Le projet ANR AAIMME (Apprentissage Automatique pour l'Imagerie Moléculaire et la MEdecine du futur) sinscrit dans le contexte de limagerie moléculaire par Tomographie à Emission de Positons (TEP). Il vise à développer des méthodes efficaces de traitement de signaux de détecteurs de photons gamma ultra-rapides et à les exploiter pour une reconstruction complète en imagerie TEP. Au sein de ce projet, nous proposons un post-doctorat de 24 mois qui sintéressera au traitement des signaux du détecteur ClearMind conçu au CEA-IRFU. Les développements du détecteur visent à obtenir une datation précise des interactions ayant lieu dans la zone sensible. Ils consistent en des détecteurs scintillateurs PbWO4 couplés à un photomulitplicateur dans une galette à microcanaux, dont les signaux sont numérisés par des modules dacquisition rapide SAMPIC. Une des principales difficultés réside dans lanalyse des signaux produits par le détecteur : la complexité et lintrication des signaux nécessitent un traitement dédié, pour lequel nous proposons dutiliser une approche Machine Learning, afin datteindre lobjectif de la très haute résolution temporelle pour ce détecteur. Cette approche intégrera une estimation des incertitudes associées aux prédictions, élément qui sera aussi exploité pour améliorer le rapport signal-sur-bruit en imagerie TEP. Lobjectif de ce post-doctorat est délaborer des algorithmes de Machine Leaning de confiance afin de reconstruire les paramètres de linteraction gamma dans le détecteur à partir des signaux acquis. Les données dapprentissage seront produites à partir dun code de simulation Monte Carlo associé à une modélisation de la réponse du détecteur, développé par le CEA-IRFU. Le ou la post-doc mettra en œuvre des méthodes de Machine Learning supervisées, des réseaux de neurones convolutifs, afin de prédire les paramètres de linteraction gamma, en particulier la date dinteraction, la profondeur dinteraction et lénergie. Des travaux précurseurs se sont intéressés à la reconstruction de la position latérale dinteraction associée à des incertitudes et serviront de base aux développements dalgorithmes pour lestimation des autres paramètres. Les modèles seront validés sur des données de simulations avec un point dattention sur lestimation des incertitudes. Enfin, ils seront confrontés à des données expérimentales issus dun prototype. Ces tests pourront amener à considérer des méthodes spécifiques dadaptation des modèles. Ce projet de post-doctorat ne consistera pas seulement en un développement et une mise en œuvre dalgorithmes de Machine Learning. Il nécessitera une prise de recul sur le fonctionnement du détecteur pour une analyse pertinente des résultats et le ou la post-doc pourra être force de proposition pour identifier des axes damélioration sur la conception même du système. Les résultats seront publiés dans des revues à comité de lecture, et présentés en conférence internationale.