Science

Je travaille, de manière générale, sur le traitement statistique des images. Les applications de ces travaux portent (pour l’instant) sur des images météorologiques, astronomiques et médicales. Cette page donne une brève synthèse de mes travaux actuels et passés.

Analyse d’images satellitaires de nuages (actuel)

Pendant mon post-doctorat, je travaille sur l’analyse de séquences temporelles d’images multispectrales satellitaires, afin d’analyser la dynamique d’aggrégation des nuages. Ces travaux portent notamment sur des problématiques de filtrage particulaire et d’optimisation parcimonieuse.


Synthèse des résultats de segmentation obtenus avec les méthodes basées sur des champs de Markov couples convolutifs et sur des arbres de Markov triplets spatiaux (cf. ci-dessous). En arrière-plan : l’image MUSE moyennée spectralement. L’avant-plan représente les résultats de détection de halos, avec un code couleur fonction de leur distance (rouge = très distant, jusqu’à 13 milliards d’années lumières).

Ma thèse portait sur l’analyse statistique d’images hyperspectrales astronomiques, avec comme objectif la détection d’objets ténus et lointains (plusieurs milliards d’année-lumière), dans des images de champs profonds. Ces images ont été acquises grâce à l’instrument MUSE, qui est situé sur le site du VLT à Paranal, au Chili. De mon sujet de travail ont découlé plusieurs sujets de recherche, détaillés ci-dessous.

Champs de Markov couples convolutifs (~ 2016-2017)

Dans ces travaux, nous formulons le problème de détection comme un cas particulier de segmentation au sein d’un modèle de champs de Markov couple, qui tient compte de la convolution dans les images. Cette approche a été appliquée, avec succès, à la détection de sources ténues dans des images hyperspectrales astronomiques très bruitées (cf. illustration ci-dessous).

Un article journal est en préparation sur ces travaux.

Arbres de Markov triples spatiaux (~2017)

Dans ces travaux, nous étudions l’utilisation du processus auxiliaire des modèles de Markov triplets pour permettre la prise en compte simultanée de la hiérarchie entre les résolutions de l’arbre et de l’homogénéité au sein d’une même résolution, afin de permettre la segmentation de structures à grande échelle dans des images très bruitées. En pratique, ce modèle s’est avéré plus efficace que des modèles basés sur des champs de Markov pour les images les plus bruitées que nous avons étudié (de l’odre de -20 dB).

Ces travaux ont été publié au GRETSI 2017(archive en ligne), et un article journal est en préparation.

Champs de Markov triplets orientés (~ 2016)

Ce travail se situe dans le cadre de la détection de structure orientées à grande échelle dans les observations “champ profond” MUSE. Ces structures correspondraient à la “toile cosmique”, appelé également cosmic web. L’objectif des champs de Markov triplets orientés (ou CMTO) était initialement de fournir un modèle pour la détection de telles structures. S’il n’y a pas encore de détection du cosmic web à l’aide des CMTO, nous avons remarqués que le modèle était pertinent pour la segmentation d’images présentant des structures orientées.
Ces travaux ont été présentés à la conférence WHISPERS (preprint), et une publication en revue a été soumise.

Exemple de segmentation d’image avec une image présentant des structures orientées. À gauche : image originale. Au centre à gauche : segmentation à l’aide d’un modèle classique par champ de Markov caché. Au centre à droite et à droite : segmentation jointe des classes et orientations à l’aide du modèle CMTO proposé.

Détection statistique de halos Lyman-alpha ténus (~ 2015)

Ce travail concerne l’analyse d’images hyperspectrales MUSE pour la détection de halos de Lyman. Ceux-ci sont des nuages de gaz ténus, qui orbitent autour de galaxies lointaines. La méthode que nous proposons est basée sur une amélioration de tests GLR, en prenant en compte les spécificités du signal recherché. Plus précisément, nous construisons un test GLR qui peut utiliser les informations de forme spectrale, d’étalement spatial et de cohérence entre spectres. Ces travaux pourraient fournir pour la première fois une cartographie statistique des halos de Lyman.
Ces travaux ont été présentés à la conférence ICASSP 2016 (doi:10.1109/ICASSP.2016.7472005), et une publication journal est en cours de traitement.
Un code de démonstration sera également bientôt disponible !

Exemple de détection de halo. Le contour et le spectre moyen en rouge correspondent à la détection brillante (majoritairement la galaxie), et le contour et spectre en bleu correspondent à la détection étendue, ténue. L’image de font est la moyenne sur les longueur d’ondes de l’image hyperspectrale ; et le spectre en gris est un exemple de spectre bruité MUSE.

Collaborations

En tant que membre de l’équipe MUSICOS et du consortium européen lié à MUSE, j’ai pu participer à d’autres travaux :

  • Extended Lyman alpha haloes around individual high-redshift galaxies revealed by MUSE, dans Astronomy & Astrophysics (doi:10.1051/0004-6361/201527384).
  • The MUSE Hubble Ultra Deep Field Survey-I. Survey description, data reduction, and source detection, dans Astronomy & Astrophysics [URL].

 


Exemples de segmentations sur une colonne vertébrale complète.

Segmentation de vertèbres dans des images CT (2014)

Ce travail a été effectué pendant mon stage de fin d’étude, entre février et juillet 2014. Ce travail avait pour objectif de fournir un outil de segmentation de vertèbre efficace dans le cadre de données provenant de routine clinique. En conséquence, les vertèbres traitées peuvent ne pas être saines ou “anatomiquement standard”, car les patients requérant un scanner vertébral ne sont justement pas dans ce cas.
Dans ce contexte, nous avons développé une méthode robuste de segmentation vertébrale, indépendamment de la forme de la vertèbre et de sa position dans la colonne vertébrale.

Ces travaux sont décrits dans l’article intitulé Vertebra Segmentation Based on a 2-step Refinement (doi:10.1186/s40244-016-0018-0 ) ; et ont été présentés à la conférence IPTA et au congrès francophone GRETSI.
Un code de démonstration sera également disponible prochainement.