De nos jours, la compression de l'image médicale est un processus essentiel dans les systèmes de cybersanté. Compresser des images médicales de haute qualité est une exigence vitale pour éviter de mal diagnostiquer les examens médicaux par les radiologues. WAAVES est un algorithme de compression d'images médicales prometteur basé sur la transformée en ondelettes discrètes (DWT) qui permet d'obtenir une performance de compression élevée par rapport à l'état de la technique. Les principaux objectifs de ce travail sont d'améliorer la qualité d'image lors de la compression à l'aide de WAAVES et de fournir une architecture DWT haute vitesse pour la compression d'image sur des systèmes embarqués. En ce qui concerne l'amélioration de la qualité, les systèmes de nombres logarithmiques (LNS) ont été explorés pour être utilisés comme une alternative à l'arithmétique linéaire dans les calculs de DWT. Une nouvelle bibliothèque LNS a été développée et validée pour réaliser le DWT logarithmique. En outre, une nouvelle méthode de quantification appelée (LNS-Q) basée sur l'arithmétique logarithmique a été proposée. Un nouveau schéma de compression (LNS-WAAVES) basé sur l'intégration de la méthode Hybrid-DWT et de la méthode LNS-Q avec WAAVES a été développé. Hybrid-DWT combine les avantages des domaines logarithmique et linéaire conduisant à l'amélioration de la qualité d'image et du taux de compression. Les résultats montrent que LNS-WAAVES est capable d'obtenir une amélioration de la qualité d'un pourcentage de 8% et de 34% par rapport aux WAAVES en fonction des paramètres de configuration de compression et des modalités d'image. Pour la compression sur les systèmes embarqués, le défi majeur consistait à concevoir une architecture 2D DWT qui permet d'obtenir un débit de 100 trames full HD. Une nouvelle architecture unifiée de calcul 2D DWT a été proposée. Cette nouvelle architecture effectue à la fois des transformations horizontale et verticale simultanément et élimine le problème des accès de pixel d'image en colonne à partir de la RAM DDR hors-puce. Tous ces facteurs ont conduit à une réduction de la largeur de bande DDR RAM requise de plus de 2X. Le concept proposé utilise des tampons de ligne à 4 ports conduisant à quatre opérations en parallèle pipeline: la DWT verticale, la transformée DWT horizontale et les opérations de lecture / écriture vers la mémoire externe. L'architecture proposée a seulement 1/8 de cycles par pixel (CPP) lui permettant de traiter plus de 100fps Full HD et est considérée comme une solution prometteuse pour le futur traitement vidéo 4K et 8K. Enfin, l'architecture développée est hautement évolutive, surperforme l'état de l'art des travaux connexes existants, et est actuellement déployé dans un prototype médical EEG vidéo. / Nowadays, medical image compression is an essential process in eHealth systems. Compressing medical images in high quality is a vital demand to avoid misdiagnosing medical exams by radiologists. WAAVES is a promising medical images compression algorithm based on the discrete wavelet transform (DWT) that achieves a high compression performance compared to the state of the art. The main aims of this work are to enhance image quality when compressing using WAAVES and to provide a high-speed DWT architecture for image compression on embedded systems. Regarding the quality improvement, the logarithmic number systems (LNS) was explored to be used as an alternative to the linear arithmetic in DWT computations. A new LNS library was developed and validated to realize the logarithmic DWT. In addition, a new quantization method called (LNS-Q) based on logarithmic arithmetic was proposed. A novel compression scheme (LNS-WAAVES) based on integrating the Hybrid-DWT and the LNS-Q method with WAAVES was developed. Hybrid-DWT combines the advantages of both the logarithmic and the linear domains leading to enhancement of the image quality and the compression ratio. The results showed that LNS-WAAVES is able to achieve an improvement in the quality by a percentage of 8% and up to 34% compared to WAAVES depending on the compression configuration parameters and the image modalities. For compression on embedded systems, the major challenge was to design a 2D DWT architecture that achieves a throughput of 100 full HD frame/s. A novel unified 2D DWT computation architecture was proposed. This new architecture performs both horizontal and vertical transform simultaneously and eliminates the problem of column-wise image pixel accesses to/from the off-chip DDR RAM. All of these factors have led to a reduction of the required off-chip DDR RAM bandwidth by more than 2X. The proposed concept uses 4-port line buffers leading to pipelined parallel four operations: the vertical DWT, the horizontal DWT transform, and the read/write operations to the external memory. The proposed architecture has only 1/8 cycles per pixel (CPP) enabling it to process more than 100fps Full HD and it is considered a promising solution for future 4K and 8K video processing. Finally, the developed architecture is highly scalable, outperforms the state of the art existing related work, and currently is deployed in a video EEG medical prototype.

