Description

L’AVC aigu est une affection dépendante du facteur temps : les décisions cliniques reposent sur la capacité à déterminer rapidement si l’événement est hémorragique ou ischémique et, au-delà du diagnostic initial, à surveiller l’évolution du patient au lit du malade. L’imagerie de référence actuelle (TDM/IRM) fournit une information anatomique de grande qualité, mais elle n’est pas conçue pour un tel suivi, portable, sans irradiation et répétable. Deux modalités non ionisantes constituent des candidates prometteuses pour combler ce manque : la tomographie d’impédance électrique (EIT) et l’imagerie micro-ondes (MWI). Cette thèse propose, en résumé, un cadre de reconstruction multimodal et multiphysique qui exploite la praticité de l’EIT tout en utilisant des informations structurelles dérivées de la MWI afin d’améliorer l’interprétabilité et la robustesse, avec une quantification explicite des incertitudes pour étayer une prise de décision fiable.
L’EIT est sûre, peu coûteuse et potentiellement en temps réel, ce qui la rend adaptée à un usage au lit du patient. Dans ce projet, nous mettrons en œuvre des reconstructions EIT absolues/semi-absolues fondées sur le Complete Electrode Model (CEM) [3], incluant une modélisation explicite des impédances de contact des électrodes. Cependant, l’EIT cérébrale correspond à un problème inverse dit mal posé. En conséquence, les reconstructions à partir de données acquises sont très sensibles à des facteurs pratiques tels que le positionnement des électrodes et la variabilité des impédances de contact ; la résolution spatiale est intrinsèquement limitée.
Ces limites suggèrent que l’EIT seule ne fournit pas toujours un niveau de détail structurel suffisant pour une localisation fiable des lésions, en particulier dans des conditions réalistes de variabilité des électrodes. Une voie naturelle pour renforcer l’EIT consiste à intégrer des informations structurelles complémentaires issues d’une seconde modalité : la MWI. La MWI peut mettre en évidence des contrastes de permittivité électrique à plus haute fréquence et est mieux placée pour retrouver des informations structurelles internes.
Le défi méthodologique central consiste à combiner ces deux modalités de manière à améliorer l’EIT tout en restant fidèle aux mesures EIT. Nous explorerons des stratégies de fusion guidées par la physique, dans lesquelles des a priori appris sont intégrés à la reconstruction EIT via une optimisation itérative. Une piste principale est la reconstruction de type Plug-and-Play (PnP) [4], où un débruiteur appris (réseau convolutionnel, ou modèle de diffusion) intervient implicitement au sein d’un solveur itératif. Nous étudierons également une approche bayésienne [5], dans laquelle le modèle direct définit la vraisemblance et l’a priori appris induit une régularisation structurée.
Au-delà de la qualité de reconstruction, la thèse abordera explicitement une exigence clé de l’imagerie médicale à enjeux de sécurité : la fiabilité [6]. Cela passera par la production d’indicateurs d’incertitude ou de confiance (au niveau du pixel ou de la ROI), ainsi que de métriques de qualité d’acquisition capables de signaler des reconstructions instables, et d’orienter l’interprétation.
Au final, cette thèse livrera un cadre de reconstruction multimodale centré sur l’EIT, guidé par la structure, robuste aux effets liés aux électrodes et conscient des incertitudes, en tirant parti d’informations complémentaires issues de la MWI. Une validation sur données publiques [7], simulations et une plateforme de fantôme dédiée devrait établir une voie claire vers un transfert en médical.

Compétences requises

Diplôme de master ou diplôme d’ingénieur dans un ou plusieurs des domaines suivants : traitement du signal et de l’image, physique appliquée, mathématiques appliquées et modélisation numérique. Expérience en apprentissage profond et de ses écosystèmes (bibliothèques/outils/ langages). Une première expérience en imagerie médicale serait appréciée.

Bibliographie

[1] Yang, L., Xu, C., Dai, M., Fu, F., Shi, X., & and Dong, X, 'A novel multi-frequency electrical impedance tomography spectral imaging algorithm for early stroke detection, ' in Physiological Measurement, 37(12), 2317, Dec. 2016.
[2] R. Scapaticci, J. Tobon, G. Bellizzi, F. Vipiana and L. Crocco, 'Design and numerical characterization of a low-complexity microwave device for brain stroke monitoring,' in IEEE Transactions on Antennas and Propagation, 66(12, 7328-7338, 2018.
[3] Vauhkonen, P. J., Vauhkonen, M., Savolainen, T., & and Kaipio, J. P., 'Three-dimensional electrical impedance tomography based on the complete electrode model,' in IEEE Transactions on Biomedical Engineering, 46(9), 1150-1160, 2002.
[4] U. S. Kamilov, H. Mansour and B. Wohlberg, 'A Plug-and-Play priors approach for solving nonlinear imaging inverse problems,' in IEEE Signal Processing Letters, 24(12), 1872-1876, 2017.
[5] Holden, M., Pereyra, M., & Zygalakis, K. C, 'Bayesian imaging with data-driven priors encoded by neural networks, ' in SIAM Journal on Imaging Sciences, 15(2), 892-924, 2022.
[6] Swaminathan, M., Bhatti, O. W., Guo, Y., Huang, E., & and Akinwande, O. , 'Bayesian learning for uncertainty quantification, optimization, and inverse design, ' in IEEE Transactions on Microwave Theory and Techniques, 70(11), 4620-4634, 2022.
[7] Goren, N., Avery, J., Dowrick, T., Mackle, E., Witkowska-Wrobel, A., Werring, D., & and Holder, D., 'Multi-frequency electrical impedance tomography and neuroimaging data in stroke patients,' in Scientific Data, 5(1), 1-10, 2018.

Mots clés

Tomographie d’impédance électrique, Imagerie micro-ondes, magerie de l’AVC, Problèmes inverses, Quantification des incertitudes, A priori et modèle diffusion