Apports de l'intelligence artificielle, modélisation mathématique et optimisation en imagerie
Auteur / Autrice : | Ishak Ayad |
Direction : | Elisabeth Logak, Mai Nguyen-verger |
Type : | Projet de thèse |
Discipline(s) : | Mathématiques - EM2PSI |
Date : | Inscription en doctorat le 01/10/2021 |
Etablissement(s) : | CY Cergy Paris Université |
Ecole(s) doctorale(s) : | Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI) |
Partenaire(s) de recherche : | Laboratoire : AGM - Analyse Géometrie Modélisation |
Mots clés
Résumé
Voir l'invisible, tel est l'exploit de l'imagerie tomographique de rayon X (Computed Tomography-CT) qui continue à être l'une des techniques d'imagerie privilégiées les plus utilisées dans de nombreux secteurs (santé, économie, industrie, sécurité du territoire, défense nationale, patrimoine culturel, etc.). Si la modélisation de l'acquisition de données (problème direct) de chaque système d'imagerie est régie par son propre processus physique de mesure, la reconstruction d'images (problème inverse) conduit souvent à un problème mal-posé pour plusieurs raisons (opérateur de mesure non local et non linéaire, données manquantes, angle de vue limité, faible dose de radiation, bruit, etc.). Afin de remédier à ce caractère mal-posé, on a recours à des méthodes d'optimisation (régularisation de type Tikhonov, variation totale, inférence Bayésienne, par exemple). De nombreux modèles mathématiques sont utilisés et soulèvent de nombreuses questions, en particulier dans le cas d'optimisation multi-critère ou non-convexe et sur le choix des paramètres de régularisation.