WO2025061399A1 - Procédé de mesure de la qualité d'une image reconstruite - Google Patents

Procédé de mesure de la qualité d'une image reconstruite Download PDF

Info

Publication number
WO2025061399A1
WO2025061399A1 PCT/EP2024/073294 EP2024073294W WO2025061399A1 WO 2025061399 A1 WO2025061399 A1 WO 2025061399A1 EP 2024073294 W EP2024073294 W EP 2024073294W WO 2025061399 A1 WO2025061399 A1 WO 2025061399A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
data
degraded
quality
optimizer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2024/073294
Other languages
English (en)
Inventor
Thierry ARTIERES
Ludovic De Rochefort
Swetali NIMJE
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aix Marseille Universite
Centre National de la Recherche Scientifique CNRS
Ecole Centrale de Marseille
Original Assignee
Aix Marseille Universite
Centre National de la Recherche Scientifique CNRS
Ecole Centrale de Marseille
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aix Marseille Universite, Centre National de la Recherche Scientifique CNRS, Ecole Centrale de Marseille filed Critical Aix Marseille Universite
Publication of WO2025061399A1 publication Critical patent/WO2025061399A1/fr
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Definitions

  • the invention relates to a method for measuring the quality of a reconstructed image as well as:
  • a "reconstructed image” refers to an image that has been reconstructed from a degraded data set.
  • the degraded data set encodes a degraded image that is of lower quality than the reconstructed image.
  • the reconstructed image may have defects compared to an original image.
  • original image refers to the image with the maximum quality.
  • index represents the quality of the reconstructed image. Examples of such known indices include the following:
  • the index described in patent CN109285146B consists of calculating for certain blocks, called smooth, of the original and reconstructed images, an index similar to the PSNR index and for other blocks, called structured, an index similar to the SSIM index. Then, these different indices are combined to form a single global index. In particular, in the method described in patent CN109285146B, no similarity coefficient between the original image and a residual image is calculated.
  • the invention aims to remedy this drawback by proposing an improved method for measuring the quality of a reconstructed image.
  • FIG. 1 is a schematic illustration of the architecture of an imaging system
  • FIG. 2 is a flowchart of a method for measuring image quality
  • - figure 3 is an original image of a section of a brain
  • FIG. 7 is a flowchart of a method for learning the values of the parameters of an image quality optimizer implemented in the system of Figure 1,
  • FIG. 7 is a flowchart of a manufacturing and operating process of the system of Figure 1,
  • FIG. 8 is a flowchart of a manufacturing process of the system of Figure 1.
  • An image is a digital file containing a matrix of pixels. Each pixel contains a numerical value representing a color or a gray level. The position of this pixel in the image is encoded by the position of this pixel in the matrix. The position of a pixel defines its relative position with respect to the other pixels contained in the same image.
  • the sizes of an image and a region of that image are equal to the number of pixels contained, respectively, in that image and in that region.
  • the Icob index is a measure of the perceptual quality of an image relative to an original image. The method for measuring the Icob index of an image is described with reference to Figure 2. The quality of an image is better when the Icob index is small.
  • the original image is the image whose quality is maximum and therefore for which the Icob index is zero.
  • a dataset is a set of data that encodes an image.
  • a dataset can be presented directly in the form of a matrix of pixels or in an equivalent form.
  • a form is equivalent to a matrix of pixels if there exists a predetermined mathematical function FT that allows this dataset to be transformed into a matrix of pixels.
  • a predetermined mathematical function FT that allows this dataset to be transformed into a matrix of pixels.
  • the k-space is a dataset because the k-space is transformable by a predetermined function FT into a matrix of pixels.
  • a degraded dataset is a dataset that encodes a degraded image.
  • a degraded image is an image whose Icob index is greater than zero.
  • the degraded dataset does not contain enough data to encode all of the information contained in the original image, such as after downsampling or lossy compression, methods known to those skilled in the art, or because of the presence of artifacts.
  • Article means, in particular, the fact that an image contains a structured pattern which is not found in the original image or the fact that there is a structured pattern in the original image which cannot be found in the degraded image.
  • Figure 1 represents a system 2.
  • system 2 is described in the particular case where it is a magnetic resonance imaging (MRI) system used in the medical field.
  • MRI magnetic resonance imaging
  • Such a system 2 makes it possible to visualize the structures of the soft tissues of a human or animal body.
  • this system 2 has the advantage of not using ionizing radiation for this and is not invasive.
  • the acquired images are first encoded in the inverse image space better known as "k-space".
  • the k-space refers to a data matrix containing the raw MRI data. These data are subjected, for example, to a function mathematical transformation called the 'FT transform' to generate the final image.
  • the FT transform is usually a discrete or fast Fourier transform.
  • each point in k-space corresponds to a specific spatial frequency along two directions generally called the 'frequency-encoding direction' and the 'phase-encoding direction' (x,y coordinates) and information about the signal's amplitude and phase for that spatial frequency.
  • the FT transform is applied after k-space acquisition to transform k-space into a final image.
  • Each pixel in the final image is the weighted sum of all the individual points in k-space. Therefore, perturbing any point in k-space results in some form of distortion in the final image, determined by the frequency and phase data stored in that particular point.
  • the central regions of k-space encode information about the contrast of the final image and the peripheral regions of k-space encode the spatial resolution of the final image.
  • the k-space is undersampled, i.e., points are missing in the k-space.
  • the initially acquired dataset i.e., here the undersampled k-space
  • the undersampled k-space is a degraded dataset since the undersampled k-space does not contain all the information necessary to obtain the final image.
  • the absence of points in the undersampled k-space results in many artifacts being present in the corresponding degraded image. Therefore, to improve the quality of the final image, it is necessary to construct the final image by interpolation from the data contained in the undersampled k-space or from the pixels of the degraded image.
  • the final image is therefore a reconstructed image. Therefore, subsequently, the
  • the terms “final image” and “reconstructed image” refer to the same image and are equivalent.
  • Improving the quality of the final image can be done in the k-space, that is, in the frequency domain and therefore before the FT transform is applied to obtain the final image.
  • it consists of interpolating the missing points of the sub-sampled k-space from the points present in this sub-sampled k-space to obtain a complete interpolated k-space.
  • These missing points which were generated by interpolation, are called “interpolated missing points”.
  • the complete interpolated k-space is identical to the sub-sampled k-space except that it also includes the interpolated missing points.
  • the complete interpolated k-space is an improved data set that encodes the final image.
  • the final image is obtained by applying the FT transform to the complete interpolated k-space.
  • the FT transform does not create any new information compared to that already contained in the complete interpolated k-space. Improving the quality of the final image can also be achieved in the image domain, i.e. by working on the pixels of the degraded image, i.e. in this case on the pixels of the image obtained after the FT transform has been applied to the sub-sampled k-space.
  • system 2 implements parallel imaging and achieves the improvement of the final image quality in the frequency domain.
  • each image corresponds to a matrix of pixels and each pixel has a value, for example, between 0 and 4095.
  • System 2 includes in particular:
  • the apparatus 4 is the part of the system 2 which measures the electromagnetic waves and generates, from these measurements, the corresponding sub-sampled k-space.
  • the apparatus 4 includes in particular sensors which measure a physical characteristic of the environment at different locations and which generate, from these measurements, the degraded data set.
  • the environment includes the body of a patient and the sensors are coils for measuring a magnetic field called “radiofrequency antennas”. in the case of MRI.
  • the apparatus 4 also includes the various elements which make it possible to emit the appropriate excitation sequences of the body to generate the undersampled k-space. Such sequences are known.
  • the apparatus 4 makes it possible to implement the sequence known by the acronym FLAIR (“Fluid Attenuated Inversion Recovery”).
  • the apparatus 4 is also capable of directly generating a complete measured k-space, i.e. a k-space comprising all the points of the k-space.
  • the complete measured k-space is therefore not sub-sampled.
  • the complete measured k-space makes it possible to directly obtain the final image without having to construct, by interpolation, missing data from a sub-sampled k-space.
  • the measured k-space is complete, in the final image, the values of all the pixels are directly obtained from the data measured by the apparatus 4 without going through a step of interpolating missing measurements.
  • a factor R it is possible to set a factor R to accelerate the generation of the final image. If the factor R is set to one, the space k measured by the device 4 is complete and no interpolation is implemented to obtain the final image. In return, the time to obtain the final image is maximum. If the factor R is set to N a , where N a is a number greater than one, the time to obtain an image is equal to Tmax/N a , where Tmax is equal to the maximum obtaining time. To reduce the obtaining time by the factor R, the device 4 only performs part of the measurements necessary to fill the space k. This results in the fact that the space k is undersampled. The larger the factor R, the more the space k is undersampled and the faster the obtaining of the final image.
  • Unit 6 corresponds to the part of system 2 which constructs the final image from the sub-sampled k space measured by the apparatus 4.
  • unit 6 comprises an electronic computer 20.
  • the computer 20 comprises a microprocessor 24 capable of executing instructions and a memory 26 comprising the instructions and data necessary for the operation of unit 6.
  • memory 26 comprises:
  • the unit 6 comprises both a reconstruction device and an automatic learning device.
  • the optimizer 28 comprises numerous parameters 0j whose values can be determined by implementing a machine learning phase.
  • the parameters 0j are adjustable parameters of the optimizer 28 which make it possible to adjust the process of developing, by the optimizer 28, an improved set of data from a degraded set of data.
  • the improved set of data developed by the optimizer 28 varies both as a function of the degraded set of data and the values of the parameters 0j.
  • the parameters 0j are parameters specific to the optimizer 28 and independent of the degraded data sets processed by this optimizer 28. In other words, once set, the values of the parameters 0j no longer vary and, in particular, do not vary as a function of the degraded data sets processed by the optimizer 28.
  • the values of the parameters 0j are determined as described with regard to the method of FIG. 7.
  • the executable code of the optimizer 28 is designed so that it is possible to change the values of the parameters 0j without having to compile the source code of the optimizer 28 in order to obtain a new executable code in which the parameters 0j have new values.
  • the current values of the parameters 0j are recorded in a file 32 stored in the memory 26.
  • the optimizer 28 comprises at least one artificial neural network.
  • This network comprises the parameters 0j.
  • the optimizer 28 comprises a convolutional neural network known by the acronym CNN (“Convolutional Neuronal Network”).
  • CNN Convolutional Neuronal Network
  • the convolutional neural network is that described in one of the following articles:
  • the learning module 30 is configured to execute the learning phase which makes it possible to determine the values of the parameters 0j of the optimizer 28.
  • the module 30 is also capable of constructing, by controlling the apparatus 4, a database 34 containing the data sets necessary to carry out the automatic learning of the values of the parameters 0j.
  • the base 34 contains sub-sampled k spaces representative of the sub-sampled k spaces that the optimizer 28 is likely to receive when it is operated. For each of these sub-sampled k spaces, the base contains a complete measured k space, that is to say a k space which has not been sub-sampled. The complete measured k space corresponds here to at least one original set of data encoding an original image.
  • the human-machine interface 8 typically comprises a screen on which the final images constructed by the unit 6 are displayed.
  • the human-machine interface 8 may also comprise a printer for printing the final images and buttons for controlling the operation of the system 2.
  • Figure 2 represents the method of measuring the quality of an Irec image compared to an original lorg image. These steps are executed by an electronic computer such as computer 20. The measurement method is described in the particular case of a two-dimensional image.
  • a residual image 1res of the same size as the images Irec and lorg, is constructed.
  • a correlation coefficient C(P k ) is calculated.
  • the coefficient C(P k ) is representative of the correlation between the pixels of a region R k of the image 1res and the pixels of the same region R k in the image lorg.
  • the region R k is centered on the pixel k.
  • the region R k is for example a square of 11 pixels by 11 pixels centered on the pixel k so that its size is equal to 121 pixels.
  • the size and shape of this region R k is the same for all the pixels k.
  • each coefficient C(P k ) is calculated from the covariance between the pixels of the region R k of the image 1res and the pixels of the region R k of the image lorg.
  • the 121 pixels of the region R k are aligned one behind the other so as to obtain a series of 121 consecutive values.
  • the series of values thus obtained from the image lorg is noted o k and each value of this series is noted o k (i), where i is the order number of this value in this series.
  • the series of values obtained from the image Irec is noted r k and each value of this series is noted r k (i).
  • the coefficient C(P k ) is then calculated using the following relations:
  • Oorg(P k ) and Ores(P k ) are the standard deviations of the values of the series, respectively, o k and r k estimated in an unbiased manner.
  • - £ is a small positive number to avoid dividing by zero, for example 10 -9 .
  • the measurement of the image quality Irec is constructed from the coefficients C(P k ) calculated during step 52.
  • the measurement of the image quality Irec is solely constructed from the coefficients C(P k ).
