Colloque COmpression et REprésentation des Signaux Audiovisuels, Reims Image 2014

Identification du système d’acquisition scanner X à partir de

l’analyse du bruit dans des images médicales

A. Kharboutly1 , W. Puech1 , G. Subsol1 et D. Hoa2

1 LIRMM
2 IMAIOS

Résumé
L’imagerie médicale aide les médecins à améliorer et accélérer le processus de diagnostic. Il est donc fondamental
de s’assurer que les images d’un patient n’ont pas été altérées ou interverties avec celles d’un autre. Pour cela,
nous proposons une méthode pour identifier l’appareil scanner X à partir du bruit dans les images médicales.
Nous avons construit un modèle de bruit de référence pour les images acquises par chaque système scanner X.
Nous avons ensuite corrélé les images 3D obtenues avec chaque modèle de bruit de référence pour identifier
l’appareil scanner X correspondant. Nous avons utilisé une approche de filtre de Wiener basé sur des ondelettes
pour extraire le bruit. Des résultats expérimentaux préliminaires ont été obtenus sur 8 images 3D de 100 coupes
de scanner X différents et nous avons pu globalement identifier chaque scanner X.

Medical image processing is used to help the doctors to improve and accelerate the diagnostic process.
Consequently, it is essential to ensure that the images of a patient were not altered or swapped. Therefore, we
propose a method for CT-Scan identification based on the sensor noise pattern. We extracted the reference noise
pattern for each CT-Scan from its 3D image, and then we correlated the tested 3D images with each reference
noise pattern in order to identify the corresponding CT-Scan. We used a wavelet-based Wiener filter approach to
extract the noise. Experimental results were applied on 8 3D image of 100 slices that were around 800 slices from
3 CT-Scans. Generally, we were able to identify each CT-Scan separately.

Mots clé : criminalistique numérique, imagerie médi- dispositif, sont généralement stockées dans des fichiers DI-
cale, authentification, identification des dispositifs, analyse COM [Toe12]. Le fichier DICOM peut être décomposé en
de bruit. deux parties, les meta-données et l’image brute. Les meta-
données sont facilement lisibles, elle contiennent toutes les
1. Introduction informations sur le dispositif d’acquisition, les paramètres
d’imagerie et plus généralement la procédure suivie. Mais
L’imagerie médicale est devenue de nos jours un enjeu es- si ces méta-données sont dissociées de l’image volontaire-
sentiel dans le monde de médecine, elle offre des techniques ment ou involontairement (par un changement de format par
qui peuvent être utilisées pour regarder à l’intérieur de l’or- exemple), il est important de pouvoir retrouver un maximum
ganisme de manière non intrusive. Le traitement d’image d’informations à partir de l’image elle-même. En particu-
médicale est devenu une technique commune dans le do- lier l’identification précise de système d’acquisition permet-
maine du traitement d’images. tra de remonter au centre de radiographie et de pouvoir y
La tomographie [BSJB11] appelée aussi scanner X, in- retrouver dans les archives les paramètres de l’image.
tègre une série des vues radio-graphiques qui sont prises
En leur absence ou si les meta-données sont non au-
sous des angles différents pour créer des images 3D des os et
thentifiées, nous pouvons identifier le scanner X à partir
des tissus mous de l’intérieur de l’organisme. Elles peuvent
des images brutes. C’est justement l’objectif de la crimi-
être utilisées pour visualiser toutes les parties du corps et
nilastique d’images, un domaine de la recherche important
elles sont largement utilisées puisqu’elles fournissent beau-
[RTD11], qui a pour but de valider l’authenticité des images
coup d’informations sur les caractéristiques physiques et les
en récupérant des informations sur leur histoire, en pré-
pathologies du patient. Il est donc fondamental de s’assu-
sence du dispositif non authentifié ou de la modification de
rer que ces données ne sont pas altérées ou interverties avec
contenu. En termes de criminalistique d’images, deux pro-
celles d’un autre patient.
blèmes sont abordés : le traçage de contrefaçons et l’identifi-
Les informations sur l’acquisition et l’identification du cation des dispositifs d’acquisition. Dans le cas de la contre-

