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

The characterization of a radiological scene is a major issue in many fields, such as nuclear safety and security, Decommissioning & Dismantling or in the medical field. Such an analysis consists in answering two main questions. On the one hand, what radioelements are present in the scene and in what quantities? On the other hand, where are these radio-emitting sources located? The systems designed to answer these questions use the information carried by the X and gamma photons from these radioactive sources, hence the name "gamma camera" for these systems. Their performances naturally depend on those of the instrument, but also on the performances of the processing algorithms applied to the data acquired by the instrument. In the framework of this thesis, I study the development of a gamma camera, based on the Caliste technology, a CdTe detector for high-energy photons, which results from more than fifteen years of development, initially for applications in astrophysical observation. The spectrometric and imaging performances of this detector are a world reference in the field of CdTe detectors, hence the relevance of its application for gamma cameras. More specifically, my thesis work explores three axes. First, through a detailed modelling of the detector, I analyse the spectrometric data from Caliste in order to understand how they carry the information of the nature and quantity of radioelements. This modelling and this analysis allow me to develop new and original spectrometric data processing algorithms, based on deep learning methods and Bayesian convolutional neural networks, in order to answer the question of identification and quantification of radioelements while providing an estimation of the uncertainty of the results. In a second step, I study the use of coded mask imaging methods with Caliste, and in particular, the algorithms for locating radioactive sources. I show the application and the limits for the reconstruction provided by the algorithms usually used for this problem and then I demonstrate the potential of deep learning algorithms to overcome these limits. Finally, I analyse the problem of localization of radioactive hot spots by Compton imaging, through processing algorithms adapted to Caliste detectors, by comparing the performances of methods resulting from the state of the art to new methods that I develop. Throughout this thesis work, I develop my algorithms from simulation data in order to transpose these methods to other detection systems. Then, I take care to test them on data acquired with Caliste detectors, in order to obtain an evaluation of their performances, faithful to real conditions and in order to confront these algorithms with the hazards of the measurements, not taken into account in the simulations; 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.