Thèse Développement d'Algorithmes de Machine Learning pour l'Amélioration de l'Acquisition et du Traitement des Images en Imagerie Radiologique H/F

Doctorat.Gouv.Fr

Établissement : Université de Montpellier
École doctorale : I2S - Information, Structures, Systèmes
Laboratoire de recherche : ISEC - Institut des Sciences et technologies pour une économie circulaire des Énergies bas Carbone
Direction de la thèse : Fabrice LAMADIE ORCID 0000000214495986
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-30T23:59:59

Le Laboratoire de Mesures Nucléaires du LNPA ( Laboratoire d'étude des technologies du Numérique et des Procédés Avancés) de Marcoule est constitué d'une équipe spécialisée dans les mesures nucléaires de terrain. Ses activités sont réparties entre le développement de système de mesures et l'expertise technique auprès d'installations du CEA ou de partenaires externes (ORANO, EDF, AIEA).
Le LNPA développe et utilise des imageurs radiologiques (gamma et alpha) depuis plusieurs années. Certains des développements réalisés ont donnés lieu à des produits industriels et d'autres imageurs sont toujours en cours de développement et d'amélioration. L'imagerie alpha, en particulier, est un procédé qui permet de déceler des zones de contamination alpha à distance. La localisation du terme source alpha est une étape importante en boîte à gants que ce soit pour un projet d'assainissement et de démantèlement, pour la maintenance en exploitation ou pour la radioprotection des travailleurs. L'alpha caméra est l'outil qui rend accessible la cartographie alpha à distance et depuis l'extérieur des boîtes à gants.
L'objectif de la thèse est de développer et mettre en place des solutions mathématiques de prédiction et de débruitage pour améliorer l'acquisition et le post-traitement d'images radiologiques, et, en particulier, d'images alpha caméra.
Deux axes de recherche principaux seront approfondis :
- Le développement d'algorithme de débruitage d'image en temps réel ou en post-traitement
- Le développement d'algorithme prédictif pour générer des images à statistique élevées sur la base d'échantillons d'images réelles.
Pour ce faire une base de données expérimentale et par simulation sera à établir afin d'alimenter les algorithmes IA.
Ces deux axes de recherche seront concrétisés par la réalisation d'un prototype d'imageur intégrant les fonctionnalités de Machine Learning, une interface d'acquisition et de traitement d'image, qui sera utilisé lors d'une mise en oeuvre expérimentale.
A travers cette thèse l'étudiant se forgera de solides connaissances en mesures nucléaires, interaction rayonnement/ matière, traitement d'images scientifiques et aura une vision précise des besoins radiologiques dans le cadre des chantiers d'assainissement / démantèlement.

L'imagerie radiologique des émetteurs à distance par fluorescence UV repose sur la radioluminescence induite dans l'air par l'interaction des particules avec les molécules du milieu, principalement l'azote. Les collisions excitent les bandes électroniques du N et du N, produisant une émission dans l'UV (300-400 nm) détectable optiquement. Bien que la portée des particules dans l'air soit limitée à quelques centimètres, les photons UV générés peuvent être collectés à distance à l'aide de caméras sensibles aux UV ou de détecteurs « Solar-Blind », permettant la cartographie de contaminations sans contact direct. Des démonstrations expérimentales ont montré la détection de sources de quelques kilobecquerels à des distances de l'ordre du mètre dans des conditions de faible bruit optique. Les performances dépendent fortement de l'efficacité de collecte optique, ce qui a conduit à l'étude de milieux amplificateurs (Ar, Xe) et à la modélisation des processus de radioluminescence induite par particules lourdes [2,5]. Plus récemment, des systèmes d'imagerie UV rapides couplés à des capteurs CMOS ou ICCD ont été développés pour des applications en radioprotection, démantèlement nucléaire et surveillance environnementale. Malgré ces avancées récentes, l'utilisation de l'imagerie alpha reste limitée par un rapport signal UVRL (signal UV radioluminescent) sur bruit lumineux défavorable et par des environnements de mesure complexes, nécessitant des temps de comptage longs et des traitements sophistiqués pour obtenir des images exploitables.
Dans le même temps, l'utilisation de codes de transport des particules basés sur la méthode Monte Carlo (comme GEANT4) a permis des avancées significatives dans la conception des systèmes d'imagerie. Des plateformes telles que GEANT4, MCNP et GATE permettent de modéliser avec précision les interactions des photons et des particules chargées avec la matière, ainsi que la réponse des détecteurs. Dans le domaine de l'imagerie , ces simulations sont largement utilisées pour reproduire la réponse des caméras à scintillation, optimiser les géométries de collimateurs et étudier les effets de diffusion et d'atténuation dans les systèmes de détection. Elles permettent également d'évaluer les performances de dispositifs avancés d'imagerie nucléaire avant leur réalisation expérimentale. Pour l'imagerie des émetteurs , les simulations Monte Carlo permettent d'étudier le dépôt d'énergie des particules dans les milieux gazeux ou scintillants, la production de radioluminescence et le transport des photons secondaires, contribuant à l'optimisation des systèmes d'imagerie optique et hybrides. Ces approches permettent ainsi de guider le dimensionnement des détecteurs et d'explorer rapidement différentes architectures instrumentales pour des applications en radioprotection, imagerie nucléaire ou surveillance de la contamination.
Malgré ces progrès récents, le principal défi scientifique réside toujours dans la faible intensité du signal de fluorescence utile vis-à-vis du bruit lumineux parasite, ce qui rend difficile la production d'images alpha exploitables dans des environnements complexes. Dans ce contexte, les simulations Monte Carlo jouent un rôle clé pour comprendre les interactions rayonnement/matière et prédire le comportement du détecteur avant expérimentation, mais leur intégration/utilisation avec des outils d'IA demeure encore peu explorée.

L'objectif principal de cette thèse est de développer des méthodes de traitement et de débruitage pour l'imagerie alpha en boîte à gants, afin d'améliorer la qualité des images et la détection de faibles sources alpha. Plus spécifiquement, la thèse vise à :
- Comprendre et modéliser les limitations liées au faible signal UV radioluminescent et au bruit lumineux parasite.
- Développer des outils basés sur le Machine Learning pour le débruitage et la prédiction d'images alpha.
- Constituer une base de données complète combinant mesures expérimentales, données terrain et simulations GEANT4.
- Intégrer ces développements dans un prototype d'imageur alpha opérationnel pour tests expérimentaux.