1.本公开涉及数字图像处理和数字数据处理系统的领域及对应的图像数据处理框架；具体地说，涉及用于辅助生殖技术和卵巢诱导的自适应数字图像处理框架。
背景技术：
：：2.在这一部分中论述的主题不应仅因在此部分中提及而被假定为现有技术。同样，在这一部分中提及或与作为背景提供的主题相关联的问题不应假定为先前在现有技术中已经被识别。这一部分中的主题仅代表不同的方法，这些方法本身还可对应于要求保护的技术的实施方案。3.一般来说，不孕症被定义为在一年(或更长)的无保护性行为后不能怀孕(受孕)。体外受精(ivf)是许多不孕夫妇的医疗选择。不孕症可由多种疾病引起，包含男性因素和女性因素，女性因素有输卵管阻塞、卵子数量减少、卵子质量下降、排卵障碍、子宫内膜异位症、盆腔粘连，以及不明原因。最积极的不孕症治疗形式被称为辅助生殖技术(art)，具体指从女性卵巢中提取卵子(即，卵细胞)、在体外受精并将产生的胚胎移植回患者子宫的技术。art的目标是确定最佳胚胎并将其返回患者子宫。art成功的一个基本部分是为单个患者创造尽可能高质量的卵子。卵子的质量和成熟度直接预测卵子受精成为胚胎的可能性和胚胎的质量。所得胚胎的质量可预测着床率，着床率被定义为(每次胚胎移植的妊娠率)和总妊娠率(如果进行多个胚胎移植)。子宫内膜的厚度和发育模式(子宫内壁和胚胎着床位置)也可以预测着床率和妊娠率。4.卵巢卵泡含有被颗粒细胞包围的卵母细胞。在不同的发育阶段有四种不同类型的卵泡：原始卵泡、初级卵泡、次级卵泡和三级卵泡(或窦状卵泡)。原始卵泡的数量是真正的卵巢储备，由胎儿决定，并在女性一生中不断减少。原始卵泡由围绕卵母细胞的休眠单层颗粒细胞组成。它们是静止的，但根据促进增殖和凋亡(即细胞死亡)的因素之间的敏感平衡来启动生长。当变成初级卵泡时，颗粒细胞开始复制并变成立方体。卵母细胞周围形成一种糖蛋白聚合物囊，即透明带，将卵母细胞与颗粒细胞隔开。当成为次级卵泡时，围绕卵泡外层的基质样卵泡膜细胞经历细胞分化，形成卵泡外膜和卵泡内膜，它们由毛细血管网络隔开。与卵母细胞相邻的充满液体的腔也就是窦的形成定义了三级或窦状卵泡。由于没有可用的测试来评估真实的卵巢储备，卵巢窦状卵泡计数(afc)被认为是一个很好的替代标志物。可以使用经阴道超声(us)来确定卵巢窦状卵泡并对其计数。afc经常在育龄女性中进行评估，原因多种多样，包含预测绝经风险、怀疑高雄激素血症无排卵继发排卵功能障碍、不孕症检查和辅助生殖技术。5.超声(us)成像已成为接受art的女性评估和管理不孕症的不可或缺的工具。卵巢储备减少和卵巢功能障碍是不孕的主要原因，卵巢是不孕女性最常见的超声扫描器官。不孕症评估的第一步是确定卵巢状态、卵巢储备和随后的卵泡监测。经阴道us可以识别卵巢窦状卵泡并对其手动计数。当窦状卵泡直径达到2毫米(mm)时，us可以更轻易地识别它们，这与对促卵泡激素(fsh)的敏感性增加相吻合。测量在2和10mm之间的窦状卵泡是“可募集的(recruitable)”，而大于10mm的窦状卵泡通常被称为“优势”卵泡。卵巢的形态(如正常、多囊(polycystic或multicystic))、异常(如囊肿、皮样囊肿、子宫内膜瘤、肿瘤等)、排卵监测中的卵泡生长以及排卵和黄体形成和功能的证据均被成像。排卵扫描使医生能够准确地确定可募集卵子的数量、每个卵泡的卵子成熟度以及排卵的适当时间。一般来说，在不孕症治疗过程中，经常进行二维(2d)us扫描以显示生长中的卵泡，并对卵巢中的所有卵泡(通常为10到15个卵泡)进行测量以确定每个卵泡的平均卵泡大小。这在患者服用药物(如促性腺激素治疗)的10天内进行4至6次。每个患者进行超声检查所需的典型时间约为10至15分钟，外加将数据输入电子医疗记录(emr)系统(约5分钟)或电子健康记录系统(ehr)所需的额外时间。根据卵泡的数量和大小，卵巢分为三种类型。囊性卵巢是指含有一到两个直径大于28mm的卵泡的卵巢。多囊卵巢是指含有十二个或更多个直径小于10mm的卵泡的卵巢。含有一到十个直径为2-10mm的窦状卵泡及一个或多个10-28mm大小的窦状卵泡也就是“优势”卵泡的卵巢被视为正常卵巢。6.目前对卵泡的2dus测量是在假设其为圆形的情况下进行的，但通常卵泡形状不规则，从而导致测量不准确。us在测量毫米尺寸的对象时也存在显著的人体变异性，这进一步使得使用这种模式进行卵泡监测的准确性复杂化。使用2dus也很难识别卵巢中的所有卵泡，导致经常遗漏测量。最后一个但并非最不重要的难题是超声心动图的观察者间卵泡大小测量的变异性，这需要医生在检查期间进行进一步审查。随着三维(3d)超声的出现，分辨率随着数据连接而稳步提高。卵巢的3d超声测量只需将探头放入阴道，使其指向卵巢，然后按下按钮即可完成。3d-us成像具有检查时间较短的优点，因为它能够存储采集的数据进行离线分析，并且具有更好的观察者间可靠性。然而，自动体积计算(sonoavc；ge医疗系统)技术等新特征可能会错误地将相邻卵泡和卵巢外组织识别为仅一个卵泡。尽管有所改进，但在进行卵泡计数的最佳us技术上还没有达成共识。目前可用的所有半自动化方法都有其优缺点，并且受操作人员偏好和技能的影响，这容易导致不准确和变化。7.从数字数据处理系统的角度来看，卵泡是卵巢超声图像中的关注区域(roi)，可以使用图像处理技术进行检测。基本的图像处理步骤，即预处理、分割、特征提取和分类，可以应用于这项复杂的精确卵泡识别任务。然而，形成具有相干能量的图像的成像模式(如us)会受到散斑噪声的影响，这可能会影响计算机辅助诊断(cad)等自动化操作的性能，cad是一种例如可以区分良恶性病变组织进行癌症诊断的系统。在art的背景下，cad有助于解决手动卵泡分割、大小确定、计数和卵巢分类的繁琐和耗时的问题，其中准确度要求操作员技能和医学专业知识。在图像分类过程中，任务是指定对象的存在或不存在；对对象计数的任务还需要推理来确定场景中存在的对象实例的数量。8.散斑(声学干扰)是指组织内固有的颗粒外观，由声束与大约一个波长或更小的小尺度界面的相互作用产生。这些非镜面反射器向各个方向散射光束。来自这些单独小界面的散射通过干涉图案组合，形成可视化的颗粒外观。散斑在组织内表现为噪声，降低了空间分辨率和对比度分辨率，但也赋予了组织其特征图像纹理。散斑特征取决于成像系统的特性(例如，超声频率、波束形状)和组织的特性(例如，散射对象大小分布、声阻抗差异)。散斑是一种局部相关的乘性噪声，它可能会严重影响自动操作(如分类和分割)的性能，目的是为最终用户提取有价值的信息。已经提出了许多方法来抑制散斑，同时保留相关的图像特征。这些方法大多依赖于原始或变换域中信号和散斑的详细经典统计模型。需要替代方法来提高us分辨率，以提高afc准确性和artcad。9.机器学习(ml)这一新兴领域，特别是深度学习，对医学成像模式产生了重大影响。深度学习(dl)是一种新的ml形式，它极大地提高了机器学习任务的性能。dl使用人工神经网络(ann)，它由多层相互关联的线性或非线性数学变换组成，这些数学变换应用于数据，目的是解决对象分类等问题。dl性能水平高于经典ml，不需要人工识别和计算关键特征。相反，在训练期间，dl算法“学习”最能预测结果的判别特征。训练dl系统所需的人工工作量较少，因为它不需要特征工程或计算。当涉及到医学图像分析领域时，数据集往往不足以充分发挥dl的潜力。在计算机视觉领域，迁移学习和微调通常用于解决小数据集的问题。一般来说，dl算法识别图像的重要特征，并通过调整其内部参数对这些特征进行适当的加权，从而对新数据进行预测，由此完成识别、分割、分类或分级，并显示出强大的处理能力和完整的信息保持。10.基于深度学习的cad的优越性最近被报道用于多种疾病，包含胃癌、糖尿病视网膜病变、心律失常、皮肤癌和大肠息肉。在这些研究中探索了多种图像类型，包含病理切片、心电图和放射图像。针对特定疾病的训练有素的算法可以提高医生或医学专家的诊断准确性和工作效率，使他们从重复性任务中解放出来，并提高诊断准确性，特别是在存在肉眼无法检测到的细微病变时。dl算法可以通过调节学习速率、网络架构和激活函数等超参数进行优化。因此，基于dl的cad具有提高art性能的潜力。11.卷积神经网络(cnn)或convnet是dl网络架构，最近已成功用于图像分割、分类、对象检测和识别任务，在许多具有挑战性的应用中打破了性能基准。医学图像分析应用在很大程度上依赖于特征工程方法，其中算法管道用于使用分割算法明确描绘所关注的结构，以测量这些结构的预定义特征，这些结构被认为是预测性的，并使用这些特征训练预测患者结果的模型。相比之下，cnn的特征学习范式自适应地学习将图像变换为特定学习目标的高度预测性特征。图像和患者标签被呈现到由卷积滤波器的互连层构成的网络，卷积滤波器突出图像中的重要图案，并且滤波器和网络的其它参数在数学上被调适用于最小化预测误差。特征学习避免了对特征有偏见的先验定义，并且不需要使用经常被伪影混淆的分割算法。12.cnn由多层组成，其中有处理输入图像部分的神经元。这些神经元的输出被平铺以形成重叠，从而提供原始图像的经滤波表示。对每一层重复此过程，直到达到最终输出，这通常是预测类别的概率。cnn的训练需要多次迭代以优化网络参数。在每次迭代期间，从输入训练集中随机选择一批样本，并通过网络层进行前向传播。为了获得最佳结果，网络内的参数通过反向传播更新以最小化成本函数。一旦经过训练，网络就可以应用于新的或未见过的数据以获得预测。cnn的主要优点是可以从训练集中自动学习特征，而无需专家知识或硬编码。提取的特征对图像变换或变化具有相对稳健性。在医学成像领域，cnn主要用于检测、分割和分类。这些任务构成了cad流程的一部分，从emr中对患者进行有效的特征提取或表型分析是此技术潜在进一步应用的关键步骤，例如使用dl技术成功完成art，该领域的专家迄今尚未考虑到这一点。13.由于emr或ehr数据的连续性，最近有许多有前景的工作将临床事件作为连续数据进行研究。其中许多工作受到自然语言建模工作的启发，因为句子可以很容易建模为信号序列。通过使用高级分析方法从这些数据中提取信息来预测治疗处方和个体患者结果越来越受到关注。特别是最近dl在图像和自然语言处理方面的成功鼓励了这些最先进的技术也应用于临床数据建模。cnn，如递归神经网络(rnn)，已被证明在语言建模和机器翻译方面具有强大的功能，由于自然语言和病历具有相同的顺序性质，因此它们更频繁地应用于医疗事件数据以进行预测。dl和更具体地说rnn未被考虑用于改进art的性能，这为通过应用这些技术(如本技术的公开中所体现的技术)在art领域中进行重大的新改进留下了机会。14.执行art的一个基本组成部分是刺激卵巢产生多个卵子。在自然周期中，一个典型的女性每月在两个卵巢之间交替产生一个卵子。对于art，施用外源性促性腺激素，主要是促卵泡激素(如fsh)，将促使每个卵巢平均产生10到15个卵子，这些卵子在充满液体的卵巢卵泡中生长。随着卵泡的生长，它们越来越依赖促性腺激素来继续发育和生存。fsh促进颗粒细胞增殖和分化，使卵泡增大。在为期10天的药物治疗期间，卵泡从其静止大小3-7mm增长至20mm，在此期间，剂量根据卵巢反应进行调整。在服用药物的10天内，进行3到4次us以测量卵泡大小并监测反应。卵泡的大小可以预测卵泡中有卵子的可能性、卵子的质量以及卵子成熟的可能性。15.art成功的一个关键因素是为个体患者创造尽可能高质量的卵子。卵子的质量和成熟度直接预测卵子受精成为胚胎的可能性，并预测胚胎的质量。所得胚胎的质量可预测着床率，着床率被定义为(每次胚胎移植的妊娠率)和总妊娠率(如果进行多个胚胎移植)。可用卵母细胞的数量和质量是art成功率的关键因素。16.患者护理面临的挑战之一是卵子的初始大小和生长速度并不相同。因此，在刺激期间的任何时间，卵泡的大小都会发生变化。因此，患者取卵的时间(事件发生时间)是根据试图确定大多数卵泡何时成熟。有时，这需要延长卵巢刺激时间，以有效地过度刺激部分卵泡，从而使大部分卵泡处于成熟范围。这种卵泡监测技术结合经阴道us和血液中雌二醇和孕酮的测量进行。art的成功将得益于超声成像、卵泡监测、大小测定、计数、激素水平测定和周期天数与重要临床事件发生时间的自动连接和协调，重要临床事件发生时间例如卵泡成熟度、卵子成熟度、胚胎数量、囊胚发育和妊娠率。dl有可能改善art，因为在最佳卵泡提取和着床时间方面，患者数据稀少。17.生存分析是预测事件发生前的持续时间。传统的生存建模假设持续时间遵循未知分布。cox比例风险模型是其中最流行的模型之一。cox模型及其扩展基于比例风险假设构建，比例风险假设假设两个实例之间的风险比在时间上是恒定的，并且风险预测基于协变量的线性组合。然而，在现实世界的临床应用(如art)中存在太多复杂的相互作用。需要一个更全面的生存模型来更好地拟合具有非线性风险函数的临床数据。另外，患者的ehr本质上是纵向的，因为健康状况会随着时间的推移而变化。因此，需要时间信息来应用cnn分析患者emr。emr或ehr患者的dl有可能改善卵泡提取和着床时间的确定。18.卵巢或排卵诱导(oi)，世界上最常见的不孕症治疗形式，包括使用口服或注射促排卵剂(例如，克罗米芬柠檬酸盐、来曲唑、hmh、rfsh)刺激卵巢，以诱导一组卵母细胞在通常7到15天的时间内生长和成熟，从而引起排卵和妊娠率增加。医源性多胎妊娠率是最常见的并发症，其范围从5％到30％，主要取决于诊断、刺激的积极性和医生监测的程度。据估计，39％至67％的高阶多胞胎(homb)与未经ivf的oi有关。这种显著增加的风险是准确的卵泡监测和适当的oi药物剂量调整的挑战所带来的。使用促性腺激素(如hmh、rfsh)常见的多胎妊娠给母亲和婴儿带来了巨大的产科风险，包含早产和低出生体重，这会导致显著的新生儿、产妇、家庭发病率和婴儿死亡率，并给家庭和社会带来巨大的经济负担。19.长期以来，医生们一直在寻找oi期间预测妊娠和多胎妊娠的方法。卵泡跟踪是对卵泡数量和大小的一系列评估，通常用于评估对卵巢刺激的反应。oi治疗多胎妊娠的主要原因是准确监测卵巢刺激和预测将排卵的成熟卵母细胞数量的能力有限。oi的治疗目标是实现单个优势卵泡的生长，其大小决定卵母细胞成熟度、胚胎质量和妊娠率。oi主要通过经阴道超声(tvus)、血浆雌二醇水平(e2)和促黄体激素水平(lh)测量来监测施用外源性oi药物后的卵巢反应。不同大小的卵泡在卵巢刺激期间异步发育，这增加了确定最佳排卵触发时间和评估多胎妊娠风险的挑战。20.需要通过对ivf的有效管理以及在对生长卵泡的识别、计数、测量和差异跟踪及最佳oi时间确定方面的系统性改进来提高art的性能，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。申请人已经开发了一种通过本公开体现的解决方案，下面将对其进行详细描述。技术实现要素：21.下文呈现了本发明的一些实施例的简要概述以提供对本发明的基本理解。此概述不是本发明的广泛概要。此概述并不旨在标识本发明的重要/关键要素或描绘本发明的范围。此概述的唯一目的是以简化的形式呈现本发明的以下实施例中的一些作为对之后所呈现的更加详细的说明的序言。22.本公开的各方面提供在提供用于不孕症的诊断、治疗和临床管理的辅助生殖技术(art)时的深度学习(dl)系统和方法的集合。在各种实施例中，所述集合包括：使用至少一个人工神经网络(ann)从成像模式处理含有一或多个患者的生殖解剖结构的至少一个图像。在各种实施例中，所述集合包括：使用至少一个ann从成像模式采集的至少一个图像的对象检测、识别、注释、分割或分类。在各种实施例中，所述集合进一步包括用于使用至少一个ann进行对象检测、定位和计数的至少一个检测框架。在各种实施例中，所述集合包括：使用至少一个ann从电子健康或医疗记录对一或多个患者进行特征提取或表型分析。在各种实施例中，所述集合进一步包括用于使用至少一个ann预测事件发生时间结果的至少一个框架。在各种实施例中，所述ann包含但不限于：卷积神经网络(cnn)、递归神经网络(rnn)、全卷积神经网络(fcnn)、扩张残差网络(drn)、生成对抗网络(gan)等等，或其组合。所述集合包括作为用于不孕症临床管理的人工智能计算机辅助诊断(cad)和预测系统的ann的串行或并行组合。23.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于预处理或处理一或多个成像模式的所述ann系统和方法。在各种实施例中，成像模式优选地包括超声，包含但不限于二维(2d)、三维(3d)、四维(4d)、多普勒等等。在各种实施例中，图像包括生殖解剖结构，包含但不限于细胞、输卵管、卵巢、卵细胞(ovum/ova)、卵泡、囊肿、子宫、子宫内壁、子宫内膜厚度、子宫壁、卵子、血管等。在各种实施例中，图像包括所述解剖结构的一个或多个正常或异常形态、纹理、形状、大小、颜色等等。在各种实施例中，图像预处理包括用于改善图像质量以增强图像检索、解释、诊断、决策等的至少一个去斑或去噪模型。24.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于至少一个us图像的对象检测、识别、注释、分割或分类的所述ann系统和方法。在各种实施例中，所述系统和方法支持卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、窦状卵泡等等的检测、识别、注释、分割或分类。在各种实施例中，ann系统和方法包含但不限于以下中的至少一个：卷积神经网络(cnn)、递归神经网络(rnn)、全卷积神经网络(fcnn)、扩张残差网络(drn)或生成对抗网络(gan)架构。在各种实施例中，所述架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)或输出层。在各种实施例中，卷积方法包括使用一个或多个与所述生殖解剖结构有关的分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用多一个优化方法训练。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的检测、识别、注释、分割或分类的一个或多个结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。25.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于对象检测框架的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据一个或多个us图像的对一个或多个生殖解剖结构的对象检测、定位、计数和随时间推移的跟踪。在各种实施例中，生殖解剖结构包含(但不限于)：卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、卵母细胞、窦状卵泡、输卵管、子宫、子宫内膜类型(pattern)、子宫内膜厚度等等。在各种实施例中，ann系统和方法包含但不限于至少一个卷积神经网络(cnn)、递归神经网络(rnn)、全卷积神经网络(fcnn)、扩张残差网络(drn)或生成对抗网络(gan)架构。在各种实施例中，所述架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)或输出层。在各种实施例中，卷积方法包括使用一个或多个与所述生殖解剖结构有关的分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用一个或多个优化训练。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的检测、定位、计数和跟踪的一个或多个结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。26.本公开的各方面包含在提供用于临床不孕症的诊断、治疗和临床管理的art时用于分析电子医疗记录的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据至少一个纵向患者电子医疗记录(emr)、电子健康记录(ehr)、数据库等等对一个或多个患者进行特征提取或表型分析。在各种实施例中，所述医疗记录包括一个或多个存储的患者记录，优选为接受不孕症治疗的患者的记录、超声图像、超声制造商、超声模型、超声探头、超声频率、所述生殖解剖结构的图像、患者年龄、患者种族背景、患者人口统计数据、医生记录、临床记录、医生注释、诊断结果、体液生物标志物、药物剂量、药物治疗天数、激素标志物、激素水平、新激素、内分泌类(endocabinoids)、基因组生物标志物、蛋白质组生物标志物、抗苗勒氏激素、雌二醇、雌酮、孕酮、fsh、促黄体生成激素(lh)、抑制素、肾素、松弛素、vegf、肌酸激酶、hcg、胎蛋白、妊娠特异性b-1糖蛋白、妊娠相关血浆蛋白-a、胎盘蛋白-14、卵泡抑素、il-8、il-6、卵黄蛋白原、钙结合蛋白-d9k、治疗、治疗时间安排、着床时间安排、着床率、卵泡大小、卵泡数量、afc、卵泡生长率、妊娠率、着床(即事件)日期和时间、cpt代码、hcpcs代码、icd代码等。在各种实施例中，所述一个或多个所述医疗记录字段变换成一个或多个时间矩阵，其中优选地时间为一个维度，特定事件为另一维度。在各种实施例中，所述ann架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)、预测或输出层。在各种实施例中，卷积方法包括使用与用于预测卵泡提取和着床时间的因素有关的一个或多个分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用一个或多个优化训练。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的一个或多个所识别的患者表型或预测结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。27.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于预测性计划的所述ann系统和方法。在各种实施例中，ann系统和方法包括用于预测事件发生时间结果的至少一个框架。在各种实施例中，事件发生时间结果包含但不限于开始-终止卵巢刺激、周期天数、卵泡取出、卵泡募集、卵母细胞取出、卵泡期(folliclestage)、卵泡成熟度、受精率、囊胚发育、胚胎质量、着床等。在各种实施例中，所述ann架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)、cox模型和输出层。在各种实施例中，卷积方法包括使用与用于预测事件发生时间的因素有关的一个或多个分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用一个或多个优化训练。在各种实施例中，所述一个或多个所述预测与患者结果进行比较，以自适应地训练一个或多个互连层的一个或多个网络权重。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的一个或多个导出的事件发生时间结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。28.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理时使用的计算机程序产品。在各种实施例中，所述产品包括用于以下的系统和方法：从至少一个患者数据、来自us扫描仪/装置的us图像、检索到的us图像、来自电子医疗记录数据库的患者医疗记录、与生育有关的患者记录、患者内分泌记录、患者临床记录、医生临床记录、来自驻留在所述基于云的服务器上的数据库的数据、来自一个或多个所述ann的一个或多个输出层的结果和人工智能引擎收集、处理和合成临床见解。在各种实施例中，人工智能引擎结合来自一个或多个所述ann的一个或多个结果以生成一个或多个临床见解。在各种实施例中，基于云的服务器包括与一个或多个浏览器结合的一个或多个用户应用程序，使得用户能够访问临床信息，执行进一步数据处理或分析，并检索或接收一个或多个临床见解。在各种实施例中，用户使用移动计算装置或桌面计算单元访问所述信息。在各种实施例中，移动应用程序使得用户能够访问来自所述计算机产品的信息。29.本公开的各方面提供用于在提供临床不孕症的排卵诱导(oi)治疗和临床管理时使用的计算机程序产品。在各种实施例中，所述产品包括用于以下的系统和方法：从至少一个患者数据、来自us扫描仪/装置的us图像、检索到的us图像、来自电子医疗记录数据库的患者医疗记录、与生育有关的患者记录、患者内分泌记录、患者临床记录、医生临床记录、来自驻留在所述基于云的服务器上的数据库的数据、来自一个或多个所述ann的一个或多个输出层的结果和人工智能引擎收集、处理和合成临床见解。在各种实施例中，人工智能引擎结合来自一个或多个所述ann的一个或多个结果以生成一个或多个临床见解。在各种实施例中，基于云的服务器包括与一个或多个浏览器结合的一个或多个用户应用程序，使得用户能够访问临床信息，执行进一步数据处理或分析，并检索或接收一个或多个临床见解。在各种实施例中，用户使用移动计算装置或桌面计算单元访问所述信息。在各种实施例中，移动应用程序使得用户能够访问来自所述计算机产品的信息。30.本公开的特定实施例提供一种用于不孕症临床管理的计算机辅助诊断和预测系统，所述系统包括：成像传感器，其可用于执行一个或多个成像模式以收集受检者的生殖解剖结构的一个或多个图像；存储装置，其用于在本地或远程地存储所述受检者的所述生殖解剖结构的所述一个或多个图像；以及至少一个处理器，其与至少一个其上存储有计算机可执行指令的计算机可读存储介质可操作地接合，所述计算机可执行指令在执行时使所述处理器执行一个或多个动作，所述一个或多个动作包括：接收所述受检者的所述生殖解剖结构的所述一个或多个图像；处理所述受检者的所述生殖解剖结构的所述一个或多个图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；比较所述一个或多个解剖特征与至少一个线性或非线性框架(即，机器学习框架)，以预测至少一个事件发生时间结果；以及生成对应于所述受检者的一个或多个临床动作的至少一个图形用户输出。31.本公开的其它特定实施例提供用于不孕症临床管理的计算机辅助诊断和预测系统，所述系统包括：成像传感器，其可用于执行一个或多个成像模式以收集患者的生殖解剖结构的一个或多个图像；人工智能引擎，其配置成在本地或远程地接收所述患者的所述生殖解剖结构的所述一个或多个图像，所述人工智能引擎配置成处理所述患者的所述生殖解剖结构的所述一个或多个图像并根据至少一个线性或非线性框架(即，机器学习框架)生成至少一个事件发生时间结果预测；结果数据库，其配置成将临床结果数据传送到所述人工智能引擎，所述临床结果数据并入到所述至少一个线性或非线性框架中；应用程序服务器，其与所述人工智能引擎可操作地接合以接收所述至少一个事件发生时间结果预测，所述应用程序服务器配置成响应于所述至少一个事件发生时间结果预测而生成用于不孕症临床管理的一个或多个建议临床动作；以及客户端装置，其与所述应用程序服务器可通信地接合，所述客户端装置配置成显示含有用于所述不孕症临床管理的所述一个或多个建议临床动作的图形用户界面。32.本公开的其它特定实施例提供用于存储计算机可执行指令的至少一个计算机可读存储介质，所述计算机可执行指令在执行时执行用于预测与辅助生殖技术的提供相关联的临床结果的方法，所述方法包括：接收患者的生殖解剖结构的一个或多个数字图像；处理所述患者的所述生殖解剖结构的所述一个或多个数字图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；根据至少一个线性或非线性框架分析所述一个或多个解剖特征；以及根据所述至少一个线性或非线性框架预测至少一个事件发生时间结果。33.本公开的其它方面提供一种用于在辅助生殖技术中处理数字图像的方法，所述方法包括：通过一个或多个成像模式获得患者的生殖解剖结构的一个或多个数字图像；处理所述一个或多个数字图像以检测一个或多个生殖解剖结构；处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类；根据至少一个线性或非线性框架(即，机器学习框架)分析所述一个或多个解剖特征；以及根据所述至少一个线性或非线性框架预测辅助生殖程序的至少一个事件发生时间结果。34.本公开的其它方面提供一种用于辅助生殖技术中的临床计划的图像处理方法，所述方法包括：通过一个或多个成像模式接收患者的生殖解剖结构的一个或多个数字图像；处理所述一个或多个数字图像以检测一个或多个生殖解剖结构；处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类；根据至少一个线性或非线性框架(即，机器学习框架)分析所述一个或多个解剖特征；根据所述至少一个线性或非线性框架预测辅助生殖程序的至少一个事件发生时间结果；以及生成与所述辅助生殖程序相关联的一个或多个临床建议。35.本公开的其它方面提供一种用于不孕症临床管理的方法，包括：使用超声装置获得受检者的卵巢卵泡的卵巢超声图像；根据至少一个线性或非线性框架(即，机器学习框架)分析所述卵巢超声图像以对所述受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类，从而预测事件发生时间结果；以及生成辅助生殖程序的一个或多个临床建议。36.本公开的其它方面提供一种用于不孕症临床管理的方法，包括：使用超声装置获得受检者的卵巢卵泡的卵巢超声图像；根据至少一个线性或非线性框架(即，机器学习框架)分析所述卵巢超声图像以对所述受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类，从而计数、测量、表征形态、监测大小生长率；以及生成针对最佳oi时间的一个或多个临床建议，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。37.本公开的其它方面提供一种用于不孕症临床管理的方法，包括：使用超声装置获得受检者的卵巢卵泡的卵巢超声图像；根据至少一个线性或非线性框架分析所述卵巢超声图像以对所述受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类，从而预测事件发生时间结果；以及生成针对最佳oi时间的一个或多个临床建议，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。38.本公开的某些方面提供一种用于辅助生殖技术中的数字图像处理的系统，所述系统包括：成像传感器，其配置成收集患者的生殖解剖结构的一个或多个数字图像；计算装置，其与所述成像传感器可通信地接合以接收所述患者的所述生殖解剖结构的所述一个或多个数字图像；以及至少一个处理器，其与所述计算装置和至少一个其上存储有指令的非暂时性计算机可读介质可通信地接合，所述指令在执行时使所述至少一个处理器执行一个或多个操作，所述一个或多个操作包括：接收所述患者的所述生殖解剖结构的所述一个或多个数字图像；处理所述患者的所述生殖解剖结构的所述一个或多个数字图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；根据至少一个机器学习框架分析所述一个或多个解剖特征，以预测至少一个事件发生时间结果，其中所述至少一个事件发生时间结果包括所述患者的排卵诱导周期内的排卵触发日期；以及生成对应于与所述患者有关的一个或多个临床动作的至少一个图形用户输出，其中所述一个或多个临床动作包括向所述患者施用至少一种药剂的建议时间，其中所述至少一种药剂包括排卵触发剂。39.根据用于辅助生殖技术中的数字图像处理的系统的某些实施例，所述一个或多个临床动作可包括对应于排卵诱导周期的精子递送或子宫内授精的建议时间。所述处理器的所述一个或多个操作可进一步包括分析所述患者的多个电子健康记录数据，以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。所述多个电子健康记录数据可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。