Développement d’une analyse automatique des spectres gamma à l’aide d’un algorithme hybride machine learning pour la caractérisation radiologique des installations nucléaires en cours de démantèlement.
L’application de la spectrométrie gamma à la caractérisation radiologique dans le cadre du démantèlement des installations nucléaires, nécessite le développement d’algorithmes spécifiques pour l’analyse automatique des spectres. En particulier, la classification des déchets en béton, suivant leur niveau de contamination, représente un enjeu crucial pour le contrôle du coût de démantèlement.
Au sein du CEA/List, le LNHB en collaboration avec le CEA/DEDIP, est impliqué depuis quelques années dans le développement d’outils d’analyse automatique des spectres gamma à faible statistique, pouvant notamment être appliqués aux détecteurs scintillateurs (NaI(Tl), plastiques). Dans ce contexte, une approche originale fondée sur un algorithme hybride machine learning/statistique de démélange spectral, a été développée pour l’identification et la quantification de radionucléides en présence de fortes déformations du spectre mesuré, dues notamment aux interactions de l’émission gamma de la source radioactive avec son environnement.
Le sujet proposé fait suite aux travaux de thèse ayant permis le développement l’algorithme hybride dans le but d’étendre cette approche à la caractérisation radiologique des surfaces en béton. Le candidat sera impliqué dans l’évolution de l’algorithme hybride machine learning/statistique pour la caractérisation de béton pour le classement en déchets conventionnels. Le travail comprendra une étude de faisabilité de la modélisation des écarts du modèle appris pour optimiser la robustesse de la prise de décision.
Développement d'une méthode de dosimétrie 3D par gel destinée au contrôle qualité des plans de traitement de radiothérapie utilisant des faisceaux de particules chargées à ultra haut débit de dose (FLASH)
La radiothérapie FLASH à ultra haut débit de dose est l'une des innovations les plus prometteuses de la dernière décennie en radio-oncologie. Elle a non seulement le potentiel d'éradiquer les tumeurs radio-résistantes, mais en plus de réduire les effets secondaires indésirables, contribuant ainsi à la capacité d'augmenter le taux de guérison et une amélioration de la qualité de vie des patients. Toutefois, l'infrastructure dosimétrique est en retard avec cette avancée clinique et technologique, avec les dosimètres actuels qui ne sont plus adaptés et aucun de ceux en cours de développement ne faisant consensus.
Le gel dosimétrique à lecture optique développé au LNHB-MD (CEA Paris-Saclay) pourrait s’avérer un candidat prometteur car les mesures en faisceau de photons ont montré une réponse linéaire sur une large gamme de dose (0,25 - 10 Gy) ainsi qu’une indépendance en énergie (6 - 20 MV) et en débit de dose (1 - 6 Gy/min). De plus, ce dosimètre équivalent-eau à une capacité unique à fournir des mesures en trois dimensions à haute résolution spatiale (< 1 mm) avec une incertitude combinée associée d’environ 2% (k = 1). Cette méthode dosimétrique a été validée pour le contrôle qualité de plans de traitement de radiothérapie conventionnelle mais n’a jamais été testée en faisceaux FLASH.
Ce projet doctoral vise à mettre au point une méthode de dosimétrie 3D par gel adaptée pour la radiothérapie FLASH délivrée par faisceaux de particules chargées : (1) électrons à énergie conventionnelle (= 10 MeV), (2) électrons à très haute énergie (VHEE = 50 MeV), et (3) protons (= 100 MeV). Pour chacun de ces types de faisceaux, disponibles à l’Institut Curie à Orsay mais également à Gustave Roussy à Villejuif, la validation de la distribution de dose mesurée par gel sera réalisée par comparaison à des mesures avec d’autres dosimètres (e.g. diamant, alanine) et des simulations Monte Carlo.
Cette étude apportera une contribution significative à l’amélioration de la sécurité des patients, à l’optimisation de l’efficacité des traitements et à la future intégration de la radiothérapie FLASH en pratique clinique.
Exploitation avancée des données de santé par de l'apprentissage collaboratif sécurisé
Depuis quelques années, l’apprentissage profond est utilisé avec succès dans de nombreux domaines et est de plus en plus intégré dans la recherche clinique et le domaine de la santé. La capacité à combiner des sources de données diverses, telles que la génomique et l’imagerie, améliore la prise de décision médicale. L’accès à de grands jeux de données hétérogènes est essentiel pour améliorer la qualité et la précision des modèles. L’apprentissage fédéré est actuellement développé pour répondre à cette exigence, en offrant la possibilité d’entraîner des modèles de manière décentralisée garantissant que les données brutes restent stockées localement du côté client (entité qui génère les données sensibles). Plusieurs frameworks open-source intègrent des protocoles de calcul sécurisé pour l’apprentissage fédéré, mais leur applicabilité au domaine de la santé demeure limitée et soulève des enjeux liés à la souveraineté des données.
Dans ce contexte, un framework français, actuellement développé par le CEA-LIST, introduit une architecture d’apprentissage fédéré edge-to-cloud intégrant un chiffrement de bout en bout, avec notamment le chiffrement homomorphe (Fully Homomorphic Encryption), et une résilience face aux attaques malveillantes. Grâce à ce framework, ce projet vise à fournir des composants modulaires et sécurisés pour l’apprentissage fédéré afin de favoriser l’innovation en IA appliquée au domaine de la santé et notamment à la génomique.
Ce projet se focalisera sur trois axes principaux :
1) Déploiement, surveillance et optimisation de modèles d’apprentissage profond au sein de solutions d’apprentissage fédéré et décentralisé.
2) Intégration de grands modèles dans l’apprentissage collaboratif.
3) Développement de méthodes d’agrégation pour des situations non IID (Independant and Identically Distributed).