Description
Date depot: 6 septembre 2024
Titre: Apprentissage profond et traitement d’images temps-réel pour la cardio-oculomique par Holographie Doppler
Directeur de thèse:
Thierry GERAUD (LRE)
Encadrant :
Edwin CARLINET (LRE)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Images et vision
Resumé: Lieux de thèse : Laboratoire de Recherche de l'EPITA (LRE), Hôpital Fondation Rotschild, Hôpital des Quinze-Vingt
Équipe d'encadrement :
- Thierry Géraud (LRE), directeur de thèse
- Michael Atlan (ESPCI)
- Nicolas Boutry et Edwin Carlinet (LRE)
L’institut Langevin de l’ESPCI Paris - PSL a innové en créant les premiers équipements d’imagerie holographique clinique en temps réel à très haut débit, désormais en phase de transfert technologique vers l’industrie et le secteur médical, initiant un progrès significatif dans l’imagerie optique computationnelle en médecine, comparable à l’IRM, la tomographie aux rayons X et l’échographie. L’imagerie Doppler holographique en ophtalmologie représente un champ interdisciplinaire prometteur, mêlant conception d’imagerie optique fonctionnelle et recherche clinique, avec un fort soutien au développement logiciel open source [1].
L’estimation quantitative du flux sanguin rétinien à l’aide de l’holographie Doppler en temps réel s’avère prometteuse pour la détection et le suivi des maladies rétiniennes [2].
Sa capacité à fournir des mesures absolues de l’apport sanguin rétinien pourrait améliorer considérablement le suivi du traitement de maladies telles que la rétinopathie diabétique et le glaucome. En outre, cette technique pourrait être cruciale pour la détection et le suivi précoces des maladies cardiovasculaires, notamment l’athérosclérose et l’hypertension. L’holographie Doppler offre une approche innovante pour la cardio-oculomique, en combinant imagerie rétinienne et données cardiovasculaires pour un diagnostic précoce des maladies cardiovasculaires. Cette méthode permet de surveiller le flux sanguin oculaire, reflétant la santé vasculaire globale, et pourrait être intégrée en pratique clinique après validation par une étude utilisant une vidéo Doppler holographique temps réel.
Afin de repousser les limites des mesures issues d’algorithmes déterministes, nous explorerons l’inférence statistique de modèles de réseaux de neurones de l’état de l ‘art. L’objectif de cette thèse est d’exploiter les avancées en apprentissage profond pour améliorer la segmentation des vaisseaux rétiniens, la régression de biomarqueurs, et la classification de pathologies.
Les modèles d’apprentissage profond à l’origine des dernières avancées en analyse d’images médicales et susceptibles d’être pertinents pour le traitement des images issues d’Holovibes se basent sur l’architecture transformer, conçue pour exploiter la dimension temporelle d’une donnée. Pour permettre l’acquisition de masse de ces images, il sera donc nécessaire de porter et adapter ces algorithmes dans un nouveau logiciel open source afin qu’ils exploitent pleinement la puissance de calcul des GPU. Pour cela, il sera nécessaire de s’appuyer sur les travaux algorithmiques du LRE en matière de programmation haute performance [8].
Sujet complet : https://tinyurl.com/PRDimageHolographie
Résumé dans une autre langue: The Langevin Institute at ESPCI Paris - PSL has pioneered the creation of the first real-time, high-throughput clinical holographic imaging equipment, now in the phase of technological transfer to industry and the medical sector, marking significant progress in computational optical imaging in medicine, comparable to MRI, X-ray tomography, and ultrasound. Doppler holographic imaging in ophthalmology represents a promising interdisciplinary field, combining the design of functional optical imaging and clinical research, with strong support for open-source software development [1].
Quantitative estimation of retinal blood flow using real-time Doppler holography shows promise for detecting and monitoring retinal diseases [2]. Its ability to provide absolute measurements of retinal blood supply could significantly improve the monitoring of treatments for diseases such as diabetic retinopathy and glaucoma. Moreover, this technique could be crucial for the early detection and monitoring of cardiovascular diseases, including atherosclerosis and hypertension. Doppler holography offers an innovative approach to cardio-oculomics by combining retinal imaging with cardiovascular data for early diagnosis of cardiovascular diseases. This method allows for the monitoring of ocular blood flow, reflecting overall vascular health, and could be integrated into clinical practice after validation through a study using real-time holographic Doppler video.
To push the boundaries of measurements derived from deterministic algorithms, we will explore statistical inference using state-of-the-art neural network models. The aim of this thesis is to leverage advancements in deep learning to improve retinal vessel segmentation, biomarker regression, and pathology classification.
The deep learning models driving recent advances in medical image analysis, which could be relevant for processing images from Holovibes, are based on the transformer architecture, designed to exploit the temporal dimension of data. Training such networks requires reliable training data, which is precisely the focus of the second part of this thesis: optimizing the quality and quantity of training data. Indeed, the data will be produced from a streaming camera at 20 kHz (Ametek Phantom S711) and require more conventional image processing algorithms to reconstruct Doppler images. The current implementation of these algorithms does not leverage the parallel computing capabilities of modern massively parallel architectures. To enable mass acquisition of these images, it will be necessary to port and adapt these algorithms within holovibes so that they fully exploit the computational power of GPUs. For this, it will be necessary to rely on the algorithmic work of the LRE in high-performance programming [8].
Doctorant.e: Dubosc Marius