Débruitage et super-résolution des images médicales par l'approche d'apprentissage basé sur des exemples

Denoising and super-resolution for medical images by example-based learning approach

• Auteur / Autrice : Dinh Hoan Trinh
• Direction : Françoise Dibos, Marie Luong, Canh Duong Pham
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques spécialité Signaux et Images
• Date : Soutenance en 2013
• Etablissement(s) : Paris 13
• Ecole(s) doctorale(s) : École doctorale Galilée (Villetaneuse, Seine-Saint-Denis)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Analyse, géométrie et applications (LAGA) (Villetaneuse, Seine-Saint-Denis)
• Jury : Examinateurs / Examinatrices : Georges Koepfler, Jean-Marie Rocchisani, Emmanuel Viennet
• Jury : Rapporteurs / Rapporteuses : Agnès Desolneux, Béatrice Pesquet-Popescu, Truong Nguyen

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Mots clés libres

Débruitage

Bruit gaussien

Résumé

L’objectif de cette thèse est d’élaborer des méthodes efficaces pour le débruitage et la super-résolution afin d’améliorer la qualité et la résolution spatiale des images médicales. En particulier, nous sommes motivés par le challenge d’intégrer le problème de débruitage et de super-résolution dans la même formulation. Nos méthodes utilisent des images standards ou d’exemples localisées à proximité de l’image considérée pour le débruitage et/ou pour la super-résolution. Pour le problème de débruitage, nous introduisons trois nouvelles méthodes qui permettent de réduire certains bruits couramment trouvés sur les images médicales. La première méthode est construite sur la base de la Régression Rigide à noyau. Cette méthode peut être appliquée au bruit Gaussien et au bruit Ricien. Pour la deuxième méthode, le débruitage est effectué par le modèle de régression construit sur les K-plus proches voisins. Cette méthode peut être utilisée pour réduire le bruit Gaussien et le bruit Poisson. Nous proposons dans la troisième méthode, un modèle de représentation parcimonieuse pour éliminer le bruit Gaussian sur des images CT à faible dose. Les méthodes de débruitage proposées sont compétitives avec les approches existantes. Pour la super-résolution, nous proposons deux nouvelles méthodes mono-image basées d’exemples. La première méthode est une méthode géométrique par projection sur l’enveloppe convexe. Pour la deuxième méthode, la super-résolution est effectuée via un modèle de représentation parcimonieuse. Les résultats expérimentaux obtenus montrent que les méthodes proposées sont très efficaces pour les images médicales qui sont souvent affectées par les bruits.