Thèse soutenue

Modèles statistiques non linéaires pour l'analyse de formes : application à l'imagerie cérébrale

FR  |  
EN
Auteur / Autrice : Giorgos Sfikas
Direction : Christian HeinrichChristophoros Nikou
Type : Thèse de doctorat
Discipline(s) : Signal, image et vision
Date : Soutenance le 07/09/2012
Etablissement(s) : Strasbourg
Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences de l'image, de l'informatique et de la télédétection (Strasbourg)
Jury : Président / Présidente : Pierre Charbonnier
Examinateurs / Examinatrices : Frédéric Blanc, Jack Foucher, Aristidis Likas
Rapporteur / Rapporteuse : Jean-Philippe Ranjeva, Frédéric Richard

Résumé

FR  |  
EN

Cette thèse a pour objet l'analyse statistique de formes, dans le contexte de l'imagerie médicale.Dans le champ de l'imagerie médicale, l'analyse de formes est utilisée pour décrire la variabilité morphologique de divers organes et tissus. Nous nous focalisons dans cette thèse sur la construction d'un modèle génératif et discriminatif, compact et non-linéaire, adapté à la représentation de formes.Ce modèle est évalué dans le contexte de l'étude d'une population de patients atteints de la maladie d'Alzheimer et d'une population de sujets contrôles sains. Notre intérêt principal ici est l'utilisationdu modèle discriminatif pour découvrir les différences morphologiques les plus discriminatives entre une classe de formes donnée et des formes n'appartenant pas à cette classe. L'innovation théorique apportée par notre modèle réside en deux points principaux : premièrement, nous proposons un outil pour extraire la différence discriminative dans le cadre Support Vector Data Description (SVDD) ; deuxièmement, toutes les reconstructions générées sont anatomiquementcorrectes. Ce dernier point est dû au caractère non-linéaire et compact du modèle, lié à l'hypothèse que les données (les formes) se trouvent sur une variété non-linéaire de dimension faible. Une application de notre modèle à des données médicales réelles montre des résultats cohérents avec les connaissances médicales.