FORMATION TIC (Phymed)
TRAITEMENT DES IMAGES MEDICALES
Fayçal Ben Bouallègue - faybenb@hotmail.com http://scinti.etud.univ-montp1.fr
q
IMAGE ANALOGIQUE IMAGE NUMERIQUE
Numérisation
Approche intuitive
Si la taille du pixel est identique à la LMH, alors aucun
contraste n’est produit pour des
objets ponctuels distants d’un peu
plus que la LMH:
Perte de résolution
LMH
LMH+e
LMH+e
LMH / 2+e
Théorème de Shannon
ECHANTILLONNAGE SANS PERTE DE
RESOLUTION
taille du pixel d d LMH/2
En pratique : d = LMH/2
1/d=2/LMH f
e=2.f
max
n n
d
e ( x ) s ( x ). S ( x ) s ( x ). x nd s ( n . d ). x nd s
d x
s(x) s
e(x)
Opérateur d’échantillonnage
d = 1/n
ex 1
d
(x)
nδ x nd
S
n
nd δ x
s(x).
. ( ) 1
) (
d n
TF
d n
d n S d
d n x
x
S n n
Nb :
n
e (x) s(x) . δ x nd
s
d n s d n d s d n
s ˆ ( n ) n ˆ ( n ' ) . n n ' . n ' ˆ n
R
)
ˆ ( ) 1
ˆ (
n
e
d
s n
s n d n n
n
e
d
s n s ˆ ( n ) d 1 ˆ n
Théorème de Shannon
n
e
e
s n v
s d 1 ˆ .
)
ˆ ( n n
Théorème de Shannon
n
e
e
s n v
s
d . ˆ ( n ) ˆ n .
) ˆ (
) ˆ (
).
ˆ ( . .
2 n max n n n
n e d s e p s
) ˆ ( n p
2
e / n
2
e/ n
n n
nd x
p nd s
d nd
x nd
s x
p
d . ( ) ( ). ( ) . ( ) . ( )
) ˆ (
).
ˆ ( . )
ˆ ( n d s n p n
s e
Théorème de Shannon
) ( )
(
. s x p x
d
d
) ( )
sinc(
)
( s x
d x x
s
e
d
TF
-1) sinc(
) ( )
( .
2
maxd x x
s x
s
e de
n
n
Théorème de Shannon
L’échantillonnage :
avec d = LMH/2
se fait sans perte d’information
n
e= 2.n
max= 2/LMH est appelé fréquence de Nyquist
n d
e
x s x S x s n d x nd
s ( ) ( ). ( ) ( . ).
Théorème de Shannon
d = LMH/2 1/d=2/LMH
f
e=2.f
max LMH = 1fmax= 1
? ( ) sinc( )
)
( d
x x s x
s
e
d
fe = 0,8 < 2 fmax fe= 1,25 < 2 fmax
fe= 2 =2 fmax fe= 5 > 2 fmax
? ( ) sinc( )
)
( d
x x s x
s
e
d
Théorème de Shannon
Exemple : Nombre de pixels en scintigraphie myocardique champ 50x50 cm
LMH = 16 mm
Réponse:
n
max=1/LMH =1/16 = 0.0625 pixel/mm
n
e=2.n
max=2/16 = 0.125 pixel/mm
Donc 0.125 x 500 =62.5 i.e 64 pixels/côté
critère algorithme
Notion de filtrage
pixel à traiter
voisinage = masque
Filtrer un image, c’est
éliminer les signaux gênants
respecter les signaux pertinents
Il faut donc définir :
un critère pour discriminer signaux parasites et pertinents
un algorithme pour éliminer les signaux parasites
information locale
1° idée : critère fréquentiel
Ceci conduit à multiplier chaque harmonique par un facteur d’amplification variable, donc à appliquer un filtre linéaire et
invariant dans le décalage (convolution).
Critère : fréquences
Algorithme: convolution
ou multiplication dans
l’espace des fréquences
spatiales.
Filtrage linéaire d’image
Convolution:
Remplace chaque valeur par une moyenne pondérée des valeurs voisines
Atténuation sélective de certaines fréquences
Filtres passe-bas
k
k) f(k).m(i
s(i)
1 2 1
2 4 2
1 2 1 16
1
)]
cos(
1 .[
5 , 0 ) ( fˆ
n
e n
n en 2D : n
x2 n
y2n
c y x
y x
f
m
22 2
1 ) 1
, ˆ (
n n
n n
Exemple: filtres de Butterworth
n=1
n=10
f
coriginal
Butterworth Filtre Passe-Bas
Exemple: segmentation
Frontières :
Extrema du gradient (f’)
Zéros du Laplacien (f’’)
p p*h = f f’
f ’’
)]
1 ,
( )
1 ,
( 2 [
) 1 , (
)]
, 1 (
) , 1 (
2 [ ) 1
, (
j i f j
i f j
i g
j i
f j
i f j
i g
v
h
1 / 2 0 1 / 2
2 / 1
0 2 / 1
1 0 1
2 0
2
1 0 1 G
h
1 2
1
0 0
0
1 2
1 G
vFiltres passe-haut: Gradients
Généralisation 2d:
i
j
Filtres passe-haut: Gradients
GV
G GH
GH (GV) efface les frontières verticales (horizontales)
original
1 1
1
1 8 1
1 1
1
Filtres passe-haut: Laplacien
original
Déconvolution planaire
h
Dans une image de projection, la distance entre la source et
le détecteur où se forme l’image est inconnue. On considère
donc la réponse impulsionnelle comme invariante.
