Réduction de bruit dans l’imagerie médicale en utilisant les réseaux de neurones cellulaires et les ondelettes

Abstract

RESUME Dans cette thèse deux méthodes ont été appliquées dans le domaine de la réduction du bruit des taches dans l’imagerie médicale, qui est une caractéristique naturelle de l’image de l’échographie médicale. C’est un terme utilisé pour la forme granulaire qui apparait dans le B-Scan et peut être considéré comme un bruit multiplicatif. Le bruit des taches diminue la capacité d’un observateur à distinguer les détails fins dans l’examen de diagnostique. Il limite aussi l’application effective du traitement d’images telles que la détection de contours et la segmentation. Par conséquent les méthodes de traitement du bruit de taches ont fait l’objet de recherches pour améliorer la qualité d’image et d’accroitre les capacités de diagnostique d’images médicales à ultrasons. Les méthodes qu’on a utilisées lors de ce travail sont utilisées dans le traitement d’images, parmi leurs applications, la réduction de bruit dans l’imagerie médicale. La première méthode concerne l’utilisation des ondelettes qui ont apporté un nouveau souffle dans le domaine du traitement de signal et d’images. Elles permettent, en effet, d'analyser et de repérer les discontinuités d'un signal à une ou à deux dimensions, et à des échelles différentes. Cette caractéristique est utilisée pour le débruitage des images. Dans le domaine de l’imagerie médicale, le débruitage cherche à pouvoir discerner les informations utiles dans le domaine médical comme la forme, le contour, etc. Par seuillage des ondelettes, on peut débruiter une image par élimination des détails les plus fins. La deuxième méthode qui est proposée par CHUA&YANG est basée sur les réseaux de neurones cellulaires (Cellular Neural Network : CNN), sa caractéristique en temps continu permet le traitement du signal en temps réel dans le domaine numérique et sa caractéristique d'interconnexion locale qui est faite sur mesure pour la mise en oeuvre VLSI.

ABSTRACT In this thesis two methods have been applied in the speckle noise reduction in medical imaging, Speckle Noise is a natural characteristic of medical ultrasound images. It is a term used for the granular form that appears in B-Scan and can be considered as a kind of multiplicative noise. Speckle Noise reduces the ability of an observer to distinguish fine details in diagnostic testing. It also limits the effective implementation of image processing such as edge detection, segmentation and volume rendering in 3 D. Therefore; treatment methods of speckle noise were sought to improve the image quality and to increase the capacity of diagnostic medical ultrasound images. The methods we used in this work are used in image processing, among their applications noise reduction in medical imaging. The first method, it is the use of wavelets which have brought a new breath in the field of signal and image processing since its appearance. They make it possible to analyze and identify discontinuities of a signal to one or two dimensions and at different scales. This feature is used for image denoising. In the field of medical imaging, denoising seeks to discern relevant information in the medical field as the shape, contour, etc. By thresholding with wavelet, we can denoise an image by eliminating fine details. The second method is proposed by CHUA & YANG called the cellular neural networks (CNN). Cellular neural networks share the best features of both worlds; its continuous time feature allows real-time signal processing found wanting in the digital domain and its local interconnection feature makes it tailor made for VLSI implementation. Cellular neural networks are uniquely suited for high-speed parallel signal processing.