Geodesic methods and learning for ultrasound localization microscopy imaging
Méthodes géodésiques et apprentissage pour l’imagerie de microscopie par localisation ultrasonore
Résumé
Ultrasound Localization Microscopy is a new method in super-resolved Medical Imaging that allow us to overcome compromise between precision and penetration distance in the tissues for the imaging of the vascular network. This new type of images raises new mathematical questions, especially for the segmentaton and analysis, necessary steps to achieve medical diagnostic of patients. Our work is positioned at the intersection of geodesic and Machine Learning methods. In this thesis, we make three contributions. The first of these is centered on the constraints linked to ULM images and proposes the tracking of the entire vascular tree through the detection of key points of blood vessels appearing on the image. The second contribution of this thesis deals with learning to define Riemannian metrics to handle segmentation tasks on brain MRI data and eye fundus images. The final part of our work focuses on an inverse problem for reconstructing contrast agent trajectories in medical images in the context of grid-free super-resolution.
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.
Origine | Version validée par le jury (STAR) |
---|