Nos tutelles


   

   

nos reseaux sociaux


               

Rechercher




Accueil > Coin des étudiants > Stages Prolongeables par une thèse > Tous les stages.

Reconstruction 3D en imagerie photoacoustique assistée par Deep-learning : simulations et expériences

publié le , mis à jour le

L’imagerie photoacoustique consiste en l’émission de lumière laser, qui, lorsqu’elle est absorbée par des composants du tissu, génère des ondes ultrasonores qui après réception, permettent de former une image. Cette modalité d’imagerie biomédicale permet alors d’imager les propriétés optiques de tissus en profondeur à des résolutions intéressantes. Dans ce stage, nous proposons d’utiliser un prototype d’imagerie 3D à peu de capteurs ultrasonore permettant de réaliser des acquisitions sur des volumes.

Les limitations de ce capteur engendrent des imperfections au niveau de l’image telle les problèmes de visibilité qui empêchent de visualiser les vaisseaux sanguins verticaux ainsi qu’un contraste très faible. Nous avons montré sur un système d’imagerie 2D que l’on pouvait grandement améliorer la qualité de la reconstruction et compenser les problèmes de visibilité grâce à un algorithme de deep-learning entrainé sur des données simulées et expérimentales. Dans ce stage, nous proposons de transférer ces résultats sur des volumes 3D en élaborant un réseau de neurone pouvant traiter des volumes. Ce stage aura aussi une partie expérimentale avec l’acquisition de données d’apprentissage expérimentales sur des embryons de poulet.
L’étudiant se familiarisera avec le deep-learning, avec les lasers et l’instrumentation optique, les échographes programmables. Un goût pour la programmation et le traitement de signal (MATLAB, Python) est souhaité. Des notions de deep-learning sous tensorflow sont préférables.

Contact :

Emmanuel Bossy : emmanuel.bossy@univ-grenoble-alpes.fr, LIPHY, Grenoble

Bastien Arnal : bastien.arnal@univ-grenoble-alpes.fr, LIPHY, Grenoble

[1] Godefroy, G., Arnal, B., & Bossy, E. (2020). Solving the visibility problem in photoacoustic imaging with a deep learning approach providing prediction uncertainties. arXiv preprint arXiv:2006.13096.