La thèse s’axe sur l’identification des propriétés mécaniques des artères faciales. Elle s’inscrit dans le cadre du projet FlowFace, qui porte sur l’étude du réseau artériel facial par Imagerie de Résonance Magnétique (IRM). Elle s’appuie sur une campagne de mesures effectuées sur un échantillon de 30 témoins au CHU d’Amiens, qui a permis d’obtenir de manière non invasive l’évolution de la déformation des vaisseaux, ainsi que la mesure des débits les parcourant. Des pressions diastoliques et systoliques ont été mesurées au niveau du bras, indépendamment des mesures IRM. L’objectif de la thèse a été de modéliser la déformation patient-spécifique des vaisseaux sanguins et de mettre en place une technique d’optimisation, afin de déterminer leurs propriétés mécaniques par analyse inverse. Des simulations du comportement des vaisseaux sanguins ont été réalisées au moyen des logiciels d’ANSYS Inc., en modélisant les interactions fluide-structure aussi bien en couplage fort que faible. L’objectif a été de déterminer les déformations pariétales induites par les conditions hémodynamiques, ainsi que les pertes de charge dans les vaisseaux considérés. Les simulations ont mis en jeu des modèles hyperélastiques grande déformation pour simuler le comportement des parois. Les déplacements prédits par le modèle numérique ont été comparés aux déplacements expérimentaux mesurés par IRM. Les propriétés mécaniques des vaisseaux ont été identifiées au moyen de la technique d’optimisation proposée dans la suite ANSYS et basée sur les algorithmes de gradient et algorithmes génétiques. La méthode d’identification a été validée sur des fantômes de vaisseaux, consistant en des tubes cylindriques en élastomère, et pour lesquelles des mesures de déformation sous écoulement pulsé ont été acquises par imagerie IRM. Les valeurs des propriétés mécaniques ainsi déterminées ont été comparées à celles obtenues par tests de traction et tests de dilatation. Un des points cruciaux de l’identification a consisté en la détermination de l’état non pré-contraint. S’il est un paramètre connu pour les fantômes de vaisseaux, il est à déterminer pour les vaisseaux natifs. Le challenge de cette thèse a aussi été de déterminer les propriétés hyperélastiques des vaisseaux sanguins à partir des valeurs systoliques et diastoliques de pression et déformation. La méthode a permis de conclure que le module tangent en diastole avoisine 200 KPa alors que celui en systole se trouve dans un intervalle entre 300 KPa et 1 MPa. / This thesis is based on identifying the mechanical properties of facial arteries. It is part of FlowFace project, which focuses on the study of the facial arterial system by MRI imaging. It is based on a measurement campaign conducted on a sample of 30 people at the Hospital of Amiens, which allowed obtaining noninvasively the evolution of the blood vessel deformation and the measurement of the flow. Diastolic and systolic pressures were measured at the arm independently of the MRI measurements. The aim of the thesis was to model the deformation of blood vessels and to implement an optimization technique to determine their mechanical properties by inverse analysis using MRI measurements of deformation. Simulations of the behavior of the blood vessels were performed, using ANSYS Inc. software, modeling fluid-structure interactions both strong and weak coupling. The objective was to determine the parietal deformations induced by hemodynamic conditions and pressure drops in the vessels concerned. The simulations involved hyperelastic and large deflection models to simulate the behavior of the wall. They allow calculate the numerical displacements that we compared with experimental displacements measured by MRI, the aim is that the difference between numerical and experimental be as low as possible to deduce the adequate mechanical parameters for the artery. To identify the mechanical properties of the vessels, the optimization technique proposed in ANSYS based on genetic algorithms or gradient algorithms was used. The identification method was validated on cylindrical tubes (elastomer), for which deformation measurements were acquired by MRI imaging under pulsating flow. The values of mechanical properties determined were compared with those obtained by traction tests and dilatation tests. One of the crucial points of identification involves the determination of the non-stress state. If it is a known parameter for the elastic tube, it has to be determining for blood vessels. The challenge of this thesis is to determine from a "minimum" quantity of pressure and deformation information, the hyper-elastic properties of blood vessels. The method based on a patient-specific geometry deformation concluded that the tangent modulus in diastole is approximately 200kPa while that in systole is in a range of 300 kPa to 1 MPa.

