Prédire le résultat de l'injection intracytoplasmique de spermatozoïdes chez les femmes en utilisant l'apprentissage automatique combinant les données Doppler et cliniques

Predicting the outcome of intracytoplasmic sperm injection in women using machine learning combining Doppler and clinical data : SPIRL

• Auteur / Autrice : Zeinab Abbas
• Direction : Jean-Marc Girault, Jamal Charara, Sébastien Ménigot
• Type : Thèse de doctorat
• Discipline(s) : Acoustique
• Date : Soutenance le 18/12/2023
• Etablissement(s) : Le Mans
• Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Nantes Université)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Acoustique de l'Université du Mans / LAUM
• Jury : Examinateurs / Examinatrices : Régine Le Bouquin Jeannès, Amine Naït-Ali, Denis Kouamé, Sofiane Boudaoud
• Jury : Rapporteurs / Rapporteuses : Régine Le Bouquin Jeannès, Amine Naït-Ali

Mots clés

Mots clés contrôlés

Endomètre

Modélisation prédictive

Échographie Doppler

Apprentissage automatique

Fécondation in vitro

Injection intracytoplasmique de spermatozoïdes

Mots clés libres

FIV

ICSI

Apprentissage automatique

Paramètres Power Doppler

Chan-Vese

Split-Bregman

IVF

ICSI

Machine Learning

Power Doppler parameters

Chan-Vese

Split-Bregman

Résumé

La fécondation in vitro (FIV) est désormais largement utilisée dans le traitement de l'infertilité et son succès est la principale préoccupation des patients. Il est difficile pour les praticiens d’identifier les éléments qui pourraient conduire à une grossesse réussie par FIV en l'absence de technologies automatisées. Le développement d’une technique fiable pour estimer les chances de succès des couples reste un défi ouvert que nous allons tenter de relever en proposant notre nouvel outils SPIRL (System for Predicting the success Rate of IVF using machine Learning combining clinical and Doppler data). De nombreux facteurs contribuant à une grossesse réussie ont fait l'objet de recherches approfondies. Basées sur l’expérience du centre Al Hadi de Beyrouth, l’hypothèse de ce travail repose sur la prise en compte des paramètres écho-Doppler de l'endomètre et du myomètre. Un premier sous-objectif vise alors à explorer l'impact de ces paramètres Doppler sur le succès de la FIV. Pour ce faire, nous avons évalué les capacités prédictives de dix modèles d'apprentissage automatique différents. Ces modèles ont été entraînés à l'aide d'une combinaison de paramètres Doppler et cliniques. Parmi les techniques explorées la méthode de Bagging combinée à la sélection des caractéristiques d'importance Extra Tree a obtenu les meilleures performances (sensibilité de 100 %, spécificité de 80 % et précision de 89,4 %) pour 94 patients. Ensuite, pour 572 patients, le classifieur Bagging combiné au paramètre d’'importance de la forêt aléatoire a présenté la plus grande AUC de 78,2 %. Les résultats obtenus par l’outils SPIRL soulignent l'importance des paramètres écho-Doppler dans le taux de réussite de la FIV. D’autre part, les mesures échographiques de l’endomètres à partir de l’outils VOCAL étant très chronophage et opérateur-dépendant, le second objectif visé est la segmentation automatiquement l'endomètre. En combinant les techniques d'apprentissage automatique et de segmentation automatique et semi-automatique (techniques de Chan-Vese et de Split-Bregman) nous obtenons un indice de Jaccard supérieur ou égal à 0,5 pour plus de 60% des images traitées. Enfin, le troisième objectif était la version entièrement automatisée de SPIRL utilisant notre technique de segmentation entièrement automatisée, qui mesure la surface de l'endomètre, la moyenne de gris de l'endomètre et l'épaisseur de l'endomètre, combinée à d'autres caractéristiques cliniques. Ensuite, il classe et prédit le résultat de l'ICSI. Les résultats sont étroitement alignés avec la prédiction du résultat de l'ICSI en utilisant les mêmes caractéristiques mesurées par des cliniciens à l'aide d'échographes.

In-Vitro Fertilization (IVF) and Intra-Cytoplasmic Sperm Injection (ICSI) are now widely used in the treatment of infertility. Patients' primary concern is the success of an IVF treatment, which is dependent on a variety of influencing factors. It is difficult for practitioners to detect any influencing trend of the characteristics and elements that may lead to a successful IVF pregnancy in the absence of automated technology. The goal was to develop a reliable technique for estimating the likelihood of success for couples seeking to conceive: the SPIRL tool (System for Predicting the success Rate of IVF using machine Learning combining clinical and Doppler data). Several factors that contribute to an accomplished pregnancy have been extensively researched. Based on the experience in Al Hadi Centre, the assumption of this work leads on that Power Doppler parameters related to the endometrium and myometrium play a crucial role in the treatment. The first aimed to explore the impact of Doppler parameters, specifically those related to endometrial and myometrium ultrasonography measures, on the success of IVF. The goal was to develop a reliable technique for estimating the likelihood of success for couples seeking to conceive. To achieve this, we evaluated the predictive capabilities of ten different machine learning models, including Logistic Regression, K-Nearest Neighbor, Multilayer Perceptron, Support Vector Machines, Naive Bayes, Bagging Classifier, Gradient Boosting, Extreme Gradient Boosting, AdaBoost Classifier, and Random Forest. These models were trained using a combination of Doppler and clinical parameters. Initially, among the techniques explored for predicting the outcomes of IVF using machine learning, the Bagging method combined with Extra Tree Importance Feature selection demonstrated superior performance for 94 patients. It achieved a sensitivity of 100%, specificity of 80%, and an accuracy of 89.4%. Subsequently, for 572 patients, the Bagging classifier combined with RF importance exhibited the highest AUC of 78.2%. Importantly, several variables, such as myometrium VFI, volume of the endometrium, myometrium mean grey, myometrium FI, myometrium VI, endometrium mean grey, and endometrium FI, were identified as significant factors in the prediction process. These findings underscore the importance of ultrasound measurement parameters, particularly Doppler parameters, in influencing the outcomes of IVF and ICSI. The developed technique provides valuable insights for estimating the success rates of these assisted reproduction procedures. However, these parameters of endometrium and myometrium are currently measured manually using VOCAL software, which is a time-consuming process as it requires calculations based on six slices of the endometrium. The second objective of the work aimed to automatically segment the endometrium to calculate its surface, thickness and endometrial mean grey. Then, we predict the outcome of ICSI using machine learning techniques with the new value. First, we employed automatic and semi-automatic segmentation techniques, specifically the Chan-Vese and Split-Bregman techniques. Out of the 98 ultrasound images, 60 achieved a Jaccard index greater than or equal to 0.5, indicating high-quality segmentation. This accounted for 61% of our initial database. Finally, the third goal was the fully automated version of SPIRL taking our fully automated segmentation technique, which measures the endometrium surface, endometrium mean grey, and endometrium thickness, combined with other clinical features, then classify and predict the outcome of ICSI. the results are closely aligning with the prediction of ICSI outcome using the same features measured by clinicians through ultrasound machines.