本技術涉及生物領域，尤其是涉及一種組織樣本的質量評價方法及裝置、分析設備、存儲介質。

背景技術：

1、通過大量的實驗發(fā)現(xiàn)，組織樣本的質量會影響通過該組織樣本培養(yǎng)的生物的質量，由此對組織樣本進行質量篩選，只使用較為優(yōu)質的組織樣本作為生物培養(yǎng)的原材料，這會極大提升培養(yǎng)的生物的質量。相關技術中，通常是通過科研人員用眼觀察并評價組織樣本的質量。但是通過人工觀察的方式，確定組織樣本的質量的效率較低。

2、需要說明的是，在上述背景技術部分公開的信息僅用于加強對本技術的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現(xiàn)有技術的信息。

技術實現(xiàn)思路

1、為了對披露的實施例的一些方面有基本的理解，下面給出了簡單的概括。所述概括不是泛泛評述，也不是要確定關鍵/重要組成元素或描繪這些實施例的保護范圍，而是作為后面的詳細說明的序言。

2、本技術實施例提供了一種組織樣本的質量評價方法及裝置、分析設備、存儲介質，以便于提高確定組織樣本的質量的效率。

3、本技術實施例提供了一種組織樣本的質量評價方法，包括：獲取預設的組織樣本的基礎信息、樣本圖像和樣本視頻；確定表征所述基礎信息的第一特征矩陣；根據(jù)所述樣本圖像利用預設的第一提取模型確定表征所述組織樣本的第二特征矩陣；根據(jù)所述樣本視頻利用預設的第二提取模型確定表征所述組織樣本的第三特征矩陣；根據(jù)所述第一特征矩陣、所述第二特征矩陣和所述第三特征矩陣利用預設的評分模型確定所述組織樣本的質量評分。

4、在上述實施方式中，通過從組織樣本的樣本圖像和樣本視頻中獲取組織樣本的特征信息，再結合組織樣本的基礎信息，能夠得到較為全面的組織樣本的情況。同時，模型能夠學習捕捉到數(shù)據(jù)背后的潛在規(guī)律、模式和結構。由此，通過訓練好的評分模型能夠自動根據(jù)組織樣本的基礎信息、樣本圖像和樣本視頻以確定組織樣本的質量評分，不需要人工肉眼觀察以確定組織樣本的質量，能夠提高確定組織樣本的質量的效率。同時，由于人工觀察的時候，用戶的評判會存在主觀成分，由此使得通過人工觀察的方式確定組織樣本的質量，同一評分的組織樣本之間的質量存在較大差距。但是通過訓練好的評分模型能夠使得同一評分的組織樣本之間的質量差距較小。

5、可選地，確定表征所述基礎信息的第一特征矩陣，包括：在預設的編碼映射表中查找所述基礎信息對應的編碼信息；利用預設的數(shù)字編碼算法將所述編碼信息轉換為第一特征矩陣。

6、在上述實施方式中，通過預先設置的編碼映射表，能夠便捷的將基礎信息轉換為編碼信息。利用數(shù)字編碼算法將編碼信息轉換為第一特征矩陣，可以極大地簡化后續(xù)數(shù)據(jù)處理和分析步驟，使得數(shù)據(jù)更加易于被評分模型所處理。

7、可選地，根據(jù)所述樣本圖像利用預設的第一提取模型確定表征所述組織樣本的第二特征矩陣，包括：將所述樣本圖像輸入預設的第一提取模型，獲得表征所述組織樣本的顏色特征和鮮度特征的第二特征矩陣。

8、在上述實施方式中，第一提取模型能夠預先學習如何識別組織樣本的顏色特征和鮮度特征，通過將樣本圖像輸入預設的第一提取模型，能夠自動簡便準確的獲取表征組織樣本的顏色特征和鮮度特征的第二特征矩陣。

9、可選地，所述樣本視頻包括多幀視頻圖像；根據(jù)所述樣本視頻利用預設的第二提取模型確定表征所述組織樣本的第三特征矩陣，包括：從所述視頻圖像中篩選預設數(shù)量的視頻圖像作為備選圖像；將各所述備選圖像按照時間順序在深度方向上進行疊加，組成備選圖像序列；將所述備選圖像序列輸入預設的第二提取模型，獲得表征所述組織樣本的細胞活性和細胞占比特征的第三特征矩陣。

