Thèse de doctorat : SCIENCES ET TECHNIQUES : Nice : 1999. / 1999NICE5327. 134 ref.

En oncologie, l’anatomopathologie est le « gold standard » pour le diagnostic et l’évaluationpronostique de lésions tumorales à l’échelle tissulaire. Depuis peu, les spectroscopiesvibrationnelles, notamment IR, représentent des axes de développement prometteurs pour cettespécialité en ouvrant la voie à l’histologie spectrale. Bien que « la preuve de concept » de cettedémarche soit maintenant réalisée, il reste encore de nombreux points à traiter avant un transfertvers la clinique. Dans ce travail, nous nous sommes intéressés à deux d’entre eux, impliqués dans lavitesse d’obtention, la qualité et le contenu informatif des images spectrales ; à savoir ledéparaffinage numérique des coupes tissulaires et la construction automatique et non supervisée deces images par biométrie floue. Afin de s’affranchir du déparaffinage chimique, nous avons montréque comparativement à l’ICA-NCLS, la méthode de prétraitement des spectres IR par EMSCs’avère la plus adaptée à l’élimination de la signature spectrale de la paraffine. Cette étape permetdonc l’utilisation directe de coupes tissulaires conventionnelles en histologie spectrale et rendpossible des études rétrospectives. La construction d’images spectrales capables de révéler les zonestumorales et les différentes structures tissulaires nécessite des méthodes performantes declassification des données IR. Basé sur la classification floue (FCM, Fuzzy C-Means), nous avonsmis au point un algorithme permettant d’optimiser le nombre de classes K et le paramètre de flou mde façon automatique et simultanée. L’algorithme a été testé au niveau de différents types decancers cutanés comme des carcinomes basocellulaires (BCC), spinocellulaires (SCC), maladies deBowen et mélanomes et comparé aux classifications « dures », comme le K-means (KM) etl’analyse par classification hiérarchique (ACH). Les images FCM révèlent une forte hétérogénéitéintra-tumorale pour les BCC, SCC et mélanomes et permettent de mieux caractériserl’interconnectivité entre les structures tissulaires saines et tumorales. De plus, pour certainestumeurs infiltrantes comme les SCC, un front d’invasion tumoral est mis en évidence ainsi que sesconnexions avec le tissu environnant. En conclusion, l’ensemble de ces résultats souligne le fortpotentiel de l’association microspectroscopie IR/biométrie floue pour la caractérisation de lésionstumorales / In oncology, anatomical pathology is the "gold standard" for diagnosis and prognostic evaluation of tumor lesions on a tissue scale. Since recently, vibrational spectroscopies, especially IR spectroscopy, represent promising guidelines of development for this specialty paving the way for spectral histology. Although "proof of concept" of this approach is now done, there are still many issues before its transfer into the clinic. In this study we focused on two important issues, namely digital dewaxing of the paraffin-embedded tissue sections, and automatic and unsupervised construction of spectral images by fuzzy biometric methods, which are rapid and provide high quality content spectral information.In order to overcome the chemical dewaxing, we have shown that compared to the ICA-NCLS, the IR spectra preprocessing method by EMSC is better for the elimination of paraffin spectral signature. This step thus allows the direct use of conventional tissue sections in spectral histology and enables retrospective studies. The construction of spectral images which reveal tumor areas and the different tissue structures requires efficient methods of IR data clustering. Based on the fuzzy clustering (FCM, Fuzzy C-Means), we developed an algorithm permitting to automatically and simultaneously optimize the number of clusters K and the fuzzy parameter m. This algorithm was applied to different types of skin cancers such as basal cell carcinomas (BCC), squamous cell carcinomas (SCC), Bowen's diseases and melanomas and compared with the "hard" clustering methods as K-means (KM) and Analysis by Hierarchical Clustering (AHC). The FCM images reveal strong intratumoral heterogeneity for BCC, SCC and melanomas and allow better characterization of the interconnectivity between the tumor and healthy tissue structures. In addition, for some invasive tumors such as SCC, a tumor invasive front is highlighted as well as its connections with the surrounding tissue. In conclusion, all these results highlight the potential of the IR microspectroscopy/fuzzy biometric methods association for characterization of tumor lesions.

