Approche Deep learning pour l'analyse des signaux ultrasonores

Deep learning approach for ultrasound signals processing

• Auteur / Autrice : Nabil Jai Mansouri
• Direction : Emmanuel Le Clézio, Ghizlane Khaissidi
• Type : Thèse de doctorat
• Discipline(s) : Électronique
• Date : Soutenance le 21/09/2023
• Etablissement(s) : Université de Montpellier (2022-....) en cotutelle avec Université Sidi Mohamed ben Abdellah (Fès, Maroc). Faculté des sciences
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Jury : Examinateurs / Examinatrices : Zakaria Chalh, Gilles Despaux, Pascal Poncelet, Hassan Moustabchir
• Jury : Rapporteur / Rapporteuse : Nicolas Wilkie-Chancellier, Jérôme Fortineau

Mots clés

Mots clés contrôlés

Traitement du signal

Ultrasons

Intelligence artificielle

Apprentissage profond

Mots clés libres

Deep learning

Acoustique

Intelligence Artificielle

Ultrasons

Traitement du signal

Deep learning

Acoustics

Artificial intelligence

Ultrasounds

Signal processing

Résumé

L’imagerie ultrasonore est une méthode de contrôle non destructif qui est utilisée pour plusieurs applications dans le domaine médical et industriel. Cette méthode présente de nombreux avantages qui favorisent son utilisation par rapport aux autres méthodes de contrôle non destructif. Parallèlement, l’apprentissage profond a attiré l’attention des chercheurs dans de multiples domaines. En particulier, dans le domaine de l’imagerie ultrasonore, plusieurs études basées sur des algorithmes de l’apprentissage profond ont porté sur le traitement des ondes ultrasonores et des signaux ultrasonores qui ont été exploités par la suite pour effectuer des mesures ou pour former des images acoustiques.L’objectif principal de cette thèse est d’améliorer les méthodes de traitement des signaux ultrasonores en utilisant des algorithmes de l’apprentissage profond. Une revue de la littérature a démontré que la plupart des études visent à prendre des mesures précises qui sont souvent exploitées pour synthétiser les images ultrasonores. À cette fin, cette thèse s’est concentrée sur l’estimation précise du temps de vol (TV) des ondes ultrasonores en utilisant des réseaux de neurones artificiels. Les résultats des méthodes proposés ont montré des améliorations considérables dans la précision de l’estimation des TVs où la méthode proposée a surpassé la méthode standard du traitement du signal sur 99% des échantillons. Les échantillons restants ont été analysés et ont montré un biais statistique. Pour cette raison, un modèle de l’apprentissage profond pour la classification a été proposé pour distinguer ces distributions de données et qui a atteint une précision de 99,7%, ce qui permet d’employer la méthode appropriée en fonction de la distribution du signal. Cette distinction a conduit à une amélioration de la précision de l’estimation du TV, ce qui améliorera directement la qualité des mesures. La principale limitation à ce stade était la présence de bruit qui est couramment rencontré sur les signaux ultrasonores réels. Le bruit dégrade l’information contenue dans les signaux en fonction de son intensité. Pour cette raison, cette thèse a traité ce sujet séparément en utilisant une approche centrée sur les données.Dans ce but, cette thèse propose une méthode de débruitage issue de l’apprentissage profond employant des auto-encodeurs convolutifs avec des connexions à saut d’attention. La réduction du bruit de cette méthode a été comparée à celles des méthodes de traitement du signal, des méthodes basées sur l’apprentissage automatique et d’autres méthodes de l’apprentissage profond. Cette comparaison a étudié l’amélioration du rapport signal/bruit (SNR) et le coefficient de Pearson (P’r) avant et après la réduction du bruit. La méthode de réduction du bruit proposée a montré une amélioration considérable du rapport signal/bruit qui a atteint 30 dB sur des signaux très bruités. De plus, elle a maintenu le P’r très proche de 1 même sur des signaux avec un SNR initial faible. L’architecture de cette méthode a été entraînée à déconvoluer les signaux ultrasonores également. Théoriquement, la résolution axiale de l’imagerie ultrasonore est limitée à la moitié de la longueur d’impulsion spatiale. La méthode de déconvolution proposée permet une localisation précise des échos et réduit la résolution axiale à moins d’un vingtième de la longueur d’impulsion spatiale de l’écho.Enfin, les travaux de cette thèse se sont consacrés à la mise en place d’un pipeline permettant de reproduire les mêmes résultats sur des signaux réels. Les tests sur les signaux réels pour la mesure d’épaisseur et l’exploration de l’état de surface ont montré́ des résultats similaires à ceux des signaux synthétiques.

Ultrasonic imaging is a non-destructive testing method that is used for many applications in the medical and industrial fields. This method has a number of advantages over other non-destructive testing methods. At the same time, deep learning has attracted the attention of researchers in many fields. In particular, in the field of ultrasound imaging, several studies based on deep learning algorithms have focused on the processing of ultrasound waves and ultrasound signals, which have subsequently been used to perform measurements or to form acoustic images.The main objective of this thesis is to improve ultrasound signal processing methods using deep learning algorithms. A review of the literature has shown that most studies aim to take precise measurements which are often exploited to synthesize ultrasound images. To this end, this thesis focused on the accurate estimation of the Time-of-Flight (ToF) of ultrasound waves using artificial neural networks. The results of the proposed methods showed considerable improvements in the accuracy of ToF estimation where the proposed method outperformed the standard signal processing method on 99% of the samples. The remaining samples were analyzed and showed statistical bias. For this reason, a classification deep learning model was proposed to distinguish these data distributions and which achieved an accuracy of 99.7%, allowing the appropriate method to be used depending on the signal distribution. This distinction led to an improvement in the accuracy of the ToF estimate, which will directly improve the quality of the measurements. The main limitation at this stage was the presence of noise, which is commonly encountered in real ultrasound signals. Noise degrades the information contained in signals as a function of its intensity. For this reason, this thesis treated this topic separately using a data-centric approach.To this end, this thesis proposes a denoising deep learning method employing convolutional autoencoders with attention skip connections. The noise reduction of this method was compared with that of signal processing methods, machine learning-based methods and other deep learning methods. The comparison looked at the improvement in signal-to-noise ratio (SNR) and Pearson's coefficient (P'r) before and after noise reduction. The proposed noise reduction method showed a considerable improvement in SNR, which reached 30 dB on very noisy signals. In addition, it maintained the P'r very close to 1 even on signals with a low initial SNR. The architecture of this method has also been trained to deconvolve ultrasound signals. Theoretically, the axial resolution of ultrasound imaging is limited to half the spatial pulse length. The proposed deconvolution method allows precise localization of echoes and reduces the axial resolution to less than one-twentieth of the echo's spatial pulse length.Finally, the work in this thesis was devoted to setting up a pipeline that would allow the reproduction of the same results on real signals. Tests on real signals for thickness measurement and surface condition exploration showed́ similar results to those on synthetic signals.