- FR
- EN
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'œil. 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.
M. Laurent COHEN, Directeur de recherche, Université Paris Dauphine – PSL, Directeur de thèse
M. Pierre WEISS, Directeur de recherche, Institut de Mathématiques de Toulouse, Rapporteur
M. Abderrahim ELMOATAZ, Professeur des universités, Université de Caen Basse Normandie, Rapporteur
M. Jean-Marie MIREBEAU, Directeur de recherche, ENS Paris-Saclay, Examinateur
M. Vincent DUVAL, Directeur de recherche, Université Paris Dauphine – PSL, Examinateur
M. Olivier COUTURE, Directeur de recherche, Sorbonne Université, Examinateur
Mme Fang YANG, Associate professor, Wuhan University of Science and Technology, Examinatrice
