détecteurs plats à rayons X

Cette thèse s'inscrit dans le contexte industriel du contrôle de la qualité des images issues de détecteurs radiologiques plans. Cette thèse s'inscrit dans un projet industriel complet d'analyse de la qualité des images issues de détecteurs numériques pour la radiographie.

La radiographie

Le rayonnement X

La radiographie numérique

Impacts de la source de rayons X dans les images acquises par des détecteurs nu-

Figure 1.4 – Illustration de l'effet dôme et de l'effet talon sur une image issue du détecteur : un dôme d'éclairage est clairement visible sur l'image non corrigée (Figure 1.4(a)). Cet effet peut être facilement compensé par correction (par exemple acquisition d'images de référence et division des images de sortie par cette référence) car l'effet est spatialement stable d'une image à l'autre.

La technologie des détecteurs plats

La couche scintillatrice

L'effet peut être facilement corrigé et isolé (figure 1.4(b)) afin d'obtenir une image d'intensité globalement homogène (figure 1.4(c)). L’avantage de cette technologie à base d’iodure de césium réside dans sa structure en aiguille (voir figure 1.6) qui, à la manière d’une fibre optique, permet de guider les photons.

La dalle de photodiodes et l’électronique de lecture

De plus, le CsI, même s'il présente de nombreux avantages d'un point de vue optique, est un matériau peu stable dans le temps et sensible aux variations de température. Cependant, nous verrons dans les chapitres suivants que la chaîne de correction ainsi que le souci de traiter le cas de détection dans un contexte général nous obligeront à traiter le cas du bruit de fond blanc dans les images.

Les applications radiographiques

Cependant, nous verrons dans les chapitres suivants que la chaîne de correction ainsi que le souci de traiter le cas de détection dans un contexte général nous obligeront à traiter le cas du bruit de fond blanc dans les images. a) Densité spectrale de bruit sans X. Ajustement du contraste : valeur médiane ±200 %. La gamme est composée (voir figure 1.8) : – d'un détecteur radiographique, le Pixium 4600 : premier détecteur Pixium mis sur le marché, il est naturellement destiné, grâce à sa grande taille, à la radiographie conventionnelle (radiographie des membres ou du thorax, voir figure 1.9(a)).

La chaîne de correction d’images

Conclusions

La chaîne d'analyse de la qualité des images, construite dans le cadre de la thèse, est présentée en fig. 2.1. Enfin, la dernière étape de la chaîne d'analyse permet de quantifier la visibilité de chaque défaut dans le contexte choisi.

Pré-traitement des images

Objectifs et enjeux
Méthode retenue
Limitations de la méthode de prétraitement
Conclusions et remarques sur le prétraitement

On obtient ainsi l'estimation de la composante basse fréquence, au facteur multiplicatif le plus proche, en effectuant des médianes sur une fenêtre glissante de l'image originale. Estimer la composante basse fréquence équivaut donc à passer un filtre médian mobile de taille 301x301 sur l'image originale.

Détection des zones défectueuses

Caractérisation des défauts à détecter et présentation des méthodes de détection . 30
Limitations de la méthode de détection
Conclusions et remarques sur la détection

La valeur de chaque pixel sera comparée à un seuil calculé à partir de la moyenne et . 11 ROIs de dimension 15×15 pour l'algorithme de détection de la valeur moyenne de groupes de pixels.

Extraction des zones défectueuses

Objectifs et enjeux

Ici, deux structures corrélées (lignes inclinées sur le côté gauche de l’image et point lumineux sur le côté droit de l’image) ne sont pas détectées correctement.

Calcul adapté de la zone extraite

La capture de forme verticale s'étendra en fonction de la composante horizontale pour une meilleure visualisation. Pour une bonne visualisation, le format de la zone capturée s'étend dans la direction perpendiculaire à la direction principale de la ROI détectée.

Conclusions et remarques sur l’extraction

En fonction de la forme de l'objet détecté, une zone d'une taille comprise entre une et trois fois la taille détectée est extraite. La surface de l'objet capturé est comprise entre 3 et 4 fois la surface de l'objet détecté, ce qui représente une taille raisonnable pour le stockage des données.

