実施するための形態】

【0022】

以下、本発明の実施形態について、図面を参照しつつ説明する。

【0023】

＜１．胚分類装置の構成＞
図１は、本発明の一実施形態に係る分類方法を実行可能な胚分類装置１の構成を示した図である。この胚分類装置１は、試料容器９０内に保持された胚盤胞期胚９の光干渉断層撮影を行い、得られた三次元画像に基づいて、胚盤胞期胚９の状態を分類する装置である。胚盤胞期胚９は、一例としてはヒトの胚であるが、非ヒト動物の胚であってもよい。

【0024】

図１に示すように、胚分類装置１は、ステージ１０、撮像部２０、およびコンピュータ３０を備えている。

【0025】

ステージ１０は、試料容器９０を支持する支持台である。試料容器９０には、例えば、ウェルプレートが使用される。ウェルプレートは、複数のウェル（凹部）９０１を有する。各ウェル９０１は、Ｕ字状またはＶ字状の底部を有する。胚盤胞期胚９は、各ウェル９０１の底部付近に、培養液とともに保持される。試料容器９０の材料には、光を透過する透明な樹脂またはガラスが使用される。

【0026】

ステージ１０は、上下方向に貫通する開口部１１を有する。試料容器９０は、ステージ１０の当該開口部１１に嵌め込まれた状態で、水平に支持される。したがって、試料容器９０の下面は、ステージ１０に覆われることなく、撮像部２０へ向けて露出する。

【0027】

撮像部２０は、試料容器９０内の胚盤胞期胚９を撮影するユニットである。撮像部２０は、ステージ１０に支持された試料容器９０の下方に配置されている。撮像部２０は、胚盤胞期胚９の断層画像および三次元画像を取得することが可能な、光干渉断層撮影（Optical Coherence Tomography；ＯＣＴ）装置である。

【0028】

図１に示すように、撮像部２０は、光源２１、物体光学系２２、参照光学系２３、検出部２４、および光ファイバカプラ２５を有する。光ファイバカプラ２５は、第１光ファイバ２５１～第４光ファイバ２５４が、接続部２５５において連結されたものである。光源２１、物体光学系２２、参照光学系２３、および検出部２４は、光ファイバカプラ２５により構成される光路を介して、互いに接続されている。

【0029】

光源２１は、ＬＥＤ等の発光素子を有する。光源２１は、広帯域の波長成分を含む低コヒーレンス光を出射する。胚盤胞期胚９を侵襲することなく、胚盤胞期胚９の内部まで光を到達させるために、光源２１から出射される光は、近赤外線であることが望ましい。光源２１は、第１光ファイバ２５１に接続されている。光源２１から出射される光は、第１光ファイバ２５１へ入射し、接続部２５５において、第２光ファイバ２５２へ入射する光と、第３光ファイバ２５３へ入射する光とに、分岐される。

【0030】

第２光ファイバ２５２は、物体光学系２２に接続されている。接続部２５５から第２光ファイバ２５２へ進む光は、物体光学系２２へ入射する。物体光学系２２は、コリメータレンズ２２１および対物レンズ２２２を含む複数の光学部品を有する。第２光ファイバ２５２から出射された光は、コリメータレンズ２２１および対物レンズ２２２を通って、試料容器９０内の胚盤胞期胚９に照射される。このとき、対物レンズ２２２により、光が胚盤胞期胚９へ向けて収束する。そして、胚盤胞期胚９において反射した光（以下「観察光」と称する）は、対物レンズ２２２およびコリメータレンズ２２１を通って、再び第２光ファイバ２５２へ入射する。

【0031】

図１に示すように、物体光学系２２は、走査機構２２３に接続されている。走査機構２２３は、コンピュータ３０からの指令に従って、物体光学系２２を、鉛直方向および水平方向に微小移動させる。これにより、胚盤胞期胚９に対する光の入射位置を、鉛直方向および水平方向に微小移動させることができる。

【0032】

また、撮像部２０は、図示を省略した移動機構により、水平方向に移動可能となっている。これにより、撮像部２０の視野を、複数のウェル９０１の間で切り替えることができる。

