L'objectif de cette thèse est de concevoir et évaluer une méthode de tomographie multi-matériaux pour la reconstruction d'expériences impliquant des objets de forte densité soumis à des contraintes hydrodynamiques extrêmes sur des temps d'observation très courts. L'acquisition de radiographies dans ces conditions requiert l'usage, en nombre très limité, de sources impulsionnelles de haute énergie qui induisent de fortes dégradations sur les observations et dont les caractéristiques de fonctionnement sont variables. Le calcul des reconstructions revient à résoudre un problème inverse mal posé résultant de deux sources d'indétermination : un nombre insuffisant de vues radiographiques d'une part, et le mélange des contributions de chaque matériau à discriminer d'autre part. La résolution de ce problème d'inversion nécessite de définir l'opérateur direct décrivant la physique d'acquisition des radiographies. En ce sens, une modélisation d'une chaîne radiographique comportant une source impulsionnelle est formulée. Nous en proposons une implémentation supportant la dérivation automatique et l'accélération sur processeur graphique, pour permettre la simulation rapide des radiographies et un calcul du gradient de l'erreur par rapport aux observations expérimentales. Cette implémentation produit des résultats proches de ceux obtenus par des logiciels plus coûteux en temps de calcul et non-différentiables. Le biais induit par les simulations est estimé à partir d'observations acquises à l'issue d'une campagne expérimentale conduite sur une maquette de référence. Une chaîne de traitement pour la correction de défauts expérimentaux omis par notre modélisation est aussi conçue à cette occasion. La caractérisation précise de l'opérateur direct nous permet d'envisager le développement d'une méthode de reconstruction. Ainsi, nous proposons une stratégie par apprentissage profond non-supervisée, indépendante du contexte expérimental, s'appuyant sur le conditionnement d'une optimisation latente. Cette approche permet de réaliser des tomographies sans apprentissage préalable par reparamétrisation de l'objectif de reconstruction, mais peut aussi bénéficier d'une initialisation sur un jeu d'entraînement de petite taille pour améliorer ses performances. Notre méthode est évaluée par rapport aux deux sources d'indétermination du problème d'inversion. Dans un premier temps, elle est comparée à l'état de l'art en matière de reconstruction tomographique mono-matériau par vues éparses sur des base de données médicales publiques pour des quantités de données d'entraînement et de projections radiographiques variables. Cette étude démontre la parcimonie de notre stratégie en matière de volumes de données d'entraînement et de projections radiographiques, ainsi qu'une propension à préserver l'intégrité structurelle des reconstructions dans ces configurations. Ensuite, des reconstructions tomographiques multi-matériaux de la maquette de référence sont estimées, à partir de données simulées par notre outil pour plusieurs niveaux de dégradation, et à partir des images de la campagne expérimentale. L'analyse de ces reconstructions permet de conclure que la décomposition des matériaux de la maquette peut être apprise a priori, et ouvre une discussion sur l'influence du biais de simulation et des dégradations sur la qualité des tomographies.

In this doctoral thesis, we aim to design and evaluate for multi-material Computed Tomography (CT) method for physic experiments involving high-density objects subjected to extreme hydrodynamic stresses over a narrow time window. Under these conditions, radiographic acquisition requires the use of a limited number of high-energy pulsed X-ray sources, with varying operating characteristics, inducing significant degradation of experimental observations. Multimaterial CT estimation implies solving an ill-posed inverse problem with two uncertainties : the sparse-view geometry on the one hand, and material decomposition on the other. This inversion problem first requires the definition of a forward operator describing the physics of acquisition. Consequently, a model of a radiographic chain with a pulsed source is formulated. We propose an implementation supporting automatic differentiation and graphic acceleration, enabling rapid simulation of X-ray images and calculation of the error gradient with respect to experimental observations. This implementation produces results close to those obtained bytime-consuming and non-differentiable software. The bias induced by the simulations is estimated on the basis of observations acquired during experiments conducted on a standard mock-up. A preprocessing is also designed to correct additional experimental defects omitted by our model. The precise characterization of the forward operator allows us to consider the development of a reconstruction method. Thus, we propose a strategy based on unsupervised deep learning, independent of the experimental context and relying on latent optimization conditioning. This approach to CT works without prior learning by reparameterizing the reconstruction objective but can also benefit from initialization on a small training dataset to improve performance. Our method is evaluated with respect to the two uncertainties involved in the inversion problem. First, it is compared to state-of-the-art sparse-view CT models on open medical datasets for varying amounts of training data and radiographic projections. This study demonstrates that our strategy is parcimonious regarding these two factors, and tends to preserve the structural integrity of the reconstructions in these configurations. Then, multi-material CT of the standard mock-up are estimated, from simulation data using our implementation for several levels of degradation and from experimental images. Analysis of the results shows that material decomposition can be learned prior to experiments, and allows us to discuss the impact of simulation bias and degradation on the quality of the reconstructions.