Contributions à l'étude de la classification spectrale et applications
Contributions à l'étude de la classification spectrale et applications
Contributions à l'étude de la classification spectrale et applications
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Chapitre 4<br />
Extraction <strong>de</strong> connaissances appliquée <strong>à</strong><br />
<strong>la</strong> biologie <strong>et</strong> l’imagerie médicale<br />
L’objectif <strong>de</strong> ce chapitre est donc <strong>de</strong> confronter <strong>la</strong> métho<strong>de</strong> <strong>de</strong> spectral clustering <strong>à</strong> un cadre réel<br />
où les données sont bruitées, multidimensionnelles <strong>et</strong> nombreuses.<br />
Dans <strong>la</strong> suite, nous abordons <strong>de</strong>ux domaines principalement touchés par l’arrivée <strong>de</strong>s nouvelles<br />
technologies <strong>et</strong> qui requièrent <strong>de</strong>s métho<strong>de</strong>s non supervisées pour extraire <strong>de</strong>s connaissances. Les<br />
domaines concernés sont celui <strong>de</strong> l’analyse <strong>de</strong> données génomiques <strong>et</strong> celui <strong>de</strong> <strong>la</strong> Tomographie par<br />
Emission <strong>de</strong> Positons (TEP). Ces étu<strong>de</strong>s sont effectuées dans le cadre <strong>de</strong> <strong>de</strong>ux col<strong>la</strong>borations :<br />
1. Etu<strong>de</strong> <strong>de</strong> profils temporels d’expressions <strong>de</strong> gène issus <strong>de</strong> biopuce : col<strong>la</strong>boration avec le <strong>la</strong>boratoire<br />
Symbiose <strong>et</strong> Pathologie <strong>de</strong>s P<strong>la</strong>ntes <strong>de</strong> l’Ecole Nationale Supérieure Agronomique <strong>de</strong><br />
Toulouse (ENSAT).<br />
2. Segmentation d’images dynamiques TEP : col<strong>la</strong>boration (en cours) avec l’Unité Imagerie <strong>et</strong><br />
Cerveau (UMRS INSERM) <strong>de</strong> l’université François Rabe<strong>la</strong>is <strong>de</strong> Tours.<br />
La version entièrement non supervisée <strong>de</strong> <strong>la</strong> métho<strong>de</strong> <strong>de</strong> spectral clustering est utilisée comprenant<br />
les heuristiques (1.2) pour le choix du paramètre <strong>et</strong> (3.5) pour déterminer le nombre <strong>de</strong> clusters k.<br />
L’information issue <strong>de</strong>s clusters <strong>de</strong>s données réelles est étudiée. Afin <strong>de</strong> juger <strong>de</strong> <strong>la</strong> pertinence <strong>et</strong><br />
<strong>de</strong> <strong>la</strong> validité <strong>de</strong>s résultats issus du spectral clustering, ces résultats seront comparés <strong>à</strong> ceux issus<br />
<strong>de</strong> métho<strong>de</strong>s reconnues dans les domaines respectifs <strong>à</strong> savoir <strong>la</strong> métho<strong>de</strong> <strong>de</strong> cartes <strong>de</strong> Kohonen<br />
[98] pour les données temporelles génomiques <strong>et</strong> <strong>la</strong> métho<strong>de</strong> k-means [112] pour <strong>la</strong> segmentation<br />
d’images TEP. Ces domaines perm<strong>et</strong>tront <strong>de</strong> m<strong>et</strong>tre en application une partie du matériel théorique<br />
<strong>et</strong> numérique développés dans les chapitres précé<strong>de</strong>nts <strong>et</strong> vérifier leur compatibilité pour <strong>de</strong>s données<br />
réelles.<br />
119