  • the measurement of the image quality is expressed in the form of a single value called “index Icob”.
  • the index Icob is taken equal to a norm Lp of the vector formed by all the coefficients C(P k ) calculated during step 54.
  • the index Icob is calculated using the following relation: Or :
  • - p is a predetermined integer greater than or equal to one
  • the index Icob can only vary between zero and one.
  • the quality of the 1res image is maximum, that is, the images Irec and lorg are identical, the index Icob is equal to zero. The worse the quality of the 1res image, the closer the index Icob is to one.
  • the Icob index is a measure of image quality that is more sensitive to the presence of artifacts than other known indices used to measure image quality.
  • the Icob index is a more sensitive measure of image quality than the following known indices: the SSIM index, the NRMSE index, the NMAE index, the PSNR index, the EQM index ("Mean Square Error") also known by the English acronym MSE ("Mean Square Error"). This is illustrated on a particular example using figures 3 to 6.
  • Figure 3 represents an original image 60.
  • This image 60 corresponds to a section of a brain obtained using system 2 using the FLAIR excitation sequence.
  • the acceleration factor R was set to one so that the image 60 is constructed from a complete measured k-space and therefore corresponds to the original image.
  • Figure 4 represents a 70-slice image of the same brain slice as the one shown in image 60, except that it was obtained by choosing an acceleration factor R greater than one.
  • a subsampled k-space was acquired.
  • image 70 was constructed from this subsampled k-space using the crRAKI (complex residual RAKI) reconstruction algorithm to interpolate the missing points from the subsampled k-space.
  • the crRAKI algorithm was described in the following presentation: Nimje S, de Rochefort L, Artines T: “Accelerating Phase and Quantitative susceptibility mapping with Scan-Specific Complex Convolutional Neural Networks”, ISMRM. Toronto, Canada; 2023. p. 3882. (https://www.ismrm.org/23/program-files/D-174.htm).
  • Figures 5 and 6 represent, respectively, 80 and 90 images constructed from the same subsampled k-space as that used to construct the image 70 except that the reconstruction algorithms used are, respectively, rRAKI (“residual RAKI”) and GRAPPA (“Generated Autocalibrating Partially Parallel Acquisitions”).
  • the rRAKI reconstruction algorithm is described in the following article: Zhang Chi et al: “Residual RAKI: A hybrid linear and non-linear approach for scanspecific k-space deep learning”. NeuroImage, 2022, vol. 256, 119248.
  • the GRAPPA reconstruction algorithm is described in the following article: Griswold Mark A et al.: “Generalized autocalibrating partially parallel acquisitions (GRAPPA)”, Magnetic Resonance in Medicine. 2002;47(6), pages 1202-1210
  • Figures 4 to 6 also represent 70r, 80r and 90r images which correspond, respectively, to the amplitude of the residual images constructed between the following pairs of images: (60, 70), (60, 80) and (60, 90).
  • the Icob index and the SSIM, NRMSE, NMAE, PSNR indices were constructed.
  • the SSIM, NRMSE, NMAE, PSNR indices indicate that the image with the best quality is image 80, only the Icob index indicates that it is image 70.
  • a visual examination of the residual images confirms that it is indeed image 70 which presents the least artifacts, with a level of residuals which is spatially more random, and with a lesser intensity.
  • An example of an artifact visible on the residual image 80r is pointed by the arrow 80c.
  • the pixels of the reconstructed image are moved by a rotation of a particular angle around an axis perpendicular to the image plane,
  • the pixels of the reconstructed image are obtained after applying a Gaussian blur.
  • This method begins with a step 100 of providing the database 34.
  • the procedure is as follows:
  • - module 30 controls device 4 so that it generates an original set of data, i.e. a complete measured k-space, corresponding to a section of the body, then
  • the module 30 controls the apparatus 4 so that it generates a degraded set of data, that is to say a sub-sampled k space, corresponding to this same particular section of the body, possibly using a different excitation sequence,
  • module 30 sets the acceleration R-factor to the value one. Conversely, to generate a subsampled k-space, the acceleration R-factor is set to a value greater than one.
  • the number N o depends on the spatial coverage desired by the user and requested from the system 4. In general, the number N o is either equal to 1 when imaging a single slice, or greater than eight or ten and, sometimes, greater than one hundred for multi-slice imaging.
  • step 100 the automatic learning of the optimal values 0j, op t for the parameters 0j of the optimizer 28 begins.
  • the optimal values 0j,opt are determined to minimize a cost function Fc.
  • the value of the function Fc is calculated from measurements of the quality of the images carried out in accordance with the method of Fig. 2.
  • all conventional methods of learning the optimal values 0j, op t for the parameters 0j of a convolutional neural network can be used except that the cost function of this method is modified to also vary according to indices Icob. Therefore, subsequently, only the main steps of the automatic learning are summarized.
  • the module 30 chooses initial values for each parameter 0j of the optimizer 28. For example, these initial values are chosen randomly. They are recorded in the file 32 as current values 0j, t of the parameters 0j. [65] Then, during an optimization step 104, the module 30 determines new values for the parameters 0j, which decrease the value of the function Fc.
  • the module 30 configures the optimizer 28 with the current values 0j, t of the parameters 0j and then commands the optimizer 28 thus configured so that it develops, for each degraded set of data contained in the database 34, an improved set of data, that is to say here a complete interpolated k-space.
  • the reconstruction device also generates the reconstructed image corresponding to each of these complete interpolated k-spaces generated using the FT function.
  • the module 30 measures the quality, compared to the original image, of the reconstructed image coded by this improved set.
  • the original image is that coded by the original set of data associated, by the database 34, with the degraded set of data that the optimizer 28 received to generate this improved set of data.
  • the module 30 executes the method of figure 2.
  • an index Icob is measured for each reconstructed image.
  • the module 30 calculates the value of the function Fc from the measured Icob indices.
  • the value of the function Fc depends only on the measured Icob indices. More precisely, here, the value of the function Fc is simply the arithmetic mean of the Icob indices measured during operation 108. In other words, since the Icob indices are positive, the value of the function Fc is equal to the L1 norm of the Icob indices measured for each reconstructed image.
  • the module 30 verifies that the current values of the parameters 0j determined during step 104 correspond to a value of the function Fc close to its minimum. To do this, the module 30 verifies whether a stopping criterion is satisfied.
  • the stopping criterion can be the following but many other stopping criteria are possible:
  • - 0j,M are the previous values of the 0j parameters, i.e. those obtained at the end of the previous iteration of step 104.
  • the method returns to step 104. If, on the contrary, the stopping criterion is satisfied, during a step 116, the optimal values 0 j, op t determined for each parameter 0 j are taken equal to the corresponding current values 0 j, t . The values 0 j, op t are recorded in the file 32.
  • the optimizer 28 and the module 30 are also implemented in the computer 20. Typically, for this, the executable codes of the optimizer 28 and the module 30 are recorded in the memory 26.
  • the file 32 is blank or contains values for the parameters 0j which are not necessarily optimal.
  • a machine learning step 136 is executed.
  • the method of FIG. 7 is executed by the module 30.
  • a value for each of the parameters 0j is implemented in the calculator 20.
  • the value of each parameter 0j is between 0.95*0j, op t and 1.05*0j, op t, and, preferably, between 0.99*0j, op t and 1.01*0j. op t., where 0j, op t is the optimal value determined during step 136.
  • the values of the parameters 0j implemented in the calculator 20 are equal to the optimal values 0j, op t.
  • the implementation of the values of the parameters 0j in the calculator 20 consists of recording them in the file 32.
  • the system 2 is operated.
  • the apparatus 4 generates only a degraded set of data so as to accelerate the time taken to obtain an image.
  • the reconstruction device then constructs the reconstructed image from this degraded set of data generated by the apparatus 4.
  • the optimizer 28 first develops an improved set of data from the degraded set of data and then the FT function is applied to the improved set of data to obtain the reconstructed image. This reconstructed image is then displayed on the screen of the human-machine interface 8.
  • steps 136 and 138 can be executed again to automatically recalibrate the optimizer 28.
  • N - N org (P k ) and N res (P k ) are the L2 norms of the values of the series, respectively, o k and r k .
  • - £ is a small positive number to avoid dividing by zero, for example 10 -9 .
  • - a is a positive number, preferably equal to 1.
  • the size of the R k region is larger than sixteen or thirty-six pixels and often smaller than a thousand pixels.
  • the R k region is not necessarily a square but can also have other shapes.
  • the region used can be a rectangle longer than it is wide or have a cross or disk shape.
  • a region of interest is defined in the reconstructed image.
  • this region of interest surrounds the portion of the image that is of interest to the user and excludes other portions of the image.
  • the region of interest excludes portions of the image that do not correspond to a portion of a human or animal body.
  • the coefficients C(P k ) are calculated only for pixels located inside the region of interest.
  • a three-dimensional image commonly called a "3D image”.
  • the position of a pixel of this 3D image is identified by x,y,z coordinates of an orthogonal reference frame.
  • the measurement of the quality of an image is carried out as previously described except that the region R k used to calculate the coefficient C(P k ) is a three-dimensional volume, such as a cube, centered on the pixel of position P k .
  • the Icob index can be calculated using a standard other than the Ll standard.
  • the L2 standard or any of the other Lp standards is used.
  • the Icob index may also not be normalized, i.e. C(P k ) is then not divided by the standard deviations.
  • the quality measurement is not simply taken equal to the Icob index.
  • one or more other loth indices are calculated.
  • the image quality measurement is taken equal to a combination, for example linear, of the values of the different calculated indices including the Icob index.
  • the following known indices may be cited: the NRMSE index, the NMAE index, the PSNR index, the EQM index, the SSIM index.
  • the loth index may also correspond to the average of C N (P k ) for the pixels of the image, or for an area of interest identical to that used to calculate Icob.
  • step 56 in addition to or instead of constructing the Icob index, an image in which the value of each pixel k is calculated from the value of the coefficient C(P k ), is constructed and then displayed on an electronic screen.
  • the value of each pixel of this image is taken equal to the value of the coefficient C(P k ) or to F(C(P k )), where F is a predefined continuous function.
  • the function F is a bijective function such as an affine function.
  • Variants of the reconstruction device [93] Variants of the reconstruction device: [94] Other embodiments of the FT transform are possible.
  • the FT transform can also be a “Hartley” transform.
  • the optimizer 28 does not necessarily comprise a convolutional neural network.
  • the optimizer 28 is configured to implement the GRAPPA (“GeneRalized Autocalibrating Partially Parallel Acquisitions”) reconstruction algorithm.
  • the parameters 0j whose values are determined during the learning phase are the parameters of the convolution filters known as the GRAPPA kernel and discussed in the following article: Nana, R., Zhao, T., Heberlein, K., LaConte, S.M. and Hu, X: “Cross-validation-based kernel support selection for improved GRAPPA reconstruction”, 2008, Magn. Reson. Med., 59: 819-82.
  • the teaching given here is not limited to the case where the optimizer develops the improved data set by supplementing the degraded data set with data interpolated from the data present in this degraded data set.
  • the degraded data set codes the noisy image and the improved data set codes a reconstructed image in which the structured noise has been reduced.
  • the Icob index can also be used in the field of image registration. Indeed, a well-registered image has a lower Icob index than a poorly registered image. In this case, the degraded data set codes the non-registered image(s) and the improved data set codes a registered image in which the registration has been improved.
  • the construction of the registered image generally requires the use of a transformation model. parameters 0j whose values are determined during the learning phase then correspond to the different parameters of this transformation model.
  • the optimizer can implement one of the transformation models briefly presented in Table 1 of the following article: Avants BB et Al: “A reproducible evaluation of ANTs similarity metric performance in brain image registration”. Neuroimage, 2011 Feb 1; 54(3): 2033-44. doi:
  • the degraded data set encodes the compressed image and the enhanced data set encodes the decompressed image.
  • the step 100 of providing and recording the database 34 comprises:
  • the degraded data set is the damaged file.
  • the database 34 then contains damaged files and, for each of these damaged files, the original data set, i.e. the undamaged file.
  • the reconstruction device is not necessarily associated with a measuring device.
  • the reconstruction device is capable of acquiring a digital file containing the degraded set of data. This degraded set of acquired data has previously been generated, for example, by a remote measuring device or created electronically by a computer in response to instructions transmitted by an operator.
  • the value of the Fc function is equal to the Lp norm of the vector formed by all the measured Icob indices, with p greater than one.
  • the value of the Fc function can also vary according to other criteria such as, for example, other quality indices than the Icob index.
  • the value of the Fc function can also vary, in addition, according to the PSNR or SSIM index.
  • the apparatus 4 is only a low-resolution measuring apparatus which is not capable of generating the original data set. In this case, at least during the training phase, an additional high-resolution measuring apparatus is used to generate each original data set of the database 34. Then, during the exploitation phase 150, the high-resolution measuring apparatus is omitted.
  • the apparatus 4 may be a radiography apparatus using ionizing radiation such as X-rays or gamma rays. It may also be a camera or a video camera capable of capturing visible light reflected by an object. In these last two examples, the data sets encoding the images are not k spaces.
  • System 2 is not necessarily an imaging system used in the medical field.
  • System 2 can also be adapted for use in different industrial fields to, for example, detect a defect in a manufactured or repaired part.