c CORESA 2014, COmpression et REprésentation des Signaux Audiovisuels

 A. Kharboutly, W. Puech, G. Subsol et D. Hoa / Article RI2014

façon, beaucoup de travaux sont produits en photographie – Calculer quatre niveaux de décomposition en onde-
numérique générale [SM13]. Dans le cas des images mé- lettes. Dans chaque niveau, marquer les trois sous-
dicales et plus spécifiquement des scanner X, très peu de bandes de haute fréquence qui sont horizontale, verti-
recherches ont été effectuées. Dans [HCS∗ 12], les auteurs cale et la diagonale. Pour quatre niveaux de décompo-
présentent un premier travail en criminalistique numérique sition en ondelettes avec trois sous-bandes dans chaque
aveugle dans le domaine de l’imagerie médicale. Ils ont pro- niveau, nous avons donc 12 sous-bandes pour chaque
posé une méthode permettant de détecter si une image a image traitée
été modifiée ou non grâce à des opérateurs de traitement – Pour chaque sous-bande d’ondelettes, nous estimons la
d’image. Pour l’identification du dispositif, aucune méthode variance locale en utilisant un voisinae de (3x3) à (9x9)
n’a été proposée pour l’imagerie scanner X, bien qu’il y ait en fonction du niveau. :
quelques travaux sur l’analyse des caractéristiques d’image !
2 1 
2 2

médicales selon les paramètres d’acquisition et le disposi- σ̂W (i, j) = max 0, 2 ∑ X (i, j) − σ0 ,
W (i, j)∈W
tif [SCS12]. Dans [LFG06], les auteurs ont proposé une ∗W
méthode pour l’identification d’appareil photo numérique du (1)
bruit de modèle de capteur, ils ont utilisé un algorithme de où W ∈ {3, 5, 7, 9} se réfère à la taille du voisinage,
débruitage en ondelettes permettant de séparer la compo- X est la sous-bande d’ondelette et σ0 est une valeur
sante de bruit. Puis, ils ont généré un des motifs de bruit de constante donnée.
référence pour l’appareil photo numérique et, enfin, ils ont Parmi les valeurs précédentes correspondant aux 4 ni-
utilisé la corrélation pour mettre en correspondance l’image veaux de voisinage, nous choisissons la valeur mini-
avec un appareil photo. Cette méthode est appliquée aux male :
images photographiques mais elle pourrait être généralisé
 
aux coupes des images 3D obtenues pas scanner X. σ̂2 (i, j) = min σ23 (i, j), σ25 (i, j), σ27 (i, j), σ29 (i, j) .
Dans cet article, nous proposons une première analyse du (2)
problème d’identification du système d’acquisition scanner – Débruitage des sous-bandes d’ondelettes utilisant le
X à partir des coupes 2D. Le reste de ce papier est orga- filtre de Wiener :
nisé comme suit. Dans la Section 2, nous présentons un al- σ̂2 (i, j)
gorithme de débruitage, nous avons construit un modèle de Xden (i, j) = X(i, j) , (3)
σ̂2 (i, j) + σ20
bruit de référence pour chaque dispositif, nous avons identi-
fié le scanner X grâce à la corrélation entre les coupes testées où X est la sous-bande d’ondelettes.
et le modèle de bruit de référence de chaque dispositif. Dans – Appliquer la transformation inverse ondelettes sur les
la Section 3, nous exposons nos résultats expérimentaux et sous-bandes d’ondelettes débruitées pour obtenir le
nous les commentons et finalement, nous concluons notre composant débruité F(s) de l’image originale s.
travail avec des perspectives dans la Section 4.
2.2. Modèle de référence de scanner X
2. Méthode d’Identification de scanner X Pour chaque appareil scanner X, nous avons extrait des
images 2D correspondant à des coupes de l’image 3D. Pour
La méthode proposée est basée sur la méthode présentée chaque groupe d’images, nous avons appliqué un filtre de
dans [LFG06]. comme plusieurs machines (scanner XS) ont débruitage pour extraire le signal de base, puis nous avons
été utilisées, nous avons crée une référence de bruit pour soustrait l’original de chaque coupe comme représenté dans
chaque appareil comme présenté dans la figure 1. La cor- la figure 2 :
rélation entre la composante de bruit de l’image et la réfé-
rence de bruit de chaque machine a été étudiée pour que nous
puissions identifier une image acquise pour chaque machine. n(i) = s(i) − F(s(i) ), (4)
Cette image est considérée comme acquise par une certaine
machine quand il y a une valeur de corrélation élevée avec sa où n représente la composante de base du bruit, s la coupe
référence de bruit comme illustré dans la figure 1. Dans cette numéro i et F() est la fonction de débruitage de la coupe
partie nous présentons l’algorithme qui a été utilisé pour iso- numéro i.
ler le bruit, puis la référence de bruit qui a été créé et finale-
Nous avons ensuite moyenné les bruits en une seule image
ment, comment la décision de l’identification de la machine
2D. C’est ce que l’on appelle la ligne de base du bruit où en-
est faite.
core la signature de l’appareil. En répétant le processus avec
chaque groupe d’images, on obtient la référence complète de
l’appareil :
2.1. Algorithme de débruitage
N
1
Nous avons appliqué un filtre en utilisant une transforma- RPN =
N ∑ n(i) , (5)
tion en ondelettes dans le domaine des fréquences et basé sur i=1
le travaux proposés dans [MKR99]. Essentiellement, il est où RPN est le bruit de référence, N le nombre de coupes dont
composé de deux parties, l’estimation de la variance locale le bruit est extrait et n la composante du bruit.
des composantes d’ondelettes et le débruitage de ces compo- Comme indiqué dans [GBdG04], nous supposerons que le
santes en utilisant un filtre de Wiener [JM04] comme suit : bruit est additif gaussien.