【0033】

第３光ファイバ２５３は、参照光学系２３に接続されている。接続部２５５から第３光ファイバ２５３へ進む光は、参照光学系２３へ入射する。参照光学系２３は、コリメータレンズ２３１およびミラー２３２を有する。第３光ファイバ２５３から出射された光は、コリメータレンズ２３１を通って、ミラー２３２へ入射する。そして、ミラー２３２により反射された光（以下「参照光」と称する）は、コリメータレンズ２３１を通って、再び第３光ファイバ２５３へ入射する。

【0034】

図１に示すように、ミラー２３２は、進退機構２３３に接続されている。進退機構２３３は、コンピュータ３０からの指令に従って、ミラー２３２を、光軸方向に微小移動させる。これにより、参照光の光路長を変化させることができる。

【0035】

第４光ファイバ２５４は、検出部２４に接続されている。物体光学系２２から第２光ファイバ２５２へ入射した観察光と、参照光学系２３から第３光ファイバ２５３へ入射した参照光とは、接続部２５５において合流して、第４光ファイバ２５４へ入射する。そして、第４光ファイバ２５４から出射された光は、検出部２４へ入射する。このとき、観察光と参照光との間で、位相差に起因する干渉が生じる。この干渉光の分光スペクトルは、観察光の反射位置の高さによって異なる。

【0036】

検出部２４は、分光器２４１および光検出器２４２を有する。第４光ファイバ２５４から出射された干渉光は、分光器２４１において波長成分ごとに分光されて、光検出器２４２へ入射する。光検出器２４２は、分光された干渉光を検出し、その検出信号を、コンピュータ３０へ出力する。

【0037】

コンピュータ３０の後述する画像取得部４１は、光検出器２４２から得られる検出信号をフーリエ変換することで、観察光の鉛直方向の光強度分布を求める。また、走査機構２２３により、物体光学系２２を水平方向に移動させつつ、上記の光強度分布の算出を繰り返すことにより、三次元空間の各座標における観察光の光強度分布を求めることができる。その結果、コンピュータ３０は、胚盤胞期胚９の断層画像および三次元画像を得ることができる。

【0038】

断層画像は、二次元座標上に配列された複数の画素（ピクセル）により構成され、画素毎に輝度値が規定されたデータである。三次元画像は、三次元座標上に配列された複数の画素（ボクセル）により構成され、画素毎に輝度値が規定されたデータである。すなわち、断層画像および三次元画像は、いずれも、所定の座標上に輝度値が分布した撮影画像である。

【0039】

コンピュータ３０は、撮像部２０を動作制御する制御部としての機能を有する。また、コンピュータ３０は、撮像部２０から入力される検出信号に基づいて断層画像および三次元画像を作成し、得られた断層画像および三次元画像に基づいて、胚盤胞期胚９を分類するデータ処理部としての機能を有する。

【0040】

図２は、胚分類装置１の制御ブロック図である。図２中に概念的に示したように、コンピュータ３０は、ＣＰＵ等のプロセッサ３１、ＲＡＭ等のメモリ３２、およびハードディスクドライブ等の記憶部３３を有する。記憶部３３内には、胚分類装置１内の各部を動作制御するためのコンピュータプログラムである制御プログラムＣＰ１と、断層画像Ｄ１および三次元画像Ｄ２を作成して胚盤胞期胚９を分類するためのコンピュータプログラムであるデータ処理プログラムＣＰ２とが、記憶されている。

【0041】

制御プログラムＣＰ１およびデータ処理プログラムＣＰ２は、ＣＤやＤＶＤなどのコンピュータ３０により読み取り可能な記憶媒体から読み取られて、記憶部３３に記憶される。ただし、制御プログラムＣＰ１およびデータ処理プログラムＣＰ２は、ネットワーク経由でコンピュータ３０にダウンロードされるものであってもよい。

【0042】

また、図２に示すように、コンピュータ３０は、上述した光源２１、走査機構２２３、進退機構２３３、および光検出器２４２と、それぞれ通信可能に接続されている。また、コンピュータ３０は、液晶ディスプレイ等の表示部７０とも、通信可能に接続されている。コンピュータ３０は、制御プログラムＣＰ１に従って、上記の各部を動作制御する。これにより、試料容器９０に保持された胚盤胞期胚９の撮影処理が進行する。

