Deep Learning pour l'aide à la détection du cancer du sein par imagerie microonde // Deep Learning for breast cancer detection using microwave imaging

L'imagerie micro-onde est prise ici au sens de l'imagerie micro-onde active ou l'image des tissus biologiques est reconstruite à partir de la mesure du champ diffracté résultant de leurs interactions avec une onde interrogatrice connue. Dans la bande de fréquence considérée, cette interaction donne lieu à des phénomènes de diffraction, la longueur d'onde de l'onde interrogatrice étant voisine des dimensions caractéristiques des inhomogénéités des tissus et d'une anomalie éventuelle. La modélisation de l'interaction onde - objet est basée ici sur une représentation intégrale des champs vectorielle tridimensionnelle où ces derniers apparaissent comme étant rayonnés par des sources fictives, dites sources de Huygens, induites dans le corps biologique par l'onde incidente. Ceci conduit à deux équations intégrales couplées reliant le champ observé aux paramètres électromagnétiques (permittivité diélectrique, conductivité) des tissus, dont la version discrète est obtenue à l'aide de la méthode des moments. L'image microonde proprement dite consiste en une cartographie de ces paramètres. Elle est obtenue au travers de la résolution d'un problème inverse de diffraction qui consiste à inverser les équations intégrales couplées précédemment citées et dénommées ainsi par opposition au problème direct associé, qui consiste à calculer le champ diffracté, les paramètres électromagnétiques étant alors supposés connus. Les problèmes inverses de diffraction sont connus pour être mal posés, c'est-à-dire que leurs solutions ne vérifient pas simultanément les conditions d'existence, d'unicité et de stabilité. Ils doivent donc être régularisés en introduisant, par exemple, une information a priori sur la solution recherchée.

Le sujet de thèse proposé comporte plusieurs aspects :

1. L'utilisation de Deep Learning appliquée à l'imagerie microonde, en testant différentes architectures de réseaux de neurones convolutifs et différentes grandeurs en entrée du réseau.

2. La fabrication de nouveaux fantômes par impression 3D en partant de ceux existants, dans l'objectif de développer de nouvelles bases de données utiles pour l'apprentissage.

3. Un volet théorique basé sur l'utilisation d'un modèle numérique par éléments finis pour étudier la propagation des champs dans un milieu inhomogène. Ce travail sera mené en collaboration avec un chercheur du laboratoire JLL, situé à Sorbonne Université.

4. Un volet instrumentation impliquant l'utilisation de la caméra micro-ondes existante au GeePs, tout en développant un dispositif plus compact et performant. Ce nouvel équipement permettra d'obtenir des données de meilleure qualité sur les champs diffractés par les fantômes produits.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Microwave imaging is taken here in the sense of active microwave imaging, where the image of biological tissues is reconstructed from the measurement of the diffracted field resulting from their interaction with a known interrogating wave. In the frequency band under consideration, this interaction gives rise to diffraction phenomena, as the interrogating wave's wavelength is close to the dimension's characteristic of tissue inhomogeneities and any anomalies. The modeling of wave-object interaction is based here on a three-dimensional integral representation of vector fields, where the latter appears to be radiated by fictitious sources, known as Huygens sources, induced in the biological body by the incident wave. This leads to two coupled integral equations linking the observed field to the electromagnetic parameters (dielectric permittivity, conductivity) of the tissue, the discrete version of which is obtained using the method of moments. The microwave image itself consists of a mapping of these parameters. It is obtained by solving an inverse diffraction problem, which involves inverting the above-mentioned coupled integral equations, as opposed to the associated direct problem, which involves calculating the diffracted field, the electromagnetic parameters being assumed to be known. Inverse diffraction problems are known to be ill-posed, i.e. their solutions do not simultaneously verify the existence, uniqueness and stability conditions. They therefore need to be regularized by introducing, for example, a priori information about the desired solution.
The proposed thesis topic encompasses several key aspects:

1. The application of Deep Learning to microwave imaging, exploring various convolutional neural network architectures and different types of input data.
2. The fabrication of new phantoms using 3D printing, building upon existing models to develop new databases essential for training.
3. A theoretical aspect involving the use of a finite element-based numerical model to study field propagation in an inhomogeneous medium. This work will be carried out in collaboration with a researcher from the JLL laboratory at Sorbonne University.
4. An instrumentation aspect that involves using the existing microwave camera at GeePs while developing a more compact and efficient device. This new system will provide higher-quality data on the diffracted fields of the produced phantoms.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Contrat doctoral

Concours pour un contrat doctoral

Sorbonne Université SIS (Sciences, Ingénierie, Santé)

391 Sciences Mécaniques, Acoustique, Electronique et Robotique de Paris

Intérêt pour l'analyse physique, la modélisation électromagnétique et l'expérimentation. Intérêt pour les collaborations interdisciplinaires (médecine). Bonne connaissance en programmation Matlab, Python, C ou C++. Connaissance de logiciel de CAO (SolidWorks, Blender…) et en IA appréciées
Interest in physical analysis, electromagnetic modeling and experimentation. Interest in interdisciplinary collaborations (medicine). Good knowledge of Matlab, Python, C or C++ programming. Knowledge of CAD software (SolidWorks, Blender...) and AI appreciated.