Méthodes géodésiques et apprentissage pour l’imagerie de Microscopie par Localisation Ultrasonore
20/09/2024 à 10h00
M. Théo BERTRAND présente ses travaux en soutenance le 20/09/2024 à 10h00
À l'adresse suivante : Université Paris Dauphine - PSL Place du Maréchal de Lattre de Tassigny 75775 PARIS Cedex 16 Salle des thèses - D520
En vue de l'obtention du diplôme : Doctorat en Sciences
La soutenance est publique
Titre des travaux
Méthodes géodésiques et apprentissage pour l’imagerie de Microscopie par Localisation Ultrasonore
École doctorale
École doctorale Dauphine SDOSE
Équipe de recherche
UMR 7534 - Centre de Recherche en Mathématiques de la Décision
Section CNU
26 - Mathématiques appliquées et applications des mathématiques
Directeur(s)
M. Laurent COHEN
Membres du jury
| Nom | Qualité | Établissement | Rôle |
|---|---|---|---|
| M. Laurent COHEN | Directeur de recherche | UNIVERSITE PARIS DAUPHINE - PSL | Directeur de thèse |
| M. Pierre WEISS | Directeur de recherche | INSTITUT DE MATHEMATIQUES DE TOULOUSE | Rapporteur |
| M. Abderrahim ELMOATAZ | Professeur des universités | UNIVERSITE DE CAEN BASSE NORMANDIE | Rapporteur |
| M. Jean-Marie MIREBEAU | Directeur de recherche | ENS PARIS-SACLAY | Examinateur |
| M. Vincent DUVAL | Directeur de recherche | UNIVERSITE PARIS DAUPHINE - PSL | Examinateur |
| M. Olivier COUTURE | Directeur de recherche | SORBONNE UNIVERSITE | Examinateur |
| Mme Fang YANG | Associate professor | Wuhan University of Science and Technology | Examinatrice |
Résumé
La méthode de Microscopie par Localisation Ultrasonore (ULM) est une nouvelle méthode d'imagerie médicale super-résolue qui permet d'outrepasser le compromis précision/distance de pénétration dans les tissus pour l'imagerie du réseau vasculaire. Ce nouveau type d'images pose de nouveaux enjeux mathématiques, notamment pour la segmentation et l'analyse de ses images, étapes nécessaires pour arriver à des méthodes pour le diagnostic. Notre travail se positionne à l'intersection des méthodes géodésiques et des méthodes de Machine Learning. Dans cette thèse nous apportons trois contributions. Une première de ces contributions est centrée autour des contraintes liées aux images ULM et propose le tracking de l'entièreté de l'arbre vasculaire en passant par la détection des point-clés des vaisseaux sanguins apparaissant sur l'image. La deuxième contribution de cette thèse porte sur l'apprentissage de la définition de métriques Riemanniennes pour traiter des tâches de segmentation sur des données d'IRM cérébraux et d'images du fond de l'oeil. La dernière partie de notre travail porte sur un problème inverse pour la reconstruction de trajectoires d'agents de contraste dans des images médicales dans le contexte de la super-résolution sans-grille.