Note ABES Statistical models on manifolds for anomaly detection in medical images Modèles statistiques sur des variétés pour la détection d’anomalies dans les images médicales Détection d’anomalies Méthodes multivariées Variétés Méthodes non linéaires Réduction de dimension IRM Anomaly detection Multivariate models Manifolds Non linear methods Dimension reduction MRI 006.6 519 Télédiagnostic Imagerie médicale Imagerie par résonance magnétique Détection des anomalies (informatique) Variétés (mathématiques) Méthodes statistiques On considère le problème de détecter des motifs anormaux au sein d’images neurologiques. Les approches classiques de détection d’anomalie sont le plus souvent des problèmes de classification à une classe, dans lesquels on souhaite détecter les sujets aberrants par rapport à la distribution (apprise préalablement) des sujets contrôles. Ces approches donnent une appréciation globale de la classe du sujet considéré (pathologique ou non), mais ne permettent pas d’obtenir une localisation spatiale des anomalies au sein de l’image du sujet elle-même. D’un autre côté, les approches développées pour localiser des anomalies au sein des sujets recourent généralement à des tests statistiques univariés sur des régions d’intérêt faisant l’hypothèse d’une distribution gaussienne. Dans cette thèse, nous présentons et comparons différentes méthodes (nouvelles ou de l’état de l’art) pour la détection et la localisation de motifs anormaux spécifiques aux sujets, dans le contexte d’un sujet unique confronté à un groupe témoin. Les méthodes proposées s’appuient sur une modélisation globale (multivariée), non linéaire d’images témoin, qui permet une représentation de motifs spatiaux complexes par des distributions non gaussiennes. La variété des motifs d’images témoin est apprise sur un groupe contrôle à l’aide de techniques de réduction de dimension non linéaires. On associe mathématiquement la tâche consistant à identifier les anomalies avec celle cherchant à trouver une projection de notre sujet sur la variété dans laquelle les sujets contrôles reposent. La phase de détection implique d’effectuer un test statistique sur le résidu entre notre projection et l’image d’origine. Différents types de jeux de données synthétiques ont été constitués dans le but de comparer ces différentes approches. Les expériences sur les données synthétiques montrent l’intérêt d’utiliser des représentations multivariées par rapport aux approches univariées standard. Les conclusions à propos de la comparaison entre méthodes univariées et multivariées diffèrent selon le jeu de données utilisé. Toutes les méthodes sont appliquées à la détection de motifs anormaux chez des sujets atteints de la maladie d’Alzheimer. We consider the detection of abnormal patterns in neuroimaging data, in the context of comparing a single subject to a normal control group. Standard approaches for anomaly detection are related to the one-class classification problem, in which one tries to detect outliers (corresponding here to “abnormal” subjects) with respect to a learned distribution of normal controls. These approaches will make a global statement about the subject class (i.e. pathological or not) but do not provide a spatial localization of abnormal patterns within the subject’s image data. On the other hand, the approaches developed for localizing subject-specific abnormalities generally resort to univariate voxel-wise or ROI-based statistical tests and rely on Gaussian distribution assumption. In this thesis we present and compare different standard and novel methods for the detection and localization of subject-specific abnormal patterns within the framework of subject-versus group comparison. The proposed methods rely on a global (multivariate) non-linear modelisation of normal images data, which enable the representation of complex spatial patterns with non Gaussian distributions. The manifold of normal image patterns is learned from a control group with the help of non-linear dimension reduction techniques. Identifying abnormalities is mathematically associated with finding the projection of a subject over the manifold in which the control group lies. The detection itself involves a statistical test of the residual between the projection and the original image. Different types of synthetic datasets have been created in the purpose of comparing the different approaches. Experiments on synthetic data underline the benefit of using multivariate representations, compared to standard univariate approaches. Conclusions regarding the comparisons of linear and non linear multivariate approaches can broadly differ depending on the kind of dataset being analysed. All methods are also illustrated on the detection of abnormal spatial patterns in neuroimage data of dementia afflicted patients. Electronic Thesis or Dissertation Text en PDF 126877738 Université de Strasbourg Strasbourg 2020-12-31 https://theses.hal.science/tel-02527796 application/pdf 126753224 https://publication-theses.unistra.fr/public/theses_doctorat/2019/TILQUIN_Florian_2019_ED269.pdf http://www.theses.fr/2019STRAD040/abes https://theses.hal.science/tel-02527796 https://theses.hal.science/tel-02527796 https://theses.hal.science/tel-02527796 Tilquin Florian 1992-06-04 FR 243231105 https://theses.fr/2019STRAD040 2019STRAD040 https://doi.org/10.70675/c53be4bcz78d4z4c6aza980za89fa912ecff 2019-11-13 Signal, image, automatique et robotique Strasbourg 131056549 Doctorat Docteur es non oui Heitz Fabrice MADS_DIRECTEUR_DE_THESE_1 029185157 Namer Izzie Jacques MADS_DIRECTEUR_DE_THESE_2 073314609 Berger Marie-Odile MADS_PRESIDENT_DU_JURY 075878518 Heitz Fabrice MADS_MEMBRE_DU_JURY_1 029185157 Namer Izzie Jacques MADS_MEMBRE_DU_JURY_2 073314609 Berger Marie-Odile MADS_MEMBRE_DU_JURY_3 075878518 Thirion Bertrand MADS_MEMBRE_DU_JURY_4 080779565 Colliot Olivier MADS_MEMBRE_DU_JURY_5 085263893 Faisan Sylvain MADS_MEMBRE_DU_JURY_6 087589982 Thirion Bertrand MADS_RAPPORTEUR_1 080779565 Colliot Olivier MADS_RAPPORTEUR_2 085263893 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 176969721 260728 ddc:004 ddc:510 Heitz Fabrice Namer Izzie Jacques Berger Marie-Odile Heitz Fabrice Namer Izzie Jacques Berger Marie-Odile Thirion Bertrand Colliot Olivier Faisan Sylvain Thirion Bertrand Colliot Olivier École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 126877738