Geoffrey Daniel
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Previous Organizations / Institutes
The organizations / institutes from the scholar's other articles in the past ten years
Geoffrey Daniel has a total of 43 co-authors. Here are the top co-authors by number of shared publications:
O. Limousin
3 shared publicationsJean-Marc Martinez
Service de Génie Logiciel pour la Simulation Université Paris-Saclay CEA 91191 Gif-sur-Yvette France
2 shared publications- Olivier Limousin
Université Paris-Saclay, Université Paris Cité, CEA, CNRS, AIM, Gif-sur-Yvette, France
2 shared publications Y. Gutierrez
2 shared publicationsA. Meuris
1 shared publicationA. Vanel
1 shared publication
Latest Publications
- 4 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
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
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.
- 4 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
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
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.
- 7 March 2025
- Published by Elsevier in Nuclear Engineering and Design
- Vol. 436
Dynamic dose equivalent rate estimation in dismantling: Physic-informed surrogate modeling
- 7 March 2025
- Published by Elsevier in Nuclear Engineering and Design
- Vol. 436
Dynamic dose equivalent rate estimation in dismantling: Physic-informed surrogate modeling
- Open Access
- 13 January 2024
- Published by Elsevier in Engineering Applications of Artificial Intelligence
- Vol. 131
Deep learning reconstruction with uncertainty estimation for γ photon interaction in fast scintillator detectors
- 13 January 2024
- Published by Elsevier in Engineering Applications of Artificial Intelligence
- Vol. 131
Open AccessDeep learning reconstruction with uncertainty estimation for γ photon interaction in fast scintillator detectors
- 1 January 2024
- Published by Springer Nature
- p. 257-269
Assessing Causal Graph Uncertainty and Optimized Multivariate Discretization Strategy
- 1 January 2024
- Published by Springer Nature
- p. 257-269
Assessing Causal Graph Uncertainty and Optimized Multivariate Discretization Strategy
- Open AccessDeep Learning reconstruction with uncertainty estimation for $γ$ photon interaction in fast scintillator detectors
This article presents a physics-informed deep learning method for the quantitative estimation of the spatial coordinates of gamma interactions within a monolithic scintillator, with a focus on Positron Emission Tomography (PET) imaging. A Density Neural Network approach is designed to estimate the 2-dimensional gamma photon interaction coordinates in a fast lead tungstate (PbWO4) monolithic scintillator detector. We introduce a custom loss function to estimate the inherent uncertainties associated with the reconstruction process and to incorporate the physical constraints of the detector. This unique combination allows for more robust and reliable position estimations and the obtained results demonstrate the effectiveness of the proposed approach and highlights the significant benefits of the uncertainties estimation. We discuss its potential impact on improving PET imaging quality and show how the results can be used to improve the exploitation of the model, to bring benefits to the application and how to evaluate the validity of the given prediction and the associated uncertainties. Importantly, our proposed methodology extends beyond this specific use case, as it can be generalized to other applications beyond PET imaging.
Open AccessDeep Learning reconstruction with uncertainty estimation for $γ$ photon interaction in fast scintillator detectorsThis article presents a physics-informed deep learning method for the quantitative estimation of the spatial coordinates of gamma interactions within a monolithic scintillator, with a focus on Positron Emission Tomography (PET) imaging. A Density Neural Network approach is designed to estimate the 2-dimensional gamma photon interaction coordinates in a fast lead tungstate (PbWO4) monolithic scintillator detector. We introduce a custom loss function to estimate the inherent uncertainties associated with the reconstruction process and to incorporate the physical constraints of the detector. This unique combination allows for more robust and reliable position estimations and the obtained results demonstrate the effectiveness of the proposed approach and highlights the significant benefits of the uncertainties estimation. We discuss its potential impact on improving PET imaging quality and show how the results can be used to improve the exploitation of the model, to bring benefits to the application and how to evaluate the validity of the given prediction and the associated uncertainties. Importantly, our proposed methodology extends beyond this specific use case, as it can be generalized to other applications beyond PET imaging.
- 18 November 2022
- Published by Elsevier in Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment
- Vol. 1047
Artificial gamma ray spectra simulation using Generative Adversarial Networks (GANs) and Supervised Generative Networks (SGNs)
- 18 November 2022
- Published by Elsevier in Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment
- Vol. 1047
Artificial gamma ray spectra simulation using Generative Adversarial Networks (GANs) and Supervised Generative Networks (SGNs)
- Open Access
- 1 May 2022
- Published by Elsevier in Nuclear Engineering and Technology
- Vol. 54 (5) , 1747-1753
Application of a deep learning algorithm to Compton imaging of radioactive point sources with a single planar CdTe pixelated detector
- 1 May 2022
- Published by Elsevier in Nuclear Engineering and Technology
- Vol. 54 (5) , 1747-1753
Open AccessApplication of a deep learning algorithm to Compton imaging of radioactive point sources with a single planar CdTe pixelated detector