En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR5220-DAVSAR-009 - Intelligence artificielle et simulations Monte Carlo en physique médicale: fonctions de réponse angulaire pour la simulation d'image SPECT (H/F)

Intelligence artificielle et simulations Monte Carlo en physique médicale: fonctions de réponse angulaire pour la simulation d'image SPECT (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : vendredi 16 juillet 2021

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR5220-DAVSAR-009
Lieu de travail : VILLEURBANNE
Date de publication : vendredi 4 juin 2021
Type de contrat : CDD Scientifique
Durée du contrat : 24 mois
Date d'embauche prévue : 1 septembre 2021
Quotité de travail : Temps complet
Rémunération : 2675 à 3084€ brut mensuel selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : Indifférent

Missions

Contexte scientifique. Les simulations Monte Carlo de systèmes d'imagerie nucléaire (SPECT, PET, Compton Camera) représentent un outil clé pour concevoir, contrôler et tester l'instrumentation ou pour effectuer des recherches en reconstruction d'images. Elles sont utilisées par les industriels et les chercheurs du monde entier. Les simulations Monte Carlo demandent cependant beaucoup de temps de calcul, en particulier pour la simulation de systèmes d'images SPECT.

Récemment, notre groupe a proposé l'utilisation de méthodes d'IA pour remplacer la simulation d'une tête de détection SPECT par un réseau de neurones rapide prédisant la sortie du détecteur [1]. Cette méthode est basée sur le concept de la fonction de réponse angulaire (ARF). Le réseau neuronal (NN) est appris à partir de la sortie d'une simulation dédiée. Bien qu'efficace, cette approche soulève un certain nombre de questions théoriques et pratiques, telles que: comment optimiser la taille de l'ensemble de données d'apprentissage? Quelles sont les propriétés statistiques des gammas détectés générés par le NN? Comment améliorer ou/et garantir l'optimisation du NN? De plus, le NN est formé pour prédire la probabilité de détection de toutes les particules qui heurtent le détecteur dans des fenêtres d'énergie données. Cela signifie que le processus d'apprentissage doit être répété si un paramètre de la caméra est modifié, en particulier lorsque les paramètres de la fenêtre d'énergie sont modifiés. Est-il possible de développer et de former un NN différent qui prédit le spectre d'énergie des particules entrantes? Dans ce cas, il serait possible de sélectionner la fenêtre d'énergie dans une étape de post-traitement après la prédiction; ainsi, un seul processus d'apprentissage sera suffisant pour tout choix de fenêtres énergétiques. Bien entendu, d'autres idées pourraient être proposées pour améliorer l'approche générale.

Activités

Contexte médical. En médecine nucléaire, au cours des dix dernières années, le traitement du cancer par radionucléides couplés à une molécule Molecular Radionuclide Therapy (MRT) a connu une croissance rapide. À titre d'exemple, la « peptide receptor radionuclide therapy » (PRRT) s'est avérée être un traitement alternatif des tumeurs neuroendocrines (TNE) lorsque la chirurgie n'est pas indiquée [2]. La MRT consiste en l'administration intraveineuse d'un vecteur moléculaire marqué par un radionucléide. L'objectif du vecteur est d'accumuler le composé dans les organes cibles tandis que le radionucléide émetteur de β ou α produit des effets cytotoxiques. Le lutétium 177 est l'un des radionucléides les plus utilisés. En plus des particules β, il émet également des rayons γ qui permettent de quantifier la concentration en radionucléides dans les tumeurs et les organes sains grâce à des acquisitions d'images SPECT/CT répétées à différents moments après l'injection du traitement.

La dosimétrie personnalisée [3], [4] est une notion clé qui permet d'optimiser le contrôle de la tumeur par administration de l'activité la plus élevée possible dans le volume cible tout en limitant l'irradiation des organes à risque. Le principe est d'estimer la biodistribution et la pharmacocinétique de l'activité à l'intérieur du patient à partir d'images SPECT/CT. Cette estimation est basée sur l' image et est cependant entravée par de nombreux effets (atténuation, dispersion, mouvement de respiration ...) qui doivent être corrigés ou pris en compte [5] - [7]. La simulation Monte Carlo est une approche clé pour cette tâche.

Les simulations Monte Carlo d'un système d'imagerie SPECT consiste à construire un modèle virtuel du processus d'imagerie le plus précis possible [9] [8], ce qui permet d'optimiser les paramètres d'acquisition, de calibrer les images et d'estimer la distribution de dose. C'est l'objectif principal de notre tâche dans le cadre du projet européen POPEYE, regroupant des chercheurs de l'Université de Patras (Grèce), du LATIM (Brest, France) et de notre groupe (CREATIS, Lyon, France). La tâche de Monte Carlo précédemment décrite pourrait donc être appliquée dans ce contexte médical au système SPECT nouvellement acquis, appelé VERITON, pour lequel un modèle de Monte Carlo devra être développé et validé.

Objectifs du poste poste.
1. Étudier le concept ARF basé sur l'IA pour mieux comprendre les propriétés statistiques et les limites afin d'améliorer l'approche déjà développée.
2. Implémenter l'approche améliorée dans le logiciel de simulation OpenGate.
3. Appliquer et valider l'approche par rapport à un véritable système d'imagerie SPECT, tel que le VERITON (Spectrum-Dynamics).

Compétences

Compétences attendues et autres informations
• Doctorat en (soit) : IA, physique médicale, informatique, traitement d'image
• Compétences techniques : PyTorch, Python, C ++ (Geant4, Gate)
• Anglais et français
• Financé par le projet POPEYE EU
• Début prévu : septembre 2021
• Lieu : Centre de cancérologie Léon Bérard, Lyon, France

Contexte de travail

Ce travail est une collaboration entre des chercheurs du laboratoire CREATIS et du service de médecine nucléaire du centre de cancérologie Léon Bérard (Lyon, France). Il est financé par le projet européen POPEYE.

Environnement. La personne recrutée travaillera au sein d'une équipe pluridisciplinaire composée de médecins nucléaires, de physiciens médicaux, de chercheurs et d'informaticiens du laboratoire CREATIS et du Centre de cancérologie Léon-Bérard.

Contraintes et risques

Pas de contraintes ni risques particuliers.

Informations complémentaires

Projet POPEYE, EuraPemMed2019,

On en parle sur Twitter !