DEENAMO : DEEp learNing pour la Microscopie Acoustique

DEENAMO : DEEp learNing for Acoustic MicrOscopy

• Auteur / Autrice : Mouad Ouhasni
• Direction : Emmanuel Le clezio, Gilles Despaux
• Type : Projet de thèse
• Discipline(s) : Électronique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IES - Institut d'Electronique et des Systèmes
• Partenaire(s) de recherche : Equipe de recherche : Acoustique

Mots clés

Mots clés libres

Ultrasons

Imagerie ultrasonore

Microscopie acoustique

Deep Learning

Traitement du signal

Ultrasound

Deep Learning

Signal processing

Acoustic Microscopy

Ultrasonic imaging

Résumé

Le projet DEENAMO concerne la poursuite de travaux précédents sur trois axes principaux : 1. Imagerie haute-résolution sur dispositif de laboratoire, 2. Analyse multifréquentielle du signal, 3. Méthodes hybrides. La pertinence scientifique des trois axes de recherche est développée dans les sections suivantes. 1. Implémentation des méthodes de Deep-Learning sur dispositif de laboratoire – Application à l'imagerie haute résolu Cette première étape des travaux de thèse vise à la mise en application des outils développés dans le cadre de la thèse de Nabil Jai Mansouri. En particulier, ceux-ci devront être implémentés sur les dispositifs de microscopie acoustique existant au laboratoire afin de pouvoir les appliquer, en temps réel, lors d'expérimentations. Une attention particulière sera portée à leur implémentation dans le cadre de l'imagerie de matériaux complexes. En particulier, une analyse des images obtenues sans et avec les traitements sera mise en œuvre afin de quantifier leur pertinence. Cette comparaison correspondra au premier résultat (D0) du doctorat et devrait donner lieu à une publication. 2. Analyse multifréquentielle Ces travaux seront ensuite étendus à l'implémentation d'outils de caractérisation multifréquentielle de signaux. Celle-ci est en particulier essentielle à l'étude de matériaux granulaires, structurés ou viscoélastiques pour lesquels la structure du matériau ou ses propriétés varient avec l'échelle d'analyse. Pour ce faire, les modèles développés dans la première thèse seront généralisés afin de prendre en compte la bande passante des signaux et leurs caractéristiques spectrales. Ces travaux s'inspireront fortement des travaux réalisés, sur d'autres bandes fréquentielles, pour l'analyse du langage. Leur extension aux signaux ultrasonores correspondra au second résultat (D1) du doctorat et devrait donner lieu à une publication. 3. Méthode hybride Tous ces travaux permettront de coupler les modèles Deep-Learning développés avec les codes de simulation relatifs à la propagation des ondes au sein de milieux complexes. Ceux-ci se basent généralement sur des formulations intégrales ou matricielles des phénomènes physiques. Les développements actuels de l'Intelligence Artificielle (IA) visent alors à appliquer les contraintes des modèles usuels aux modèles d'IA afin, entre autres, de permettre une analyse temps réel des signaux dont l'explicabilité est renforcée par les modèles physiques intégrés. Ces études devraient permettre de produire une troisième publication (D2). L'ensemble de ces travaux est divisé en trois axes mais est fondamentalement réalisé dans l'objectif unique de permettre la mise en place d'instruments ultrasonores de nouvelle génération intégrant une intelligence embarquée, celle-ci ayant été spécifiquement conçue en vue d'applications industrielles ou médicales. De ce fait, sur l'ensemble des trois années, des réflexions seront menées sur les aspects éthiques à mettre en place lors du développement d'outils de Deep-Learning. Ceux-ci seront intégrés au manuscrit de thèse qui sera le dernier délivrable du projet (D3).

The DEENAMO project involves continuing work in three main areas: 1. High-resolution imaging on laboratory equipment, 2. Multifrequency signal analysis, 3. Hybrid methods. The scientific relevance of the three lines of research is developed in the following sections. 1. Implementation of Deep-Learning methods on laboratory devices - Application to high-resolution imaging This first stage of the thesis aims to apply the tools developed as part of Nabil Jai Mansouri's thesis. In particular, these tools will have to be implemented on the laboratory's existing acoustic microscopy devices, so that they can be applied in real time during experiments. Particular attention will be paid to their implementation in the context of imaging complex materials. In particular, an analysis of the images obtained without and with the treatments will be carried out in order to quantify their relevance. This comparison will correspond to the first result (D0) of the PhD and should lead to a publication. 2. Multifrequency analysis This work will then be extended to the implementation of multifrequential signal characterization tools. In particular, this is essential for the study of granular, structured or viscoelastic materials, where the structure of the material or its properties vary with the scale of analysis. To this end, the models developed in the first thesis will be generalized to take into account the bandwidth of the signals and their spectral characteristics. This work will draw heavily on work carried out on other frequency bands for language analysis. Their extension to ultrasonic signals will correspond to the second result (D1) of the PhD and should lead to a publication. 3. Hybrid method All this work will enable the Deep-Learning models developed to be coupled with simulation codes for wave propagation in complex media. These are generally based on integral or matrix formulations of physical phenomena. Current developments in Artificial Intelligence (AI) aim to apply the constraints of conventional models to AI models, to enable real-time analysis of signals whose explicability is enhanced by the integrated physical models. These studies should lead to a third publication (D2). All this work is divided into three axes, but is fundamentally carried out with the sole aim of enabling the introduction of new-generation ultrasound instruments incorporating on-board intelligence, which has been specifically designed with industrial or medical applications in mind. As a result, over the course of the three-year project, we will be looking at the ethical aspects of developing Deep-Learning tools. These will be incorporated into the thesis manuscript, which will be the final deliverable of the project (D3).