Problèmes inverses appliqués à l’imagerie passive de la cavitation ultrasonore

Inverse methods applied to passive cavitation imaging

• Auteur / Autrice : Celestine Lachambre
• Direction : Jean-Christophe Béra, Adrian Basarab
• Type : Thèse de doctorat
• Discipline(s) : Imagerie ultrasonore
• Date : Soutenance le 13/11/2025
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Mécanique, Energétique, Génie Civil, Acoustique (Villeurbanne ; 1993-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des applications Thérapeutiques des Ultrasons
• Jury : Président / Présidente : Sharon Lori Bridal
• Jury : Examinateurs / Examinatrices : Jean-Christophe Béra, Adrian Basarab, Matthieu Kowalski, Denis Kouamé, Barbara Nicolas, Hervé Liebgott, Stéphanie Bricq
• Jury : Rapporteurs / Rapporteuses : Matthieu Kowalski, Denis Kouamé
• DOI : 10.70675/0d71e14bz1546z4710za534z306ebfb0fca7

Mots clés

Mots clés contrôlés

Imagerie ultrasonore

Cavitation

Problèmes inverses

Traitement du signal

Mots clés libres

Imagerie ultrasonore passive

Cavitation

Problèmes inverses

Traitement du signal

Passive Ultrasound imaging

Cavitation

Inverse problems

Signal processing

Résumé

Cette thèse s'inscrit dans le cadre du suivi de la cavitation induite par ultrasons focalisés de haute intensité (HIFU), utilisée notamment pour l'ouverture de la barrière hémato-encéphalique ou la délivrance ciblée de médicaments. L'imagerie passive ultrasonore, utilisée pour le monitoring de la cavitation, s'appuie généralement sur des méthodes de beamforming direct. Ces dernières permettent d'estimer la localisation des sources de cavitation via des cartes de puissance, mais restent limitées en résolution spatiale, notamment axiale, et sont sensibles aux artefacts en présence de sources corrélées.Afin de surmonter ces limitations, cette thèse propose une approche de reconstruction basée sur la résolution d'un problème inverse : le Cross-Spectral Matrix Fitting (CMF). Ce problème inverse est associé à une régularisation combinant parcimonie et variation totale (spTV), adaptée à la structure des nuages de cavitation.Une extension multifréquence, appelée Weighted Frequency Compounding - Cross Spectral Matrix Fitting (WFC-CMF), est également introduite. Cette méthode intègre l'information de plusieurs fréquences dans le problème inverse afin de limiter les artefacts de corrélation et inclut des estimateurs robustes pour renforcer la stabilité face aux fréquences bruitées.Nous abordons également la possibilité de remplacer la régularisation explicite par un réseau de neurones convolutif débruiteur via un modèle d'apprentissage profond appelé Deep Equilibrium. Cette méthode est dénommée CMF-DEQ.Les performances des méthodes proposées sont évaluées en simulation et expérimentalement, puis comparées à des techniques de référence telles que les méthodes de beamforming Delay-and-Sum et Capon Robuste.

The present PhD work comes within the domain of the cavitation activity induced by high intensity focused ultrasound (HIFU) monitoring. This technique that has found applications in opening of the blood-brain barrier and targeted drug delivery for example. Passive cavitation imaging, a method employed for cavitation monitoring, is generally based on direct beaforming methods. These methods are capable of estimating the position of cavitation source; however, they have limitations in terms of spatial resolution, particularly axial, and are sensitive to artifacts in the presence of correlated sources. To address these limitations, this work proposes a reconstruction approach based on the resolution of an inverse problem: the Cross-Spectral Matrix Fitting (CMF) method. This inverse problem is associated with a regularization combining sparsity and total variation (spTV), adapted to the cavitation clouds structure. A multi-frequency extension, designated as Weighted Frequency Compounding-Cross Spectral Matrix Fitting (WFC-CMF), is also introduced. This method integrates the information across multiple frequencies into the inverse problem in order to limit correlation artifacts. Robust estimators are incorporated to enhance stability in the presence of noisy frequencies. A discussion is also initiated regarding the potential for replacing the explicit regularization with a convolutional neural network using a deep learning model called Deep Equilibrium. This method is referred to as CMF-DEQ. Performances of the proposed methods are evaluated with simulations and in vitro experiments, and compared with reference techniques such as Delay-and-Sum and Robust Capon beamformers.