Imagerie de cohérence ultrasonore 3D par apprentissage profond

Ajouter à mon calendrier
Google Agenda Outlook Calendrier

Résumé :

L’estimation de l’orientation des fibres myocardiques est essentielle pour mieux comprendre la structure et le fonctionnement du cœur. Cette thèse explore l’imagerie ultrasonore comme alternative non invasive à l’IRM de diffusion, en s’appuyant sur l’analyse de la cohérence spatiale des signaux ultrasonores. Deux approches complémentaires sont proposées pour améliorer la méthode conventionnelle de Backscatter Tensor Imaging (BTI). La première repose sur des outils statistiques avancés, notamment l’information mutuelle et la causalité de Granger, afin d’exploiter les dépendances entre les signaux au-delà de la corrélation linéaire. La seconde utilise l’apprentissage profond, à travers des réseaux convolutifs (CNN) et des réseaux riemanniens (SPDNet), pour estimer l’orientation des fibres à partir des cartes de cohérence ou des matrices de covariance. Les résultats expérimentaux montrent une amélioration de la précision de l’estimation, ouvrant de nouvelles perspectives pour la caractérisation non invasive de l’architecture myocardique.

Mots-clés : Ultrasons, Cohérence spatiale, BTI, Information mutuelle, Causalité de Granger, Apprentissage profond, SPDNet, Orientation des fibres, Myocarde

Abstract:

Estimating myocardial fiber orientation is essential for understanding the structure and function of the heart. This thesis investigates ultrasound imaging as a non-invasive alternative to diffusion tensor MRI, focusing on the spatial coherence of ultrasound signals. Two complementary approaches are proposed to improve conventional Backscatter Tensor Imaging (BTI). The first explores advanced statistical methods, including mutual information and Granger causality, to capture signal dependencies beyond linear correlation. The second investigates deep learning approaches, including convolutional neural networks (CNNs) and Riemannian neural networks (SPDNet), to estimate fiber orientation from coherence maps or covariance matrices. Experimental results demonstrate improved estimation accuracy compared with the conventional method, highlighting the potential of these approaches for non-invasive characterization of myocardial architecture.

Keywords: Ultrasound, Spatial Coherence, BTI, Mutual Information, Granger Causality, Deep Learning, SPDNet, Fiber Orientation, Myocardium

 

Jury Committee:

  • Béatrice BERTHON, Research Scientist, INSERM, France — Reviewer
  • Alin ACHIM, Professor, University of Bristol, United Kingdom — Reviewer
  • Fabienne PORÉE, Professor, University of Rennes, France — Examiner
  • Hervé LIEBGOTT, Professor, Université Claude Bernard Lyon 1, France — Examiner
  • François VARRAY, Associate Professor, Université Claude Bernard Lyon 1, France — PhD Supervisor
  • Adrian BASARAB, Professor, Université Claude Bernard Lyon 1, France — PhD Co-supervisor
  • Florent BOUCHARD, Research Scientist, CNRS, France — Invited Member