【0043】

図３は、胚盤胞期胚９の分類を行うためのコンピュータ３０の機能を、概念的に示したブロック図である。図３に示すように、コンピュータ３０は、画像取得部４１、領域抽出部４２、パラメータ算出部４３、発育段階推定部４４、内部細胞塊評価部４５、栄養外胚葉評価部４６、および分類部４７を有する。画像取得部４１、領域抽出部４２、パラメータ算出部４３、発育段階推定部４４、内部細胞塊評価部４５、栄養外胚葉評価部４６、および分類部４７の各機能は、コンピュータ３０のプロセッサ３１が、上述したデータ処理プログラムＣＰ２に従って動作することにより、実現される。画像取得部４１、領域抽出部４２、パラメータ算出部４３、発育段階推定部４４、内部細胞塊評価部４５、栄養外胚葉評価部４６、および分類部４７が実行する処理の詳細については、後述する。

【0044】

＜２．胚盤胞期胚の分類処理について＞
続いて、上記の胚分類装置１を使用した胚盤胞期胚９の分類処理について、説明する。

【0045】

図４は、胚盤胞期胚９の構造を示した図である。胚盤胞期胚９は、受精後５～７日頃から着床までの胚である。胚は、受精後、分割期を経て胚盤胞期胚９となる。胚盤胞期胚９は、透明または半透明である。図４に示すように、胚盤胞期胚９は、球面状の透明帯９１と、透明帯９１の中に収容された内部細胞塊９２および栄養外胚葉９３とを有する。内部細胞塊（Inner Cell Mass：ICM）９２は、成長により胎児となる部分である。栄養外胚葉（Trophectoderm：TE）９３は、成長により胎盤となる部分である。内部細胞塊９２および栄養外胚葉９３は、いずれも、複数の細胞により構成されている。また、透明帯９１内には、内部細胞塊９２および栄養外胚葉９３に囲まれた胚盤胞腔９４が存在する。

【0046】

胚盤胞期胚９は、第１初期胚盤胞、第２初期胚盤胞、完全胚盤胞、拡張胚盤胞、脱出胚盤胞、孵化胚盤胞の６段階の発育過程を経る。第１初期胚盤胞では、透明帯９１内の胚盤胞腔９４の割合が、５０％未満である。第２初期胚盤胞では、透明帯９１内の胚盤胞腔９４の割合が、５０％以上となる。完全胚盤胞では、透明帯９１内の胚盤胞腔９４の割合が、ほぼ最大化する。拡張胚盤胞では、胚盤胞期胚９が大きくなるとともに、透明帯９１が薄くなる。脱出胚盤胞では、内部細胞塊９２および栄養外胚葉９３が、透明帯９１から孵化する。孵化胚盤胞では、内部細胞塊９２および栄養外胚葉９３の透明帯９１からの孵化が完了する。

【0047】

この胚分類装置１は、胚盤胞期胚９の発育段階、内部細胞塊９２の状態、および栄養外胚葉９３の状態を評価することにより、良好に培養が進んでいる胚盤胞期胚９を選別する。

【0048】

図５は、胚盤胞期胚９の分類処理の流れを示したフローチャートである。胚分類装置１において胚盤胞期胚９の分類を行うときには、まず、ステージ１０に試料容器９０をセットする（ステップＳ１：準備工程）。試料容器９０内には、培養液とともに胚盤胞期胚９が保持されている。

【0049】

次に、胚分類装置１は、撮像部２０により、胚盤胞期胚９の撮影を行う（ステップＳ２：画像取得工程）。撮像部２０は、光干渉断層撮影を行う。具体的には、光源２１から光を出射し、走査機構２２３により物体光学系２２を微少移動させながら、観察光および参照光の干渉光を、波長成分ごとに、光検出器２４２で検出する。コンピュータ３０の画像取得部４１は、光検出器２４２から出力される検出信号に基づいて、胚盤胞期胚９の各座標位置における光強度分布を算出する。これにより、胚盤胞期胚９の断層画像Ｄ１および三次元画像Ｄ２が得られる。

