Qualification biologique des ovocytes et des zygotes en AMP par analyse et traitement d’images Khemmou J. 1, Vuillemenot J. 1, Pieralli C. 2, Roux C. 3.

Slides:



Advertisements
Présentations similaires
Atelier RBM-MERG sur la formation à lEIP, 6 au 9 octobre 2008, Dakar, Sénégal1 Observations sur l'échantillonnage, et notamment, sur l'utilisation d'un.
Advertisements

FORMATIONS ELEVE SOUS STATUT SCOLAIRE
La P.M.A l’art de faire autrement les enfants
Soizic Geslin Samy Fouilleux Minh Le Hoai Maxime Chambreuil
Courbes de fonctions avec Excel
Courbes de fonctions avec Excel
Introduction Pour concrétiser l’enseignement assisté par ordinateur
Les TESTS STATISTIQUES
Les TESTS STATISTIQUES
MORPHOMETRIE ET QUANTIMETRIE
Morphométrie La segmentation a donc permis à l’analyseur de reconnaître des éléments qui doivent faire l’objet de mesures. La paramétrisation va ensuite.
Stages Equipe Epidaure INRIA Sophia-Antipolis Grégoire Malandain.
La fonction Style Permet de créer des types de texte, par exemple
Traitements d'images et Vision par ordinateur
Qu’est ce que GWAESSE? C'est un logiciel simple d'utilisation pour la configuration et le chiffrage des tableaux TTA (pour quais et campings), ACS (pour.
Détection de « tâches dobjets artificialisés » D.Réchal IRD, ESPACE Dev 18/02/2011 – Montpellier (France)
Algorithmique et Programmation
LA FIVETTE ET L’INSEMINATION ARTIFICIELLE
Analyse d’images Détection de contour Cours 8
Rebecca Rodriguez Imane Khamous Typhanie Brotons 302.
Chapitre 2 : Filtrage Professeur. Mohammed Talibi Alaoui
Chapitre 3 : Détection des contours
Régression linéaire simple
COMMENT OBTENIR LE SCHEMA D’UN MONTAGE ELECTRIQUE?
Structure discriminante (analyse discriminante)
Les techniques de reproduction assistée
Serrure biométrique Reconnaissance dempreintes digitales Raphaël FROMONT – Pascal GRIMAUD – Nicolas MUNOZ Tuteur : M. Patrick ISOARDI.
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
Application d’algorithmes d’extraction de la couleur et des textures à partir d’images aériennes dans le contexte de l’extraction de bâtiments pour supporter.
Réalisé par Mr CALVO du Lycée Bon Secours à PERPIGNAN
Mémoire – Aline Schneider
Régression linéaire multiple : hypothèses & interprétation. Partie 2.
Détection de contours automatique et application aux images réelles
Les présentations assistées par ordinateur (préAO)
COURS 13 La fonction à optimiser et la comparaison de solutions.
Projet Télédétection Vidéo Surveillance Deovan Thipphavanh – Mokrani Abdeslam – Naoui Saïd Master 2 Pro SIS / 2006.
Un jour, un entrepreneur eut une idée : Investir dans une franchise renommée de vente de glaces.
Valoriser les ressources externes pour développer des compétences transversales Excel pour la réalisation des graphiques Activité CDS 38 Liège.
Etude d’une TICE a priori non connu
Monitoring Détection de séquences vidéo en temps réel dans une grande base de données Julien Law-to 23/07/2004.
Module de formation EpiInfo
Université Lyon 2 - TICE 3 séance 071 TICE 3 – Séance 7 Roland Veillard, Ny Haingo Andrianarisoa Traitement des.
Réalisé par : Mr IRZIM Hédi Mr JRAD Firas
Dans cet article, une nouvelle approche relative à l’indexation de la bande sonore de documents audiovisuels est proposée, son but est de détecter les.
Zone 1 Zone 2 Zone 3 Zone 4 Zone 5 Zone 6. La zone 1 : le bandeau devra faire 741 pixels de largeur et ne pas comporter de motifs à sa droite afin de.
Master HTTP Créator LARNS Corporation Membres : ALFOSEAJean-FabienChef de Projet LEROGNONRenaudDesigner N'DOYEAssaneWebmestre RONCAGLIAThomasRelation Publique.
Présentation générale
Les réseaux de neurones à réservoir en traitement d’images
Le contrôle de soudures laser par radiographie X
Institut de sciences et technologies Département d’informatique
Modélisation électromagnétique d’un canon à électrons pour le
RAPPORT DU PROJET IUT CALAIS D’oria Antony Rue Louis David
PROGRAMMATION INFORMATIQUE D’INGÉNIERIE II
Les réseaux de neurones à réservoir en traitement d’images
La maitrise de la natalité thème 1
LE CDCF Ce document charnière entre l’analyse du besoin et la conception du produit va permettre de faire émerger les éléments fonctionnels nécessaires.
Utilisation de Transcriber
Sabrina Tollari, Hervé Glotin, Jacques Le Maitre
La procréation médicalement assistée (P.M.A)
Bébés éprouvettes Premier enfant né par une FIV en Angleterre
Par Bérénice Cottereau et Anaëlle Kerouanton
Suivi d’Horizons Sismiques
PIF-6003 Sujets spéciaux en informatique I
CONSTRUCTION DE TABLEAUX CROISES SUR LE LOGICIEL MODALISA MET4 – Avril 2005.
Détecter les groupes à hauts risques cardiaques à partir de caractéristiques telles que l’alimentation, le fait de fumer ou pas, les antécédents familiaux.
Exemple et critique d’un système de vision simple Patrick Hébert (dernière révision septembre 2008) Référence complémentaire: Shapiro et Stockman: chap.
Formation Green Belt Lean Six Sigma Atelier Statapulte
Formation Green Belt Lean Six Sigma Atelier Statapulte
Formation Green Belt Lean Six Sigma
1 Tableur Excel. 2 Introduction Un tableur est un logiciel permettant de manipuler des données numériques et d'effectuer automatiquement des calculs sur.
Transcription de la présentation:

