Soutenance de thèse : Kannara MOM

Deep learning based phase retrieval for X-ray phase contrast imaging

Doctorant : Kannara MOM

Laboratoire INSA : CREATIS
Ecole doctorale : ED160 : EEA Electronique Electrotechnique et Automatique

Le développement de sources de rayons X hautement cohérentes, telles que les installations de rayonnement synchrotron de troisième génération, a contribué de manière significative à l'avancement de l'imagerie à contraste de phase. Le degré élevé de cohérence de ces sources permet une mise en œuvre efficace des techniques de contraste de phase.
Le contraste de phase est une technique qui permet d'augmenter la sensibilité de plusieurs ordres de grandeur. Cette nouvelle technique d'imagerie a trouvé des applications dans un large éventail de domaines, notamment la science des matériaux, la paléontologie, la recherche sur les os, la médecine et la biologie.
Elle permet d’imager des échantillons faiblement absorbant, pour lesquels les méthodes traditionnelles basées sur l'absorption ne permettent pas d'obtenir un contraste suffisant. Plusieurs techniques d'imagerie sensibles à la phase ont été mises au point, dont l'imagerie basée sur la propagation, qui ne nécessite aucun équipement autre que la source, l'objet et le détecteur.
Bien que l'intensité puisse être mesurée à une ou plusieurs distances de propagation, l'information sur la phase est perdue et doit être estimée à partir de ces intensités, ou figures de diffraction, un processus appelé récupération de phase. Dans ce contexte, la récupération de phase est un problème inverse non linéaire mal posé.
Plusieurs méthodes ont été proposées pour récupérer la phase, soit en linéarisant le problème pour obtenir une solution analytique ou soit par des algorithmes itératifs.
L'objectif principal de cette thèse était d'étudier ce que les nouvelles approches d'apprentissage profond pourraient apporter à ce problème de récupération de phase. Divers algorithmes d'apprentissage profond ont été proposés et évalués pour résoudre ce problème. En particulier, le cas d'une distance unique, tout en prenant en compte l'information non-linéaire du modèle direct, a été considéré.