Soutenance de thèse de NGUYEN Pascal
Titre de thèse
Tomographie Optique Diffuse de Fluorescence dans la fenêtre du proche infrarouge II pour les modèles murins : d'une approche basée sur des modèles physiques à une approche améliorée par l'IA interprétable
Fluorescence Diffuse Optical Tomography in Near-Infrared II window for murine models : from physics-based model to interpretable AI-enhanced reconstruction
Résumé de la thèse
La tomographie optique diffuse de fluorescence (FDOT) permet la reconstruction en trois dimension (3D) non invasive et quantitative de distributions de fluorophores au sein de tissus biologiques en résolvant le problème inverse de la propagation de la lumière. Historiquement, la FDOT a été réalisée dans la première fenêtre du proche infrarouge (NIR-I, 700–1000 nm), qui est limitée par une forte diffusion dans les tissus.
La seconde fenêtre du proche infrarouge (NIR-II, 1000–1700 nm) offre une diffusion réduite et une autofluorescence des tissus négligeable.
En imagerie de fluorescence 2D en réflectance, on observe que l'utilisation de fluorophores spécifiquement développés pour émettre dans le NIR-II permet d'améliorer la résolution spatiale. L'objectif premier de cette thèse est d'accompagner l'évolution de ces observations du 2D au 3D sur une configuration FDOT planaire en régime continu (CW). Cependant, la fenêtre NIR-II introduit de nouvelles complexités : une absorption des tissus accrue ce qui ne permet plus de satisfaire les hypothèses permettant d'utiliser l'Approximation de la Diffusion conduisant à un modèle simplifié pour la propagation lumineuse. Cela impose le recours à l'Équation de Transfert Radiatif (ETR), plus précise mais beaucoup plus coûteuse en calcul.
Nous avons abordé ces défis par deux contributions. Tout d'abord, nous présentons un cadre efficace de reconstruction basé sur l'ETR. En utilisant une sélection de mesures guidée par les données via un seuillage d'Otsu pour filtrer les données peu informatives, et en utilisant une réduction géométrique de modèle afin de diminuer le support du volume 3D, nous obtenons des reconstructions précises en utilisant du matériel informatique standard grand public. Ce cadre a été validé par des simulations numériques, des fantômes mimant les tissus biologiques, ainsi que sur des modèles murins ex vivo. Ensuite, afin d'éviter le fastidieux réglage manuel des hyperparamètres de régularisation, nous proposons une architecture d'apprentissage profond hybride sans paramètre à régler. Nous utilisons une décomposition en valeurs singulières tronquées (TSVD) pour compresser les matrices de sensibilité de grande dimension. Puis, nous l'intégrons dans un réseau de neurones déroulé avec un mécanisme d'attention (Attention Unrolled Network). Cette approche combine l'interprétabilité physique et les capacités d'apprentissage des réseaux de neurones et produit des reconstructions 3D robustes malgré le bruit et les erreurs de modèle.
Thesis resume
Fluorescence Diffuse Optical Tomography (FDOT) enables the non-invasive and quantitative 3D reconstruction of fluorophore distributions within biological tissues by solving the mathematical inverse problem of light propagation. Historically, FDOT performed in the first near-infrared window (NIR-I, 700–1000 nm), which is limited by high tissue scattering.
The second near-infrared window (NIR-II, 1000–1700 nm) offers reduced scattering and negligible tissue autofluorescence. In 2D reflectance fluorescence imaging, it has been observed that using fluorophores specifically developed for NIR-II emission improves spatial resolution. The primary objective of this thesis is to extend these observations from 2D to 3D using a planar continuous-wave (CW) FDOT system.
However, the NIR-II window introduces new complexities: increased tissue absorption, which means the assumptions required to use the Diffusion Approximation, a simplified model for light propagation, are no longer satisfied. This requires handling the more accurate, but computationally demanding, Radiative Transfer Equation (RTE).
We address these challenges through two contributions. First, we present an efficient, model-based reconstruction framework. By employing data-driven measurement selection via Otsu thresholding to filter low-information data and utilizing geometric model reduction to reduce the 3D support volume, we achieved accurate RTE-based reconstructions on standard consumer-grade hardware. This framework was validated through numerical simulations, tissue-mimicking phantoms, and ex vivo murine models. Second, to bypass the complex manual tuning of regularization hyperparameters, we proposed a parameter-free hybrid deep learning architecture. We utilized Truncated Singular Value Decomposition (TSVD) to compress high-dimensional sensitivity matrices, and embedded it into an Attention Unrolled Network. This approach combines the physical interpretability of model-based methods with the learning capabilities of neural networks. This hybrid approach yields robust 3D reconstructions despite noise and model mismatch.