Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

29 novembre 2019

[Stage M2 CEA Saclay] Réhaussement du contraste des images tomographiques par approche Deep learning


Catégorie : Stagiaire


Offre de stage M2 au CEA Saclay (Département DISC)

Contact: caroline.vienne@cea.fr

 

Sujet de stage : Réhaussement du contraste des images tomographiques par approche Deep learning

Encadrement : C. VIENNE, R. MIORELLI

La tomographie par rayons X (RX) est une méthode de contrôle non destructif très efficace pour déterminer les caractéristiques de la structure interne d’un objet (ses dimensions, sa forme, sa densité) et y détecter d’éventuels défauts. Elle combine pour cela une phase d’acquisition de multiples projections RX de l’objet depuis des angles de vue différents avec une phase algorithmique de reconstruction 3D où les projections acquises sont reprojetées dans un volume de voxels. Les algorithmes de reconstruction tomographique reposent sur l’hypothèse que les rayons X sont seulement atténués par l’objet traversé et négligent la contribution des rayons X diffusés par l’objet et l’environnement. En pratique il est souvent difficile de supprimer totalement ce rayonnement diffusé, qui peut s’avérer très important dans le cas de pièces métalliques massives, telles que celles issues de la fabrication additive. Du fait de ce rayonnement, des artefacts sont obtenus sur le volume tomographique reconstruit, qui dégradent la qualité d’image et diminuent en particulier le contraste global de l’image et la netteté des bords de l’objet.

Pour améliorer cette qualité d’image et permettre une analyse fiable de la géométrie (analyse dimensionnelle) et de la santé matière (détection de porosités) de la pièce, il est important de mettre en place une correction de ce rayonnement diffusé. Dans ce stage, nous proposons de développer une approche logicielle d’estimation du rayonnement diffusé afin de corriger les radiographies acquises. Parmi les approches existantes, la méthode de référence consiste à lancer des simulations Monte Carlo qui modélisent précisément les interactions des rayons X avec la matière. Cependant, si elle permet une estimation fidèle du rayonnement diffusé, cette approche est peu utilisée car elle est trop coûteuse en temps de calcul et nécessite une connaissance précise de l’objet inspecté.

Une alternative très prometteuse consiste à utiliser un réseau de neurones profond convolutifs de type U-net [1] entrainé pour retrouver la sortie de la simulation Monte Carlo à partir uniquement des projections acquises. La base de données d’apprentissage sera générée à l’aide du logiciel de simulation CIVA [2] développé dans le département. Le réseau de neurones sera implémenté en Python, à l’aide de la librairie Keras qui fournit une interface de programmation pour TensorFlow. La méthode développée sera finalement utilisée sur des données réelles de pièces de fabrication additive acquises avec les équipements de tomographie industrielle du département. Le gain sur l’analyse de la pièce sera évalué qualitativement et quantitativement.

Compétences : Python, TensorFlow, mathématiques appliquées, notions d’imagerie par rayons X.

Références :

[1] J. Maier, E. Eulig, T. Vöth, M. Knaup, J. Kuntz, S. Sawall, and M. Kachelrieβ, Real-Time Scatter Estimation for Medical CT using the Deep Scatter Estimation (DSE): Method and Robustness Analysis with Respect to Different Anatomies, Dose Levels, Tube Voltages and Data Truncation. In Medical Physics, 46. 10.1002/mp.13274. 2019

[2] M. Costin, D. Tisseur, C. Vienne, R. Guillamet, H. Banjak, N. Bhatia and R. Fernandez, CIVA CT, an advanced simulation platform for NDT, in 6th Conference on Industrial Computed Tomography, Wels, Austria, 2016

 

caroline.vienne@cea.fr

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.