Thèse: Apprentissage par dictionnaire pour la séparation de sources sous contraintes spatiales

Soutenance de thèse : Argheesh BHANOT

Titre : Apprentissage par dictionnaire pour la séparation de sources sous contraintes spatiales

Équipe : IMAGeS

Résumé : Avec l'augmentation de la disponibilité de données complexes spatialement structurées, c'est-à-dire des images 2D ou 3D contenant des informations temporelles (IRMf, scintigraphie) ou des informations spectrales (imagerie hyperspectrale), des nouvelles techniques pour estimer la présence, la localisation et la contribution des sources de ces signaux sont nécessaires. Les acquisitions de ces signaux spatialement structurés entraînent nécessairement un compromis entre la résolution temporelle/spectrale et la résolution spatiale. Cette dernière est généralement sacrifiée au profit de la résolution des signaux qui portent l'information d'intérêt. En présence de plusieurs sources distinctes proches, les pixels/voxels présentent un fort mélange entre la contribution des différentes sources. De plus, si les sources sont spatialement peu étendues, le démélange devient un problème très mal posé et nécessite l'introduction de régularisations pour contraindre la solution du problème de séparation de sources. Nous nous intéressons dans ce travail aux données pour lesquelles une information de localisation spatiale des sources, potentiellement approximative, est disponible (via une autre modalité d'observation ou des connaissances fournies par des experts des données). Ce travail présente ainsi une méthode générique de type apprentissage par dictionnaire, dans laquelle nous incorporons les informations de localisation dans la régularisation en place de la traditionnelle contrainte de parcimonie de type l1, pour permettre le démélange strictement sous les régions d'intérêt. Afin d'illustrer les performances de cette nouvelle approche, celle-ci est testée et comparée aux méthodes spécialisées, développées dans la littérature, en scintigraphie, astronomie, et IRMf. Les résultats obtenus avec la méthode générique proposée sont comparables à ceux de ces méthodes dans l’état de l’art. Enfin, l’application principale de cette thèse est la détection de changements longitudinaux de la connectivité fonctionnelle dans des études IRMf chez le sujet unique. Dans un modèle animal de la maladie neurodégénérative d’Alzheimer, on souhaite mettre en évidence les modifications de l’activité cérébrale liées à l’évolution de la maladie. Après avoir estimé les sources/signaux cérébraux à deux stades différents de la maladie, une méthode de détection de changement basée sur tests de comparaisons multiples a été appliquée. Cela a permis de mettre en évidence des régions affectées par la maladie chez différents sujets, ces régions ayant également été détectées dans le cadre d'études de groupes (sujets Alzheimer versus sujets contrôle) par les neurobiologistes.

Les membres du Jury sont :

• M. Fabrice HEITZ Professeur, Université de Strasbourg, Directeur de thèse
• Mme Laura HARSAN MCU-PH, Université de Strasbourg, Directrice de thèse
• M. André FERRARI Professeur, Université de Nice-Sophia Antipolis, Rapporteur
• Mme Sophie ACHARD Directrice de recherche , LJK, Université Grenoble Alpes, Rapportrice
• M. David BRIE Professeur, Université de Nancy, Examinateur
• Mme Céline MEILLIER Maître de Conférences , Université de Strasbourg, Encadrante

La soutenance se déroulera le lundi 5 juillet 2021 14h00 dans l'amphithéâtre A207 du Pôle API à Illkirch.