Institut multidisciplinaire d'intelligence artificielle

DESCRIPTION

L'imagerie par contraste de phase des rayons X (PCI) est le développement le plus prometteur des techniques d'imagerie par rayons X depuis leur invention par Röntgen, permettant une augmentation de la sensibilité de plus de trois ordres de grandeur, et donc des diminutions potentiellement importantes de la dose d'imagerie ainsi qu'une forte amélioration du contraste dans les tissus mous sans agents de contraste. Afin d'exploiter les informations de phase, une étape de calcul est nécessaire pour reconstruire la phase, et éventuellement l'atténuation, ce qui s'appelle la récupération de phase. La récupération de phase est un problème inverse non linéaire mal posé. Le développement de méthodes d'apprentissage profond au cours des dernières années a permis de nombreuses avancées dans le domaine du traitement des images et des signaux.

Nous avons récemment développé de nouvelles méthodes non linéaires pour la récupération de phases basées sur l'apprentissage profond et l'apprentissage par transfert (formation sur des données simulées). Il s'agit notamment de méthodes de bout en bout, de méthodes basées sur les réseaux adversoriels génératifs (GAN) et de méthodes de déroulement d'algorithme, où des parties d'un algorithme itératif sont remplacées par des réseaux neuronaux et où les itérations sont apprises, ce qui permet de prendre en compte le modèle physique de la formation des images tout en apprenant une régularisation. Ces types de méthodes peuvent réduire le temps de calcul de plusieurs ordres de grandeur, tout en améliorant la qualité de l'image et la robustesse des reconstructions. Ces algorithmes ont donné des premiers résultats exceptionnels lorsqu'ils ont été appliqués à des objets tests.

Sur la base de ces résultats en PCI basée sur la propagation (PBI), le but de ce projet est d'étendre les algorithmes développés à l'imagerie tomographique et 4D en PBI, et aux techniques de contraste de phase associées. Dans ce projet, nous nous concentrerons sur l'imagerie à haute fréquence (3D+t) en utilisant des anneaux de stockage et un laser à électrons libres à rayons X (XFEL), l'imagerie basée sur la modulation (MoBI) y compris l'imagerie en champ sombre (DFI) (3D+diffusion) et la récupération de phase avec l'imagerie par comptage spectral de photons (SPCI) et la tomographie assistée par ordinateur (SPCCT) (3D+spectre). Les algorithmes développés seront disponibles via le paquet PyPhase. Les algorithmes développés seront appliqués à l'imagerie de modèles animaux d'arthrose et d'ostéoarthrose. Des reconstructions plus rapides, une meilleure qualité d'image et des algorithmes plus robustes amélioreront le diagnostic et l'analyse dans un cadre clinique et préclinique. Ce travail nécessite de solides compétences en problèmes inverses pour l'élaboration des algorithmes et de leurs composants, ainsi qu'une expertise dans les applications pour les amener à une utilisation de routine. Pour relever les défis posés par le projet de recherche, nous réunissons une équipe internationale de physiciens de l'imagerie, de spécialistes des problèmes inverses, d'algorithmes et de biologistes.

ACTIVITÉS

Un doctorant a été engagé sur le sujet "Image reconstruction in modulation-based and spectral X-ray phase contrast imaging using deep learning".

Un post-doctorant sera engagé sur le sujet "3D and 4D phase retrieval in propagation-based X-ray phase contrast imaging using deep learning" (récupération de phase 3D et 4D dans l'imagerie à contraste de phase des rayons X basée sur la propagation à l'aide de l'apprentissage profond).

chaire

Langer M, Mom K, Sixou B, "Deep learning for phase retrieval from Fresnel diffraction patterns," 11th Applied Inverse Problems Conference, Göttingen, Germany, invited talk, 2023.