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

Procédé de mesure de la qualité d'une image reconstruite Ce procédé comporte : 1) la construction (52) d'une image résiduelle à partir de la différence entre les valeurs des pixels d'une image originale et de l'image reconstruite, et 2) pour plusieurs régions de l'image résiduelle, le calcul (54) d'un coefficient C(Pk) représentatif de la corrélation entre les pixels de cette région de l'image résiduelle et les pixels de la même région dans l'image originale, la taille et la forme de chaque région étant la même pour tous les coefficients de corrélation calculés, la taille prédéterminée de chaque région étant supérieure à neuf pixels, 3) la construction (56) d'une mesure de la qualité de l'image reconstruite à partir des coefficients calculés lors de l'étape 2).

Description

Procédé de mesure de la qualité d’une image reconstruite
[1] L’invention concerne un procédé de mesure de la qualité d’une image reconstruite ainsi que :
- un procédé d’apprentissage automatique de valeurs optimales pour des paramètres d’un optimiseur de qualité d’images et un support d’enregistrement d’informations pour la mise en oeuvre de ce procédé,
- un procédé de fabrication d’un dispositif de reconstruction d’une image à partir d’un jeu dégradé de données, et
- un système d’imagerie.
[2] Par la suite, on désigne par « image reconstruite », une image qui a été reconstruite à partir d’un jeu dégradé de données. Le jeu dégradé de données code une image dégradée qui est de moins bonne qualité que l’image reconstruite.
[3] Même lorsqu’un algorithme performant de reconstruction d’image est utilisé, l’image reconstruite peut présenter des défauts par rapport à une image originale. Par la suite, le terme « image originale » désigne l’image dont la qualité est maximale.
[4] La qualité d’une image reconstruite est d’autant meilleure que l’image reconstruite est similaire à l’image originale et donc dépourvue de défauts tels que des artefacts de reconstruction.
[5] La mesure objective de la qualité d’une image reconstruite est donc un sujet important dans le domaine du traitement et de l'analyse des images car elle a des applications importantes dans de nombreux aspects du traitement des images. En particulier, de tels mesures de la qualité d’une image sont utilisées dans le domaine de l’imagerie médicale et, par exemple, dans le domaine de l’imagerie par résonance magnétique.
[6] A cause de cela, de nombreux procédés ont été développés pour mesurer la qualité d’une image reconstruite. Ces procédés délivrent généralement une seule valeur numérique, appelée « indice », qui représente la qualité de l’image reconstruite. A titre d’exemple de tels indices connus, on peut citer les indices suivants :
- l’indice PSNR (« Peak Signal to Noise Ratio »),
- l’indice NRMSE (Normalized Root Mean Square Error),
- l’indice NMAE (Normalized Mean Absolute Error), et
- l’indice SSIM (« Structural SI M ilarity »).
[7] De l’état de la technique est également connu de CN109285146B, US2017/042496A1 et CN113469998A ainsi que des articles suivants :
- Marius PEDERSEN : « Full-Reference Image Quality Metrics : Classification and Evaluation », Fondations and trends in computer graphics and vision, vol. 7, n°l, 1/01/2011, pages 1-80, et
- ZHOU WANG et Al : « Means squared error : Love it or leave it ? A new look at signal fidelity measures », IEEE Signal Processing Magazine, USA, vol. 26, n°l, 1/01/2009, pages 98-117.
[8] En particulier, l’indice décrit dans le brevet CN109285146B consiste à calculer pour certains blocs, dits lisses, des images originale et reconstruite, un indice similaire à l’indice PSNR et pour d’autres blocs, dits structurés, un indice similaire à l’indice SSIM. Ensuite, ces différents indices sont combinés pour former qu’un seul indice global. En particulier, dans le procédé décrit dans le brevet CN109285146B, aucun coefficient de similarité entre l’image original et une image résiduelle n’est calculé.
[9] Toutefois ces procédés connus pour mesurer la qualité d’une image reconstruite sont insuffisamment sensibles aux petits défauts de reconstruction introduits par l’algorithme de reconstruction mis en oeuvre. En particulier, les procédés connus sont insuffisamment sensibles à l’absence d’un petit motif structuré dans l’image reconstruite alors que ce petit motif structuré existe dans l’image originale. Ils sont également insuffisamment sensibles à la présence d’un petit motif structuré dans l’image reconstruite qui n’existe pas dans l’image originale. A cause de ces carences, il est difficile d’améliorer les procédés de reconstruction d’images et donc d’obtenir des images reconstruites présentant moins de défauts.
[10] L’invention vise à remédier à cet inconvénient en proposant un procédé amélioré de mesure de la qualité d’une image reconstruite.
[11] L’invention est exposée dans le jeu de revendications joint. [12] L’invention sera mieux comprise à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif et faite en se référant aux dessins sur lesquels :
- la figure 1 est une illustration schématique de l’architecture d’un système d’imagerie,
- la figure 2 est un organigramme d’un procédé de mesure de la qualité d’une image,
- la figure 3 est une image originale d’une coupe d’un cerveau,
- les figures 4 à 6 sont des images reconstruites de l’image de la figure 3,
- la figure 7 est un organigramme d’un procédé d’apprentissage des valeurs des paramètres d’un optimiseur de qualité d’images mis en oeuvre dans le système de la figure 1,
- la figure 7 est un organigramme d’un procédé de fabrication et d’exploitation du système de la figure 1,
- la figure 8 est un organigramme d’un procédé de fabrication du système de la figure 1.
[13] Dans cette description, la terminologie, les conventions et les définitions des termes utilisés dans ce texte sont introduites dans un chapitre I. Ensuite, des exemples détaillés de modes de réalisation sont décrits dans un chapitre II en référence aux figures. Dans un chapitre III, des variantes de ces modes de réalisation sont présentées. Enfin, les avantages des différents modes de réalisation sont précisés dans un chapitre IV.
[14] Chapitre I : Définitions, terminologies et conventions :
[15] Dans les figures, les mêmes références sont utilisées pour désigner les mêmes éléments.
[16] Dans la suite de cette description, les caractéristiques et fonctions bien connues de l’homme du métier ne sont pas décrites en détails.
[17] Le symbole « * » désigne la multiplication scalaire.
[18] Une image est un fichier numérique contenant une matrice de pixels. Chaque pixel contient une valeur numérique représentative d’une couleur ou d’un niveau de gris. La position de ce pixel dans l’image est codée par la position de ce pixel dans la matrice. La position d’un pixel définit sa position relative par rapport aux autres pixels contenus dans la même image.
[19] Les tailles d’une image et d’une région de cette image sont égales au nombre de pixels contenus, respectivement, dans cette image et dans cette région. [20] L’indice Icob est une mesure la qualité perceptuelle d’une image par rapport à une image originale. Le procédé pour mesurer l’indice Icob d’une image est décrit en référence à la figure 2. La qualité d’une image est d’autant meilleure que l’indice Icob est petit.
[21] L’image originale est l’image dont la qualité est maximale et donc pour laquelle l’indice Icob est nul.
[22] Un jeu de données est un ensemble de données qui code une image. Un jeu de données peut se présenter directement sous la forme d’une matrice de pixels ou sous une forme équivalente. Une forme est équivalente à une matrice de pixels s’il existe une fonction mathématique prédéterminée FT qui permet de transformer ce jeu de données en une matrice de pixels. Par exemple, dans le domaine de l’IRM (Imagerie par Résonance Magnétique), l’espace k est un jeu de données car l’espace k est transformable par une fonction prédéterminée FT en une matrice de pixels.
[23] Un jeu dégradé de données est un jeu de données qui code une image dégradée. Une image dégradée est une image dont l’indice Icob est supérieur à zéro. Par exemple, le jeu dégradé de données ne comporte pas assez de données pour coder l’ensemble des informations contenues dans l’image originale, tel qu’après un sous-échantillonnage ou une compression avec perte, procédés connus de la personne de l’art, ou à cause de la présence d’artefacts.
[24] Par « artefact », on désigne notamment le fait qu’une image comporte un motif structuré qui ne se trouve pas dans l’image originale ou le fait qu’il existe un motif structuré dans l’image originale qui ne peut pas être retrouvé dans l’image dégradée.
[25] Chapitre : Exemple de mode de réalisation
Figure imgf000005_0001
[26] La figure 1 représente un système 2. Ici, le système 2 est décrit dans le cas particulier où il s’agit d’un système d’imagerie par résonance magnétique (IRM) utilisé dans le domaine médical. Un tel système 2 permet de visualiser les structures des tissus mous d’un corps humain ou animal. De plus, ce système 2 présente l’avantage de ne pas utiliser pour cela de radiations ionisantes et n’est pas invasif.
[27] Dans le domaine de l’IRM, les images acquises sont d’abord codées dans l'espace image inverse plus connu sous le nom de « espace k » (« k-space » en anglais). L'espace k fait référence à une matrice de données contenant les données brutes de l'IRM. Ces données sont soumises, par exemple, à une fonction mathématique appelée « transformée FT » pour générer l'image finale. La transformée FT est généralement une transformée de Fourier discrète ou rapide. Pour l’imagerie bidimensionnelle, chaque point de l'espace k correspond à une fréquence spatiale spécifique selon deux directions généralement appelées ‘direction de codage par la fréquence’ et ‘direction de codage par la phase’ (coordonnées x,y) et des informations sur l'amplitude et la phase du signal pour cette fréquence spatiale. La transformée FT est appliquée après l'acquisition de l'espace k pour transformer l’espace k en une image finale. Chaque pixel de l'image finale est la somme pondérée de tous les points individuels de l'espace k. Par conséquent, la perturbation d'un point quelconque de l'espace k se traduit par une certaine forme de distorsion de l'image finale, déterminée par les données relatives à la fréquence et à la phase stockées dans ce point particulier. En général, les régions centrales de l'espace k encodent des informations sur le contraste de l’image finale et les régions périphériques de l'espace k encodent la résolution spatiale de l’image finale.
[28] L’obtention d’une image par IRM peut prendre du temps. Or, il existe des situations, telles que l'angiographie dynamique, l'IRM de perfusion ou l'imagerie de la fonction cardiaque, où il est nécessaire d’accélérer l’obtention de l’image finale. Pour réduire ce temps d’obtention, de nouvelles stratégies d’accélération ont été développées. Par exemple, l'imagerie parallèle (« Parallel imaging » en anglais) est aujourd'hui l’une des stratégies d'accélération les plus courantes. Dans le cadre de l'imagerie parallèle, le signal de résonance magnétique est acquis simultanément avec plusieurs petites bobines réceptrices indépendantes (appelés « réseaux phasés » ou « phased arrays » en anglais).
[29] De plus, dans le cas de l’imagerie parallèle, l’espace k est sous-échantillonné, c’est-à-dire qu’il manque des points dans l’espace k. Ainsi, le jeu de données initialement acquis, c’est-à-dire ici l’espace k sous-échantillonné, est un jeu dégradé de données puisque l’espace k sous-échantillonné ne comporte pas toutes les informations nécessaires pour obtenir l’image finale. En particulier, l’absence de points dans l’espace k sous-échantillonné se traduit par le fait que de nombreux artefacts sont présents dans l’image dégradée correspondante. Dès lors, pour améliorer la qualité de l’image finale, il est nécessaire de procéder à la construction de l’image finale par interpolation à partir des données contenues dans l’espace k sous-échantillonné ou des pixels de l’image dégradée. L’image finale est donc une image reconstruite. Dès lors, par la suite, les termes « image finale » et « image reconstruite » désignent la même image et sont équivalents.
[30] L’amélioration de la qualité de l’image finale peut être réalisée dans l’espace k, c’est-à-dire dans le domaine fréquentiel et donc avant que la transformée FT soit appliquée pour obtenir l’image finale. Dans ce cas, cela consiste à interpoler les points manquants de l’espace k sous-échantillonné à partir des points présents dans cet espace k sous-échantillonné pour obtenir un espace k complet interpolé. Ces points manquants qui ont été générés par interpolation, sont appelées « points manquants interpolés ». L’espace k complet interpolé est identique à l’espace k sous échantillonné sauf qu’il comporte en plus les points manquants interpolés. L’espace k complet interpolé est un jeu amélioré de données qui code l’image finale. En effet, dans ce cas, l’image finale est obtenue en appliquant la transformée FT à l’espace k complet interpolé. Or la transformée FT ne crée aucune nouvelle information par rapport à celles déjà contenues dans l’espace k complet interpolé. L’amélioration de la qualité de l’image finale peut aussi être réalisée dans le domaine image, c’est-à-dire en travaillant sur les pixels de l’image dégradée, c’est-à-dire dans ce cas sur les pixels de l’image obtenue après que la transformée FT ait été appliquée à l’espace k sous-échantillonné.
