L’avancement de la recherche publique nécessite la participation de nombreux laboratoires à travers le monde, chacun apportant ses perspectives et ses applications. C’est à travers les discussions et l’émulation entre ces différents laboratoires qu’un domaine prend véritablement son ampleur. Le milieu académique s’est construit sur le partage constant des connaissances, permettant à chacun de s’élever sur les épaules des autres. Cette constatation est à la base de la science ouverte, fortement encouragée par des institutions nationales et supranationales telles que le CNRS et l’ERC.

Dans le cadre de la science ouverte, nous avons cherché à partager nos connaissances à travers plusieurs initiatives. Tout d’abord, pendant cinq ans, nous avons introduit un cours sur l’ULM, suivi par des centaines d’académiques lors de la conférence IEEE. Ce cours comprenait une composante de travaux pratiques axée sur des algorithmes d’ULM en 2D.

Nous avons également souhaité que l’ensemble de la communauté scientifique ait un accès gratuit à des algorithmes de référence sur lesquels ils peuvent bâtir leurs propres approches. Afin de leur permettre de comparer leurs différentes améliorations, nous avons proposé des métriques d’évaluation de l’ULM. Enfin, pour que chacun puisse tester ses propres algorithmes, nous avons mis à disposition plusieurs ensembles de données sur différentes situations précliniques, incluant des cas de deux cerveaux, un rein et une tumeur. Ces données ouvertes, ainsi que les codes et les métriques, constituent le corpus PALA, publié dans Nature Biomedical Engineering et disponible sur GitHub et Zenodo.

De plus, afin de permettre aux médecins de reproduire nos résultats sur le sULM avec leurs propres échographes cliniques, nous avons également partagé des algorithmes de sensing-ULM sur la plateforme Akebia.