Localisation des pixels défectueux

Méthode proposée
Limitation de la méthode de localisation
Conclusion et remarques sur la localisation

Figure 2.9 – Méthode de localisation : la valeur moyenne et l'écart type du bruit de fond sont calculés à partir de l'image originale et de la carte de détection fournie par l'algorithme de détection. On observe que certains pixels isolés, qui ont été détectés lors de l'étape de détection, ne le sont plus après l'étape de localisation.

Débruitage de la zone défectueuse

Quelques méthodes existantes
Méthode proposée
Conclusions sur le débruitage

L'estimation de la composante basse fréquence est effectuée sur l'image originale corrigée des erreurs haute fréquence, notée eiHF (x, y). Figure 2.14 - Vérification de la méthode de débruitage : l'image originale est divisée par l'image d'estimation d'erreur.

Introduction du défaut dans un contexte d’observation

Objectifs et enjeux

Calcul du contexte

La figure 2.15 est un exemple de simulation de deux sons à deux doses différentes : une dose nulle et une dose de 1 µGy. A cette dose le bruit est de fréquence assez basse, alors qu'il est presque blanc pour une dose nulle.

Introduction du défaut dans le contexte

Les N P S sont calculés à partir d'images corrigées, en découpant l'image entière en blocs de 256 x 256 pixels et en faisant la moyenne des modules des transformées de Fourier de ces blocs. Ceci permet de s'affranchir des effets locaux, comme la présence d'éventuels défauts, lors de la détermination de l'image de N P S : de cette manière seul le spectre du bruit est calculé.

Mesure de visibilité du défaut

Objectifs et enjeux

Mesure de la visibilité du défaut 51. a) Densité sonore spectrale sans X (b) Densité sonore spectrale à 1 µGy. c) Simulation de bruit électronique (sans X). (d) Simulation du bruit à 1 µGy. Figure 2.15 – Densités sonores spectrales d'un détecteur numérique. a) Défaut originel (b) Défaut dans un contexte différent (même spectre, écart type doublé).

Méthode proposée

La première (image 2.16(b)) est un contexte présentant un bruit d'énergie plus élevée (spectre équivalent et écart type 2 fois plus fort que l'image originale). La seconde (image 2.16(c) est un contexte montrant le même écart type que le bruit de l'image originale, mais avec un spectre différent (nous avons pris un bruit similaire au bruit électronique).

Résultats obtenus et commentaires

Les défauts en partie haute (taches sombres, colonne défectueuse) sont nettement plus visibles que ceux en partie basse, ce qui entraîne une plus grande visibilité dans la mesure. Il est à noter que la mesure est appliquée aux images telles qu'elles sont représentées à l'écran.

Conclusions sur la chaîne de traitement

Dans le chapitre précédent, nous avons vu que l’étape de découverte est une étape cruciale. Pour aborder l'étape de détection, il est nécessaire de développer des algorithmes de détection sensibles à la présence de défauts et générant très peu de fausses alarmes.

Méthode d’évaluation des performances de détection : introduction

En effet, une erreur détectée à cette étape fera généralement partie des erreurs analysées, sauf si un pixel défectueux est trouvé lors de l'étape de localisation. Cependant, les défauts doivent être détectés via suffisamment de pixels défectueux pour que l'étape de capture soit efficace.

La tâche d’inspection

Dans un premier temps, la méthode ROC classique sera présentée, puis une dérivée de cette méthode, adaptée à notre contexte, sera ensuite présentée et illustrée. Cette nouvelle méthode, appelée méthode soft ROC [69, 70] peut être utilisée à la fois pour comparer des algorithmes de détection et pour ajuster les paramètres de ces algorithmes en fonction des performances souhaitées en termes de bon taux de détection ou de fausses alarmes.

L’analyse ROC

Définitions et courbes ROC

Dans le même temps, letpret et f seront égaux à zéro, ce qui reflète de très mauvaises performances de détection. L'algorithme de détection idéal est « algo1 » : sa courbe ROC est un échelon (tpr à 100% quel que soit le pr gauche).

La comparaison des masques de détection

Comparaison des masques pixel à pixel

Le tableau 3.1 montre pour les trois défauts les taux de bonne détection et de fausses alarmes calculés par la méthode de comparaison de pixels. Tableau 3.1 - Taux de bonne détection par rapport au taux de fausses alarmesf précalculé par la méthode de comparaison du masque de pixels.

Comparaison des masques par la méthode de Theiler

Cet élément n'est pas pris en compte dans la méthode de comparaison de masque pixel à pixel. Tableau 3.2 – Taux de bonne détection et taux de fausses alarmes f pr calculés avec la méthode Theiler.