[31] Ici, le système 2 met en oeuvre l’imagerie parallèle et réalise l’amélioration de la qualité de l’image finale dans le domaine fréquentiel.
[32] La suite des explications est donnée dans le cas particulier où les images sont en niveau de gris de sorte que chaque image correspond à une matrice de pixels et chaque pixel a une valeur, par exemple, comprise entre 0 et 4095.
[33] Le système 2 comporte notamment :
- un appareillage 4 de mesure,
- une unité électronique 6 de traitement d’images, et
- une interface homme-machine 8.
[34] Dans le cas de l’IRM, l’appareillage 4 est la partie du système 2 qui mesure les ondes électromagnétiques et génère, à partir de ces mesures, l’espace k sous- échantillonné correspondant. L’appareillage 4 comporte notamment des capteurs qui mesurent une caractéristique physique de l’environnement en différent emplacement et qui génèrent, à partir de ces mesures, le jeu dégradé de données. Dans le cas du système 2, l’environnement comporte le corps d’un patient et les capteurs sont des bobines de mesure d’un champ magnétique appelées « antennes radiofréquences » dans le cas de l’IRM. Dans le contexte de l’IRM, l’appareillage 4 comporte aussi les différents éléments qui permettent d’émettre les séquences d’excitation appropriées du corps pour générer l’espace k sous-échantillonné. De telles séquences sont connues. A titre d’illustration, l’appareillage 4 permet de mettre en oeuvre la séquence connue sous l’acronyme FLAIR (« Fluid Attenuated Inversion Recovery »).
[35] De plus, dans le cas particulier décrit ici, l’appareillage 4 est également capable de générer directement un espace k complet mesuré, c’est-à-dire un espace k comportant toutes les points de l’espace-k. L’espace k complet mesuré n’est donc pas sous-échantillonné. L’espace k complet mesuré permet d’obtenir directement l’image finale sans avoir à construire, par interpolation, des données manquantes à partir d’un espace k sous-échantillonné. Ainsi, lorsque l’espace k mesuré est complet, dans l’image finale, les valeurs de tous les pixels sont directement obtenues à partir des données mesurées par l’appareillage 4 sans passer par une étape d’interpolation de mesures manquantes.
[36] Plus précisément, ici, il est possible de régler un facteur R d’accélération de la génération de l’image finale. Si le facteur R est réglé sur un, l’espace k mesuré par l’appareillage 4 est complet et aucune interpolation n’est mis en oeuvre pour obtenir l’image finale. En contrepartie, le temps d’obtention de l’image finale est maximal. Si le facteur R est réglé sur Na, où Na est un nombre supérieur à un, le temps d’obtention d’une image est égal à Tmax/Na, où Tmax est égal au temps d’obtention maximal. Pour réduire du facteur R le temps d’obtention, l’appareillage 4 ne réalise qu’une partie des mesures nécessaires pour remplir l’espace k. Cela se traduit par le fait que l’espace k est sous-échantillonné. Plus le facteur R est grand, plus l’espace k est sous- échantillonné et plus l’obtention de l’image finale est rapide.
[37] L’unité 6 correspond à la partie du système 2 qui construit l’image finale à partir de l’espace k sous-échantillonné mesuré par l’appareillage 4. Pour cela, l’unité 6 comporte un calculateur électronique 20. Typiquement, le calculateur 20 comporte un microprocesseur 24 apte à exécuter des instructions et une mémoire 26 comportant les instructions et les données nécessaires au fonctionnement de l’unité 6. Ainsi, en particulier, la mémoire 26 comporte :
- le code exécutable d’un optimiseur 28 configuré pour construire un espace k complet interpolé à partir d’un espace k sous-échantillonné mesuré par l’appareillage 4,
- le code exécutable de la transformée FT, - le code exécutable d’un module de pilotage de l’interface homme-machine 8, et
- le code exécutable d’un module 30 d’apprentissage automatique.
[38] Lorsque le code exécutable de l’optimiseur 28 est implémenté dans un calculateur, il forme avec celui-ci ce qui est appelé par la suite « un dispositif de reconstruction ».
[39] Lorsque le code exécutable du module 30 est implémenté dans un calculateur, il forme avec ce calculateur électronique un dispositif appelé par la suite « dispositif d’apprentissage ». Ainsi, dans ce mode de réalisation, l’unité 6 comporte à la fois un dispositif de reconstruction et un dispositif d’apprentissage automatique.
[40] L’optimiseur 28 comporte de nombreux paramètres 0j dont les valeurs peuvent être déterminées en mettant en oeuvre une phase d’apprentissage automatique. Les paramètres 0j sont des paramètres réglables de l’optimiseur 28 qui permettent d’ajuster le processus d’élaboration, par l’optimiseur 28, d’un jeu amélioré de données à partir d’un jeu dégradé de données. Ainsi, le jeu amélioré de données élaboré par l’optimiseur 28 varie à la fois en fonction du jeu dégradé de données et des valeurs des paramètres 0j. Les paramètres 0j sont des paramètres propres à l’optimiseur 28 et indépendants des jeux dégradés de données traités par cet optimiseur 28. Autrement dit, une fois réglé, les valeurs des paramètres 0j ne varient plus et, en particulier, ne varient pas en fonction des jeux dégradés de données traités par l’optimiseur 28. Ici, les valeurs des paramètres 0j sont déterminées comme décrit en regard du procédé de la figure 7. A cet effet, le code exécutable de l’optimiseur 28 est conçu pour qu’il soit possible de changer les valeurs des paramètres 0j sans pour cela avoir à compiler le code source du l’optimiseur 28 afin d’obtenir un nouveau code exécutable dans lequel les paramètres 0j ont des nouvelles valeurs. Par exemple, les valeurs courantes des paramètres 0j sont enregistrées dans un fichier 32 stocké dans la mémoire 26.
[41] Dans ce mode de réalisation, l’optimiseur 28 comporte au moins un réseau artificiel de neurones. Ce réseau comporte les paramètres 0j. Typiquement, dans le domaine de l’IRM , l’optimiseur 28 comporte un réseau neuronal convolutif connu sous l’acronyme CNN (« Convolutional Neuronal Network). Par exemple, le réseau neuronal convolutif est celui décrit dans l’un des articles suivants :
- Akçakaya Mehmetet AL : « Scan-specific robust artificial-neural-networks for k-space interpolation (RAKI) reconstruction: Database-free deep learning for fast imaging », Magnetic Resonance in Medicine. 2019;81(l), pages 439-453, - Dawood Peter et al : « Iterative training of robust k-space interpolation networks for improved image reconstruction with limited scan specific training samples », Magnetic Resonance in Medicine. 2023;89(2), pages 812-827.
[42] Le module 30 d’apprentissage est configuré pour exécuter la phase d’apprentissage qui permet de déterminer les valeurs des paramètres 0j de l’optimiseur 28. De plus, ici, le module 30 est également capable de construire, en commandant l’appareillage 4, une base de données 34 contenant les jeux de données nécessaires pour réaliser l’apprentissage automatique des valeurs des paramètres 0j. Dans ce mode de réalisation, la base 34 contient des espaces k sous-échantillonnés représentatifs des espaces k sous-échantillonnés que l’optimiseur 28 est susceptible de recevoir lorsqu’il est exploité. Pour chacun de ces espaces k sous-échantillonnés, la base contient un espace k complet mesuré, c’est-à-dire une espace k qui n’a pas été sous-échantillonné. L’espace k complet mesuré correspond ici à au moins un jeu original de données codant une image originale.
[43] L’interface homme-machine 8 comporte typiquement un écran sur lequel les images finales construites par l’unité 6 sont affichées. L’interface homme-machine 8 peut aussi comporter une imprimante pour imprimer les images finales et des boutons pour commander le fonctionnement du système 2.
[44] La figure 2 représente le procédé de mesure de la qualité d’une image Irec par rapport à une image originale lorg. Ces étapes sont exécutées par un calculateur électronique tel que le calculateur 20. Le procédé de mesure est décrit dans le cas particulier d’une image à deux dimensions.
[45] Lors d’une étape 50, le calculateur électronique acquière les images Irec et lorg. Les images Irec et lorg sont de même taille.
[46] Lors d’une étape 52, une image résiduelle 1res, de même taille que les images Irec et lorg, est construite. Pour cela, la valeur de chaque pixel k de l’image résiduelle est calculée à l’aide de la relation suivante : lres(Pk) =lorg(Pk) - lrec(Pk), où :
- Pk sont les coordonnées du pixel k, le pixel k étant situé à la même position dans les images Irec, lorg et 1res,
- lres(Pk) est la valeur du pixel de l’image résiduelle situé à la position Pk,
- lorg(Pk) est la valeur du pixel de l’image originale situé à la position Pk,
- lrec(Pk) est la valeur du pixel de l’image reconstruite situé à la position Pk. [47] Dans le cas d’une image en deux dimensions, la position Pk correspond aux coordonnées x,y du pixel k dans cette image.
[48] Ensuite, lors d’une étape 54, pour chaque pixel k de l’image résiduelle 1res, un coefficient C(Pk) de corrélation est calculé. Le coefficient C(Pk) est représentatif de la corrélation entre les pixels d’une région Rk de l’image 1res et les pixels de la même région Rk dans l’image lorg. La région Rk est centrée sur le pixel k. Ici, la région Rk est par exemple un carré de 11 pixels par 11 pixels centré sur le pixel k de sorte que sa taille est égale à 121 pixels. La taille et la forme de cette région Rk est la même pour tous les pixels k. [49] Ici, chaque coefficient C(Pk) est calculé à partir de la covariance entre les pixels de la région Rk de l’image 1res et les pixels de la région Rk de l’image lorg. Pour cela, dans ce mode de réalisation, les 121 pixels de la région Rk sont alignés les uns derrière les autres de manière à obtenir une série de 121 valeurs consécutives. Par la suite, la série de valeurs ainsi obtenue à partir de l’image lorg est notée ok et chaque valeur de cette série est notée ok(i), où i est le numéro d’ordre de cette valeur dans cette série. La série de valeurs obtenue à partir de l’image Irec est notée rk et chaque valeur de cette série est notée rk(i). Le coefficient C(Pk) est alors calculé à l’aide des relations suivantes :
Figure imgf000011_0001
Figure imgf000012_0001
où : - S est le nombre de valeurs dans les séries ok et rk,
- Om,k et rm,k sont les moyennes arithmétiques des valeurs contenues, respectivement, dans les séries ok et rk,
- Cov(Pk) est la covariance entre les séries ok et rk, estimée de manière non biaisée,
- Oorg(Pk) et Ores(Pk) sont les écarts types des valeurs des séries, respectivement, ok et rk estimés de manière non biaisée.
- £ est un petit nombre positif pour éviter de diviser par zéro, par exemple 10-9.
[50] Ensuite, lors d’une étape 56, la mesure de la qualité de l’image Irec est construite à partir des coefficients C(Pk) calculés lors de l’étape 52. Dans cet exemple de réalisation, la mesure de la qualité de l’image Irec est uniquement construite à partir des coefficients C(Pk). De plus, ici, la mesure de la qualité de l’image est exprimée sous la forme d’une seule valeur appelée « indice Icob ». A cet effet, l’indice Icob est pris égal à une norme Lp du vecteur formé par tous les coefficients C(Pk) calculés lors de l’étape 54. Ainsi, l’indice Icob est calculé à l’aide de la relation suivante :
Figure imgf000012_0002
où :
- p est un nombre entier prédéterminé supérieur ou égal à un,
- Ti est la taille des images Irec et lorg.
[51] Ici, p est choisi égal à un. Étant donné que la norme Lp est ici normalisée par la taille Ti, dans ce mode de réalisation, l’indice Icob peut seulement varier entre zéro et un. Lorsque la qualité de l’image 1res est maximale, c’est-à-dire que les images Irec et lorg sont identiques, l’indice Icob est égal à zéro. Plus la qualité de l’image 1res est mauvaise, plus l’indice Icob se rapproche de un.
[52] Il a été démontré, par de nombreuses expérimentations, que l’indice Icob est une mesure de la qualité d’une image qui est plus sensible à la présence d’artefacts que les autres indices connus utilisés pour mesurer la qualité d’une image. En particulier, il a été vérifié que l’indice Icob est une mesure plus sensible de la qualité d’une image que les indices connus suivants : l’indice SSIM, l’indice NRMSE, l’indice NMAE, l’indice PSNR, l’indice EQM (« Erreur Quadratique Moyenne ») également connu sous l’acronyme anglais MSE (« Mean Square error »). Ceci est illustré sur un exemple particulier à l’aide des figures 3 à 6.
