Inverse problems for blood flow restoration and imaging in ultrafast ultrasound

L'imagerie ultrasonore est une modalité médicale très utilisée de par sa capacité de visualisation en temps réel, son caractère non ionisant et son coût relativement faible. Elle intervient dans de nombreux contextes cliniques, tels que le suivi de grossesse et le diagnostic des maladies cardiaques. Toutefois, l'échographie reste limitée par la présence du bruit de speckle ainsi que par le compromis entre résolution, contraste et profondeur de pénétration. En particulier, l'estimation du flux sanguin, qui repose sur les mêmes principes d'acquisition et de formation d'images, reste soumise aux mêmes contraintes. Malgré des progrès importants au niveau matériel et technologique, les méthodes de post-traitement demeurent essentielles.L'objectif de cette thèse a été d'améliorer les méthodes de post-traitement afin d'augmenter la sensibilité et la résolution spatiale dans l'estimation du flux sanguin. Un premier axe de recherche a été de pallier les limites des méthodes classiques en explorant des techniques basées sur l'apprentissage profond. Dans le cadre des problèmes inverses, nous avons proposé une méthode hybride de déconvolution ultrasonore combinant modèles de restauration par diffusion et décomposition spectrale dans le domaine de Fourier. Nous avons ensuite employé le deep unfolding pour convertir un algorithme itératif d'estimation du flux sanguin en réseau de neurones. La méthode résultante réalise simultanément la déconvolution et la reconstruction du flux sanguin tout en intégrant une PSF apprise, offrant une solution interprétable. Afin de contourner le problème de disponibilité de données médicales en deep learning, nous avons conçu une architecture de type CycleGAN intégrant un modèle direct de formation d'images ultrasonores et entraînée sur des jeux de données non-appariées. Cette approche a permis de générer des images super-résolues avec un niveau réduit d'artefacts et de meilleures capacités de généralisation.Le second axe de recherche s'est focalisé sur la microscopie par localisation ultrasonore. Le pipeline séquentiel de cette méthode entraînant une accumulation d'erreurs, nous avons reformulé ses trois premières étapes sous la forme d'un problème inverse. La solution itérative proposée améliore la qualité des images super-résolues contre un coût de calcul accru. En complément, nous avons développé 3DML-ResNet, un réseau convolutif 3D exploitant l'information temporelle pour détecter et super-localiser les microbulles. Cette approche réduit le temps de calcul et améliore la précision dans des environnements à fortes concentrations.