Évènements

24 Jan
24/01/2022 14:00

Sciences & Société

Soutenance de thèse : Yunyun SUN

Simulation d'images échocardiogaphiques Doppler couleur à partir de patients

Doctorante : Yunyun SUN

Laboratoire INSA : CREATIS
Ecole doctorale : EDA160 : Électronique, Électrotechnique, Automatique

L’imagerie médicale joue un rôle primordial pour l’étude et le diagnostic des maladies cardiovasculaires. Dans ce contexte, les mesures issues du flux intraventriculaire permettent d’estimer des indices cliniques pertinents pour établir un diagnostic. L’imagerie Doppler couleur est une modalité de choix pour la visualisation du flux intraventriculaire pour une zone étendue de l’image. Cependant, cette modalité permet uniquement la visualisation de la projection du flux le long de la direction de tirs ultrasonores et est sujet à des sources d’erreurs dont les principales sont l’aliasing et le bruit de clutter. La réduction de ces artéfacts ainsi qu’une visualisation plus précise constituent donc des perspectives importantes en vue d’une meilleure analyse du flux intraventriculaire. Dans ce contexte, l’apprentissages profond constitue une voie prometteuse pour résoudre ces problèmes. En effet, cette technique a récemment été appliqué avec succès en imagerie ultrasonore pour des problèmes tels que la classification ou la segmentation. Les méthodes par apprentissage profond nécessitent la mise en place de bases de données annotées (c’est-à-dire avec des références) incluant plusieurs centaines voire milliers d’échantillons en imagerie médicale. Ceci constitue actuellement un frein pour l’application de telles techniques en imagerie de flux. Dans ce contexte, mes travaux de thèse consistent au développement d’un cadre méthodologique pour la simulation de séquences échocardiographiques duplex réalistes avec un champ de référence du flux intraventriculaire associée. La génération d’artéfacts synthétiques d’aliasing et de clutter est également un objectif de ma thèse. Cela permettra de générer des bases de données d’une grande variabilité permettant aux algorithmes d’apprentissage d’améliorer la qualité des séquences duplex.