[53] La figure 3 représente une image originale 60. Cette image 60 correspond à une coupe d’un cerveau obtenue à l’aide du système 2 en utilisant la séquence d’excitation FLAIR. Pour obtenir l’image 60, le facteur R d’accélération a été réglé sur un de sorte que l’image 60 est construite à partir d’un espace k complet mesuré et correspond donc à l’image originale.
[54] La figure 4 représente une image 70 de la même coupe d’un cerveau que celle représentée sur l’image 60 sauf qu’elle a été obtenue en choisissant un facteur R d’accélération supérieur à un. Ainsi, un espace k sous-échantillonné a été acquis. Ensuite, l’image 70 a été construite à partir de cet espace k sous-échantillonné en utilisant l’algorithme de reconstruction crRAKI (« complex residual RAKI ») pour interpoler les points manquants de l’espace k sous-échantillonné. L’algorithme crRAKI a été décrit dans la présentation suivante : Nimje S, de Rochefort L, Artières T : « Accelerating Phase and Quantitative susceptibility mapping with Scan-Specific Complex Convolutional Neural Networks », ISMRM. Toronto, Canada; 2023. p. 3882. (https://www.ismrm.org/23/program-files/D-174.htm).
[55] Les figures 5 et 6 représentent, respectivement, des images 80 et 90 construites à partir du même espace k sous-échantillonnné que celui utilisé pour construire l’image 70 sauf que les algorithmes de reconstruction utilisés sont, respectivement, rRAKI (« residual RAKI ») et GRAPPA (« GeneRalized Autocalibrating Partially Parallel Acquisitions »). L’algorithme de reconstruction rRAKI est décrit dans l’article suivant : Zhang Chi et Al : « Residual RAKI: A hybrid linear and non-linear approach for scanspecific k-space deep learning ». NeuroImage, 2022, vol. 256, 119248. L’algorithme de reconstruction GRAPPA est décrit dans l’article suivant : Griswold Mark A et al. : « Generalized autocalibrating partially parallel acquisitions (GRAPPA) », Magnetic Resonance in Medicine. 2002;47(6), pages 1202-1210
[56] Les figures 4 à 6 représentent également des images 70r, 80r et 90r qui correspondent, respectivement, à l’amplitude des images résiduelles construites entre les paires d’images suivantes : (60, 70), (60, 80) et (60, 90).
[57] Pour chacune des images 70, 80 et 90, l’indice Icob et les indices SSIM, NRMSE, NMAE, PSNR ont été construits. Les indices SSIM, NRMSE, NMAE, PSNR indiquent que l’image présentant la meilleure qualité est l’image 80, seul l’indice Icob indique que c’est l’image 70. Un examen visuel des images résiduelles confirme que c’est bien l’image 70 qui présente le moins d’artefacts, avec un niveau de résidus qui est spatialement plus aléatoire, et avec une moindre intensité. Un exemple d’un artefact visible sur l’image résiduelle 80r est pointé par la flèche 80c.
[58] L’indice Icob s’est également révélé plus sensible que les indices SSIM, NRMSE, NMAE, PSNR dans les situations suivantes :
- par rapport à l’image originale, les pixels de l’image reconstruite sont déplacés par une translation dans une direction particulière,
- par rapport à l’image originale, les pixels de l’image reconstruite sont déplacés par une rotation d’un angle particulier autour d’un axe perpendiculaire au plan de l’image,
- par rapport à l’image originale, les pixels de l’image reconstruite sont obtenus après application d’un flou gaussien (« Gaussian blur » en anglais).
[59] Un procédé d’apprentissage automatique de valeurs optimales 0j,opt pour les paramètres 0j de l’optimiseur 28 est maintenant décrit en référence à la figure 7. Ce procédé est mis en oeuvre par le dispositif d’apprentissage automatique du système 2, c’est-à-dire par le module 30 exécuté par le calculateur 20.
[60] Ce procédé débute par une étape 100 de fourniture de la base de données 34. Pour cela, dans ce mode de réalisation, il est procédé comme suit :
- un corps est placé à l’intérieur du système 2, puis - le module 30 commande l’appareillage 4 pour que celui génère un jeu original de données, c’est-à-dire un espace k complet mesuré, correspondant à une coupe du corps, puis
- le module 30 commande l’appareillage 4 pour qu’il génère un jeu dégradé de données, c’est-à-dire un espace k sous-échantillonné, correspondant à cette même coupe particulière du corps, en utilisant éventuellement une séquence d’excitation différente,
- le jeu original et le jeu dégradé ainsi générés sont enregistrés dans la base de données 34 et associés l’un à l’autre.
[61] Par exemple, pour générer un espace k complet mesuré, le module 30 règle le facteur R d’accélération sur la valeur un. A l’inverse, pour générer un espace k sous- échantillonné, le facteur R d’accélération est réglé sur une valeur supérieure à un.
[62] Afin de peupler la base de données 34 avec No jeux originaux de données différents, ce qui vient d’être décrit est réalisé pour plusieurs coupes différentes et/ou plusieurs corps différents et/ou plusieurs séquences d’excitation différentes. Typiquement, le nombre No dépend de la couverture spatiale désirée par l’utilisateur et demandée au système 4. En général, le nombre No est soit égale à 1 lors de l’imagerie d’une simple coupe, soit supérieur à huit ou dix et, parfois, supérieur à cent pour de l’imagerie multi-coupes.
[63] Une fois l’étape 100 terminée, l’apprentissage automatique des valeurs optimales 0j,opt pour les paramètres 0j de l’optimiseur 28 débute. Les valeurs optimales 0j,opt sont déterminées pour minimiser une fonction de coût Fc. Ce qui caractérise l’apprentissage automatique réalisé par le module 30 c’est que la valeur de la fonction Fc est calculée à partir de mesures de la qualité des images réalisées conformément au procédé de la figue 2. Ainsi, toutes méthodes conventionnelles d’apprentissage des valeurs optimales 0j,opt pour les paramètres 0j d’un réseau neuronal convolutif peut être utilisée sauf que la fonction de coût de cette méthode est modifiée pour varier également en fonction d’indices Icob. Dès lors, par la suite, seules les principales étapes de l’apprentissage automatique sont résumées.
[64] Lors d’une étape 102 d’initialisation, le module 30 choisie des valeurs initiales pour chaque paramètre 0j de l’optimiseur 28. Par exemple, ces valeurs initiales sont choisies aléatoirement. Elles sont enregistrées dans le fichier 32 en tant que valeurs actuelles 0j,t des paramètres 0j. [65] Ensuite, lors d’une étape 104 d’optimisation, le module 30 détermine de nouvelles valeurs pour les paramètres 0j, qui font décroître la valeur de la fonction Fc.
[66] Pour cela, lors de cette étape 104, la valeur de la fonction Fc, correspondant à des valeurs actuelles 0j,t des paramètres 0j de l’optimiseur 28, est calculée en exécutant les opérations suivantes.
[67] Lors d’une opération 106, le module 30 paramètre l’optimiseur 28 avec les valeurs actuelles 0j,t des paramètres 0j puis commande l’optimiseur 28 ainsi paramétré pour qu’il élabore, pour chaque jeu dégradé de données contenus dans la base de données 34, un jeu amélioré de données, c’est-à-dire ici un espace k complet interpolé. De plus, dans le cas particulier décrit ici, le dispositif de reconstruction génère aussi l’image reconstruite correspondant à chacun de ces espaces k complets interpolés générés à l’aide de la fonction FT.
[68] Ensuite, lors d’une opération 108, pour chaque jeu amélioré de données, le module 30 mesure de la qualité, par rapport à l’image originale, de l’image reconstruite codée par ce jeu amélioré. L’image originale est celle codée par le jeu original de données associé, par la base de données 34, au jeu dégradé de données que l’optimiseur 28 a reçu pour générer ce jeu amélioré de données. Pour faire cela, le module 30 exécute le procédé de la figure 2. Ainsi, un indice Icob est mesuré pour chaque image reconstruite.
[69] Lors d’une opération 110, le module 30 calcule la valeur de la fonction Fc à partir des indices Icob mesurés. Dans cet exemple de réalisation, la valeur de la fonction Fc dépend seulement des indices Icob mesurés. Plus précisément, ici, la valeur de la fonction Fc est simplement la moyenne arithmétique des indices Icob mesurés lors de l’opération 108. Autrement dit, puisque les indices Icob sont positifs, la valeur de la fonction Fc est égale à la norme L1 des indices Icob mesurés pour chaque image reconstruite.
[70] Lors d’une étape 114, le module 30 vérifie que les valeurs actuelles des paramètres 0j déterminées lors de l’étape 104 correspondent à une valeur de la fonction Fc proche de son minimum. Pour cela, le module 30 vérifie si un critère d’arrêt est satisfait. Le critère d’arrêt peut être le suivant mais de nombreux autres critères d’arrêt sont possibles :
Figure imgf000017_0001
OÙ
- Npa est égal au nombre de paramètres 0j de l’optimiseur 28,
- 0j,t sont les valeurs actuelles des paramètres 0 et
- 0j,M sont les valeurs précédentes des paramètres 0j, c’est-à-dire celles obtenues à l’issue de l’itération précédente de l’étape 104.
[71] Si le critère d’arrêt n’est pas satisfait, le procédé retourne à l’étape 104. Si, au contraire, le critère d’arrêt est satisfait, lors d’une étape 116, les valeurs optimales 0 j,opt déterminées pour chaque paramètre 0j sont prises égales aux valeurs actuelles 0j,t correspondantes. Les valeurs 0j,opt sont enregistrées dans le fichier 32.
[72] Un procédé de fabrication et d’exploitation du système 2 va maintenant être décrit en référence à la figure 8.
[73] Le procédé débute par une phase 130 de fabrication du système 2.
[74] Lors d’une étape 132, l’appareillage 4, le calculateur 20 et l’interface homme- machine 8 sont fournis et assemblés ensemble.
[75] Lors d’une étape 134, l’optimiseur 28 et le module 30 sont également implémentés dans le calculateur 20. Typiquement, pour cela, les codes exécutables de l’optimiseur 28 et du module 30 sont enregistrés dans la mémoire 26.
[76] A ce stade, le fichier 32 est vierge ou comporte des valeurs pour les paramètres 0j qui ne sont pas nécessairement optimales. Ainsi, pour obtenir un dispositif de reconstruction capable de correctement reconstruire une image à partir d’un jeu dégradé de données acquis par l’appareillage 4, une étape 136 d’apprentissage automatique est exécutée. Ici, lors de cette étape 136, le procédé de la figure 7 est exécuté par le module 30.
[77] Enfin, lors d’une étape 138, une valeur pour chacun des paramètres 0j est implantée dans le calculateur 20. Ici, la valeur de chaque paramètre 0j est comprise entre O,95*0j,opt et l,O5*0j,opt, et, de préférence, entre O,99*0j,opt et l,Ol*0j.opt., où 0j,opt est la valeur optimale déterminée lors de l’étape 136. Ici, les valeurs des paramètres 0j implantées dans le calculateur 20 sont égales aux valeurs optimales 0j,opt. Dans cet exemple de réalisation, l’implantation des valeurs des paramètres 0j dans le calculateur 20 consiste à les enregistrer dans le fichier 32.
[78] A partir de ce moment, la fabrication du dispositif de reconstruction d’images est terminée. La fabrication du système 2 est alors également terminée.
[79] Ensuite, lors d’une phase 150, le système 2 est exploité. Lors de cette phase d’exploitation, l’appareillage 4 génère uniquement un jeu dégradé de données de manière à accélérer le temps d’obtention d’une image. Le dispositif de reconstruction construit alors l’image reconstruite à partir de ce jeu dégradé de données généré par l’appareillage 4. Pour cela, l’optimiseur 28 élabore d’abord un jeu amélioré de données à partir du jeu dégradé de données puis la fonction FT est appliquée au jeu amélioré de données pour obtenir l’image reconstruite. Cette image reconstruite est alors affichée sur l’écran de l’interface homme-machine 8.
[80] Lors de la phase d’exploitation, les étapes 136 et 138 peuvent de nouveau être exécutées pour re-calibrer automatiquement l’optimiseur 28.
[81] Chapitre III : Variantes :
[82] Variantes des coefficients C(Pk) :
[83] D’autres relations sont utilisables pour obtenir un coefficient C(Pk) représentatif de la corrélation entre les pixels de l’image résiduelle et les pixels de la même région dans l’image originale. Par exemple, le nombre £ est omis. Dans ce cas, une vérification préalable doit être réalisée pour éviter de diviser par zéro et la division par zéro est traitée différemment. Chaque coefficient C(Pk) peut aussi être calculé à l’aide de la relation suivante : C(Pk) = Cov(Pk). Dans ce dernier cas, les coefficients C(Pk) ne sont pas normalisés et le calcul des écarts types o0rg(Pk) et ores(Pk) peut être omis.
[84] Il est aussi possible de calculer chaque coefficient C(Pk) en y ajoutant le coefficient CN(Pk) calculé à l’aide de la relation suivante :
Figure imgf000018_0001
Figure imgf000019_0001
où :
- S est le nombre de valeurs dans les séries ok et rk,
- Norg(Pk) et Nres(Pk) sont les normes L2 des valeurs des séries, respectivement, ok et rk.
- £ est un petit nombre positif pour éviter de diviser par zéro, par exemple 10-9.
