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.