在一些实施例中，所述处理器的所述一个或多个操作可进一步包括分析来自一个或多个匿名排卵诱导患者的多个匿名历史数据，以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。所述多个匿名历史数据可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。40.根据用于辅助生殖技术中的数字图像处理的系统的某些实施例，所述机器学习框架可选自由以下组成的组：人工神经网络、回归模型、卷积神经网络、递归神经网络、全卷积神经网络、扩张残差网络和生成对抗网络。在一些实施例中，所述一个或多个生殖解剖结构包括一个或多个卵巢卵泡，且所述一个或多个解剖特征包括所述一个或多个卵巢卵泡的数量和大小。在一些实施例中，所述处理器的所述一个或多个操作可进一步包括接收所述患者的生殖生理数据并分析所述生殖生理数据以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。所述处理器的所述一个或多个操作可进一步包括根据所述至少一个机器学习框架分析所述一个或多个解剖特征以评估所述患者多胎妊娠的风险。41.本公开的某些方面提供一种用于在辅助生殖技术中处理数字图像的方法，所述方法包括：利用超声装置获得患者的生殖解剖结构的一个或多个数字图像；利用至少一个处理器接收所述一个或多个数字图像；利用所述至少一个处理器处理所述一个或多个数字图像以检测患者的所述生殖解剖结构的一个或多个生殖解剖结构；利用所述至少一个处理器处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类；利用所述至少一个处理器根据至少一个机器学习框架分析所述一个或多个解剖特征以预测至少一个事件发生时间结果，其中至少一个事件发生时间包括所述患者的排卵诱导周期内的排卵触发日期；以及利用所述至少一个处理器生成至少一个临床推荐，包括向所述患者施用至少一种药剂的建议时间，其中所述至少一种药剂包括排卵触发剂。42.根据用于辅助生殖技术中的数字图像处理的方法的某些实施例，所述一个或多个临床动作可包括对应于排卵诱导周期的精子递送或子宫内授精的建议时间。所述一个或多个生殖解剖结构包括一个或多个卵巢卵泡，且所述一个或多个解剖特征包括所述一个或多个卵巢卵泡的数量和大小。在一些实施例中，所述方法可进一步包括：利用所述至少一个处理器根据所述至少一个机器学习框架分析所述一个或多个解剖特征，以评估所述患者多胎妊娠的风险。所述方法可进一步包括：利用所述至少一个处理器根据至少一个机器学习框架分析所述一个或多个解剖特征，以确定所述患者的所述一个或多个卵巢卵泡的成熟率。43.根据用于辅助生殖技术中的数字图像处理的方法的某些实施例，所述方法可进一步包括：利用所述至少一个处理器分析所述患者的多个电子健康记录数据以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。在一些实施例中，所述多个电子健康记录数据包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。所述方法可进一步包括：利用所述至少一个处理器分析来自一个或多个匿名排卵诱导患者的多个匿名历史数据以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。在一些实施例中，所述多个匿名历史数据包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。44.本公开的其它实施例提供一种其上存储有计算机可执行指令的非暂时性计算机可读介质，所述计算机可执行指令在执行时使至少一个处理器执行数字图像处理方法的一个或多个操作，所述一或多个操作包括：接收患者的生殖解剖结构的一个或多个数字图像；处理所述患者的所述生殖解剖结构的所述一个或多个数字图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；根据至少一个机器学习框架分析所述一个或多个解剖特征，以预测至少一个事件发生时间结果，其中至少一个事件发生时间包括所述患者的排卵诱导周期内的排卵触发日期；以及生成对应于与所述患者有关的一个或多个临床动作的至少一个图形用户输出，其中所述一个或多个临床动作包括向所述患者施用至少一种药剂的建议时间，其中所述至少一种药剂包括排卵触发剂。45.上述已经相当广泛地概述了本发明的更相关和重要的特征，使得可以更好地理解以下对本发明的详细描述，并且使得可以更充分地理解本发明对本领域的贡献。下文中将对本发明的另外的特征进行描述，所述另外的特征形成本发明的权利要求的主题。本领域的技术人员应当理解的是，概念和所公开的具体方法和结构可以易于用作修改或设计用于实现本发明的相同目的的其它结构的基础。此项技术的技术人员应该认识到，此类等同的结构不脱离如所附权利要求中所阐述的本发明的精神和范围。附图说明46.通过以下结合附图进行的详细描述，本公开的上述和其它目的、特征和优点将变得更显而易见，其中：47.图1a是其中可以实施和/或体现本公开的一个或多个方面的示例性计算设备和/或系统的架构图；48.图1是根据本公开的实施例的卷积神经网络架构的元件的图示；49.图2是根据本公开的实施例的深度学习(dl)管道开发过程的示意图；50.图3是根据本公开的实施例的us-drn架构的示意图；51.图4是根据本公开的实施例的用于us图像去斑处理的深度学习网络的流程图；52.图5是根据本公开的实施例的计算机辅助诊断(cad)架构和处理方法的示意图；53.图6是根据本公开的实施例的用于检测“可募集”卵泡的过程的流程图；54.图7是根据本公开的实施例的用于检测“可募集”卵泡的cnn架构的示意图；55.图7b是根据本公开的实施例的用于卵泡分割、表征和跟踪的多任务端到端深度学习框架的示意图；56.图7c是根据本公开的实施例的用于卵泡实例分割的markr-cnn架构的示意图；57.图7d是根据本公开的实施例的用于卵泡跟踪的流程图；58.图8是根据本公开的实施例的卵泡检测和定位框架的流程图；59.图9是根据本公开的实施例的卵泡跟踪框架的流程图；60.图10是根据本公开的实施例的emr数据卷积网络架构的图；61.图11是根据本公开的实施例的生存卷积神经网络架构的示意图；62.图12是根据本公开的实施例的计算机产品架构的示意图；63.图13是根据本公开的实施例的用于确定卵巢卵泡的卵泡成熟日期的方法的过程流程图；64.图14是根据本公开的实施例的用于生成临床建议的方法的过程流程图；65.图14b是根据本公开的实施例的用于生成与oi程序相关联的临床建议的过程的过程流程图；66.图15是根据本公开的实施例的用于生成与oi程序相关联的临床建议的方法的过程流程图；以及67.图15b是根据本公开的实施例的用于生成与oi程序相关联的临床建议的过程的过程流程图。具体实施方式68.应当理解，下文更详细讨论的概念的所有组合(条件是此类概念并非相互不一致)被设想作为本文所公开的本发明主题的一部分。还应当理解，本文明确采用的、也可能出现在通过引用并入的任何公开中的术语应被赋予与本文所公开的特定概念最一致的含义。69.本公开的实施例提供在提供用于不孕症的诊断、治疗和临床管理的辅助生殖技术(art)时的深度学习(dl)系统和方法的集合。所述集合包括用于使用计算机视觉技术(例如，卷积神经网络)对超声图像进行去斑或去噪处理以对卵泡和卵巢等生殖解剖结构进行对象检测、识别、注释、分割、分类、计数和跟踪的一个或多个人工神经网络(ann)系统和方法。ann系统和方法还被组合用于分析电子医疗记录，以对患者的特征事件发生时间结果进行识别和表型分析，从而预测患者的最佳卵泡提取和着床时间。所述方法和系统并入到基于云的计算机程序和移动应用程序中，使得医生和患者能够访问对不孕症的临床和患者管理的临床见解。70.应当理解，上文介绍的和下文更详细讨论的各种概念可以以多种方式中的任一种方式实施，因为所公开的概念不限于实施方案的任何具体方式。具体实施方案和应用的示例主要是为了说明性目的而提供的。本公开不应以任何方式限于附图中所示和下文所述的示例性实施方案和技术。71.在提供数值范围的情况下，应理解，除非上下文明确规定，否则在所述范围上限与下限之间的达到下限单位十分之一的每个中间值，以及所述范围内的任何其它所述值或中间值均由本发明涵盖。这些较小范围的上限和下限可以独立地包含在较小范围中并且也由本发明涵盖，在所述范围内受到任何特定排他性限制。在所述范围包含一个或两个端点极限的情况下，不包含一个或两个那些所包含的端点的范围也包含在本发明的范围中。72.如本文中所使用，“示例性”意指用作实例或说明，并不一定表示理想或最佳。73.如本文中所使用，术语“包含(includes)”意指包含但不限于，术语“包含(including)”意指包含但不限于。术语“基于”意指至少部分地基于。74.现在描述性地转而参看图式，其中类似的参考标号贯穿若干视图指代类似的元件，图1a描绘其中可以实施本发明的特定所示实施例的示例性计算系统。75.现在参考图1a，示出了其中可以实施本公开的一个或多个方面的处理器实施的计算装置。根据实施例，处理系统100a通常可包括至少一个处理器102a或处理单元或多个处理器、存储器104a、至少一个输入装置106a和至少一个输出装置108a，它们经由一个总线或一组总线110a耦合在一起。在某些实施例中，输入装置106a和输出装置108a可为相同装置。还可提供接口112a，用于将处理系统100a耦合到一个或多个外围装置，例如接口112a可为pci卡或pc卡。还可提供容纳至少一个数据库116a的至少一个存储装置114a。存储器104a可以是任何形式的存储器装置，例如易失性或非易失性存储器、固态存储装置、磁性装置等。处理器102a可包括超过一个不同的处理装置，例如用于处理处理系统100a内的不同功能。输入装置106a接收输入数据118a，并且可包括例如键盘、笔状装置或鼠标等指针装置、麦克风等用于受语音控制的激活的音频接收装置、调制解调器或无线数据适配器等数据接收器或天线、数据采集卡等。输入数据118a可具有与经由网络接收的数据不同的来源，例如键盘指令。输出装置108a产生或生成输出数据120a，并且可包括例如：显示装置或监视器，在此情况下，输出数据120a是可视的；打印机，在此情况下打印输出数据120a；端口，例如usb端口；外围组件适配器；数据发射器或天线，例如调制解调器或无线网络适配器；等等。输出数据120a可与传输到网络的数据不同，并且可从不同输出装置导出，输出装置例如是监视器上的视觉显示器。用户可以在例如监视器上或使用打印机查看数据输出或数据输出的解释。存储装置114a可以是任何形式的数据或信息存储构件，例如易失性或非易失性存储器、固态存储装置、磁性装置等。76.在使用时，处理系统100a用于允许数据或信息经由有线或无线通信手段存储在至少一个数据存储结构(例如，数据库)116a中和/或从其检索。接口112a可允许处理单元102a和可用于专用目的的外围组件之间进行有线和/或无线通信。一般来说，处理器102a可经由输入装置106a接收指令作为输入数据118a，并且可通过使用输出装置108a向用户显示处理结果或其它输出。可以提供超过一个输入装置106a和/或输出装置108a。应了解，处理系统100a可以是任何形式的终端、服务器、专用硬件等等。77.应了解，处理系统100a可以是联网通信系统的一部分。处理系统100a可连接到网络，例如互联网或wan。输入数据118a和输出数据120a可经由网络传送到其它装置。可以使用有线通信方法或无线通信方法实现通过网络进行的信息和/或数据传输。服务器可以促进网络与一个或多个数据库之间的数据传输。服务器和一个或多个数据库提供了信息源的实例。78.因此，图1a中所示的处理计算系统环境100a可使用到一个或多个远程计算机的逻辑连接在联网环境中操作。远程计算机可以是个人计算机、服务器、路由器、网络pc、对等装置或其它共同网络节点，并且通常包含上文所描述的许多或所有元件。79.应进一步了解，图1a中描绘的逻辑连接包含局域网(lan)和广域网(wan)，但是还可包含其它网络，例如个人局域网(pan)。此类联网环境在办公室、全企业计算机网络、内联网和互联网中是常见的。举例来说，当在lan联网环境中使用时，计算系统环境100a通过网络接口或适配器连接到lan。当在wan联网环境中使用时，计算系统环境通常包含调制解调器或用于通过互联网等wan建立通信的其它构件。可以在内部或外部的调制解调器可以经由用户输入接口，或经由另一恰当的机制连接到系统总线。在联网环境中，关于计算系统环境100a或其部分描绘的程序模块可以存储在远程存储器存储装置中。应了解，图1a所示的网络连接是示例性的，并且可以使用在多个计算机之间建立通信链路的其它手段。80.图1a意在提供一个其中可以实施在下文描述的本发明的实施例的说明性和/或合适的示例性环境的简要一般描述。图1a是合适环境的实例，并不意图表明对本发明的实施例的结构、使用范围或功能的任何限制。特定环境不应解释为具有任何与示例性操作环境中所示的任一组件或组件组合有关的依赖性或要求。例如，在某些实例中，可以将环境的一个或多个元件视为是不必要的且省略所述一个或多个元件。在其它实例中，可以将一个或多个其它元件视为是必要的且添加所述一个或多个其它元件。81.在下面的描述中，某些实施例可以参考由一个或多个计算装置执行的操作的动作和符号表示来描述，所述计算装置例如图1a的计算系统环境100a。因此，应理解，有时被称作计算机执行的此类动作和操作包含由计算机的处理器对表示结构化形式的数据的电信号的控制。这一控制会变换数据或将其保持在计算机的存储器系统中的位置处，这会以本领域的技术人员充分理解的方式来重新配置或以其它方式改变计算机的操作。其中保持数据的数据结构是存储器的物理位置，所述物理位置具有由数据格式限定的特定特性。但是，尽管实施例是在前述上下文中描述的，但它并不意图为限制性的，因为本领域的技术人员将了解，在下文中描述的动作和操作也可在硬件中实施。82.可以通过许多其它通用或专用计算装置和计算系统环境或配置来实施实施例。可能适合与实施例一起使用的众所周知的计算系统、环境和配置的实例包含但不限于个人计算机、手持式或膝上型装置、个人数字助理、多处理器系统、基于微处理器的系统、机顶盒、可编程消费型电子装置、网络、微型计算机、服务器计算机、游戏服务器计算机、网络服务器计算机、大型计算机和包含上述系统或装置中的任一个的分布式计算环境。83.可以在由计算机执行的例如程序模块等计算机可执行指令的一般背景下描述实施例。通常，程序模块包含执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。还可以在分布式计算环境中实践实施例，其中由通过通信网络链接的远程处理装置执行任务。在分布式计算环境中，程序模块可以位于包含存储器存储装置的本地和远程计算机存储介质两者中。84.在上文大体上示出并论述了图1a的示例性计算系统环境100a后，现将转向本公开的所示实施例进行描述。85.现在参考图1，示出了卷积神经网络架构100的架构图。卷积神经网络(cnn)是一种特殊类型的人工神经网络(ann)。ann的密集连接层和卷积层之间的根本区别在于ann在其输入特征空间中学习全局模式。相比之下，卷积层学习局部模式，这些局部模式是输入图像(或输入层)104的通常较小的2d窗、分块、滤波器或核102。cnn习得的模式是平移不变的，允许在图像或序列中进行全局模式识别。cnn还可以学习模式的空间层次，其中第一卷积层(或隐藏层)106可以学习诸如边缘的较小局部模式，并且额外或后续层将学习包括先前或第一层的特征的较大模式。86.cnn通过将布置在许多不同层中的人工神经元层与非线性激活函数互连来学习高度非线性映射。cnn架构包括一个或多个卷积层106、110，它们之间穿插有一个或多个子取样层108、112或非线性层，这些层通常后跟着一个或多个全连接层114、116。cnn的每一元件从前一层中的一组特征接收输入。cnn同时学习，因为相同特征图(或输出图像)120中的神经元具有相同的权重或参数。这些局部共享权重降低了网络的复杂性，使得当多维输入数据进入网络时，cnn降低了特征提取和回归或分类过程中数据重建的复杂性。87.在数学中，张量是以多重线性方式将几何向量、标量和其它张量映射到结果张量的几何对象。卷积作用于3d张量(例如向量)，称为特征图(例如120)，其具有两个空间轴(高度和宽度)和一个深度轴(也称为通道轴)。在一般的计算机视觉中，cnn通常被设计用于对包含三个图像通道——红色、绿色和蓝色(rgb)——的彩色图像进行分类。对于rgb图像，深度轴的维度是三(3)，因为图像具有三个颜色通道：红色、绿色和蓝色。对于黑白图片，深度是一(1)(即，灰度级)。卷积操作从其输入特征图中提取分块122，并对所有这些分块应用相同的变换，从而产生输出特征图124。此输出特征图仍然是3d张量，具有宽度和高度。它的深度可以是任意的，因为输出深度是层的参数，并且深度轴中的不同通道不再代表rgb输入中的特定颜色；相反，它们代表滤波器。滤波器在高度级别对输入数据的特定方面进行编码。单个滤波器可以使用例如卵泡的形态、纹理或大小进行编码。88.卷积由两个关键参数定义：89.(1)从输入中提取的分块大小，通常为1x1、3x3或5x5，以及90.(2)输出特征图的深度，即通过卷积计算出的滤波器的数目。一般来说，这些以32的深度开始，继续到64的深度，并以128或256的深度终止。91.卷积操作是在2d或3d输入特征图上滑动这些3x3或5x5大小的窗，在每个位置停止，并提取周围特征[形状(窗高度，窗宽度，输入深度)]的分块122。然后将每个这样的分块(经由具有相同学习权重矩阵的张量积，称为卷积核)变换为id向量形状(output_depth)。然后，在空间上将所有这些向量重新组合成例如3d输出图形状(高度，宽度，输出深度)。输出特征图中的每个空间位置对应于输入特征图中的相同位置(例如，输出的右下角含有输入的右下角的信息)。[0092]在训练期间，调整或训练cnn，使得输入数据产生特定的输出估计。使用反向传播基于输出估计和真实数据(即，真实标签)的比较来调整cnn，直到输出估计逐渐地匹配或接近真实数据为止。通过基于真实数据和实际输出之间的差调整神经元之间的权重(w)或参数来训练cnn。神经元之间的权重是自由参数，用于捕捉模型的数据表示，并从输入/输出样本中学习。模型训练的目标是找到使目标损失函数l(w)最小化的参数(w)，目标损失函数l(w)测量由w参数化的模型预测与实际观察结果或样本真实标签之间的拟合度。最常见的目标损失函数是分类的交叉熵和回归的均方误差。在其它实施方案中，卷积神经网络使用不同的损失函数，例如欧几里得损失和softmax损失。[0093]目前，cnn采用小批量随机梯度下降(sgd)进行训练。sgd是一种优化可微目标函数(如损失函数)的迭代方法，是梯度下降优化的随机近似。sgd的许多变体用于加快学习。一些流行的启发式算法，如adagrad、adadelta和rmsprop，针对每个特征自适应地调节学习速率。adagrad可以说是最流行的，它通过缓存每个时间步中每个参数的梯度平方和来调适学习速率。每个特征的步长乘以此缓存值平方根的倒数。adagrad可以在凸误差曲面上快速收敛，但由于缓存和是单调递增的，因此这个方法具有单调递减的学习速率，这在高度非凸损失曲面上可能是不可取的。动量法是用于训练神经网络的另一种常见的sgd变体。这些方法在每次更新中添加以前更新的衰减总和。在其它实施方案中，仅使用馈送到nesterov加速梯度和自适应梯度的选定数据对来计算梯度，以提高计算效率。使用梯度下降及其变体进行训练的主要缺点是需要大量的标记数据。解决这一困难的一种方法是使用无监督学习。当只有很少的训练样本可用时，数据增强对于教会网络所需的不变性和稳健性特性是至关重要的。[0094]cnn的卷积层(例如，106、110)用作特征提取器。卷积层充当能够学习输入数据并将其分解成层次特征的自适应特征提取器。在一个实施方案中，卷积层将两个图像作为输入，并产生第三图像作为输出。在此实施方案中，对二维(2d)中的两个图像进行卷积操作，其中一个图像是输入图像104，另一图像也就是核(例如，102)用作输入图像104的滤波器，产生输出图像。卷积操作包含在输入图像104上滑动核102。对于核102的每个位置，将核和输入图像104的重叠值相乘，并将结果相加。乘积之和是输出图像120在输入图像104中核102居中的点处的值。许多核的产生的不同输出称为特征图(例如，120、124)。[0095]一旦卷积层(例如，106、110)经过训练，它们就被用于对新的推断数据执行识别任务。因为卷积层从训练数据中学习，因此它们避免了显式特征提取，而是隐式地从训练数据中学习。卷积层使用卷积滤波器核权重，作为训练过程的一部分，对所述权重进行确定和更新。卷积层提取输入图像104的不同特征，这些特征在较高层(例如，108、110、112)处组合。cnn使用不同数量的卷积层，每个层具有不同的卷积参数，如核大小、步长(stride)、填白(padding)、特征图数量和权重。[0096]子取样层(例如，108、112)降低由卷积层提取的特征的分辨率，使提取的特征或特征图(例如，120、124)对噪声和失真具有稳健性，降低计算复杂度，引入不变性特性，并减少过度拟合的可能性。它总结了图像中某个区域的特征统计数据。在一个实施方案中，子取样层(例如，108、112)采用两种类型的池化操作：平均池化和最大池化。池化操作将输入划分成不重叠的二维空间。对于平均池化，计算区域内四个值的平均值进行池化。池化神经元的输出是输入神经元集中输入值的平均值。对于最大池化，选择四个值中的最大值进行池化。最大池化识别取样区域内最具预测性的特征，并降低图像的分辨率和内存要求。[0097]在cnn中，非线性层与卷积结合用于神经元激活。非线性层使用不同的非线性触发函数来用信号表示每个隐藏层(例如，106、110)上可能特征的不同识别。非线性层使用各种特定函数来实施非线性触发，包含修正线性单元(relu)、参数修正线性单元(prelu)、双曲正切、双曲正切的绝对值以及s型和连续触发(非线性)函数。在优选实施方案中，relu用于激活。使用relu函数的优点是卷积神经网络的训练速度快很多倍。relu是一个非连续、非饱和激活函数，如果输入值大于零，则与输入成线性关系，否则为零。在其它实施方案中，非线性层使用功率单元激活函数。[0098]cnn还可实施残差连接，其包括通过将过去的输出张量添加到随后的输出张量来将先前的表示重新注入到下游数据流中，这有助于防止数据处理流中的信息丢失。残差连接解决了困扰任何大规模深度学习模型的两个常见问题：梯度消失和特征表示瓶颈。残差连接使前一层的输出可用作后一层的输入，在顺序网络中有效地创建了快捷方式。较早的输出通常与较晚的激活相加，而不是连结到较晚的激活，前一种情况假设两个激活的大小相同。如果它们的大小不同，则可以使用线性变换将较早的激活重新整形为目标形状。[0099]提出cnn的残差学习最初是为了解决性能下降的问题，即随着网络深度的增加，训练准确性开始下降。通过假设残差映射比原始未引用映射更容易学习，残差网络显式地学习几个堆叠层的残差映射。残差网络堆叠多个残差单元以减轻训练准确性的降低。残差块利用特殊的加性跳跃连接来处理深层神经网络中的梯度消失。在残差块的开头，数据流被分成两个流。第一个流携带块的未更改输入，而第二个流应用权重和非线性。在块的末尾，这两个流使用逐元素求和(或减法)合并。这种构造的主要优点是允许梯度更容易地流过网络。残差网络使cnn易于训练，并提高了图像分类和对象检测等应用的准确性。[0100]深度学习中的一个已知问题是协变量偏移(covariateshift)，由于训练期间网络参数的变化，网络激活的分布在各层之间会发生变化。每一层输入的变化规模和分布意味着网络必须在每一层显著调整其参数，因此训练必须缓慢(即使用较小的学习速率)，以使损失在训练期间不断减少(即，避免训练期间出现分歧)。一个常见的协变量偏移问题是训练集和测试集分布的差异，这可能导致次优的泛化性能。[0101]在一个实施方案中，提出批量归一化(bn)，用于通过合并归一化步骤、缩放步骤或偏移步骤来缓解内部协变量偏移。bn是一种通过使数据标准化成为网络架构的组成部分来加快深度网络训练的方法。bn保证所有输入的分布更有规律。bn可以自适应地归一化数据，即使训练期间平均方差随时间变化。它在内部维持批量均值和方差数据的指数移动平均值。主要作用是帮助梯度传播，类似于残差连接。bn层可在卷积层、密集连接层或全连接层之后但在输出馈入激活函数之前使用。对于卷积层，相同特征图的不同元素——即，不同位置的激活——以相同的方式进行归一化，以遵守卷积特性。因此，小批量中的所有激活都在所有位置上归一化，而不是针对每个激活进行归一化。[0102]穿插有一个或多个子取样层108、112的所述一个或多个卷积层106、110通常后跟着一个或多个全连接(fc)层114、116。fc层用于连结多维特征图(例如，120、124等等)，并使特征图成为固定大小的类别，并为分类输出层118生成特征向量。fc层通常是参数和连接最密集的层。在一个实施方案中，全局平均池化用于减少参数数量，且任选地替换一个或多个fc层进行分类，方法是采用最后一层中特征的空间平均值进行评分。这减少了训练负荷，并绕过了过度拟合问题。全局平均池化的主要思想是从每个最后一层特征图生成平均值作为直接馈送到softmax层中的用于评分的置信因子，softmax层将3d输入映射到[0,1]。这允许将一个或多个输出层118解释为概率和具有最高概率的像素(2d输入)或体素(3d输入)的选择。[0103]在一个实施方案中，一个或多个自动编码器用于降维。自动编码器是训练用于重建输入数据的神经网络，且降维是通过在隐藏层(例如，106、110等)中使用数量少于输入层104中的神经元来实现的。深度自动编码器是由多层编码器堆叠而成，每一层使用无监督学习准则进行独立训练(预训练)。可以将分类层添加到预训练编码器，并使用标记数据进一步训练(微调)。[0104]图2是根据各种实施例的深度学习(dl)管道开发过程的示意图200。dl管道开发包括三个阶段：模型选择(模型选择和在训练数据集上拟合)、模型评估和模型分发。在优选实施例中，创建一个基础架构来训练、评估和分发一个或多个ann网络。在各种实施例中，通过数据集流202和数据分割步骤204将一个或多个数据集恰当地分离成测试数据集206、验证数据208和训练数据210，以避免有偏差的评估。在各种实施例中，所述一个或多个所述数据集通过数据io步骤212处理，然后取样214，方式取决于管道的阶段。在具有有限数据的应用中，数据集被增强216以补偿小的训练数据集，其中训练数据集太稀疏而不能表示图像分布的可变性。数据增强通过在训练期间引入随机扰动，例如应用随机空间变换或添加随机图像噪声，来人为地增加训练数据集的可变性。在各种实施例中，训练和验证数据样本被引入(步骤218、220)到模型选择222。在各种实施例中，模型选择程序包括模型拟合过程224，其包含配置网络226、选择损失函数228和优化230过程。在各种实施例中，模型选择222过程的输出包括一个或多个超参数232和经训练参数234。在各种实施例中，所述参数的数据流入模型推断236过程中，由此系统地包含取样214产生的数据以处理整个数据集202。评估238模型以生成一个或多个结果240。在各种实施例中，一个或多个验证模型可以存储242在模型库244中，其中存储的模型可用于模型选择222期间的模型初始化步骤245或模型推断236期间的经训练模型比较246。在dl中，通常的做法是，部分或完全地调适先前的经过训练或未经训练的网络架构以用于类似或不同的任务。在各种实施例中，模型库244能够存储依赖于被寻址的应用域的模型和参数；例如，去噪、对象检测、计数和预测。可以使用库(例如，tensorflow)构造一个或多个网络架构，此库提供用于定义计算管道并在硬件资源上高效执行它们的工具。一个或多个软件应用程序驱动程序可用于为管道的一个或多个组件定义公共结构。[0105]超声图像受到一种强大的乘性噪声即散斑的影响，这种噪声通常会损害诸如分类和分割等自动操作的性能，目的是为最终用户提取有价值的信息。本公开的目标是一种dl方法，其优选地通过一个或多个cnn实施。在各种实施方案中，给定一组合适的图像，训练cnn学习数据的隐式模型，例如噪声，以便有效地对相同类型的新数据去斑。us图像中的噪声可在形状、大小和模式方面不同，并且是非线性的。前提是通过非线性模型可以更准确地表达图像散斑噪声。在各种实施例中，cnn架构被组合用于利用扩张残差网络(us-drn)学习有噪声和无噪声us图像之间的非线性端到端映射。在各种实施方案中，将一个或多个跳跃连接以及残差学习添加到去噪模型中以缓解梯度消失问题。在各个优选实施例中，模型不依赖于预先确定的图像或噪声描述模型的先验知识，直接从训练数据和相应的标签中采集和更新网络参数。不受理论束缚，图像的上下文信息有助于退化区域的恢复。一般来说，深度卷积网络主要通过增加网络深度或增大滤波器(例如，图1的102)来增大感受野来增强上下文信息。但是，随着网络深度的增加，准确性变得“饱和”，然后迅速下降。增大滤波器尺寸可以得到更多卷积参数，从而大大增加计算能力和训练时间。在各种实施方案中，扩张卷积用于在维持滤波器尺寸的同时增大感受野。一个普通的卷积感受野与层深呈线性相关。相比之下，扩张卷积感受野与层深呈指数相关。作为实例，对于核大小＝3x3，7层架构的3x3扩张卷积的扩张因子分别设置为1、2、3、4、3、2、1。在一个实施方案中，轻量模型包括7个扩张卷积。[0106]参考图3，示出根据各种实施例的us-drn架构的示意图300。在各种实施方案中，架构包括用作一个或多个卷积层304、306、308、310、312、314、316的输入的一个或多个图像302，每个卷积层的操作类似于图1的层106。在各种实施例中，架构是残差网络，包括一个或多个跳跃连接318、320、逐元素总和322、324，用于将一个或多个特征信息从前一层传递到后一层，同时保持图像细节并避免或缓解梯度消失问题。在各种实施例中，网络学习散斑图像(或减影图像)326的所得经估计分量。输出的去噪图像328通过利用逐元素减法器330经由跳跃连接332从输入图像302减去图像326来产生。在各个替代性实施例中，逐元素减法器330可包括除法元素。在此实施方案中，输入图像302除以经估计散斑图像326。然后，结果通过非线性函数层，任选地双曲正切层，产生去噪图像328。通过设置再现噪音的双重目标，训练变得更加有效。鉴于训练数据的固有稀缺性，这对于art生殖解剖结构的检测、识别、分割或分类非常重要。残差映射的实施方案可以带来更有效的学习，并在通过多层网络后迅速减小损失函数。不受理论束缚，残差图像中的大多数像素值都接近于零，残差特征图的空间分布应该非常稀疏，这会导致梯度下降过程产生滤波器参数的更平滑的超损失曲面。搜索接近最优的分配变得更快、更容易，从而能够向网络添加更多层以提高性能。[0107]图4是根据各种实施例的用于us图像去斑过程的深度学习网络的流程图400。此方法涉及的三个主要过程是训练数据集的数据处理、cnn训练和图像去斑。在各种实施例中，数据处理(步骤402)包括处理无噪声图像404和带散斑图像406，这可包含将图像归一化和划分成更小的分块。划分后的分块为用于cnn训练的前馈网络提供输入。带散斑图像406中的一个或多个有噪声分块(例如，图1的核102)提供输入，并且无噪声图像404的无噪声分块是目标输出。在一个实施方案中，反向传播sdg可减少误差，并增加准确性。在各种实施例中，分块经历前馈过程，然后反向传播以更新一个或多个网络参数(步骤408)。因为采用sgd进行优化，所以随机选择一个分块作为输入，并且在训练过程中只使用一次。网络选择一个具有对应无噪声分块的输入分块，计算无噪声分块和网络输出之间的误差，然后计算不同隐藏层(例如，图2的204、206、208)之间的误差。在每次迭代中，创建新的学习后的图像410，随后通过计算412进一步最小化损失函数来改进此图像。在网络参数步骤408中，通过将当前值与误差偏导数的计算结果相加来更新权重。在更新之后，将使用分块x和分块y之间的误差和损失减少对来自学习后的网络414的新图像进行去斑，所述网络具有通过最小损失收敛获得的参数。