Contributions à l'étude de la classification spectrale et applications

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