Contributions à l'étude de la classification spectrale et applications

More documents

Recommendations

Info

152 Extraction de connaissances appliquée à la biologie et l’imagerie médicale 4.9.4 Comparaison avec la méthode k-means Pour valider les résultats du spectral clustering, la méthode k-means, méthode la plus utilisée en segmentation d’images dynamiques TEP [75], est appliquée sur ce même exemple. Les mêmes prétraitement et post-traitement sont effectués sur les données. La méthode k-means est donc appliqué sur des données TACs filtrées et normalisées. Le nombre de clusters est fixé à 6 et le résultat de la méthode est représenté sur la figure 4.25(a). (a) Résultat du k-means (b) Résultat du spectral clustering Figure 4.25 – Comparaison avec la méthode k-means pour k = 6 Comparés aux résultats du spectral clustering sur la figure 4.25 (b), la plupart des formes des régions du spectral clustering sont quasi-identiques à celles du k-means. Par contre, un cluster à support entre le lobe frontal, le lobe pariétal et occipital (cluster orange sur la figure 4.25(a)) est créé par la méthode k-means. De plus, les régions du thalamus et du lobe frontal sont englobées en un seul cluster (cluster bleu sur la figure 4.25(a)). Les TACs associées à ces deux régions sont représentées sur la figure 4.26 et indiquent des profils à supports différents.
4.9.4 Comparaison avec la méthode k-means 153 (a) Résultat du k-means (b) Résultat du spectral clustering Figure 4.26 – Comparaison des TACs du thalamus et du lobe frontal Sur cet exemple, la méthode de spectral clustering présente des résultats meilleurs que le kmeans. Ces derniers résultats associés à ceux issus des critères d’évaluation quantitative prouvent que le spectral clustering est une méthode valable et prometteuse dans le domaine de la segmentation d’images TEP dynamiques. Mais une étude plus approfondie doit être menée, notamment sur le problème des effets de volumes partiels et son impact dans les résultats de clustering. Considérer l’image entière 3D permettrait de réaliser une étude plus précise sur la segmentation des TACs et donc des régions cérébrales. La stratégie parallèle développée dans le chapitre 3 s’inscrit comme une perspective logique dans ce contexte.
Page 1:
Institut National Polytechnique de
Page 4 and 5:
ii TABLE DES MATIÈRES 2.5.1 Expér
Page 7 and 8:
Table des figures 1.1 Illustration
Page 9:
TABLE DES FIGURES vii 4.8 Etude ave
Page 13 and 14:
Remerciements Je tiens tout d’abo
Page 15 and 16:
Introduction Les domaines des biolo
Page 17 and 18:
adéquates dans un cadre non superv
Page 19 and 20:
Chapitre 1 : Classification spectra
Page 21 and 22:
Chapitre 1 Classification spectrale
Page 23 and 24:
1.1.1 Algorithme de classification
Page 25 and 26:
1.1.2 Problème du choix du paramè
Page 27 and 28:
1.1.2 Problème du choix du paramè
Page 29 and 30:
1.2.2 Cas d’une distribution isot
Page 31 and 32:
1.3 Validations numériques 19 1.3
Page 33 and 34:
1.3.1 Mesures de qualité 21 (a) Sm
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
1.4 Méthodes de classification spe
Page 41 and 42:
1.4.2 Traitement d’images 29 une
Page 43 and 44:
1.4.2 Traitement d’images 31 (a)
Page 45 and 46:
Chapitre 2 Classification et élém
Page 47 and 48:
2.2 Présentation du résultat prin
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
2.3 Propriétés de classification
Page 55 and 56:
2.3.2 Classification via l’opéra
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
2.4.1 Eléments finis de Lagrange 5
Page 67 and 68:
2.4.2 Interprétation des élément
Page 69 and 70:
2.4.3 Propriété de classification
Page 71 and 72:
2.4.3 Propriété de classification
Page 73 and 74:
2.4.4 Condensation de masse 61 Le t
Page 75 and 76:
2.4.4 Condensation de masse 63 Eval
Page 77 and 78:
2.4.4 Condensation de masse 65 (a)
Page 79 and 80:
2.5.1 Expérimentations numériques
Page 81 and 82:
2.5.2 Choix du paramètre gaussien
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
2.5.3 Passage du discret au continu
Page 89 and 90:
2.5.4 Etape de normalisation 77 d
Page 91 and 92:
2.5.5 Cas limites de validité de l
Page 93:
2.5.5 Cas limites de validité de l
Page 96 and 97:
84 Parallélisation de la classific
Page 98 and 99:
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
100 Parallélisation de la classifi
Page 114 and 115: 102 Parallélisation de la classifi
Page 132 and 133: 120 Extraction de connaissances app
Page 167 and 168: Conclusion et perspectives Dans ce
Page 169 and 170: 4.9.4 Comparaison avec la méthode
Page 171 and 172: Bibliographie [1] P.D. Acton, L.S.
Page 173 and 174: BIBLIOGRAPHIE 161 [37] M. Ester, H.
Page 175 and 176: BIBLIOGRAPHIE 163 [75] R. Maroy, R.
Page 177: BIBLIOGRAPHIE 165 [114] L. Yen, D.
show all

Contributions à l'étude de la classification spectrale et applications

Create successful ePaper yourself

Delete template?

Save as template?