Computationally Efficient Sparse Prior in Regularized Iterative Tomographic Reconstruction

Résumé : La tomographie est une technique permettant de reconstruire une carte des propriétés physiques de l'intérieur d'un objet, à partir d'un ensemble de mesures extérieures. Bien que la tomographie soit une technologie mature, la plupart des algorithmes utilisés dans les produits commerciaux sont basés sur des méthodes analytiques telles que la rétroprojection filtrée. L'idée principale de cette thèse est d'exploiter les dernières avancées dans le domaine de l'informatique et des mathématiques appliqués en vue d'étudier, concevoir et implémenter de nouveaux algorithmes dédiés à la reconstruction 3D en géométrie conique. Nos travaux ciblent des scenarii d'intérêt clinique tels que les acquisitions faible dose ou faible nombre de vues provenant de détecteurs plats. Nous avons étudié différents modèles d'opérateurs tomographiques, leurs implémentations sur serveur multi-GPU, et avons proposé l'utilisation d'une transformée en ondelettes complexes 3D pour régulariser le problème inverse.
Type de document :
Thèse
Automatic. Université Grenoble Alpes, 2017. English. 〈NNT : 2017GREAT013〉
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01652071
Contributeur : Abes Star <>
Soumis le : mercredi 29 novembre 2017 - 21:01:33
Dernière modification le : mardi 10 juillet 2018 - 01:17:48

Fichier

NOTARGIACOMO_2017_diffusion.pd...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01652071, version 1

Citation

Thibault Notargiacomo. Computationally Efficient Sparse Prior in Regularized Iterative Tomographic Reconstruction. Automatic. Université Grenoble Alpes, 2017. English. 〈NNT : 2017GREAT013〉. 〈tel-01652071〉

Partager

Métriques

Consultations de la notice

210

Téléchargements de fichiers

59