L'imagerie par ultrasons est une modalité d'imagerie médicale largement utilisée, appréciée pour sa capacité temps réel, son caractère non invasif, sa portabilité et son coût relativement faible. Le processus d'imagerie implique la transmission d'une onde ultrasonore dans les tissus mous du corps et la réception du signal rétrodiffusé.
Malgré ses avantages, l'imagerie par ultrasons présente des limitations inhérentes. L'un des principaux défis, dans de nombreux contextes, est son faible rapport signal sur bruit, principalement causé par le bruit de speckle résultant de l'interférence entre les ondes rétrodiffusées. De plus, il existe un compromis inhérent entre la profondeur de pénétration et la résolution spatiale, causé par la relation entre la fréquence des ultrasons et l'interaction des ondes sonores avec les tissus biologiques. De plus, le processus de beamforming peut introduire des artefacts, car il dépend de paramètres physiques qui ne peuvent pas être déterminés avec précision dans de nombreuses conditions réelles.
Pour ces raisons, la restauration de l'imagerie par ultrasons est un domaine de recherche actif. Un tel problème est appelé problème inverse et implique la modélisation du processus de formation de l'image. Dans cette thèse, nous proposons de traiter ce problème de restauration, en nous concentrant sur le choix du modèle direct. Nous commençons par construire les différents modèles directs possibles à partir de l'équation d'ondes. Nous en sélectionnons ensuite un, le modèle de flou variable, et l'implémentons en utilisant l'opérateur product-convolution. Nous reconstruisons l'image ultrasonore en utilisant ce modèle à l'aide d'ADMM. Nous proposons une stratégie de double splitting pour ADMM. Nous obtenons des résultats à l'état-de-l'art, avec un temps de calcul plus faible.
Ensuite, nous abordons le problème de l'ajustement des paramètres inhérents aux problèmes inverses. Nous nous limitons au problème de débruitage. Nous montrons que nous pouvons obtenir des résultats aussi bons que lorsque la vérité terrain est connue de manière non supervisée. Nous nous inspirons des self-supervised losses développées dans la communauté de l'apprentissage profond et les adaptons au débruitage d'image unique. |
Ultrasound imaging is a widely used medical imaging modality, valued for its real-time capability, non-invasiveness, portability, and relatively low cost.
The imaging process involves transmitting an ultrasound wave into soft body tissue and receiving the backscattered signal, known as the radio-frequency signal. This RF signal is related to the tissue reflectivity function, which characterizes the spatial distribution of acoustic impedance variations caused by changes in tissue density and sound speed. A beamforming step is then applied to the RF signal to generate the beamformed RF image. Although this beamformed RF image contains rich details, it is not visually interpretable. Therefore, the standard practice is to generate a B-mode image, a grayscale representation commonly used in clinical settings for its visual interpretability. This is achieved by computing the envelope of the beamformed RF image followed by log compression to obtain the desired dynamic range.
Despite its advantages, ultrasound imaging has inherent limitations. One key challenge, in many settings, is its low signal-to-noise ratio, primarily caused by speckle noise resulting from the interference between backscattered waves. Additionally, there is an inherent trade-off between penetration depth and spatial resolution, largely driven by the relationship between ultrasound frequency and the interaction of sound waves with biological tissues. Moreover, the beamforming process can introduce artifacts, as it depends on physical parameters that cannot be precisely determined in many complex real-world conditions.
For these reasons, the restoration of ultrasound imaging is an active field of research. Such a problem is called an inverse problem, and involve the modelization of the image formation process.
In this thesis, we propose to tackle this restoration problem, focusing on the choice of direct model. We begin by deriving the possible direct models from the wave equation. We then select one, the varying blur model, and implement it using product-convolution. We reconstruct ultrasound image using this product-convolution model in an ADMM scheme. We propose an efficient double splitting strategy for ADMM. We obtain state-of-the-art results, while achieving lower computation time.
Then we tackle the problem of tuning the parameters inherent to inverse problems. We limit ourselves to the denoising problem. We show that we can obtain results as good as when the ground-truth is known in an unsupervised manner. We take inspiration from self-supervised losses developed in the deep learning community, and adapt them to single-image denoising. |