Apprentissage profond pour la microscopie de localisation ultrasonore : imagerie volumique, robustesse in vivo et jeu de données de grande échelle

Contexte et Problématique L’imagerie de la microvascularisation cérébrale est fonda-mentale pour le diagnostic précoce et la compréhension de nombreuses pathologies, notam-ment les maladies neurodégénératives comme Alzheimer, où les atteintes capillaires précèdent souvent les dommages tissulaires. Les modalités cliniques actuelles (IRM, CT, échographie classique) échouent à résoudre ces échelles microscopiques en profondeur. Grâce à la localisa-tion de microbulles injectées dans le sang, la Microscopie de Localisation Ultrasonore (ULM) permet l’observation du réseau vasculaire profond à des échelles de l’ordre de la dizaine de microns in vivo. Néanmoins, l’adoption généralisée de l’ULM reste entravée par des limites majeures : des temps d’acquisition prohibitifs nécessaires pour capturer les microbulles di-luées, un volume de données massif difficile à gérer, et une sensibilité critique à certains paramètres expérimentaux. Hypothèse et Méthodologie Cette thèse repose sur l’hypothèse que l’apprentissage profond (Deep Learning) peut surmonter ces compromis physiques en modélisant les si-gnaux complexes de microbulles à haute concentration, là où les méthodes conventionnelles échouent. Cependant, elle identifie un obstacle central : l’écart de distribution (domain shift) entre les simulations utilisées pour l’entraînement et la réalité expérimentale in vivo, qui li-mite la généralisation des modèles. Cette thèse se découpe en quatre contributions majeures.