Thèse soutenue

Développement et optimisation d’une caméra Compton miniature à masque codé : méthode d’analyse d’un environnement radiatif par spectro-identification et localisation 3D de sources gamma
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Geoffrey Daniel
Direction : Olivier Limousin
Type : Thèse de doctorat
Discipline(s) : Physique. Astronomie et astrophysique
Date : Soutenance le 02/10/2020
Etablissement(s) : Université Paris Cité
Ecole(s) doctorale(s) : École doctorale Astronomie et astrophysique d'Île-de-France (Meudon, Hauts-de-Seine ; 1992-....)
Partenaire(s) de recherche : Laboratoire : Astrophysique Instrumentation Modélisation (Gif-sur-Yvette, Essonne ; 2005-....)
Jury : Président / Présidente : Thomas Patzak
Examinateurs / Examinatrices : Olivier Limousin, Thomas Patzak, Jean-Claude Angélique, Mathieu Aubry, Denis Bernard, Voichiţa Theodora Maxim, Françoise Prêteux
Rapporteurs / Rapporteuses : Jean-Claude Angélique, Mathieu Aubry

Résumé

FR  |  
EN

La caractérisation d’une scène radiologique est un enjeu majeur dans de nombreux domaines, comme la sûreté et la sécurité nucléaire, les problématiques d’assainissement-démantèlement ou encore dans le domaine médical. Une telle analyse consiste à répondre à deux questions principales. D’une part, quels sont les radioéléments présents dans la scène et en quelles quantités ? D’autre part, où se situent ces sources radio-émettrices ? Les systèmes conçus pour répondre à ces questions utilisent l’information portée par les photons X et gamma issus de ces sources radioactives, d’où le nom de « caméra gamma » donné à ces systèmes. Leurs performances dépendent naturellement de celles de l’instrument utilisé, mais aussi des performances des algorithmes de traitement appliqués aux données acquises par l’instrument. Dans le cadre de cette thèse, j’étudie le développement d’un système de caméra gamma, basé sur la technologie Caliste, détecteur CdTe de photons de haute-énergie, issu de plus de quinze années de développement, initialement pour des applications en observation astrophysique. Les performances spectrométriques et en imagerie de ce détecteur sont une référence mondiale dans le domaine des détecteurs CdTe, d’où la pertinence de son application pour des caméras gamma. Plus spécifiquement, mon travail de thèse s’articule en trois axes. Dans un premier temps, à travers une modélisation détaillée du détecteur, j’analyse les données spectrométriques issues de Caliste afin de comprendre comment l’information de la nature et de la quantité des radioéléments sont inscrites dans ces données. Cette modélisation et cette analyse me permettent de mettre en place des algorithmes de traitement des données spectrométriques nouveaux et originaux, basés sur les méthodes de deep learning et de réseaux de neurones convolutifs bayésiens, dans le but de répondre à la question de l’identification et de la quantification des radioéléments tout en apportant une estimation de l’incertitude sur les résultats. Dans un second temps, j’étudie l’utilisation des méthodes d’imagerie à masque codé avec le détecteur Caliste, et en particulier, les algorithmes de localisation des sources radioactives. Je montre l’application et les limites des algorithmes de reconstruction habituellement utilisés pour cette problématique puis je démontre le potentiel des algorithmes de deep learning pour surpasser ces limites. Enfin, je m’intéresse à la problématique de la localisation de points chauds radioactifs par imagerie Compton, à travers des algorithmes de traitement adaptés au détecteur Caliste, en comparant les performances des méthodes issues de l’état de l’art à de nouvelles méthodes que je mets en place. Au long de ce travail de thèse, j’effectue les développements de mes algorithmes à partir de données issues de simulation de sorte à pouvoir transposer ces méthodes à d’autres systèmes de détection. Je prends ensuite le soin de les tester sur des données acquises avec le détecteur Caliste, afin d’obtenir une évaluation de leurs performances, fidèle aux conditions réelles et afin d’être confronté aux aléas des mesures, non pris en compte dans les simulations.