Diss.--Philosophie--Zürich--Philosophische Fakultät der Universität Zürich, 2002. / Notes bibliogr. p. 405-439. Index.

Erlangen, Nürnberg, Universiẗat, Diss., 2005.

Reproduction de : Thèse d'exercice : Médecine vétérinaire : Toulouse 3 : 2008. / Titre provenant de l'écran titre. Bibliogr. p 151-153.

Th. doct.--Signal et images--Paris--ENST, 1991. / Bibliogr. p. 1-8.

Th. doct.--Signal et images--Paris--ENST, 1995. / Bibliogr., 8 p. Résumé en français et en anglais.

Reproduction de : Thèse d' exercice : Médecine : Nancy 1 : 2002. / Thèse : 2002NAN11145. Titre provenant de l'écran-titre.

Le développement des détecteurs de rayons X en comptage à base de semiconducteurs est en plein essor depuis une dizaine d'années, et des applications aussi bien dans le domaine médical que dans le domaine du contrôle non destructif sont envisagées. Ces détecteurs permettent en effet de réaliser des mesures à des énergies multiples en une seule acquisition, et ce avec une excellente séparation énergétique. Depuis les années 2008-2009, il semble qu'une véritable course se soit lancée pour le développement de détecteur permettant des mesures multi-énergies sur un nombre toujours plus nombreux de bandes d'énergies. Cependant, à ce jour, parmi l'ensemble des travaux qui ont été réalisés, l'intérêt de réaliser des mesures sur un grand nombre d'énergies n'a pas été démontré pour l'identification de matériaux. Dans le cadre d'une étude en sécurité, nous avons évalué l'intérêt lié à l'utilisation de détecteurs de rayons X en comptage permettant la réalisation de mesures sur plusieurs bandes d'énergies. Le domaine applicatif étudié concerne l'identification de matériaux dans les bagages des voyageurs. Nous avons tout d'abord développé une méthode originale d'identification de matériaux homogènes applicable à tout type de détecteur multi-énergies. Dans un premier temps, nous avons étudié, en simulation, l'évolution des performances d'identification de matériaux avec l'augmentation du nombre de bandes d'énergies de comptage. Un processus d'optimisation a été réalisé dans le but de déterminer, pour certaines configurations, une géométrie optimale des bandes d'énergies de comptage. Dans un second temps, les conséquences résultant de la prise en compte de la fonction de réponse du détecteur ont été quantifiées par la simulation de différents effets détecteurs (partage de charge, résolution en énergie). Une validation expérimentale a enfin pu être effectuée en utilisant un détecteur spectrométrique en comptage. À partir des mesures réalisées avec un tel détecteur, un regroupement des données nous a permis d'évaluer les performances d'identification de détecteurs possédant un nombre de bandes d'énergies de comptage différent. Enfin, nous avons mené une étude préliminaire sur la transposition à la tomographie multi-énergies de la méthode d'identification de matériaux homogènes développée initialement en radiographie. Cette modalité d'imagerie permet alors l'identification de matériaux superposés.

L'intervention coronarienne percutanée (ICP) est réalisée en utilisant l'imagerie radiographique en temps réel dans une suite interventionnelle. La modélisation de ces procédures ICP pour aider le praticien implique la compréhension des différentes phases de la procédure ICP, par la machine d’intervention, qui peut être utilisées pour optimiser la dose de rayons X et l'agent de contraste. Pour atteindre cet objectif, l’une des tâches importantes consiste à segmenter différents outils d’intervention dans les flux d’images fluoroscopiques et à en déduire des informations sémantiques. L’arbre des composants, un puissant outil morphologique mathématique, constitue la base des méthodes de segmentation proposées. Nous présentons ce travail en deux parties: 1) la segmentation du cathéter vide à faible contraste, et 2) la segmentation de la pointe du guide et le suivi de la détection du vaisseau d’intervention. Nous présentons une nouvelle méthode de segmentation basée sur l’espace à plusieurs échelles pour détecter des objets faiblement contrastés comme un cathéter vide. Pour la dernière partie, nous présentons la segmentation de la pointe du guide avec le filtrage basé sur l’arbre de composants et proposons un algorithme pour suivre sémantiquement la pointe segmentée pour déterminer le vaisseau d’intervention / Percutaneous coronary intervention (PCI) is performed using real-time radiographic imaging in an interventional suite. Modeling these ICP procedures to help the practitioner involves understanding the different phases of the ICP procedure, by the interventional machine, which can be used to optimize the X-ray dose and the contrast agent. One of the important tasks in achieving this goal is to segment different interventional tools into the flow of fluoroscopic images and to derive semantic information from them. The component tree, a powerful mathematical morphological tool, forms the basis of the proposed segmentation methods. We present this work in two parts: 1) the segmentation of the low-contrast empty catheter, and 2) the segmentation of the tip of the guide and the monitoring of the detection of the intervention vessel. We present a new multi-scale space-based segmentation method for detecting low-contrast objects such as an empty catheter. For the last part, we present the segmentation of the tip of the guide with filtering based on the component tree and propose an algorithm to semantically follow the segmented tip to determine the intervention vessel