经训练网络的结果是权重和阈值的集合。学习后的网络414使得有噪声图像416能够被去斑成去噪图像(或无噪声图像)418。[0108]在各个非限制性实施例中，所述us-drn的训练包括使用100到500个图像，这些图像任选地从us扫描仪或装置获得且被进一步调整尺寸(例如，256x256)。在各种实施例中，一个或多个2d通道可分配给所关注体积(voi)中对应的轴向、冠状或矢状切片。在各种实施例中，对3dus数据集进行再取样，以提取具有固定体素数量的不同物理尺度下的一个或多个体素。每个voi可在3d空间中沿随机向量平移以重复n次。每个voi也可以用于扩展训练数据集的一个或多个随机角度在随机定向的向量周围平移以重复n次。在各种实施例中，核或分块的大小可以选择性地设置(例如，40x40)，步长也是如此(例如，1到10)。在各种实施例中，网络训练包括在若干时期(例如，20个等)内使用优化方法(例如，adam优化)作为具有某一学习速率(例如，0.0002)的小批量(例如，16)梯度下降方法。在各种实施例中，训练正则化参数设置成等于所选值(例如，0.002)。在各种实施例中，去噪器模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)，cnn工具箱是matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)，且gpu平台是nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，滤波器系统和方法的性能评估包括但不限于使用标准差(std)、峰值信噪比(pnsr)、等效视数(enl)和边缘保持指数(epi)、结构相似性指数测量(ssim)，以及对去噪图像比率(um)的一阶和二阶描述符的质量的独立度量。psnr值越高，算法的去噪能力越强。enl值越大，视觉效果越好。epi值反映了边界保持能力，值越大越好。ssim指示去噪之后图像结构的相似性，且尽可能得大。um不依赖于源图像来评估去噪图像——值越小，散斑抑制能力越强。在各种实施例中，所述方法包括相比于使用多个输入通道执行2d卷积，使用3d卷积来提取更多信息。[0109]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理的art时用于至少一个us图像的对象检测、识别、注释、分割或分类的ann系统和方法，优选地使用由所述us-drn架构处理的去噪图像来进行。图5是根据各种实施例的计算机辅助诊断(cad)架构和处理方法的示意图500。在各种实施例中，cad架构包括一个或多个模块化组件，包含图像预处理模块502、图像分割模块506、特征提取和选择模块508，和分类模块510。在各种实施例中，图像预处理模块502执行一个或多个步骤，包含但不限于散斑的增强、平滑或减少，从而产生例如图4的去噪图像418。在各种实施例中，图像分割模块506执行一个或多个步骤，包含但不限于将图像分割成一个或多个不重叠区域，并且一个或多个识别的所关注区域(roi)或voi与背景分隔开。在各种实施例中，一个或多个roi或voi用于特征提取。在各种实施例中，特征提取和选择模块508执行一个或多个步骤，包含但不限于特征提取或移除、旨在构建一组最佳特征以准确区分生殖解剖结构的一个或多个相关特征的特征子集的选择。在各种实施例中，分类模块510执行一个或多个步骤，包含但不限于应用分类技术以对一个或多个生殖解剖结构进行分类。在各种实施例中，所选cnn架构和方法支持卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、窦状卵泡等等的检测、识别、注释、分割或分类。[0110]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理时用于使用一个或多个软件应用程序驱动程序进行至少一个us图像的对象检测、识别、注释、分割或分类的框架。在各种实施例中，一个或多个应用程序驱动程序为图5中描述的cad系统的特定模块功能定义公共结构。应用程序用于实例化数据、应用程序对象和工作负荷分布，以及组合来自各种计算资源(例如，多个cpu或gpu)的结果。应用程序驱动程序将特定于应用程序的功能委托给单独的应用程序类。在各种实施例中，可以从命令行或使用人类可读的配置文件以编程方式配置应用程序驱动程序，优选地包含可以偏离默认值的数据集定义和设置。应用程序类通过连接包含但不限于以下各项来封装标准分析：用于加载数据的读取器驱动程序、用于生成数据样本供处理的取样器驱动程序、用于处理输入(例如，图4的418)的网络驱动程序(优选为cnn)，以及在推断和评估期间的输出处理器(包括驱动程序，例如图2的损失函228驱动程序和优化230驱动程序)和聚合器驱动程序。在各种实施例中，驱动程序进一步包括一个或多个子组件，例如用于执行数据增强。[0111]用于分析的cad系统包含临床工作流程的许多任务或应用：检测、注册(registration)、重建、增强、模型表示、分割、分类等。不同的应用使用不同类型的输入和输出、不同的网络和不同的评估指标。在优选实施例中，框架平台以模块化方式设计，通过将工作流封装在应用程序类中来支持添加任何新的应用程序类型。应用程序类定义网络和损失函数所需的数据接口，促进数据取样器和输出对象的实例化，根据需要将它们连接起来，并指定训练方案。在非限制性实例中，在训练期间，均匀取样器驱动程序能够生成小的图像分块和对应的标签，由所述cnn处理以生成分段，使用损失函数驱动程序并使用adam优化器函数驱动程序计算用于反向传播的损失。在推断过程中，网格取样器驱动程序可以生成一组非重叠的分块以将图像转换为段，所述网络生成对应的分段，并且网格样本聚合器驱动程序将分块聚合为最终分段。[0112]dl架构包括简单函数的复杂组合，这些函数可以通过重复使用概念块来简化。在一个实施方案中，框架平台包括由封装层类表示的概念块，或使用tensorflow的作用域系统进行内联表示的概念块。在各种实施例中，一个或多个复合层构造为简单的复合层和tensorflow操作。在一个实施方案中，使用tensorboard可视化工具，网络图的可视化自动支持为不同细节级别的层次结构。在各种实施例中，层对象在实例化时定义一个或多个作用域，允许重复使用，从而支持复杂的权重共享，而不会破坏封装。在各种实施例中，一个或多个读取器类允许从一个或多个医学文件格式加载图像文件来获得特定数据集，并应用图像范围的预处理。在各种实施方案中，框架平台使用nibabel来促进广泛范围的数据格式。在优选实施例中，框架平台在将输入数据集映射到要处理的数据包以及将处理后的数据映射到有用输出方面具有灵活性。前者封装在一个或多个取样器类中，后者封装在输出处理器中。匹配的取样器和输出处理器的实例化被委托给应用程序类。取样器生成一系列对应数据包以供处理。每个包含有一次独立计算的所有数据(例如，训练期间梯度下降的一步)，包含图像、标签、分类、噪声样本或处理所需的其它数据。在训练期间，从训练数据中随机抽取样本，而在推断和评估过程中，系统地抽取样本来处理整个数据集。在训练期间，输出处理器获取网络输出，计算损失和损失相对于可训练变量的梯度，并使用优化器驱动程序迭代地训练模型。在推断期间，输出处理器通过聚合一个或多个网络输出并执行任何必要的后处理(例如，将输出调整为原始图像大小)来生成有用的输出。在各种实施例中，平台内的数据增强和归一化被实施为在取样器中应用的层类。在优选实施例中，框架平台能够支持均值、方差和直方图强度数据归一化，以及空间数据增强的翻转、旋转和缩放。[0113]图6是用于检测“可募集”卵泡的过程的示意流程图600。检测过程包括级联cnn基础方法。首先，使用例如图5的图像处理模块502进行去噪和预处理的至少一个us图像的一个或多个roi或voi由熟练的超声学家或医生粗略地描绘或勾勒(步骤602)，以用作训练数据集。其次，训练604cnn(例如，n个卷积层和n个池化层)以分割“可募集”卵泡606并生成对应的分割概率图608。第三，使用一个或多个算子，包含但不限于二值化算子、腐蚀算子或膨胀算子，将所有分割概率图分成不同的连接区域。最后，基于由一个或多个分裂后的分割概率图608重新标记的us图像分块，采用cnn610检测“可募集”卵泡612，从而生成输出614。[0114]参考图7，示出了根据实施例的用于检测“可募集”卵泡的cnn架构的示意图。在这个非限制性实施方案中，图像(例如，图4的418)作为输入引入到图6的cnn604架构的第一卷积层(conv)704中，此卷积层使用一个或多个滤波器(例如，13x13)、2个像素的步长大小和6x6像素的填白大小生成一个或多个特征图706，随后图像进行最大池化。后续的卷积层708均通过大小5x5的滤波器生成265个45x45大小的特征图710。在第二卷积层中使用2个像素的填白大小和2个像素的步长大小。最大池化进一步减小了特征图的大小。在后续层712中使用2个像素的填白大小和1个像素的步长大小。残差卷积层包括1个像素的填白大小和1个像素的步长大小。此外，除最后两个卷积层以外的残差卷积层712、714中的每一个包括3x3大小的滤波器，生成384个22x22大小的特征图。具有3x3大小的滤波器的倒数第二个卷积层714生成256个22x22大小的特征图。具有3x3大小的滤波器的最后一个卷积层716生成一个44x44大小的特征图。两个窗大小为3x3的最大池化层706、710分别跟在第一卷积层704和第三卷积层708之后。在一个实施例中，在这两个池化层中使用两个像素的步长大小。任选地，在第一池化层706中仅使用一个像素的填白大小。另外，使用函数参数修正线性单元(prelu)作为激活函数，其参数可以使用本公开的一个或多个所述学习方法自适应地学习。此外，对于卵泡检测，cnn610架构包括四个卷积层720、724、728、732、四个池化层722、726、730、734和两个全连接层736、738，这两个全连接层分别具有64个和1个输出。第一卷积层720通过5x5大小的滤波器以一个像素的步长大小和两个像素的填白大小从图718(例如，图6的608)生成64x64大小的特征图。第二卷积层724通过5x5大小的滤波器以两个像素的填白大小和一个像素的步长大小生成64个32x32大小的特征图。第三卷积层728通过3x3大小的滤波器以一个像素的填白大小和一个像素的步长大小生成64个16x16大小的特征图。最后一个卷积层732通过3x3大小的滤波器以一个像素的填白大小和一个像素的步长大小生成384个8x8大小的特征图。在优选实施例中，当前层中的特征图连接到先前层中的所有特征图。前两个卷积层720、724都后跟着填白为1、步长为2且窗大小为3的最大池化层722、726。第三卷积层728后跟着步长为2且窗大小为2的最大池化层730。第四卷积层732后跟着步长为8且窗大小为8的最大池化层734。激活函数是修正线性单元(relu)，它具有应用于所有隐藏单元的逐点非线性。在各种实施例中，在每一个relu操作之后还应用局部响应归一化方案。在第二全连接层738的输出之后，使用softmax层740通过最小化预测标签(即，可募集卵泡)和真实数据标签(即，先验分割的可募集卵泡)之间的交叉熵损失来生成类标签(例如，不可募集或可募集卵泡)上的分布。[0115]在一个实施方案中，用于检测可募集卵泡的训练过程包括三个步骤。首先，使用含有从可募集卵泡的图像提取的分块的数据利用随机初始化参数训练图6的cnn604。在一个实施方案中，从这些可募集卵泡图像中随机取样裁剪的大小的图像分块(例如，图7的353x353702)是图6的cnn604的输入。它们由概率图标记，其像素值在区间[例如，0:1；0:9]内，这是根据图像分块与其对应的二值掩码之间的关系确定的。图6的关于可募集卵泡的分割概率图608是图6的cnn604的输出。在各种实施例中，改进的性能包括使用多视图策略来训练图6的cnn604。其次，由连续二值化算子、腐蚀算子和膨胀算子组成的一个或多个分裂方法是将通过图6的cnn604生成的分割概率图的连接区域分成若干个孤立的连接区域。例如，值来自步长0.01的区间[0:15；0:7]的连续二值化算子可用于将图6的分割概率图608二值化。在各种实施例中，可以实施图5中描述的所述框架平台的一个或多个工作流应用，以执行用于识别、检测分割或分类一个或多个可募集卵泡的过程的一个或多个模块功能。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)，cnn工具箱是matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)，且gpu平台是nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，检测过程支持不限于“可募集”卵泡的替代生殖解剖结构的检测、识别、分割或分类，所述生殖解剖结构包含但不限于卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、窦状卵泡等等。在各种实施例中，一个或多个结果以电子方式记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0116]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理时用于对象检测框架的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据一个或多个us图像进行一个或多个生殖解剖结构随时间推移的对象检测(例如，卵泡检测)、定位、计数和跟踪(例如，卵泡生长率)。在各种实施例中，一个或多个检测器或分类器在像素空间中训练，在像素空间中一个或多个目标生殖解剖结构的位置被标记(例如，卵泡)。对于卵泡检测，输出空间包括指示卵泡中心的一个或多个稀疏标记像素。在各种实施例中，输出空间编码为固定维度的压缩向量，优选地短于原始稀疏像素空间(即，压缩感知)。在各种实施例中，cnn从输入像素(例如，us图像)回归所述向量。在各种实施例中，输出像素上的卵泡位置使用归一化恢复，归一化包含但不限于l1归一化。[0117]不受理论束缚，尼奎斯特-香农取样定理(nyquist-shannonsamplingtheorem)指出，重建带限信号需要一定的最小取样率。压缩感知(cs)有可能降低线性变换下稀疏信号的取样和计算要求。cs的前提是通过有限数量的线性观察来观察(感测)未知的受关注信号。已经证明，在信号稀疏和矩阵不相干的假设下，从这些观察中获得未知信号的稳定重建是可能的。信号恢复技术通常依赖于具有l1归一化表示的惩罚的凸优化方法，例如正交匹配追踪或增广拉格朗日方法。[0118]本公开的目标是在提供用于临床不孕症的治疗和临床管理的art和oi时用于对象检测和表征框架的ann系统和方法。在各种实施例中，ann包括配置用于实例分割以支持根据一个或多个us图像进行的一个或多个生殖解剖结构随时间推移的对象检测(例如，卵泡检测)、定位、形态表征、大小确定、计数和跟踪(例如，卵泡生长率)的架构。在一个实施例中，所述架构包括用于包含但不限于卵泡的一个或多个生殖解剖结构的实例分割、边缘检测和增强、量化、大小确定和计数的机器学习方法的集合。在各种实施例中，所述架构包括一个或多个ann架构，包含但不限于快速/更快cnn、全卷积网络(fcn)、掩码区域卷积神经网络(掩码r-cnn)或其组合。在各种实施例中，边缘检测包括使用一个或多个方法，包含但不限于梯度、拉普拉斯等等。在一个实施例中，边缘方法包含但不限于一个或多个滤波器，例如索贝尔滤波器。在各种实施例中，所述方法包括结合用于形态表征的图像处理方法的多任务端到端深度学习框架，形态表征包含但不限于解剖结构大小、长度、宽度、直径、体积(例如，卵泡体积)。[0119]参考图7b，示出了根据实施例的用于卵泡分割、表征和跟踪的多任务端到端深度学习框架700b的示意图。在这个非限制性实施方案中，图像702b(例如，图4的418)作为输入引入到markr-cnn704b架构中以执行实例分割。实例分割需要正确地检测图像中的所有对象，同时精确地分割所检测对象的每一实例。实例分割结合了各个对象的分类，并使用具有语义分割的边界框对每个对象进行定位，语义分割将每个像素分类为一组固定的类别，而不进行区分。704b网络的输出由一个或多个边缘滤波器706b处理，因为掩码r-cnn网络提供了含有卵泡的区域的粗略分割。在各种实施例中，边缘检测用于识别tvus图像702b中具有显著亮度梯度的区域。在一个实施例中，选择索贝尔图像梯度滤波器来最大限度地减少计算开销。索贝尔滤波器是用于对一个或多个卵泡进行边缘检测的2d滤波器，描述了竖直和水平方向上依赖于旋转的一阶梯度操作。图像702b中卵泡的边缘对应于滤波器方向的高绝对响应。在一个实施例中，一旦检测到卵泡，就可以使用包括视觉几何组(vgg)cnn架构的卵泡计数器708b来执行计数。在各种实施例中，用于卵泡计数的cnn是由11个具有3x3像素的滤波器的2d卷积层组成的vgg-11网络。滤波器的数量从64到512不等。每一卷积层之后依次是批量归一化层、泄漏relu(leakyrelu)和最大池化层。vgg-11用于特征提取。计数预测将使用三个全连接层(例如，维度：1024、512、1)，它们通过批量归一化层和泄漏relu(leakyrelu)分隔开，以防输出负数。在另一实施例中，检测到的卵泡的形态使用形态表征器710b在大小、面积、体积等等或其组合方面进行表征。在一个实施例中，边界框中卵泡掩码之外的区域被去除，并且掩码中的灰度图像使用otsu法二值化。卵泡掩码的分布比卵泡稍宽，因此在二值化后，掩码中仍可能保留一些噪声。在实施例中，通过形态分析计算面积和偏心率，并删除预设大小和偏心率以下的区域，可以去除此噪声。卵泡的一个或多个度量维度(例如，长度、宽度等)可以通过以下步骤使用卵泡对象的骨架化和边缘来计算：(a)在骨架中找到两个相邻像素；(b)使用这两个相邻像素计算像素的定向；(c)根据计算出的定向绘制像素的法线；(d)找到两条边缘相交的像素；和(e)计算这两个相交像素之间的像素距离。骨架化用于将逐像素卵泡转换成单像素宽的表示。在各种实施例中，卵泡跟踪包括使用卵泡计数器708b和表征器710b的输出作为卵泡跟踪器712b的输入。在一个实施例中，卵泡跟踪器712b包括使用基于线性分配问题的方法来构建生长曲线，并在一段时间内从日间2dtvus图像跟踪卵泡，以确定各个区域(直径)相对于时间的生长曲线。例如，在整个延时图像序列中给定一组检测到的卵泡，所述算法首先在连续帧之间链接检测到的卵泡，然后链接第一步中生成的轨迹段，以同时闭合间隙并捕获卵泡运动事件。在某些实施例中，通过使用计数器708b的输出计算卵泡数，并使用表征器710b从每天在每个卵泡采集的图像得到的输出计算卵泡面积/直径的变化，来构建直方图(卵泡数相较于直径/天数)。在一个实施例中，使用生长率和检测到的卵泡实例，构建了具有单卵泡分辨率的卵泡生长率空间图。[0120]参考图7c，示出了根据实施例的用于卵泡实例分割700c的markr-cnn704b架构的示意图。所述架构包括一个或多个基于根据图7b的一个或多个tvus图像702b更改的resnet架构的特征金字塔网络(fpn)702c作为掩码r-cnn的主干。掩码rcnn补充了支持掩码预测的更快r-cnn架构。掩码r-cnn用roi对准(roialign)704c替代了更快r-cnn网络中的受关注区域(roi)池化层，以引入插值过程来解决由通过池化直接取样造成的对准问题。在各种实施例中，一个或多个全连接网络层(fcn)702c、706c、708c、710c、712c依序和或并行配置，并用于预测一个或多个卵泡的像素级实例掩码。在各种实施例中，图7b的掩码r-cnn704b网络构造成具有用于粗略卵泡检测和定位的三个阶段：特征提取、区域提议(regionproposal)和预测。掩码r-cnn使用所述fpn生成候选区域roi，通过例如非限制性的resnet-101的resnet714c进行特征提取，然后通过像素级信息获得卵泡的金字塔特征图716c。这种添加允许网络利用较低层中的高分辨率特征图进行准确定位。提取过程与更快r-cnn使用区域提议网络(rpn)718c生成边界框提议从而执行对象/非对象二值分类和边界框回归的提取过程相同。图7b的图像702b及每个roi中的每个roi区域的特征图716c使用roi对准704c校正。然后，在获得每个roi区域的特征图之后，使用全连接fc层720c预测每个区域的分类和边界框。每个roi使用所设计的全连接网络fcn722c框架预测roi区域中每个像素的类别。作为最终结果，markr-cnn704b为一个或多个卵泡生成一个或多个分割掩码。[0121]现在参考图7d，示出了卵泡跟踪700d的过程流程图。根据实施例，由图7b的卵泡跟踪器712b执行的卵泡跟踪包括一个或多个步骤：在图7b的tvus图像702b的两个或更多个连续帧之间链接检测到的卵泡，然后链接第一步中生成的轨迹段，以同时闭合间隙并捕获卵泡运动。在第一过程流步骤中，可以通过在连续帧之间链接检测到的卵泡来构建一个或多个卵泡轨迹段，约束条件是一个帧中的卵泡最多可以链接到上一帧或下一帧中的一个卵泡。轨迹由一个或多个图像序列(702d)通过检测每个帧中的卵泡(704d)以确定每个帧中的卵泡位置(706d)来构造。在随后的过程流步骤中，在连续帧之间链接卵泡(708d)以形成跟踪段(710d)。在随后的过程流步骤中，可以闭合图像之间的间隙以捕获初始轨迹段之间的合并和分裂事件(712d)，直至完成(714d)。在各种实施例中，解决一个或多个线性分配问题(lap)来制定帧间卵泡链接步骤和间隙闭合、合并和分裂步骤。在lap框架中，每个潜在的分配(第一步中的卵泡分配、第二步中的轨迹段分配)都可以表征为成本函数，并通过全局或局部成本最小化矩阵进行求解。在某些实施例中，在帧间卵泡链接步骤(708d)中将一个或多个卵泡或轨迹分配给一个或多个潜在分配。源帧t中的卵泡可链接到目标帧t 1中的卵泡(成本函数a)。在替代实施例中，源帧中的卵泡可以不链接到任何东西，使得轨迹段结束(成本函数b)，或者目标帧中的粒子可以不被任何东西链接，使得轨迹段开始(成本函数c)。在各种实施例中，在间隙闭合、合并和分裂步骤(712d)中，有六种类型的潜在卵泡分配可能存在成本竞争。一个轨迹段的末端可以链接到另一轨迹段的起点，由此闭合间隙(成本函数d)，一个轨迹段的末端可以链接到另一轨迹段的中点，从而引起合并(成本函数e)，或者一个轨迹段的起点可以被另一轨迹段的中点所链接，从而引起分裂(成本函数f)。在替代实施例中，一个轨迹段的末端可以链接到空白，从而引起轨迹终止(成本函数g)，一个轨迹段的起点可被空白链接，从而引起轨迹开始(成本函数h)，或者引入用于合并和分裂的轨迹段中点可以链接到空白，从而拒绝合并或分裂(成本函数d'和b')。在此步骤中，整个序列中的所有轨迹段都在相互竞争。在各种实施例中，成本函数是针对特定的跟踪应用而定制的，例如，在卵泡运动的一个或多个假设(例如，各向同性随机运动、布朗运动等)下。[0122]现在参考图8，示出了根据各种实施例的卵泡检测和定位框架800的流程图。所述框架包括使用一个或多个随机投影的卵泡定位编码阶段、用于捕获us图像和经编码信号y之间的一个或多个关系的基于cnn的回归模型，以及用于恢复和检测的解码阶段。在各种实施例中，在训练期间，卵泡的真实位置由逐像素二进制注释图804指示。在各种实施例中，一个或多个编码方案806将卵泡位置从图像802的像素空间表示转换成压缩信号y808。然后，各自由含有一个或多个卵泡的us图像812(例如，图4的418)和压缩后信号y808组成的训练对810训练cnn814以用作多标签回归模型。在一个实施方案中，在训练过程中使用欧几里德损失，因为它适用于执行回归。在各种实施例中，数据增强包括旨在获得旋转稳健性的训练集的一个或多个图像旋转。在各种实施例中，在测试期间，训练后的cnn814为作为输入提供到第一卷积层的每个测试图像818生成估计信号y'816的输出。随后，使用解码方案820通过利用一个或多个感知矩阵824对估计信号y'816执行l1最小化恢复来估计真实卵泡位置预测822，所述矩阵通过一个或多个编码或解码方案确定。[0123]所述框架可以采用数个编码方案。在各种实施例中，框架采用一个或多个基于随机投影的编码方案。在各种实施例中，每个卵泡的中间附有点标记、十字标记或边界框。在一个实施例中，逐像素二进制注释图804包括w乘h的大小，通过在卵泡质心的像素处标记1并在背景像素处标记0来指示一个或多个卵泡的位置。在一个实施例中，注释图804通过将图804的每一行连结成二进制向量f长度wh来向量化。因此，图804中带有{x,y}坐标的正元素将被编码到向量f中的第[x h(y-1)]位。在向量f生成之后，应用随机投影。向量f可由一个或多个线性观察结果y表示，它与感知矩阵824和向量f成比例。不受理论束缚，感知矩阵824优选地满足一个或多个条件，包含但不限于等长特性。在一个实施方案中，矩阵824是随机高斯矩阵。在替代实施例中，采用另一个专门用于处理大型图像的编码方案806，以减少计算负担。在各种实施例中，每个卵泡质心的坐标被投影到多个观察轴上。创建一组观察轴，观察总数为n。在一个实施方案中，观察轴均匀地分布在图像802周围。对于n个观察轴oan，卵泡的位置被编码成r长度的稀疏信号。计算卵泡到n个观察轴oan的垂直符号距离(fn)。因此，fn含有符号距离作为oan个卵泡哪一侧面的距离和位置的度量。在oan下卵泡位置的编码是yn，通过随机投影获得。类似地，yn是比例矩阵824乘符号距离fn。在各种实施例中，针对所有n个观察轴重复此过程以获得每个yn。卵泡位置的联合表示是在连结总yn之后从编码结果y导出的。类似地，所述框架可以采用解码方案来恢复向量f。在各种实施例中，通过解决l1归一化凸优化问题来实现从编码信号y准确恢复。f的恢复能够定位每个真正的卵泡，定位n次，具有n个预测位置822。[0124]卵泡检测和定位框架包括用于构建us图像812和其卵泡位置表示或压缩信号y808之间的至少一个回归模型的一个或多个cnn814。在一个实施方案中，cnn814包括由5个卷积层和3个全连接层组成但不限于这些层的网络。在替代实施方案中，cnn814包括例如具有100层模型的深度神经网络。在其它实施方案中，cnn814包括一个或多个在本公开内公开的cnn。在各种实施例中，可以采用一个或多个损失函数，包含但不限于欧几里得损失或本公开的其它所述损失函数。在各种实施例中，所述cnn的输出层的维度可被修改为压缩信号y808的长度。在各种实施例中，一个或多个cnn814模型可以进一步使用额外的学习方法来优化用于定位和卵泡计数，学习方法包含但不限于多任务学习(mtl)。在各种实施例中，在训练期间，将一个或多个标签提供给cnn。在一个实施方案中，编码向量y带有卵泡的像素级位置信息。在另一实施方案中，标量或卵泡计数(c)表示训练图像分块、滤波器或核中的卵泡总数。在各种实施例中，两个或更多个所述标签可以连结成最终训练标签。然后，在组合标签上应用一个或多个损失函数。因此，卵泡检测和计数的监督信息可以共同用于优化cnn模型参数。可以采用大量方形分块来进行训练。可以采用信号(即，编码结果：y)以及每个训练分块来指示存在于每一分块中的目标卵泡的位置。可以通过对训练分块的集合执行分块旋转来采用数据增强，从而使系统旋转不变。在各种实施例中，一个或多个mtl框架可用于解决接触和成簇卵泡的情况。在一个实施方案中，将包含但不限于纹理、形态、边界、轮廓信息的一个或多个卵泡外观整合到mtl框架中，以形成深度轮廓感知网络，优选地，互补的外观和轮廓信息可以进一步提高中间特征的辨别能力，因此可以更准确地将接触或成簇卵泡分成单独的卵泡。在各种实施例中，以端到端方式训练cnn，以提高性能。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)，cnn工具箱是matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)，且gpu平台是nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，所述过程支持不限于卵泡的替代生殖解剖结构的检测、定位和计数，所述生殖解剖结构包含但不限于卵巢、囊肿、囊性卵巢、多囊卵巢等等。在各种实施例中，一个或多个结果以电子方式记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0125]参考图9，示出了根据各种实施例的卵泡跟踪框架的流程图900。卵泡跟踪框架包括一个或多个cnn902、904，专门负责辨别卵泡大小、体积或质量，然后使用网络实时地生成跟踪特征图。在各种实施例中，跟踪框架学习专门用于每个所跟踪卵泡的相关性滤波器，对通过cnn902、904提取的特征进行训练。在各种实施方案中，深度语义与早期滤波器的空间分辨率组合，以实现组合式准确跟踪。在优选实施例中，利用从一个或多个cnn网络分割过程获得的预计算特征图，例如图6的606、608，训练至少一个所述网络以执行多个任务。卵泡跟踪系统包括层次跟踪器，用于基于提取到的特征执行相关性滤波器跟踪。在各种实施例中，跟踪器计算傅里叶空间中的一个或多个循环核(circularizedkernel)以提高性能。在每个所跟踪卵泡处，搜索窗位于输入的第一帧中的卵泡上方。此帧是从一个或多个分割图输出(例如，图6的606、608)获得的一组神经网络特征。一旦搜索窗被定位，就通过最小化任选地在傅里叶空间域中执行的损失函数来学习一个或多个相关性滤波器。在每个跟踪时间步，相关性滤波器是搜索窗z内上覆在目标卵泡的最近已知位置的匹配特征，所述最近已知位置从图8的一个或多个特征图804或卵泡位置预测822获得。在各种实施例中，至少一个滤波器在选定cnn的一个或多个层上训练。在各种实施例中，在每个时间步，一个或多个相关性滤波器是搜索窗z内上覆在目标卵泡的最近已知位置的匹配特征。优选地在傅里叶空间域中计算一个或多个匹配。在各种实施例中，一个或多个深度滤波器以加权方式传播到较高层级别。通过采用{m,n}的argmaxfo发现一个或多个估计的新位置，并且将新搜索重新对准到所述新位置。再次参考图9，在各种实施例中，follicletrack906采用指示跟踪目标卵泡的一个或多个位置的一个或多个经分割图像(例如，图8的814、822)作为输入，优选地，时序序列中的第一帧、一个或多个原始图像、一个或多个处理后的图像，或特征图输出(例如，图6的606、608)、cnn902和cnn904的一个或多个卷积层。可选择一个或多个卵泡用于跟踪，或者可以跨时序跟踪经分割卵泡。时序(例如，秒、分钟、小时、日等)序列包括包含但不限于以下的一个或多个序列：实时经阴道us图像、经阴道us图像的所存储序列、从us扫描仪/装置检索到的图像、从us扫描仪/装置传输的图像。在各种实施例中，cnn902是设计成在物理尺寸和尺寸变化方面进一步分割卵泡的深度卷积神经网络。一个或多个训练集用于训练网络，使得根据us图像(例如，2d、3d等)按大小、形状、体积、分布、平均值、标准差、形态、位置、位移、生长率分割卵泡。在各种实施方案中，follicletrack906的一个或多个输出是含有包含但不限于以下的列表：每个卵泡的一个或多个学习滤波器、每个时间步的卵泡质心位置的历史、卵泡位置的历史、卵泡分布(大小、体积等)、移动、位移、生长率(大小、体积等)。在各种实施例中，输出数据允许注释一个或多个经分割或未标记的图像，或直接绘制卵泡轨迹(例如，移动、生长率)。在各种实施例中，us图像从历史数据库中获得，数据库含有整理后的关于可募集卵泡、不可募集卵泡(按大小或体积区分)等或其组合的信息。在各种实施例中，us图像由熟练的超声学家或在识别生殖解剖结构方面具有专业知识且最好可以区分最佳卵泡的特征、大小、卵泡分布、体积、生长率的医生注释，以便提取和着床。在各种实施例中，cnn902包括但不限于五个卷积层908、910、912、914、916，后跟着全连接层918，进给到最终fc920。一个或多个输出922包含但不限于一个或多个卵泡的卵泡大小/体积范围、分布、平均值、标准差或生长率(例如，每天1mm)。