La solution de nombreux problèmes de restauration et de reconstruction d'images se ramène à celle de la minimisation d'un critère pénalisé qui prend en compte conjointement les observations et les informations préalables. Ce travail de thèse s'intéresse à la minimisation des critères pénalisés préservant les discontinuités des images. Nous discutons des aspects algorithmiques dans le cas de problèmes de grande taille. Il est possible de tirer parti de la structure des critères pénalisés pour la mise en oeuvre algorithmique du problème de minimisation. Ainsi, des algorithmes d'optimisation semi-quadratiques (SQ) convergents exploitant la forme analytique des critères pénalisés ont été utilisés. Cependant, ces algorithmes SQ sont généralement lourds à manipuler pour les problèmes de grande taille. L'utilisation de versions approchées des algorithmes SQ a alors été proposée. On peut également envisager d'employer des algorithmes du gradient conjugué non linéaire GCNL+SQ1D utilisant une approche SQ scalaire pour la recherche du pas. En revanche, plusieurs questions liées à la convergence de ces différentes structures algorithmiques sont restées sans réponses jusqu'à présent. Nos contributions consistent à:<br />- Démontrer la convergence des algorithmes SQ approchés et GCNL+SQ1D.<br />- Etablir des liens forts entre les algorithmes SQ approchés et GCNL+SQ1D. <br />- Illustrer expérimentalement en déconvolution d'images le fait que les algorithmes SQ approchés et GCNL+SQ1D sont préférables aux algorithmes SQ exacts.<br />- Appliquer l'approche pénalisée à un problème de déconvolution d'images en contrôle non destructif par ultrasons.

Cette thèse porte sur l'étude d'algorithmes stochastiques en grande dimension ainsi qu'à leur application en statistique robuste. Dans la suite, l'expression grande dimension pourra aussi bien signifier que la taille des échantillons étudiés est grande ou encore que les variables considérées sont à valeurs dans des espaces de grande dimension (pas nécessairement finie). Afin d'analyser ce type de données, il peut être avantageux de considérer des algorithmes qui soient rapides, qui ne nécessitent pas de stocker toutes les données, et qui permettent de mettre à jour facilement les estimations. Dans de grandes masses de données en grande dimension, la détection automatique de points atypiques est souvent délicate. Cependant, ces points, même s'ils sont peu nombreux, peuvent fortement perturber des indicateurs simples tels que la moyenne ou la covariance. On va se concentrer sur des estimateurs robustes, qui ne sont pas trop sensibles aux données atypiques. Dans une première partie, on s'intéresse à l'estimation récursive de la médiane géométrique, un indicateur de position robuste, et qui peut donc être préférée à la moyenne lorsqu'une partie des données étudiées est contaminée. Pour cela, on introduit un algorithme de Robbins-Monro ainsi que sa version moyennée, avant de construire des boules de confiance non asymptotiques et d'exhiber leurs vitesses de convergence $L^{p}$ et presque sûre.La deuxième partie traite de l'estimation de la "Median Covariation Matrix" (MCM), qui est un indicateur de dispersion robuste lié à la médiane, et qui, si la variable étudiée suit une loi symétrique, a les mêmes sous-espaces propres que la matrice de variance-covariance. Ces dernières propriétés rendent l'étude de la MCM particulièrement intéressante pour l'Analyse en Composantes Principales Robuste. On va donc introduire un algorithme itératif qui permet d'estimer simultanément la médiane géométrique et la MCM ainsi que les $q$ principaux vecteurs propres de cette dernière. On donne, dans un premier temps, la forte consistance des estimateurs de la MCM avant d'exhiber les vitesses de convergence en moyenne quadratique.Dans une troisième partie, en s'inspirant du travail effectué sur les estimateurs de la médiane et de la "Median Covariation Matrix", on exhibe les vitesses de convergence presque sûre et $L^{p}$ des algorithmes de gradient stochastiques et de leur version moyennée dans des espaces de Hilbert, avec des hypothèses moins restrictives que celles présentes dans la littérature. On présente alors deux applications en statistique robuste: estimation de