Présentation
En anglaisRÉSUMÉ
Les images médicales sont souvent affectées par un bruit de nature aléatoire dont la source se situe au niveau du processus d'acquisition, de mesure et de transmission. La résolution de ce problème peut aboutir à une amélioration des diagnostics et des actes chirurgicaux. Un filtrage à base d'ondelettes peut permettre une élimination assez performante de ce bruit, tant du point de vue de l'erreur quadratique moyenne et du rapport signal à bruit noté SNR (signal-to-noise ratio) ou PSNR (peak signal-to-noise ratio) que de celui de la qualité visuelle.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Medical images are often affected by random noise occurring in the image acquisition, measurement and transmission process. The resolution of this problem can lead to improved diagnostic and surgical procedures. Wavelet filtering can allow for a reasonably efficient noise reduction from the viewpoint of the average square error, SNR (signal-to-noise ratio) or PSNR (peak signal-to-noise ratio) and also in terms of visual quality.
Auteur(s)
-
Abdeldjalil OUAHABI : Docteur-Ingénieur Grenoble INP, Docteur ès sciences - Professeur des Universités à Polytech’Tours (Université de Tours)
INTRODUCTION
L’imagerie médicale a révolutionné les pratiques médicales en devenant un outil couramment utilisé en médecine. Toutefois, les images médicales sont souvent affectées par un bruit de nature aléatoire dont la source se situe au niveau du processus d’acquisition. La résolution de ce problème peut aboutir à une amélioration des diagnostics et des actes chirurgicaux. Il est donc essentiel d’éliminer ce bruit pour rehausser et recouvrer les détails les plus fins qui peuvent être totalement masqués dans les données bruitées.
La démarche que nous proposons ici en matière de filtrage d’images consiste à convertir l’image bruitée, observée initialement dans le domaine spatial, en une image représentée dans le domaine transformé, tel que le domaine des ondelettes ou des contourlettes. Les coefficients d’ondelettes obtenus sont alors comparés à un seuil fixe ou adaptatif.
Cet essor actuel des transformées en ondelettes est dû principalement à deux propriétés spécifiques qui résultent des décompositions sur des bases d'ondelettes orthogonales : la parcimonie de représentation et la tendance à transformer un processus aléatoire stationnaire en séquences gaussiennes décorrélées.
Dans le cadre de la réduction de bruit, plus communément connue sous le vocable de « débruitage », le succès de l’analyse multirésolution à base d’ondelettes est précisément assuré par sa capacité de décorrélation (séparation du bruit et du signal utile) et par la notion de parcimonie de sa représentation.
Cette parcimonie se matérialise par un faible nombre de coefficients d’ondelettes (ou plus exactement de coefficients de la transformée en ondelettes) de forte amplitude représentant le signal utile supposé régulier ou régulier par morceaux. Quant au bruit, souvent supposé blanc et stationnaire, il aura tendance à se répartir sur toutes les composantes ou coefficients d’ondelettes.
S’appuyant sur ces deux propriétés (parcimonie et décorrélation), un filtrage adéquat dans le domaine des ondelettes et le calcul de la transformée en ondelettes inverse correspondante permettront d’obtenir le signal débruité.
En général, le débruitage d’images utilisant une analyse multirésolution à base d’ondelettes nécessite un compromis entre réduction du bruit et préservation des détails significatifs de l’image.
Les performances de ce filtrage seront analysées, tant du point de vue de l'erreur quadratique moyenne et du rapport signal à bruit, noté SNR (signal-to-noise ratio) ou PSNR (peak signal-to-noise ratio), que de celui de la qualité visuelle dans le cas d'images.
Cet article fait suite à l’article [RE 1 018] « Filtrage numérique à base d’ondelettes – Fondements ».