【0050】

胚分類装置１は、１つの胚盤胞期胚９について、複数の断層画像Ｄ１と、１つの三次元画像Ｄ２とを取得する。また、胚分類装置１は、撮影対象となるウェル９０１を変更しながら、ステップＳ２の処理を繰り返すことにより、複数の胚盤胞期胚９の断層画像Ｄ１および三次元画像Ｄ２を取得する。得られた断層画像Ｄ１および三次元画像Ｄ２は、コンピュータ３０の記憶部３３に記憶される。また、コンピュータ３０は、得られた断層画像Ｄ１および三次元画像Ｄ２を、表示部７０に表示する。

【0051】

次に、コンピュータ３０の領域抽出部４２は、胚盤胞期胚９の三次元画像Ｄ２において、複数の領域を抽出する（ステップＳ３，領域抽出工程）。具体的には、領域抽出部４２は、胚盤胞期胚９の三次元画像Ｄ２において、胚盤胞期胚９全体に相当する胚全体領域Ａ０、透明帯９１に相当する透明帯領域Ａ１、内部細胞塊９２に相当するＩＣＭ領域Ａ２、および栄養外胚葉９３に相当するＴＥ領域Ａ３を、それぞれ抽出する。

【0052】

図６は、ステップＳ３において抽出された複数の領域を示した図である。図６のように、領域抽出部４２は、まず、三次元画像Ｄ２から胚全体領域Ａ０を抽出する。次に、領域抽出部４２は、胚全体領域Ａ０の外表面から所定厚さの略球面状の領域を、透明帯領域Ａ１として抽出する。次に、領域抽出部４２は、胚全体領域Ａ０から透明帯領域Ａ１を除いた残りの領域（以下「内部領域Ａｉ」と称する）を特定する。この内部領域Ａｉは、ＩＣＭ領域Ａ２とＴＥ領域Ａ３とを含む。

【0053】

続いて、領域抽出部４２は、内部領域Ａｉにおいて、中心点Ｇに対する半径方向の厚みが相対的に小さい部分の厚みを、ＴＥ領域Ａ３の厚みとして求める。そして、領域抽出部４２は、内部領域Ａｉの外表面から、ＴＥ領域Ａ３の厚み分の略球面状の領域を除いた残りの領域を、ＩＣＭ領域Ａ２として抽出する。その後、領域抽出部４２は、内部領域ＡｉからＩＣＭ領域Ａ２を除いた残りの領域を、ＴＥ領域Ａ３として抽出する。

【0054】

コンピュータ３０は、領域抽出部４２により抽出された胚全体領域Ａ０、透明帯領域Ａ１、ＩＣＭ領域Ａ２、およびＴＥ領域Ａ３を、記憶部３３に記憶する。また、コンピュータ３０は、表示部７０に表示された三次元画像Ｄ２において、透明帯領域Ａ１、ＩＣＭ領域Ａ２、およびＴＥ領域Ａ３を、領域毎に色分けするなどして表示してもよい。

【0055】

次に、コンピュータ３０のパラメータ算出部４３が、上記の各領域Ａ０，Ａ１，Ａ２，Ａ３に基づいて、複数のパラメータＰＭを算出する（ステップＳ４：パラメータ算出工程）。複数のパラメータＰＭは、次の（１）～（７）のうちの少なくともいずれか１つを表すパラメータＰＭを含む。
（１）内部細胞塊９２の体積
（２）内部細胞塊９２の厚さ
（３）内部細胞塊９２の厚さ分布
（４）栄養外胚葉９３の体積
（５）栄養外胚葉９３の厚さ
（６）栄養外胚葉９３の厚さ分布
（７）栄養外胚葉９３の細胞数

【0056】

（１）内部細胞塊９２の体積
パラメータ算出部４３は、上述したＩＣＭ領域Ａ２に基づいて、内部細胞塊９２の体積を表すパラメータＰＭを算出する。例えば、パラメータ算出部４３は、ＩＣＭ領域Ａ２を構成するボクセルの数を、内部細胞塊９２の体積を表すパラメータＰＭとする。ただし、パラメータ算出部４３は、実空間中における１ボクセルあたりの体積に、ＩＣＭ領域Ａ２を構成するボクセルの数を乗算することにより、実空間における内部細胞塊９２の体積を算出してもよい。