在各种实施例中，cnn902根据us图像输入的至少一个帧产生一组或多组掩码和特征图，us图像输入从至少一个患者获得，来自至少一次卵泡跟踪检查。在各种实施例中，cnn904是设计成在质量或质量变化方面进一步分割卵泡的深度卷积神经网络。在一个实施方案中，cnn904包括六个具有relu激活的3x3卷积层924、926、928、930、932、934、maxpool层936和softmax层938，及输出940。在各种实施方案中，在网络的一个或多个级别处实施退出(dropout)。在一个实施方案中，网络被编程为从每个卷积层产生输出特征图以及标签分类分数。在各种实施例中，所述卷积层产生一个或多个特征图用于卵泡间区分。在各种实施例中，所述层次方法与本公开的一个或多个其它网络组合以提高跟踪准确性。在一个实施方案中，每个搜索窗处的经加权相关性滤波器使得能够进行线性分配，增强其跟踪卵泡的能力。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)、cnn工具箱matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)和gpu平台nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，所述过程支持不限于卵泡的替代生殖解剖结构的检测、定位、计数和跟踪，所述生殖解剖结构包含但不限于卵母细胞、囊胚、卵巢、囊肿、囊性卵巢、多囊卵巢、子宫内膜厚度等等。在各种实施例中，一个或多个结果以电子方式记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0126]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理的art时用于分析电子医疗记录的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据至少一个纵向患者电子医疗记录(emr)、电子健康记录(ehr)、数据库等等对一个或多个患者进行特征提取或表型分析。电子表型分析是指从纵向患者健康记录提取有效表型的问题。从患者的emr或ehr中有效提取特征的挑战是高维性，这是由于大量不同的医疗事件、ehr随时间演变的时间性以及数据的稀疏性、不规则性和系统性错误或偏差。数据的时间矩阵表示用于将患者医疗记录表示为时间矩阵，一个维度对应于时间，另一个维度对应于医疗事件。在各种实施例中，时间ehr信息或医疗记录转换成一个或多个二进制稀疏矩阵，包括水平维度(时间)和竖直维度(医疗事件)。在一个实施方案中，如果在患者医疗记录中在时间戳j记录了或观察到第i个事件，那么特定患者的矩阵中的条目(i,j)等于1。参考图10，示出了根据各种实施例的emr数据卷积网络架构的图1000。所述架构包括含有一个或多个患者emr矩阵的第一层(或矩阵)1002和cnn1004。在各种实施例中，cnn1004进一步包括：一个或多个卷积层1004a，优选为单侧卷积层；池化层1004b，优选地用于在学习特征上引入稀疏性；以及fc层1004c。在各种实施例中，卷积层1004a包括患者emr矩阵1002的时间维度上的卷积算子。在一个实施方案中，具有长度l的每个事件矩阵1002由向量x表示，其中xi为对应于第i个事件项的d维事件向量。在各种实施例中，xi:i j表示项xi、xi 1、……、xi j的串联。单边卷积滤波器操作包括应用于n个事件特征的窗产生新特征的滤波器。例如，使用一个或多个非线性激活函数，优选为relu，从事件窗(例如，xi:i n-1)生成特征ci。将滤波器应用于一个或多个事件矩阵1002中的每个可能的特征窗，以产生特征图1004d。均值池化层1004b应用于一个或多个特征图1004d以获得平均值c。在优选实施例中，捕获每个特征图的具有最高值的一个或多个重要特征，以用于特征提取。fc层1004c是与使用一个或多个单帧进行分类或预测的一个或多个softmax分类器链接的全连接层。[0127]emr数据在时间上变化很大，且预测需要时间连接。在各种实施例中，使用一个或多个时间融合将时间平滑度结合到学习过程中。在各种实施例中，将一个或多个数据样本处理为单个帧的短的固定大小的子帧的集合，含有若干个连续的时间间隔。在一个实施方案中，模型通过修改卷积层1004a以在时间上扩展而跨时间域融合信息，这是早期在网络1004中执行的。在一个实施方案中，近端融合在基本事件特征级别上立即结合整个时间窗的信息。卷积层1004a的一或多个滤波器被修改以扩展对一个或多个子帧的操作。在另一实施方案中，远端融合模型对全连接层1004c执行融合。在一个实施例中，一个或多个单独的单帧网络或子帧在全连接层中合并，由此检测一个或多个子帧中已有的模式。在另一实施方案中，近端和远端时间融合之间的平衡使得整个网络的信息能够缓慢融合。在各种实施例中，网络的较高层在时间上渐进性地接收越来越多的全局信息。在一个实施方案中，连接在时间上扩展到所有卷积层，并且全连接层1004c可通过比较所有输出层来计算全局模式特征。所述框架通过利用高阶时间事件关系能够产生有见地的患者表型。在各种实施例中，一个或多个神经元活动记录可以观察指示健康或医疗状况的模式。在一个实施方案中，一个或多个神经元输出在一个或多个顶部层中接收最高权重，优选为归一化的最高权重，以用于状况的正面或负面分类。可以使用一个或多个滑动窗切割(最小、最大窗大小)来识别出现在训练集中高度激活一个或多个对应神经元的一个或多个区域，以获得一个或多个排名靠前的区域或模式。在另一实施方案中，一个或多个神经元权重被聚合并分配给医疗或健康状况，是用于患者表型提取和预测目的的重要特征。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)、cnn工具箱matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)和gpu平台nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专用框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。[0128]在各种实施例中，所述医疗记录包括一个或多个存储的患者记录，优选为接受不孕症治疗的患者的记录、超声图像、所述生殖解剖结构的图像、医生记录、临床记录、医生注释、诊断结果、体液生物标志物、激素标志物、激素水平、新激素、内分泌类(endocabinoids)、基因组生物标志物、蛋白质组生物标志物、抗苗勒氏激素、孕酮、fsh、抑制素、肾素、松弛素、vegf、肌酸激酶、hcg、胎蛋白、妊娠特异性b-1糖蛋白、妊娠相关血浆蛋白-a、胎盘蛋白-14、卵泡抑素、il-8、il-6、卵黄蛋白原、钙结合蛋白-d9k、治疗、治疗时间安排、着床时间安排、着床率、卵泡大小、卵泡数量、afc、卵泡生长率、妊娠率、着床(即事件)日期和时间、cpt代码、hcpcs代码、icd代码等。在各种实施例中，所述一个或多个患者表型包含但不限于：不孕症、无排卵、少排卵、子宫内膜异位、男性因素引起的不孕症、输卵管因素引起的不孕症、下降的卵巢储备、患者排卵风险、患者具有最佳着床特征、患者准备好着床、患者具有一个或多个指示排卵的生物标志物、患者具有指示最佳提取的us图像等等。在各种实施例中，来自所述一个或多个cnn的输出层的一个或多个所识别患者表型或预测结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0129]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理时用于预测计划的所述ann系统和方法。统一预测框架包括一个或多个生存卷积神经网络(“scnn”)，用于根据至少一个us图像和从患者医疗记录获得的一个或多个患者表型提供事件发生时间结果的一个或多个预测。在各种实施例中，框架包括用于预测目的的一个或多个图像取样和风险过滤技术。在一个实施方案中，至少一个us图像的一个或多个roi或voi用于训练与cox比例危险模型无缝结合在一起的深度cnn，以预测患者结果，包含但不限于激素治疗的诱导终止、具有可募集卵泡、具有优势卵泡、具有成熟卵泡、准备好卵泡提取、用于着床的最佳子宫内膜厚度。参考图11，示出了根据各种实施例的生存卷积神经网络架构的示意图1100。所述架构包括具有cox比例危险模型1118的n层cnn架构1102，用于根据图像1106预测事件发生时间数据。在一个非限制性实施方案中，图像特征提取通过四个卷积层群组来实现。第一群组1108包括两个具有64个3×3核的卷积层，与局部归一化层交错，然后是单个最大池化层。第二群组1110包括两个卷积层(128个3×3核)，与两个局部归一化层交错，后跟着单个最大池化层。第三群组1112将四个卷积层(256个3×3核)与后跟着单个最大池化层的四个局部归一化层交错在一起。第四群组1114含有交错的八个卷积层(512个3×3核)和八个局部归一化层，以及中间池化层和终端最大池化层。这四个群组之后是分别含有1,000、1,000和256个节点的一系列三个全连接层1116。终端全连接层输出与输入图像1106相关联的风险(例如，提取用于着床的可能性)预测。预测的风险被输入到cox比例危险层1118中，以计算负部分对数似然1120，从而为cnn1102内的反向传播提供误差信号。在各种实施例中，一种或多种优化方法用于优化模型权重、偏差和卷积核，例如adagrad算法。在一个实施方案中，adagra的非限制性参数包含初始累加器值(例如，0.1)、初始学习率(例如，0.001)和指数衰减因子(例如，0.1)。在一个实施方案中，例如使用方差缩放方法初始化模型权重，并在训练期间对全连接层应用权重衰减(例如4e-4)。在各种实施例中，小批量(包含例如可募集的卵泡)用于训练，优选地在多个时期(例如，100个；1个时期是通过所有训练样本的一个完整周期)内。在各种实施例中，每个小批量产生一个模型更新，使得每个时期有多个更新。在一个实施方案中，在每个小批量中本地计算cox可能性以执行更新。在另一实施方案中，在每个时期开始时使用一个或多个小批量分配的随机化来提高稳健性。在又一实施方案中，在训练期间进行调节，任选地在训练期间，在每个小批量的全连接层1116的最后一个全连接层中使用5％的权重随机丢失，以免过度拟合。在训练期间，从一个区域(例如，roi或voi)取样一个或多个所识别的“可募集”卵泡区域(例如，足以区分可募集/不可募集的像素面积或体积)，并将其视为半独立的训练样本。在各种实施例中，每个可募集卵泡标识/区域与来自医疗记录数据库1122的患者事件发生时间结果配对。在各种实施例中，患者结果信息包含但不限于：激素治疗天数、人口统计、年龄、是否存在一个或多个所述诊断生物标志物、治疗、慢性生物标志物、临床记录、医生观察、卵泡生长率、卵泡大小、妊娠史、起始-终止卵巢刺激、周期天数、卵泡取出、卵泡募集、卵母细胞取出、卵泡期、卵泡成熟度、卵子成熟度、受精率、囊胚发育、胚胎碎片化、胚胎生长率、胚胎等级、胚胎滋养外胚层等级、胚胎内细胞质量等级、胚胎大小、胚胎生长率、胚胎细胞计数、胚胎代谢参数、胚胎代谢组、胚胎成熟度、囊胚发育率、胚胎整倍体、胚胎非整倍体、胚胎嵌合体、胚胎学数据库、胚胎质量、着床等。在各种实施例中，重复结果可与含有多个卵泡的一个或多个区域配对。一个或多个区域可以是在每个训练时期开始时进行取样，以生成新的一组roi或voi。在各种实施方案中，通过变换的随机化(例如，平移、旋转、对比度、亮度等)可应用于采集的区域，以提高对卵泡定向或图像变化的稳健性。在各种实施例中，从每个roi或voi中取样一个或多个区域，用于使用所述scnn1102计算风险预测。例如，当预测患者的结果时，从每个roi取样10个区域以生成代表性的区域集合，并预测每个区域的风险。在一个实施方案中，计算每个区域的中值区域风险，进行排序和筛选，并选择第二高的值作为患者风险。第二高风险的选择引入了对由于图像质量或伪影而出现的异常值或高风险的稳健性。在各种实施例中，筛选程序允许使用保守预后选择区域，以确保准确选择可募集卵泡进行着床。在各种实施例中，一个或多个诊断数据1124可以并入到scnn1102中以提高预测准确性。在一个实施方案中，scnn1102通过合并生物标志物变量同时从诊断生物标志物和us图像中学习，以影响网络在就诊期间通过患者血液工作信息学习的模式。在一个实施例中，诊断数据1124被合并到全连接层1116中。在各种实施例中，任选地使用tensorflow(v0.12.0)在配备有双intel(r)xeon(r)cpue5-2630lv2@2.40ghzcpu、128gbram和双nvidiak80图形卡的服务器上训练一个或多个预测模型。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，来自所述一个或多个cnn的输出层的一个或多个患者事件发生时间结果预测结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0130]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理的art时使用的计算机程序产品。参考图12，公开了根据各种实施例的计算机产品架构的示意图1200。所述架构包括从一个或多个数据源接收一个或多个输入的ai引擎1202。在一个实施例中，ai引擎1202从很多源接收数据，优选地但不限于生理数据1204、us成像数据1206和环境数据1208。在各种实施例中，生理数据1204包括一个或多个所述诊断结果、数据、生物标志物、基因组标志物、蛋白质组标志物、体液分析物、生化项目组合(chempanel)、测得的激素水平等等。在各种实施例中，us图像数据1206包括以下中的一个或多个：从us扫描仪/装置检索到的所述us图像、存储在us扫描仪/装置外部的us图像、由本公开的一个或多个所述cnn处理的us图像。在各种实施例中，环境数据1208包括一个或多个所述收集的纵向医疗记录数据、周期天数、日时间、周时间或月数据。ai引擎1202还可从一个或多个emr数据库1210和一个或多个结果数据库(或基于云的服务器)1212接收输入。在各种实施例中，emr数据库1210包括一个或多个纵向患者医疗记录，所述记录属于接受不孕症治疗或管理的患者。以类似方式，结果数据库1212包括与着床成功、妊娠率等等有关的一个或多个纵向不孕症患者医疗记录。所述患者医疗记录数据库可位于专用设施内，或者可以从可经由通信网络访问的外部源(例如，众包、公共数据库等)获得。ai引擎1202还可接收存储在基于云的服务器1214上的由本公开内公开的一个或多个cnn生成的一个或多个数据或数据集的一个或多个输入。所述云服务器和服务通常被称为“云计算”、“按需计算”、“软件即服务(saas)”、“平台计算”、“网络可访问平台”、“云服务”、“数据中心”等等。术语“云”可包含形成可配置计算资源(例如，网络、服务器、存储、应用程序、服务等)的共享池的硬件和软件的集合，这些资源可以适当地供应以提供按需自助服务、网络访问、资源池化、弹性和可度量服务，以及其它特征。ai引擎1202包括一个或多个本领域普通技术人员已知的计算架构、硬件、软件，使得它可以执行一个或多个指令或算法以处理一个或多个外部输入。由ai引擎1202生成的一个或多个处理后的数据集或分析或预测或临床见解可以发送并存储在基于云的服务器1214上以供分发。在各种实施例中，基于云的服务器1214包括一个或一个或多个软件应用程序(或桌面客户端)1216，以允许开发一个或多个软件应用程序产品(或移动客户端)1218来提供一个或多个功能，包含但不限于数据处理、数据分析、图形形式的数据呈现、数据注释等等。在各种实施例中，所述应用程序产品包括用于以下的系统和方法：从至少一个患者数据、来自us扫描仪/装置的us图像、检索到的us图像、来自电子医疗记录数据库的患者医疗记录、结果数据、与生育有关的患者记录、患者内分泌记录、患者临床记录、医生临床记录、来自驻留在所述基于云的服务器上的数据库的数据、来自一个或多个所述ann的一个或多个输出层的结果和人工智能引擎收集、处理和合成临床见解。在各种实施例中，至少一个应用程序支持一个或多个临床见解的检索或分发。临床见解可包含各种生殖内分泌见解，例如预期的患者取卵体积、建议取卵时间、预期的每个患者的卵子数量、预期卵子成熟日期、预期胚胎数量、预期胚胎质量、胚胎活检的数量和时间安排、患者护理计划、错误率的减小和妊娠率的提高。在各种实施例中，用户(例如，医生)可以从桌面客户端1216访问临床见解。类似地，患者可以从移动客户端1218访问临床见解，反之亦可。在一个实施方案中，移动客户端1218包括一个或多个能够经由通信网络1222与云服务器1214通信以访问所述信息的移动应用程序产品1220。类似地，桌面客户端1216可经由通信网络1222访问基于云的服务器1214。在各种实施例中，通信网络1222包括但不限于一个或多个；lan、wan、无线网络、蜂窝网络、互联网等等，或其组合。[0131]参考图13，示出了根据各种实施例的用于确定卵巢卵泡的卵泡成熟日期的过程流程图。在步骤1302中，获得生殖解剖结构的一个或多个数字图像以检测一个或多个生殖解剖结构。在步骤1304中，处理所述数字图像以检测一个或多个生殖解剖结构。在步骤1306中，处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类。在步骤1308中，根据至少一个线性或非线性框架分析所述一个或多个解剖特征。在步骤1310中，根据所述至少一个线性或非线性框架，预测辅助生殖程序的至少一个事件发生时间结果。在替代步骤1312中，处理所述一个或多个数字图像以测量患者的一个或多个卵巢卵泡的体积，由此输出向步骤1304提供额外输入。在另一替代步骤1314中，步骤1306的输出提供输入，用于比较患者的生殖解剖结构的第一数字图像与患者的生殖解剖结构的第二数字图像以提供输出。在步骤1316中，步骤1314的输出充当输入，以确定患者的所述一个或多个卵巢卵泡的卵泡成熟日期。[0132]参考图14，示出了根据各种实施例的用于生成与辅助生殖程序相关联的临床建议的过程的过程流程图。在步骤1402中，通过一个或多个成像模式接收患者的生殖解剖结构的一个或多个数字图像。在步骤1404中，处理所述一个或多个数字图像以检测一个或多个生殖解剖结构。在步骤1406中，处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类。在步骤1408中，根据至少一个线性或非线性框架分析所述一个或多个解剖结构。在步骤1410中，根据至少一个线性或非线性框架预测辅助生殖程序的至少一个事件发生时间结果。在步骤1412中，通过所述过程来生成与辅助生殖程序相关联的临床建议。[0133]参考图14b，示出了根据各种实施例的用于生成与oi程序相关联的临床建议的过程的过程流程图。在步骤1402b中，通过一个或多个成像模式接收患者的生殖解剖结构的一个或多个数字图像。在步骤1404b中，处理所述一个或多个数字图像以检测一个或多个生殖解剖结构。在步骤1406b中，处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类。在步骤1408b中，根据至少一个线性或非线性框架分析所述一个或多个解剖结构。在步骤1410b中，根据至少一个线性或非线性框架预测oi治疗的至少一个事件发生时间结果。在步骤1412b中，通过所述过程来生成与包含事件发生时间结果的最佳oi时间的确定相关联的临床建议，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。在各种实施例中，结合一个或多个风险因素的评估来做出临床建议，风险因素包含但不限于患者年龄、不孕的持续时间、先前治疗周期数量、触发日的峰值血清e2浓度，以及卵泡数量。高阶多胎妊娠的风险因素包含≥7个排卵前卵泡(≥10-12mm)、e2》1,000pg/ml、早期治疗周期、年龄《32、低bmi及供体精子的使用。建议可包含：当≥10-12mm的排卵前卵泡不超过一个或两个时，将oi妊娠限制为单胎或双胎。建议可包含确定预测多胎妊娠的卵泡临界尺寸(即，12至15mm)。在评估多胎妊娠风险时，必须在触发排卵前考虑所有卵泡，尤其是中等大小(11至15mm)的卵泡。[0134]参考图15，示出了根据各种实施例的用于生成与辅助生殖程序相关联的临床建议的方法的过程流程图。在步骤1502中，使用超声装置获得受检者的卵巢卵泡的超声图像。在步骤1504中，根据至少一个线性或非线性框架分析卵巢超声图像，以对受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类。在步骤1506中，预测事件发生时间结果，随后在步骤1508中，通过所述过程来生成与辅助生殖程序相关联的一个或多个临床建议。在另一实施例中，通过一个或多个过程获得额外输入1510。在步骤1512中，获得受检者的电子医疗记录作为输入。在步骤1514中，获得匿名的第三方电子医疗记录作为输入。在步骤1516中，获得受检者的生殖生理数据作为输入。在步骤1518中，获得与受检者的生殖周期有关的环境数据作为输入。在步骤1520中，根据至少一个线性或非线性框架分析这些额外输入1510以及卵巢超声图像，以在步骤1506中预测事件发生时间结果，随后在步骤1508中生成与辅助生殖程序相关联的一个或多个临床建议。[0135]参考图15b，示出了根据各种实施例的用于与排卵诱导周期相关联的数字图像处理的方法的过程流程图。在步骤1502b中，使用超声装置获得受检者的卵巢卵泡的一个或多个数字图像(例如，超声图像)。在步骤1504b中，根据至少一个线性或非线性框架(即，机器学习框架)分析卵巢超声图像，以对受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类。在某些实施例中，所述一个或多个解剖特征包括所述一个或多个卵巢卵泡的数量和大小。在步骤1506b中，所述至少一个处理器可根据至少一个机器学习框架分析所述一个或多个解剖特征以预测至少一个事件发生时间结果。在某些实施例中，所述至少一个事件发生时间包括受检者的排卵诱导周期内的排卵触发日期。在步骤1508b中，所述至少一个处理器可生成与受检者的排卵诱导周期相关联的一个或多个临床建议。在某些实施例中，所述一个或多个临床建议可包括向受检者施用至少一种药剂的建议时间。在一些实施例中，所述至少一种药剂包括排卵触发剂。在某些实施例中，所述一个或多个临床建议可包括对应于排卵诱导周期的精子递送或子宫内授精的建议时间。精子递送可包含一种或多种精子递送手段，包含人工手段(例如在临床环境中递送的精子)和/或自然手段(例如通过性交递送的精子)。[0136]根据本公开的某些方面，可以通过一个或多个数据输入和/或数据传送接口获得额外输入1520b。在步骤1512b中，可以获得受检者的电子医疗记录作为数据输入。根据某些实施例，受检者的电子医疗记录可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。在步骤1514b中，获得匿名的第三方电子医疗记录作为数据输入。根据某些实施例，匿名的第三方电子医疗记录可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。在步骤1516b中，获得受检者的生殖生理数据作为输入。根据某些实施例，患者的生殖生理数据可包括诊断结果、诊断生物标志物、基因组标志物、蛋白质组标志物、体液分析物、生化项目组合和测得的激素水平。在步骤1518b中，获得与受检者的生殖周期有关的环境数据作为输入。根据某些实施例，环境数据可包括基于生殖周期的天数、日时间和周时间收集的患者的纵向医疗数据。[0137]在各种实施例中，所述方法提供对一个或多个风险因素的评估，风险因素包含但不限于患者年龄、不孕的持续时间、先前治疗周期数量、触发日的峰值血清e2浓度，以及卵泡数量。高阶多胎妊娠的风险因素包含≥7个排卵前卵泡(≥10-12mm)、e2》1,000pg/ml、早期治疗周期、年龄《32、低bmi及供体精子的使用。所述过程可包含确定预测多胎妊娠的卵泡临界尺寸(即，12至15mm)，以及在评估多胎妊娠风险时在触发排卵前考虑所有卵泡，尤其是中等大小(11至15mm)的卵泡。在步骤1520b中，根据至少一个线性或非线性框架(即，机器学习框架)分析这些额外输入1520b以及卵巢超声图像，以在步骤1506b中预测事件发生时间结果；随后在步骤1508b中生成与oi治疗相关联的一个或多个临床建议。根据某些实施例，所述一个或多个临床建议可包括最大限度地提高与oi治疗的妊娠率同时最大限度地降低多胎妊娠风险的建议。[0138]如所属领域的技术人员应了解的，本发明可以体现为方法(包含例如计算机实施的方法，业务流程和/或任何其它方法)；设备(包含例如系统、机器、装置、计算机程序产品等)；或上述各项的组合。因此，本发明的实施例可以采用完全硬件实施例、完全软件实施例(包含固件、驻留软件、微码等)或组合软硬件方面的实施例的形式，所有各者可以笼统地在本文中被称作“系统”)。此外，本发明的实施例可以采用计算机可读介质上的计算机程序产品的形式，所述计算机程序产品具有体现在介质中的计算机可执行程序代码。[0139]可以利用任何合适的暂时性或非暂时性计算机可读介质。计算机可读介质可以是(例如但不限于)电子、磁性、光学、电磁、红外线或半导体系统、设备、或装置。计算机可读介质的更具体示例包含但不限于以下各项：具有一根或多根导线的电连接；有形的存储介质，例如便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或闪存存储器)、压缩光盘只读存储器(cd-rom)，或其它光学或磁性存储装置。[0140]在本文档的背景下，计算机可读介质可以是可以包含、存储、传送、或传播供指令执行系统、设备或装置使用或与指令执行系统、设备或装置结合的程序的任何介质。可以使用任何适当的介质来传输计算机可用程序代码，所述介质包含但不限于互联网、电缆、光纤光缆、射频(rf)信号或其它介质。[0141]可以例如java、perl、smalltalk、c 等朝向对象的、脚本化或非脚本化的编程语言来编写用于实现本发明的实施例的操作的计算机可执行程序代码。然而，也可以例如“c”编程语言或类似的编程语言等常规程序编程语言来编写用于实现本发明的实施例的操作的计算机程序代码。[0142]本发明的实施例在上文参考方法、设备、系统和计算机程序产品的流程图和/或框图加以描述。应理解，可以由计算机可执行程序代码部分实施流程图图示和/或框图的每个框、和/或流程图图示和/或框图中的框的组合。可以将这些计算机可执行程序代码部分提供到通用计算机、专用计算机或其它可编程数据处理设备的处理器以产生特定的机器，使得经由计算机或其它可编程数据处理设备的处理器执行的代码部分创建用于实施在流程图和/或框图的框中指定的功能/动作的机制。[0143]这些计算机可执行的程序代码部分(即，计算机可执行指令)还可以存储在计算机可读存储器中，所述计算机可读存储器可以指导计算机或其它可编程数据处理设备以特定方式运作，使得存储在计算机可读存储器中的代码部分产生包含指令机制的制品，所述指令机制实施在流程图和/或框图的框中指定的功能/动作。计算机可执行指令可以采用由一个或多个计算机或其它装置执行的许多形式，如程序模块。通常，程序模块包含执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。通常，在各个实施例中，程序模块的功能可以根据期望而组合或分布。[0144]计算机可执行程序代码还可以加载到计算机或其它可编程数据处理设备上，以使在计算机或其它可编程设备上执行一系列操作阶段以产生计算机实施的方法，使得在计算机或其它可编程设备上执行的代码部分提供用于实施在流程图和/或框图的框中指定的功能/动作的阶段。替代地，计算机程序实施的阶段或动作可以与运算符或人类实施的阶段或动作组合，以便实现本发明的实施例。[0145]如本文所使用的短语，处理器“可用于”或“可配置成”以多种方式执行特定功能，包含例如通过使一个或多个通用电路通过执行体现在计算机可读介质中的特定计算机可执行程序代码来执行功能，和/或通过使一个或多个专用电路执行功能。[0146]本文中在通用意义上使用术语“程序”或“软件”，以便指代任何类型的计算机代码或计算机可执行指令集，其可以用于编程计算机或其它处理器以实施如上文所论述的本技术的各个方面。另外，应理解，根据本实施例的一个方面，当被执行时执行本技术的方法的一个或多个计算机程序不需要驻留在单个计算机或处理器上，而是可以以模块化方式分布在多个不同的计算机或处理器中，以实现本技术的各个方面。[0147]如本文所定义和使用的所有定义应理解为先于字典定义，通过引用并入的文献中的定义，和/或所定义的术语的普通含义。[0148]除非明确指出为相反情况，否则本说明书和权利要求书中使用的不定冠词“一个/一种(a/an)”应理解为表示“至少一个”。如本文中所使用，术语“右侧”、“左侧”、“顶部”、“底部”、“上部”、“下部”、“内部”和“外部”表示所参考的附图中的方向。[0149]如本文在说明书和权利要求中所使用的，短语“和/或”应理解为意指如此结合的元件中的“任一个或两个”，即元件在一些情况下结合地存在而在其它情况下分开存在。用“和/或”列出的多个元件应以相同的方式解释，即如此结合的元件中的“一个或多个”。除了用“和/或”短语具体标识的元件，其它元件可以任选地存在，无论是与具体标识的那些元件相关还是不相关。因此，作为非限制性实例，当结合开放式语言(例如“包括”)使用时，提及“a和/或b”在一个实施例中可以仅指a(任选地包含除b之外的元件)；在另一个实施例中仅指b(任选地包含除a之外的元件)；在又一实施例中，兼指a和b(任选地包含其它元件)；等。[0150]如本文在本说明书和权利要求中所使用的，“或”应理解为具有与如上所定义的“和/或”相同的含义。例如，当分离列表中的项目时，“或”或“和/或”应解释为包含性的，即包含多个元素或元素列表中的至少一个，但也包含多个元素或元素列表中的多于一个，以及任选地额外未列出的项。只有明确地指示相反情况的术语，如“……中的仅一个”或“……中的恰好一个”或者在权利要求中使用时“由……组成”将指代包含多个元素或元素列表中的恰好一个元素。一般来说，当之前有排他性术语，比如“任一个”、“…之一”、“…中的仅一个”或“…中的恰好一个”，本文中使用的术语“或”应仅解释为指示排他性的替代形式(即，“一个或另一个而不是两个”)。当在权利要求书中使用时，“基本上由…组成”应具有在专利法领域中所用的普通含义。[0151]如本文在本说明书和权利要求书中所用，提及具有一个或多个元素的列表，短语“至少一个”应理解为意指选自元素列表中的任何一个或多个元素中的至少一个元素，但不一定包含元素列表内具体列出的每一个要素中的至少一个，并且不排除要素列表中的要素的任何组合。这个定义还允许可以任选地存在除在短语“至少一个”所指的要素列表内具体标识的要素之外的要素，而无论是否与具体标识的那些要素相关还是不相关。因而，作为非限制性实例，在一个实施例中，“a和b中的至少一个”(或，等同地，“a或b中的至少一个”，或等同地，“a和/或b中的至少一个”)可指代至少一个，任选地包含多于一个a，而不存在b(并且任选地包含除了b之外的元素)；在另一实施例中，可指代至少一个，任选地包含多于一个b，而不存在a(并且任选地包含除了a之外的元件)；在又一实施例中，可指代至少一个，任选地包含多于一个a，和至少一个、任选地包含多于一个b(并且任选地包含其它元素)；等等。[0152]在权利要求书中以及在上述说明书中，例如“包括”、“包含”、“带有”、“具有”、“含有”、“涉及”、“容纳”、“由……构成”等所有过渡短语应理解为是开放的，即，意指包含但不限于。如美国专利局专利审查手册第2111.03节所述的，只有过渡短语“由……组成”和“基本上由……组成”应分别是封闭式或半封闭式过渡短语。[0153]本公开包含所附权利要求书中所含的内容以及上述描述的内容。尽管本发明以其具有一定的特殊性的示例性形式进行了描述，但应理解，本公开仅通过示例进行，并且在不脱离本发明的精神和范围的情况下，可以对各部分的构造、组合和布置的细节进行许多改变。当前第1页12当前第1页12