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

Pour répondre au besoin croissant d'inspection par contrôle non destructif (CND) dans les industries manufacturières, il est impératif de développer des solutions qui exploiteront les possibilités d'automatisation pour compléter les compétences des inspecteurs humains. Le secteur du moulage sous pression d'aluminium (ADC) est un secteur en constante évolution, au service d'industries critiques pour la sécurité comme l'automobile et l'aérospatiale. Cependant, les ADC sont susceptibles de présenter des défauts de fabrication dont la plupart ne sont pas visibles à l'œil nu et nécessitent une application appropriée des techniques CND pour vérifier leur intégrité structurelle et leur aptitude à l'emploi. Ces procédures sont standardisées et doivent être menées conformément aux normes industrielles applicables. Le développement de l'automatisation des tâches d'évaluation des images radiographiques des ADC est confronté à un défi, notamment en ce qui concerne la capacité de ces solutions à se conformer aux normes CND. Les réseaux neuronaux d'apprentissage profond ont démontré un potentiel important dans la reconnaissance automatisée des défauts/défauts, néanmoins, la confiance nécessaire pour accepter de telles solutions dans les secteurs critiques pour la sécurité ne peut être acquise que si l'on comprend suffisamment comment ces modèles fonctionnent et quelles propriétés exactes des données de formation sont cruciales pour leurs performances. Au fil des ans, l'utilisation prolifique de l'apprentissage profond dans divers secteurs a popularisé la notion de sa forte dépendance aux données, en mettant davantage l'accent sur la quantité que sur la qualité. Cette thèse est composée d'études expérimentales visant à comprendre les propriétés des données de radiographie numérique à rayons X qui sont cruciales pour affecter les performances de l'apprentissage profond. Dans le premier chapitre, une étude approfondie entre l'influence du rapport contraste/bruit et du rapport signal/bruit a été menée. Les résultats de l'étude ont révélé que la variation du rapport contraste/bruit (CNR) a un impact sur le comportement d'apprentissage des modèles d'apprentissage profond d'une manière qui pourrait être exploitée pour former un modèle d'apprentissage profond hautement performant. Une deuxième étude telle que présentée au chapitre 2 de cette thèse considère les propriétés des images de radiographie numérique à rayons X, en particulier les propriétés statistiques de la distribution d'intensité des pixels. Cette découverte a ouvert la voie à la synthèse d'images radiographiques numériques et à leur utilisation comme données d'apprentissage pour une application d'apprentissage profond. Bien qu'entraîné uniquement sur les données synthétiques, le modèle a obtenu d'excellentes performances sur de véritables images de radiographie numérique à rayons X. Grâce à l'approche peu coûteuse en termes de calcul qu'elle présente, cette solution offre de bonnes perspectives dans les industries, en particulier dans l'industrie ADC qui fabrique des produits aux morphologies cohérentes. Au chapitre 3, la pertinence de la qualité des données par rapport à la quantité pure a été étudiée dans une étude expérimentale utilisant un simulateur de radiographie numérique à rayons X de pointe (aRTist). L'acquisition d'images a été réalisée sous deux formes distinctes : tout d'abord, la pratique industrielle conventionnelle qui stipule une plage fixe de qualité d'image à atteindre (par exemple, le rapport signal/bruit) a été utilisée pour acquérir des images à partir de 140 composants. Deuxièmement, un moyen non conventionnel qui se concentre sur la variation des paramètres d'exposition pour modifier les propriétés des défauts dans les images, notamment le rapport contraste/bruit (CNR), a été utilisé pour acquérir un ensemble de données avec seulement 42 % des composants de test. Les performances des modèles d'apprentissage profond formés distinctement sur chaque ensemble de données ont été comparées. Bien qu'organisé à l'aide de moins de composants, le modèle formé sur les données acquises à l'aide d'une méthode d'acquisition d'images non conventionnelle a démontré de meilleures performances de modèle. Cette étude confirme une exploitation efficace de nos résultats expérimentaux antérieurs qui identifient le CNR comme un paramètre d'image qui influence les performances de l'apprentissage profond. Le chapitre 4 se concentre sur le développement d'un algorithme de classement des défauts pour classer les défauts détectés dans les composants moulés sous pression en aluminium, inspiré de la norme ASTM E2973-15. Le pipeline de classement utilise un algorithme d'arbre k-dimensionnel (K-D) qui structure les défauts détectés pour faciliter une évaluation efficace des défauts. Cela permet des requêtes spatiales rapides et une évaluation efficace de la gravité des défauts sur la base de critères prédéfinis tels que des normes mondiales ou des termes spécifiques au client. L'algorithme a démontré une grande efficacité, classant avec précision les défauts et peut faciliter la prise de décision automatisée (Accepter/Rejeter) en radiographie numérique à rayons X. L'adaptabilité du système à différents critères de classement garantit son applicabilité dans divers secteurs