quantiles géométriques et régression logistique robuste.Dans la dernière partie, on cherche à ajuster une sphère sur un nuage de points répartis autour d'une sphère complète où tronquée. Plus précisément, on considère une variable aléatoire ayant une distribution sphérique tronquée, et on cherche à estimer son centre ainsi que son rayon. Pour ce faire, on introduit un algorithme de gradient stochastique projeté et son moyenné. Sous des hypothèses raisonnables, on établit leurs vitesses de convergence en moyenne quadratique ainsi que la normalité asymptotique de l'algorithme moyenné. / This thesis focus on stochastic algorithms in high dimension as well as their application in robust statistics. In what follows, the expression high dimension may be used when the the size of the studied sample is large or when the variables we consider take values in high dimensional spaces (not necessarily finite). In order to analyze these kind of data, it can be interesting to consider algorithms which are fast, which do not need to store all the data, and which allow to update easily the estimates. In large sample of high dimensional data, outliers detection is often complicated. Nevertheless, these outliers, even if they are not many, can strongly disturb simple indicators like the mean and the covariance. We will focus on robust estimates, which are not too much sensitive to outliers.In a first part, we are interested in the recursive estimation of the geometric median, which is a robust indicator of location which can so be preferred to the mean when a part of the studied data is contaminated. For this purpose, we introduce a Robbins-Monro algorithm as well as its averaged version, before building non asymptotic confidence balls for these estimates, and exhibiting their $L^{p}$ and almost sure rates of convergence.In a second part, we focus on the estimation of the Median Covariation Matrix (MCM), which is a robust dispersion indicator linked to the geometric median. Furthermore, if the studied variable has a symmetric law, this indicator has the same eigenvectors as the covariance matrix. This last property represent a real interest to study the MCM, especially for Robust Principal Component Analysis. We so introduce a recursive algorithm which enables us to estimate simultaneously the geometric median, the MCM, and its $q$ main eigenvectors. We give, in a first time, the strong consistency of the estimators of the MCM, before exhibiting their rates of convergence in quadratic mean.In a third part, in the light of the work on the estimates of the median and of the Median Covariation Matrix, we exhibit the almost sure and $L^{p}$ rates of convergence of averaged stochastic gradient algorithms in Hilbert spaces, with less restrictive assumptions than in the literature. Then, two applications in robust statistics are given: estimation of the geometric quantiles and application in robust logistic regression.In the last part, we aim to fit a sphere on a noisy points cloud spread around a complete or truncated sphere. More precisely, we consider a random variable with a truncated spherical distribution, and we want to estimate its center as well as its radius. In this aim, we introduce a projected stochastic gradient algorithm and its averaged version. We establish the strong consistency of these estimators as well as their rates of convergence in quadratic mean. Finally, the asymptotic normality of the averaged algorithm is given.

Ce mémoire est une synthèse de plusieurs études à l'intersection des systèmes dynamiques dans l'analyse statistique de séquences, de l'analyse d'algorithmes dans des arbres aléatoires et des processus stochastiques discrets. Les résultats établis ont des applications dans des domaines variés allant des séquences biologiques aux modèles de régression linéaire, processus de branchement, en passant par la statistique fonctionnelle et les estimations d'indicateurs de risque appliqués à l'assurance. Tous les résultats établis utilisent d'une façon ou d'une autre le caractère récursif de la structure étudiée, en faisant apparaître des invariants comme des martingales. Elles sont au coeur de ce mémoire, utilisées comme outils dans les preuves ou comme objets d'étude.