1

Restoration DES IMAGES DE LA RéTINE HUMAINE

PAR LA DIFFUSION ANISOTROPE

E

µ

E

Elaboré par: Mariem Ben Abdallah ;Jihène Malek; Gérard Subsol; Karl Krissian

REPUBLIQUE TUNISIENNE MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA

RECHERCHE SCIENTIFIQUE

FACULTE DES SCIENCES DE MONASTIR TUNISIE

Thème de recherche: Imagerie Médicale

UNIVERSITE DE MONTPELLIER II FRANCE

2

Introduction Anatomie de l'œil Problématique Evolution de la diffusion Anisotrope Diffusion Anisotrope basée sur l’Estimation

du Bruit Résultats Conclusion

Plan

3

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

4

ANATOMIE DE L'ŒIL 

5

http://reference.medscape.com/features/slideshow/retina

Effets des maladies sur les vaisseaux sanguins

INTRODUCTION

6

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

7

Utilisation des operateurs de lissage Plusieurs techniques ont été proposées pour réduire

le bruit tels que: Filtre Gaussien( - efface les bords) Filtre median (+ maintient les bords, - suppression

les fines details) Diffusion anisotrope basée sur les statistiques

locales de l’image (+ lisse les zones homogenes et rehausse les contours,- bruit supposé connu)

Pour cela, nous proposons une nouvelle version de la diffusion anisotrope basée sur la modélisation du bruit afin d'optimiser  le filtrage des images.

PROBLÉMATIQUE

8

Equation de la chaleur:

Diffusion anisotrope (Perona et Malik):

)( udivut

“g” dépend de la norme du gradient de l’image

Réduit la diffusion pour les forts gradient.

Lissage de l’information dans toutes les directions de façon identique (isotrope)

2exp kuug dont,

Désavantages: k : seuil sur la norme du gradient

Il est difficile de stabiliser de façon automatique le bon seuil k .

La diffusion anisotrope de P & M avec ses limites [Perona & Malik, 1987]:

Evolution de la Diffusion Anisotrope

9

Flux based Anisotropic Diffusion:

uDdivut .

Modèle de la Diffusion Matricielle [Karl Krissian & al.,2002]:

Model de la diffusion matricielle

Evoluion:

Nouveautés:le choix particulier du repère associé à la diffusionLa diffusion est considérée comme une somme de deux diffusionsLa fonction de diffusion associée à chaque vecteur de la base depend de la dérivée premiére de l’intensité dans cette direction

*2

*1 **

uuF

Evolution de la Diffusion Anisotrope

10

avec,

contours

Réhaussement des coutours.

si,sinon,

lissage avec l’équation de la chaleur

Seackle Reducing Anisotropic Diffusion(SRAD)[Yu & Acton, 2002]:

La diffusion est contrôlée par les statistiques locales dans l’image.

Lee Filter:

Variance du bruitVariance locale de l’image observée

Zones homogénes

0

Evolution de la Diffusion Anisotrope

11

Où, uDdivut .

Plus robuste au bruit

Réorienter le flux du vecteur gradient dans une base orthonormale liée à la structure locale de l’image.

Estimation de la variance du bruit

Calcul de la variance et la moyenne locales de l’image

Calcul des coefficients de diffusion:

Oriented Seackle Reducing Anisotropic Diffusion[Karl & al., 2007]

Evolution de la Diffusion Anisotrope

12

Calcul des statistiques locales de l’image:

La variance locale est estimée dans chaque direction de la structure localela direction de l’axe du vaisseau, et sa direction orthogonale.

Voisinage linéique de taille 7 pixels

Moyenne locale linéaire :

Voisinage dans la direction du vaisseau:

Voisinage dans la direction Orthogonale:

Evolution de la Diffusion Anisotrope

13

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!

Evolution de la Diffusion Anisotrope

14

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

15

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.

Diffusion Anisotrope basée sur l’Estimation du Bruit

16

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!

Fonction du Niveau de Bruit(NLF)

Modéle du bruit:

Fonction Réponse de la Caméra (CRF) f: Téléchargée à partir de “ Columbia camera response function database” http:// www.cs.columbia.edu/CAVE

Tsin et. al. Statistical calibration of CCD image process. ICCV, 2001

Bruit de la Camera

Atmospheric Attenuation

Lens/geometricDistortion

CCD Imaging/Bayer Pattern

Fixed PatternNoise

Shot Noise

Thermal Noise

Interpolation/Demosaic

WhiteBalancing

GammaCorrection

A/D Converter

Dark Current Noise

t

QuantizationNoise

SceneRadiance

DigitalImage

CameraIrradiance

)( cs nnLfI

I

L

2)(Var,0)(E sss Lnn Bruit Dependant:Bruit indépendant: 2)(Var,0)(E ccc nn

18

CAMERA RESPONSE FUNCTION (CRF)

Synthése du bruit CCD

NLF Estimé: )(),,;( IIEfI Ncs

I NI

Fonction Réponse de la Caméra: fBruit dependant:Bruit Independant :

s

c

20

Synthése du bruit CCD

21

est une donnée sur un grand nombre de variables, qui peuvent avoir une certaine corrélation entre elles,

Pour réduire le nombre de variables on utilise l’analyse de la composante principale (PCA).

Donc, On peut écrire le modéle théorique du bruit comme:

Modèle du bruit

22

K-means clustering method

Le but de l'estimation du bruit est d'adapter une enveloppe inférieure de l'ensemble d'échantillons.

Modèle du bruit

23

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

Modèle du bruit

Deux bases de données: STARE Project [7]

Berkeley image segmentation [6]

24

Des expériences ont été menées sur des images réelles et synthétiques.

Résultats

25

RÉSULTATS

Image bruitée Rouge Vert Bleu

;08.0s :03.0c);60(crf

26

RÉSULTATS

Rouge Vert Bleu

Zoom in

Image avec un bruit synthetic

Image filtrée

RÉSULTATS

28

Résultats

Image originale; Coefficients de diffusion C1, C2

29

Image Originale ; Partie de l’image; Résultat après 3 itérations

Résultats

30

Résultats

Image Originale Résultat après 10 itérations

31

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.

Conclusion

32

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 Kirby Vosburgh; «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’l Conf. Computer Vision, vol. 2, pp. 416- 423, July 2001.

[7] http://www.ces.clemson.edu/~ahoover/sta e/

33

Merci