Étude comparative de la transformée en ondelettes et du filtrage dans le domaine de Fourier pour la débruitage d'images médicales

Pourquoi des examens plus propres comptent

Les examens médicaux modernes tels que les scanners CT et l'IRM regorgent de détails vitaux : petites lésions, textures discrètes et limites tissulaires subtiles. Malheureusement, chaque examen est également perturbé par un « floconnement » aléatoire et des taches — du bruit qui peut masquer des indices importants et contraindre les médecins à augmenter la dose de radiation ou la durée des acquisitions. Cet article pose une question apparemment simple aux grandes conséquences cliniques : parmi deux outils mathématiques populaires de nettoyage, lequel produit réellement des images plus nettes et plus fiables lorsque le bruit se manifeste de façons différentes ?

Deux façons d’examiner une image

Les auteurs se concentrent sur deux stratégies classiques qui réexpriment une image avant de la nettoyer. La première utilise les ondelettes, qui décomposent l’image en une structure de fond grossière et en niveaux successifs de détails de plus en plus fins. Dans cette représentation, la plupart du bruit aléatoire se traduit par de nombreux petits coefficients, tandis que les véritables arêtes et textures apparaissent sous la forme d’un plus petit nombre de coefficients plus grands. Le débruitage consiste alors à réduire ou à supprimer les petits coefficients selon diverses règles de seuillage, puis à reconstruire l’image. La seconde stratégie utilise une cousine de la transformée de Fourier, la transformée en cosinus discrète, appliquée non pas à l’ensemble de l’image à la fois mais à de nombreux petits blocs carrés chevauchants. Dans chaque bloc, la transformée sépare la structure lisse (bassesses fréquences) des variations fines (hautes fréquences), ce qui permet à l’algorithme de supprimer les composantes haute fréquence qui véhiculent principalement le bruit.

Mettre des méthodes populaires à l’épreuve de façon équitable

Pour comparer ces approches de manière équitable, les chercheurs ont construit une large plate‑forme de test autour d’une image CT de 512 × 512. Ils ont ajouté quatre types de bruit synthétique qui imitent des problèmes médicaux réels : bruit gaussien et uniforme (fluctuations granuleuses), bruit de Poisson (typique des radiographies à faible dose où peu de photons sont collectés), et bruit « sel et poivre » (taches claires et sombres simulant des erreurs d’impulsion). Pour les ondelettes, ils ont essayé huit familles différentes — allant de la plus simple, Haar, à des splines biorthogonales plus sophistiquées — combinées avec douze façons de réduire les coefficients et quatre façons de choisir l’intensité du seuillage. Pour la méthode basée sur le cosinus, ils ont traité des blocs chevauchants de 16 × 16, transformé chaque bloc, mis à zéro les petites composantes haute fréquence, puis moyenné les blocs chevauchants pour reconstituer l’image complète.

Qui nettoie mieux, et de combien ?

La performance a été évaluée avec des indices de qualité d’image standards qui comparent l’image nettoyée à l’originale sans bruit. Dans le camp des ondelettes, les ondelettes splines biorthogonales et de Daubechies se sont distinguées, surtout lorsqu’elles étaient associées à des règles de seuillage adaptatives comme SURE et Smooth Garrote qui s’ajustent aux données observées. Ces combinaisons ont systématiquement dépassé des ondelettes plus simples comme Haar et des variantes plus exotiques comme Meyer et Shannon. Malgré cela, les meilleures configurations en ondelettes ont été surpassées par la méthode cosinus par blocs dans tous les scénarios de bruit testés. Pour le bruit gaussien, par exemple, la meilleure configuration en ondelettes atteignait un rapport signal sur bruit (PSNR) d’environ 31 dB, alors que la méthode cosinus par blocs grimpait à environ 36 dB. Des marges similaires de 4–6 dB sont apparues pour le bruit uniforme, de Poisson et le sel‑et‑poivre, ce qui se traduit par des images sensiblement plus nettes et moins d’artefacts résiduels.

Pourquoi les petits morceaux l’emportent

La surprise ne tient pas au fait que les transformées en cosinus fonctionnent — elles sont au cœur de la compression d’image — mais qu’un filtre en cosinus à base de blocs relativement simple puisse surpasser des ondelettes finement réglées, souvent louées pour leur vision multi‑échelle des images. Les auteurs soutiennent que la clé n’est pas tant la transformée mathématique en elle‑même que son mode d’utilisation. Leur technique par ondelettes applique une règle de décision globale à l’ensemble de l’image, si bien que des structures faibles mais réelles peuvent être prises pour du bruit et effacées. En revanche, la méthode cosinus par blocs s’adapte aux voisinages locaux : chaque patch chevauchant est analysé, nettoyé, puis fondu en douceur avec ses voisins. Cette vision locale aide à préserver les détails anatomiques fins tout en réduisant le grain, et le chevauchement évite les artefacts en blocs qui affectent généralement les méthodes par blocs.

Ce que cela signifie pour les examens futurs

Pour les cliniciens et les ingénieurs en imagerie, la conclusion centrale est que la conception de la méthode — en particulier le traitement local versus global — peut importer davantage que le choix entre « ondelettes » et « Fourier ». Dans cette étude contrôlée, un filtre localisé basé sur le cosinus a fourni des images CT plus propres qu’une large gamme de recettes en ondelettes, pour plusieurs types de bruit réalistes, avec seulement une augmentation modeste du temps de calcul. Cela suggère que les hôpitaux et les fabricants d’appareils à la recherche de débruiteurs pratiques ne reposant pas sur l’apprentissage profond pourraient privilégier des méthodes fréquentielles par blocs ou des hybrides empruntant leur localité. Au bout du compte, le gain de tels choix algorithmiques est simple à comprendre : des images plus nettes à dose plus faible ou en temps d’acquisition réduit, et de meilleures chances que des signes subtils de maladie ne soient pas perdus dans le bruit.

Citation: Saif, M.A., Mughalles, B.M. & Loqman, I.G.H. Comparative study of wavelet transform and Fourier domain filtering for medical image denoising. Sci Rep 16, 10145 (2026). https://doi.org/10.1038/s41598-026-40594-4

Mots-clés: débruitage d'images médicales, imagerie CT, transformée en ondelettes, transformée en cosinus discrète, réduction du bruit d'image