fr
|
en
Events

Soutenance de thèse de Yingying Qin

Date : 28/09/2021
Catégorie(s) :
Lieu : Université Paris Saclay

Avis de soutenance

Yingying QIN

Systèmes et Applications des Technologies de l’Information et de l’Energie (SATIE) & Laboratoire des Signaux et Systèmes (L2S)

soutient sa thèse de doctorat de l’Université Paris-Saclay, École doctorale Sciences et technologies de l’information et de la communication

Early breast abnormalies detection with microwave and ultrasound modalities

(Détection précoce d’anomalies du sein à l’aide de modalités microondes et ultrasonores)

le 28 septembre 2021 à 15h00

https://eu.bbcollab.com/guest/8ad4716b1d7b4b54bd8e4cdf637df55c <https://eu.bbcollab.com/guest/8ad4716b1d7b4b54bd8e4cdf637df55c>


Jury
Oliver Dorn, rapporteur, Senior Lecturer, The University of Manchester
Joe LoVetri, rapporteur, Professor, University of Manitoba
Martina Teresa Bevacqua, Assistant-Professor, Mediterranean University of Reggio Calabria
Sébastien Bourguignon, Maître de conférences, Université de Nantes
Sylvie Le Hegarat-Mascle, Professeure, Université Paris-Saclay
Florence Tupin, Professeure, Télécom Paris Tech, Institut Polytechnique de Paris

Direction de thèse
Thomas Rodet, Directeur de thèse, Professeur, Ecole Normale Supérieure Paris-Saclay
Dominique Lesselier, Co-encadrant, Directeur de recherche émérite, CNRS

Invité
Marc Lambert, Chargé de recherche, CNRS

Summary – Imaging of the breast for early detection of tumors is studied by associating microwave (MW) and ultrasound (US) data. No registration is enforced since a free pending breast is tackled. A 1st approach uses prior information on tissue boundaries yielded from US reflection data. Regularization incorporates that two neighboring pixels should exhibit similar MW properties when not on a boundary while a jump allowed otherwise. This is enforced in the distorted Born iterative and the contrast source inversion methods. A 2nd approach involves deterministic edge preserving regularization via auxiliary variables indicating if a pixel is on an edge or not, edge markers being shared by MW and US parameters. Those are jointly optimized from the last parameter profiles and guide the next optimization as regularization term coefficients. Alternate minimization is to update US contrast, edge markers and MW contrast. A 3rd approach involves convolutional neural networks. Estimated contrast current and scattered field are the inputs. A multi-stream structure is employed to feed MW and US data. The network outputs the maps of MW and US parameters to perform real-time. Apart from the regression task, a multi-task learning strategy is used with a classifier that associates each pixel to a tissue type to yield a segmentation image. Weighted loss assigns a higher penalty to pixels in tumors when wrongly classified. A 4th approach involves a Bayesian formalism where the joint posterior distribution is obtained via Bayes’ rule; this true distribution is then approximated by a free-form separable law for each set of unknowns to get the estimate sought. All those solution methods are illustrated and compared from a wealth of sim- ulated data on simple synthetic models and on 2D cross-sections of anatomically-realistic MRI-derived numerical breast phantoms in which small artificial tumors are inserted.

Résumé – L’imagerie du sein est développée en associant données micro-ondes (MW) et ultrasonores (US) afin de détecter de manière précoce des tumeurs. On souhaite qu’aucune contrainte soit imposée, le sein étant supposé libre. Une 1re approche utilise des informations sur les frontières des tissus provenant de données de réflexion US. La régularisation intègre que deux pixels voisins présentent des propriétés MW similaires s’il ne sont pas sur une frontière. Ceci est appliqué au sein de la méthode itérative de Born distordue. Une 2de approche implique une régularisation déterministe préservant les bords via variables auxiliaires indiquant si un pixel est ou non sur un bord. Ces variables sont partagées par les paramètres MW et US. Ceux-ci sont conjointement optimisés à partir d’une approche de minimisation alternée. L’algorithme met alternativement à jour contraste US, marqueurs, et contraste MW. Une 3e approche implique réseaux de neurones convolutifs. Le courant de contraste estimé et le champ diffusé sont les entrées. Une structure multi-flux se nourrit des données MW et US. Le réseau produit les cartes des paramètres MW et US en temps réel. Outre la tâche de régression, une stratégie d’apprentissage multitâche est utilisée avec un classificateur qui associe chaque pixel à un type de tissu pour produire une image de segmentation. La perte pondérée attribue une pénalité plus élevée aux pixels dans les tumeurs s’ils sont mal classés. Une 4e approche implique un formalisme bayésien où la distribution a posteriori jointe est obtenue via la règle de Bayes ; cette distribution est ensuite approchée par une loi séparable de forme libre pour chaque ensemble d’inconnues pour obtenir l’estimation. Toutes ces méthodes de résolution sont illustrées et comparées à partir d’un grand nombre de données simulées sur des modèles synthétiques simples et sur des coupes transversales de fantômes mammaires numériques anatomiquement réalistes dérivés d’IRM dans lesquels de petites tumeurs artificielles sont insérées.