- a est un nombre positif, de préférence égal à 1.
[85] D’autres tailles sont possibles pour la région Rk utilisée. En pratique, la taille de la région Rk est supérieure à seize ou trente six pixels et, souvent, inférieure à mille pixels. La région Rk n’est pas nécessairement un carré mais peut aussi avoir d’autres formes. Par exemple, la région utilisée peut être un rectangle plus long que large ou avoir une forme en croix ou en disque.
[86] En variante, une zone d’intérêt est définie dans l’image reconstruite. Par exemple, cette zone d’intérêt entoure la portion de l’image qui présente un intérêt pour l’utilisateur et exclut les autres portions de l’image. Dans le cas d’une image médicale, la zone d’intérêt exclut les portions de l’image qui ne correspondent pas à une portion d’un corps humain ou animal. Dans cette variante, au lieu de calculer un coefficient C(Pk) pour tous les pixels de l’image, les coefficients C(Pk) sont calculés seulement pour les pixels situés à l’intérieur de la zone d’intérêt. [87] Tout ce qui a précédemment été décrit dans le cas particulier d’une image à deux dimensions s’applique aussi au cas d’une image à N dimensions, où N est un entier supérieur à deux. En particulier, ce qui a été décrit s’applique aussi au cas d’une image en trois dimensions communément appelée « image 3D ». Dans le cas d’une image 3D, la position d’un pixel de cette image 3D est repérée par des coordonnées x,y,z d’un repère orthogonal. Dans ce cas, la mesure de la qualité d’une image est réalisée comme décrit précédemment sauf que la région Rk utilisée pour calculer le coefficient C(Pk) est un volume à trois dimensions, tel qu’un cube, centré sur le pixel de position Pk.
[88] Variantes de la construction de la mesure de la qualité :
[89] L’indice Icob peut être calculé en utilisant une autre norme que la norme Ll. Par exemple, la norme L2 ou l’une quelconque des autres normes Lp est utilisée.
[90] L’indice Icob peut aussi ne pas être normalisé, c’est-à-dire que C(Pk) n’est alors pas divisé par les écart-types.
[91] En variante, la mesure de la qualité n’est pas simplement prise égale à l’indice Icob. Par exemple, lors de l’étape 56, un ou plusieurs autres indices loth sont calculés. Ensuite, la mesure de la qualité de l’image est prise égale à une combinaison, par exemple linéaire, des valeurs des différents indices calculés dont l’indice Icob. A titre d’exemple d’autres indices loth représentatifs de la qualité d’une image, on peut citer les indices connus suivants : l’indice NRMSE, l’indice NMAE, l’indice PSNR, l’indice EQM, l’indice SSIM. L’indice loth peut également correspondre à la moyenne de CN(Pk) pour les pixels de l’image, ou encore pour une zone d’intérêt identique à celle utilisée pour calculer Icob.
[92] Dans une autre variante, lors de l’étape 56, en plus ou à la place de construire l’indice Icob, une image dans laquelle la valeur de chaque pixel k est calculée à partir de la valeur du coefficient C(Pk), est construite puis affichée sur un écran électronique. Par exemple, la valeur de chaque pixel de cette image est prise égale à la valeur du coefficient C(Pk) ou à F(C(Pk)), où F est une fonction continue prédéfinie. Par exemple, la fonction F est une fonction bijective telle qu’une fonction affine. Cette image ainsi construite indique les emplacements où se situent les artefacts dans l’image reconstruite et constitue une mesure de la qualité de l’image reconstruite.
[93] Variantes du dispositif de reconstruction : [94] D’autres modes de réalisation de la transformée FT sont possibles. Par exemple, la transformée FT peut aussi être une transformée de « Hartley ».
[95] De nombreux modes de réalisation différents sont possibles pour l’optimiseur 28. En particulier, l’optimiseur ne comporte pas nécessairement un réseau neuronal convolutif. Par exemple, en variante, l’optimiseur 28 est configuré pour mettre en oeuvre l’algorithme de reconstruction GRAPPA (« GeneRalized Autocalibrating Partially Parallel Acquisitions »). Dans ce dernier cas, les paramètres 0j dont les valeurs sont déterminées lors de la phase d’apprentissage sont les paramètres des filtres de convolution connus sous le nom de noyau GRAPPA (« GRAPPA kernel » en anglais) et discutés dans l’article suivant : Nana, R., Zhao, T., Heberlein, K., LaConte, S.M. and Hu, X : « Cross-validation-based kernel support selection for improved GRAPPA reconstruction », 2008, Magn. Reson. Med., 59: 819-82.
[96] En fait, l’enseignement donné ici s’applique à tout optimiseur, comportant des paramètres 0 apte à recevoir un jeu dégradé de données et à élaborer, en réponse, un jeu amélioré de données codant l’image reconstruite Irec. Pour cela, les valeurs des paramètres 0j sont déterminées au cours d’une phase d’apprentissage automatique comme celle décrite précédemment. En particulier, lors de cette phase d’apprentissage automatique, la valeur de la fonction de coût est calculée à partir des indices Icob des images reconstruites Irec.
[97] L’enseignement donné ici n’est pas limité au cas où l’optimiseur élabore le jeu amélioré de données en complétant le jeu dégradé de données avec des données interpolées à partir des données présentes dans ce jeu dégradé de données. Par exemple, ce qui a été décrit ici s’applique au débruitage d’images pour en réduire les artefacts structurés, car une image dans laquelle ceux-ci sont réduits présente un indice Icob plus faible que l’indice Icob de l’image bruitée initiale. Dans ce cas, le jeu dégradé de données code l’image bruitée et le jeu amélioré de données code une image reconstruite dans laquelle le bruit structuré a été diminué.
[98] L’indice Icob peut aussi être utilisé dans le domaine du recalage d’image (« Image registration » en anglais). En effet, une image bien recalée présente un indice Icob inférieure à celui d’une image mal recalée. Dans ce cas, le jeu dégradé de données code la ou les images non-recalées et le jeu amélioré de données code une image recalée dans laquelle le recalage a été amélioré. La construction de l’image recalée nécessite, généralement, l’utilisation d’un modèle de transformation. Les paramètres 0j dont les valeurs sont déterminées lors de la phase d’apprentissage correspondent alors aux différents paramètres de ce modèle de transformation. A titre d’illustration, l’optimiseur peut implémenter l’un des modèles de transformation brièvement présentés dans la table 1 de l’article suivant : Avants BB et Al : « A reproducible evaluation of ANTs similarity metric performance in brain image registration ». Neuroimage, 2011 Feb 1; 54(3): 2033-44. doi:
10.1016/j . neuroimage.2010.09.025.
[99] De plus, ce qui a été décrit ici dans le cas particulier du domaine de l’imagerie s’applique à tout domaine où un dispositif de reconstruction d’une image Irec à partir d’un jeu dégradé de données est mis en oeuvre. Par exemple, ce qui a été décrit ici s’applique aux domaines de la compression d’images ou de vidéo avec perte et aussi à la reconstruction d’images ou de vidéo à partir de fichiers endommagés (également connu sous le terme anglais de « Inpainting »).
[100] Dans le cas de la compression d’images ou de vidéo avec perte, le jeu dégradé de données code l’image compressé et le jeu amélioré de données code l’image décompressée. Dans le domaine de la compression d’images ou de vidéo avec perte, l’étape 100 de fourniture et d’enregistrement de la base de données 34 comporte :
- l’acquisition de jeux originaux de données, c’est-à-dire d’images non-compressées, puis
- la compression avec perte de chaque jeu original de données acquis pour obtenir le jeu dégradé de données correspondant à chacun de ces jeux originaux de données acquis, puis
- l’enregistrement, dans la base de données 34, de chaque jeu dégradé de données obtenu associé au jeu original de données correspondant acquis.
[101] Dans le cas de la reconstruction d’images ou de vidéo, le jeu dégradé de données est le fichier endommagé. La base de données 34 comporte alors des fichiers endommagés et, pour chacun de ces fichiers endommagés, le jeu original de données, c’est-à-dire le fichier non-endommagé.
[102] Il est souligné que, en dehors du domaine de l’imagerie, le dispositif de reconstruction n’est pas nécessairement associé à un appareillage de mesure. Dans ce cas, le dispositif de reconstruction est capable d’acquérir un fichier numérique contenant le jeu dégradé de données. Ce jeu dégradé de données acquis a préalablement été généré, par exemple, par un appareillage de mesure distant ou créé informatiquement par un ordinateur en réponse à des instructions transmises par un opérateur.
[103] Variantes de l’apprentissage automatique :
[104] D’autres fonctions de coûts sont possibles. Par exemple, la valeur de la fonction Fc est égale à la norme Lp du vecteur formé par l’ensemble des indices Icob mesurés, avec p supérieur à un. La valeur de la fonction Fc peut également varier en fonctions d’autres critères comme, par exemple, d’autres indices de qualité que l’indice Icob. Par exemple, la valeur de la fonction Fc peut aussi varier, en plus, en fonction de l’indice PSNR ou SSIM.
[105] D’autres critères d’arrêt de la phase d’apprentissage sont possibles.
[106] En variante, le module 30 d’apprentissage est incapable de commander l’appareillage 4 pour générer les jeux de données utiles pour peupler la base de données 34. Dans ce cas, des espaces k complets lui sont fournis. Par exemple, il peut s’agir des espaces k complets contenus dans une base de données publique telle que celle connue sous le nom de fastMRI. Si les espaces k sous-échantillonnés correspondants aux espaces k complets fournis ne sont pas également fournis, le module 34 est configuré pour générer ces espaces k sous-échantillonnés à partir des espaces k complets fournis. Pour cela, le module 34 sous-échantillonne les espaces k complets fournis pour peupler la base de données 34 à la fois avec les espaces k complets et les espaces k sous-échantillonnés. Dans une autre variante, les espaces k sous-échantillonnés sont également fournis au module 34 qui peut alors directement les enregistrer dans la base de données 34.
[107] En variante, le système 2 ne comporte pas de dispositif d’apprentissage. Le module 30 et la base de données 34 sont omis. Le système 2 ne peut pas s’auto- calibrer. Dans ce cas, le module 30 est implémenté dans un calculateur différent du calculateur 20 pour former un dispositif d’apprentissage indépendant du système 2. Ce dispositif d’apprentissage indépendant est alors, par exemple, uniquement utilisé lors de la fabrication du système 2 pour déterminer les valeurs des paramètres 0j à implanter dans le système 2. Ensuite, les valeurs des paramètres 0j de l’optimiseur 28 ne peuvent plus être modifiées ou seulement modifiées en remplaçant le fichier 32 par un nouveau fichier.
[108] Autres variantes : [109] Dans une variante simplifiée, l’appareillage 4 est seulement un appareillage de mesure basse résolution qui n’est pas capable de générer le jeu original de données. Dans ce cas, au moins lors de la phase d’apprentissage, un appareillage de mesure haute résolution additionnel est utilisé pour générer chaque jeu original de données de la base de données 34. Ensuite, lors de la phase 150 d’exploitation, l’appareillage de mesure haute résolution est omis.
[110] D’autres modes de réalisation de l’appareillage 4 sont possibles. Par exemple, il peut s’agir d’un appareillage de radiographie utilisant pour cela un rayonnement ionisant tel que les rayons X ou les rayons gamma. Il peut aussi s’agir d’un appareil photo ou d’une caméra apte à capturer la lumière visible réfléchie par un objet. Dans ces deux derniers exemples les jeux de données codant les images ne sont pas des espaces k.
[111] Le système 2 n’est pas nécessairement un système d’imagerie utilisé dans le domaine médical. Par exemple, le système 2 peut aussi être adapté afin d’être utilisé dans différents domaines industriels pour, par exemple, détecter un défaut dans une pièce fabriquée ou à réparer.
[112] Plusieurs des variantes décrites ci-dessus peuvent être combinées dans un même mode de réalisation.
[113] Chapitre IV : Avantages des modes de réalisation décrits :
[114] Le fait de mesurer la qualité d’une image reconstruite par rapport à l’image originale en construisant une image résiduelle puis en calculant les coefficients C(Pk) permet de mieux faire ressortir la présence d’artefacts dans l’image reconstruite que ce qui est actuellement possible en utilisant d’autres procédés connus de mesure de la qualité d’une image tel que ceux utilisant uniquement les indices PSNR et SSIM.
[115] A cause de cela, lorsque cette mesure de la qualité d’une image est utilisée pour déterminer les valeurs des paramètres 0j de l’optimiseur 28, l’image reconstruite par le dispositif de reconstruction d’images présente moins d’artefacts que lorsque les valeurs des paramètres 0j sont déterminées en utilisant d’autres procédés connus.

