360 likes | 546 Views
REPUBLIQUE TUNISIENNE MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE. UNIVERSITE DE MONTPELLIER II FRANCE. FACULTE DES SCIENCES DE MONASTIR TUNISIE. Thème de recherche: Imagerie Médicale. Restoration DES IMAGES DE LA RéTINE HUMAINE PAR LA DIFFUSION
E N D
REPUBLIQUE TUNISIENNE MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE DE MONTPELLIER II FRANCE FACULTE DES SCIENCES DE MONASTIR TUNISIE Thème de recherche: Imagerie Médicale Restoration DES IMAGES DE LA RéTINE HUMAINE PAR LA DIFFUSION ANISOTROPE Elaboré par: Mariem Ben Abdallah ;Jihène Malek; Gérard Subsol; Karl Krissian
Plan • Introduction • Anatomie de l'œil • Problématique • Evolution de la diffusion Anisotrope • Diffusion Anisotrope basée sur l’Estimation du Bruit • Résultats • Conclusion
INTRODUCTION • La « rétinopathie diabétique » (RD) est une des causes importantes du handicap visuel chez les diabétiques. • Il s’agit d’une modification des minuscules vaisseaux sanguins qui nourrissent la rétine (sténose). • le dépistage et le suivi de cette maladie se servent du traitement d’image malgré les nombreuses difficultés qui sont posées par la complexité de ces images.
INTRODUCTION • Effets des maladies sur les vaisseaux sanguins http://reference.medscape.com/features/slideshow/retina
PROBLÉMATIQUE • Les images rétiniennes prises au quotidien clinique: • Très bruitées, • Faible contraste, • Illumination non uniforme. • Les raisons: • Maladies possibles (cataracte), • Circonstances dans lesquelles la photo est prise, • L’illumination varie d’un patient à un autre. • Outils d’acquisition (capteur CCD) • Objectifs: • Optimiser la visualisation de ces images soit pour une lecture manuelle ou une analyse ultérieure (segmentation). • Extraire de l’information (vaisseaux sanguins)
PROBLÉMATIQUE • Utilisation des operateurs de lissage • Plusieurs techniques ontétéproposées pour réduire le bruit telsque: • FiltreGaussien( - efface les bords) • Filtre median (+maintient les bords, - suppression les fines details) • Diffusion anisotropebaséesur les statistiques locales de l’image (+lisse les zones homogenes et rehausse les contours,- bruit supposéconnu) • Pour cela, nous proposons une nouvelle version de la diffusion anisotrope basée sur la modélisation du bruit afin d'optimiser le filtrage des images.
Evolution de la Diffusion Anisotrope • La diffusion anisotrope de P & M avec ses limites[Perona & Malik, 1987]: Equation de la chaleur: Diffusion anisotrope (Perona et Malik): dont, • “g” dépendde la norme du gradient de l’image • Réduit la diffusionpour les fortsgradient. • k : seuilsur la norme du gradient Désavantages: • Lissage de l’informationdanstoutes les directions de façonidentique (isotrope) • Il est difficile de stabiliser de façon automatique le bon seuil k .
Evolution de la Diffusion Anisotrope • Modèle de la Diffusion Matricielle [Karl Krissian& al.,2002]: Evoluion: • Model de la diffusionmatricielle Fluxbased Anisotropic Diffusion: • Nouveautés: • le choix particulier du repère associé à la diffusion • La diffusion estconsidéréecommeunesomme de deux diffusions • La fonction de diffusionassociée à chaquevecteur de la base depend de la dérivéepremiére de l’intensitédanscette direction
Evolution de la Diffusion Anisotrope • Seackle Reducing Anisotropic Diffusion(SRAD)[Yu & Acton, 2002]: Lee Filter: Variance du bruit avec, Variancelocale de l’imageobservée • La diffusion estcontrôlée par les statistiques locales dans l’image. Zoneshomogénes contours sinon, 0 si, • Réhaussement des coutours. • lissage avec l’équation de la chaleur
Evolution de la Diffusion Anisotrope • Oriented Seackle Reducing Anisotropic Diffusion[Karl & al., 2007] • Réorienter le flux du vecteurgradientdansune base orthonormaleliée à la structure locale de l’image. Où, • Plus robuste au bruit • Calcul des coefficients de diffusion: • Estimation de la variance du bruit • Calcul de la variance et la moyenne locales de l’image
Evolution de la Diffusion Anisotrope • Calcul des statistiques locales de l’image: • La variance locale estestiméedanschaque direction de la structure locale • la direction de l’axe du vaisseau, et sa direction orthogonale. • Voisinagedans la direction du vaisseau: • Voisinagelinéique de taille7 pixels • Moyenne locale linéaire : • Voisinagedans la directionOrthogonale:
Evolution de la Diffusion Anisotrope • Avantages: • décroissance naturel de la diffusion avec la décroissance de la variance du bruit • Un paramètre de moins (seuil sur la norme du gradient) • Inconvénients: • Le bruit est supposé connu!
