Modèles d'apprentissage avancés pour la reconstruction d'images échographiques

L’imagerie par ultrasons est largement utilisée en raison de sa nature en temps réel, économique, portable et non ionisante. Cependant, les méthodes traditionnelles de reconstruction, telles que le retard et la somme (Delay-and-Sum), sont souvent limitées par un faible contraste, une basse résolution spatiale et une sensibilité au bruit et aux artefacts. La plupart des approches traitant ces défis se concentrent soit sur des techniques basées sur des modèles, soit sur des approches basées sur l'apprentissage. Cette thèse contribue à la conception d'algorithmes hybrides, combinant des méthodes basées sur des modèles et sur l'apprentissage. La partie centrale de la thèse exploite les modèles de diffusion générative comme connaissances préalables pour résoudre le problème d’inversion de reconstruction d’images par ultrasons. En particulier, nous proposons plusieurs adaptations du Denoising Diffusion Restoration Model (DDRM) pour prendre en compte les données brutes formées en faisceaux, le bruit coloré et leur combinaison avec des méthodes traditionnelles de réduction du speckle. Plus important encore, nous examinons l’impact de la stochasticité des prédictions de diffusion et montrons que la variance des prédictions générées par diffusion fournit une solution intéressante au problème de reconstruction d’images sous bruit multiplicatif. La méthode est également validée sur des données d’imagerie radar à synthèse d’ouverture (SAR),démontrant sa polyvalence. Une contribution annexe de cette thèse est la proposition d’une représentation neuronale implicite permettant de représenter de manière compacte plusieurs acquisitions d’ultrasons en ondes planes, réalisant ainsi une compression substantielle des données sans compromettre l’efficacité.