Claims

Revendications
1. Procédé de mesure de la qualité d’une image reconstruite par rapport à une image originale, ce procédé comportant l’exécution de l’étape suivante par un calculateur électronique :
1) la construction (52) d’une image résiduelle, lors de laquelle la valeur de chaque pixel k de l’image résiduelle est calculée à l’aide de la relation suivante : lres(Pk) =lorg(Pk) - lrec(Pk), où :
- Pk est la position du pixel k dans les images reconstruite, originale et résiduelle,
- lres(Pk) est la valeur du pixel de l’image résiduelle situé à la position Pk,
- lorg(Pk) est la valeur du pixel de l’image originale situé à la position Pk,
- lrec(Pk) est la valeur du pixel de l’image reconstruite situé à la position Pk, et caractérisé en ce que le procédé comporte également l’exécution des étapes suivantes par le calculateur électronique :
2) pour plusieurs pixels de l’image résiduelle, le calcul (54) d’un coefficient C(Pk) représentatif de la corrélation entre les pixels d’une région de l’image résiduelle centrée sur le pixel situé à la position Pk et les pixels de la même région dans l’image originale, la taille et la forme de chaque région étant la même pour tous les coefficients de corrélation calculés, la taille prédéterminée de chaque région étant supérieure à neuf pixels et chaque coefficient C(Pk) étant calculé à partir de la covariance entre les pixels de la région de l’image résiduelle et les pixels de la même région dans l’image originale,
3) la construction (56) d’une mesure de la qualité de l’image reconstruite à partir des coefficients calculés lors de l’étape 2).
2. Procédé selon la revendication 1, dans lequel la construction d’une mesure de la qualité de l’image comporte :
- le calcul d’une norme Lp à l’aide de la relation suivante :
Figure imgf000026_0001
où :
- Icob est la valeur de la norme Lp,
- p est un nombre entier prédéterminé supérieur ou égal à un,
- Ti est la taille des images originale et reconstruite,
- C(Pk) sont les coefficients calculés lors de l’étape 2), et
- la construction de la mesure de la qualité de l’image reconstruite à partir de la valeur Icob de cette norme Lp.
3. Procédé selon l’une quelconque des revendications précédentes, dans lequel le procédé comporte :
- la construction d’une image dans laquelle la valeur de chaque pixel k est construite à partir de la valeur du coefficient C(Pk) calculé, pour obtenir une image représentant les emplacements où se situent des artefacts dans l’image reconstruite, puis
- l’affichage de cette image sur un écran.
4. Procédé d’apprentissage automatique de valeurs optimales 0j,opt pour des paramètres 0j d’un optimiseur de qualité d’images apte à recevoir un jeu dégradé de données codant une image dégradée et à élaborer, à partir de ce jeu dégradé de données et des valeurs des paramètres 0j, un jeu amélioré de données codant une image reconstruite dont la qualité, lorsqu’elle est mesurée à l’aide d’un procédé conforme à l’une quelconque des revendications précédentes, est meilleure que la qualité de l’image dégradée, ce procédé d’apprentissage automatique comportant :
- la fourniture (100) et l’enregistrement dans une mémoire d’un calculateur électronique, d’une base de données contenant des jeux dégradés de données représentatifs des jeux dégradés de données susceptibles d’être fournis à l’optimiseur et, pour chacun de ces jeux dégradés de données, un jeu original de données codant une image originale dont la qualité est maximale, puis l’exécution des étapes suivantes par le calculateur électronique : 1) une étape (102) d’initialisation lors de laquelle des valeurs initiales sont choisies pour chaque paramètre 0j de l’optimiseur, puis
2) une étape (104) d’optimisation qui détermine de nouvelles valeurs pour les paramètres 0j de l’optimiseur, qui font décroître la valeur d’une fonction de coût prédéterminée, lors de cette étape d’optimisation, la valeur de la fonction de coût correspondant à des valeurs actuelles des paramètres 0j de l’optimiseur est calculée en exécutant les opérations suivantes :
2a) l’élaboration (106), par l’optimiseur paramétré avec ces valeurs actuelles des paramètres 0j et pour chaque jeu dégradé de données contenu dans la base de données, d’un jeu amélioré de données, puis
2b) pour chaque jeu amélioré de données élaboré lors de l’opération 2a), la mesure (108) de la qualité de l’image reconstruite, codée par ce jeu amélioré de données, par rapport à l’image originale, l’image originale étant celle codée par le jeu original de données associé, par la base de données, au jeu dégradé de données à partir duquel l’optimiseur a élaboré ce jeu amélioré de données, puis 2c) le calcul (110) de la valeur de la fonction de coût à partir des mesures de la qualité des images reconstruites, réalisées lors de l’opération 2b), puis
3) une étape (114) de vérification que les valeurs actuelles des paramètres 0j déterminées lors de l’étape 2) correspondent à une valeur de la fonction de coût proche de son minimum,
4) si la fonction de coût n’est pas proche de son minimum, le procédé retourne à l’étape 2) et, au contraire, si la fonction de coût est suffisamment proche de son minimum, les valeurs optimales 0j,opt pour chaque paramètre 0j sont prises égales (116) aux valeurs actuelles correspondantes des paramètres 0j, caractérisé en ce que lors de l’opération 2b), la mesure de la qualité de chaque image reconstruite est réalisée en mettant en oeuvre un procédé conforme à l’une quelconque des revendications précédentes.
5. Procédé selon la revendication 4, dans lequel l’étape (100) de fourniture et d’enregistrement de la base de données comporte :
- la génération, à l’aide d’un appareillage de mesure, de chacun des jeux originaux de données contenus dans la base de données, et Tl
- la génération automatique, pour chacun des jeux originaux contenus dans la base de données, du jeu dégradé de données associé à ce jeu original de données dans la base de données.
6. Procédé selon la revendication 5, dans lequel la génération automatique de chacun des jeux dégradés de données comporte la génération de ces jeux dégradés de données par le même appareillage de mesure que celui utilisé pour générer les jeux originaux de données.
7. Procédé selon la revendication 5 ou 6, dans lequel l’appareillage de mesure est un appareil d’imagerie par résonance magnétique et les jeux dégradés de données sont des espaces k sous-échantillonnés.
8. Procédé selon l’une quelconque des revendications 4 à 7, dans lequel l’optimiseur d’images comporte un réseau de neurones.
9. Support (26) d’enregistrement d’informations, lisible par un microprocesseur, comportant des instructions exécutables par ce microprocesseur, caractérisé en ce que ce support comporte des instructions non transitoires pour l’exécution d’un procédé conforme à l’une quelconque des revendications 4 à 8, lorsque ces instructions sont exécutées par le microprocesseur.
10. Procédé de fabrication d’un dispositif de reconstruction d’une image à partir d’un jeu dégradé de données, ce jeu dégradé de données codant seulement une image dégradée dont la qualité, lorsqu’elle est mesurée à l’aide d’un procédé conforme à l’une quelconque des revendications 1 à 3, est inférieure à la qualité de l’image reconstruite, ce procédé comportant :
- l’implémentation (134), dans un calculateur électronique, d’un optimiseur de qualité d’images, cet optimiseur étant apte à recevoir le jeu dégradé de données et à élaborer, à partir de ce jeu dégradé de données, un jeu amélioré de données codant l’image reconstruite, cet optimiseur de qualité d’images comportant des paramètres 0j à partir desquels est également élaboré chaque jeu amélioré de données, - l’apprentissage automatique (136) de valeurs optimales 0j,opt pour les paramètres 0j de l’optimiseur de qualité d’images,
