Représentation en graphe de données d'imagerie par rayon X pour différentes tâche d'apprentissage machines

Graph representation of X-ray imaging data for different machine learning tasks

• Auteur / Autrice : Fethi Harkat
• Direction : Valérie Perrier
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Informatique
• Date : Inscription en doctorat le 01/06/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble, Isère, France ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Jean Kuntzmann (Grenoble, Isère, France ; 2007-....)
• Partenaire(s) de recherche : Equipe de recherche : EDP

Mots clés

Mots clés libres

Graphe

Images à rayon X

Aprentissage machine

Graph

X ray images

Machine learning

Résumé

Detection Technology est une entreprise développant et produisant des détecteurs à rayons X. L'entreprise propose depuis peu d'accompagner ses produits de solutions algorithmiques pour résoudre des problématiques client spécifiques. En outre, le site de Moirans est spécialisé dans les détecteurs dit “Multi-Energie”. Ces détecteurs ont la particularité de non seulement détecter les rayons X, mais aussi d'évaluer leur énergie. L'imagerie X est utilisée dans divers domaines, tels que la santé, l'industrie (en particulier alimentaire) ou encore la sécurité. C'est en effet un type d'imagerie non-destructif et peu coûteux, d'où sa popularité. Les clients de Detection Technology utilisent ces détecteurs pour des applications très diverses. Dans le cas des détecteurs à Multi-Energie, l'image produite est une matrice 3D dont les 2 premiers axes représentent les dimensions spatiales d'un objet scanné et le 3ème est l'histogramme en énergie du flux de rayons X transmis à travers l'objet. Nous parlons alors d'imagerie hyper- spectrale. Les applications clients utilisant cette technique d'imagerie hyper-spectrale sont très variées, et peuvent se ramener à des tâches de segmentation, de classification, de régression, ou d'une combinaison de celles-ci. Notre objectif est donc de développer une représentation de données suffisamment expressive afin de pouvoir être traitée par des réseaux de neurones profonds. Nos plus récentes applications ont en effet démontré l'intérêt de ces réseaux par rapport aux approches plus traditionnelles basées sur des lois physique, en raison de la complexité de nos problèmes. Nous avons pu observer de manière empirique que l'extraction de caractéristiques discriminantes et robustes est une étape fondamentale conditionnant fortement la performance de nos réseaux de neurones profonds. Nos données brutes manquent donc d'expressivité. De plus, certaines problématiques client peuvent nécessiter l'ajout de caractéristiques particulières, typiquement en utilisant des données fournies par d'autres capteurs, voir encore nécessitant l'utilisation de plusieurs vues sur l'objet scanné. Les graphes présentent l'avantage de fournir une représentation de donnée versatile, sur laquelle un réseau de neurones profonds peut être construit afin de traiter un large éventail de tâches. La communauté scientifique a montré un intérêt croissant pour les réseaux de neurones profonds appliquées aux données structurée sous forme de graphe, notamment en raison de l'incroyable versatilité de ces représentations. Nous proposons ici une étude pour en démontrer l'intérêt pour des données hyper-spectrales, issues de la spectroscopie par transmission de rayons X. Le projet de thèse s'articule autour de 3 objectifs: • la construction d'une représentation expressive de nos données spectrale. • la réduction de la dimensionnalité de la représentation. • une phase d'évaluation de la représentation par apprentissage profond, soit utilisant le modèle existant aujourd'hui, soit en développant un modèle dédié.

Detection Technology is a company producing X-ray detectors. More specifically, the Moirans site is specialized at developing Multi-Energy detectors and Image Processing algorithms for X-ray transmission imaging (ME-XRT), which is a spectral imaging technique. In this context, a sample acquisition is a bimodal representation registered as a 3-dimensional matrix. One mode (the first two axis) is the imaging plan capturing spatial information of the sample while the second captures the local spectral characteristics of the sample. Using jointly the spatial and spectral information allows us to address many customer problems like object identification, segmentation, or material sorting and decomposition. The high dimensionality of ME-XRT data increases significantly data information content and volume compared to single or dual energy X-ray imaging (SE/DE-XRT), but accurate analysis of those hyperspectral images is still a challenge. Several problems are spanned by both this imagery technique, the data produced, and the experimental conditions : •The high volume of data slower the training process of Machine Learning algorithms, thus reducing the number of possible tests during a project development phase. •The high dimensionality of the data can be an obstacle for the generalization capacity of our Deep Learning models. Getting more samples from our customers is frequently a sensitive topic and not always a possibility. •The data can be noisy due to photon counting statistical fluctuations. •Multiple properties such as the material thickness, density and chemical composition of the sample under study have non-linear and correlated effects on the acquired energy spectra. •The acquired energy spectra also depends on the acquisition conditions, typically the photon counting time, the scanning speed, the source flux and the setup geometry. Many techniques have been developed during the last decade for this type of data, particularly for the Earth Observation applications. Those applications mostly relies on reflection spectroscopy from the visible to infra-red domain. But literature is pretty scarce regarding X-ray transmission spectroscopy, which is of particular importance for medical, industrial and security applications . The aim of this PhD is to find an automated data-based approach of feature extraction dedicated to ME-XRT data. The aimed algorithm should be able to adapt the features construction to different customer-cases (i.e. to different datasets) by taking advantage of the specific sample distribution properties in the original descriptor space. The student will then have to benchmark the developed method with concrete customer cases. Indeed, our applications covers segmentation, regression, classification and object recognition, therefore the focus on trying to find a unique versatile feature extraction method. For the reasons explained in the next sections, we believe it is of great interest to investigate graph- based approaches. Our current Deep Learning approach already outperforms the results from a physics-based algorithm regarding the material separation. This is most likely because current physics model can not deal in a simple-way with the complex combination of geometrical and spectral information of our hyper spectral data, especially considering all those models are based on a lot of approximations regarding the experimental setups. That's why we would also like to perform an analysis of the produced graph structure to identify and understand its most relevant components.