Méthode proposée : comparaison souple

Représente la distance euclidienne de chaque pixel de la cible (blanc) par rapport à l'arrière-plan (noir). Ici, l’extension de la vérité terrain conduit à un doublement de la distance Hausdorff de chaque cible.

Exemples d’applications de la méthode souple

Mesure de performances d’algorithmes de détection par courbes ROC

Les courbes de la méthode pixel à pixel suggèrent que l'algorithme A est meilleur, tandis que notre méthode flexible donne de meilleures performances à l'algorithme B. La méthode pixel à pixel indique que l'erreur de lignes est mieux détectée, tandis que la méthode flexible suggère une meilleure Détection d'erreur ponctuelle.

Calibration automatique des algorithmes de détection

Par conséquent, nous pouvons conclure que notre méthode adaptative est plus adaptée à nos besoins que la méthode point à point classique. a) Détection de cluster (b) Masque de détection de cluster, méthode pixel. La méthode pixel par pixel donne une image avec trop de détections, ce qui entraîne un taux de fausses alarmes élevé.

Commentaires et extensions possibles de la méthode

Figure 3.17 – Seuil d'image pour untpr= 100 % en utilisant deux méthodes de correspondance de masque : pixel à pixel et méthode flexible. A l’inverse, la méthode flexible produit une image où la cible est réellement détectée (on n’a pas besoin de plus de pixels détectés pour identifier les deux cibles), avec beaucoup moins de fausses alarmes.

Conclusion

Données de test

Les masques de ces défauts sont représentés sur la figure 4.2 : le fond de l'image est représenté en gris et la zone du défaut est plus claire ou plus foncée. Comme indicateur, on peut également calculer un rapport statistique, le rapport FisherF(D, F) défini dans [17].

Introduction aux méthodes de détection

Les méthodes classiques de détection ou de segmentation

Les premières méthodes de détection de contour développées reposent sur le calcul d'une approximation du gradient d'image afin de détecter les discontinuités d'intensité. La figure 4.4 présente les résultats de l'algorithme de Canny sur quelques images de défauts synthétiques.

La méthode de base : seuillage direct de l’image

Méthodes à base de statistiques locales : moyenne, variance, skewness et kurtosis

Description de l’algorithme

Calcul des statistiques : sur le quartier extrait on calcule une statistique (moyenne, variance, asymétrie ou kurtosis). Le calcul de la statistique de référence nécessite l'utilisation d'estimateurs robustes de moyenne, de variance, d'asymétrie et d'aplatissement.

Résultats sur défauts synthétiques

La détection par statistiques locales est très proche de la méthode de détection définie au chapitre 2 : cette dernière méthode coïncide avec la détection par moyenne locale ou variance locale4. Méthodes basées sur des statistiques locales : moyenne, variance, asymétrie et kurtosis 99. a) Courbes de détection ROC basées sur la moyenne locale.

Conclusions sur les méthodes à base de statistiques locales

La variance des estimateurs : en théorie on pourrait encore détecter des variations du SOS au niveau des contours des défauts. On peut montrer que ce compromis conduit inévitablement à une mauvaise détection des défauts dans notre cas.

Détection par décomposition en ondelettes

Principe
Description de l’algorithme
Résultats sur défauts synthétiques
Conclusion sur la méthode de détection par décomposition en ondelettes

La figure 4.13 montre les résultats de la méthode de détection par décomposition en ondelettes sur des failles synthétiques. Le tableau 4.3 donne l'AUC de la méthode de détection par ondelettes comparée à celle obtenue par la meilleure méthode statistique.

Détection par filtrage directionnel

Principe
Conclusions sur la détection par filtrage directionnel

Tableau 4.4 – Aires sous la courbe ROC pour la méthode de détection par filtrage directionnel par rapport aux méthodes précédentes. La méthode de détection par filtrage directionnel présente l’avantage de pouvoir détecter des structures linéaires avec des orientations différentes.

Détection par mesure d’anisotropie

Principe
Conclusion sur la méthode de détection par calcul d’anisotropie

La méthode de détection par calcul d'anisotropie permet de détecter très efficacement de petits alignements de pixels défectueux. Tableau 4.5 – Aires sous courbe ROC de la méthode de détection par calcul d'anisotropie, par rapport aux méthodes précédentes.

