Contributions à l'étude de la classification spectrale et applications

Chapitre 4
Extraction de connaissances appliquée à
la biologie et l’imagerie médicale
L’objectif de ce chapitre est donc de confronter la méthode de spectral clustering à un cadre réel
où les données sont bruitées, multidimensionnelles et nombreuses.
Dans la suite, nous abordons deux domaines principalement touchés par l’arrivée des nouvelles
technologies et qui requièrent des méthodes non supervisées pour extraire des connaissances. Les
domaines concernés sont celui de l’analyse de données génomiques et celui de la Tomographie par
Emission de Positons (TEP). Ces études sont effectuées dans le cadre de deux collaborations :
1. Etude de profils temporels d’expressions de gène issus de biopuce : collaboration avec le laboratoire
Symbiose et Pathologie des Plantes de l’Ecole Nationale Supérieure Agronomique de
Toulouse (ENSAT).
2. Segmentation d’images dynamiques TEP : collaboration (en cours) avec l’Unité Imagerie et
Cerveau (UMRS INSERM) de l’université François Rabelais de Tours.
La version entièrement non supervisée de la méthode de spectral clustering est utilisée comprenant
les heuristiques (1.2) pour le choix du paramètre et (3.5) pour déterminer le nombre de clusters k.
L’information issue des clusters des données réelles est étudiée. Afin de juger de la pertinence et
de la validité des résultats issus du spectral clustering, ces résultats seront comparés à ceux issus
de méthodes reconnues dans les domaines respectifs à savoir la méthode de cartes de Kohonen
[98] pour les données temporelles génomiques et la méthode k-means [112] pour la segmentation
d’images TEP. Ces domaines permettront de mettre en application une partie du matériel théorique
et numérique développés dans les chapitres précédents et vérifier leur compatibilité pour des données
réelles.
119