Qualification biologique des ovocytes et des zygotes en AMP par analyse et traitement d’images Khemmou J. 1, Vuillemenot J. 1, Pieralli C. 2, Roux C I.S.I.F.C. Ingénierie biomédicale, 16 Route de Gray Besançon 2. Laboratoire d'Optique P.M. Duffieux Université de Franche-Comté, Besançon 3. Centre Hospitalier Universitaire, 2 place St Jacques Besançon Ce projet s’est inscrit dans le cadre des techniques d’ AMP (Assistance Médicale à la Procréation) que sont la FIV (Fécondation In Vitro conventionnelle) et l’ICSI (Intra Cytoplasmic Sperm Injection). L’objectif était de participer au développement d’un outil informatique, qui permettrait d’aider à la décision quant au choix des ovocytes à féconder (A) et des zygotes à transférer (B) dans le but d’aboutir à une implantation. L’objectif du traitement d’image est de sectoriser la cellule en 3 parties : le cytoplasme, la zone pellucide et le fond de l’image (C) ; la zone pellucide pouvant faire l’objet d’une étude morphométrique ultérieure. Pour ce faire, après avoir été filtrée par Kirsch, l’image a été binarisée puis ternarisée par application de seuils pour obtenir 3 zones distinctes (D). Traitement d’image Pas de fécondation Implantation Fécondation Pas d’implantation (A)(B) L’analyse de la morphologie a été mise en attente afin d’approfondir l’analyse de texture du cytoplasme. Celle-ci porte sur 7 paramètres qui sont la moyenne, la variance et le skewness, le contraste, la corrélation, l’entropie et l’homogénéité. Deux études ont été menées. La première étude consiste à comparer les cellules contenant des perturbations (H) avec celles n’en contenant plus (éléments gommés) afin de déterminer une éventuelle influence sur la texture. Analyse d’image Conclusion Intensité Nombre de pixels x 10^4 (E) (F) (G) Pour optimiser l’analyse morphologique, il était nécessaire de s’affranchir des variabilités liées à la position des cellules. Pour cela, un recadrage des images (F) était nécessaire. Il consiste à effectuer une rotation de l’image de sorte à ce que le plus grand axe du cytoplasme soit horizontal (G). Cet outil, développé dans l'environnement du logiciel Matlab® devait se basé sur l’analyse de la texture du cytoplasme et de la morphologie de la cellule (A, B) afin de déterminer si un ou plusieurs paramètres objectifs pouvaient être utilisés comme critères de sélection. Ces analyses ont porté sur une base de données d’images 512x512 pixels au format bitmap constituée au CHU depuis 4 ans. La seconde étude consiste à voir s’il y a des différences significatives de texture entre les ovocytes fécondés / non fécondés et les zygotes implantés / non implantés. Les résultats statistiques ont montré qu’aucun des paramètres de texture n’était discriminant. Une étude tenant compte d’échantillons plus importants devra être menée pour vérifier ces résultats. Une régression linéaire (I) a permis de montrer que les perturbations peuvent être négligées pour l’analyse de la texture. Introduction Les seuils devant être adaptés à chaque image, un programme de seuillage automatique a été développé. Les histogrammes (E) des images ont été classés en 3 groupes, et les seuils à appliquer ont été recherchés pour chacun d’eux. Zone pellucide FondCytoplasme Sectorisation (C) (D) Pour conclure, par rapport aux outils existants, celui qui a été mis au point présente plusieurs avantages : il est ergonomique et simple d’utilisation grâce à son interface graphique (J) qui facilite le lancement des calculs et la lecture des résultats. L’automatisation des tâches, notamment le tracé des contours, et l’utilisation du logiciel Matlab® permettent de réduire respectivement les temps de manipulation et de calcul. Au final, l’outil devrait pouvoir s’intégrer dans les activités quotidiennes du laboratoire de F.I.V. et faciliter ainsi ses étapes de validation. (I) (J)