【0057】

（２）内部細胞塊９２の厚さ
パラメータ算出部４３は、上述したＩＣＭ領域Ａ２に基づいて、内部細胞塊９２の厚さを表すパラメータＰＭを算出する。例えば、パラメータ算出部４３は、図６のように、胚全体領域Ａ０の重心Ｇを中心とする半径方向における、ＩＣＭ領域Ａ２の厚さｗ２を、内部細胞塊９２の厚さを表すパラメータＰＭとする。また、パラメータ算出部４３は、ＩＣＭ領域Ａ２の多点における厚さｗ２を算出し、それらの平均値、中央値、標準偏差、最小値、最大値、範囲のうちの少なくともいずれか１つを、内部細胞塊９２の厚さを表すパラメータＰＭとして算出してもよい。

【0058】

（３）内部細胞塊９２の厚さ分布
パラメータ算出部４３は、上述したＩＣＭ領域Ａ２に基づいて、内部細胞塊９２の厚さ分布を表すパラメータＰＭを算出する。例えば、パラメータ算出部４３は、ＩＣＭ領域Ａ２の上述した多点における厚さｗ２を集計し、それらの尖度、歪度、および最頻値のうちの少なくともいずれか１つを、内部細胞塊９２の厚さ分布を表すパラメータＰＭとして算出する。

【0059】

また、図７のように、パラメータ算出部４３は、ＩＣＭ領域Ａ２の多点における厚さｗ２に基づいて、ヒストグラムＨを作成してもよい。そして、パラメータ算出部４３は、当該ヒストグラムＨの各ビンＢの全体に対する密度（density）を、内部細胞塊９２の厚さ分布を表すパラメータＰＭとして算出してもよい。

【0060】

（４）栄養外胚葉９３の体積
パラメータ算出部４３は、上述したＴＥ領域Ａ３に基づいて、栄養外胚葉９３の体積を表すパラメータＰＭを算出する。例えば、パラメータ算出部４３は、ＴＥ領域Ａ３を構成するボクセルの数を、栄養外胚葉９３の体積を表すパラメータＰＭとする。ただし、パラメータ算出部４３は、実空間中における１ボクセルあたりの体積に、ＴＥ領域Ａ３を構成するボクセルの数を乗算することにより、実空間における栄養外胚葉９３の体積を算出してもよい。

【0061】

（５）栄養外胚葉９３の厚さ
パラメータ算出部４３は、上述したＴＥ領域Ａ３に基づいて、栄養外胚葉９３の厚さを表すパラメータＰＭを算出する。例えば、パラメータ算出部４３は、図６のように、胚全体領域Ａ０の重心Ｇを中心とする半径方向における、ＴＥ領域Ａ３の厚さｗ３を、栄養外胚葉９３の厚さを表すパラメータＰＭとする。また、パラメータ算出部４３は、ＴＥ領域Ａ３の多点における厚さｗ３を算出し、それらの平均値、中央値、標準偏差、最小値、最大値、範囲のうちの少なくともいずれか１つを、栄養外胚葉９３の厚さを表すパラメータＰＭとして算出してもよい。

【0062】

（６）栄養外胚葉９３の厚さ分布
パラメータ算出部４３は、上述したＴＥ領域Ａ３に基づいて、栄養外胚葉９３の厚さ分布を表すパラメータＰＭを算出する。例えば、パラメータ算出部４３は、ＴＥ領域Ａ３の上述した多点における厚さｗ３を集計し、それらの尖度、歪度、および最頻値のうちの少なくともいずれか１つを、栄養外胚葉９３の厚さ分布を表すパラメータＰＭとして算出する。

【0063】

また、図７と同様に、パラメータ算出部４３は、ＴＥ領域Ａ３の多点における厚さｗ３に基づいて、ヒストグラムＨを作成してもよい。そして、パラメータ算出部４３は、当該ヒストグラムＨの各ビンＢの全体に対する密度（density）を、栄養外胚葉９３の厚さ分布を表すパラメータＰＭとして算出してもよい。

