Analyse des cellules spermatozoïdes avec les techniques d'Intelligence artificielle.

Abstract

Les techniques de traitement d'image microscopique ont été utilisées pour évaluer la qualité du sperme en analysant sa morphologie, sa concentration, sa motilité et ses paramètres cinétiques. Cette analyse a été introduite sous le concept d'analyse de sperme assistée par ordinateur (CASA), qui remplace l'analyse manuelle du sperme, connue pour sa lenteur, sa subjectivité et sa moindre précision. Toutefois, les systèmes CASA requièrent encore une intervention manuelle, ce qui a motivé la recherche d'améliorations et d'automatisation de ces systèmes. Cette motivation a ouvert la voie à l'application de l'intelligence artificielle dans ce domaine. Aujourd'hui, de nombreuses méthodes d'analyse basées sur les branches de l'intelligence artificielle telles que l'apprentissage automatique (ML), le deep learning (DL) et la vision par ordinateur (VO) ont été proposées. Notre projet vise à contribuer à l'amélioration et à l'automatisation de l'analyse de la motilité des spermatozoïdes en utilisant des techniques d'IA. Dans notre approche, nous proposons un système CASA automatique pour la motilité des spermatozoïdes basé sur l'apprentissage profond. Notre méthode se déroule en quatre étapes : la classification par espèce, la détection et le suivi des cellules, et enfin l'analyse de la qualité de l'échantillon. L'apprentissage a été réalisé sur un ensemble de données que nous avons créé à partir d'images microscopiques de sperme prétraitées provenants de quatre espèces différentes (bélier, âne, coq, humain). Après une étude comparative de plusieurs modèles basés sur le DL, nous avons opté pour les modèles suivants : MobileNet pour la classification, YOLOv5s pour la détection et DeepSort pour le suivi. Les résultats obtenus étaient remarquables en termes de précision par rapport aux autres méthodes. Tout d'abord, lors de la classification, nous avons obtenu un taux de précision de 99,2 %. Ensuite, pour la détection, nous avons entraîné les modèles sur les données des quatre espèces séparément, et nous avons obtenu des résultats variants entre 96 % et 99,5 % de mAP@50 (Mean Average Precision). Enfin, pour le suivi, nous avons obtenu un taux de précision de MOTP (Multiple Object Tracking Accuracy) de 99 %. Le système que nous avons conçu a été testé sur plusieurs vidéos microscopiques d'échantillons de sperme provenant des différentes espèces, et les résultats visuels étaient cohérents avec les scores obtenus. Le système nous fournit tous les paramètres nécessaires pour l'évaluation de la motilité des spermatozoïdes à la fin du processus.