Reconstruction en imagerie ultrasonore 3D compressée par réseau de neurones profond
Contexte:
L’échantillonnage compressé ("Compressive Sensing" ou CS) est une méthode récente qui permet d'envisager une nouvelle façon d'échantillonner les signaux ou les images. En exploitant le caractère parcimonieux que présentent la plupart des données physiques, elle permet de reconstruire ces données acquises avec des fréquences d'échantillonnage bien inférieures à la classique limite de Shannon [6]. Dans le contexte de l'imagerie ultrasonore, cette technique présente un intérêt majeur pour l'acquisition de données 3D. Ces acquisitions font en effet appel à des sondes comportant une matrice de capteurs. Pour des raisons d'encombrement physique, de connexion et de pilotage, seule une faible fraction de ces capteurs peut être activée.
Objectif:
En pratique, la reconstruction des images implique la résolution d'un problème de minimisation de dimensions très importantes. Etant donné l'intérêt du CS, la résolution numérique de ce problème a donné lieu au développement de nombreux algorithmes itératifs, basés sur des techniques de relaxation convexe ou sur des algorithmes "gloutons". Malheureusement, aucun de ces algorithmes ne permet actuellement d’atteindre des vitesses de calcul compatibles avec une acquisition en temps réel des images ultrasonores [1-2].
Dans ce cadre, l’objectif de ce stage consiste à développer une méthode de reconstruction alternative, basée sur la représentation du problème sous la forme d’un réseau de neurones profond ("Deep neural network" ou DNN), dont l’architecture doit permettre de diminuer les temps de calcul de plusieurs ordres de grandeur. Il est à noter que l’application des DNN aux problèmes de reconstruction est extrêmement récente [3-5].
Méthodologie:
Le développement des DNN adaptés à la représentation et à la reconstruction des donnée ultrasonores sera basé sur la bibliothèque python Theano, qui présente entre autre l’intérêt permettre une exécution GPU implicite.
L’approche développée sera optimisée et évaluée en termes de compromis temps de calcul/précision, en premier lieu sur des données ultrasonores 3D issues de simulations numériques, puis sur des données expérimentales acquises sur des organes ex vivo avec les échographes de recherche de Creatis.
Profil du candidat:
- Très bonnes compétences en programmation (Langages utilisés durant le stage : Matlab et Python)
- Compétences représentant un plus ou qui seront à acquérir au cours du stage : réseaux de neurones, mathématiques appliquées.
Références bibliographiques sur le sujet :
[1] O. Lorintiu, H. Liebgott, M. Alessandrini, O. Bernard, and D. Friboulet, "Compressed sensing reconstruction of 3D ultrasound data using dictionary learning and line-wise subsampling," IEEE Transactions on Medical Imaging, 2015.
[2] J. Richy, D. Friboulet, A. Bernard, O. Bernard, and H. Liebgott, "Blood Velocity Estimation Using Compressive Sensing," IEEE Transactions on Medical Imaging, vol. 32, pp. 1979-1988, 2013.
[3] P. Sprechmann, A. M. Bronstein, and G. Sapiro, "Learning Efficient Sparse and Low Rank Models," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 37, pp. 1821-1833, 2015.
[4] A. Mousavi, A. B. Patel, and R. G. Baraniuk, "A Deep Learning Approach to Structured Signal Recovery," ArXiv, pp. 1-8, 2015.
[5] K. Gregor and Y. LeCun, "Learning Fast Approximations of Sparse Coding," in International Conference on Machine Learning (ICML-10), Haifa, Israel, 2010, pp. 399-406.
[6] E. J. Candes and M. B. Wakin, "An Introduction To Compressive Sampling," IEEE Signal Processing Magazine, vol. 25, pp. 21-30, 2008.