critiques pour la sécurité. Collectivement, les études contenues dans cette thèse présentent des innovations expérimentales en radiographie numérique à rayons X qui influencent les performances du modèle d'apprentissage profond pour une évaluation robuste des défauts, offrant ainsi une voie viable pour réaliser une évaluation d'image automatisée qui peut atteindre une inspection à 100 % des composants fabriqués, même dans les secteurs qui nécessitent un strict respect des normes CND. / To meet the rising need for Non-destructive Testing (NDT) inspection in manufacturing industries, it is imperative to develop solutions that will exploit automation possibilities, to supplement the competencies of human inspectors. The aluminum die casting (ADC) sector is one that evolves constantly, serving safety-critical industries like automotive and aerospace. However, ADCs are prone to having manufacturing flaws, most of which are not visible to the human eye and hence require proper application of NDT techniques to ascertain their structural integrity, and fitness for use. The NDT procedures are standardized and must be conducted in accordance with applicable industrial standards. Developing automated solutions of tasks such as the evaluation of radiographic images of ADCs faces a challenge, particularly in the ability such solutions to conform to NDT standards. Deep learning neural networks have demonstrated significant potential in automated flaw/defect recognition, nonetheless, the confidence needed to accept such solutions in safety-critical sectors can only be gained if there is sufficient understanding of how these models operate, and what exact properties within training data is crucial to their performance. Over the years, the prolific use of deep learning across various sectors has popularized the notion of its high dependence on data, with more emphasis on the quantity, rather than the quality. This dissertation is composed of experimental studies aimed at understanding the properties of digital X-ray radiography data that is crucial in impacting deep learning performance. In the first chapter, an extensive study between the influence of contrast-to-noise ratio and signal-to-noise ratio was conducted. Findings from the study revealed that contrast-to-noise ratio (CNR) variation impacts training behaviour of the deep learning models in a manner that could be leveraged to train a deep learning model to be highly performant. A second study as presented in Chapter 2 of this dissertation considers the properties of digital X-ray radiography images, specifically the statistical properties of the pixel intensity distribution. This finding paved the way for the synthesization of digital X-ray images, using them as training data for a deep learning application. Although trained on only the synthetic data, the trained model performed excellently on real digital X-ray radiography images. With the computationally inexpensive approach it presents, this solution holds good prospect in industries, especially ADC industry that manufactures products with consistent morphologies. In Chapter 3, the relevance of data quality over sheer quantity was investigated in an experimental study using a state-of-the-art digital X-ray radiography simulator (aRTist). Acquisition of images were carried out in two distinct forms: firstly, the conventional industrial practice that stipulates a fixed range of image quality to be attained (e.g., the signal-to-noise ratio) was used to acquire images from 140 components. Secondly, a non-conventional means that focuses on varying exposure parameters to alter the properties of flaws in the images, notably the contrast-to-noise-ratio (CNR), was used to acquire dataset with only 42 % of the test components. The performances of deep learning models trained distinctly on each dataset was compared. Although curated using fewer components, the model trained on the data acquired using the proposed unconventional image acquisition method demonstrated better model performance. This study confirms an effective harnessing of our earlier experimental findings that identifies CNR as an image parameter that influences deep learning performance. Chapter 4 focuses on developing a flaw grading algorithm to classify detected flaws in aluminum die casting components, inspired by ASTM E2973-15 standard. The grading pipeline employs a k-dimensional (K-D) tree algorithm that structures detected flaws to facilitate efficient evaluation of the flaws. This approach enables rapid spatial queries and effective flaw severity evaluation based on predefined criteria such as global standards or client-specific terms. The algorithm demonstrated high efficiency, accurately grading flaws, and can facilitate automated decision-making (Accept/Reject) in digital X-ray radiography. The system's adaptability to different grading criteria ensures its applicability across various safety-critical sectors. Collectively, the studies contained in this dissertation present experimental innovations in Digital X-ray radiography that influence deep learning model performance for robust defect evaluation, thereby offering a viable pathway to realizing automated image evaluation that can achieve 100 % inspection of manufactured components, even in sectors that require strict adherence to NDT standards.