Modèles statistiques non linéaires pour l'analyse de formes : application à l'imagerie cérébrale
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Sfikas, Giorgos
Date de soutenance : 07-09-2012

Directeur(s) de thèse : Heinrich, Christian - Nikou, Christophoros

Président : Charbonnier, Pierre
Rapporteur(s) : Ranjeva, Jean-Philippe - Richard, Frédéric
Membre(s) du jury : Blanc, Frédéric - Foucher, Jack - Likas, Aristidis

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'image, de l'informatique et de la télédétection (Strasbourg)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Signal, image et vision
Classification : Médecine et santé, Informatique

Mots-clés libres : Analyse statistique de formes, Apprentissage de variétés, Support vector data description, Différence discriminative, Maladie d'Alzheimer, Hippocampe
Mots-clés :
  • Alzheimer, Maladie d' - Diagnostic
  • Imagerie médicale
  • Traitement d'images
Résumé : Cette thèse a pour objet l'analyse statistique de formes, dans le contexte de l'imagerie médicale.Dans le champ de l'imagerie médicale, l'analyse de formes est utilisée pour décrire la variabilité morphologique de divers organes et tissus. Nous nous focalisons dans cette thèse sur la construction d'un modèle génératif et discriminatif, compact et non-linéaire, adapté à la représentation de formes.Ce modèle est évalué dans le contexte de l'étude d'une population de patients atteints de la maladie d'Alzheimer et d'une population de sujets contrôles sains. Notre intérêt principal ici est l'utilisationdu modèle discriminatif pour découvrir les différences morphologiques les plus discriminatives entre une classe de formes donnée et des formes n'appartenant pas à cette classe. L'innovation théorique apportée par notre modèle réside en deux points principaux : premièrement, nous proposons un outil pour extraire la différence discriminative dans le cadre Support Vector Data Description (SVDD) ; deuxièmement, toutes les reconstructions générées sont anatomiquementcorrectes. Ce dernier point est dû au caractère non-linéaire et compact du modèle, lié à l'hypothèse que les données (les formes) se trouvent sur une variété non-linéaire de dimension faible. Une application de notre modèle à des données médicales réelles montre des résultats cohérents avec les connaissances médicales.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2012STRAD032
Type de ressource : Thèse