- l’implantation (138), dans le calculateur électronique, d’une valeur pour chacun des paramètres 0j comprise entre O,95*0j,opt et l,O5*0j,opt, pour obtenir le dispositif de reconstruction d’images, caractérisé en ce que l’apprentissage automatique (136) est réalisé conformément à l’une quelconque des revendications 4 à 9.
11. Système d’imagerie comportant :
- un appareillage (4) de mesure apte à générer :
- des jeux originaux de données codant chacun une image originale dont la qualité, lorsqu’elle est mesurée à l’aide d’un procédé conforme à l’une quelconque des revendications 1 à 3, est maximale, et
- des jeux dégradés de données codant chacun une image dégradée dont la qualité, lorsqu’elle est mesurée à l’aide d’un procédé conforme à l’une quelconque des revendications 1 à 3, est inférieure à la qualité de l’image originale correspondante,
- un dispositif de reconstruction d’une image dite « reconstruite » apte à construire, à partir d’un jeu dégradé de données généré par l’appareillage (4) de mesure, un jeu amélioré de données codant une image reconstruite dont la qualité, lorsqu’elle est mesurée à l’aide d’un procédé conforme à l’une quelconque des revendications 1 à 3, est meilleure que la qualité de l’image dégradée, ce dispositif de reconstruction comportant un calculateur électronique (20) dans lequel est implémenté un optimiseur (28) de qualité d’images apte à recevoir le jeu dégradé de données et à élaborer, à partir de ce jeu dégradé de données, le jeu amélioré de données codant l’image reconstruite, cet optimiseur (28) de qualité d’images comportant des paramètres 0j à partir desquels est également élaboré chaque jeu amélioré de données, et
- un dispositif d’apprentissage automatique de valeurs optimales 0j,opt pour les paramètres 0j de l’optimiseur de qualité d’images, caractérisé en ce que le dispositif d’apprentissage automatique est configuré pour mettre en oeuvre un procédé d’apprentissage automatique des valeurs optimales 0j,opt conforme à la revendication 5.
PCT/EP2024/073294 2023-09-21 2024-08-20 Procédé de mesure de la qualité d'une image reconstruite Pending WO2025061399A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2309986 2023-09-21
FR2309986A FR3153449A1 (fr) 2023-09-21 2023-09-21 Procédé de mesure de la qualité d’une image reconstruite

Publications (1)

Publication Number Publication Date
WO2025061399A1 true WO2025061399A1 (fr) 2025-03-27

Family

ID=88839332

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/073294 Pending WO2025061399A1 (fr) 2023-09-21 2024-08-20 Procédé de mesure de la qualité d'une image reconstruite

Country Status (2)

Country Link
FR (1) FR3153449A1 (fr)
WO (1) WO2025061399A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170042496A1 (en) 2014-04-25 2017-02-16 General Electric Company System and method for evaluating motion correction in dynamic medical images
CN109285146A (zh) 2018-08-30 2019-01-29 南京邮电大学 基于恰可觉察失真的全参考图像质量评价方法
CN113469998A (zh) 2021-07-21 2021-10-01 西安邮电大学 基于主观和客观特征融合的全参考图像质量评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170042496A1 (en) 2014-04-25 2017-02-16 General Electric Company System and method for evaluating motion correction in dynamic medical images
CN109285146A (zh) 2018-08-30 2019-01-29 南京邮电大学 基于恰可觉察失真的全参考图像质量评价方法
CN113469998A (zh) 2021-07-21 2021-10-01 西安邮电大学 基于主观和客观特征融合的全参考图像质量评价方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
AKÇAKAYA MEHMETET: "Scan-specific robust artificial-neural-networks for k-space interpolation (RAKI) reconstruction: Database-free deep learning for fast imaging", MAGNETIC RESONANCE IN MEDICINE, vol. 81, no. 1, 2019, pages 439 - 453
AVANTS BB: "A reproducible evaluation of ANTs similarity metric performance in brain image registration", NEUROIMAGE, vol. 54, no. 3, 1 February 2011 (2011-02-01), pages 2033 - 44, XP027564675
DAWOOD PETER ET AL.: "Iterative training of robust k-space interpolation networks for improved image reconstruction with limited scan specific training samples", MAGNETIC RESONANCE IN MEDICINE, vol. 89, no. 2, 2023, pages 812 - 827
GRISWOLD MARK A ET AL.: "Generalized autocalibrating partially parallel acquisitions (GRAPPA", MAGNETIC RESONANCE IN MEDICINE, vol. 47, no. 6, 2002, pages 1202 - 1210, XP002369548, DOI: 10.1002/mrm.10171
MARIUS PEDERSEN: "Full-Reference Image Quality Metrics : Classification and Evaluation", FONDATIONS AND TRENDS IN COMPUTER GRAPHICS AND VISION, vol. 7, no. 1, 1 January 2011 (2011-01-01), pages 1 - 80, XP055119441, DOI: 10.1561/0600000037
MARIUS PEDERSEN: "Full-Reference Image Quality Metrics: Classification and Evaluation", FOUNDATIONS AND TRENDS IN COMPUTER GRAPHICS AND VISION, vol. 7, no. 1, 1 January 2011 (2011-01-01), pages 1 - 80, XP055119441, ISSN: 1572-2740, DOI: 10.1561/0600000037 *
NANA, R.ZHAO, T.HEBERLEIN, K.LACONTE, S.M.HU, X: "Cross-validation-based kernel support selection for improved GRAPPA reconstruction", MAGN. RESON. MED., vol. 59, 2008, pages 819 - 82
ZHANG CHI ET AL.: "Residual RAKI: A hybrid linear and non-linear approach for scan-specific k-space deep learning", NEUROLMAGE, vol. 256, 2022, pages 119248
ZHOU WANG ET AL: "Mean squared error: Love it or leave it? A new look at Signal Fidelity Measures", IEEE SIGNAL PROCESSING MAGAZINE, IEEE, USA, vol. 26, no. 1, 1 January 2009 (2009-01-01), pages 98 - 117, XP011267432, ISSN: 1053-5888, DOI: 10.1109/MSP.2008.930649 *
ZHOU WANG: "Means squared error : Love it or leave it ? A new look at signal fidelity measures", IEEE SIGNAL PROCESSING MAGAZINE, vol. 26, no. 1, 1 January 2009 (2009-01-01), pages 98 - 117, XP011267432, DOI: 10.1109/MSP.2008.930649

Also Published As

Publication number Publication date
FR3153449A1 (fr) 2025-03-28

Similar Documents

Publication Publication Date Title
CN113436290B (zh) 用于使用深度神经网络从图像中选择性地去除条纹伪影和噪声的方法和系统
CN111081354B (zh) 用于通过深度学习网络对医疗图像进行去噪的系统和方法
US10393842B1 (en) Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering
US10475214B2 (en) Tomographic reconstruction based on deep learning
US20170372193A1 (en) Image Correction Using A Deep Generative Machine-Learning Model
US11346911B2 (en) Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation
JP7768136B2 (ja) モデルへの入力インスタンスの分布外検出
AU2019268404A1 (en) Method and system of motion correction for magnetic resonance imaging
WO2022078922A1 (fr) Détection séquentielle de détection de distribution pour imagerie médicale
CN115082576B (zh) 用相敏结构相似度指数量度处理磁共振图像的系统和方法
US12521033B2 (en) Method and system for low-field MRI denoising with a deep complex-valued convolutional neural network
EP2791907B1 (fr) Procédé de reconstruction d'un signal en imagerie médicale à partir de mesures expérimentales perturbées, et dispositif d'imagerie médicale mettant en uvre ce procédé
US12379440B2 (en) Multichannel deep learning reconstruction of multiple repetitions
Dang et al. MR‐zero meets RARE MRI: joint optimization of refocusing flip angles and neural networks to minimize T2‐induced blurring in spin echo sequences
CN111080731A (zh) 弥散加权成像方法及装置
Pham Deep learning for medical image super resolution and segmentation
Schauman et al. Deep learning initialized compressed sensing (Deli-CS) in volumetric spatio-temporal subspace reconstruction
WO2025061399A1 (fr) Procédé de mesure de la qualité d'une image reconstruite
CN115474920A (zh) 磁共振成像装置、噪声去除方法以及图像处理装置
Mayberg et al. Anisotropic neural deblurring for MRI acceleration
Hussain et al. Revolutionizing MRI Reconstruction from Compressed Sensing k-space measurements: An AI-Driven Feature Extraction Approach
Tao et al. Multi-weight respecification of scan-specific learning for parallel imaging
CN116262038B (zh) 图像生成方法、装置、计算机设备和存储介质
US12013451B2 (en) Noise adaptive data consistency in deep learning image reconstruction via norm ball projection
US20250095237A1 (en) Model-based reconstruction for grasp mri

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24755324

Country of ref document: EP

Kind code of ref document: A1