Thèse soutenue

Classification non supervisée de données spatio-temporelles multidimensionnelles : Applications à l’imagerie

FR  |  
EN
Auteur / Autrice : Simon Mure
Direction : Hugues Benoit-CattinThomas Grenier
Type : Thèse de doctorat
Discipline(s) : Traitement du signal et des images
Date : Soutenance le 02/12/2016
Etablissement(s) : Lyon
Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
Laboratoire : CREATIS - Centre de Recherche et d'Application en Traitement de l'Image pour la Santé (Lyon ; 2007-....) - Centre de Recherche en Acquisition et Traitement de l'Image pour la Santé / CREATIS
Equipe de recherche : Images et Modèles
Jury : Président / Présidente : Christophe Ducottet
Examinateurs / Examinatrices : Hugues Benoit-Cattin, Thomas Grenier, Christophe Ducottet, Ahlame Douzal, Ludovic Macaire, Pierre-François Marteau
Rapporteurs / Rapporteuses : Ahlame Douzal, Ludovic Macaire

Résumé

FR  |  
EN

Avec l'augmentation considérable d'acquisitions de données temporelles dans les dernières décennies comme les systèmes GPS, les séquences vidéo ou les suivis médicaux de pathologies ; le besoin en algorithmes de traitement et d'analyse efficaces d'acquisition longitudinales n'a fait qu'augmenter. Dans cette thèse, nous proposons une extension du formalisme mean-shift, classiquement utilisé en traitement d'images, pour le groupement de séries temporelles multidimensionnelles. Nous proposons aussi un algorithme de groupement hiérarchique des séries temporelles basé sur la mesure de dynamic time warping afin de prendre en compte les déphasages temporels. Ces choix ont été motivés par la nécessité d'analyser des images acquises en imagerie par résonance magnétique sur des patients atteints de sclérose en plaques. Cette maladie est encore très méconnue tant dans sa genèse que sur les causes des handicaps qu'elle peut induire. De plus aucun traitement efficace n'est connu à l'heure actuelle. Le besoin de valider des hypothèses sur les lésions de sclérose en plaque nous a conduit à proposer des méthodes de groupement de séries temporelles ne nécessitant pas d'a priori sur le résultat final, méthodes encore peu développées en traitement d'images.