Thèse Omographie de Fluorescence X Computationnelle à Pixel Unique H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : ISCE - Ingénierie pour la Santé la Cognition et l'Environnement Laboratoire de recherche : IAB : Institute for Advanced Biosciences (UGA / Inserm U1209 / CNRS UMR 5309) Direction de la thèse : Emmanuel BRUN ORCID 0000000203324903 Début de la thèse : 2026-10-05 Date limite de candidature : 2026-08-07T23:59:59 Ce projet vise à développer une nouvelle modalité d'imagerie 3D non destructive pour l'analyse élémentaire, en fusionnant l'imagerie à pixel unique (ghost imaging) et la tomographie de fluorescence X (ghost tomography). L'imagerie XRF à pixel unique permet une cartographie chimique 2D efficace mais manque de résolution le long du faisceau ; le projet l'étend à la 3D par illumination structurée sous plusieurs projections angulaires, en développant des algorithmes de reconstruction dédiés aux données multiplexées et en intégrant la correction de l'auto-absorption de la fluorescence, indispensable à la justesse quantitative. Une seconde phase cherche à réduire fortement les temps d'exposition pour l'imagerie faible dose d'échantillons sensibles, via des reconstructions par apprentissage supervisé et auto-supervisé (inspirées de Noise2Ghost) et une approche hybride de fusion (pansharpening) combinant la résolution spectrale du détecteur à pixel unique et la résolution spatiale d'une caméra 2D. Les méthodes seront validées sur la plateforme multimodale MusitoX. Applications visées : science des matériaux, biologie et patrimoine culturel. Projet mené en collaboration entre CREATIS, STROBE/IAB et le CEA (IRIG MEM), financé par MIAI. L'imagerie de fluorescence X est un outil puissant d'analyse élémentaire, mais elle est limitée en ecacité de détection et passage àl'échelle, en particulier pour les grands échantillons ou les longs temps d'exposition. L'imagerie à pixel unique (ghost imaging) appliquéeà la XRF a récemment démontré son ecacité pour la cartographie chimique 2D en laboratoire et sur synchrotron, et la faisabilité de latomographie fantôme XRF a été montrée sur synchrotron. Son implémentation sur sources de laboratoire reste à démontrer et aurait unimpact majeur. Le projet s'inscrit dans la chaire MIAI FANFARES, en collaboration entre CREATIS, STROBE/IAB et le CEA (IRIG MEM). Développer une modalité d'imagerie 3D non destructive pour l'analyse élémentaire en fusionnant l'imagerie à pixel unique et latomographie de fluorescence X. Trois objectifs : (1) étendre l'imagerie XRF à pixel unique de la 2D à la 3D et intégrer la correction del'auto-absorption de la fluorescence pour garantir la justesse quantitative ; (2) réduire fortement les temps d'exposition (imagerie faibledose) par reconstruction par apprentissage et par fusion multimodale ; (3) valider expérimentalement les méthodes sur la plateformeMusitoX. Acquisition de données en illumination structurée sous plusieurs projections angulaires et développement d'algorithmes dereconstruction dédiés aux données multiplexées. Intégration de modèles de correction de l'auto-absorption directement dans le pipelinede reconstruction. Développement de méthodes d'apprentissage supervisé et auto-supervisé (inspirées de Noise2Ghost) pour débruiterdes données à très faible signal (bruit de Poisson-Gauss). Approche hybride de fusion (pansharpening) combinant la haute résolutionspectrale du détecteur à pixel unique et la haute résolution spatiale d'une caméra 2D. Programmation scientifique en Python (NumPy,SciPy, scikit-learn ; PyTorch/TensorFlow), analyse spectrale avec PyMCA, validation sur MusitoX

Nous recherchons un·e candidat·e titulaire d'un Master 2 ou d'un diplôme d'ingénieur en physique, traitement du signal et de l'image,imagerie, science des données ou discipline connexe. Le sujet étant fortement interdisciplinaire, le profil idéal combine plusieurs descompétences suivantes : bases en physique des rayons X et en imagerie (fluorescence X, spectroscopie, absorption) ; solide maîtrise dutraitement du signal et de l'image et des méthodes de reconstruction (problèmes inverses, imagerie à pixel unique / illuminationstructurée, compressive sensing) ; programmation scientifique en Python (NumPy, SciPy, scikit-learn) et pratique d'un frameworkd'apprentissage profond (PyTorch ou TensorFlow). Une expérience en reconstruction d'images, en imagerie hyperspectrale à pixel uniqueou en apprentissage automatique pour l'imagerie constitue un atout apprécié. Un bon niveau d'anglais scientifique (lu, écrit, parlé) estrequis. Sur le plan personnel, sont attendus : autonomie, rigueur scientifique, curiosité, goût pour l'interdisciplinarité, capacité à travailleren équipe et en collaboration multi-sites, ainsi que de bonnes aptitudes de communication