Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

30 octobre 2018

Stage Master 2 : Débruitage de séquences d’images rayons X pour la radiologie interventionnelle


Catégorie : Stagiaire


Stage Master 2 : Débruitage de séquences d’images rayons X pour la radiologie interventionnelle

Stage Master 2 : Débruitage de séquences d’images rayons X pour la radiologie interventionnelle

Environnement de travail : Le stage se déroule au sein du laboratoire des Signaux et Systèmes (L2S UMR CNRS 8506) à CentraleSupélec en collaboration avec GE Healthcare (Buc 78).

Possibilité de poursuivre en thèse.

Candidature : Envoyer votre candidature (CV, lettre de motivation et relevé de notes) par email à : Hani.Hamdan@centralesupelec.fr

CONTEXTE DE L’ETUDE

Spécialité médicale à la croisée de la chirurgie et de la radiologie, la radiologie interventionnelle repose sur la manipulation d’outils dans le patient par le praticien, qui s’aide d’un retour vidéo en temps réel pour atteindre la zone à traiter et vérifier le bon positionnement des outils. Pour ce faire, il est souvent fait recours à l’imagerie à rayons X, qui permet de visualiser des objets métalliques quel que soit leur placement dans le corps humain. GE Healthcare est l’un des leaders mondiaux dans la fabrication de systèmes d’imagerie interventionnelle, qui sont conçus et produits à Buc, dans les Yvelines.

Le sujet de traitement d’image proposé s’inscrit dans ce contexte. Le but de ce projet est d’implémenter et d’évaluer un algorithme de débruitage de séquences vidéo à rayons X à fort niveau de bruit. Le fort niveau de bruit est dû à la faible dose de rayons X utilisée en radiologie interventionnelle. Une forte dose de rayons X serait nocive pour le patient et le médecin qui l’opère.

DESCRIPTION DU PROBLEME / OBJECTIFS

Les algorithmes de type block-matching tels que LGPCA [1] et BM3D [2] constituent l’état de l’art du domaine.

Il s’agit dans ce projet de développer des algorithmes du même type, applicables à des vidéos, et donc capables de prendre en compte des propriétés spatiales et temporelles.

Dans un premier temps, les performances de l’algorithme seront étudiées sur des images simulées simples, afin de procéder aux premiers réglages dans le domaine purement spatial. Ensuite, un mouvement de ces objets sera introduit afin d’étudier les propriétés temporelles de l’algorithme. Enfin, une fois son comportement bien compris, il faudra quantifier les gains qu’il peut apporter dans des séquences réelles d’imagerie à rayons X, ainsi que les potentiels artefacts qu’il introduit.

GE Healthcare apportera son soutien au stagiaire en fournissant une banque d’image ainsi que son expertise clinique dans le domaine. Des visites sur le site de Buc sont envisageables, afin de se familiariser avec les systèmes interventionnels et d’acquérir des images supplémentaires.

Cette étude fait l’objet d’une convention avec GE Healthcare.

[1] Zhang L, Dong W, Zhang D, Shi G (2010) Two-stage image denoising by principal component analysis with local pixel grouping, Pattern Recognition 43(4): 1531-1549.

[2] Dabov K, Foi A, Katkovnik V, Egiazarian K (2007) Image denoising by sparse 3-D transform-domain collaborative filtering, IEEE Transctions on Image Processing 16(8): 2080–2095.

Compétences développées : Apprentissage statistique et méthodes avancées de traitement du signal et des images, dans un langage de programmation adapté (Matlab, Python, ...).

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.