Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

25 mars 2021

Thèse: Approche deep learning pour améliorer la qualité de l’image en reconstruction tomographique X par vues éparses


Catégorie : Doctorant


Thèse en analyse d'images et apprentissage profond: Approche deep learning pour améliorer la qualité de l’image en reconstruction tomographique X par vues éparses

Encadrement CEA : C. VIENNE, J. ESCODA

Direction de thèse : E. DECENCIERE (Mines ParisTech)

Contact : caroline.vienne@cea.fr, Etienne.Decenciere@mines-paristech.fr

Lieu de la thèse : CEA List, Saclay (91)

 

La tomographie par rayons X (RX), qui consiste à reconstruire une image 3D d’un objet à partir d’un ensemble de radiographies, est une méthode d’imagerie incontournable dans le domaine médical comme dans celui du contrôle non destructif de pièces industrielles. Dans ces deux types d’applications, elle rencontre le même besoin de produire un résultat fiable et de la meilleure qualité possible à partir d’un nombre minimal de radiographies, que ce soit pour limiter la dose reçue par le patient ou pour réduire le temps d’acquisition et ainsi être compatible avec du contrôle sur ligne de production. Malheureusement, une telle réduction du nombre de radiographies, ou projections, se traduit généralement par l’apparition d’artefacts sur l’image reconstruite qui impactent fortement sa lisibilité.

Plusieurs approches ont été développées afin d’améliorer la qualité des images reconstruites à partir d’un nombre très réduit de projections. Elles peuvent être regroupées en trois catégories : le pré-traitement des données, les algorithmes de reconstruction itératifs et les méthodes de post-traitement. Les approches de pré-traitement consistent à compléter les vues manquantes, typiquement en interpolant les données existantes, puis à appliquer un algorithme analytique de reconstruction, mais les images 3D résultantes souffrent encore d’artefacts secondaires généralement dus à des erreurs d’interpolation. En injectant de la connaissance « a priori », les algorithmes itératifs peuvent garantir une meilleure qualité de reconstruction que les approches analytiques mais sont encore très coûteux en temps de calcul et sont dépendants de paramètres de configuration. Les approches de post-traitement, quant à elles, s’appliquent sur les images de faible qualité reconstruites par l’algorithme analytique et visent à améliorer leur lisibilité en réduisant les artefacts mais restent souvent insuffisantes pour supprimer complètement les artefacts de trainée liés au manque de données.

L’objectif de cette thèse est de produire des projections supplémentaires à l'aide du deep learning. On étudiera aussi bien les réseaux convolutifs type U-Net que les réseaux antagonistes génératifs. Dans un premier temps des données simulées seront utilisées. Celles-ci seront obtenues à l’aide du logiciel de simulation CIVA développé au sein du DISC, qui correspond à un jumeau numérique d’une acquisition tomographique. En effet, le coût important de l’acquisition tomographique est aujourd’hui un verrou majeur à la création des bases de données nécessaires à l’apprentissage de ces modèles. Dans une deuxième phase, à l'aide du transfer learning et de bases de données expérimentales réduites, il sera possible d'apprendre un modèle capable de traiter des données réelles.

Procédure de candidature: envoyer CV, lettre de motivation et notes de master (ou équivalent) à: caroline.vienne@cea.fr, Etienne.Decenciere@mines-paristech.fr.

 



 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.