Identification et modélisation de systèmes non linéaires générant des sous et ultra-harmoniques : application à l'imagerie ultrasonore sous et ultra-harmonique

• Main Author: Sbeity, Fatima
• Other Authors: Tours
• Language: fr
• Published: 2013
• Subjects: Extraction; Hammerstein; Identification; Modélisation; Modèle NMA; MISO; SMISO; Sous-harmoniques; Réduction de la complexité; Ultra-harmoniques; Volterra; Imagerie sous-harmonique; Imagerie ultra-harmonique; Complexity reduction; NMA model; Sub-harmonics; Ultra-harmonics; Sub-harmonic imaging; Ultra-harmonic imaging
• Online Access: http://www.theses.fr/2013TOUR3315/document

L’amélioration du contraste des images échographiques occupe une place importante en imagerie ultrasonore médicale puisque la qualité des images impacte directement le diagnostic médical. Les imageries de contraste sous et ultra-harmoniques sont deux techniques permettant de produire des images à fort contraste. Le développement de techniques de filtrage, permettant de mieux extraire les composantes sous et ultra-harmoniques présentes dans les signaux renvoyés par les produits de contraste ultrasonore, a pour conséquence d’améliorer encore plus le contraste des images. Les modèles non linéaires dits « boîtes noires » du type Volterra, Hammerstein, et Wiener, sont souvent utilisés pour identifier et modéliser les systèmes non linéaires tels que les produits de contraste ultrasonore. Ces modèles, bien que très bien adaptés pour modéliser les composantes harmoniques entières, ne le sont plus en présence de sous et ultra-harmoniques. Dans les années 2000, une méthode permettant la modélisation de sous et ultra-harmoniques en utilisant un modèle de Volterra à plusieurs entrées (Multiple Input Single Output : MISO) a été développée. Pourtant, bien que cette méthode soit complètement originale dans le domaine considéré, les points clés qui la sous-tendent ne sont pas clairement identifiés. C’est en identifiant clairement les points clés de la méthode existante que nous pouvons la généraliser et proposer plusieurs nouveaux paradigmes pour la modélisation et l’extraction de sous et ultra-harmoniques. Nous proposons alors des alternatives beaucoup plus simples du type mono-entrée mono-sortie (Single Input Single Output : SISO). En modulant en fréquence l’entrée du système, nous avons pu ainsi identifier les réponses impulsionnelles des différents canaux du modèle de Hammerstein généralisé. À partir de ce cadre général, nous avons aussi proposé de nouvelles approches pour réduire la complexité du modèle de Volterra. === Contrast enhancement of echographic images occupies an important place in medical ultrasound imaging, since the quality of images has a direct impact on medical diagnosis. Sub and ultraharmonic contrast imaging are two imaging techniques that provide high contrast images. Developing filtering techniques, that allow better extraction of sub and ultra-harmonic components present in the echo backscattered by the ultrasound contrast agents, results in additional improvement of the contrast. Non linear models known as “black box” models, like Volterra model, Hammerstein model, and Wiener model are usually used to identify and model non linear systems such ultrasound contrast agents. Although these models are well suited to model integer harmonic components, they are not suitable in the presence of sub and ultra-harmonic components. In the 2000s, A method that allows the modeling of sub and ultra-harmonic components, using a multi inputs single output Volterra model (MISO) has been developed. Although this method was original in the considered domain, the key points underlying this method are not clearly identified. By clearly identifying the key points of the existing method, we can generalize it and propose new paradigms for modeling and extraction of sub and ultra-harmonics. We propose much simpler alternatives based on single input single output (SISO) models. By modulating the input frequency of the system, we can also identify the different impulse responses of the different channels of the generalized Hammerstein model. From this general framework, we also propose new approaches to reduce the complexity of Volterra model.