【0064】

（７）栄養外胚葉９３の細胞数
パラメータ算出部４３は、上述したＴＥ領域Ａ３に基づいて、栄養外胚葉９３の細胞数を表すパラメータＰＭを算出する。例えば、パラメータ算出部４３は、ＴＥ領域Ａ３のうち、ＩＣＭ領域Ａ２と半径方向に重ならない部分（以下「非重複ＴＥ領域Ａ３１」と称する）において、厚さｗ３のピーク点Ｐの数を求める。そして、当該ピーク点Ｐの数に基づいて、栄養外胚葉９３の細胞数を表すパラメータＰＭを算出する。

【0065】

ただし、非重複ＴＥ領域Ａ３１におけるピーク点Ｐの数は、栄養外胚葉９３の内部細胞塊９２と重なる部分における細胞数を反映していない。このため、パラメータ算出部４３は、上記のピーク点Ｐの数により算出される細胞数を、非重複ＴＥ領域Ａ３１の体積で除算することにより、栄養外胚葉９３の細胞密度を算出してもよい。そして、当該細胞密度を、栄養外胚葉９３の細胞数を表すパラメータＰＭとしてもよい。

【0066】

また、パラメータ算出部４３は、上記の細胞密度に、ＴＥ領域Ａ３の体積を乗算することにより、栄養外胚葉９３の全体における細胞数を表すパラメータＰＭを算出してもよい。

【0067】

コンピュータ３０は、パラメータ算出部４３により算出された複数のパラメータＰＭを、記憶部３３に記憶する。また、コンピュータ３０は、パラメータ算出部４３により算出された複数のパラメータＰＭを、表示部７０に表示してもよい。

【0068】

次に、コンピュータ３０の発育段階推定部４４が、胚盤胞期胚９の発育段階を評価する（ステップＳ５）。コンピュータ３０の記憶部３３には、胚盤胞期胚９の発育段階を推定するための発育段階推定モデルＭ１が記憶されている。発育段階推定モデルＭ１は、上述した複数のパラメータＰＭのうちの少なくともいずれか１つを入力変数とし、発育段階の推定結果を出力変数とする学習済みの機械学習モデルである。

【0069】

発育段階推定モデルＭ１は、予め、教師あり機械学習アルゴリズムを用いた機械学習により作成される。機械学習を行うときには、上述したパラメータＰＭと、当該パラメータＰＭに対応する胚盤胞期胚９の既知の発育段階との組み合わせを多数用意する。そして、それらの組み合わせを教師データとして、教師あり機械学習アルゴリズムにより、学習モデルの更新を行う。その結果、入力されたパラメータＰＭに基づいて、胚盤胞期胚９の発育段階を精度よく出力できる、発育段階推定モデルＭ１が作成される。

【0070】

ステップＳ５では、発育段階推定部４４が、ステップＳ４において算出されたパラメータＰＭを、発育段階推定モデルＭ１に入力する。そうすると、発育段階推定モデルＭ１から、当該胚盤胞期胚９の発育段階の推定結果が出力される。

【0071】

発育段階推定部４４は、Gardner分類に合わせて、第１初期胚盤胞、第２初期胚盤胞、完全胚盤胞、拡張胚盤胞、脱出胚盤胞、孵化胚盤胞の６段階で、胚盤胞期胚９の発育段階を推定する。ただし、発育段階の分け方は、必ずしもGardner分類の通りでなくてもよい。

【0072】

続いて、コンピュータ３０の内部細胞塊評価部４５が、内部細胞塊９２の状態を評価する（ステップＳ６）。コンピュータ３０の記憶部３３には、内部細胞塊９２の状態を評価するための内部細胞塊評価モデルＭ２が記憶されている。内部細胞塊評価モデルＭ２は、上述した複数のパラメータＰＭのうちの少なくともいずれか１つを入力変数とし、内部細胞塊９２の評価結果を出力変数とする学習済みの機械学習モデルである。

【0073】

内部細胞塊評価モデルＭ２は、予め、教師あり機械学習アルゴリズムを用いた機械学習により作成される。機械学習を行うときには、上述したパラメータＰＭと、当該パラメータＰＭに対応する内部細胞塊９２の既知の評価結果との組み合わせを多数用意する。そして、それらの組み合わせを教師データとして、教師あり機械学習アルゴリズムにより、学習モデルの更新を行う。その結果、入力されたパラメータＰＭに基づいて、内部細胞塊９２の評価結果を精度よく出力できる、内部細胞塊評価モデルＭ２が作成される。

