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.
140 Extraction <strong>de</strong> connaissances appliquée <strong>à</strong> <strong>la</strong> biologie <strong>et</strong> l’imagerie médicale<br />
pour délimiter <strong>de</strong>s régions fonctionnellement différentes au sein d’un organe. C’est notamment le<br />
cas dans le foie, les reins ou encore le cerveau. D’un autre coté, <strong>la</strong> définition manuelle <strong>de</strong> VOIs est<br />
opérateur-dépendante, subjective <strong>et</strong> non facilement reproductible, ce qui peut entraîner <strong>de</strong>s erreurs<br />
dans les paramètres du modèle. Enfin c<strong>et</strong>te métho<strong>de</strong> manuelle est difficilement applicable <strong>à</strong> un grand<br />
volume <strong>de</strong> données <strong>à</strong> traiter. Les métho<strong>de</strong>s automatiques pour <strong>la</strong> c<strong>la</strong>ssification en TEP dynamique<br />
ont donc fait l’obj<strong>et</strong> d’une attention particulière. Plusieurs étu<strong>de</strong>s ont proposé d’utiliser <strong>de</strong>s métho<strong>de</strong>s<br />
non-supervisées pour délimiter les VOIs dans les images TEP, sans a priori anatomique, pour<br />
dégager <strong>de</strong>s régions dont les TACs sont homogènes. On peut c<strong>la</strong>sser les métho<strong>de</strong>s <strong>de</strong> c<strong>la</strong>ssification<br />
proposées dans <strong>la</strong> littérature traitant <strong>de</strong> <strong>la</strong> c<strong>la</strong>ssification <strong>de</strong>s images TEP en trois domaines suivants.<br />
Le premier domaine regroupe les métho<strong>de</strong>s <strong>de</strong> c<strong>la</strong>ssification utilisant <strong>la</strong> métho<strong>de</strong> k-means. La<br />
métho<strong>de</strong> k-means est introduite par Wong <strong>et</strong> al [112] pour traiter <strong>de</strong>s images TEP dynamiques<br />
<strong>à</strong> partir <strong>de</strong>s distances entre les points. Le k-means est par ailleurs utilisé dans les métho<strong>de</strong>s <strong>de</strong><br />
c<strong>la</strong>ssification basée sur une réduction <strong>de</strong> l’espace avec l’analyse en composantes principales (ACP)<br />
ou l’analyse factorielle. Kimura <strong>et</strong> al. [67] proposent d’appliquer k-means sur <strong>la</strong> projection <strong>de</strong>s<br />
TACs sur les premiers vecteurs propres <strong>de</strong> l’ACP. Cependant, l’ACP est appliquée sur <strong>de</strong>s données<br />
simulées sans bruit. Frouin <strong>et</strong> al. [46] appliquent le k-means sur les facteurs obtenus par une analyse<br />
factorielle. La métho<strong>de</strong> k-means <strong>à</strong> noyaux a aussi été étudiée par Acton <strong>et</strong> al. [1] dans le cadre <strong>de</strong>s<br />
c-means flous pour prendre en compte <strong>la</strong> nature intrinsèque floue <strong>de</strong> <strong>la</strong> Tomographie par Emission<br />
Mono-Photonique (TEMP) <strong>et</strong> plus généralement dans le cadre <strong>de</strong> <strong>la</strong> segmentation <strong>de</strong> structures<br />
cérébrales par Farinha <strong>et</strong> al. [39].<br />
Le <strong>de</strong>uxième domaine englobe les métho<strong>de</strong>s basées sur <strong>de</strong>s modèles probabilistes. Ashburner <strong>et</strong><br />
al. [8] utilisent l’hypothèse que les données TEP satisfont une distribution gaussienne <strong>et</strong> proposent<br />
un algorithme maximisant <strong>la</strong> vraisemb<strong>la</strong>nce d’un pixel appartenant <strong>à</strong> un cluster <strong>à</strong> partir <strong>de</strong> <strong>la</strong> TAC<br />
du pixel. Une segmentation par Espérance-Maximisation avec incorporation <strong>de</strong>s chaînes Markov a<br />
été proposée par Chen <strong>et</strong> al. [24]. Brankov <strong>et</strong> al. [21] ont défini une nouvelle métrique <strong>de</strong> distance<br />
pour les TACs <strong>de</strong>s pixels <strong>et</strong> utilisé c<strong>et</strong>te métrique dans une métho<strong>de</strong> <strong>de</strong> c<strong>la</strong>ssification par Espérance-<br />
Maximisation. Krestyannikov <strong>et</strong> al. [70] séparent les données TEP dynamiques par une métho<strong>de</strong><br />
paramétrique basée sur les moindres carrés dans l’espace du sinogramme, évitant ainsi les artefacts<br />
que peut apporter <strong>la</strong> reconstruction <strong>de</strong> l’image.<br />
Enfin, le <strong>de</strong>rnier domaine traite <strong>de</strong>s métho<strong>de</strong>s hiérarchiques. Une métho<strong>de</strong> <strong>de</strong> c<strong>la</strong>ssification hiérarchique<br />
<strong>de</strong>s voxels a été proposée par Guo <strong>et</strong> al [50]. Maroy <strong>et</strong> al. [75] ont proposé une métho<strong>de</strong><br />
<strong>de</strong> c<strong>la</strong>ssification basée sur plusieurs pré-traitements <strong>de</strong> l’image pour i<strong>de</strong>ntifier les régions homogènes<br />
connexes, suivis d’une métho<strong>de</strong> hiérarchique ascendante pour regrouper les régions dont les TACs<br />
moyennes sont i<strong>de</strong>ntiques.<br />
Les métho<strong>de</strong>s proposées dans <strong>la</strong> littérature souffrent d’une ou plusieurs <strong>de</strong>s limitations suivantesă<br />
: impossibilité <strong>de</strong> séparer <strong>de</strong>s domaines non convexes, sensibilité <strong>à</strong> l’initialisation <strong>de</strong> centres,<br />
choix <strong>de</strong> <strong>la</strong> métrique, paramètres d’échelle ajustés non automatiquement, connaissances a priori<br />
nécessaires sur <strong>la</strong> distribution <strong>de</strong>s données, complexité calcu<strong>la</strong>toire prohibitive pour <strong>de</strong> grands jeux<br />
<strong>de</strong> données, hypothèse implicite <strong>de</strong> clusters <strong>de</strong> tailles homogènes, sélection a priori du nombre <strong>de</strong><br />
c<strong>la</strong>sses <strong>à</strong> trouver.