Restoration DES IMAGES DE LA RéTINE HUMAINE PAR LA DIFFUSION ANISOTROPE

1. 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

2. Plan • Introduction • Anatomie de l'œil • Problématique • Evolution de la diffusion Anisotrope • Diffusion Anisotrope basée sur l’Estimation du Bruit • Résultats • Conclusion

3. 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.

4. ANATOMIE DE L'ŒIL 

5. INTRODUCTION • Effets des maladies sur les vaisseaux sanguins http://reference.medscape.com/features/slideshow/retina

6. 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)

7. 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.

8. 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 .

9. 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

10. 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

11. 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

12. 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:

13. 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!

14. 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!

15. 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.

16. 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!

17. 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

18. CAMERA RESPONSE FUNCTION (CRF)

19. FonctionRéponse de la Caméra: f Bruit dependant: Bruit Independant : NLF Estimé: Synthése du bruit CCD I

20. Synthése du bruit CCD

21. 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:

22. Modèle du bruit K-meansclusteringmethod • Le but de l'estimation du bruit est d'adapter une enveloppe inférieure de l'ensemble d'échantillons.

23. 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

24. Résultats • Des expériences ont été menées sur des images réelles et synthétiques. • Deux bases de données: • STARE Project [7] • Berkeley image segmentation [6]

25. RÉSULTATS • Rouge Vert Bleu • Image bruitée

26. RÉSULTATS • Rouge Vert Bleu

27. RÉSULTATS Image avec un bruit synthetic Image filtrée Zoom in

28. Résultats Image originale; Coefficients de diffusion C1, C2

29. Résultats • Image Originale ; Partie de l’image; Résultat après 3 itérations

30. Résultats • Image Originale Résultat après 10 itérations

31. 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.

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 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/

33. Merci