14:00
17:00

L'imagerie thoracique présente des défis, chaque modalité ayant ses limites : le scanner offre une haute résolution mais utilise des rayonnements ionisants, tandis que l’IRM pulmonaire, sans radiation, souffre de faible contraste et d’artefacts. Cette thèse vise à synthétiser des images de scanner (TDM) à partir d’IRM UTE via des modèles d’apprentissage profond. Après une phase exploratoire, un GAN 2D basé sur pix2pixHD a été optimisé avec la normalisation SPADE et des fonctions de perte perceptuelles pour affiner la qualité visuelle. Une approche 2.5D et un cadre 3D, basé sur nnU-Net avec une fonction de perte priorisant les structures anatomiques, ont amélioré la reconstruction. Les résultats ont été évalués avec des métriques spécifiques à la tâche et validés par des radiologues, confirmant leur potentiel clinique. Ces travaux promettent d’élargir l’adoption clinique de l’IRM UTE pour un suivi pulmonaire non invasif.

Amphi LaBRI