La Cryo-tomographie électronique (CET) est une technique puissante pour l'analyse structurelle en 3D d'échantillons biologiques dans leur état quasi naturel. Au cours de la dernière décennie, CET a connu des avancées remarquables en matière d'instrumentation, mais la rétroprojection filtrée (FBP) reste la méthode de reconstruction standard pour CET. En raison des dommages causés par les radiations et de la plage d'inclinaison limitée du microscope, les reconstructions FBP souffrent d'un faible contraste et d'artefacts d'élongation, connus sous le nom d'artefacts de « missing wedge » (MW). Récemment, les approches itératives ont suscité un regain d'intérêt pour améliorer la qualité et donc l'interprétabilité des reconstructions CET.
Dans ce projet, nous proposons d'aller au-delà de l'état de l'art en matière de CET en (1) appliquant des algorithmes de compresse sensing (CS) basés sur les curvelets et les shearlets, et (2) en explorant des approches d'apprentissage profond (DL) dans le but de débruiter et corriger les artefacts liés au MW. Ces approches ont le potentiel d'améliorer la résolution des reconstructions TEC et donc de faciliter les tâches de segmentation.
Le candidat réalisera une étude comparative des algorithmes itératifs utilisés dans les sciences de la vie et des approches CS et DL optimisées dans ce projet pour les structures curvilignes et les contours.