Deep learning approach for ultrasound signals processing

Approche Deep learning pour l'analyse des signaux ultrasonores L’imagerie ultrasonore est une méthode de contrôle non destructif qui est utilisée pour plusieurs applications dans le domaine médical et industriel. Cette méthode présente de nombreux avantages qui favorisent son utilisation par rapport aux autres méthodes de contrôle non destructif. Parallèlement, l’apprentissage profond a attiré l’attention des chercheurs dans de multiples domaines. En particulier, dans le domaine de l’imagerie ultrasonore, plusieurs études basées sur des algorithmes de l’apprentissage profond ont porté sur le traitement des ondes ultrasonores et des signaux ultrasonores qui ont été exploités par la suite pour effectuer des mesures ou pour former des images acoustiques.L’objectif principal de cette thèse est d’améliorer les méthodes de traitement des signaux ultrasonores en utilisant des algorithmes de l’apprentissage profond. Une revue de la littérature a démontré que la plupart des études visent à prendre des mesures précises qui sont souvent exploitées pour synthétiser les images ultrasonores. À cette fin, cette thèse s’est concentrée sur l’estimation précise du temps de vol (TV) des ondes ultrasonores en utilisant des réseaux de neurones artificiels. Les résultats des méthodes proposés ont montré des améliorations considérables dans la précision de l’estimation des TVs où la méthode proposée a surpassé la méthode standard du traitement du signal sur 99% des échantillons. Les échantillons restants ont été analysés et ont montré un biais statistique. Pour cette raison, un modèle de l’apprentissage profond pour la classification a été proposé pour distinguer ces distributions de données et qui a atteint une précision de 99,7%, ce qui permet d’employer la méthode appropriée en fonction de la distribution du signal. Cette distinction a conduit à une amélioration de la précision de l’estimation du TV, ce qui améliorera directement la qualité des mesures. La principale limitation à ce stade était la présence de bruit qui est couramment rencontré sur les signaux ultrasonores réels. Le bruit dégrade l’information contenue dans les signaux en fonction de son intensité. Pour cette raison, cette thèse a traité ce sujet séparément en utilisant une approche centrée sur les données.Dans ce but, cette thèse propose une méthode de débruitage issue de l’apprentissage profond employant des auto-encodeurs convolutifs avec des connexions à saut d’attention. La réduction du bruit de cette méthode a été comparée à celles des méthodes de traitement du signal, des méthodes basées sur l’apprentissage automatique et d’autres méthodes de l’apprentissage profond. Cette comparaison a étudié l’amélioration du rapport signal/bruit (SNR) et le coefficient de Pearson (P’r) avant et après la réduction du bruit. La méthode de réduction du bruit proposée a montré une amélioration considérable du rapport signal/bruit qui a atteint 30 dB sur des signaux très bruités. De plus, elle a maintenu le P’r très proche de 1 même sur des signaux avec un SNR initial faible. L’architecture de cette méthode a été entraînée à déconvoluer les signaux ultrasonores également. Théoriquement, la résolution axiale de l’imagerie ultrasonore est limitée à la moitié de la longueur d’impulsion spatiale. La méthode de déconvolution proposée permet une localisation précise des échos et réduit la résolution axiale à moins d’un vingtième de la longueur d’impulsion spatiale de l’écho.Enfin, les travaux de cette thèse se sont consacrés à la mise en place d’un pipeline permettant de reproduire les mêmes résultats sur des signaux réels. Les tests sur les signaux réels pour la mesure d’épaisseur et l’exploration de l’état de surface ont montré́ des résultats similaires à ceux des signaux synthétiques.