Contribution to the improvement of the spatial resolution of microwave images for medical applications

Le cancer du sein est la forme de cancer la plus répandue dans le monde. Elle touche aujourd'hui 1 femme sur 8 et est actuellement en augmentation dans le monde. Pour faciliter son diagnostique et son traitement, il est utile de développer des appareils d'imagerie de faible coût, non invasifs et facilement transportables. C'est dans cette perspective que nous étudions les méthodes spectrales d'imagerie micro-ondes historiques. La configuration adoptée est celle d'une caméra microonde planaire, dispositif expérimental connu, ayant fait ses preuves pour la mesure de champs électriques diffractés. Toutefois, la résolution spatiale et la fiabilité du dispositif doivent être améliorées pour pouvoir l'utiliser en milieu hospitalier. A cet effet, nous investiguons les possibilités offertes par l'apprentissage profond, science des données nouvelles dans le domaine des micro-ondes, comme façon d'intégrer industriellement de l'information a priori dans nos techniques d'imagerie. Ainsi, le processus d'apprentissage pour l'inversion micro-ondes est envisagé sous la forme d'une chaîne de production globale et automatisée, dont les différents aspects sont :— La production des données par la modélisation des fantômes, la simulation électromagnétique ainsi que par le traitement des données préparatoires au processus d'inversion.— Le choix d'un algorithme d'optimisation associé à une fonction coût, dans notre cas l'algorithme ADAM associé à la fonction WMAPE.— La construction d'une architecture de réseau cohérente avec le problème à résoudre. Il s'agit d'une paire de U-NETs servant à transformer le spectre de courant calculé de façon approché par rétropropagation du champ diffracté mesuré, en un spectre de contraste diélectrique. Le but recherché est donc d'obtenir un spectre de bonne qualité permettant, par transformée de Fourier rapide inverse, le calcul en temps réel de la distribution des propriétés diélectriques du sein.