3DMorphEmbryo - Reconstruction assistée par IA de la morphologie 3D de l'embryon humain à partir d'images médicales 2D pour améliorer la prédiction de son potentiel de développement.

3DMorphEmbryo - AI-assisted reconstruction of 3D human embryo morphology from 2D medical images to improve the prediction of its development potential.

• Auteur / Autrice : Alessandro Pasqui
• Direction : Mathieu Coppey
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Physique en Île-de-France (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : Centre Interdisciplinaire de Recherche en Biologie (Paris ; 2011-....)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Collège de France (Paris ; 1530-....)

Mots clés

Mots clés libres

Intelligence artificielle

Vision par ordinateur

Bio-imagerie

Modélisation mathématique

Embryogenèse

Optique

Artificial intelligence

Computer vision

Bio-imaging

Mathematical modeling

Embryogenesis

Optics

Résumé

Une étape critique pour le succès clinique des technologies de FIV réside dans le choix des embryons ayant le plus grand potentiel d'implantation et de développement. La sélection des embryons a été améliorée avec l'avènement des incubateurs médicaux équipés de microscopes à technologie time-lapse intégrée, qui fournissent des enregistrements des 6 premiers jours du développement préimplantatoire, et qui ont ouvert une nouvelle voie pour l'évaluation de la qualité des embryons grâce à l'analyse de la morphologie embryonnaire et de la cinétique de développement. Les méthodes d'apprentissage profond viennent de commencer à tirer parti de sa puissance dans ce domaine afin de gagner en efficacité et en objectivité. Ce projet de thèse s'appuiera sur des réseaux de neurones profonds pour développer un algorithme permettant de reconstruire la morphologie 3D de l'embryon humain à partir d'images confocales 2D et d'évaluer le potentiel des techniques d'imagerie de phase quantitative pour améliorer une telle reconstruction. Ensuite, des méthodes de calcul seront conçues pour automatiser entièrement, à partir de vidéos, la détection et la caractérisation quantitative des événements morphocinétiques pertinents dans le développement de l'embryon humain. Enfin, le projet vise à améliorer l'évaluation médicale du potentiel d'implantation d'embryons en combinant l'analyse statistique des caractéristiques morpho-cinétiques avec l'issue clinique de la grossesse, mais aussi avec les données sur la santé des patientes et l'incubation des embryons.

One critical step for clinical success of IVF technologies lies in the choice of the embryos having the greatest potential to implant and further develop. The embryo selection has been improved with the advent of medical incubators equipped with embedded time-lapse microscopes, that provide records of the first 6 days of pre-implantation development, and that opened a new avenue for the assessment of embryo quality through the analysis of embryo morphology and kinetics of development. Deep learning has just started to leverage his power in this field in order to gain efficiency and objectivity. This PhD project will leverage deep neural networks to develop an algorithm to reconstruct the 3D morphology of human embryo from 2D confocal images and to evaluate the potential of quantitative phase imaging techniques to improve such reconstruction. Then, computational methods will be designed to fully automatize from time-lapse videos the detection and quantitative characterization of relevant morpho-kinetic events in human embryo development. Finally, the project aims at improving the medical assessment of embryo implantation potential by combining the statistical analysis of morpho-kinetic features with clinical pregnancy outcome, but also patient health and embryo incubation data.