Techniques avancées pour la compression d'images médicales

par Jonathan Taquet

Thèse de doctorat en Traitement du signal et télécommunications

Sous la direction de Claude Labit.

Soutenue en 2011

à Rennes 1 .


  • Résumé

    La compression d'images biomédicales est un enjeu économique important, surtout pour les TDM, les IRM et les lames virtuelles (LV), et en particulier pour leur archivage et leur transmission. Cette thèse dresse un panorama des besoins et des solutions existantes et cherche à proposer de nouveaux algorithmes efficaces en comparaison aux références standardisées. Pour les TDM et IRM, un archivage de très bonne qualité est imposé. Ces travaux se sont donc focalisés sur la compression sans perte (SP) et presque sans perte (PSP). Il est proposé de i) fusionner la prédiction hiérarchique par interpolation avec un schéma DPCM adaptatif pour fournir une représentation scalable en résolution efficace en SP et en PSP, ii) optimiser pour chaque image une décomposition en paquets d'ondelettes. Les résultats des deux contributions montrent qu'il existe encore une marge de progression pour la compression des images les plus régulières et les moins bruitées. Pour les LV, la lame physique peut être conservée, la problématique concerne donc plus le transfert pour la consultation à distance que l'archivage. De par leur contenu, une approche basée sur l'apprentissage des spécificités structurelles de ces images semble intéressante. Cette troisième contribution vise donc une optimisation hors-ligne de K transformées orthonormales optimales pour la décorrélation (K-KLT). Cette méthode est notamment utilisée pour construire des post-transformées sur une décomposition en ondelettes. Leur application dans un modèle de compression scalable en qualité montre que l'approche peut permettre d'obtenir des gains de qualité intéressants en terme de PSNR.


  • Résumé

    Compression of biomedical images, especially computed tomography (CT), magnetic resonance imaging (MRI) and virtual microscopy (VM), is an important economic issue, particularly for archival and transmission. This thesis provides an overview of the medical needs and of the existing compression solutions. It also aims, in this context, at providing new digital compression algorithms that are efficient in comparison with the state of the art standards. For CT and MRI, a really good quality archival is imposed. Therefore this work has focused on lossless and near-lossless compression. It is proposed to i) combine the hierarchical interpolation predictive model with the adaptive DPCM one to provide a resolution scalable model that is effective for lossless and especially for near-lossless compression, ii) rely on an optimization for lossless compression of a wavelet packet decomposition structure, that is specific to the image content. The results of both contributions shows that there is still a room for improving the compression on most regular/smooth and less noisy images. For VM, the physical slides can be stored, so the issue more concerns the transfer for remote access than the archival. By the nature of their content, the learning of the properties of these images seems to be interesting. So, this third contribution aims to optimize offline K orthonormal transforms that are optimal for the decorrelation of training data (K-KLT). This method is applied to learn in particular post-transforms for a wavelet decomposition. Their application in a quality scalable compression scheme shows that the approach can yield rather interesting quality gains in terms of PSNR.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (225 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 205-222

Où se trouve cette thèse ?

  • Bibliothèque : Université de Rennes I. Service commun de la documentation. Section sciences et philosophie.
  • Disponible pour le PEB
  • Cote : TA RENNES 2011/101
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.