MOTS-CLÉS
débruitage ondelettes multirésolution implémentation seuillage électronique biomédical télécommunications imagerie médicale systèmes mesures analyse de phénomènes aléatoires traitement d'images
KEYWORDS
denoising | wavelets | multiresolution | implementation | wavelets | electronics | biomedical | telecommunications | medical imaging | systems | measurements | random signal analysis | image processing
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Électronique - Photonique > Électronique > Architecture et tests des circuits numériques > Filtrage numérique à base d’ondelettes - Applications en imagerie médicale > Conclusion
Accueil > Ressources documentaires > Technologies de l'information > Le traitement du signal et ses applications > Traitement du signal : bases théoriques > Filtrage numérique à base d’ondelettes - Applications en imagerie médicale > Conclusion
Accueil > Ressources documentaires > Biomédical - Pharma > Technologies pour la santé > Imagerie médicale – Thérapies par ondes > Filtrage numérique à base d’ondelettes - Applications en imagerie médicale > Conclusion
Cet article fait partie de l’offre
Mesures et tests électroniques
(78 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
4. Conclusion
Les ondelettes ont été introduites au début des années 1980, dans un contexte d’analyse du signal et d’exploration pétrolière. Il s’agissait à l’époque de donner une représentation des signaux permettant de faire apparaître simultanément des informations temporelles (localisation dans le temps et donc dans l’espace, durée) et fréquentielles, facilitant ainsi l’identification des caractéristiques physiques du sous-sol.
En raison de leur capacité de corrélation (séparation du bruit et du signal utile) et par la notion de parcimonie de leur représentation, une des applications phares des transformées en ondelettes orthogonales est le filtrage, plus communément connu sous le vocable de débruitage.
Effectivement, en débruitage, l’analyse multirésolution à base d’ondelettes a largement contribué à une nette évolution de l’acquisition, de la mesure et du traitement des signaux et images par des méthodes linéaires et des méthodes adaptatives principalement non linéaires, comme c’est le cas du filtrage par seuillage ou atténuation. Le débruitage, ou la réduction de bruit fondé sur une analyse multirésolution, est aujourd’hui incontournable dans de nombreux domaines d’application, notamment en imagerie médicale.
Dans ce contexte, les traitements temps-réel sont privilégiés ; soit en mode câblé mettant en jeu des circuits numériques réalisés par intégration monolithique ou à l’aide de composants du type FPGA (field programmable gate array), soit en mode programmé mettant en œuvre des architectures numériques composés de DSP (digital signal processor). En débruitage, le mode programmé est généralement privilégié en raison de la faible complexité algorithmique de la décomposition en ondelettes et du seuillage associé, et de la simplicité d’implémentation via MATLAB par exemple.
Globalement, l’évolution du marché de l’IRM au niveau mondial tend vers des machines d’au moins 3 T (teslas) et vers des machines IRM ouvertes.
L’objectif poursuivi par les principaux constructeurs est l’amélioration du rapport signal à bruit, ainsi que la rapidité d’acquisition. Les modifications à apporter sont de nature matérielle (homogénéité du champ, puissance et pente des gradients, chaîne radiofréquence, antenne multi-éléments, injection d’agents de contraste...
Cet article fait partie de l’offre
Mesures et tests électroniques
(78 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Conclusion
BIBLIOGRAPHIE
-
(1) - COATRIEUX (J.L.), VELUT (J.), DILLENSEGER (J.L.), TOUMOULIN (C.) - De l’imagerie médicale à la thérapie guidée par l’image - Médecine Sciences, 26 (12), p. 1103-1109 (2010).
-
(2) - JERBI (K.), LACHAUX (J.-P.), NDIAYE (K.), PANTAZIS (D.), LEAHY (R.), GARNERO (L.), BAILLET (S.) - Coherent Neural Representation of Hand Speed in Humans Revealed by MEG Imaging - Proceedings of the National Academy of Sciences of the USA, 104 (18), p. 7676-7681 (2007).
-
(3) - GRAND (S.), TROPRES (I.), KRAINIK (A.), CASEZ (O.), ATTYE (A.), LE BAS (J.F.) - Principes fondamentaux de l'imagerie par résonance magnétique. Principes de l'IRM multimodalité - Pratique Neurologique – FMC, 3 (3), p. 253-269 (2012).
-
(4) - MALLAT (S.) - A Wavelet Tour of Signal Processing : The Sparse Way - 3e Édition, Academic Press, New York (2009).
-
(5) - OUAHABI (A.) - Introduction à l’analyse multirésolution - In Analyse multirésolution pour le signal et l’image. p. 15-159, Hermès-Lavoisier, Paris (2012).
- ...
DANS NOS BASES DOCUMENTAIRES
Cet article fait partie de l’offre
Mesures et tests électroniques
(78 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive