Compression en qualité diagnostic de séquences d’images médicales pour des plateformes embarquées

Compression with diagnostic quality of medical image sequences for embedded platforms

• Auteur / Autrice : Imen Mhedhbi
• Direction : Patrick Garda
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/01/2015
• Etablissement(s) : Paris 6
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Matthieu Cord
• Jury : Examinateurs / Examinatrices : Abdelaziz Bensrhair, Sylvain Hochberg, Didier Heudes, Khalil Hachicha
• Jury : Rapporteur / Rapporteuse : Azeddine Beghdadi, Hassan Rabah

Mots clés

Mots clés contrôlés

Systèmes embarqués (informatique)

Markov, Processus de

Traitement d'images -- Techniques numériques

Imagerie médicale -- Qualité de l'image

Données -- Compression (informatique)

Mots clés libres

Compression

Séquences images médicales

Markov

Waaves

Tri adaptatif

Multithreading

DWT

Qualité

Compression

Medical image sequences

Markov

Waaves

Résumé

Les hôpitaux et les centres médicaux produisent une énorme quantité d'images médicales numériques chaque jour, notamment sous la forme de séquences d'images. En raison de la grande capacité de stockage et de la bande passante de transmission limitée, une technique de compression efficace est nécessaire. Nous avons proposé un algorithme de compression de séquences d'images médicales MMWaaves. Il repose sur l'utilisation de modèles Markovien couplé avec le codeur Waaves de la société Cira qui est certifié en tant que dispositif médicale. Nous avons démontré que MMWaaves a apporté un gain de compression supérieur à 30% par rapport à JPEG2000 et Waaves tout en gardant la qualité nécessaire pour les diagnostics cliniques (SSIM>0.98). En outre, il a permis d'atteindre des taux de compression égaux à ceux obtenus par H.264 en améliorant la qualité. Ensuite, nous avons développé une nouvelle chaine de compression MLPWaaves à base de différence en DWT suivie d'un nouveau modèle de tri adaptatif LPEAM permettant l'optimisation de la stationnarité locale des coefficients. Nous avons obtenu un gain de compression allant à 80% par rapport à Waaves et JPEG2000 tout en assurant une qualité exceptionnelle pour le diagnostic médical. Finalement, afin de transmettre à distance les images médicales du centre de santé à l'appareil mobile du médecin, nous avons proposé un système de télé-radiologie pour le codage et le décodage basé sur nouveau paradigme multithreading. La validation de cette nouvelle solution a été réalisée sur deux plateformes différentes. Nous avons obtenu un facteur d'accélération égal à 5 sur un Intel Core i7-2600 et un facteur égal à 3 sur une tablette Samsung Galaxy.

Hospitals and medical centers produce an enormous amount of digital medical images every day especially in the form of image sequences. Due to the large storage size and limited transmission and width, an efficient compression technique is necessary. We first proposed a compressor algorithm for medical images sequences MMWaaves. It is based on Markov fields coupled with the certified medical device Waaves of Cira company. We demonstrated that MMWaaves provided a compression gains greater than 30% compared to JPEG2000 and Waaves while ensuring outstanding image quality for medical diagnosis (SSIM> 0.98). In addition, it achieved compression rates equal to those obtained by H.264 while improving the image quality. Then we developed a new compression algorithm MLPWaaves based on DWT difference followed by a new adaptive scanning model LPEAM in order to optimize the local stationary of wavelet coefficients. We obtained a compression gain up to 80% compared to Waaves and JPEG2000 while ensuring exceptional quality for medical diagnosis. Finally, in order to transmit medical images for diagnostic from the health center to the mobile device of the doctor, we proposed client-server remote radiology system for encoding and decoding. It is based on a multithreading paradigm to accelerate treatment. The validation of this solution was performed on two different platforms. We achieved an acceleration factor of 5 on an Intel Core i7-2600 and a factor of 3 on Samsung Galaxy tablet.