c CORESA 2014.
 A. Kharboutly, W. Puech, G. Subsol et D. Hoa / Article RI2014

Figure 1: Vue d’ensemble de la méthode.

gie du faisceau=120 kV ; pas de 1 et épaisseur de coupe de

3 mm). Chaque image 3D est composée de 100 coupes de
512*512 pixels. Trois images 3D de fantôme de crâne adulte
ont été acquises avec Siemens1, trois images 3D de fantôme
de crâne adulte de Siemens 1 et 2 ; ainsi que 2 images 3D de
crâne de General Electrics comme résumé dans le Tableau 1.

Siemens 1 Siemens 2 GE
Content fantôme fantôme crâne
Figure 2: a) Exemple d’une coupe initiale de Siemens 1, b) Nb d’images 3D 3 3 2
composante débruitée, c) la composante de bruit. Nb de coupes 300 300 200
Nb de coupes de RPN 120 120 120
Nb de coupes testées 180 180 80
Taille (pixels) 512x512 512x512 512x512
2.3. Décision par corrélation
Bits par pixel 16 16 16
Nous souhaitons identifier l’appareil à partir duquel Épaisseur des coupes 3 mm 3 mm 3 mm
chaque image de chaque groupe a été acquise. Pour cela, Taille du pixel 1 mm 1 mm 1 mm
nous extrayons le bruit de référence de chaque appareil et
Table 1: Caractéristiques des images expérimentales.
les composantes du bruit de chaque image. Ces images sont
reliées à un des appareils lorsque leur coefficient de corréla-
tion avec le bruit de référence de l’appareil est maximal : En fonction des différentes méthodes d’extraction RPN
(n(i) − n(i) ).(RPN − RPN) citées ci-dessus, nous avons extrait un bruit de référence
corr(n(i) , RPN) = . (6) pour chaque appareil. La figure 3 illustre les 3 références
kn(i) − n(i) kkRPN − RPNk pour chaque appareil. On peut remarquer les composantes
de bruit en plus de quelques effets de bords, car il y a des
3. Résultats Expérimentaux contours dans les images originales. Les bords de certaines
structures restent apparents dans l’image quand on moyenne
Pour tester cette méthode, nous avons appliqué le proces-
les coupes et on peut remarquer leurs contours dans la figure
sus sur 8 images 3D issues de 3 scanner X différents de 2
3.
constructeurs : Siemens (siemens 1 et siemens 2) et General
Electric Medical Systems (GE). Ces images sont codées en Le reste des coupes de chaque appareil est conservé pour
16 bits et acquises en utilisant les mêmes paramètres (éner- tester l’identification scanner X. Ces coupes sont testées

c CORESA 2014.
 A. Kharboutly, W. Puech, G. Subsol et D. Hoa / Article RI2014

avec le motif de référence de bruit de chaque appareil. 120

coupes GE, 180 de Siemens 1 et 180 de Siemens 2. Pour
confirmer les résultats, nous avons répété l’expérience 5 fois
avec des coupes aléatoires et le résultat obtenu est le même.

Figure 6: Les corrélations entre les coupes testées de Ge-

neral Electric et le motif de bruit de référence en ce qui
Figure 3: Exemple du bruit de motif de référence à partir
concerne chaque appareil.
de : a) General Electric, b) premier dispositif de Siemens, c)
deuxième dispositif de Siemens.

de Siemens 1, la quasi-totalité de ces valeurs de corrélation

sont supérieures à 0,1, tandis que toutes les autres valeurs de
corrélation sont inférieures, qui se réfère à la relation entre ce
dispositif et de l’image test. Ainsi, on peut considérer la va-
leur 0,1 comme seuil qui classe les images étant acquises par
le dispositif de cette référence, sauf quelques images concer-
nant son contenu, comme nous pouvons le constater dans le
Tableau 2. Nous avons aussi les même remarques pour les
figure 5 et figure 6.

