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.
4.7 Segmentation non supervisée basée sur <strong>la</strong> dynamique <strong>de</strong>s voxels 141<br />
4.7 Segmentation non supervisée basée sur <strong>la</strong> dynamique <strong>de</strong>s voxels<br />
Pré-filtrage <strong>de</strong>s données<br />
Pour diminuer l’influence du bruit contenu dans les images TEP sur le résultat <strong>de</strong> <strong>la</strong> c<strong>la</strong>ssification,<br />
nous effectuons un pré-filtrage <strong>de</strong> l’image 4D par un noyaux gaussien :<br />
G (x, y) =<br />
1<br />
√ 2πθ 2 e− x2 +y 2<br />
2θ 2 (4.3)<br />
où θ est l’écart-type <strong>de</strong> <strong>la</strong> distribution gaussienne. Nous avons utilisé un filtre <strong>de</strong> taille 7 × 7,<br />
avec θ calculé pour correspondre <strong>à</strong> <strong>la</strong> moitié <strong>de</strong> <strong>la</strong> taille <strong>de</strong> <strong>la</strong> fenêtre du filtre. Il est donc fixé <strong>à</strong><br />
θ = 7/(4 ∗ sqrt(2 ∗ log(2))).<br />
Prise en compte <strong>de</strong> l’eff<strong>et</strong> <strong>de</strong> volume partiel<br />
Les eff<strong>et</strong>s <strong>de</strong> volume partiel (EVP) sont caractérisés par <strong>la</strong> perte <strong>de</strong> signal dans les tissus ou<br />
organes <strong>de</strong> taille comparable <strong>à</strong> <strong>la</strong> résolution spatiale. Les EVP se manifestent par <strong>la</strong> contamination<br />
croisée d’intensité entre <strong>de</strong>s structures adjacentes ayant <strong>de</strong>s concentrations <strong>de</strong> radioactivité<br />
différentes. Dans ce <strong>de</strong>rnier phénomène, parfois dénommé "spill-over", l’activité haute d’une région<br />
donnée peut se répandre <strong>et</strong> contaminer une région proche <strong>et</strong> d’activité moindre, ce qui conduit <strong>à</strong><br />
<strong>de</strong>s mesures surestimées ou sous-estimées <strong>de</strong>s activités réellement présentes dans ces régions. Les<br />
techniques actuelles <strong>de</strong> correction <strong>de</strong>s eff<strong>et</strong>s <strong>de</strong> volume partiel font systématiquement appel <strong>à</strong> une<br />
connaissance a priori <strong>de</strong> l’anatomie [93]. Nous proposons <strong>de</strong> ne pas corriger directement les voxels<br />
<strong>de</strong> l’EVP par une métho<strong>de</strong> <strong>de</strong> <strong>la</strong> littérature, mais plutôt <strong>de</strong> normaliser les vecteurs xi avant le<br />
calcul <strong>de</strong> <strong>la</strong> matrice affinité. La conséquence est que <strong>la</strong> c<strong>la</strong>ssification <strong>spectrale</strong> que nous proposons<br />
ne tient pas compte <strong>de</strong> l’amplitu<strong>de</strong> <strong>de</strong> l’intégrale <strong>de</strong>s TACs <strong>de</strong>s voxels. Elle se base uniquement sur<br />
<strong>la</strong> forme <strong>de</strong>s TACs. Ce<strong>la</strong> perm<strong>et</strong> <strong>de</strong> réduire l’influence <strong>de</strong> l’EVP qui contamine fortement les TACs<br />
lorsque <strong>de</strong>ux régions voisines présentent un écart d’activité important. Sans c<strong>et</strong>te normalisation, les<br />
voxels entre les <strong>de</strong>ux régions ont leur TACs qui varient en amplitu<strong>de</strong> <strong>et</strong> ce<strong>la</strong> perturbe fortement le<br />
calcul <strong>de</strong>s distances entre les xi. Les résultats obtenus sans c<strong>et</strong>te normalisation préa<strong>la</strong>ble confirment<br />
l’importance <strong>de</strong> c<strong>et</strong>te étape (voir section résultat <strong>de</strong> ce chapitre).<br />
Nous proposons donc d’appliquer <strong>la</strong> métho<strong>de</strong> <strong>de</strong> spectral clustering sur les données normalisées,<br />
puis d’effectuer un post-filtrage du résultat <strong>de</strong> <strong>la</strong> c<strong>la</strong>ssification pour prendre en compte les différences<br />
importantes en amplitu<strong>de</strong> d’intégrale <strong>de</strong> TACs entre <strong>de</strong>ux régions dont le profil temporel <strong>de</strong>s TACs<br />
serait proche <strong>à</strong> une homothétie près.<br />
Choix du paramètre<br />
Le paramètre est choisi tel qu’il vérifie l’heuristique (1.2) développée dans le chapitre 1. Rappelons<br />
que ce paramètre est global <strong>et</strong> donne une information <strong>de</strong> <strong>de</strong>nsité sur <strong>la</strong> distribution <strong>de</strong>s points.<br />
Dans ce cadre, il fournit un profil caractéristique <strong>de</strong> <strong>la</strong> distribution <strong>de</strong> l’ensemble <strong>de</strong>s profils <strong>de</strong><br />
TACs.<br />
Estimation du nombre <strong>de</strong> clusters<br />
De nombreux critères existent pour évaluer le nombre <strong>de</strong> clusters. Dans le cas <strong>de</strong> métho<strong>de</strong>s<br />
comme k-means, l’erreur moyenne quadratique (MSE) [75] perm<strong>et</strong> <strong>de</strong> calculer, suivant une norme<br />
pondérée dont les poids sont définis par l’utilisateur, l’écart moyen entre les points d’un même