estimation haute-résolution du flux sanguin cérébral basée sur l'imagerie ultrasonore ultrarapide – SONATINE

La chirurgie cérébrale est le traitement habituel pour la plupart des tumeurs cérébrales. Après la craniotomie, une résection de haute précision des tumeurs nécessite une détermination exacte de la frontière entre ces tumeurs et d'autres tissus cérébraux sains. Cette dernière est généralement effectuée visuellement à l'aide de techniques d'imagerie comme l'imagerie ultrasonore ultrarapide (UUI), récemment devenue plus répandue en pratique clinique. Cependant, cela reste une tâche complexe en raison de la forte vascularisation de la zone péritumorale caractérisée par la prolifération de vaisseaux sanguins dont de minuscules vaisseaux. La détermination précise grâce à une estimation du flux sanguin à haute sensibilité et haute résolution basée sur UUI attire donc une grande attention. L'idée clé de telle estimation est de supprimer des signaux tissulaires indésirables pour faire ressortir des flux sanguins aussi clairement que possible. Les techniques basées sur RPCA sont les méthodes les plus répandues qui consistent à formuler un modèle mathématique des données puis à trouver une solution en optimisant le problème associé. Cela permet l'utilisation de régularisations, e.g. la parcimonie du flux sanguin ou le rang faible des tissus, pour tirer parti de leurs connaissances à priori permettant une estimation efficace. Pour améliorer encore l’estimation, une déconvolution a également été intégrée dans le RPCA. Malgré leur efficacité, ces techniques souffrent encore d'impasses liées au modèle mathématique et aux hyperparamètres associées. Ce projet a pour but de sortir de ces impasses en prenant en compte la présence de mouvements tissulaires, en dérivant de meilleures relaxations exactes non-convexes du problème d'optimisation concerné et en concevant un algorithme statistique bayésienne pour l'estimation des hyperparamètres. Ensuite les techniques résultantes seront utilisées pour dériver une approche basée sur un modèle ou sur la physique non seulement pour traiter le problème des hyperparamètres mais également pour obtenir une estimation très précise du flux sanguin, avec une l'avantage supplémentaire d'un modèle d'apprentissage automatique interprétable.