【0074】

ステップＳ６では、内部細胞塊評価部４５が、ステップＳ４において算出されたパラメータＰＭを、内部細胞塊評価モデルＭ２に入力する。そうすると、内部細胞塊評価モデルＭ２から、当該胚盤胞期胚９の内部細胞塊９２の評価結果が出力される。

【0075】

内部細胞塊評価部４５は、Gardner分類に合わせて、内部細胞塊９２の状態をＡ～Ｃの３段階に評価する。Ａは、内部細胞塊９２の細胞数が多く密であることを示す。Ｂは、内部細胞塊９２の細胞数がＡよりも少なく疎であることを示す。Ｃは、内部細胞塊９２に細胞がほとんど認められないことを示す。ただし、内部細胞塊９２の評価基準は、必ずしもGardner分類の通りでなくてもよい。

【0076】

続いて、コンピュータ３０の栄養外胚葉評価部４６が、栄養外胚葉９３の状態を評価する（ステップＳ７）。コンピュータ３０の記憶部３３には、栄養外胚葉９３の状態を評価するための栄養外胚葉評価モデルＭ３が記憶されている。栄養外胚葉評価モデルＭ３は、上述した複数のパラメータＰＭのうちの少なくともいずれか１つを入力変数とし、栄養外胚葉９３の評価結果を出力変数とする学習済みの機械学習モデルである。

【0077】

栄養外胚葉評価モデルＭ３は、予め、教師あり機械学習アルゴリズムを用いた機械学習により作成される。機械学習を行うときには、上述したパラメータＰＭと、当該パラメータＰＭに対応する栄養外胚葉９３の既知の評価結果との組み合わせを多数用意する。そして、それらの組み合わせを教師データとして、教師あり機械学習アルゴリズムにより、学習モデルの更新を行う。その結果、入力されたパラメータＰＭに基づいて、栄養外胚葉９３の評価結果を精度よく出力できる、栄養外胚葉評価モデルＭ３が作成される。

【0078】

ステップＳ７では、栄養外胚葉評価部４６が、ステップＳ４において算出されたパラメータＰＭを、栄養外胚葉評価モデルＭ３に入力する。そうすると、栄養外胚葉評価モデルＭ３から、当該胚盤胞期胚９の栄養外胚葉９３の評価結果が出力される。

【0079】

栄養外胚葉評価部４６は、Gardner分類に合わせて、栄養外胚葉９３の状態をＡ～Ｃの３段階に評価する。Ａは、栄養外胚葉９３の細胞数が多く密であることを示す。Ｂは、栄養外胚葉９３の細胞数がＡよりも少なく疎であることを示す。Ｃは、栄養外胚葉９３の細胞数がＢよりもさらに少なく細胞が大きいことを示す。ただし、栄養外胚葉９３の評価基準は、必ずしもGardner分類の通りでなくてもよい。

【0080】

なお、コンピュータ３０は、ステップＳ５～Ｓ７を、上記とは異なる順序で実行してもよい。また、コンピュータ３０は、ステップＳ５～Ｓ７を、同時に実行してもよい。

【0081】

その後、コンピュータ３０の分類部４７が、上述したステップＳ５～Ｓ７の結果に基づいて、胚盤胞期胚９を分類する（ステップＳ８，分類工程）。例えば、ステップＳ５において胚盤胞期胚９の発育段階が６段階に推定され、ステップＳ６において内部細胞塊９２の状態が３段階に評価され、ステップＳ７において栄養外胚葉９３の状態が３段階に評価された場合、分類部４７は、それらの結果を使って、胚盤胞期胚９を６×３×３の５４グループに分類することができる。すなわち、本実施形態では、上述した発育段階の推定結果、内部細胞塊９２の評価結果、および栄養外胚葉９３の評価結果が、それぞれ分類結果として使用される。

