Présentation

Article

1 - NOTIONS D’IMAGERIE MÉDICALE

2 - ANALYSE MULTIRÉSOLUTION REDONDANTE

3 - DÉBRUITAGE EN IMAGERIE MÉDICALE

4 - CONCLUSION

Article de référence | Réf : R1109 v1

Débruitage en imagerie médicale
Filtrage numérique à base d’ondelettes - Applications en imagerie médicale

Auteur(s) : Abdeldjalil OUAHABI

Date de publication : 10 juin 2013

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

RÉSUMÉ

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’article

ABSTRACT

Wavelet digital filtering - Applications in medical imaging

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 ».

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

KEYWORDS

denoising   |   wavelets   |   multiresolution   |   implementation   |   wavelets   |   electronics   |   biomedical   |   telecommunications   |   medical imaging   |   systems   |   measurements   |   random signal analysis   |   image processing

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-r1109

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 Débruitage en imagerie médicale

Accueil Ressources documentaires Biomédical - Pharma Technologies pour la santé Imagerie médicale – Thérapies par ondes Filtrage numérique à base d’ondelettes - Applications en imagerie médicale Débruitage en imagerie médicale

Accueil Ressources documentaires Mesures - Analyses Mesures et tests électroniques Techniques de mesure analogiques et numériques Filtrage numérique à base d’ondelettes - Applications en imagerie médicale Débruitage en imagerie médicale


Cet article fait partie de l’offre

Le traitement du signal et ses applications

(160 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

ABONNEZ-VOUS

Lecture en cours
Présentation
Version en anglais En anglais

3. Débruitage en imagerie médicale

3.1 Illustration en IRM

En imagerie par résonance magnétique, les limites pratiques de la durée d’acquisition imposent un compromis entre le rapport signal à bruit et la résolution de l’image. L’image RM est communément reconstruite par le calcul de la transformée de Fourier discrète inverse des données brutes. Le bruit dans (le module de) l’image RM est ricien ou de Rice (voir § 1.2) dont la moyenne dépend du signal (ou signal-dépendante).

Généralement, le débruitage par analyse multirésolution est réalisé par un seuillage uniforme ou adaptatif (doux ou dur) ; l’algorithme, décrit ici, offre une fonctionnalité supplémentaire, qui est l’adaptation au contexte spatial local. En raison de la moyenne du bruit ricien qui dépend du signal, les coefficients d’ondelettes et de la fonction d’échelle (détails et approximations) d’une image RM bruitée sont des estimations biaisées. Pour éviter d’avoir un biais dépendant du signal, l’algorithme proposé est appliqué au module carré de l’image RM. Le biais constant est alors soustrait à partir des coefficients d’échelle (approximations), et ensuite la racine carrée de l’image débruitée est calculée.

Diverses méthodes de filtrage d’images RM sont applicables, nous citerons le filtrage optimal de Wiener avec référence bruit seul , ou par filtrage non linéaire tel un seuillage plus ou moins sophistiqué.

La figure 9 montre un exemple de débruitage d’une image RM de l’anatomie du cerveau (coupe axiale)...

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Le traitement du signal et ses applications

(160 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

ABONNEZ-VOUS

Lecture en cours
Débruitage en imagerie médicale
Sommaire
Sommaire

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).

  • ...

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Le traitement du signal et ses applications

(160 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

ABONNEZ-VOUS