Le projet ANR AAIMME (Apprentissage Automatique pour l'Imagerie Moléculaire et la MEdecine du futur) s’inscrit dans le contexte de l’imagerie moléculaire par Tomographie à Emission de Positons (TEP). Il vise à développer des méthodes efficaces de traitement de signaux de détecteurs de photons gamma ultra-rapides et à les exploiter pour une reconstruction complète en imagerie TEP.

Au sein de ce projet, nous proposons un post-doctorat de 24 mois qui s’intéressera au traitement des signaux du détecteur ClearMind conçu au CEA-IRFU. Les développements du détecteur visent à obtenir une datation précise des interactions ayant lieu dans la zone sensible. Ils consistent en des détecteurs scintillateurs PbWO4 couplés à un photomulitplicateur dans une galette à microcanaux, dont les signaux sont numérisés par des modules d’acquisition rapide SAMPIC.

Une des principales difficultés réside dans l’analyse des signaux produits par le détecteur : la complexité et l’intrication des signaux nécessitent un traitement dédié, pour lequel nous proposons d’utiliser une approche Machine Learning, afin d’atteindre l’objectif de la très haute résolution temporelle pour ce détecteur. Cette approche intégrera une estimation des incertitudes associées aux prédictions, élément qui sera aussi exploité pour améliorer le rapport signal-sur-bruit en imagerie TEP.

L’objectif de ce post-doctorat est d’élaborer des algorithmes de Machine Leaning de confiance afin de reconstruire les paramètres de l’interaction gamma dans le détecteur à partir des signaux acquis. 

Les données d’apprentissage seront produites à partir d’un code de simulation Monte Carlo associé à une modélisation de la réponse du détecteur, développé par le CEA-IRFU. Le ou la post-doc mettra en œuvre des méthodes de Machine Learning supervisées, des réseaux de neurones convolutifs, afin de prédire les paramètres de l’interaction gamma, en particulier la date d’interaction, la profondeur d’interaction et l’énergie. Des travaux précurseurs se sont intéressés à la reconstruction de la position latérale d’interaction associée à des incertitudes et serviront de base aux développements d’algorithmes pour l’estimation des autres paramètres.

Les modèles seront validés sur des données de simulations avec un point d’attention sur l’estimation des incertitudes. Enfin, ils seront confrontés à des données expérimentales issus d’un prototype. Ces tests pourront amener à considérer des méthodes spécifiques d’adaptation des modèles.

Ce projet de post-doctorat ne consistera pas seulement en un développement et une mise en œuvre d’algorithmes de Machine Learning. Il nécessitera une prise de recul sur le fonctionnement du détecteur pour une analyse pertinente des résultats et le ou la post-doc pourra être force de proposition pour identifier des axes d’amélioration sur la conception même du système.

Les résultats seront publiés dans des revues à comité de lecture, et présentés en conférence internationale.

Le ou la candidate sera titulaire d’un doctorat en mathématiques appliquées ou en physique instrumentale, avec des compétences en apprentissage automatique et des connaissances en interaction rayonnement-matière. Il sera nécessaire de maîtriser le langage de programmation Python et une bibliothèque dédiée au Deep Learning, telle que Tensorflow, Pytorch ou JAX.