【0082】

コンピュータ３０は、胚盤胞期胚９の分類結果を記憶部３３に記憶する。また、コンピュータ３０は、胚盤胞期胚９の分類結果を表示部７０に表示する。

【0083】

以上のように、本実施形態では、コンピュータ３０が、三次元画像Ｄ２に基づいて、胚盤胞期胚９に関する複数のパラメータＰＭを算出する。そして、コンピュータ３０が、当該パラメータＰＭを機械学習モデルへ入力し、機械学習モデルから出力される分類結果に基づいて、胚盤胞期胚９を分類する。このため、従来、二次元の顕微鏡画像に基づいて観察者が主観的な判断で行っていた胚盤胞期胚９の分類を、三次元画像Ｄ２に基づいて定量的に行うことができる。これにより、三次元画像Ｄ２に基づく精度のよい分類結果を得ることができる。したがって、本実施形態の分類方法を使用すれば、生殖補助医療における着床率、妊娠率などの成績を向上させることができる。また、胚培養士の負担を減らすことができるとともに、胚培養士の技量に依存しない客観的な胚盤胞期胚９の分類結果を得ることができる。

【0084】

＜３．変形例＞
以上、本発明の一実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。

【0085】

上記の実施形態では、分類部４７が、胚盤胞期胚９の発育段階を６段階に分類し、内部細胞塊９２の状態を３段階に分類し、栄養外胚葉９３の状態を３段階に分類していた。しかしながら、分類部４７は、他の態様で、胚盤胞期胚９を分類するものであってもよい。例えば、分類部４７は、胚盤胞期胚９の発育段階、内部細胞塊９２の状態、および栄養外胚葉９３の状態のうちのいずれか１つまたは２つのみを分類するものであってもよい。また、分類部４７は、三次元画像Ｄ２から算出されたパラメータＰＭに基づいて、胚盤胞期胚９を「良好胚」と「非良好胚」の２種類のみに分類するものであってもよい。

【0086】

また、上記の実施形態では、光干渉断層撮影により取得した三次元画像Ｄ２のみに基づいて、胚盤胞期胚９に関するパラメータＰＭを算出していた。しかしながら、パラメータ算出部４３は、光干渉断層撮影により取得した断層画像Ｄ１および三次元画像Ｄ２に基づいて、胚盤胞期胚９に関するパラメータＰＭを算出してもよい。また、パラメータ算出部４３は、光干渉断層撮影により取得した三次元画像Ｄ２と、別途取得した顕微鏡画像とに基づいて、胚盤胞期胚９に関するパラメータＰＭを算出してもよい。

【0087】

また、機械学習モデルに入力されるパラメータＰＭは、上述した（１）～（７）に限定されるものではない。例えば、胚盤胞期胚９全体の体積や、透明帯９１の厚さなどを、パラメータＰＭとして追加してもよい。

【0088】

上記の実施形態では、試料容器９０が、複数のウェル（凹部）９０１を有するウェルプレートであった。そして、各ウェル９０１に、１つの胚盤胞期胚９が保持されていた。しかしながら、胚盤胞期胚９を保持する試料容器９０は、ウェルプレートには限らない。例えば、試料容器９０は、１つの凹部のみを有するディッシュであってもよい。

【0089】

また、上記の実施形態や変形例に登場した各要素を、矛盾が生じない範囲で、適宜に組み合わせてもよい。

【符号の説明】

【0090】

１ 胚分類装置
９ 胚盤胞期胚
１０ ステージ
２０ 撮像部
３０ コンピュータ
４１ 画像取得部
４２ 領域抽出部
４３ パラメータ算出部
４４ 発育段階推定部
４５ 内部細胞塊評価部
４６ 栄養外胚葉評価部
４７ 分類部
７０ 表示部
９０ 試料容器
９１ 透明帯
９２ 内部細胞塊
９３ 栄養外胚葉
Ａ０ 胚全体領域
Ａ１ 透明帯領域
Ａ２ ＩＣＭ領域
Ａ３ ＴＥ領域
ＣＰ１ 制御プログラム
ＣＰ２ データ処理プログラム
Ｄ１ 断層画像
Ｄ２ 三次元画像
Ｇ 中心点
Ｈ ヒストグラム
Ｍ１ 発育段階推定モデル
Ｍ２ 内部細胞塊評価モデル
Ｍ３ 栄養外胚葉評価モデル
ＰＭ パラメータ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】