Thèse Apprentissage Profond pour l'Imagerie Non Invasive à Travers des Milieux Fortement Diffusants H/F - Doctorat.Gouv.Fr
- Paris - 75
- CDD
- Doctorat.Gouv.Fr
Les missions du poste
Établissement : École supérieure de physique et de chimie industrielles de la Ville de Paris - PSL (ESPCI Paris - PSL) École doctorale : Physique en Ile de France Laboratoire de recherche : Institut Langevin : ondes et images Direction de la thèse : Sébastien POPOFF ORCID 0000000271999814 Début de la thèse : 2026-10-10 Date limite de candidature : 2026-10-01T23:59:59 Voir à l'intérieur des tissus biologiques est un défi central de l'imagerie optique. La lumière qui pénètre dans un milieu épais et opaque, comme la peau ou un organe, y subit de multiples diffusions et sa trajectoire devient apparemment aléatoire, ce qui brouille toute image formée au-delà d'une fraction de millimètre. Ce caractère aléatoire n'est toutefois qu'apparent : tant que l'échantillon reste immobile, son effet sur la lumière est parfaitement déterministe et peut, en principe, être appris.
Ce projet de thèse, mené à l'Institut Langevin (ESPCI-PSL, Paris) dans le cadre du cluster PR[AI]RIE-PSAI, vise à apprendre cet effet à partir de mesures réalisées uniquement depuis l'extérieur de l'échantillon, seule configuration réaliste pour les applications médicales. L'approche est hybride. Les réseaux de neurones génériques issus du traitement d'images donnent ici de mauvais résultats, car la diffusion étale sur une large zone l'information provenant d'un même point. Le projet construit plutôt des modèles dont l'architecture reproduit la physique de la propagation des ondes, chaque paramètre ajustable correspondant à une propriété physique du milieu. Entraîner le modèle revient alors à reconstruire le milieu lui-même.
La principale difficulté tient au nombre d'inconnues : de nombreuses configurations différentes peuvent reproduire la même mesure en surface tout en étant fausses en profondeur. L'idée centrale est de guider l'apprentissage à l'aide de mesures expérimentales supplémentaires et de procéder par étapes, en reconstruisant l'échantillon couche par couche, de la surface vers la profondeur, plutôt que de tout résoudre d'un coup.
Le programme sur trois ans part d'une configuration de laboratoire simple et bien maîtrisée, puis aborde des échantillons de plus en plus opaques, pour aboutir à la situation biomédicale où le tissu est lui-même l'objet à imager, comme pour le foie ou le sein. Les méthodes développées devraient également intéresser d'autres domaines où les ondes traversent des milieux complexes, des ultrasons à la sismologie. L'imagerie optique offre une résolution et un contraste que peu de modalités égalent, mais elle plafonne à quelques centaines de micromètres de profondeur dans les tissus. Le verrou est la diffusion : au-delà de ce seuil, la lumière a été déviée trop de fois pour former une image, et l'on quitte l'échelle du microscope pour celle, bien plus grossière, de l'échographie ou de l'IRM. Cette limite n'est pourtant pas fondamentale. Un milieu immobile brouille la lumière de façon parfaitement déterministe, donc en principe apprenable, à partir des seules mesures accessibles depuis la surface du tissu. Création d'outil d'apprentissage profond guidé par la physique et des mesures pour voir plus profondément qu'actuellement possible dans les milieux biologiques épais. -Utilisation de mesures expérimentales d'OCT
- Réseaux de neurones
Ce projet de thèse, mené à l'Institut Langevin (ESPCI-PSL, Paris) dans le cadre du cluster PR[AI]RIE-PSAI, vise à apprendre cet effet à partir de mesures réalisées uniquement depuis l'extérieur de l'échantillon, seule configuration réaliste pour les applications médicales. L'approche est hybride. Les réseaux de neurones génériques issus du traitement d'images donnent ici de mauvais résultats, car la diffusion étale sur une large zone l'information provenant d'un même point. Le projet construit plutôt des modèles dont l'architecture reproduit la physique de la propagation des ondes, chaque paramètre ajustable correspondant à une propriété physique du milieu. Entraîner le modèle revient alors à reconstruire le milieu lui-même.
La principale difficulté tient au nombre d'inconnues : de nombreuses configurations différentes peuvent reproduire la même mesure en surface tout en étant fausses en profondeur. L'idée centrale est de guider l'apprentissage à l'aide de mesures expérimentales supplémentaires et de procéder par étapes, en reconstruisant l'échantillon couche par couche, de la surface vers la profondeur, plutôt que de tout résoudre d'un coup.
Le programme sur trois ans part d'une configuration de laboratoire simple et bien maîtrisée, puis aborde des échantillons de plus en plus opaques, pour aboutir à la situation biomédicale où le tissu est lui-même l'objet à imager, comme pour le foie ou le sein. Les méthodes développées devraient également intéresser d'autres domaines où les ondes traversent des milieux complexes, des ultrasons à la sismologie. L'imagerie optique offre une résolution et un contraste que peu de modalités égalent, mais elle plafonne à quelques centaines de micromètres de profondeur dans les tissus. Le verrou est la diffusion : au-delà de ce seuil, la lumière a été déviée trop de fois pour former une image, et l'on quitte l'échelle du microscope pour celle, bien plus grossière, de l'échographie ou de l'IRM. Cette limite n'est pourtant pas fondamentale. Un milieu immobile brouille la lumière de façon parfaitement déterministe, donc en principe apprenable, à partir des seules mesures accessibles depuis la surface du tissu. Création d'outil d'apprentissage profond guidé par la physique et des mesures pour voir plus profondément qu'actuellement possible dans les milieux biologiques épais. -Utilisation de mesures expérimentales d'OCT
- Réseaux de neurones
Le profil recherché
- Diplôme de Master en Physique
- Expérience en physique des ondes
- Expérience souhaité en deep learning
- Expérience en physique des ondes
- Expérience souhaité en deep learning