Thèse Méthode d'Apprentissage Automatique pour la Reconstruction d'Image en Tomographie H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire des Signaux et Systèmes Direction de la thèse : Charles SOUSSEN ORCID 0000000268376755 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-29T23:59:59 Contexte et motivation de la thèse.

Cette thèse porte sur la reconstruction d'objets 3D par tomographie en rayons X, avec application au Contrôle Non Destructif (CND) de pièces métalliques en aéronautique. Elle sera menée à Safran Tech en collaboration avec deux laboratoires de l'université Paris-Saclay, le L2S et le SATIE.

CND par Tomographie X.

La reconstruction tomographique est un problème inverse classique rencontré en imagerie médicale et en CND. Implémentée dans de nombreux scanners industriels, les innovations récentes sont liées d'une part à l'apparition de nouveaux systèmes d'imagerie, pour lesquels les trajectoires relatives de la source et du détecteur sont optimisées en fonction de la géométrie et de la composition de la pièce, et d'autre part au développement de nouvelles techniques d'inversion basées notamment sur l'apprentissage statistique. Ces approches sont précisément l'objet de la thèse.

En contrôle non destructif dans le domaine aéronautique, les volumes imagés correspondent à des pièces industrielles à géométrie complexe, issues de la fabrication additive pour des gains en légèreté et performance ou du procédé de fonderie à cire perdue pour la réalisation d'aubes de turbines haute pression qui endurent des contraintes thermomécaniques élevées et comportent des circuits internes de refroidissement. L'imagerie tridimensionnelle de ces structures est essentielle pour contrôler la présence éventuelle de défauts. Pour cela, de nouvelles modalités de tomographie par rayons X sont explorées par notre partenaire Safran Tech. Elles sont basées sur des trajectoires non-conventionnelles de la source et du détecteur, trajectoires optimisées en fonction de la géométrie et de la composition de la pièce.

Safran Tech.

Safran est un groupe international de haute technologie, équipementier de premier rang dans l'aéronautique, le spatial et la défense. Safran Tech regroupe les activités R&T de Safran, autour de plusieurs plateformes dédiées aux innovations pour la fabrication additive, la fonderie, les matériaux composites, céramiques et le digital au niveau de la plateforme Sciences et Technologies du Numérique (STN). Au sein de cette plateforme, l'unité de recherche IOMM (Interaction Onde Matière et Mesure) a en charge la recherche et l'innovation du Groupe dans le domaine de la surveillance et contrôle par imagerie et par réponse vibratoire pour le contrôle des pièces et dans celui des capteurs innovants et systèmes connectés. Sur le premier volet, le développement de nouveaux procédés de fabrication induit de nouveaux défis pour le contrôle non destructif des pièces à géométrie complexe.

Les laboratoires L2S et SATIE.

Les thèmes de recherche des partenaires académiques (L2S et SATIE) sont liés à l'acquisition et la reconstruction de signaux et d'images. Les développements s'appuient sur la modélisation physique et sur les techniques d'inversion variationnelle (basées optimisation) et bayésienne, et sur les techniques d'apprentissage automatique.

Les outils mathématiques proposés permettent alors de construire et d'étudier des algorithmes de reconstruction adaptés. Les principales applications concernent l'analyse d'enregistrements audio, la construction d'images en contrôle non destructif, et l'analyse de données massives en radioastronomie.

Dans une démarche d'adéquation algorithme-architecture, l'équipe encadrante s'intéresse au calcul haute performance distribué pour résoudre des problèmes qui mettent en jeu des données toujours plus massives. Une collaboration entre la future équipe encadrante et SAFRAN Tech a déjà abouti au développement de nouvelles méthodes de reconstruction bayésiennes.

Voir descriptif plus haut dans le résumé du projet de thèse. Le premier objectif de la thèse est d'établir un état de l'art des méthodes d'inversion basées données, permettant d'exploiter un jeu de données d'entraînement pour apprendre la distribution a priori de l'image volumique à reconstruire, et ainsi guider le processus de reconstruction 3D dans des situations difficiles (angles de projection limités, faibles rapports signal-sur-bruit). Ces méthodes ont connu un succès important dans le domaine des problèmes inverses (approches dites ``plug-and-play' et ``unrolling'), l'idée sous-jacente étant d'entraîner des réseaux de neurones profonds et convolutifs, où le réseau est intrinsèquement lié à la fonctionnelle de régularisation du problème inverse. Ces approches fournissent bien souvent des résultats empiriques supérieurs à ceux des méthodes classiques analytiques (non-itératives) comme la méthode FDK ou des méthodes itératives basées sur l'optimisation de critères régularisés. Cependant, les images reconstruites sont susceptibles de comporter des ``hallucinations' lorsque les données d'entraînement ne sont pas assez riches, avec la reconstruction d'objets peu réalistes. Sur le plan de l'optimisation de fonction de coût, les approches basées données souffrent de l'absence de garanties de convergence. Il est intéressant de noter que des travaux récents ouvrent la voie à l'obtention de méthodes avec garanties. Le travail d'état de l'art a pour but de comprendre les principales approches existantes, leurs garanties théoriques et leurs limitations.

Le deuxième objectif de la thèse porte sur la génération de données d'entraînement. C'est un ingrédient important des approches basées données. En reconstruction tomographique, le jeu de données d'entraînement est un ensemble de couples volume 3D - projections radiographiques 2D associées, qui doit être suffisamment représentatif de la diversité des volumes 3D possibles. En contrôle non destructif, on dispose de modèles de CAO permettant de décrire les volumes 3D par un ensemble de paramètres de forme. Ces modèles permettent de générer des maillages réalistes représentant des structures plausibles et de simuler la projection radiographique de ces volumes, ainsi que les effets physiques responsables d'artefacts sur les images, comme le rayonnement diffusé à l'aide de codes Monte Carlo. L'objectif sera d'intégrer au processus de reconstruction d'image une technique de régularisation permettant de prendre en compte l'a priori lié à la connaissance du modèle CAO de la pièce.

Le troisième objectif sera le développement de l'algorithme de reconstruction, en intégrant au processus de reconstruction d'image une technique de régularisation permettant de prendre en compte l'a priori lié à la connaissance du modèle CAO de la pièce.

Le quatrième objectif porte sur la mise en oeuvre des algorithmes et la quantification des gains obtenus à l'aide de métriques de qualité d'images répondant aux problématiques de détection d'indications, dans le cadre du contrôle dit santé matière, et de mesures de cotes internes aux pièces, dans le cadre du contrôle dit dimensionnel.

- Master 2 ou diplôme d'ingénieur en science des données/traitement du signal.

- Connaissances solides en mathématiques appliquées, intérêt pour les applications en sciences pour l'ingénieur.

- Bonne maitrise des outils de programmation scientifique (Python, Matlab, C/C++, etc.) et bon niveau d'anglais.