背景技术：
：：2.在这一部分中论述的主题不应仅因在此部分中提及而被假定为现有技术。同样，在这一部分中提及或与作为背景提供的主题相关联的问题不应假定为先前在现有技术中已经被识别。这一部分中的主题仅代表不同的方法，这些方法本身还可对应于要求保护的技术的实施方案。3.一般来说，不孕症被定义为在一年(或更长)的无保护性行为后不能怀孕(受孕)。体外受精(ivf)是许多不孕夫妇的医疗选择。不孕症可由多种疾病引起，包含男性因素和女性因素，女性因素有输卵管阻塞、卵子数量减少、卵子质量下降、排卵障碍、子宫内膜异位症、盆腔粘连，以及不明原因。最积极的不孕症治疗形式被称为辅助生殖技术(art)，具体指从女性卵巢中提取卵子(即，卵细胞)、在体外受精并将产生的胚胎移植回患者子宫的技术。art的目标是确定最佳胚胎并将其返回患者子宫。art成功的一个基本部分是为单个患者创造尽可能高质量的卵子。卵子的质量和成熟度直接预测卵子受精成为胚胎的可能性和胚胎的质量。所得胚胎的质量可预测着床率，着床率被定义为(每次胚胎移植的妊娠率)和总妊娠率(如果进行多个胚胎移植)。子宫内膜的厚度和发育模式(子宫内壁和胚胎着床位置)也可以预测着床率和妊娠率。4.卵巢卵泡含有被颗粒细胞包围的卵母细胞。在不同的发育阶段有四种不同类型的卵泡：原始卵泡、初级卵泡、次级卵泡和三级卵泡(或窦状卵泡)。原始卵泡的数量是真正的卵巢储备，由胎儿决定，并在女性一生中不断减少。原始卵泡由围绕卵母细胞的休眠单层颗粒细胞组成。它们是静止的，但根据促进增殖和凋亡(即细胞死亡)的因素之间的敏感平衡来启动生长。当变成初级卵泡时，颗粒细胞开始复制并变成立方体。卵母细胞周围形成一种糖蛋白聚合物囊，即透明带，将卵母细胞与颗粒细胞隔开。当成为次级卵泡时，围绕卵泡外层的基质样卵泡膜细胞经历细胞分化，形成卵泡外膜和卵泡内膜，它们由毛细血管网络隔开。与卵母细胞相邻的充满液体的腔也就是窦的形成定义了三级或窦状卵泡。由于没有可用的测试来评估真实的卵巢储备，卵巢窦状卵泡计数(afc)被认为是一个很好的替代标志物。可以使用经阴道超声(us)来确定卵巢窦状卵泡并对其计数。afc经常在育龄女性中进行评估，原因多种多样，包含预测绝经风险、怀疑高雄激素血症无排卵继发排卵功能障碍、不孕症检查和辅助生殖技术。5.超声(us)成像已成为接受art的女性评估和管理不孕症的不可或缺的工具。卵巢储备减少和卵巢功能障碍是不孕的主要原因，卵巢是不孕女性最常见的超声扫描器官。不孕症评估的第一步是确定卵巢状态、卵巢储备和随后的卵泡监测。经阴道us可以识别卵巢窦状卵泡并对其手动计数。当窦状卵泡直径达到2毫米(mm)时，us可以更轻易地识别它们，这与对促卵泡激素(fsh)的敏感性增加相吻合。测量在2和10mm之间的窦状卵泡是“可募集的(recruitable)”，而大于10mm的窦状卵泡通常被称为“优势”卵泡。卵巢的形态(如正常、多囊(polycystic或multicystic))、异常(如囊肿、皮样囊肿、子宫内膜瘤、肿瘤等)、排卵监测中的卵泡生长以及排卵和黄体形成和功能的证据均被成像。排卵扫描使医生能够准确地确定可募集卵子的数量、每个卵泡的卵子成熟度以及排卵的适当时间。一般来说，在不孕症治疗过程中，经常进行二维(2d)us扫描以显示生长中的卵泡，并对卵巢中的所有卵泡(通常为10到15个卵泡)进行测量以确定每个卵泡的平均卵泡大小。这在患者服用药物(如促性腺激素治疗)的10天内进行4至6次。每个患者进行超声检查所需的典型时间约为10至15分钟，外加将数据输入电子医疗记录(emr)系统(约5分钟)或电子健康记录系统(ehr)所需的额外时间。根据卵泡的数量和大小，卵巢分为三种类型。囊性卵巢是指含有一到两个直径大于28mm的卵泡的卵巢。多囊卵巢是指含有十二个或更多个直径小于10mm的卵泡的卵巢。含有一到十个直径为2-10mm的窦状卵泡及一个或多个10-28mm大小的窦状卵泡也就是“优势”卵泡的卵巢被视为正常卵巢。6.目前对卵泡的2dus测量是在假设其为圆形的情况下进行的，但通常卵泡形状不规则，从而导致测量不准确。us在测量毫米尺寸的对象时也存在显著的人体变异性，这进一步使得使用这种模式进行卵泡监测的准确性复杂化。使用2dus也很难识别卵巢中的所有卵泡，导致经常遗漏测量。最后一个但并非最不重要的难题是超声心动图的观察者间卵泡大小测量的变异性，这需要医生在检查期间进行进一步审查。随着三维(3d)超声的出现，分辨率随着数据连接而稳步提高。卵巢的3d超声测量只需将探头放入阴道，使其指向卵巢，然后按下按钮即可完成。3d-us成像具有检查时间较短的优点，因为它能够存储采集的数据进行离线分析，并且具有更好的观察者间可靠性。然而，自动体积计算(sonoavc；ge医疗系统)技术等新特征可能会错误地将相邻卵泡和卵巢外组织识别为仅一个卵泡。尽管有所改进，但在进行卵泡计数的最佳us技术上还没有达成共识。目前可用的所有半自动化方法都有其优缺点，并且受操作人员偏好和技能的影响，这容易导致不准确和变化。7.从数字数据处理系统的角度来看，卵泡是卵巢超声图像中的关注区域(roi)，可以使用图像处理技术进行检测。基本的图像处理步骤，即预处理、分割、特征提取和分类，可以应用于这项复杂的精确卵泡识别任务。然而，形成具有相干能量的图像的成像模式(如us)会受到散斑噪声的影响，这可能会影响计算机辅助诊断(cad)等自动化操作的性能，cad是一种例如可以区分良恶性病变组织进行癌症诊断的系统。在art的背景下，cad有助于解决手动卵泡分割、大小确定、计数和卵巢分类的繁琐和耗时的问题，其中准确度要求操作员技能和医学专业知识。在图像分类过程中，任务是指定对象的存在或不存在；对对象计数的任务还需要推理来确定场景中存在的对象实例的数量。8.散斑(声学干扰)是指组织内固有的颗粒外观，由声束与大约一个波长或更小的小尺度界面的相互作用产生。这些非镜面反射器向各个方向散射光束。来自这些单独小界面的散射通过干涉图案组合，形成可视化的颗粒外观。散斑在组织内表现为噪声，降低了空间分辨率和对比度分辨率，但也赋予了组织其特征图像纹理。散斑特征取决于成像系统的特性(例如，超声频率、波束形状)和组织的特性(例如，散射对象大小分布、声阻抗差异)。散斑是一种局部相关的乘性噪声，它可能会严重影响自动操作(如分类和分割)的性能，目的是为最终用户提取有价值的信息。已经提出了许多方法来抑制散斑，同时保留相关的图像特征。这些方法大多依赖于原始或变换域中信号和散斑的详细经典统计模型。需要替代方法来提高us分辨率，以提高afc准确性和artcad。9.机器学习(ml)这一新兴领域，特别是深度学习，对医学成像模式产生了重大影响。深度学习(dl)是一种新的ml形式，它极大地提高了机器学习任务的性能。dl使用人工神经网络(ann)，它由多层相互关联的线性或非线性数学变换组成，这些数学变换应用于数据，目的是解决对象分类等问题。dl性能水平高于经典ml，不需要人工识别和计算关键特征。相反，在训练期间，dl算法“学习”最能预测结果的判别特征。训练dl系统所需的人工工作量较少，因为它不需要特征工程或计算。当涉及到医学图像分析领域时，数据集往往不足以充分发挥dl的潜力。在计算机视觉领域，迁移学习和微调通常用于解决小数据集的问题。一般来说，dl算法识别图像的重要特征，并通过调整其内部参数对这些特征进行适当的加权，从而对新数据进行预测，由此完成识别、分割、分类或分级，并显示出强大的处理能力和完整的信息保持。10.基于深度学习的cad的优越性最近被报道用于多种疾病，包含胃癌、糖尿病视网膜病变、心律失常、皮肤癌和大肠息肉。在这些研究中探索了多种图像类型，包含病理切片、心电图和放射图像。针对特定疾病的训练有素的算法可以提高医生或医学专家的诊断准确性和工作效率，使他们从重复性任务中解放出来，并提高诊断准确性，特别是在存在肉眼无法检测到的细微病变时。dl算法可以通过调节学习速率、网络架构和激活函数等超参数进行优化。因此，基于dl的cad具有提高art性能的潜力。11.卷积神经网络(cnn)或convnet是dl网络架构，最近已成功用于图像分割、分类、对象检测和识别任务，在许多具有挑战性的应用中打破了性能基准。医学图像分析应用在很大程度上依赖于特征工程方法，其中算法管道用于使用分割算法明确描绘所关注的结构，以测量这些结构的预定义特征，这些结构被认为是预测性的，并使用这些特征训练预测患者结果的模型。相比之下，cnn的特征学习范式自适应地学习将图像变换为特定学习目标的高度预测性特征。图像和患者标签被呈现到由卷积滤波器的互连层构成的网络，卷积滤波器突出图像中的重要图案，并且滤波器和网络的其它参数在数学上被调适用于最小化预测误差。特征学习避免了对特征有偏见的先验定义，并且不需要使用经常被伪影混淆的分割算法。12.cnn由多层组成，其中有处理输入图像部分的神经元。这些神经元的输出被平铺以形成重叠，从而提供原始图像的经滤波表示。对每一层重复此过程，直到达到最终输出，这通常是预测类别的概率。cnn的训练需要多次迭代以优化网络参数。在每次迭代期间，从输入训练集中随机选择一批样本，并通过网络层进行前向传播。为了获得最佳结果，网络内的参数通过反向传播更新以最小化成本函数。一旦经过训练，网络就可以应用于新的或未见过的数据以获得预测。cnn的主要优点是可以从训练集中自动学习特征，而无需专家知识或硬编码。提取的特征对图像变换或变化具有相对稳健性。在医学成像领域，cnn主要用于检测、分割和分类。这些任务构成了cad流程的一部分，从emr中对患者进行有效的特征提取或表型分析是此技术潜在进一步应用的关键步骤，例如使用dl技术成功完成art，该领域的专家迄今尚未考虑到这一点。13.由于emr或ehr数据的连续性，最近有许多有前景的工作将临床事件作为连续数据进行研究。其中许多工作受到自然语言建模工作的启发，因为句子可以很容易建模为信号序列。通过使用高级分析方法从这些数据中提取信息来预测治疗处方和个体患者结果越来越受到关注。特别是最近dl在图像和自然语言处理方面的成功鼓励了这些最先进的技术也应用于临床数据建模。cnn，如递归神经网络(rnn)，已被证明在语言建模和机器翻译方面具有强大的功能，由于自然语言和病历具有相同的顺序性质，因此它们更频繁地应用于医疗事件数据以进行预测。dl和更具体地说rnn未被考虑用于改进art的性能，这为通过应用这些技术(如本技术的公开中所体现的技术)在art领域中进行重大的新改进留下了机会。14.执行art的一个基本组成部分是刺激卵巢产生多个卵子。在自然周期中，一个典型的女性每月在两个卵巢之间交替产生一个卵子。对于art，施用外源性促性腺激素，主要是促卵泡激素(如fsh)，将促使每个卵巢平均产生10到15个卵子，这些卵子在充满液体的卵巢卵泡中生长。随着卵泡的生长，它们越来越依赖促性腺激素来继续发育和生存。fsh促进颗粒细胞增殖和分化，使卵泡增大。在为期10天的药物治疗期间，卵泡从其静止大小3-7mm增长至20mm，在此期间，剂量根据卵巢反应进行调整。在服用药物的10天内，进行3到4次us以测量卵泡大小并监测反应。卵泡的大小可以预测卵泡中有卵子的可能性、卵子的质量以及卵子成熟的可能性。15.art成功的一个关键因素是为个体患者创造尽可能高质量的卵子。卵子的质量和成熟度直接预测卵子受精成为胚胎的可能性，并预测胚胎的质量。所得胚胎的质量可预测着床率，着床率被定义为(每次胚胎移植的妊娠率)和总妊娠率(如果进行多个胚胎移植)。可用卵母细胞的数量和质量是art成功率的关键因素。16.患者护理面临的挑战之一是卵子的初始大小和生长速度并不相同。因此，在刺激期间的任何时间，卵泡的大小都会发生变化。因此，患者取卵的时间(事件发生时间)是根据试图确定大多数卵泡何时成熟。有时，这需要延长卵巢刺激时间，以有效地过度刺激部分卵泡，从而使大部分卵泡处于成熟范围。这种卵泡监测技术结合经阴道us和血液中雌二醇和孕酮的测量进行。art的成功将得益于超声成像、卵泡监测、大小测定、计数、激素水平测定和周期天数与重要临床事件发生时间的自动连接和协调，重要临床事件发生时间例如卵泡成熟度、卵子成熟度、胚胎数量、囊胚发育和妊娠率。dl有可能改善art，因为在最佳卵泡提取和着床时间方面，患者数据稀少。17.生存分析是预测事件发生前的持续时间。传统的生存建模假设持续时间遵循未知分布。cox比例风险模型是其中最流行的模型之一。cox模型及其扩展基于比例风险假设构建，比例风险假设假设两个实例之间的风险比在时间上是恒定的，并且风险预测基于协变量的线性组合。然而，在现实世界的临床应用(如art)中存在太多复杂的相互作用。需要一个更全面的生存模型来更好地拟合具有非线性风险函数的临床数据。另外，患者的ehr本质上是纵向的，因为健康状况会随着时间的推移而变化。因此，需要时间信息来应用cnn分析患者emr。emr或ehr患者的dl有可能改善卵泡提取和着床时间的确定。18.卵巢或排卵诱导(oi)，世界上最常见的不孕症治疗形式，包括使用口服或注射促排卵剂(例如，克罗米芬柠檬酸盐、来曲唑、hmh、rfsh)刺激卵巢，以诱导一组卵母细胞在通常7到15天的时间内生长和成熟，从而引起排卵和妊娠率增加。医源性多胎妊娠率是最常见的并发症，其范围从5％到30％，主要取决于诊断、刺激的积极性和医生监测的程度。据估计，39％至67％的高阶多胞胎(homb)与未经ivf的oi有关。这种显著增加的风险是准确的卵泡监测和适当的oi药物剂量调整的挑战所带来的。使用促性腺激素(如hmh、rfsh)常见的多胎妊娠给母亲和婴儿带来了巨大的产科风险，包含早产和低出生体重，这会导致显著的新生儿、产妇、家庭发病率和婴儿死亡率，并给家庭和社会带来巨大的经济负担。19.长期以来，医生们一直在寻找oi期间预测妊娠和多胎妊娠的方法。卵泡跟踪是对卵泡数量和大小的一系列评估，通常用于评估对卵巢刺激的反应。oi治疗多胎妊娠的主要原因是准确监测卵巢刺激和预测将排卵的成熟卵母细胞数量的能力有限。oi的治疗目标是实现单个优势卵泡的生长，其大小决定卵母细胞成熟度、胚胎质量和妊娠率。oi主要通过经阴道超声(tvus)、血浆雌二醇水平(e2)和促黄体激素水平(lh)测量来监测施用外源性oi药物后的卵巢反应。不同大小的卵泡在卵巢刺激期间异步发育，这增加了确定最佳排卵触发时间和评估多胎妊娠风险的挑战。20.需要通过对ivf的有效管理以及在对生长卵泡的识别、计数、测量和差异跟踪及最佳oi时间确定方面的系统性改进来提高art的性能，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。申请人已经开发了一种通过本公开体现的解决方案，下面将对其进行详细描述。技术实现要素：21.下文呈现了本发明的一些实施例的简要概述以提供对本发明的基本理解。此概述不是本发明的广泛概要。此概述并不旨在标识本发明的重要/关键要素或描绘本发明的范围。此概述的唯一目的是以简化的形式呈现本发明的以下实施例中的一些作为对之后所呈现的更加详细的说明的序言。22.本公开的各方面提供在提供用于不孕症的诊断、治疗和临床管理的辅助生殖技术(art)时的深度学习(dl)系统和方法的集合。在各种实施例中，所述集合包括：使用至少一个人工神经网络(ann)从成像模式处理含有一或多个患者的生殖解剖结构的至少一个图像。在各种实施例中，所述集合包括：使用至少一个ann从成像模式采集的至少一个图像的对象检测、识别、注释、分割或分类。在各种实施例中，所述集合进一步包括用于使用至少一个ann进行对象检测、定位和计数的至少一个检测框架。在各种实施例中，所述集合包括：使用至少一个ann从电子健康或医疗记录对一或多个患者进行特征提取或表型分析。在各种实施例中，所述集合进一步包括用于使用至少一个ann预测事件发生时间结果的至少一个框架。在各种实施例中，所述ann包含但不限于：卷积神经网络(cnn)、递归神经网络(rnn)、全卷积神经网络(fcnn)、扩张残差网络(drn)、生成对抗网络(gan)等等，或其组合。所述集合包括作为用于不孕症临床管理的人工智能计算机辅助诊断(cad)和预测系统的ann的串行或并行组合。23.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于预处理或处理一或多个成像模式的所述ann系统和方法。在各种实施例中，成像模式优选地包括超声，包含但不限于二维(2d)、三维(3d)、四维(4d)、多普勒等等。在各种实施例中，图像包括生殖解剖结构，包含但不限于细胞、输卵管、卵巢、卵细胞(ovum/ova)、卵泡、囊肿、子宫、子宫内壁、子宫内膜厚度、子宫壁、卵子、血管等。在各种实施例中，图像包括所述解剖结构的一个或多个正常或异常形态、纹理、形状、大小、颜色等等。在各种实施例中，图像预处理包括用于改善图像质量以增强图像检索、解释、诊断、决策等的至少一个去斑或去噪模型。24.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于至少一个us图像的对象检测、识别、注释、分割或分类的所述ann系统和方法。在各种实施例中，所述系统和方法支持卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、窦状卵泡等等的检测、识别、注释、分割或分类。在各种实施例中，ann系统和方法包含但不限于以下中的至少一个：卷积神经网络(cnn)、递归神经网络(rnn)、全卷积神经网络(fcnn)、扩张残差网络(drn)或生成对抗网络(gan)架构。在各种实施例中，所述架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)或输出层。在各种实施例中，卷积方法包括使用一个或多个与所述生殖解剖结构有关的分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用多一个优化方法训练。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的检测、识别、注释、分割或分类的一个或多个结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。25.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于对象检测框架的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据一个或多个us图像的对一个或多个生殖解剖结构的对象检测、定位、计数和随时间推移的跟踪。在各种实施例中，生殖解剖结构包含(但不限于)：卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、卵母细胞、窦状卵泡、输卵管、子宫、子宫内膜类型(pattern)、子宫内膜厚度等等。在各种实施例中，ann系统和方法包含但不限于至少一个卷积神经网络(cnn)、递归神经网络(rnn)、全卷积神经网络(fcnn)、扩张残差网络(drn)或生成对抗网络(gan)架构。在各种实施例中，所述架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)或输出层。在各种实施例中，卷积方法包括使用一个或多个与所述生殖解剖结构有关的分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用一个或多个优化训练。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的检测、定位、计数和跟踪的一个或多个结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。26.本公开的各方面包含在提供用于临床不孕症的诊断、治疗和临床管理的art时用于分析电子医疗记录的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据至少一个纵向患者电子医疗记录(emr)、电子健康记录(ehr)、数据库等等对一个或多个患者进行特征提取或表型分析。在各种实施例中，所述医疗记录包括一个或多个存储的患者记录，优选为接受不孕症治疗的患者的记录、超声图像、超声制造商、超声模型、超声探头、超声频率、所述生殖解剖结构的图像、患者年龄、患者种族背景、患者人口统计数据、医生记录、临床记录、医生注释、诊断结果、体液生物标志物、药物剂量、药物治疗天数、激素标志物、激素水平、新激素、内分泌类(endocabinoids)、基因组生物标志物、蛋白质组生物标志物、抗苗勒氏激素、雌二醇、雌酮、孕酮、fsh、促黄体生成激素(lh)、抑制素、肾素、松弛素、vegf、肌酸激酶、hcg、胎蛋白、妊娠特异性b-1糖蛋白、妊娠相关血浆蛋白-a、胎盘蛋白-14、卵泡抑素、il-8、il-6、卵黄蛋白原、钙结合蛋白-d9k、治疗、治疗时间安排、着床时间安排、着床率、卵泡大小、卵泡数量、afc、卵泡生长率、妊娠率、着床(即事件)日期和时间、cpt代码、hcpcs代码、icd代码等。在各种实施例中，所述一个或多个所述医疗记录字段变换成一个或多个时间矩阵，其中优选地时间为一个维度，特定事件为另一维度。在各种实施例中，所述ann架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)、预测或输出层。在各种实施例中，卷积方法包括使用与用于预测卵泡提取和着床时间的因素有关的一个或多个分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用一个或多个优化训练。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的一个或多个所识别的患者表型或预测结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。27.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理的art时用于预测性计划的所述ann系统和方法。在各种实施例中，ann系统和方法包括用于预测事件发生时间结果的至少一个框架。在各种实施例中，事件发生时间结果包含但不限于开始-终止卵巢刺激、周期天数、卵泡取出、卵泡募集、卵母细胞取出、卵泡期(folliclestage)、卵泡成熟度、受精率、囊胚发育、胚胎质量、着床等。在各种实施例中，所述ann架构包括至少一个输入、卷积、池化、映射、取样、修正(非线性激活函数)、归一化、全连接(fc)、cox模型和输出层。在各种实施例中，卷积方法包括使用与用于预测事件发生时间的因素有关的一个或多个分块、核或滤波器。在各种实施例中，所述一个或多个所述ann使用一个或多个优化训练。在各种实施例中，所述一个或多个所述预测与患者结果进行比较，以自适应地训练一个或多个互连层的一个或多个网络权重。在各种实施例中，替代ann的输入层包括从所述ann的输出层导出的数据。在各种实施例中，来自所述一个或多个ann的输出层的一个或多个导出的事件发生时间结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。28.本公开的各方面提供在提供用于临床不孕症的诊断、治疗和临床管理时使用的计算机程序产品。在各种实施例中，所述产品包括用于以下的系统和方法：从至少一个患者数据、来自us扫描仪/装置的us图像、检索到的us图像、来自电子医疗记录数据库的患者医疗记录、与生育有关的患者记录、患者内分泌记录、患者临床记录、医生临床记录、来自驻留在所述基于云的服务器上的数据库的数据、来自一个或多个所述ann的一个或多个输出层的结果和人工智能引擎收集、处理和合成临床见解。在各种实施例中，人工智能引擎结合来自一个或多个所述ann的一个或多个结果以生成一个或多个临床见解。在各种实施例中，基于云的服务器包括与一个或多个浏览器结合的一个或多个用户应用程序，使得用户能够访问临床信息，执行进一步数据处理或分析，并检索或接收一个或多个临床见解。在各种实施例中，用户使用移动计算装置或桌面计算单元访问所述信息。在各种实施例中，移动应用程序使得用户能够访问来自所述计算机产品的信息。29.本公开的各方面提供用于在提供临床不孕症的排卵诱导(oi)治疗和临床管理时使用的计算机程序产品。在各种实施例中，所述产品包括用于以下的系统和方法：从至少一个患者数据、来自us扫描仪/装置的us图像、检索到的us图像、来自电子医疗记录数据库的患者医疗记录、与生育有关的患者记录、患者内分泌记录、患者临床记录、医生临床记录、来自驻留在所述基于云的服务器上的数据库的数据、来自一个或多个所述ann的一个或多个输出层的结果和人工智能引擎收集、处理和合成临床见解。在各种实施例中，人工智能引擎结合来自一个或多个所述ann的一个或多个结果以生成一个或多个临床见解。在各种实施例中，基于云的服务器包括与一个或多个浏览器结合的一个或多个用户应用程序，使得用户能够访问临床信息，执行进一步数据处理或分析，并检索或接收一个或多个临床见解。在各种实施例中，用户使用移动计算装置或桌面计算单元访问所述信息。在各种实施例中，移动应用程序使得用户能够访问来自所述计算机产品的信息。30.本公开的特定实施例提供一种用于不孕症临床管理的计算机辅助诊断和预测系统，所述系统包括：成像传感器，其可用于执行一个或多个成像模式以收集受检者的生殖解剖结构的一个或多个图像；存储装置，其用于在本地或远程地存储所述受检者的所述生殖解剖结构的所述一个或多个图像；以及至少一个处理器，其与至少一个其上存储有计算机可执行指令的计算机可读存储介质可操作地接合，所述计算机可执行指令在执行时使所述处理器执行一个或多个动作，所述一个或多个动作包括：接收所述受检者的所述生殖解剖结构的所述一个或多个图像；处理所述受检者的所述生殖解剖结构的所述一个或多个图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；比较所述一个或多个解剖特征与至少一个线性或非线性框架(即，机器学习框架)，以预测至少一个事件发生时间结果；以及生成对应于所述受检者的一个或多个临床动作的至少一个图形用户输出。31.本公开的其它特定实施例提供用于不孕症临床管理的计算机辅助诊断和预测系统，所述系统包括：成像传感器，其可用于执行一个或多个成像模式以收集患者的生殖解剖结构的一个或多个图像；人工智能引擎，其配置成在本地或远程地接收所述患者的所述生殖解剖结构的所述一个或多个图像，所述人工智能引擎配置成处理所述患者的所述生殖解剖结构的所述一个或多个图像并根据至少一个线性或非线性框架(即，机器学习框架)生成至少一个事件发生时间结果预测；结果数据库，其配置成将临床结果数据传送到所述人工智能引擎，所述临床结果数据并入到所述至少一个线性或非线性框架中；应用程序服务器，其与所述人工智能引擎可操作地接合以接收所述至少一个事件发生时间结果预测，所述应用程序服务器配置成响应于所述至少一个事件发生时间结果预测而生成用于不孕症临床管理的一个或多个建议临床动作；以及客户端装置，其与所述应用程序服务器可通信地接合，所述客户端装置配置成显示含有用于所述不孕症临床管理的所述一个或多个建议临床动作的图形用户界面。32.本公开的其它特定实施例提供用于存储计算机可执行指令的至少一个计算机可读存储介质，所述计算机可执行指令在执行时执行用于预测与辅助生殖技术的提供相关联的临床结果的方法，所述方法包括：接收患者的生殖解剖结构的一个或多个数字图像；处理所述患者的所述生殖解剖结构的所述一个或多个数字图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；根据至少一个线性或非线性框架分析所述一个或多个解剖特征；以及根据所述至少一个线性或非线性框架预测至少一个事件发生时间结果。33.本公开的其它方面提供一种用于在辅助生殖技术中处理数字图像的方法，所述方法包括：通过一个或多个成像模式获得患者的生殖解剖结构的一个或多个数字图像；处理所述一个或多个数字图像以检测一个或多个生殖解剖结构；处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类；根据至少一个线性或非线性框架(即，机器学习框架)分析所述一个或多个解剖特征；以及根据所述至少一个线性或非线性框架预测辅助生殖程序的至少一个事件发生时间结果。34.本公开的其它方面提供一种用于辅助生殖技术中的临床计划的图像处理方法，所述方法包括：通过一个或多个成像模式接收患者的生殖解剖结构的一个或多个数字图像；处理所述一个或多个数字图像以检测一个或多个生殖解剖结构；处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类；根据至少一个线性或非线性框架(即，机器学习框架)分析所述一个或多个解剖特征；根据所述至少一个线性或非线性框架预测辅助生殖程序的至少一个事件发生时间结果；以及生成与所述辅助生殖程序相关联的一个或多个临床建议。35.本公开的其它方面提供一种用于不孕症临床管理的方法，包括：使用超声装置获得受检者的卵巢卵泡的卵巢超声图像；根据至少一个线性或非线性框架(即，机器学习框架)分析所述卵巢超声图像以对所述受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类，从而预测事件发生时间结果；以及生成辅助生殖程序的一个或多个临床建议。36.本公开的其它方面提供一种用于不孕症临床管理的方法，包括：使用超声装置获得受检者的卵巢卵泡的卵巢超声图像；根据至少一个线性或非线性框架(即，机器学习框架)分析所述卵巢超声图像以对所述受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类，从而计数、测量、表征形态、监测大小生长率；以及生成针对最佳oi时间的一个或多个临床建议，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。37.本公开的其它方面提供一种用于不孕症临床管理的方法，包括：使用超声装置获得受检者的卵巢卵泡的卵巢超声图像；根据至少一个线性或非线性框架分析所述卵巢超声图像以对所述受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类，从而预测事件发生时间结果；以及生成针对最佳oi时间的一个或多个临床建议，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。38.本公开的某些方面提供一种用于辅助生殖技术中的数字图像处理的系统，所述系统包括：成像传感器，其配置成收集患者的生殖解剖结构的一个或多个数字图像；计算装置，其与所述成像传感器可通信地接合以接收所述患者的所述生殖解剖结构的所述一个或多个数字图像；以及至少一个处理器，其与所述计算装置和至少一个其上存储有指令的非暂时性计算机可读介质可通信地接合，所述指令在执行时使所述至少一个处理器执行一个或多个操作，所述一个或多个操作包括：接收所述患者的所述生殖解剖结构的所述一个或多个数字图像；处理所述患者的所述生殖解剖结构的所述一个或多个数字图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；根据至少一个机器学习框架分析所述一个或多个解剖特征，以预测至少一个事件发生时间结果，其中所述至少一个事件发生时间结果包括所述患者的排卵诱导周期内的排卵触发日期；以及生成对应于与所述患者有关的一个或多个临床动作的至少一个图形用户输出，其中所述一个或多个临床动作包括向所述患者施用至少一种药剂的建议时间，其中所述至少一种药剂包括排卵触发剂。39.根据用于辅助生殖技术中的数字图像处理的系统的某些实施例，所述一个或多个临床动作可包括对应于排卵诱导周期的精子递送或子宫内授精的建议时间。所述处理器的所述一个或多个操作可进一步包括分析所述患者的多个电子健康记录数据，以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。所述多个电子健康记录数据可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。