Offre Postdoctorale

**Offre Postdoctorale : détection et segmentation d’anomalies en imagerie industrielle et médicale par des approches d’apprentissage profond**

**Durée**: 10mois. **Période de recrutement souhaitée** : décembre 2025 - janvier 2026

**Salaire brut** : 2 289 €. **Lieu de travail** : INSA LYON 20 avenue Albert Einstein Villeurbanne.

**Encadrement scientifique**

Philippe Guy (LVA) 30% et Valérie KAFTANDJIAN (LVA) 40%, Philippe Delachartre (CREATIS) 30%

**Contexte**

Dans certains domaines comme le domaine médical ou le domaine industriel, on est amené à rechercher la présence d’anomalies internes (non visibles en surface) sur des images bruitées et à les caractériser. Un moyen d’accéder à ces anomalies est l’imagerie qui peut être 2D ou 3D et de différente modalité (Rayon X, ultrasons, IRM,). Que ce soit dans le domaine industriel (aéronautique, nucléaire,) ou médical (cerveau,), les bases de données sont rares sur ce sujet et disposent de peu d’exemples d’apprentissage et de peu d’annotations d’experts. Dans le domaine industriel les difficultés sont liées au fait que les bases de données de pièces saines sont très faciles à obtenir, tandis que les exemples de défauts sont très rares.

**Mots-clés** : détection et segmentation, apprentissage à faible supervision, méthodes non supervisées, incertitude sur les labels, quantification de l’incertitude de prédiction

**Objectifs**

Objectif principal. On veut développer des méthodes par apprentissage combinant des approches à faible supervision et sans supervision avec prise en compte des incertitudes sur les labels pour la détection et segmentation d’anomalies faiblement contrastées (figures 1-3). Dans ce travail, nous chercherons à développer des modèles d’apprentissage adaptés aux petites anomalies faiblement contrastées issues de modalités différentes (Rayon X, ultrasons, IRM,), nous explorerons l'utilisation de techniques et mesures d'estimation de l'incertitude de prédiction des différents modèles développés, en particulier l’incertitude liée au faible nombre de données. In fine, les méthodes mises en place doivent permettre d’effectuer automatiquement des opérations de métrologie (localisation de l’anomalie dans l’image, quantification de la taille des anomalies,) et proposer un niveau de confiance dans les mesures réalisées.

**Verrous scientifiques**

L’imagerie quantitative des anomalies reste difficile en raison du faible contraste des structures recherchées et du bruit de mesure. Ces incertitudes seront à prendre en compte au cours du projet et se combinent aux incertitudes sur les labels liés aux difficultés d’annotation rencontrées par les experts. Dans un travail récent, nous avons développé une méthode de segmentation associée à une étape de classification pour séparer les vrais défauts des artefacts, sur des images ultrasonores (Estermann et al, 2023a). Cependant la méthode a été principalement évaluée sur des données médicales.

Figure 1. : Exemples de lésions de la matière blanche pointées par les flèches observées à l’ETF (échographie transfontanellaire) (gauche) vs à l’IRM (droite) (Quetin et al., 2024).

Figure 2 : Image en rayons X (film argentique numérisé) de soudure : zone large après recadrage de la dynamique des niveaux de gris (les flèches indiquent des défauts de type porosité).

Figure 3 : Autres zones de la soudure vue aux rayons X : à gauche inclusions alignées, à droite manque de fusion. Le recadrage des niveaux de gris est spécifique à chaque défaut.

**Programme de travail**
- Période 1 (5 mois) : Etude bibliographique sur les méthodes d’apprentissage faiblement supervisées, non supervisées avec prise en compte des incertitudes sur les labels et les données. Analyse des méthodes multimodales (ultrasons, rayons X). Analyse et manipulation des jeux de données dans le but d’affiner les caractéristiques de ces données. Définition et priorisation des axes de recherche méthodologiques. Implémentation et analyse de différentes architectures d'apprentissage. Rédaction d’un rapport ou d’un article de conférence.

Pour le domaine médical, l’accès aux données est facilité par la participation d’un médecin à l’étude.

Du côté industriel, nous avons déjà accès à une base d’images de soudure telles que celles de la figure 2 et 3 (contenant 189 défauts de types différents annotés par un expert) via le groupe de travail IA & CND de la COFREND (Confédération Française des Essais Non Destructifs). Un découpage des images permettra de constituer la base de données avec/sans défauts.

**Contributions originales attendues**

Ce projet va contribuer à développer l’imagerie quantitative dans des situations de détection difficile. Nous attendons principalement:

- le développement d’une méthode automatique d’aide à l’annotation des données pour les experts,
- le développement d’une méthode automatique de détection et segmentation des anomalies,
- le développement d’un outil d’analyse quantitative des anomalies avec prise en compte des incertitudes,
-