ANR · 2024
AAIMME — Apprentissage Automatique pour l'Imagerie Moléculaire et la MEdecine du futur
La Tomographie par Émission de Positons (TEP) est une modalité d'imagerie fonctionnelle. Un radiotraceur, injecté au patient, cible un processus biochimique et crée des paires de rayons gamma. Leur détection permet de reconstruire une image pour quantifier le processus fonctionnel en question. La qualité de la reconstruction dépend fortement des performances des détecteurs gamma. Le développement de détecteurs ultrarapides et de reconstructions dédiées est un défi majeur pour améliorer la détectabilité et réduire la dose de rayonnement. Le projet AAIMME proposera des outils d'Intelligence Artificielle (IA) fiables optimisant la chaîne de détection ultrarapide et la reconstruction d'images. Ces travaux amélioreront le diagnostic et le suivi thérapeutique des patients. Pour la chaîne de détection, des réseaux de neurones à densité fourniront une localisation spatio-temporelle précise de l'interaction gamma avec prédiction des incertitudes. Nous étudierons la robustesse des algorithmes et leur sensibilité aux changements de domaine. Pour l’imagerie, nous développerons des méthodes hybrides de reconstruction avec des outils d'optimisation avancés, la modélisation bayésienne et des réseaux neuronaux profonds. Ces approches s’accompagneront d’une exécution rapide sur des environnements informatiques modernes, de garanties de robustesse aux résultats éventuellement imparfaits de la détection basée sur l'IA et d'une évaluation quantitative de l'incertitude, pour une prise de décision médicale fiable. Nous simulerons un système TEP complet par Monte Carlo pour entraîner et valider nos approches IA. Nous testerons leurs performances sur des données acquises sur un banc expérimental représentatif des conditions TEP. Pour atteindre ces objectifs ambitieux, le consortium rassemble des partenaires experts dans tous les domaines concernés, travaillant en synergie : chercheurs en Machine Learning et algorithmique, physiciens en imagerie médicale et physiciens des détecteurs.
Structures participantes de Université Paris-Saclay
Provenance des données
Sources : scanR. Données consolidées le 27/10/2026. Une erreur ? Elle se corrige dans la source d’origine (HAL, RNSR, annuaire) ; voir comment.