10、在上述實施方式中，通過抽取預設數(shù)量的視頻圖像用于構成備選圖像序列，能夠在保持能夠反映組織樣本的視頻圖像特征的同時減少后續(xù)第二提取模型的計算量。同時，第二提取模型能夠預先學習如何識別組織樣本的細胞活性和細胞占比特征，通過將備選圖像序列輸入預設的第二提取模型，能夠自動簡便準確的獲取表征組織樣本的細胞活性和細胞占比特征的第三特征矩陣。

11、可選地，根據(jù)所述第一特征矩陣、所述第二特征矩陣和所述第三特征矩陣利用預設的評分模型確定組織樣本的質量評分，包括：對所述第一特征矩陣、所述第二特征矩陣和所述第三特征矩陣進行疊加，獲得備選特征矩陣；將所述備選特征矩陣輸入預設的評分模型，獲得組織樣本的質量評分。

12、在上述實施方式中，通過對第一特征矩陣、第二特征矩陣和第三特征矩陣進行疊加，能夠綜合表征組織樣本信息的多種信息。將綜合了能夠表征組織樣本信息的多種信息的備選特征矩陣輸入預設的評分模型，能夠自動全面的確定組織樣本的質量評分，不需要人工通過觀察對組織樣本進行評分，能夠提高確定組織樣本的質量的效率。

13、可選地，所述組織樣本為用于培養(yǎng)類器官的組織樣本；所述基礎信息包括：取樣方式、樣本離體放入保存液的時間、樣本離體到達實驗室的時間、樣本到達實驗室的溫度、樣本質量和樣本所處保存液是否過期。

14、在上述實施方式中，通過取樣方式、樣本離體放入保存液的時間、樣本離體到達實驗室的時間、樣本到達實驗室的溫度、樣本質量和樣本所處保存液是否過期等基礎信息能夠影響是否能夠將組織樣本成功培養(yǎng)成類器官，因此將取樣方式、樣本離體放入保存液的時間、樣本離體到達實驗室的時間、樣本到達實驗室的溫度、樣本質量和樣本所處保存液是否過期等作為基礎信息參與組織樣本的質量評定，能夠更全面準確的評定組織樣本的質量。

15、可選地，所述評分模型通過以下方式獲得：獲取帶有分數(shù)標簽的樣本數(shù)據(jù)；所述樣本數(shù)據(jù)包括：組織樣本的基礎信息、樣本圖像和樣本視頻；將帶有分數(shù)標簽的樣本數(shù)據(jù)輸入預設的回歸網絡中進行訓練，獲得所述評分模型。

16、在上述實施方式中，通過將帶有分數(shù)標簽的樣本數(shù)據(jù)輸入預設的回歸網絡中進行訓練，能夠使得回歸網絡學習到不同樣本數(shù)據(jù)與分數(shù)之間的規(guī)律，從而能夠獲得針對組織樣本給出對應評分的評分模型。

17、本技術實施例提供了一種組織樣本的質量評價裝置，包括：獲取模塊，用于獲取預設的組織樣本的基礎信息、樣本圖像和樣本視頻；第一向量確定模塊，用于確定表征所述基礎信息的第一特征矩陣；第二向量確定模塊，用于根據(jù)所述樣本圖像利用預設的第一提取模型確定表征所述組織樣本的第二特征矩陣；第三向量確定模塊，用于根據(jù)所述樣本視頻利用預設的第二提取模型確定表征所述組織樣本的第三特征矩陣；評分模塊，用于根據(jù)所述第一特征矩陣、所述第二特征矩陣和所述第三特征矩陣利用預設的評分模型確定所述組織樣本的質量評分。

18、本技術實施例提供了一種分析設備，包括處理器和存儲器，所述存儲器存儲有能夠被所述處理器執(zhí)行的計算機可執(zhí)行指令，所述處理器執(zhí)行所述計算機可執(zhí)行指令以實現(xiàn)上述組織樣本的質量評價方法。

19、在一些實施例中，所述存儲介質，所述存儲介質存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令在被處理器調用和執(zhí)行時，所述計算機可執(zhí)行指令使得處理器實現(xiàn)上述組織樣本的質量評價方法。

20、以上的總體描述和下文中的描述僅是示例性和解釋性的，不用于限制本技術。