Thèse Tomographie Tensorielle Saxs Accélérée par Intelligence Artificielle Via l'Imagerie en Champ Sombre Directionnel H/F

Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes
École doctorale : ISCE - Ingénierie pour la Santé la Cognition et l'Environnement
Laboratoire de recherche : IAB : Institute for Advanced Biosciences (UGA / Inserm U1209 / CNRS UMR 5309)
Direction de la thèse : Emmanuel BRUN ORCID 0000000203324903
Début de la thèse : 2026-11-02
Date limite de candidature : 2026-08-07T23:59:59

Ce projet vise à réduire drastiquement le temps d'acquisition et le coût de calcul de la tomographie tensorielle par diffusion des rayons X aux petits angles (SAXS-TT), en exploitant la tomographie tensorielle en champ sombre directionnel (DDF) assistée par intelligence artificielle à chaque étape de la chaîne de mesure et de reconstruction. La DDF étant une technique plein champ, elle permet une réduction majeure du temps d'acquisition, partiellement compensée par le nombre de distances de propagation, qui reste inférieur au nombre de voxels de l'image. Le projet développera des modèles directs différentiables intégrables dans des boucles d'entraînement, des méthodes d'estimation conjointe des noyaux de convolution et de l'absorption inspirées de la déconvolution aveugle et de la factorisation en matrices non négatives, l'optimisation par apprentissage des masques d'encodage, et des architectures profondes dédiées à la reconstruction de champs tensoriels intégrant des contraintes physiques (définie-positivité, régularité). Les méthodes seront validées expérimentalement avec les dispositifs du partenaire industriel Xenocs, puis mises en oeuvre sur la plateforme multimodale MusitoX. Objectif final : une caractérisation structurale à l'échelle nanométrique de haute qualité avec des contraintes expérimentales fortement réduites. Projet mené en collaboration entre STROBE/IAB, CREATIS et le CEA (IRIG MEM), financé par MIAI.

La tomographie tensorielle SAXS donne accès à l'organisation nanostructurale tridimensionnelle des matériaux, mais reste limitée par des temps d'acquisition très longs et des besoins de calcul considérables, ce qui restreint son usage. L'imagerie en champ sombre directionnel, technique plein champ, offre une voie de contournement en permettant de capturer l'information de diffusion sur l'ensemble du champ de vue simultanément. Le verrou porte alors sur la modélisation directe et sur la reconstruction : les caractéristiques de diffusion varient spatialement dans l'échantillon, ce qui se traduit par des noyaux de convolution différents selon la position, et les masques d'encodage optimisés pour le contraste de phase ne sont pas nécessairement optimaux pour le champ sombre. Le projet s'inscrit dans la chaire MIAI FANFARES, en collaboration entre STROBE/IAB, CREATIS et le CEA (IRIG MEM), avec le partenaire industriel Xenocs.

Réduire fortement le temps d'acquisition et le coût de calcul de la SAXS-TT en exploitant la DDF assistée par IA. Trois objectifs : (1) développer des modèles directs différentiables prédisant des mesures réalistes de tomographie tensorielle en champ sombre à partir des tenseurs de nanostructure de l'échantillon ; (2) développer des méthodes d'IA pour l'estimation conjointe des noyaux de convolution et de l'absorption, optimiser les masques d'encodage et concevoir des architectures de reconstruction tensorielle sous contraintes physiques ; (3) valider expérimentalement les méthodes (dispositifs Xenocs, puis plateforme MusitoX) sur des cas d'usage réels.

Implémentation de modèles directs différentiables intégrables dans des boucles d'entraînement, prédisant les mesures de DDF tensorielle à partir des tenseurs de nanostructure. Développement d'algorithmes d'estimation conjointe des noyaux de convolution et de l'absorption dans le domaine des projections, inspirés de la déconvolution aveugle et de la factorisation en matrices non négatives ; recours à des réseaux « physics-aware » encodant les contraintes physiques sur la structure des noyaux issues de la théorie de la diffusion X, et à des algorithmes itératifs déroulés alternant estimation de noyau et déconvolution. Exploitation de la connaissance a priori des densités de l'objet, communes à toutes les mesures DDF acquises à différentes distances. Formulation de l'optimisation des masques d'encodage comme un problème d'apprentissage, maximisant la qualité de reconstruction tout en minimisant le temps d'acquisition. Développement d'architectures profondes pour la reconstruction de champs tensoriels avec a priori appris encodant définie-positivité et régularité. Validation expérimentale sur dispositifs Xenocs puis sur la plateforme MusitoX.