在一些实施例中，所述处理器的所述一个或多个操作可进一步包括分析来自一个或多个匿名排卵诱导患者的多个匿名历史数据，以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。所述多个匿名历史数据可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。40.根据用于辅助生殖技术中的数字图像处理的系统的某些实施例，所述机器学习框架可选自由以下组成的组：人工神经网络、回归模型、卷积神经网络、递归神经网络、全卷积神经网络、扩张残差网络和生成对抗网络。在一些实施例中，所述一个或多个生殖解剖结构包括一个或多个卵巢卵泡，且所述一个或多个解剖特征包括所述一个或多个卵巢卵泡的数量和大小。在一些实施例中，所述处理器的所述一个或多个操作可进一步包括接收所述患者的生殖生理数据并分析所述生殖生理数据以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。所述处理器的所述一个或多个操作可进一步包括根据所述至少一个机器学习框架分析所述一个或多个解剖特征以评估所述患者多胎妊娠的风险。41.本公开的某些方面提供一种用于在辅助生殖技术中处理数字图像的方法，所述方法包括：利用超声装置获得患者的生殖解剖结构的一个或多个数字图像；利用至少一个处理器接收所述一个或多个数字图像；利用所述至少一个处理器处理所述一个或多个数字图像以检测患者的所述生殖解剖结构的一个或多个生殖解剖结构；利用所述至少一个处理器处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类；利用所述至少一个处理器根据至少一个机器学习框架分析所述一个或多个解剖特征以预测至少一个事件发生时间结果，其中至少一个事件发生时间包括所述患者的排卵诱导周期内的排卵触发日期；以及利用所述至少一个处理器生成至少一个临床推荐，包括向所述患者施用至少一种药剂的建议时间，其中所述至少一种药剂包括排卵触发剂。42.根据用于辅助生殖技术中的数字图像处理的方法的某些实施例，所述一个或多个临床动作可包括对应于排卵诱导周期的精子递送或子宫内授精的建议时间。所述一个或多个生殖解剖结构包括一个或多个卵巢卵泡，且所述一个或多个解剖特征包括所述一个或多个卵巢卵泡的数量和大小。在一些实施例中，所述方法可进一步包括：利用所述至少一个处理器根据所述至少一个机器学习框架分析所述一个或多个解剖特征，以评估所述患者多胎妊娠的风险。所述方法可进一步包括：利用所述至少一个处理器根据至少一个机器学习框架分析所述一个或多个解剖特征，以确定所述患者的所述一个或多个卵巢卵泡的成熟率。43.根据用于辅助生殖技术中的数字图像处理的方法的某些实施例，所述方法可进一步包括：利用所述至少一个处理器分析所述患者的多个电子健康记录数据以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。在一些实施例中，所述多个电子健康记录数据包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。所述方法可进一步包括：利用所述至少一个处理器分析来自一个或多个匿名排卵诱导患者的多个匿名历史数据以及所述一个或多个解剖特征，以预测所述至少一个事件发生时间结果。在一些实施例中，所述多个匿名历史数据包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。44.本公开的其它实施例提供一种其上存储有计算机可执行指令的非暂时性计算机可读介质，所述计算机可执行指令在执行时使至少一个处理器执行数字图像处理方法的一个或多个操作，所述一或多个操作包括：接收患者的生殖解剖结构的一个或多个数字图像；处理所述患者的所述生殖解剖结构的所述一个或多个数字图像以检测一个或多个生殖解剖结构并注释所述一个或多个生殖解剖结构的一个或多个解剖特征；根据至少一个机器学习框架分析所述一个或多个解剖特征，以预测至少一个事件发生时间结果，其中至少一个事件发生时间包括所述患者的排卵诱导周期内的排卵触发日期；以及生成对应于与所述患者有关的一个或多个临床动作的至少一个图形用户输出，其中所述一个或多个临床动作包括向所述患者施用至少一种药剂的建议时间，其中所述至少一种药剂包括排卵触发剂。45.上述已经相当广泛地概述了本发明的更相关和重要的特征，使得可以更好地理解以下对本发明的详细描述，并且使得可以更充分地理解本发明对本领域的贡献。下文中将对本发明的另外的特征进行描述，所述另外的特征形成本发明的权利要求的主题。本领域的技术人员应当理解的是，概念和所公开的具体方法和结构可以易于用作修改或设计用于实现本发明的相同目的的其它结构的基础。此项技术的技术人员应该认识到，此类等同的结构不脱离如所附权利要求中所阐述的本发明的精神和范围。附图说明46.通过以下结合附图进行的详细描述，本公开的上述和其它目的、特征和优点将变得更显而易见，其中：47.图1a是其中可以实施和/或体现本公开的一个或多个方面的示例性计算设备和/或系统的架构图；48.图1是根据本公开的实施例的卷积神经网络架构的元件的图示；49.图2是根据本公开的实施例的深度学习(dl)管道开发过程的示意图；50.图3是根据本公开的实施例的us-drn架构的示意图；51.图4是根据本公开的实施例的用于us图像去斑处理的深度学习网络的流程图；52.图5是根据本公开的实施例的计算机辅助诊断(cad)架构和处理方法的示意图；53.图6是根据本公开的实施例的用于检测“可募集”卵泡的过程的流程图；54.图7是根据本公开的实施例的用于检测“可募集”卵泡的cnn架构的示意图；55.图7b是根据本公开的实施例的用于卵泡分割、表征和跟踪的多任务端到端深度学习框架的示意图；56.图7c是根据本公开的实施例的用于卵泡实例分割的markr-cnn架构的示意图；57.图7d是根据本公开的实施例的用于卵泡跟踪的流程图；58.图8是根据本公开的实施例的卵泡检测和定位框架的流程图；59.图9是根据本公开的实施例的卵泡跟踪框架的流程图；60.图10是根据本公开的实施例的emr数据卷积网络架构的图；61.图11是根据本公开的实施例的生存卷积神经网络架构的示意图；62.图12是根据本公开的实施例的计算机产品架构的示意图；63.图13是根据本公开的实施例的用于确定卵巢卵泡的卵泡成熟日期的方法的过程流程图；64.图14是根据本公开的实施例的用于生成临床建议的方法的过程流程图；65.图14b是根据本公开的实施例的用于生成与oi程序相关联的临床建议的过程的过程流程图；66.图15是根据本公开的实施例的用于生成与oi程序相关联的临床建议的方法的过程流程图；以及67.图15b是根据本公开的实施例的用于生成与oi程序相关联的临床建议的过程的过程流程图。具体实施方式68.应当理解，下文更详细讨论的概念的所有组合(条件是此类概念并非相互不一致)被设想作为本文所公开的本发明主题的一部分。还应当理解，本文明确采用的、也可能出现在通过引用并入的任何公开中的术语应被赋予与本文所公开的特定概念最一致的含义。69.本公开的实施例提供在提供用于不孕症的诊断、治疗和临床管理的辅助生殖技术(art)时的深度学习(dl)系统和方法的集合。所述集合包括用于使用计算机视觉技术(例如，卷积神经网络)对超声图像进行去斑或去噪处理以对卵泡和卵巢等生殖解剖结构进行对象检测、识别、注释、分割、分类、计数和跟踪的一个或多个人工神经网络(ann)系统和方法。ann系统和方法还被组合用于分析电子医疗记录，以对患者的特征事件发生时间结果进行识别和表型分析，从而预测患者的最佳卵泡提取和着床时间。所述方法和系统并入到基于云的计算机程序和移动应用程序中，使得医生和患者能够访问对不孕症的临床和患者管理的临床见解。70.应当理解，上文介绍的和下文更详细讨论的各种概念可以以多种方式中的任一种方式实施，因为所公开的概念不限于实施方案的任何具体方式。具体实施方案和应用的示例主要是为了说明性目的而提供的。本公开不应以任何方式限于附图中所示和下文所述的示例性实施方案和技术。71.在提供数值范围的情况下，应理解，除非上下文明确规定，否则在所述范围上限与下限之间的达到下限单位十分之一的每个中间值，以及所述范围内的任何其它所述值或中间值均由本发明涵盖。这些较小范围的上限和下限可以独立地包含在较小范围中并且也由本发明涵盖，在所述范围内受到任何特定排他性限制。在所述范围包含一个或两个端点极限的情况下，不包含一个或两个那些所包含的端点的范围也包含在本发明的范围中。72.如本文中所使用，“示例性”意指用作实例或说明，并不一定表示理想或最佳。73.如本文中所使用，术语“包含(includes)”意指包含但不限于，术语“包含(including)”意指包含但不限于。术语“基于”意指至少部分地基于。74.现在描述性地转而参看图式，其中类似的参考标号贯穿若干视图指代类似的元件，图1a描绘其中可以实施本发明的特定所示实施例的示例性计算系统。75.现在参考图1a，示出了其中可以实施本公开的一个或多个方面的处理器实施的计算装置。根据实施例，处理系统100a通常可包括至少一个处理器102a或处理单元或多个处理器、存储器104a、至少一个输入装置106a和至少一个输出装置108a，它们经由一个总线或一组总线110a耦合在一起。在某些实施例中，输入装置106a和输出装置108a可为相同装置。还可提供接口112a，用于将处理系统100a耦合到一个或多个外围装置，例如接口112a可为pci卡或pc卡。还可提供容纳至少一个数据库116a的至少一个存储装置114a。存储器104a可以是任何形式的存储器装置，例如易失性或非易失性存储器、固态存储装置、磁性装置等。处理器102a可包括超过一个不同的处理装置，例如用于处理处理系统100a内的不同功能。输入装置106a接收输入数据118a，并且可包括例如键盘、笔状装置或鼠标等指针装置、麦克风等用于受语音控制的激活的音频接收装置、调制解调器或无线数据适配器等数据接收器或天线、数据采集卡等。输入数据118a可具有与经由网络接收的数据不同的来源，例如键盘指令。输出装置108a产生或生成输出数据120a，并且可包括例如：显示装置或监视器，在此情况下，输出数据120a是可视的；打印机，在此情况下打印输出数据120a；端口，例如usb端口；外围组件适配器；数据发射器或天线，例如调制解调器或无线网络适配器；等等。输出数据120a可与传输到网络的数据不同，并且可从不同输出装置导出，输出装置例如是监视器上的视觉显示器。用户可以在例如监视器上或使用打印机查看数据输出或数据输出的解释。存储装置114a可以是任何形式的数据或信息存储构件，例如易失性或非易失性存储器、固态存储装置、磁性装置等。76.在使用时，处理系统100a用于允许数据或信息经由有线或无线通信手段存储在至少一个数据存储结构(例如，数据库)116a中和/或从其检索。接口112a可允许处理单元102a和可用于专用目的的外围组件之间进行有线和/或无线通信。一般来说，处理器102a可经由输入装置106a接收指令作为输入数据118a，并且可通过使用输出装置108a向用户显示处理结果或其它输出。可以提供超过一个输入装置106a和/或输出装置108a。应了解，处理系统100a可以是任何形式的终端、服务器、专用硬件等等。77.应了解，处理系统100a可以是联网通信系统的一部分。处理系统100a可连接到网络，例如互联网或wan。输入数据118a和输出数据120a可经由网络传送到其它装置。可以使用有线通信方法或无线通信方法实现通过网络进行的信息和/或数据传输。服务器可以促进网络与一个或多个数据库之间的数据传输。服务器和一个或多个数据库提供了信息源的实例。78.因此，图1a中所示的处理计算系统环境100a可使用到一个或多个远程计算机的逻辑连接在联网环境中操作。远程计算机可以是个人计算机、服务器、路由器、网络pc、对等装置或其它共同网络节点，并且通常包含上文所描述的许多或所有元件。79.应进一步了解，图1a中描绘的逻辑连接包含局域网(lan)和广域网(wan)，但是还可包含其它网络，例如个人局域网(pan)。此类联网环境在办公室、全企业计算机网络、内联网和互联网中是常见的。举例来说，当在lan联网环境中使用时，计算系统环境100a通过网络接口或适配器连接到lan。当在wan联网环境中使用时，计算系统环境通常包含调制解调器或用于通过互联网等wan建立通信的其它构件。可以在内部或外部的调制解调器可以经由用户输入接口，或经由另一恰当的机制连接到系统总线。在联网环境中，关于计算系统环境100a或其部分描绘的程序模块可以存储在远程存储器存储装置中。应了解，图1a所示的网络连接是示例性的，并且可以使用在多个计算机之间建立通信链路的其它手段。80.图1a意在提供一个其中可以实施在下文描述的本发明的实施例的说明性和/或合适的示例性环境的简要一般描述。图1a是合适环境的实例，并不意图表明对本发明的实施例的结构、使用范围或功能的任何限制。特定环境不应解释为具有任何与示例性操作环境中所示的任一组件或组件组合有关的依赖性或要求。例如，在某些实例中，可以将环境的一个或多个元件视为是不必要的且省略所述一个或多个元件。在其它实例中，可以将一个或多个其它元件视为是必要的且添加所述一个或多个其它元件。81.在下面的描述中，某些实施例可以参考由一个或多个计算装置执行的操作的动作和符号表示来描述，所述计算装置例如图1a的计算系统环境100a。因此，应理解，有时被称作计算机执行的此类动作和操作包含由计算机的处理器对表示结构化形式的数据的电信号的控制。这一控制会变换数据或将其保持在计算机的存储器系统中的位置处，这会以本领域的技术人员充分理解的方式来重新配置或以其它方式改变计算机的操作。其中保持数据的数据结构是存储器的物理位置，所述物理位置具有由数据格式限定的特定特性。但是，尽管实施例是在前述上下文中描述的，但它并不意图为限制性的，因为本领域的技术人员将了解，在下文中描述的动作和操作也可在硬件中实施。82.可以通过许多其它通用或专用计算装置和计算系统环境或配置来实施实施例。可能适合与实施例一起使用的众所周知的计算系统、环境和配置的实例包含但不限于个人计算机、手持式或膝上型装置、个人数字助理、多处理器系统、基于微处理器的系统、机顶盒、可编程消费型电子装置、网络、微型计算机、服务器计算机、游戏服务器计算机、网络服务器计算机、大型计算机和包含上述系统或装置中的任一个的分布式计算环境。83.可以在由计算机执行的例如程序模块等计算机可执行指令的一般背景下描述实施例。通常，程序模块包含执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。还可以在分布式计算环境中实践实施例，其中由通过通信网络链接的远程处理装置执行任务。在分布式计算环境中，程序模块可以位于包含存储器存储装置的本地和远程计算机存储介质两者中。84.在上文大体上示出并论述了图1a的示例性计算系统环境100a后，现将转向本公开的所示实施例进行描述。85.现在参考图1，示出了卷积神经网络架构100的架构图。卷积神经网络(cnn)是一种特殊类型的人工神经网络(ann)。ann的密集连接层和卷积层之间的根本区别在于ann在其输入特征空间中学习全局模式。相比之下，卷积层学习局部模式，这些局部模式是输入图像(或输入层)104的通常较小的2d窗、分块、滤波器或核102。cnn习得的模式是平移不变的，允许在图像或序列中进行全局模式识别。cnn还可以学习模式的空间层次，其中第一卷积层(或隐藏层)106可以学习诸如边缘的较小局部模式，并且额外或后续层将学习包括先前或第一层的特征的较大模式。86.cnn通过将布置在许多不同层中的人工神经元层与非线性激活函数互连来学习高度非线性映射。cnn架构包括一个或多个卷积层106、110，它们之间穿插有一个或多个子取样层108、112或非线性层，这些层通常后跟着一个或多个全连接层114、116。cnn的每一元件从前一层中的一组特征接收输入。cnn同时学习，因为相同特征图(或输出图像)120中的神经元具有相同的权重或参数。这些局部共享权重降低了网络的复杂性，使得当多维输入数据进入网络时，cnn降低了特征提取和回归或分类过程中数据重建的复杂性。87.在数学中，张量是以多重线性方式将几何向量、标量和其它张量映射到结果张量的几何对象。卷积作用于3d张量(例如向量)，称为特征图(例如120)，其具有两个空间轴(高度和宽度)和一个深度轴(也称为通道轴)。在一般的计算机视觉中，cnn通常被设计用于对包含三个图像通道——红色、绿色和蓝色(rgb)——的彩色图像进行分类。对于rgb图像，深度轴的维度是三(3)，因为图像具有三个颜色通道：红色、绿色和蓝色。对于黑白图片，深度是一(1)(即，灰度级)。卷积操作从其输入特征图中提取分块122，并对所有这些分块应用相同的变换，从而产生输出特征图124。此输出特征图仍然是3d张量，具有宽度和高度。它的深度可以是任意的，因为输出深度是层的参数，并且深度轴中的不同通道不再代表rgb输入中的特定颜色；相反，它们代表滤波器。滤波器在高度级别对输入数据的特定方面进行编码。单个滤波器可以使用例如卵泡的形态、纹理或大小进行编码。88.卷积由两个关键参数定义：89.(1)从输入中提取的分块大小，通常为1x1、3x3或5x5，以及90.(2)输出特征图的深度，即通过卷积计算出的滤波器的数目。一般来说，这些以32的深度开始，继续到64的深度，并以128或256的深度终止。91.卷积操作是在2d或3d输入特征图上滑动这些3x3或5x5大小的窗，在每个位置停止，并提取周围特征[形状(窗高度，窗宽度，输入深度)]的分块122。然后将每个这样的分块(经由具有相同学习权重矩阵的张量积，称为卷积核)变换为id向量形状(output_depth)。然后，在空间上将所有这些向量重新组合成例如3d输出图形状(高度，宽度，输出深度)。输出特征图中的每个空间位置对应于输入特征图中的相同位置(例如，输出的右下角含有输入的右下角的信息)。[0092]在训练期间，调整或训练cnn，使得输入数据产生特定的输出估计。使用反向传播基于输出估计和真实数据(即，真实标签)的比较来调整cnn，直到输出估计逐渐地匹配或接近真实数据为止。通过基于真实数据和实际输出之间的差调整神经元之间的权重(w)或参数来训练cnn。神经元之间的权重是自由参数，用于捕捉模型的数据表示，并从输入/输出样本中学习。模型训练的目标是找到使目标损失函数l(w)最小化的参数(w)，目标损失函数l(w)测量由w参数化的模型预测与实际观察结果或样本真实标签之间的拟合度。最常见的目标损失函数是分类的交叉熵和回归的均方误差。在其它实施方案中，卷积神经网络使用不同的损失函数，例如欧几里得损失和softmax损失。[0093]目前，cnn采用小批量随机梯度下降(sgd)进行训练。sgd是一种优化可微目标函数(如损失函数)的迭代方法，是梯度下降优化的随机近似。sgd的许多变体用于加快学习。一些流行的启发式算法，如adagrad、adadelta和rmsprop，针对每个特征自适应地调节学习速率。adagrad可以说是最流行的，它通过缓存每个时间步中每个参数的梯度平方和来调适学习速率。每个特征的步长乘以此缓存值平方根的倒数。adagrad可以在凸误差曲面上快速收敛，但由于缓存和是单调递增的，因此这个方法具有单调递减的学习速率，这在高度非凸损失曲面上可能是不可取的。动量法是用于训练神经网络的另一种常见的sgd变体。这些方法在每次更新中添加以前更新的衰减总和。在其它实施方案中，仅使用馈送到nesterov加速梯度和自适应梯度的选定数据对来计算梯度，以提高计算效率。使用梯度下降及其变体进行训练的主要缺点是需要大量的标记数据。解决这一困难的一种方法是使用无监督学习。当只有很少的训练样本可用时，数据增强对于教会网络所需的不变性和稳健性特性是至关重要的。[0094]cnn的卷积层(例如，106、110)用作特征提取器。卷积层充当能够学习输入数据并将其分解成层次特征的自适应特征提取器。在一个实施方案中，卷积层将两个图像作为输入，并产生第三图像作为输出。在此实施方案中，对二维(2d)中的两个图像进行卷积操作，其中一个图像是输入图像104，另一图像也就是核(例如，102)用作输入图像104的滤波器，产生输出图像。卷积操作包含在输入图像104上滑动核102。对于核102的每个位置，将核和输入图像104的重叠值相乘，并将结果相加。乘积之和是输出图像120在输入图像104中核102居中的点处的值。许多核的产生的不同输出称为特征图(例如，120、124)。[0095]一旦卷积层(例如，106、110)经过训练，它们就被用于对新的推断数据执行识别任务。因为卷积层从训练数据中学习，因此它们避免了显式特征提取，而是隐式地从训练数据中学习。卷积层使用卷积滤波器核权重，作为训练过程的一部分，对所述权重进行确定和更新。卷积层提取输入图像104的不同特征，这些特征在较高层(例如，108、110、112)处组合。cnn使用不同数量的卷积层，每个层具有不同的卷积参数，如核大小、步长(stride)、填白(padding)、特征图数量和权重。[0096]子取样层(例如，108、112)降低由卷积层提取的特征的分辨率，使提取的特征或特征图(例如，120、124)对噪声和失真具有稳健性，降低计算复杂度，引入不变性特性，并减少过度拟合的可能性。它总结了图像中某个区域的特征统计数据。在一个实施方案中，子取样层(例如，108、112)采用两种类型的池化操作：平均池化和最大池化。池化操作将输入划分成不重叠的二维空间。对于平均池化，计算区域内四个值的平均值进行池化。池化神经元的输出是输入神经元集中输入值的平均值。对于最大池化，选择四个值中的最大值进行池化。最大池化识别取样区域内最具预测性的特征，并降低图像的分辨率和内存要求。[0097]在cnn中，非线性层与卷积结合用于神经元激活。非线性层使用不同的非线性触发函数来用信号表示每个隐藏层(例如，106、110)上可能特征的不同识别。非线性层使用各种特定函数来实施非线性触发，包含修正线性单元(relu)、参数修正线性单元(prelu)、双曲正切、双曲正切的绝对值以及s型和连续触发(非线性)函数。在优选实施方案中，relu用于激活。使用relu函数的优点是卷积神经网络的训练速度快很多倍。relu是一个非连续、非饱和激活函数，如果输入值大于零，则与输入成线性关系，否则为零。在其它实施方案中，非线性层使用功率单元激活函数。[0098]cnn还可实施残差连接，其包括通过将过去的输出张量添加到随后的输出张量来将先前的表示重新注入到下游数据流中，这有助于防止数据处理流中的信息丢失。残差连接解决了困扰任何大规模深度学习模型的两个常见问题：梯度消失和特征表示瓶颈。残差连接使前一层的输出可用作后一层的输入，在顺序网络中有效地创建了快捷方式。较早的输出通常与较晚的激活相加，而不是连结到较晚的激活，前一种情况假设两个激活的大小相同。如果它们的大小不同，则可以使用线性变换将较早的激活重新整形为目标形状。[0099]提出cnn的残差学习最初是为了解决性能下降的问题，即随着网络深度的增加，训练准确性开始下降。通过假设残差映射比原始未引用映射更容易学习，残差网络显式地学习几个堆叠层的残差映射。残差网络堆叠多个残差单元以减轻训练准确性的降低。残差块利用特殊的加性跳跃连接来处理深层神经网络中的梯度消失。在残差块的开头，数据流被分成两个流。第一个流携带块的未更改输入，而第二个流应用权重和非线性。在块的末尾，这两个流使用逐元素求和(或减法)合并。这种构造的主要优点是允许梯度更容易地流过网络。残差网络使cnn易于训练，并提高了图像分类和对象检测等应用的准确性。[0100]深度学习中的一个已知问题是协变量偏移(covariateshift)，由于训练期间网络参数的变化，网络激活的分布在各层之间会发生变化。每一层输入的变化规模和分布意味着网络必须在每一层显著调整其参数，因此训练必须缓慢(即使用较小的学习速率)，以使损失在训练期间不断减少(即，避免训练期间出现分歧)。一个常见的协变量偏移问题是训练集和测试集分布的差异，这可能导致次优的泛化性能。[0101]在一个实施方案中，提出批量归一化(bn)，用于通过合并归一化步骤、缩放步骤或偏移步骤来缓解内部协变量偏移。bn是一种通过使数据标准化成为网络架构的组成部分来加快深度网络训练的方法。bn保证所有输入的分布更有规律。bn可以自适应地归一化数据，即使训练期间平均方差随时间变化。它在内部维持批量均值和方差数据的指数移动平均值。主要作用是帮助梯度传播，类似于残差连接。bn层可在卷积层、密集连接层或全连接层之后但在输出馈入激活函数之前使用。对于卷积层，相同特征图的不同元素——即，不同位置的激活——以相同的方式进行归一化，以遵守卷积特性。因此，小批量中的所有激活都在所有位置上归一化，而不是针对每个激活进行归一化。[0102]穿插有一个或多个子取样层108、112的所述一个或多个卷积层106、110通常后跟着一个或多个全连接(fc)层114、116。fc层用于连结多维特征图(例如，120、124等等)，并使特征图成为固定大小的类别，并为分类输出层118生成特征向量。fc层通常是参数和连接最密集的层。在一个实施方案中，全局平均池化用于减少参数数量，且任选地替换一个或多个fc层进行分类，方法是采用最后一层中特征的空间平均值进行评分。这减少了训练负荷，并绕过了过度拟合问题。全局平均池化的主要思想是从每个最后一层特征图生成平均值作为直接馈送到softmax层中的用于评分的置信因子，softmax层将3d输入映射到[0,1]。这允许将一个或多个输出层118解释为概率和具有最高概率的像素(2d输入)或体素(3d输入)的选择。[0103]在一个实施方案中，一个或多个自动编码器用于降维。自动编码器是训练用于重建输入数据的神经网络，且降维是通过在隐藏层(例如，106、110等)中使用数量少于输入层104中的神经元来实现的。深度自动编码器是由多层编码器堆叠而成，每一层使用无监督学习准则进行独立训练(预训练)。可以将分类层添加到预训练编码器，并使用标记数据进一步训练(微调)。[0104]图2是根据各种实施例的深度学习(dl)管道开发过程的示意图200。dl管道开发包括三个阶段：模型选择(模型选择和在训练数据集上拟合)、模型评估和模型分发。在优选实施例中，创建一个基础架构来训练、评估和分发一个或多个ann网络。在各种实施例中，通过数据集流202和数据分割步骤204将一个或多个数据集恰当地分离成测试数据集206、验证数据208和训练数据210，以避免有偏差的评估。在各种实施例中，所述一个或多个所述数据集通过数据io步骤212处理，然后取样214，方式取决于管道的阶段。在具有有限数据的应用中，数据集被增强216以补偿小的训练数据集，其中训练数据集太稀疏而不能表示图像分布的可变性。数据增强通过在训练期间引入随机扰动，例如应用随机空间变换或添加随机图像噪声，来人为地增加训练数据集的可变性。在各种实施例中，训练和验证数据样本被引入(步骤218、220)到模型选择222。在各种实施例中，模型选择程序包括模型拟合过程224，其包含配置网络226、选择损失函数228和优化230过程。在各种实施例中，模型选择222过程的输出包括一个或多个超参数232和经训练参数234。在各种实施例中，所述参数的数据流入模型推断236过程中，由此系统地包含取样214产生的数据以处理整个数据集202。评估238模型以生成一个或多个结果240。在各种实施例中，一个或多个验证模型可以存储242在模型库244中，其中存储的模型可用于模型选择222期间的模型初始化步骤245或模型推断236期间的经训练模型比较246。在dl中，通常的做法是，部分或完全地调适先前的经过训练或未经训练的网络架构以用于类似或不同的任务。在各种实施例中，模型库244能够存储依赖于被寻址的应用域的模型和参数；例如，去噪、对象检测、计数和预测。可以使用库(例如，tensorflow)构造一个或多个网络架构，此库提供用于定义计算管道并在硬件资源上高效执行它们的工具。一个或多个软件应用程序驱动程序可用于为管道的一个或多个组件定义公共结构。[0105]超声图像受到一种强大的乘性噪声即散斑的影响，这种噪声通常会损害诸如分类和分割等自动操作的性能，目的是为最终用户提取有价值的信息。本公开的目标是一种dl方法，其优选地通过一个或多个cnn实施。在各种实施方案中，给定一组合适的图像，训练cnn学习数据的隐式模型，例如噪声，以便有效地对相同类型的新数据去斑。us图像中的噪声可在形状、大小和模式方面不同，并且是非线性的。前提是通过非线性模型可以更准确地表达图像散斑噪声。在各种实施例中，cnn架构被组合用于利用扩张残差网络(us-drn)学习有噪声和无噪声us图像之间的非线性端到端映射。在各种实施方案中，将一个或多个跳跃连接以及残差学习添加到去噪模型中以缓解梯度消失问题。在各个优选实施例中，模型不依赖于预先确定的图像或噪声描述模型的先验知识，直接从训练数据和相应的标签中采集和更新网络参数。不受理论束缚，图像的上下文信息有助于退化区域的恢复。一般来说，深度卷积网络主要通过增加网络深度或增大滤波器(例如，图1的102)来增大感受野来增强上下文信息。但是，随着网络深度的增加，准确性变得“饱和”，然后迅速下降。增大滤波器尺寸可以得到更多卷积参数，从而大大增加计算能力和训练时间。在各种实施方案中，扩张卷积用于在维持滤波器尺寸的同时增大感受野。一个普通的卷积感受野与层深呈线性相关。相比之下，扩张卷积感受野与层深呈指数相关。作为实例，对于核大小＝3x3，7层架构的3x3扩张卷积的扩张因子分别设置为1、2、3、4、3、2、1。在一个实施方案中，轻量模型包括7个扩张卷积。[0106]参考图3，示出根据各种实施例的us-drn架构的示意图300。在各种实施方案中，架构包括用作一个或多个卷积层304、306、308、310、312、314、316的输入的一个或多个图像302，每个卷积层的操作类似于图1的层106。在各种实施例中，架构是残差网络，包括一个或多个跳跃连接318、320、逐元素总和322、324，用于将一个或多个特征信息从前一层传递到后一层，同时保持图像细节并避免或缓解梯度消失问题。在各种实施例中，网络学习散斑图像(或减影图像)326的所得经估计分量。输出的去噪图像328通过利用逐元素减法器330经由跳跃连接332从输入图像302减去图像326来产生。在各个替代性实施例中，逐元素减法器330可包括除法元素。在此实施方案中，输入图像302除以经估计散斑图像326。然后，结果通过非线性函数层，任选地双曲正切层，产生去噪图像328。通过设置再现噪音的双重目标，训练变得更加有效。鉴于训练数据的固有稀缺性，这对于art生殖解剖结构的检测、识别、分割或分类非常重要。残差映射的实施方案可以带来更有效的学习，并在通过多层网络后迅速减小损失函数。不受理论束缚，残差图像中的大多数像素值都接近于零，残差特征图的空间分布应该非常稀疏，这会导致梯度下降过程产生滤波器参数的更平滑的超损失曲面。搜索接近最优的分配变得更快、更容易，从而能够向网络添加更多层以提高性能。[0107]图4是根据各种实施例的用于us图像去斑过程的深度学习网络的流程图400。此方法涉及的三个主要过程是训练数据集的数据处理、cnn训练和图像去斑。在各种实施例中，数据处理(步骤402)包括处理无噪声图像404和带散斑图像406，这可包含将图像归一化和划分成更小的分块。划分后的分块为用于cnn训练的前馈网络提供输入。带散斑图像406中的一个或多个有噪声分块(例如，图1的核102)提供输入，并且无噪声图像404的无噪声分块是目标输出。在一个实施方案中，反向传播sdg可减少误差，并增加准确性。在各种实施例中，分块经历前馈过程，然后反向传播以更新一个或多个网络参数(步骤408)。因为采用sgd进行优化，所以随机选择一个分块作为输入，并且在训练过程中只使用一次。网络选择一个具有对应无噪声分块的输入分块，计算无噪声分块和网络输出之间的误差，然后计算不同隐藏层(例如，图2的204、206、208)之间的误差。在每次迭代中，创建新的学习后的图像410，随后通过计算412进一步最小化损失函数来改进此图像。在网络参数步骤408中，通过将当前值与误差偏导数的计算结果相加来更新权重。在更新之后，将使用分块x和分块y之间的误差和损失减少对来自学习后的网络414的新图像进行去斑，所述网络具有通过最小损失收敛获得的参数。经训练网络的结果是权重和阈值的集合。学习后的网络414使得有噪声图像416能够被去斑成去噪图像(或无噪声图像)418。