Diffusion Anisotrope basée sur l’Estimation du Bruit • Introduction • Dans le domaine du filtrage des images de fond d’œil, le bruit est supposé connu comme bruit gaussien blanc additif (AWGN) • Cependant, dans des applications réelles, le bruit est inconnue et non additif • Difficile de faire des algorithmes de vision par ordinateur entièrement automatique sans connaître le bruit!
Diffusion Anisotrope basée sur l’Estimation du Bruit • Nous Proposons de développer une nouvelle version de la diffusion Anisotrope : • Modéliser le bruit à partir d’une seule image et de paramètres connues sur les caméras d'acquisition. • Paramètres lié aux statistiques locales de l'image • Avantages: • L’écart type du bruit dépends de l’intensité • Décroissance naturel de la diffusion avec la variance du bruit • Des calculs convergent sans qu'il y aura lissage des caractéristiques intéressantes de l'image.
Fonction du Niveau de Bruit(NLF) • L’écart type du bruit s varie en fonction de la l’intensité I • Mesurable en effectuant plusieurs captures pour la même scène. • Pour chaque pixel: • Moyenne: I • Ecart type: s • NLF dépend de la caméra, ISO, vitesse d'obturation, l'ouverture • But: Estimer NLF à partir d’une seule Image • Estimer NLF sans séparer le bruit du signal!
Bruit Dependant: Bruit indépendant: Bruit de la Camera • Modéle du bruit: • FonctionRéponse de la Caméra (CRF) f: Téléchargée à partir de “ Columbia camera response function database” http:// www.cs.columbia.edu/CAVE Shot Dark Current Camera Noise Noise Irradiance Scene Lens / L Radiance Atmospheric CCD Imaging / Fixed Pattern geometric Attenuation Bayer Pattern Noise Distortion Quantization Thermal Noise Noise Digital Image I Interpolation / A / D Gamma White t Demosaic Converter Correction Balancing Tsin et. al. Statistical calibration of CCD image process. ICCV, 2001
FonctionRéponse de la Caméra: f Bruit dependant: Bruit Independant : NLF Estimé: Synthése du bruit CCD I
Modèle du bruit • estunedonnéesur un grand nombre de variables, qui peuventavoirune certaine corrélation entre elles, • Pour réduire le nombre de variables on utilise l’analyse de la composante principale (PCA). • Donc, On peutécrire le modélethéorique du bruit comme:
Modèle du bruit K-meansclusteringmethod • Le but de l'estimation du bruit est d'adapter une enveloppe inférieure de l'ensemble d'échantillons.
Modèle du bruit • L'écart-type estimé devrait être plus grand et proche de la valeur réelle • Chaque unique fonction de VRAI ressemblance est le produit de Gaussian pdf et Gaussian cdf: • Nous utilisons Bayesian MAP inference pour inférer NLF à partir d’une seule image
Résultats • Des expériences ont été menées sur des images réelles et synthétiques. • Deux bases de données: • STARE Project [7] • Berkeley image segmentation [6]
RÉSULTATS • Rouge Vert Bleu • Image bruitée
RÉSULTATS • Rouge Vert Bleu
RÉSULTATS Image avec un bruit synthetic Image filtrée Zoom in
Résultats Image originale; Coefficients de diffusion C1, C2
Résultats • Image Originale ; Partie de l’image; Résultat après 3 itérations
Résultats • Image Originale Résultat après 10 itérations
Conclusion • L’objectif dans ce travail est le traitement d’images médicales afin de faciliter et d’améliorer le diagnostic de la Rétinopathie Diabétique. • Modéliser le bruit à partir d’une seule image de fond d’oeil.
Bibliographie [1] J. Weickert;" Anisotropic Diffusion in image processing"; Teubner-Verlag,1998. [2] K. Krissian; " Flux- Based anisotropic Diffusion Applied to enhancement of 3D Angiograms"; IEEE Transactions on Medical Imaging, Vol. 21, No.11.Nov 2002. [3] Ce Liu, Richard Szeliski, Fellow, Sing Bing Kang, C. Lawrence Zitnick, and William T. Freeman, "Automatic Estimation and Removal of Noise from a Single Image". IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE,pp. 299-314, VOL. 30, NO. 2, FEBRUARY 2008. [4] Perona, P., Malik, J.; ”Scale-space and edge detection using anisotropic diffusion”; IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI), Vol. 12, No, 7, 1990, pages: 629-639. [5] Karl Krissian, Carl-Fredrik Westin, Ron Kikinis and KirbyVosburgh; «Oriented Speckle Reducing Anisotropic Diffusion», IEEE Transactions on Image Processing; MAY 2007 [6] D. Martin, C. Fowlkes, D. Tal, and J. Malik, “A Database of Human Segmented Natural Images and Its Application to Evaluating Segmentation Algorithms and Measuring Ecological Statistics,” Proc. IEEE Int’lConf. Computer Vision, vol. 2, pp. 416- 423, July 2001. [7] http://www.ces.clemson.edu/~ahoover/sta e/