Développement et application de nouvelles stratégies de fusion de données d'images hyperspectrales

Development and application of new strategies for data fusion of hyperspectral images

• Auteur / Autrice : Adrián Gómez Sánchez
• Direction : Cyril Ruckebusch, Anna de Juan Capdevila
• Type : Thèse de doctorat
• Discipline(s) : Chimie théorique, physique, analytique
• Date : Soutenance le 24/04/2024
• Etablissement(s) : Université de Lille (2022-....) en cotutelle avec Universitat de Barcelona
• Ecole(s) doctorale(s) : École doctorale Sciences de la matière, du rayonnement et de l'environnement (Lille ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Avancé de Spectroscopie pour les Interactions, la Réactivité et l'Environnement (LASIRE)
• Jury : Président / Présidente : Itziar Ruisánchez
• Jury : Examinateurs / Examinatrices : José Manuel Amigo, Marie-Françoise Devaux, Carmen Bedia
• Jury : Rapporteurs / Rapporteuses : Itziar Ruisánchez, Jean-Michel Roger

Mots clés

Mots clés contrôlés

Analyse multivariée

Spectroscopie de fluorescence

Fusion multicapteurs

Chimiométrie

Imagerie hyperspectrale

Mots clés libres

Images de temps de vie de fluorescence

Fusion

Chimiométrie

Images hyperspectrales

Images

Fusion

Chemometrics

Hyperspectral images

Résumé

Les images hyperspectrales (HSI) sont des mesures analytiques qui fournissent des informations spatiales et chimiques sur les échantillons. Chaque pixel d'une HSI contient une mesure spectroscopique, représentant l'information chimique du matériau présent dans cette zone spécifique. De nos jours, il existe une grande diversité de plateformes d'imagerie hyperspectral en ce qui concerne leur résolution spatiale et les modalités spectroscopiques qui les définissent. Bien que l'analyse des HSI individuelles par des méthodes chimiométriques fournisse des informations chimiques sur la nature des échantillons, la connexion et les informations complémentaires entre les images individuelles restent souvent inexplorées. L'intégration et l'analyse simultanée de multiples HSI dans une seule structure de données, connue sous le nom de fusion d'images, offre une perspective chimique multi-échelle unique sur les constituants de l'échantillon. Cependant, la fusion de données HSI présente des défis importants lorsque les images à combiner présentent des différences en termes d'aire scannée, de résolution spatiale ou de dimensionnalité spectrale. De plus, il y a un intérêt particulier à améliorer l'analyse des images de fluorescence en raison de leurs propriétés chimiques et mathématiques particulières. La fusion d'images incorporant des mesures de fluorescence est complexe mais fournit une caractérisation beaucoup plus précise des systèmes. Cette thèse propose, d'une part, des algorithmes innovants pour améliorer l'analyse d'images de fluorescence d'excitation-émission et de données de fluorescence issues de spectroscopie résolue en temps, qui sont la réponse instrumentale associée aux images de temps de vie de fluorescence (FLIM). Ces algorithmes améliorent les méthodes de démélanges et facilitent l'extraction d'informations cruciales des signaux de fluorescence. D'autre part, la thèse propose un protocole d'accès ouvert pour la fusion multiplateforme d'images, adapté à la gestion des différences de résolution spatiale, d'aire scannée et de dimensionnalité spectrale entre images. Pour cela faire, des méthodologies de démélanges, notamment la méthode de résolution multivariée des courbes par moindres carrés alternés (MCR-ALS), ont été adaptées pour incorporer simultanément divers modèles de description de la mesure d'image et pour l'analyse de structures avec des blocs d'information manquante. Les algorithmes et les méthodologies proposés représentent une avancée significative dans le domaine de l'analyse d'images hyperspectrales et permettent une compréhension plus complète et approfondie à plusieurs échelles des caractéristiques des échantillons.

Hyperspectral images (HSIs) are unique analytical measurements that provide spatial and chemical information about samples. Each pixel of a HSI contains a spectroscopic measurement, representing the chemical information of the material present at that specific area. Nowadays, there are extremely diverse hyperspectral imaging platforms in terms of spatial resolution and spectroscopic modalities. While the individual analysis of HSIs by chemometric methods provides comprehensive and rich chemical information about the nature of samples, the connection and complementary information among images remains too often unused and hidden. The integration and the simultaneous analysis of multiple HSIs in a single data structure or multiset, commonly referred as image fusion, offers a unique chemical multiscale perspective of the sample constituents. However, image fusion scenarios can be particularly challenging when the images to be merged present differences in scanned areas, spatial resolution or spectral dimensionality. Addressing these problems calls for the development of algorithms extremely flexible and adaptable to the large diversity of data configurations and mathematical models required. Moreover, there is a special interest in improving the analysis of fluorescence images due to their unique chemical and mathematical properties. Image fusion incorporating fluorescence measurements, although challenging, results in a much more accurate characterization of systems. This thesis proposes first novel algorithms to improve the analysis of excitation-emission fluorescence images and Time-resolved Fluorescence Spectroscopic data, the basic measurement in Fluorescence Lifetime Imaging (FLIM) measurements. These algorithms improve the unmixing processes and facilitate the extraction of crucial information from fluorescence signals. On the other hand, the thesis provides an open-access protocol for multiplatform image fusion, adapted to handle differences in spatial resolution, scanned sample area and spectroscopic nature across different hyperspectral images. To do so, unmixing methodologies, notably Multivariate Curve Resolution-Alternating Least Squares (MCR-ALS), have been adapted to accommodate simultaneously diverse underlying measurement models and to analyze data structures with missing blocks of information. The proposed algorithms and methodologies offer a significant progress in the field of hyperspectral imaging analysis, enabling a more comprehensive and insightful understanding of samples across various scales.