QUI SOMMES-NOUS ?

Thales est un leader mondial des hautes technologies comptant plus de 81 000 collaborateurs présents sur tous les continents. Le Groupe investit dans les innovations du numérique et de la " deep tech " - big data, intelligence artificielle, connectivité, cybersécurité et quantique - pour construire un avenir de confiance, essentiel au développement de nos sociétés, en plaçant l'humain au cœur des décisions.

Thales propose des solutions, services et produits qui aident ses clients - entreprises, organisations, Etats - dans cinq grands marchés vitaux pour le fonctionnement de nos sociétés : identité et sécurité numériques, défense, aéronautique, espace, et transport.

Le site de Thales à Moirans (proche de Grenoble) conçoit des systèmes d'imagerie à rayons X, pour des applications médicales en radiologie et de sécurité aéroportuaire (ingénierie, production et service client). Ces systèmes sont composés de technologies innovantes dans l'émission de rayons X (nanotechnologies), de détecteurs numériques de rayons X, d'algorithmes avancés (2D, 3D, Intelligence Artificielle), ainsi que de technologies Cloud cyber sécurisées. Nos équipes pluridisciplinaires travaillent avec passion pour développer les technologies disruptives de demain. Elles tirent leur force d'une capacité industrielle de longue date et d'une culture de l'innovation.

QUI ETES VOUS ?

De formation Bac+5 type école d'ingénieur ou équivalent en mathématiques appliquées, traitement du signal et de l'image, vous souhaitez poursuivre sur une thèse en reconstruction d'images 3D.

Vous possédez des compétences en traitement d'images (Reconstruction d'images, débruitage...).

Vous maitrisez les mathématiques appliquées (probabilités, statistiques, problèmes inverses...)

Vous faites preuve d'esprit d'initiative et vous aimez le travail en équipe.

CE QUE NOUS POUVONS ACCOMPLIR ENSEMBLE :

La première problématique de cette thèse consiste à explorer la faisabilité d'une méthode de reconstruction " one-step " assez rapide pour satisfaire les contraintes médicales. En effet, les méthodes " one-step " demandent souvent un temps de calculs important, notamment parce que le modèle de formation d'images non-linéaire engendre une attache aux données avec un gradient plus complexe et plus long à calculer qu'une reconstruction avec un modèle de formation d'images linéaire. Des méthodes " one-step " utilisant des modèles de formation d'images plus simples (typiquement polynomiaux) ont été proposées pour apprendre, via une base de calibration, la réponse du détecteur. Un modèle empirique linéaire a été proposé, pouvant mener à un algorithme efficace en terme de temps de calculs, mais cette modélisation linéaire souffre d'une approximation trop imprécise pour modéliser de manière satisfaisante la formation des sinogrammes bi-énergie. Le premier objectif de cette thèse serait donc d'explorer une méthode " one-step " avec une linéarisation du modèle de formation d'images via plusieurs modèles empiriques qui s'adapteraient en fonction des sinogrammes BE et HE acquis. La reconstruction " one-step " pourra aller de la reconstruction 3D à la reconstruction 3D+temps, et pourra aussi être testée sur des géométries d'acquisitions différentes entre les photons de basse énergie et ceux de haute énergie.

L'autre probématique de cette thèse sera d'évaluer le potentiel qu'offrent les méthodes de débruitage de deep-learning avec une approche Plug&Play, c'est-à-dire qui mélange des étapes de reconstruction (liées à la minimisation d'une attache aux données) et des étapes de débruitage via un réseau de neurones indépendant des itérations. Cette indépendance au nombre d'itérations permet à l'algorithme de reconstruction de converger sans avoir une taille de réseau de neurones qui augmente avec le nombre d'alternances reconstruction/débruitage.

En résumé, l'objectif est de cumuler les bénéfices d'une méthode " one-step " et ceux d'une approche utilisant des réseaux de neurones. Les performances de cet algorithme reconstruction incluant des débruitages Plug&Play pourront être comparées à celles des méthodes de reconstruction similaires avec des régularisations conventionnelles, comme la variation totale.

Innovation, passion, ambition : rejoignez Thales et créez le monde de demain, dès aujourd'hui.