Magnetic Resonance Imaging, Computed Tomography, and other image modalities are routinely used to visualize a particular structure in the patient's body. The classification of the image region corresponding to this structure is called segmentation. For applications in Neuroscience, it is important for the segmentation of a brain scan to represent the boundary of the brain as a folded surface with no holes. However the segmentation of the brain generally exhibits many erroneous holes. Consequently we have developed an algorithm for automatically correcting holes in segmented medical scans while preserving the accuracy of the segmentation. Upon concepts of Discrete Topology, we remove the holes based on the smallest modification to the image. First we detect each hole with a front propagation and a Reeb graph. Then we search for a number of loops around the hole on the isosurface of the image. Finally we correct the hole in the image using the loop that minimizes the modification to the image. At each step we limit the size of the data in memory. With these contributions our algorithm removes every hole in the image with high accuracy and low complexity even for images too large to fit into the main memory. To help doctors and scientists to obtain segmentations without holes, we have made our software publicly available at http://www.OpenTopology.org. / Les images par Résonance Magnétique, la Tomographie par Rayons X et les autres modalités d'imagerie médicale sont utilisées quotidiennement pour visualiser une structure particulière dans le corps du patient. La classification de la région de l'image qui correspond à cette structure s'appelle la segmentation. Pour des applications en Neuroscience, il est important que la segmentation d'une image du cerveau représente la surface extérieure du cerveau comme une surface pliée sans trous. Cependant la segmentation du cerveau présente généralement de nombreux trous. Par conséquent, nous avons développé un algorithme pour corriger automatiquement les trous dans les images médicales segmentées tout en préservant la précision de la segmentation. Sur des concepts de Topologie Discrète, nous enlevons les trous en fonction de la plus petite modification apportée à l'image. D'abord nous détectons chaque trou avec un certain nombre de boucles autour du trou sur l'isosurface de l'image. Finalement nous corrigeons le trou dans l'image en utilisant la boucle qui minimise la modification de l'image. A chaque étape, nous limitons la taille des données en mémoire. Grâce à ces contributions notre algorithme enlève tous les trous dans l'image avec une grande précision et une faible complexité même pour des images trop grandes pour tenir dans la mémoire de l'ordinateur. Pour aider les médecins et les chercheurs à obtenir des segmentations sans trous, nous avons rendu notre logiciel disponible publiquement à http://www.OpenTopology.org.

Cette thèse s’intéresse à diverses composantes du traitement et de l’analyse d’images par méthodes non locales. Ces méthodes sont basées sur la redondance d’information présente dans d’autres images, et utilisent des algorithmes de recherche de correspondance, généralement basés sur l’utilisation patchs, pour extraire et transférer de l’information depuis ces images d’exemples. Ces approches, largement utilisées par la communauté de vision par ordinateur, sont souvent limitées par le temps de calcul de l’algorithme de recherche, appliqué à chaque pixel, et par la nécessité d’effectuer un prétraitement ou un apprentissage pour utiliser de grandes bases de données.Pour pallier ces limites, nous proposons plusieurs méthodes générales, sans apprentissage,rapides, et qui peuvent être facilement adaptées à diverses applications de traitement et d’analyse d’images naturelles ou médicales. Nous introduisons un algorithme de recherche de correspondances permettant d’extraire rapidement des patchs d’une grande bibliothèque d’images 3D, que nous appliquons à la segmentation d’images médicales. Pour utiliser de façon similaire aux patchs,des présegmentations en superpixels réduisant le nombre d’éléments de l’image,nous présentons une nouvelle structure de voisinage de superpixels. Ce nouveau descripteur permet d’utiliser efficacement les superpixels dans des approches non locales. Nous proposons également une méthode de décomposition régulière et précise en superpixels. Nous montrons comment évaluer cette régularité de façon robuste, et que celle-ci est nécessaire pour obtenir de bonnes performances de recherche de correspondances basées sur les superpixels. / This thesis focuses on several aspects of image analysis and processing with non local methods. These methods are based on the redundancy of information that occurs in other images, and use matching algorithms, that are usually patch-based, to extract and transfer information from the example data. These approaches are widely used by the computer vision community, and are generally limited by the computational time of the matching algorithm, applied at the pixel scale, and by the necessity to perform preprocessing or learning steps to use large databases. To address these issues, we propose several general methods, without learning, fast, and that can be easily applied to different image analysis and processing applications on natural and medical images. We introduce a matching algorithm that enables to quickly extract patches from a large library of 3D images, that we apply to medical image segmentation. To use a presegmentation into superpixels that reduces the number of image elements, in a way that is similar to patches, we present a new superpixel neighborhood structure. This novel descriptor enables to efficiently use superpixels in non local approaches. We also introduce an accurate and regular superpixel decomposition method. We show how to evaluate this regularity in a robust manner, and that this property is necessary to obtain good superpixel-based matching performances.

Cette thèse se situe dans le cadre de la chirurgie de la prothèse totale de la hanche (PTH) assistée par ordinateur. Le but de ce travail est l'obtention d'un modèle 3D du bassin du patient à partir de données incomplètes. <br />Actuellement dans un processus conventionnel, la planification de la PTH se fait avec une radiographie tandis que les systèmes d'assistance chirurgicale de la PTH, utilisent un volume 3D du bassin construit à partir d'images médicales IRM, TDM ou Scanner. Néanmoins la reconstruction du volume 3D s'avère limitée par plusieurs facteurs : (i) le temps d'attente de rendez vous pour l'examen de ce type est trop long, (ii) les appareils sont peu accessibles pour les cliniques, (iii) la difficulté de la segmentation automatique pour l'obtention du volume 3D et (iv) l'impossibilité de l'exposition aux études IRM, Scanner ou TDM pour certains patients. <br />A partir de cette problématique, ce travail de thèse apporte deux contributions principales : <br />– une étude des principales caractéristiques du bassin et du fémur utiles pour la reconstruction d'un modèle 3D, <br />– une méthodologie pour l'obtention d'un volume 3D du bassin à partir d'une radiographie et quelques images échographiques. <br />La méthode proposée est composée de trois étapes : (i) obtention des données radiographiques et échographiques du bassin du patient, (ii) inférence de l'atlas du bassin du patient et (iii) obtention du modèle 3D par la déformation d'un maillage s'adaptant à l'atlas inféré. Dans ce travail un atlas est constitué par un ensemble de points caractéristiques du bassin. Pour résoudre les problèmes liés à la représentation d'un atlas générique, à l'inférence et au traitement de l'information des données radiographiques et échographiques nous avons fait appel aux techniques bayésiennes.