En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Simulations Monte Carlo guidée par intelligence artificielle pour la physique médicale et de la médecine nucléaire. Étude des GAN pour modéliser des espaces de phases. (H/F)

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

Date Limite Candidature : vendredi 9 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-008
Lieu de travail : VILLEURBANNE
Date de publication : vendredi 28 mai 2021
Nom du responsable scientifique : David Sarrut, Ane Etxebeste
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 6 septembre 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

https://www.creatis.insa-lyon.fr/site7/en/node/47110

Ce travail est une collaboration entre chercheurs des laboratoires CREATIS, LATIM et LIRIS, ainsi que du service de médecine nucléaire du centre de lutte contre le cancer Léon Bérard (Lyon, France). Il est financé par le projet MoCaMed ANR (2021-2025).

Contexte. Les simulations Monte Carlo des systèmes d'imagerie nucléaire (SPECT, PET, Compton Camera) représentent un outil clé pour étudier et optimiser la conception de tels imageurs, ainsi que pour mener des recherches en reconstruction d'images. Les simulations Monte Carlo de tels imageurs [1,2] permettent ainsi d'optimiser les paramètres d'acquisition, de calibrer les images, d'estimer la distribution de dose et d'améliorer les systèmes de détection. Ces simulations sont utilisées par les industriels et les chercheurs du monde entier [3,4].

Cependant, elles nécessitent des temps de calcul très élevés. Même si de nombreuses techniques de réduction de variance (VRT) ont été proposées dans le passé et récemment, le besoin croissant de simulations détaillées des phénomènes physiques mis en jeu dans les détecteurs d'imagerie entraîne toujours de longs temps de simulation. Bien que certains simulateurs dédiés (GPU), comme ceux de certains TPS (Treatment Planning System), puissent être très rapides [5-7], les codes génériques qui sont à la base de la recherche en physique médicale sont encore lents.

Intelligence Artificielle. L'ambition du projet MoCaMed est d'investiguer l'intérêt d'approches de Quasi-Monte Carlo et d'Intelligence Artificielle au sein des simulations Monte Carlo de physique médicale. Ainsi, une piste pour réduire ces temps de calcul consiste à découper la simulation en différentes parties, en particulier séparer le suivi des particules dans le patient du suivi dans les détecteurs. Récemment, notre groupe a proposé [8,9] l'utilisation des méthodes d'intelligence artificielle pour remplacer les fichiers d'espace de phase volumineux et peu pratiques par des réseaux antagonistes génératifs (GAN, Generative Adversarial Network) compacts. Un GAN [10,11] modèle la distribution de probabilité des particules représentée par un espace de phase et peut ensuite être utilisé comme source de particules lors des simulations. Ces premières approches ont constitué la preuve du concept mais ont posé un certain nombre de questions théoriques et pratiques, telles que: comment optimiser la taille du jeu de données d'apprentissage? Quelles sont les propriétés statistiques des particules générées par le GAN? Est-il possible d'entraîner un GAN permettant de générer toutes les caractéristiques de la distribution de probabilités des particules sortant du patient imagé (ou d'un objet)? Dans les travaux mentionnés, le GAN a été appliqué pour la modélisation de faisceaux d'accélérateur linéaire ainsi que pour un SPECT. Maintenant, nous cherchons à étudier à appliquer ces approches pour des simulation de systèmes PET et plus généralement d'autres systèmes d'imageries.

Contexte de travail

Objectifs du doctorat
Le principal objectif est d'étudier et de proposer de nouvelles méthodes pour modéliser de grands et complexes espaces de phase par apprentissage profond, tel que les GAN. En particulier, plusieurs tâches de départ peuvent être proposées:
1 . Effectuer une revue bibliographique du concept des GAN, avec application aux simulations de Monte Carlo.
2. Étudier les méthodes actuelles pour modéliser les espaces de phase avec des GAN; étudier les avantages, les limites et l'incertitude associée.
3. Étudiez l'intérêt potentiel des GAN conditionnels et du “transfer learning” pour l'apprentissage d'une famille d'espaces de phase.
4. Étudier les différentes applications dans le domaine de la simulation Monte Carlo en imagerie nucléaire pourraient bénéficier d'une telle modélisation.

A la fin de la thèse, nous devrions avoir une meilleure connaissance des intérêts et des limites des GAN pour modéliser des espaces de phase.

Informations complémentaires

Dans le cadre du projet ANR Mocamed.
Les candidatures doivent transiter par le portail emploi (pas directement par email).

On en parle sur Twitter !