Détection par moyenne statistique pondérée

Description de l’algorithme

Résultats sur défauts synthétiques

Conclusions sur l’algorithme de détection par moyenne pondérée

Les courbes de la meilleure méthode décrite précédemment sont présentées pour les oscillations, les lignes et les erreurs d'image.

Détection par snakes statistiques et rapports de vraisemblance

Snakes statistiques et rapport de vraisemblance : principes

S : le nombre de bits nécessaires pour coder les niveaux de gris de l'image, connaissant le contour actif et la densité de probabilité de chaque région de l'image définie par ce contour. Nous effectuons ainsi une segmentation non paramétrique de l'image particulièrement robuste vis-à-vis des lois de probabilité suivies par les différentes parties de l'image.

Résultats sur défauts synthétiques

Détection par serpents statistiques et rapports de vraisemblance 121. b) Résultats seuils des méthodes de détection KaoLab. Pour chaque erreur, nous avons représenté le meilleur résultat entre la méthode statistique du serpent et le rapport de vraisemblance.

Conclusions sur la méthode de détection par snakes statistiques et MLRT

Les courbes des meilleurs algorithmes pour quatre erreurs synthétiques (HigherNoise, Image, Oscillations et Spot) sont présentées, ainsi que les points correspondant aux détections de serpent ou de MLRT.

Synthèse

Les zones calculées correspondent aux zones sous les courbes ROC qui sont limitées à la plage de fausse alarme [0;τ f amax] avec τ f amax= 10−4.

Conclusions et perspectives

L'objectif principal de la mesure objective de la visibilité est de permettre une évaluation automatique des défauts dans les images. Le nombre de mérite qui résulte de cette mesure sera le résultat direct de la mesure de la visibilité.

Mesures objectives : éléments bibliographiques

Mesures classiques d’artefacts

Un moyen de comparer les performances de mesure avec des données subjectives constitue la dernière étape de la validation d’une mesure objective. A ce stade, nous pouvons appliquer ces fonctions de masquage, en profitant de la décomposition des canaux.

Les mesures statistiques

En effet, si l’étape de détection n’a pas fonctionné, on peut quand même vouloir tenter de mesurer la visibilité d’un artefact, sans connaître la position et les pixels qui le composent. En particulier, dans le cas d'un algorithme de détection basé sur le calcul du maximum de vraisemblance, il a été montré que la distance Bhattacharyya est directement liée à l'aire sous la courbe ROC à travers une relation analytique.

Les mesures de type «Model Observer»

La figure 5.2 montre les courbes CSF à différentes distances d'observation (20 centimètres, 50 centimètres et un mètre). Figure 5.2 – La sensibilité de l'œil en fonction de la fréquence spatiale des objets et à différentes distances d'observation.

Application de mesures de visibilité sur les défauts synthétiques

Mesure de référence : énergie avec normalisation locale

En revanche, dans les défauts tels que Lignes et Spot, la mesure est insuffisante car elle ne peut pas mesurer la caractéristique de ces défauts, ce qui représente un petit écart par rapport à la valeur moyenne. Ces problèmes étaient attendus, puisque la mesure est principalement adaptée aux défauts à forte variance locale.

Mesure de l’Hotelling Observer (HO)

L’Hotelling Observer non blanchisseur avec filtre de l’œil (NPWE)

La puissance du bruit de fond est ajustée pour obtenir des valeurs MT ri fixes. La puissance du bruit de fond est ajustée afin d'obtenir des valeurs HOSN R fixes.

Conclusions

C’est pourquoi nous nous sommes inscrits dans ce cadre et avons défini l’ensemble de la chaîne d’analyse qualité dans le chapitre 2. En conclusion, il existe de nombreuses opportunités pour améliorer la chaîne d’analyse qualité.

Détermination de t m

FigureA.1 – Courbe du seuil à appliquer à la statistique P,M ouS en fonction du taux de fausses alarmesτ f a. Pour avoir une tâche de détection avec un taux de fausses alarmes de τ f a, il faut calculer le seuil tm tel que.

Détermination de t s

Pour une utilisation pratique, nous avons choisi = 5 qui correspond à un taux de fausses alarmes théorique de τ f a = 5,73×10−7. Nous avons augmenté la valeur de ce pixel de la moyenne de l'image +σ à la moyenne de l'image + 8σ.

Impacts de la source de rayons X dans les images acquises par des détecteurs