[0108]在各个非限制性实施例中，所述us-drn的训练包括使用100到500个图像，这些图像任选地从us扫描仪或装置获得且被进一步调整尺寸(例如，256x256)。在各种实施例中，一个或多个2d通道可分配给所关注体积(voi)中对应的轴向、冠状或矢状切片。在各种实施例中，对3dus数据集进行再取样，以提取具有固定体素数量的不同物理尺度下的一个或多个体素。每个voi可在3d空间中沿随机向量平移以重复n次。每个voi也可以用于扩展训练数据集的一个或多个随机角度在随机定向的向量周围平移以重复n次。在各种实施例中，核或分块的大小可以选择性地设置(例如，40x40)，步长也是如此(例如，1到10)。在各种实施例中，网络训练包括在若干时期(例如，20个等)内使用优化方法(例如，adam优化)作为具有某一学习速率(例如，0.0002)的小批量(例如，16)梯度下降方法。在各种实施例中，训练正则化参数设置成等于所选值(例如，0.002)。在各种实施例中，去噪器模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)，cnn工具箱是matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)，且gpu平台是nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，滤波器系统和方法的性能评估包括但不限于使用标准差(std)、峰值信噪比(pnsr)、等效视数(enl)和边缘保持指数(epi)、结构相似性指数测量(ssim)，以及对去噪图像比率(um)的一阶和二阶描述符的质量的独立度量。psnr值越高，算法的去噪能力越强。enl值越大，视觉效果越好。epi值反映了边界保持能力，值越大越好。ssim指示去噪之后图像结构的相似性，且尽可能得大。um不依赖于源图像来评估去噪图像——值越小，散斑抑制能力越强。在各种实施例中，所述方法包括相比于使用多个输入通道执行2d卷积，使用3d卷积来提取更多信息。[0109]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理的art时用于至少一个us图像的对象检测、识别、注释、分割或分类的ann系统和方法，优选地使用由所述us-drn架构处理的去噪图像来进行。图5是根据各种实施例的计算机辅助诊断(cad)架构和处理方法的示意图500。在各种实施例中，cad架构包括一个或多个模块化组件，包含图像预处理模块502、图像分割模块506、特征提取和选择模块508，和分类模块510。在各种实施例中，图像预处理模块502执行一个或多个步骤，包含但不限于散斑的增强、平滑或减少，从而产生例如图4的去噪图像418。在各种实施例中，图像分割模块506执行一个或多个步骤，包含但不限于将图像分割成一个或多个不重叠区域，并且一个或多个识别的所关注区域(roi)或voi与背景分隔开。在各种实施例中，一个或多个roi或voi用于特征提取。在各种实施例中，特征提取和选择模块508执行一个或多个步骤，包含但不限于特征提取或移除、旨在构建一组最佳特征以准确区分生殖解剖结构的一个或多个相关特征的特征子集的选择。在各种实施例中，分类模块510执行一个或多个步骤，包含但不限于应用分类技术以对一个或多个生殖解剖结构进行分类。在各种实施例中，所选cnn架构和方法支持卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、窦状卵泡等等的检测、识别、注释、分割或分类。[0110]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理时用于使用一个或多个软件应用程序驱动程序进行至少一个us图像的对象检测、识别、注释、分割或分类的框架。在各种实施例中，一个或多个应用程序驱动程序为图5中描述的cad系统的特定模块功能定义公共结构。应用程序用于实例化数据、应用程序对象和工作负荷分布，以及组合来自各种计算资源(例如，多个cpu或gpu)的结果。应用程序驱动程序将特定于应用程序的功能委托给单独的应用程序类。在各种实施例中，可以从命令行或使用人类可读的配置文件以编程方式配置应用程序驱动程序，优选地包含可以偏离默认值的数据集定义和设置。应用程序类通过连接包含但不限于以下各项来封装标准分析：用于加载数据的读取器驱动程序、用于生成数据样本供处理的取样器驱动程序、用于处理输入(例如，图4的418)的网络驱动程序(优选为cnn)，以及在推断和评估期间的输出处理器(包括驱动程序，例如图2的损失函228驱动程序和优化230驱动程序)和聚合器驱动程序。在各种实施例中，驱动程序进一步包括一个或多个子组件，例如用于执行数据增强。[0111]用于分析的cad系统包含临床工作流程的许多任务或应用：检测、注册(registration)、重建、增强、模型表示、分割、分类等。不同的应用使用不同类型的输入和输出、不同的网络和不同的评估指标。在优选实施例中，框架平台以模块化方式设计，通过将工作流封装在应用程序类中来支持添加任何新的应用程序类型。应用程序类定义网络和损失函数所需的数据接口，促进数据取样器和输出对象的实例化，根据需要将它们连接起来，并指定训练方案。在非限制性实例中，在训练期间，均匀取样器驱动程序能够生成小的图像分块和对应的标签，由所述cnn处理以生成分段，使用损失函数驱动程序并使用adam优化器函数驱动程序计算用于反向传播的损失。在推断过程中，网格取样器驱动程序可以生成一组非重叠的分块以将图像转换为段，所述网络生成对应的分段，并且网格样本聚合器驱动程序将分块聚合为最终分段。[0112]dl架构包括简单函数的复杂组合，这些函数可以通过重复使用概念块来简化。在一个实施方案中，框架平台包括由封装层类表示的概念块，或使用tensorflow的作用域系统进行内联表示的概念块。在各种实施例中，一个或多个复合层构造为简单的复合层和tensorflow操作。在一个实施方案中，使用tensorboard可视化工具，网络图的可视化自动支持为不同细节级别的层次结构。在各种实施例中，层对象在实例化时定义一个或多个作用域，允许重复使用，从而支持复杂的权重共享，而不会破坏封装。在各种实施例中，一个或多个读取器类允许从一个或多个医学文件格式加载图像文件来获得特定数据集，并应用图像范围的预处理。在各种实施方案中，框架平台使用nibabel来促进广泛范围的数据格式。在优选实施例中，框架平台在将输入数据集映射到要处理的数据包以及将处理后的数据映射到有用输出方面具有灵活性。前者封装在一个或多个取样器类中，后者封装在输出处理器中。匹配的取样器和输出处理器的实例化被委托给应用程序类。取样器生成一系列对应数据包以供处理。每个包含有一次独立计算的所有数据(例如，训练期间梯度下降的一步)，包含图像、标签、分类、噪声样本或处理所需的其它数据。在训练期间，从训练数据中随机抽取样本，而在推断和评估过程中，系统地抽取样本来处理整个数据集。在训练期间，输出处理器获取网络输出，计算损失和损失相对于可训练变量的梯度，并使用优化器驱动程序迭代地训练模型。在推断期间，输出处理器通过聚合一个或多个网络输出并执行任何必要的后处理(例如，将输出调整为原始图像大小)来生成有用的输出。在各种实施例中，平台内的数据增强和归一化被实施为在取样器中应用的层类。在优选实施例中，框架平台能够支持均值、方差和直方图强度数据归一化，以及空间数据增强的翻转、旋转和缩放。[0113]图6是用于检测“可募集”卵泡的过程的示意流程图600。检测过程包括级联cnn基础方法。首先，使用例如图5的图像处理模块502进行去噪和预处理的至少一个us图像的一个或多个roi或voi由熟练的超声学家或医生粗略地描绘或勾勒(步骤602)，以用作训练数据集。其次，训练604cnn(例如，n个卷积层和n个池化层)以分割“可募集”卵泡606并生成对应的分割概率图608。第三，使用一个或多个算子，包含但不限于二值化算子、腐蚀算子或膨胀算子，将所有分割概率图分成不同的连接区域。最后，基于由一个或多个分裂后的分割概率图608重新标记的us图像分块，采用cnn610检测“可募集”卵泡612，从而生成输出614。[0114]参考图7，示出了根据实施例的用于检测“可募集”卵泡的cnn架构的示意图。在这个非限制性实施方案中，图像(例如，图4的418)作为输入引入到图6的cnn604架构的第一卷积层(conv)704中，此卷积层使用一个或多个滤波器(例如，13x13)、2个像素的步长大小和6x6像素的填白大小生成一个或多个特征图706，随后图像进行最大池化。后续的卷积层708均通过大小5x5的滤波器生成265个45x45大小的特征图710。在第二卷积层中使用2个像素的填白大小和2个像素的步长大小。最大池化进一步减小了特征图的大小。在后续层712中使用2个像素的填白大小和1个像素的步长大小。残差卷积层包括1个像素的填白大小和1个像素的步长大小。此外，除最后两个卷积层以外的残差卷积层712、714中的每一个包括3x3大小的滤波器，生成384个22x22大小的特征图。具有3x3大小的滤波器的倒数第二个卷积层714生成256个22x22大小的特征图。具有3x3大小的滤波器的最后一个卷积层716生成一个44x44大小的特征图。两个窗大小为3x3的最大池化层706、710分别跟在第一卷积层704和第三卷积层708之后。在一个实施例中，在这两个池化层中使用两个像素的步长大小。任选地，在第一池化层706中仅使用一个像素的填白大小。另外，使用函数参数修正线性单元(prelu)作为激活函数，其参数可以使用本公开的一个或多个所述学习方法自适应地学习。此外，对于卵泡检测，cnn610架构包括四个卷积层720、724、728、732、四个池化层722、726、730、734和两个全连接层736、738，这两个全连接层分别具有64个和1个输出。第一卷积层720通过5x5大小的滤波器以一个像素的步长大小和两个像素的填白大小从图718(例如，图6的608)生成64x64大小的特征图。第二卷积层724通过5x5大小的滤波器以两个像素的填白大小和一个像素的步长大小生成64个32x32大小的特征图。第三卷积层728通过3x3大小的滤波器以一个像素的填白大小和一个像素的步长大小生成64个16x16大小的特征图。最后一个卷积层732通过3x3大小的滤波器以一个像素的填白大小和一个像素的步长大小生成384个8x8大小的特征图。在优选实施例中，当前层中的特征图连接到先前层中的所有特征图。前两个卷积层720、724都后跟着填白为1、步长为2且窗大小为3的最大池化层722、726。第三卷积层728后跟着步长为2且窗大小为2的最大池化层730。第四卷积层732后跟着步长为8且窗大小为8的最大池化层734。激活函数是修正线性单元(relu)，它具有应用于所有隐藏单元的逐点非线性。在各种实施例中，在每一个relu操作之后还应用局部响应归一化方案。在第二全连接层738的输出之后，使用softmax层740通过最小化预测标签(即，可募集卵泡)和真实数据标签(即，先验分割的可募集卵泡)之间的交叉熵损失来生成类标签(例如，不可募集或可募集卵泡)上的分布。[0115]在一个实施方案中，用于检测可募集卵泡的训练过程包括三个步骤。首先，使用含有从可募集卵泡的图像提取的分块的数据利用随机初始化参数训练图6的cnn604。在一个实施方案中，从这些可募集卵泡图像中随机取样裁剪的大小的图像分块(例如，图7的353x353702)是图6的cnn604的输入。它们由概率图标记，其像素值在区间[例如，0:1；0:9]内，这是根据图像分块与其对应的二值掩码之间的关系确定的。图6的关于可募集卵泡的分割概率图608是图6的cnn604的输出。在各种实施例中，改进的性能包括使用多视图策略来训练图6的cnn604。其次，由连续二值化算子、腐蚀算子和膨胀算子组成的一个或多个分裂方法是将通过图6的cnn604生成的分割概率图的连接区域分成若干个孤立的连接区域。例如，值来自步长0.01的区间[0:15；0:7]的连续二值化算子可用于将图6的分割概率图608二值化。在各种实施例中，可以实施图5中描述的所述框架平台的一个或多个工作流应用，以执行用于识别、检测分割或分类一个或多个可募集卵泡的过程的一个或多个模块功能。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)，cnn工具箱是matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)，且gpu平台是nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，检测过程支持不限于“可募集”卵泡的替代生殖解剖结构的检测、识别、分割或分类，所述生殖解剖结构包含但不限于卵巢、囊肿、囊性卵巢、多囊卵巢、卵泡、窦状卵泡等等。在各种实施例中，一个或多个结果以电子方式记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0116]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理时用于对象检测框架的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据一个或多个us图像进行一个或多个生殖解剖结构随时间推移的对象检测(例如，卵泡检测)、定位、计数和跟踪(例如，卵泡生长率)。在各种实施例中，一个或多个检测器或分类器在像素空间中训练，在像素空间中一个或多个目标生殖解剖结构的位置被标记(例如，卵泡)。对于卵泡检测，输出空间包括指示卵泡中心的一个或多个稀疏标记像素。在各种实施例中，输出空间编码为固定维度的压缩向量，优选地短于原始稀疏像素空间(即，压缩感知)。在各种实施例中，cnn从输入像素(例如，us图像)回归所述向量。在各种实施例中，输出像素上的卵泡位置使用归一化恢复，归一化包含但不限于l1归一化。[0117]不受理论束缚，尼奎斯特-香农取样定理(nyquist-shannonsamplingtheorem)指出，重建带限信号需要一定的最小取样率。压缩感知(cs)有可能降低线性变换下稀疏信号的取样和计算要求。cs的前提是通过有限数量的线性观察来观察(感测)未知的受关注信号。已经证明，在信号稀疏和矩阵不相干的假设下，从这些观察中获得未知信号的稳定重建是可能的。信号恢复技术通常依赖于具有l1归一化表示的惩罚的凸优化方法，例如正交匹配追踪或增广拉格朗日方法。[0118]本公开的目标是在提供用于临床不孕症的治疗和临床管理的art和oi时用于对象检测和表征框架的ann系统和方法。在各种实施例中，ann包括配置用于实例分割以支持根据一个或多个us图像进行的一个或多个生殖解剖结构随时间推移的对象检测(例如，卵泡检测)、定位、形态表征、大小确定、计数和跟踪(例如，卵泡生长率)的架构。在一个实施例中，所述架构包括用于包含但不限于卵泡的一个或多个生殖解剖结构的实例分割、边缘检测和增强、量化、大小确定和计数的机器学习方法的集合。在各种实施例中，所述架构包括一个或多个ann架构，包含但不限于快速/更快cnn、全卷积网络(fcn)、掩码区域卷积神经网络(掩码r-cnn)或其组合。在各种实施例中，边缘检测包括使用一个或多个方法，包含但不限于梯度、拉普拉斯等等。在一个实施例中，边缘方法包含但不限于一个或多个滤波器，例如索贝尔滤波器。在各种实施例中，所述方法包括结合用于形态表征的图像处理方法的多任务端到端深度学习框架，形态表征包含但不限于解剖结构大小、长度、宽度、直径、体积(例如，卵泡体积)。[0119]参考图7b，示出了根据实施例的用于卵泡分割、表征和跟踪的多任务端到端深度学习框架700b的示意图。在这个非限制性实施方案中，图像702b(例如，图4的418)作为输入引入到markr-cnn704b架构中以执行实例分割。实例分割需要正确地检测图像中的所有对象，同时精确地分割所检测对象的每一实例。实例分割结合了各个对象的分类，并使用具有语义分割的边界框对每个对象进行定位，语义分割将每个像素分类为一组固定的类别，而不进行区分。704b网络的输出由一个或多个边缘滤波器706b处理，因为掩码r-cnn网络提供了含有卵泡的区域的粗略分割。在各种实施例中，边缘检测用于识别tvus图像702b中具有显著亮度梯度的区域。在一个实施例中，选择索贝尔图像梯度滤波器来最大限度地减少计算开销。索贝尔滤波器是用于对一个或多个卵泡进行边缘检测的2d滤波器，描述了竖直和水平方向上依赖于旋转的一阶梯度操作。图像702b中卵泡的边缘对应于滤波器方向的高绝对响应。在一个实施例中，一旦检测到卵泡，就可以使用包括视觉几何组(vgg)cnn架构的卵泡计数器708b来执行计数。在各种实施例中，用于卵泡计数的cnn是由11个具有3x3像素的滤波器的2d卷积层组成的vgg-11网络。滤波器的数量从64到512不等。每一卷积层之后依次是批量归一化层、泄漏relu(leakyrelu)和最大池化层。vgg-11用于特征提取。计数预测将使用三个全连接层(例如，维度：1024、512、1)，它们通过批量归一化层和泄漏relu(leakyrelu)分隔开，以防输出负数。在另一实施例中，检测到的卵泡的形态使用形态表征器710b在大小、面积、体积等等或其组合方面进行表征。在一个实施例中，边界框中卵泡掩码之外的区域被去除，并且掩码中的灰度图像使用otsu法二值化。卵泡掩码的分布比卵泡稍宽，因此在二值化后，掩码中仍可能保留一些噪声。在实施例中，通过形态分析计算面积和偏心率，并删除预设大小和偏心率以下的区域，可以去除此噪声。卵泡的一个或多个度量维度(例如，长度、宽度等)可以通过以下步骤使用卵泡对象的骨架化和边缘来计算：(a)在骨架中找到两个相邻像素；(b)使用这两个相邻像素计算像素的定向；(c)根据计算出的定向绘制像素的法线；(d)找到两条边缘相交的像素；和(e)计算这两个相交像素之间的像素距离。骨架化用于将逐像素卵泡转换成单像素宽的表示。在各种实施例中，卵泡跟踪包括使用卵泡计数器708b和表征器710b的输出作为卵泡跟踪器712b的输入。在一个实施例中，卵泡跟踪器712b包括使用基于线性分配问题的方法来构建生长曲线，并在一段时间内从日间2dtvus图像跟踪卵泡，以确定各个区域(直径)相对于时间的生长曲线。例如，在整个延时图像序列中给定一组检测到的卵泡，所述算法首先在连续帧之间链接检测到的卵泡，然后链接第一步中生成的轨迹段，以同时闭合间隙并捕获卵泡运动事件。在某些实施例中，通过使用计数器708b的输出计算卵泡数，并使用表征器710b从每天在每个卵泡采集的图像得到的输出计算卵泡面积/直径的变化，来构建直方图(卵泡数相较于直径/天数)。在一个实施例中，使用生长率和检测到的卵泡实例，构建了具有单卵泡分辨率的卵泡生长率空间图。[0120]参考图7c，示出了根据实施例的用于卵泡实例分割700c的markr-cnn704b架构的示意图。所述架构包括一个或多个基于根据图7b的一个或多个tvus图像702b更改的resnet架构的特征金字塔网络(fpn)702c作为掩码r-cnn的主干。掩码rcnn补充了支持掩码预测的更快r-cnn架构。掩码r-cnn用roi对准(roialign)704c替代了更快r-cnn网络中的受关注区域(roi)池化层，以引入插值过程来解决由通过池化直接取样造成的对准问题。在各种实施例中，一个或多个全连接网络层(fcn)702c、706c、708c、710c、712c依序和或并行配置，并用于预测一个或多个卵泡的像素级实例掩码。在各种实施例中，图7b的掩码r-cnn704b网络构造成具有用于粗略卵泡检测和定位的三个阶段：特征提取、区域提议(regionproposal)和预测。掩码r-cnn使用所述fpn生成候选区域roi，通过例如非限制性的resnet-101的resnet714c进行特征提取，然后通过像素级信息获得卵泡的金字塔特征图716c。这种添加允许网络利用较低层中的高分辨率特征图进行准确定位。提取过程与更快r-cnn使用区域提议网络(rpn)718c生成边界框提议从而执行对象/非对象二值分类和边界框回归的提取过程相同。图7b的图像702b及每个roi中的每个roi区域的特征图716c使用roi对准704c校正。然后，在获得每个roi区域的特征图之后，使用全连接fc层720c预测每个区域的分类和边界框。每个roi使用所设计的全连接网络fcn722c框架预测roi区域中每个像素的类别。作为最终结果，markr-cnn704b为一个或多个卵泡生成一个或多个分割掩码。[0121]现在参考图7d，示出了卵泡跟踪700d的过程流程图。根据实施例，由图7b的卵泡跟踪器712b执行的卵泡跟踪包括一个或多个步骤：在图7b的tvus图像702b的两个或更多个连续帧之间链接检测到的卵泡，然后链接第一步中生成的轨迹段，以同时闭合间隙并捕获卵泡运动。在第一过程流步骤中，可以通过在连续帧之间链接检测到的卵泡来构建一个或多个卵泡轨迹段，约束条件是一个帧中的卵泡最多可以链接到上一帧或下一帧中的一个卵泡。轨迹由一个或多个图像序列(702d)通过检测每个帧中的卵泡(704d)以确定每个帧中的卵泡位置(706d)来构造。在随后的过程流步骤中，在连续帧之间链接卵泡(708d)以形成跟踪段(710d)。在随后的过程流步骤中，可以闭合图像之间的间隙以捕获初始轨迹段之间的合并和分裂事件(712d)，直至完成(714d)。在各种实施例中，解决一个或多个线性分配问题(lap)来制定帧间卵泡链接步骤和间隙闭合、合并和分裂步骤。在lap框架中，每个潜在的分配(第一步中的卵泡分配、第二步中的轨迹段分配)都可以表征为成本函数，并通过全局或局部成本最小化矩阵进行求解。在某些实施例中，在帧间卵泡链接步骤(708d)中将一个或多个卵泡或轨迹分配给一个或多个潜在分配。源帧t中的卵泡可链接到目标帧t 1中的卵泡(成本函数a)。在替代实施例中，源帧中的卵泡可以不链接到任何东西，使得轨迹段结束(成本函数b)，或者目标帧中的粒子可以不被任何东西链接，使得轨迹段开始(成本函数c)。在各种实施例中，在间隙闭合、合并和分裂步骤(712d)中，有六种类型的潜在卵泡分配可能存在成本竞争。一个轨迹段的末端可以链接到另一轨迹段的起点，由此闭合间隙(成本函数d)，一个轨迹段的末端可以链接到另一轨迹段的中点，从而引起合并(成本函数e)，或者一个轨迹段的起点可以被另一轨迹段的中点所链接，从而引起分裂(成本函数f)。在替代实施例中，一个轨迹段的末端可以链接到空白，从而引起轨迹终止(成本函数g)，一个轨迹段的起点可被空白链接，从而引起轨迹开始(成本函数h)，或者引入用于合并和分裂的轨迹段中点可以链接到空白，从而拒绝合并或分裂(成本函数d'和b')。在此步骤中，整个序列中的所有轨迹段都在相互竞争。在各种实施例中，成本函数是针对特定的跟踪应用而定制的，例如，在卵泡运动的一个或多个假设(例如，各向同性随机运动、布朗运动等)下。[0122]现在参考图8，示出了根据各种实施例的卵泡检测和定位框架800的流程图。所述框架包括使用一个或多个随机投影的卵泡定位编码阶段、用于捕获us图像和经编码信号y之间的一个或多个关系的基于cnn的回归模型，以及用于恢复和检测的解码阶段。在各种实施例中，在训练期间，卵泡的真实位置由逐像素二进制注释图804指示。在各种实施例中，一个或多个编码方案806将卵泡位置从图像802的像素空间表示转换成压缩信号y808。然后，各自由含有一个或多个卵泡的us图像812(例如，图4的418)和压缩后信号y808组成的训练对810训练cnn814以用作多标签回归模型。在一个实施方案中，在训练过程中使用欧几里德损失，因为它适用于执行回归。在各种实施例中，数据增强包括旨在获得旋转稳健性的训练集的一个或多个图像旋转。在各种实施例中，在测试期间，训练后的cnn814为作为输入提供到第一卷积层的每个测试图像818生成估计信号y'816的输出。随后，使用解码方案820通过利用一个或多个感知矩阵824对估计信号y'816执行l1最小化恢复来估计真实卵泡位置预测822，所述矩阵通过一个或多个编码或解码方案确定。[0123]所述框架可以采用数个编码方案。在各种实施例中，框架采用一个或多个基于随机投影的编码方案。在各种实施例中，每个卵泡的中间附有点标记、十字标记或边界框。在一个实施例中，逐像素二进制注释图804包括w乘h的大小，通过在卵泡质心的像素处标记1并在背景像素处标记0来指示一个或多个卵泡的位置。在一个实施例中，注释图804通过将图804的每一行连结成二进制向量f长度wh来向量化。因此，图804中带有{x,y}坐标的正元素将被编码到向量f中的第[x h(y-1)]位。在向量f生成之后，应用随机投影。向量f可由一个或多个线性观察结果y表示，它与感知矩阵824和向量f成比例。不受理论束缚，感知矩阵824优选地满足一个或多个条件，包含但不限于等长特性。在一个实施方案中，矩阵824是随机高斯矩阵。在替代实施例中，采用另一个专门用于处理大型图像的编码方案806，以减少计算负担。在各种实施例中，每个卵泡质心的坐标被投影到多个观察轴上。创建一组观察轴，观察总数为n。在一个实施方案中，观察轴均匀地分布在图像802周围。对于n个观察轴oan，卵泡的位置被编码成r长度的稀疏信号。计算卵泡到n个观察轴oan的垂直符号距离(fn)。因此，fn含有符号距离作为oan个卵泡哪一侧面的距离和位置的度量。在oan下卵泡位置的编码是yn，通过随机投影获得。类似地，yn是比例矩阵824乘符号距离fn。在各种实施例中，针对所有n个观察轴重复此过程以获得每个yn。卵泡位置的联合表示是在连结总yn之后从编码结果y导出的。类似地，所述框架可以采用解码方案来恢复向量f。在各种实施例中，通过解决l1归一化凸优化问题来实现从编码信号y准确恢复。f的恢复能够定位每个真正的卵泡，定位n次，具有n个预测位置822。[0124]卵泡检测和定位框架包括用于构建us图像812和其卵泡位置表示或压缩信号y808之间的至少一个回归模型的一个或多个cnn814。在一个实施方案中，cnn814包括由5个卷积层和3个全连接层组成但不限于这些层的网络。在替代实施方案中，cnn814包括例如具有100层模型的深度神经网络。在其它实施方案中，cnn814包括一个或多个在本公开内公开的cnn。在各种实施例中，可以采用一个或多个损失函数，包含但不限于欧几里得损失或本公开的其它所述损失函数。在各种实施例中，所述cnn的输出层的维度可被修改为压缩信号y808的长度。在各种实施例中，一个或多个cnn814模型可以进一步使用额外的学习方法来优化用于定位和卵泡计数，学习方法包含但不限于多任务学习(mtl)。在各种实施例中，在训练期间，将一个或多个标签提供给cnn。在一个实施方案中，编码向量y带有卵泡的像素级位置信息。在另一实施方案中，标量或卵泡计数(c)表示训练图像分块、滤波器或核中的卵泡总数。在各种实施例中，两个或更多个所述标签可以连结成最终训练标签。然后，在组合标签上应用一个或多个损失函数。因此，卵泡检测和计数的监督信息可以共同用于优化cnn模型参数。可以采用大量方形分块来进行训练。可以采用信号(即，编码结果：y)以及每个训练分块来指示存在于每一分块中的目标卵泡的位置。可以通过对训练分块的集合执行分块旋转来采用数据增强，从而使系统旋转不变。在各种实施例中，一个或多个mtl框架可用于解决接触和成簇卵泡的情况。在一个实施方案中，将包含但不限于纹理、形态、边界、轮廓信息的一个或多个卵泡外观整合到mtl框架中，以形成深度轮廓感知网络，优选地，互补的外观和轮廓信息可以进一步提高中间特征的辨别能力，因此可以更准确地将接触或成簇卵泡分成单独的卵泡。在各种实施例中，以端到端方式训练cnn，以提高性能。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)，cnn工具箱是matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)，且gpu平台是nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，所述过程支持不限于卵泡的替代生殖解剖结构的检测、定位和计数，所述生殖解剖结构包含但不限于卵巢、囊肿、囊性卵巢、多囊卵巢等等。在各种实施例中，一个或多个结果以电子方式记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0125]参考图9，示出了根据各种实施例的卵泡跟踪框架的流程图900。卵泡跟踪框架包括一个或多个cnn902、904，专门负责辨别卵泡大小、体积或质量，然后使用网络实时地生成跟踪特征图。在各种实施例中，跟踪框架学习专门用于每个所跟踪卵泡的相关性滤波器，对通过cnn902、904提取的特征进行训练。在各种实施方案中，深度语义与早期滤波器的空间分辨率组合，以实现组合式准确跟踪。在优选实施例中，利用从一个或多个cnn网络分割过程获得的预计算特征图，例如图6的606、608，训练至少一个所述网络以执行多个任务。卵泡跟踪系统包括层次跟踪器，用于基于提取到的特征执行相关性滤波器跟踪。在各种实施例中，跟踪器计算傅里叶空间中的一个或多个循环核(circularizedkernel)以提高性能。在每个所跟踪卵泡处，搜索窗位于输入的第一帧中的卵泡上方。此帧是从一个或多个分割图输出(例如，图6的606、608)获得的一组神经网络特征。一旦搜索窗被定位，就通过最小化任选地在傅里叶空间域中执行的损失函数来学习一个或多个相关性滤波器。在每个跟踪时间步，相关性滤波器是搜索窗z内上覆在目标卵泡的最近已知位置的匹配特征，所述最近已知位置从图8的一个或多个特征图804或卵泡位置预测822获得。在各种实施例中，至少一个滤波器在选定cnn的一个或多个层上训练。在各种实施例中，在每个时间步，一个或多个相关性滤波器是搜索窗z内上覆在目标卵泡的最近已知位置的匹配特征。优选地在傅里叶空间域中计算一个或多个匹配。在各种实施例中，一个或多个深度滤波器以加权方式传播到较高层级别。通过采用{m,n}的argmaxfo发现一个或多个估计的新位置，并且将新搜索重新对准到所述新位置。再次参考图9，在各种实施例中，follicletrack906采用指示跟踪目标卵泡的一个或多个位置的一个或多个经分割图像(例如，图8的814、822)作为输入，优选地，时序序列中的第一帧、一个或多个原始图像、一个或多个处理后的图像，或特征图输出(例如，图6的606、608)、cnn902和cnn904的一个或多个卷积层。可选择一个或多个卵泡用于跟踪，或者可以跨时序跟踪经分割卵泡。时序(例如，秒、分钟、小时、日等)序列包括包含但不限于以下的一个或多个序列：实时经阴道us图像、经阴道us图像的所存储序列、从us扫描仪/装置检索到的图像、从us扫描仪/装置传输的图像。在各种实施例中，cnn902是设计成在物理尺寸和尺寸变化方面进一步分割卵泡的深度卷积神经网络。一个或多个训练集用于训练网络，使得根据us图像(例如，2d、3d等)按大小、形状、体积、分布、平均值、标准差、形态、位置、位移、生长率分割卵泡。在各种实施方案中，follicletrack906的一个或多个输出是含有包含但不限于以下的列表：每个卵泡的一个或多个学习滤波器、每个时间步的卵泡质心位置的历史、卵泡位置的历史、卵泡分布(大小、体积等)、移动、位移、生长率(大小、体积等)。在各种实施例中，输出数据允许注释一个或多个经分割或未标记的图像，或直接绘制卵泡轨迹(例如，移动、生长率)。在各种实施例中，us图像从历史数据库中获得，数据库含有整理后的关于可募集卵泡、不可募集卵泡(按大小或体积区分)等或其组合的信息。在各种实施例中，us图像由熟练的超声学家或在识别生殖解剖结构方面具有专业知识且最好可以区分最佳卵泡的特征、大小、卵泡分布、体积、生长率的医生注释，以便提取和着床。在各种实施例中，cnn902包括但不限于五个卷积层908、910、912、914、916，后跟着全连接层918，进给到最终fc920。一个或多个输出922包含但不限于一个或多个卵泡的卵泡大小/体积范围、分布、平均值、标准差或生长率(例如，每天1mm)。在各种实施例中，cnn902根据us图像输入的至少一个帧产生一组或多组掩码和特征图，us图像输入从至少一个患者获得，来自至少一次卵泡跟踪检查。在各种实施例中，cnn904是设计成在质量或质量变化方面进一步分割卵泡的深度卷积神经网络。