TF d’une gaussienne
2 2 2
2
/ 2
2. ˆ ( )
) 1
(
n
n
e h e
i h
i
) ˆ ( n h
) (i h
0 )
ˆ ( n h
)
ˆ ( 1
n h 1
n
) ˆ (
1
n
h
Filtre de déconvolution de Metz
hˆ
pˆ sˆ hˆ . pˆ
hˆ
1 pˆ
) , ˆ (
) , ˆ ( 1 1 ) , ˆ (
2
y x
n y
x y
x
h
h
m n n
n n n
n
) , ˆ(
1
y
h
n
xn
n=1
n=15 n=4
n=0,834.ln(C)-7,774
King et al. JNM 83;24
Metz Et al . JNM 73; 15
Réponse impulsionnelle en SPECT
2 2
2
2 ) 1
(
i
e i
h
. d d
d
Relation fréquence-distance
x y
s t
q
s q
t p s, θ f(i, j). dt
q
s x y
s t
q t
f
T
Relation fréquence-distance
x y
s t
q t
q
s f
θ T.cos(φ θ)
s
T
f T
θ T.sin(θ φ) t
s'
Relation fréquence-distance
x y
s t
q t
q
s f
T
Δθ t Δs
Δs Δθ
θ T.cos(φ θ)
s
θ T.sin(θ φ) t
s'
Relation fréquence-distance
x y
s t
q t
q
s
Δθ t Δs
θ T.cos(φ θ)
s
θ T.sin(θ φ) t
s'
Relation fréquence-distance
x y
s t
q t
n
w f
T
Δθ t Δs
TF 2D
ωn
t
θ T.cos(φ θ)
s
θ T.sin(θ φ) t
s'
Relation fréquence-distance
i j
s t
q
ω n
t
w n
s q
TF
2 ω, n
s, θ f(i, j). dt pˆ
p
pente -t
Déconvolution en TEMP
2 2
2
2 ) 1
(
ti
t
t
i e
h
hˆ
tpˆ pˆ
c hˆ
t. pˆ
hˆ
t1 pˆ
n h p n
p ˆ
cw , ˆ
n( w ). ˆ w ,
w
p n
n h
p
cn
ˆ , ) . ˆ (
, 1
ˆ w
w w
w
w n
Edholm, Lewitt et al. Proc SPIE 1986, et IEEE-TMI, 1989
pente -t
Filtrage non linéaire
Il faut abandonner le fait de réaliser des
moyennes pondérées, d’utiliser un masque identique sur toute l’image, ou les deux.
Masque variable : VSS Pas de moyenne :
Médian, ouverture et fermeture morphologiques
Pas de moyenne et masque variable :
Centre, filtres géodésiques, filtres adaptés…
Lissage sur masque adapté (VSS)
Accumulation pour moyenne des
s(i’,j’) s(i,j)2s(i,j)
original
VSS
Filtre médian
On remplace s(i,j) par la valeur médiane dans un
voisinage fixe de (i,j)
Opérateurs morphologiques
) j' , (i' s Inf
j) (i, ) ε (s
j
Bi,
) j' ,
B
(i' s(i)
C
érosion
x / C G
)
ε
B(G
x
i
Opérateurs morphologiques
s(i)
C
dilatation ( ) ( , ) ( ' , ' )
) ,
' ,' (
j i s Sup j
i s
j
Bi
j i
B
x / C G
)
(G
xB
i
Filtres morphologiques
s(i) C
fermeture
B(s ) (i, j) ε
B δ
B (s ) (i, j)
C / C G
c)
(G
x xB
e
i
Filtres morphologiques
s(i) C
ouverture γ
B(s ) (i, j) δ
B ε
B (s ) (i, j)
e
C / C G
)
(G
x xB
e
i
Exemples de filtres morphologiques
f
1
1original
h(s) = 2s -
B(s)
s
(s) s-(s)
h(s)=2s-(s)
ε (m ), s , où m ( )
) Ε (m
) ( m
où
, s δ (m),
) Δ (m
B B
s
B B
s
s s
e
Ε (m) φ (s)
et
Δ (m)
γ rec (s) s rec s Filtres géodésiques
rec of
rece(s)(i,j) =
k( e
Sk)(s)(i,j)
(s)(i,j) =
k(
Sk)(s)(i,j)
Sup et Inf d’opérateurs
) ( )
(
) ( )
(
f f
f G
f f
f G
B i
B
B e
B