Analyse statistique et problèmes inverses

Responsable : Fabrice Heitz

Participants permanents : C. Collet, S. Faisan, C. Heinrich, V. Mazet, V. Noblet, F. Rousseau, L. Thoraval
Doctorants (thèses en cours) : A. Bouchon, D. Gkamas, F. Lavigne, T.T. Ngo,

Ce thème s'intéresse à l’ensemble des approches méthodologiques basées sur l’utilisation des statistiques et des outils associés à l’inférence bayésienne pour l’analyse d'images et la résolution de problèmes inverses. L'objectif est le développement de modèles, de méthodes d'inférence et d'algorithmes originaux, dans un contexte générique, ou dans le cadre d'applications particulières. Les problèmes traités incluent la reconstruction, le recalage, la segmentation, la détection, la classification, la fusion, et la visualisation des signaux et des images au sens large, incluant les observations multivariées ou multimodales.

Modèles et décision statistique

Modèles markoviens

• Modèles markoviens cachés de séquences d'événements. Application à la cartographie IRMf cérébrale. Sylvain Faisan. Article 1. Article 2.

• Comparaison entre un sujet et un modèle statistique. Application à la détection d'anomalies en chirurgie maxillo-faciale. Sylvain Faisan.

• Modèles de Markov cachés. Application à l'analyse temps-fréquence des sons respiratoires pour l'identification de signatures pulmonaires. Thèse Steven Le Cam.

• Modèles de Markov cachés. Application à la segmentation d'IRM 3D et à la détection de lésions. Thèse Stéphanie Bricq. Article.

• Chaînes de Markov 3D+t. Application à la segmentation statistique 3d+t d’images IRM multimodales pour la quantification de la charge lésionnelle. Thèse en cours : François Lavigne

Modèles graphiques, modèles bayésiens hiérarchiques

• Modèles graphiques. Application à la détection de changements du bâti en imagerie de télédétection multibande et hyperspectrale.

Modèles non linéaires compacts. Apprentissage de variétés

• Modèles à variables latentes : modèles d'observations non gaussiens et modèles non linéaires dans l'espace réduit : Thèse Vik Torbjorn. Article 1, Article 2.

• Apprentissage statistique de variétés non linéaires : une approche par MDS. Thèse Matthieu Brucher. Article.

• Modèles non linéaires statistiques compacts pour des données de grande dimension. Application en neuro-imagerie : étude des formes, des structures, de la connectivité cérébrale. Thèse Félix Renard

• Modèles non linéaires sur des espaces tensoriels. Application à la détection de changements en IRM de diffusion.] Thèse Antoine Grigis. Article 1. Article 2.

• Modélisation de tenseurs d'ordre supérieur en IRM de diffusion. Application à la comparaison de populations et à l'extraction de biomarqueurs. Thèse en cours : Theodosios Gkamas.

• Modèles statistiques linéaires / non linéaires pour les études de groupe en imagerie ITD. Thèse en cours : Alix Bouchon.

• Modélisation non linéaire compacte d'images multimodales TEP / ITD. Application à la comparaison patient-atlas de normalité. Thèse en cours : Florent Savary.

Problèmes inverses

Imagerie médicale

• Super-résolution en imagerie IRM, intégrant un a priori multimodal. François Rousseau.

• Reconstruction 3D en imagerie foetale in utero à partir de coupes IRM. François Rousseau.

• A priori de formes en reconstruction tomographique orientée objet. Thèse Gil Gaullier.

Imagerie polarimétrique

• Inversion de données en imagerie polarimétrique : imagerie de Stockes, imagerie de Mueller, Non Local Means, inversion sous contrainte d'admissibilité. S. Faisan, C. Heinrich, J. Zallat. Article 1. Article 2. Article 3.

Signaux spectroscopiques

• Spectroscopie proche infra rouge et imagerie chimique non destructive. Application au contrôle de qualité dans l'industrie pharmaceutique. Thèse Christelle Gendrin.

• Indexation de spectres HSQC et d'images IRMF appliquée à la détection de bio-marqueurs. Thèse Akram Belghith.

• Décomposition conjointe de séquences de signaux spectroscopiques : modèles bayésiens hiérarchiques, champ markoviens gaussiens, RJMCMC, spectroscopie de photoélectrons, radioastronomie. Vincent Mazet, Sylvain Faisan.

Imagerie hyperspectrale

• Fusion bayésienne optimale de données hyperspectrales multi-observations (2d+lambda+t). Christophe Collet.

• Déconvolution de données astronomiques hyperspectrales. Christophe Collet.