在一个实施方案中，cnn904包括六个具有relu激活的3x3卷积层924、926、928、930、932、934、maxpool层936和softmax层938，及输出940。在各种实施方案中，在网络的一个或多个级别处实施退出(dropout)。在一个实施方案中，网络被编程为从每个卷积层产生输出特征图以及标签分类分数。在各种实施例中，所述卷积层产生一个或多个特征图用于卵泡间区分。在各种实施例中，所述层次方法与本公开的一个或多个其它网络组合以提高跟踪准确性。在一个实施方案中，每个搜索窗处的经加权相关性滤波器使得能够进行线性分配，增强其跟踪卵泡的能力。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)、cnn工具箱matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)和gpu平台nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，所述过程支持不限于卵泡的替代生殖解剖结构的检测、定位、计数和跟踪，所述生殖解剖结构包含但不限于卵母细胞、囊胚、卵巢、囊肿、囊性卵巢、多囊卵巢、子宫内膜厚度等等。在各种实施例中，一个或多个结果以电子方式记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0126]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理的art时用于分析电子医疗记录的所述ann系统和方法。在各种实施例中，所述系统和方法支持根据至少一个纵向患者电子医疗记录(emr)、电子健康记录(ehr)、数据库等等对一个或多个患者进行特征提取或表型分析。电子表型分析是指从纵向患者健康记录提取有效表型的问题。从患者的emr或ehr中有效提取特征的挑战是高维性，这是由于大量不同的医疗事件、ehr随时间演变的时间性以及数据的稀疏性、不规则性和系统性错误或偏差。数据的时间矩阵表示用于将患者医疗记录表示为时间矩阵，一个维度对应于时间，另一个维度对应于医疗事件。在各种实施例中，时间ehr信息或医疗记录转换成一个或多个二进制稀疏矩阵，包括水平维度(时间)和竖直维度(医疗事件)。在一个实施方案中，如果在患者医疗记录中在时间戳j记录了或观察到第i个事件，那么特定患者的矩阵中的条目(i,j)等于1。参考图10，示出了根据各种实施例的emr数据卷积网络架构的图1000。所述架构包括含有一个或多个患者emr矩阵的第一层(或矩阵)1002和cnn1004。在各种实施例中，cnn1004进一步包括：一个或多个卷积层1004a，优选为单侧卷积层；池化层1004b，优选地用于在学习特征上引入稀疏性；以及fc层1004c。在各种实施例中，卷积层1004a包括患者emr矩阵1002的时间维度上的卷积算子。在一个实施方案中，具有长度l的每个事件矩阵1002由向量x表示，其中xi为对应于第i个事件项的d维事件向量。在各种实施例中，xi:i j表示项xi、xi 1、……、xi j的串联。单边卷积滤波器操作包括应用于n个事件特征的窗产生新特征的滤波器。例如，使用一个或多个非线性激活函数，优选为relu，从事件窗(例如，xi:i n-1)生成特征ci。将滤波器应用于一个或多个事件矩阵1002中的每个可能的特征窗，以产生特征图1004d。均值池化层1004b应用于一个或多个特征图1004d以获得平均值c。在优选实施例中，捕获每个特征图的具有最高值的一个或多个重要特征，以用于特征提取。fc层1004c是与使用一个或多个单帧进行分类或预测的一个或多个softmax分类器链接的全连接层。[0127]emr数据在时间上变化很大，且预测需要时间连接。在各种实施例中，使用一个或多个时间融合将时间平滑度结合到学习过程中。在各种实施例中，将一个或多个数据样本处理为单个帧的短的固定大小的子帧的集合，含有若干个连续的时间间隔。在一个实施方案中，模型通过修改卷积层1004a以在时间上扩展而跨时间域融合信息，这是早期在网络1004中执行的。在一个实施方案中，近端融合在基本事件特征级别上立即结合整个时间窗的信息。卷积层1004a的一或多个滤波器被修改以扩展对一个或多个子帧的操作。在另一实施方案中，远端融合模型对全连接层1004c执行融合。在一个实施例中，一个或多个单独的单帧网络或子帧在全连接层中合并，由此检测一个或多个子帧中已有的模式。在另一实施方案中，近端和远端时间融合之间的平衡使得整个网络的信息能够缓慢融合。在各种实施例中，网络的较高层在时间上渐进性地接收越来越多的全局信息。在一个实施方案中，连接在时间上扩展到所有卷积层，并且全连接层1004c可通过比较所有输出层来计算全局模式特征。所述框架通过利用高阶时间事件关系能够产生有见地的患者表型。在各种实施例中，一个或多个神经元活动记录可以观察指示健康或医疗状况的模式。在一个实施方案中，一个或多个神经元输出在一个或多个顶部层中接收最高权重，优选为归一化的最高权重，以用于状况的正面或负面分类。可以使用一个或多个滑动窗切割(最小、最大窗大小)来识别出现在训练集中高度激活一个或多个对应神经元的一个或多个区域，以获得一个或多个排名靠前的区域或模式。在另一实施方案中，一个或多个神经元权重被聚合并分配给医疗或健康状况，是用于患者表型提取和预测目的的重要特征。在各种实施例中，模型训练平台包括任选使用的matlabr2014b(美国马萨诸塞州natick的mathworks公司)、cnn工具箱matconvnet(马萨诸塞州natick的mathworks公司的matconvnet-1.0-beta24)和gpu平台nvidiatitanxquadrok6000(加利福尼亚州圣克拉拉的nvidia公司)。在各种实施例中，替代的cnn工具箱包括专用框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。[0128]在各种实施例中，所述医疗记录包括一个或多个存储的患者记录，优选为接受不孕症治疗的患者的记录、超声图像、所述生殖解剖结构的图像、医生记录、临床记录、医生注释、诊断结果、体液生物标志物、激素标志物、激素水平、新激素、内分泌类(endocabinoids)、基因组生物标志物、蛋白质组生物标志物、抗苗勒氏激素、孕酮、fsh、抑制素、肾素、松弛素、vegf、肌酸激酶、hcg、胎蛋白、妊娠特异性b-1糖蛋白、妊娠相关血浆蛋白-a、胎盘蛋白-14、卵泡抑素、il-8、il-6、卵黄蛋白原、钙结合蛋白-d9k、治疗、治疗时间安排、着床时间安排、着床率、卵泡大小、卵泡数量、afc、卵泡生长率、妊娠率、着床(即事件)日期和时间、cpt代码、hcpcs代码、icd代码等。在各种实施例中，所述一个或多个患者表型包含但不限于：不孕症、无排卵、少排卵、子宫内膜异位、男性因素引起的不孕症、输卵管因素引起的不孕症、下降的卵巢储备、患者排卵风险、患者具有最佳着床特征、患者准备好着床、患者具有一个或多个指示排卵的生物标志物、患者具有指示最佳提取的us图像等等。在各种实施例中，来自所述一个或多个cnn的输出层的一个或多个所识别患者表型或预测结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0129]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理时用于预测计划的所述ann系统和方法。统一预测框架包括一个或多个生存卷积神经网络(“scnn”)，用于根据至少一个us图像和从患者医疗记录获得的一个或多个患者表型提供事件发生时间结果的一个或多个预测。在各种实施例中，框架包括用于预测目的的一个或多个图像取样和风险过滤技术。在一个实施方案中，至少一个us图像的一个或多个roi或voi用于训练与cox比例危险模型无缝结合在一起的深度cnn，以预测患者结果，包含但不限于激素治疗的诱导终止、具有可募集卵泡、具有优势卵泡、具有成熟卵泡、准备好卵泡提取、用于着床的最佳子宫内膜厚度。参考图11，示出了根据各种实施例的生存卷积神经网络架构的示意图1100。所述架构包括具有cox比例危险模型1118的n层cnn架构1102，用于根据图像1106预测事件发生时间数据。在一个非限制性实施方案中，图像特征提取通过四个卷积层群组来实现。第一群组1108包括两个具有64个3×3核的卷积层，与局部归一化层交错，然后是单个最大池化层。第二群组1110包括两个卷积层(128个3×3核)，与两个局部归一化层交错，后跟着单个最大池化层。第三群组1112将四个卷积层(256个3×3核)与后跟着单个最大池化层的四个局部归一化层交错在一起。第四群组1114含有交错的八个卷积层(512个3×3核)和八个局部归一化层，以及中间池化层和终端最大池化层。这四个群组之后是分别含有1,000、1,000和256个节点的一系列三个全连接层1116。终端全连接层输出与输入图像1106相关联的风险(例如，提取用于着床的可能性)预测。预测的风险被输入到cox比例危险层1118中，以计算负部分对数似然1120，从而为cnn1102内的反向传播提供误差信号。在各种实施例中，一种或多种优化方法用于优化模型权重、偏差和卷积核，例如adagrad算法。在一个实施方案中，adagra的非限制性参数包含初始累加器值(例如，0.1)、初始学习率(例如，0.001)和指数衰减因子(例如，0.1)。在一个实施方案中，例如使用方差缩放方法初始化模型权重，并在训练期间对全连接层应用权重衰减(例如4e-4)。在各种实施例中，小批量(包含例如可募集的卵泡)用于训练，优选地在多个时期(例如，100个；1个时期是通过所有训练样本的一个完整周期)内。在各种实施例中，每个小批量产生一个模型更新，使得每个时期有多个更新。在一个实施方案中，在每个小批量中本地计算cox可能性以执行更新。在另一实施方案中，在每个时期开始时使用一个或多个小批量分配的随机化来提高稳健性。在又一实施方案中，在训练期间进行调节，任选地在训练期间，在每个小批量的全连接层1116的最后一个全连接层中使用5％的权重随机丢失，以免过度拟合。在训练期间，从一个区域(例如，roi或voi)取样一个或多个所识别的“可募集”卵泡区域(例如，足以区分可募集/不可募集的像素面积或体积)，并将其视为半独立的训练样本。在各种实施例中，每个可募集卵泡标识/区域与来自医疗记录数据库1122的患者事件发生时间结果配对。在各种实施例中，患者结果信息包含但不限于：激素治疗天数、人口统计、年龄、是否存在一个或多个所述诊断生物标志物、治疗、慢性生物标志物、临床记录、医生观察、卵泡生长率、卵泡大小、妊娠史、起始-终止卵巢刺激、周期天数、卵泡取出、卵泡募集、卵母细胞取出、卵泡期、卵泡成熟度、卵子成熟度、受精率、囊胚发育、胚胎碎片化、胚胎生长率、胚胎等级、胚胎滋养外胚层等级、胚胎内细胞质量等级、胚胎大小、胚胎生长率、胚胎细胞计数、胚胎代谢参数、胚胎代谢组、胚胎成熟度、囊胚发育率、胚胎整倍体、胚胎非整倍体、胚胎嵌合体、胚胎学数据库、胚胎质量、着床等。在各种实施例中，重复结果可与含有多个卵泡的一个或多个区域配对。一个或多个区域可以是在每个训练时期开始时进行取样，以生成新的一组roi或voi。在各种实施方案中，通过变换的随机化(例如，平移、旋转、对比度、亮度等)可应用于采集的区域，以提高对卵泡定向或图像变化的稳健性。在各种实施例中，从每个roi或voi中取样一个或多个区域，用于使用所述scnn1102计算风险预测。例如，当预测患者的结果时，从每个roi取样10个区域以生成代表性的区域集合，并预测每个区域的风险。在一个实施方案中，计算每个区域的中值区域风险，进行排序和筛选，并选择第二高的值作为患者风险。第二高风险的选择引入了对由于图像质量或伪影而出现的异常值或高风险的稳健性。在各种实施例中，筛选程序允许使用保守预后选择区域，以确保准确选择可募集卵泡进行着床。在各种实施例中，一个或多个诊断数据1124可以并入到scnn1102中以提高预测准确性。在一个实施方案中，scnn1102通过合并生物标志物变量同时从诊断生物标志物和us图像中学习，以影响网络在就诊期间通过患者血液工作信息学习的模式。在一个实施例中，诊断数据1124被合并到全连接层1116中。在各种实施例中，任选地使用tensorflow(v0.12.0)在配备有双intel(r)xeon(r)cpue5-2630lv2@2.40ghzcpu、128gbram和双nvidiak80图形卡的服务器上训练一个或多个预测模型。在各种实施例中，替代的cnn工具箱包括专有框架或一个或多个开放框架，包含但不限于caffe、torch、googlenet，以及替代的深度学习模型，包含但不限于vgg、lenet、alexnet、resnet、unet等等或其组合。在各种实施例中，来自所述一个或多个cnn的输出层的一个或多个患者事件发生时间结果预测结果记录在至少一个电子健康记录数据库中。在替代实施例中，所述结果传输并存储在驻留于基于云的服务器中的数据库内。[0130]本公开的目标是在提供用于临床不孕症的诊断、治疗和临床管理的art时使用的计算机程序产品。参考图12，公开了根据各种实施例的计算机产品架构的示意图1200。所述架构包括从一个或多个数据源接收一个或多个输入的ai引擎1202。在一个实施例中，ai引擎1202从很多源接收数据，优选地但不限于生理数据1204、us成像数据1206和环境数据1208。在各种实施例中，生理数据1204包括一个或多个所述诊断结果、数据、生物标志物、基因组标志物、蛋白质组标志物、体液分析物、生化项目组合(chempanel)、测得的激素水平等等。在各种实施例中，us图像数据1206包括以下中的一个或多个：从us扫描仪/装置检索到的所述us图像、存储在us扫描仪/装置外部的us图像、由本公开的一个或多个所述cnn处理的us图像。在各种实施例中，环境数据1208包括一个或多个所述收集的纵向医疗记录数据、周期天数、日时间、周时间或月数据。ai引擎1202还可从一个或多个emr数据库1210和一个或多个结果数据库(或基于云的服务器)1212接收输入。在各种实施例中，emr数据库1210包括一个或多个纵向患者医疗记录，所述记录属于接受不孕症治疗或管理的患者。以类似方式，结果数据库1212包括与着床成功、妊娠率等等有关的一个或多个纵向不孕症患者医疗记录。所述患者医疗记录数据库可位于专用设施内，或者可以从可经由通信网络访问的外部源(例如，众包、公共数据库等)获得。ai引擎1202还可接收存储在基于云的服务器1214上的由本公开内公开的一个或多个cnn生成的一个或多个数据或数据集的一个或多个输入。所述云服务器和服务通常被称为“云计算”、“按需计算”、“软件即服务(saas)”、“平台计算”、“网络可访问平台”、“云服务”、“数据中心”等等。术语“云”可包含形成可配置计算资源(例如，网络、服务器、存储、应用程序、服务等)的共享池的硬件和软件的集合，这些资源可以适当地供应以提供按需自助服务、网络访问、资源池化、弹性和可度量服务，以及其它特征。ai引擎1202包括一个或多个本领域普通技术人员已知的计算架构、硬件、软件，使得它可以执行一个或多个指令或算法以处理一个或多个外部输入。由ai引擎1202生成的一个或多个处理后的数据集或分析或预测或临床见解可以发送并存储在基于云的服务器1214上以供分发。在各种实施例中，基于云的服务器1214包括一个或一个或多个软件应用程序(或桌面客户端)1216，以允许开发一个或多个软件应用程序产品(或移动客户端)1218来提供一个或多个功能，包含但不限于数据处理、数据分析、图形形式的数据呈现、数据注释等等。在各种实施例中，所述应用程序产品包括用于以下的系统和方法：从至少一个患者数据、来自us扫描仪/装置的us图像、检索到的us图像、来自电子医疗记录数据库的患者医疗记录、结果数据、与生育有关的患者记录、患者内分泌记录、患者临床记录、医生临床记录、来自驻留在所述基于云的服务器上的数据库的数据、来自一个或多个所述ann的一个或多个输出层的结果和人工智能引擎收集、处理和合成临床见解。在各种实施例中，至少一个应用程序支持一个或多个临床见解的检索或分发。临床见解可包含各种生殖内分泌见解，例如预期的患者取卵体积、建议取卵时间、预期的每个患者的卵子数量、预期卵子成熟日期、预期胚胎数量、预期胚胎质量、胚胎活检的数量和时间安排、患者护理计划、错误率的减小和妊娠率的提高。在各种实施例中，用户(例如，医生)可以从桌面客户端1216访问临床见解。类似地，患者可以从移动客户端1218访问临床见解，反之亦可。在一个实施方案中，移动客户端1218包括一个或多个能够经由通信网络1222与云服务器1214通信以访问所述信息的移动应用程序产品1220。类似地，桌面客户端1216可经由通信网络1222访问基于云的服务器1214。在各种实施例中，通信网络1222包括但不限于一个或多个；lan、wan、无线网络、蜂窝网络、互联网等等，或其组合。[0131]参考图13，示出了根据各种实施例的用于确定卵巢卵泡的卵泡成熟日期的过程流程图。在步骤1302中，获得生殖解剖结构的一个或多个数字图像以检测一个或多个生殖解剖结构。在步骤1304中，处理所述数字图像以检测一个或多个生殖解剖结构。在步骤1306中，处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类。在步骤1308中，根据至少一个线性或非线性框架分析所述一个或多个解剖特征。在步骤1310中，根据所述至少一个线性或非线性框架，预测辅助生殖程序的至少一个事件发生时间结果。在替代步骤1312中，处理所述一个或多个数字图像以测量患者的一个或多个卵巢卵泡的体积，由此输出向步骤1304提供额外输入。在另一替代步骤1314中，步骤1306的输出提供输入，用于比较患者的生殖解剖结构的第一数字图像与患者的生殖解剖结构的第二数字图像以提供输出。在步骤1316中，步骤1314的输出充当输入，以确定患者的所述一个或多个卵巢卵泡的卵泡成熟日期。[0132]参考图14，示出了根据各种实施例的用于生成与辅助生殖程序相关联的临床建议的过程的过程流程图。在步骤1402中，通过一个或多个成像模式接收患者的生殖解剖结构的一个或多个数字图像。在步骤1404中，处理所述一个或多个数字图像以检测一个或多个生殖解剖结构。在步骤1406中，处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类。在步骤1408中，根据至少一个线性或非线性框架分析所述一个或多个解剖结构。在步骤1410中，根据至少一个线性或非线性框架预测辅助生殖程序的至少一个事件发生时间结果。在步骤1412中，通过所述过程来生成与辅助生殖程序相关联的临床建议。[0133]参考图14b，示出了根据各种实施例的用于生成与oi程序相关联的临床建议的过程的过程流程图。在步骤1402b中，通过一个或多个成像模式接收患者的生殖解剖结构的一个或多个数字图像。在步骤1404b中，处理所述一个或多个数字图像以检测一个或多个生殖解剖结构。在步骤1406b中，处理所述一个或多个数字图像以对所述一个或多个生殖解剖结构的一个或多个解剖特征进行注释、分割或分类。在步骤1408b中，根据至少一个线性或非线性框架分析所述一个或多个解剖结构。在步骤1410b中，根据至少一个线性或非线性框架预测oi治疗的至少一个事件发生时间结果。在步骤1412b中，通过所述过程来生成与包含事件发生时间结果的最佳oi时间的确定相关联的临床建议，目的是最大限度地提高妊娠率，同时最大限度地降低多胎妊娠的风险。在各种实施例中，结合一个或多个风险因素的评估来做出临床建议，风险因素包含但不限于患者年龄、不孕的持续时间、先前治疗周期数量、触发日的峰值血清e2浓度，以及卵泡数量。高阶多胎妊娠的风险因素包含≥7个排卵前卵泡(≥10-12mm)、e2》1,000pg/ml、早期治疗周期、年龄《32、低bmi及供体精子的使用。建议可包含：当≥10-12mm的排卵前卵泡不超过一个或两个时，将oi妊娠限制为单胎或双胎。建议可包含确定预测多胎妊娠的卵泡临界尺寸(即，12至15mm)。在评估多胎妊娠风险时，必须在触发排卵前考虑所有卵泡，尤其是中等大小(11至15mm)的卵泡。[0134]参考图15，示出了根据各种实施例的用于生成与辅助生殖程序相关联的临床建议的方法的过程流程图。在步骤1502中，使用超声装置获得受检者的卵巢卵泡的超声图像。在步骤1504中，根据至少一个线性或非线性框架分析卵巢超声图像，以对受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类。在步骤1506中，预测事件发生时间结果，随后在步骤1508中，通过所述过程来生成与辅助生殖程序相关联的一个或多个临床建议。在另一实施例中，通过一个或多个过程获得额外输入1510。在步骤1512中，获得受检者的电子医疗记录作为输入。在步骤1514中，获得匿名的第三方电子医疗记录作为输入。在步骤1516中，获得受检者的生殖生理数据作为输入。在步骤1518中，获得与受检者的生殖周期有关的环境数据作为输入。在步骤1520中，根据至少一个线性或非线性框架分析这些额外输入1510以及卵巢超声图像，以在步骤1506中预测事件发生时间结果，随后在步骤1508中生成与辅助生殖程序相关联的一个或多个临床建议。[0135]参考图15b，示出了根据各种实施例的用于与排卵诱导周期相关联的数字图像处理的方法的过程流程图。在步骤1502b中，使用超声装置获得受检者的卵巢卵泡的一个或多个数字图像(例如，超声图像)。在步骤1504b中，根据至少一个线性或非线性框架(即，机器学习框架)分析卵巢超声图像，以对受检者的卵巢卵泡的一个或多个解剖特征进行注释、分割或分类。在某些实施例中，所述一个或多个解剖特征包括所述一个或多个卵巢卵泡的数量和大小。在步骤1506b中，所述至少一个处理器可根据至少一个机器学习框架分析所述一个或多个解剖特征以预测至少一个事件发生时间结果。在某些实施例中，所述至少一个事件发生时间包括受检者的排卵诱导周期内的排卵触发日期。在步骤1508b中，所述至少一个处理器可生成与受检者的排卵诱导周期相关联的一个或多个临床建议。在某些实施例中，所述一个或多个临床建议可包括向受检者施用至少一种药剂的建议时间。在一些实施例中，所述至少一种药剂包括排卵触发剂。在某些实施例中，所述一个或多个临床建议可包括对应于排卵诱导周期的精子递送或子宫内授精的建议时间。精子递送可包含一种或多种精子递送手段，包含人工手段(例如在临床环境中递送的精子)和/或自然手段(例如通过性交递送的精子)。[0136]根据本公开的某些方面，可以通过一个或多个数据输入和/或数据传送接口获得额外输入1520b。在步骤1512b中，可以获得受检者的电子医疗记录作为数据输入。根据某些实施例，受检者的电子医疗记录可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。在步骤1514b中，获得匿名的第三方电子医疗记录作为数据输入。根据某些实施例，匿名的第三方电子医疗记录可包括选自由以下组成的组的一个或多个数据集：诊断结果、体液生物标志物、激素标志物、激素水平、基因组生物标志物、蛋白质组生物标志物、治疗、治疗时间安排、卵泡大小和数量、卵泡生长率、妊娠率和排卵诱导数据。在步骤1516b中，获得受检者的生殖生理数据作为输入。根据某些实施例，患者的生殖生理数据可包括诊断结果、诊断生物标志物、基因组标志物、蛋白质组标志物、体液分析物、生化项目组合和测得的激素水平。在步骤1518b中，获得与受检者的生殖周期有关的环境数据作为输入。根据某些实施例，环境数据可包括基于生殖周期的天数、日时间和周时间收集的患者的纵向医疗数据。[0137]在各种实施例中，所述方法提供对一个或多个风险因素的评估，风险因素包含但不限于患者年龄、不孕的持续时间、先前治疗周期数量、触发日的峰值血清e2浓度，以及卵泡数量。高阶多胎妊娠的风险因素包含≥7个排卵前卵泡(≥10-12mm)、e2》1,000pg/ml、早期治疗周期、年龄《32、低bmi及供体精子的使用。所述过程可包含确定预测多胎妊娠的卵泡临界尺寸(即，12至15mm)，以及在评估多胎妊娠风险时在触发排卵前考虑所有卵泡，尤其是中等大小(11至15mm)的卵泡。在步骤1520b中，根据至少一个线性或非线性框架(即，机器学习框架)分析这些额外输入1520b以及卵巢超声图像，以在步骤1506b中预测事件发生时间结果；随后在步骤1508b中生成与oi治疗相关联的一个或多个临床建议。根据某些实施例，所述一个或多个临床建议可包括最大限度地提高与oi治疗的妊娠率同时最大限度地降低多胎妊娠风险的建议。[0138]如所属领域的技术人员应了解的，本发明可以体现为方法(包含例如计算机实施的方法，业务流程和/或任何其它方法)；设备(包含例如系统、机器、装置、计算机程序产品等)；或上述各项的组合。因此，本发明的实施例可以采用完全硬件实施例、完全软件实施例(包含固件、驻留软件、微码等)或组合软硬件方面的实施例的形式，所有各者可以笼统地在本文中被称作“系统”)。此外，本发明的实施例可以采用计算机可读介质上的计算机程序产品的形式，所述计算机程序产品具有体现在介质中的计算机可执行程序代码。[0139]可以利用任何合适的暂时性或非暂时性计算机可读介质。计算机可读介质可以是(例如但不限于)电子、磁性、光学、电磁、红外线或半导体系统、设备、或装置。计算机可读介质的更具体示例包含但不限于以下各项：具有一根或多根导线的电连接；有形的存储介质，例如便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或闪存存储器)、压缩光盘只读存储器(cd-rom)，或其它光学或磁性存储装置。[0140]在本文档的背景下，计算机可读介质可以是可以包含、存储、传送、或传播供指令执行系统、设备或装置使用或与指令执行系统、设备或装置结合的程序的任何介质。可以使用任何适当的介质来传输计算机可用程序代码，所述介质包含但不限于互联网、电缆、光纤光缆、射频(rf)信号或其它介质。[0141]可以例如java、perl、smalltalk、c 等朝向对象的、脚本化或非脚本化的编程语言来编写用于实现本发明的实施例的操作的计算机可执行程序代码。然而，也可以例如“c”编程语言或类似的编程语言等常规程序编程语言来编写用于实现本发明的实施例的操作的计算机程序代码。[0142]本发明的实施例在上文参考方法、设备、系统和计算机程序产品的流程图和/或框图加以描述。应理解，可以由计算机可执行程序代码部分实施流程图图示和/或框图的每个框、和/或流程图图示和/或框图中的框的组合。可以将这些计算机可执行程序代码部分提供到通用计算机、专用计算机或其它可编程数据处理设备的处理器以产生特定的机器，使得经由计算机或其它可编程数据处理设备的处理器执行的代码部分创建用于实施在流程图和/或框图的框中指定的功能/动作的机制。[0143]这些计算机可执行的程序代码部分(即，计算机可执行指令)还可以存储在计算机可读存储器中，所述计算机可读存储器可以指导计算机或其它可编程数据处理设备以特定方式运作，使得存储在计算机可读存储器中的代码部分产生包含指令机制的制品，所述指令机制实施在流程图和/或框图的框中指定的功能/动作。计算机可执行指令可以采用由一个或多个计算机或其它装置执行的许多形式，如程序模块。通常，程序模块包含执行特定任务或实施特定抽象数据类型的例程、程序、对象、组件、数据结构等。通常，在各个实施例中，程序模块的功能可以根据期望而组合或分布。[0144]计算机可执行程序代码还可以加载到计算机或其它可编程数据处理设备上，以使在计算机或其它可编程设备上执行一系列操作阶段以产生计算机实施的方法，使得在计算机或其它可编程设备上执行的代码部分提供用于实施在流程图和/或框图的框中指定的功能/动作的阶段。替代地，计算机程序实施的阶段或动作可以与运算符或人类实施的阶段或动作组合，以便实现本发明的实施例。[0145]如本文所使用的短语，处理器“可用于”或“可配置成”以多种方式执行特定功能，包含例如通过使一个或多个通用电路通过执行体现在计算机可读介质中的特定计算机可执行程序代码来执行功能，和/或通过使一个或多个专用电路执行功能。[0146]本文中在通用意义上使用术语“程序”或“软件”，以便指代任何类型的计算机代码或计算机可执行指令集，其可以用于编程计算机或其它处理器以实施如上文所论述的本技术的各个方面。另外，应理解，根据本实施例的一个方面，当被执行时执行本技术的方法的一个或多个计算机程序不需要驻留在单个计算机或处理器上，而是可以以模块化方式分布在多个不同的计算机或处理器中，以实现本技术的各个方面。[0147]如本文所定义和使用的所有定义应理解为先于字典定义，通过引用并入的文献中的定义，和/或所定义的术语的普通含义。[0148]除非明确指出为相反情况，否则本说明书和权利要求书中使用的不定冠词“一个/一种(a/an)”应理解为表示“至少一个”。如本文中所使用，术语“右侧”、“左侧”、“顶部”、“底部”、“上部”、“下部”、“内部”和“外部”表示所参考的附图中的方向。[0149]如本文在说明书和权利要求中所使用的，短语“和/或”应理解为意指如此结合的元件中的“任一个或两个”，即元件在一些情况下结合地存在而在其它情况下分开存在。用“和/或”列出的多个元件应以相同的方式解释，即如此结合的元件中的“一个或多个”。除了用“和/或”短语具体标识的元件，其它元件可以任选地存在，无论是与具体标识的那些元件相关还是不相关。因此，作为非限制性实例，当结合开放式语言(例如“包括”)使用时，提及“a和/或b”在一个实施例中可以仅指a(任选地包含除b之外的元件)；在另一个实施例中仅指b(任选地包含除a之外的元件)；在又一实施例中，兼指a和b(任选地包含其它元件)；等。[0150]如本文在本说明书和权利要求中所使用的，“或”应理解为具有与如上所定义的“和/或”相同的含义。例如，当分离列表中的项目时，“或”或“和/或”应解释为包含性的，即包含多个元素或元素列表中的至少一个，但也包含多个元素或元素列表中的多于一个，以及任选地额外未列出的项。只有明确地指示相反情况的术语，如“……中的仅一个”或“……中的恰好一个”或者在权利要求中使用时“由……组成”将指代包含多个元素或元素列表中的恰好一个元素。一般来说，当之前有排他性术语，比如“任一个”、“…之一”、“…中的仅一个”或“…中的恰好一个”，本文中使用的术语“或”应仅解释为指示排他性的替代形式(即，“一个或另一个而不是两个”)。当在权利要求书中使用时，“基本上由…组成”应具有在专利法领域中所用的普通含义。[0151]如本文在本说明书和权利要求书中所用，提及具有一个或多个元素的列表，短语“至少一个”应理解为意指选自元素列表中的任何一个或多个元素中的至少一个元素，但不一定包含元素列表内具体列出的每一个要素中的至少一个，并且不排除要素列表中的要素的任何组合。这个定义还允许可以任选地存在除在短语“至少一个”所指的要素列表内具体标识的要素之外的要素，而无论是否与具体标识的那些要素相关还是不相关。因而，作为非限制性实例，在一个实施例中，“a和b中的至少一个”(或，等同地，“a或b中的至少一个”，或等同地，“a和/或b中的至少一个”)可指代至少一个，任选地包含多于一个a，而不存在b(并且任选地包含除了b之外的元素)；在另一实施例中，可指代至少一个，任选地包含多于一个b，而不存在a(并且任选地包含除了a之外的元件)；在又一实施例中，可指代至少一个，任选地包含多于一个a，和至少一个、任选地包含多于一个b(并且任选地包含其它元素)；等等。[0152]在权利要求书中以及在上述说明书中，例如“包括”、“包含”、“带有”、“具有”、“含有”、“涉及”、“容纳”、“由……构成”等所有过渡短语应理解为是开放的，即，意指包含但不限于。如美国专利局专利审查手册第2111.03节所述的，只有过渡短语“由……组成”和“基本上由……组成”应分别是封闭式或半封闭式过渡短语。[0153]本公开包含所附权利要求书中所含的内容以及上述描述的内容。尽管本发明以其具有一定的特殊性的示例性形式进行了描述，但应理解，本公开仅通过示例进行，并且在不脱离本发明的精神和范围的情况下，可以对各部分的构造、组合和布置的细节进行许多改变。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