Siemens 1 Siemens 2 GE
Siemens 1 95.5 % 3.0 % 5.0 %
Siemens 2 4.0 % 97.0 % 0
Figure 4: Les corrélations entre les coupes testées de Sie- GE 0.5 % 0 95.0 %
mens 1 et le motif de bruit de référence en ce qui concerne
chaque appareil. Table 2: Précision d’identification

Le tableau 2 montre le taux de classification, lorsque nous

avons corrélé 180 coupes de Siemens 1, 180 coupes de Sie-
mens 2 et 80 coupes de General Electric avec le bruit de
référence de chaque appareil séparément.

4. Conclusion et perspectives
Dans cet article, nous avons proposé un algorithme pour
la criminalistique d’images médicales. Pour les études à ve-
nir, travailler avec plus d’images et de dispositifs pour va-
lider notre approche, essayer de généraliser notre travail en
3D, étudier l’influence des paramètres d’acquisitions et de
reconstruction sur le bruit, étudier l’influence du contenu de
Figure 5: Les corrélations entre les coupes testées de Sie- l’image sur le calcul du bruit en particulier pour supprimer
mens 2 et le motif de bruit de référence en ce qui concerne les artefacts des contours, analyser le processus de recons-
chaque appareil. truction pour mieux modéliser le bruit, étudier les caracté-
ristique des coupes qui donnent faible corrélation et étudier
Les courbes dans la figure 4, figure 5 et figure 6 permettent l’influence de la compression sur l’image de référence.
de remarquer que la corrélation entre les coupes testées et les
bruits de référence de l’appareil concerné est la plus élevée.
Références
La figure 4 illustre la corrélation entre les 3 bruits de réfé-
rence (S1, S2 et GE) et les 180 coupes de S1. L’axe vertical [BSJB11] B USHBERG J. T., S EIBERT J. A., J R . E. M. L.,
correspond à la corrélation et l’axe horizontale au numéro de B OONE J. M. : The Essential Physics of Medical Ima-
coupe. Concernant l’axe vertical, on peut remarquer la cor- ging, Third Edition, third, north american edition ed.
rélation entre la référence de Siemens 1 et les coupes testées LWW, 12 2011.

c CORESA 2014.
 A. Kharboutly, W. Puech, G. Subsol et D. Hoa / Article RI2014

[GBdG04] G RAVEL P., B EAUDOIN G., DE G UISE J. A. :

A method for modeling noise in medical images. IEEE
Trans. Med. Imaging. Vol. 23, Num. 10 (2004), 1221–
1232.
[HCS∗ 12] H UANG H., C OATRIEUX G., S HU H., L UO L.,
ROUX C. : Blind integrity verification of medical images.
IEEE Transactions on Information Technology in Biome-
dicine. Vol. 16, Num. 6 (2012), 1122–1126.
[JM04] JACOB N., M ARTIN A. : Image denoi-
sing in the wavelet domain using Wiener filtering.
[Online], Project Report, Available : http ://home-
[Link]/ ece533/project/f04/.
[LFG06] L UKAS J., F RIDRICH J., G OLJAN M. : Digi-
tal camera identification from sensor pattern noise. IEEE
Transactions on Information Forensics and Security. Vol.
1, Num. 2 (2006), 205–214.
[MKR99] M IHÇAK M., KOZINTSEV I., R AMCHAN -
DRAN K. : Spatially adaptive statistical modeling of wa-
velet image coefficients and its application to denoising.
In Acoustics, Speech, and Signal Processing, 1999. Pro-
ceedings., 1999 IEEE International Conference on (Mar
1999), vol. 6, pp. 3253–3256.
[RTD11] R EDI J., TAKTAK W., D UGELAY J. L. : Digi-
tal image forensics : a booklet for beginners. Multimedia
Tools and Applications. Vol. 51, Num. 1 (2011), 133–162.
[SCS12] S OLOMON J. B., C HRISTIANSON O., S AMEI
E. : Quantitative comparison of noise texture across CT
scanners from different manufacturers. Medical physics.
Vol. 39, Num. 10 (October 2012), 6048–55.
[SM13] S ENCAR H. T., M EMON N. : Digital Image Fo-
rensics : There is More to a Picture Than Meets the Eye.
Springer, 2013.
[Toe12] T OENNIES K. D. : Guide to Medical Image Ana-
lysis - Methods and Algorithms. Advances in Computer
Vision and Pattern Recognition. Springer, 2012.

c CORESA 2014.