Apprentissage informé par la physique pour l’imagerie ultrasonore multiélément super-résolue
Cette thèse vise à développer une nouvelle génération de méthodes de focalisation ultrasonore pour l’imagerie par réseaux multiéléments (phased arrays), en combinant apprentissage profond, modélisation physique et transport optimal. Le travail repose sur deux axes complémentaires. Le premier consiste à concevoir une variante repondérée et probabiliste de la Total Focusing Method (TFM), où les poids de focalisation sont appris de manière itérative grâce à un réseau de convolution et normalisés le long des isochrones définis par un champ de temps de vol neuronal. Cette approche permet une focalisation plus adaptative, interprétable et robuste dans des environnements complexes.
Le second axe propose une reformulation complète de la TFM comme un problème de barycentre de Wasserstein, dans lequel chaque image partielle est modélisée comme une distribution empirique sur un espace combinant position spatiale et amplitude ultrasonore. Un coût de transport informé par la géométrie acoustique — construit à partir de distances géodésiques minimisant les variations de temps de vol — permet d’obtenir des barycentres grid-free offrant une localisation des réflecteurs plus précise et physiquement cohérente. L’objectif global est d’ouvrir une nouvelle voie en imagerie ultrasonore, fondée sur l’intégration de la physique, de l’intelligence artificielle et des outils avancés du transport optimal.
Exploitation avancée des données de santé par de l'apprentissage collaboratif sécurisé
Depuis quelques années, l’apprentissage profond est utilisé avec succès dans de nombreux domaines et est de plus en plus intégré dans la recherche clinique et le domaine de la santé. La capacité à combiner des sources de données diverses, telles que la génomique et l’imagerie, améliore la prise de décision médicale. L’accès à de grands jeux de données hétérogènes est essentiel pour améliorer la qualité et la précision des modèles. L’apprentissage fédéré est actuellement développé pour répondre à cette exigence, en offrant la possibilité d’entraîner des modèles de manière décentralisée garantissant que les données brutes restent stockées localement du côté client (entité qui génère les données sensibles). Plusieurs frameworks open-source intègrent des protocoles de calcul sécurisé pour l’apprentissage fédéré, mais leur applicabilité au domaine de la santé demeure limitée et soulève des enjeux liés à la souveraineté des données.
Dans ce contexte, un framework français, actuellement développé par le CEA-LIST, introduit une architecture d’apprentissage fédéré edge-to-cloud intégrant un chiffrement de bout en bout, avec notamment le chiffrement homomorphe (Fully Homomorphic Encryption), et une résilience face aux attaques malveillantes. Grâce à ce framework, ce projet vise à fournir des composants modulaires et sécurisés pour l’apprentissage fédéré afin de favoriser l’innovation en IA appliquée au domaine de la santé et notamment à la génomique.
Ce projet se focalisera sur trois axes principaux :
1) Déploiement, surveillance et optimisation de modèles d’apprentissage profond au sein de solutions d’apprentissage fédéré et décentralisé.
2) Intégration de grands modèles dans l’apprentissage collaboratif.
3) Développement de méthodes d’agrégation pour des situations non IID (Independant and Identically Distributed).