Le sujet principal de cette thèse est la segmentation 3D de tumeurs du cerveau et de leurs différentes composantes (oedème et nécrose), ainsi que de structures internes du cerveau en IRM. Pour la segmentation de tumeurs nous proposons un cadre général qui est une combinaison des paradigmes fondés sur les régions et les contours. Dans ce cadre, nous segmentons d'abord le cerveau en utilisant une méthode adaptée aux cas pathologiques et extrayons des informations globales sur la tumeur par analyse de symétrie. La deuxième étape segmente la tumeur et ses composantes. Pour cela, nous proposons une méthode nouvelle et originale qui combine l'information de régions et de contours en deux phases. Pour la première, l'initialisation, nous présentons deux nouvelles méthodes. La première est une nouvelle méthode de classification floue qui exploite à la fois l'information des voxels et leurs voisinages (inspirés des champs Markov (MRF)), l'appartenance et la typicalité. La seconde se fonde sur l'analyse de la symétrie. La segmentation initiale de la tumeur est raffinée dans la deuxième phase par un modèle déformable contraint par des relations spatiales. Les relations spatiales sont obtenues en utilisant la segmentation initiale et les tissus environnant la tumeur. La méthode proposée peut être employée pour une grande classe de tumeurs dans n'importe quelle modalité en IRM. Pour segmenter une tumeur et ses composantes automatiquement, le cadre proposé a besoin seulement d'une image CE-T1w (con- trast enhanced T1-weighted) et d'une image FLAIR. Dans le cas d'une image CE-T1w seulement, l'interaction de l'utilisateur peut être nécessaire. Nous avons évalué cette méthode sur une base de données de 20 images CE-T1w et 10 images FLAIR avec différents types de tumeurs. Un autre but de cette thèse est la segmentation de structures internes du cerveau en présence d'une tumeur. Pour cela, une connaissance a priori sur l'anatomie et l'organisation spatiale des structures est fournie par une ontologie. Pour segmenter chaque structure, nous exploitons ses relations spatiales par rapport à d'autres structures, selon la connaissance a priori. Nous choisissons alors les relations spatiales qui sont valables en fonction de la tumeur segmentée. Ces relations spatiales sont alors modélisées dans un cadre flou proposé par notre groupe. Comme pour la tumeur, la procédure de segmentation de chaque structure comporte deux étapes. Dans la première étape nous recherchons la segmentation initiale de la structure dans le cerveau globalement segmenté. Le processus de recherche est fait dans la région d'intérêt fournie par la fusion des relations spatiales. Pour segmenter globalement les structures du cerveau nous employons deux méthodes. La première est la classification floue propos ée et la seconde repose sur les ensembles de niveaux multi-phases. Pour raffiner la segmentation initiale, nous employons un modèle déformable qui est contraint par les relations spatiales de la structure. Cette méthode a été également évaluée sur 10 images CE-T1w pour segmenter les ventricules, les noyaux caudés et les thalami.

Cette étude traite de l'identification de système dynamique non-linéaire. Une architecture multimodèle capable de surmonter certaines difficultés de l'architecture neuronale de type MLP a été étudiée. L'approche multimodèle consiste à représenter un système complexe par un ensemble de modèles de structures simples à validité limitée dans des zones bien définies. A la place de la structure affine des modèles locaux généralement utilisée, cette étude propose une structure polynômiale plus générale, capable de mieux appréhender les non-linéarités locales, réduisant ainsi le nombre de modèles locaux. L'estimation paramétrique d'une telle architecture multimodèle peut se faire suivant une optimisation linéaire, moins coûteuse en temps de calcul que l'estimation paramétrique utilisée dans une architecture neuronale. L'implantation des multimodèles récurrents, avec un algorithme d'estimation paramétrique plus souple que l'algorithme de rétro-propagation du gradient à travers à travers le temps utilisé pour le MLP récurrent a également été effectuée. Cette architecture multimodèle permet de représenter plus facilement des modèles non-linéaires bouclés tels que les modèles NARMAX et NOE. La détermination du nombre de modèles locaux dans une architecture multimodèle nécessite la décomposition (le partitionnement) de l'espace de fonctionnement du système en plusieurs sous-espaces où sont définies les modèles locaux. Des modes de partitionnement du système en plusieurs sous-espaces où sont définies les modèles locaux. Des modes de partitionnement flou (basé sur les algorithmes de "fuzzy-c-means", de "Gustafson et Kessel" et du "substractive clustering") ont été présentés. L'utilisation de telles méthodes nécessite l'implantation d'une architecture multimodèle où les modèles locaux peuvent être de structures différentes : polynômiales de degrés différents, neuronale ou polynômiale et neuronale. Une architecture multimodèle hétérogène répondant à ses exigences a été proposée, des algorithmes d'identification structurelles et paramétriques ont été présentés. Une étude comparative entre les architectures MLP et multimodèle a été menée. Le principal atout de l'architecture mudltimodèle par rapport à l'architecture neuronale de type MLP est la simplicité de l'estimation paramétrique. Par ailleurs, l'utilisation dans une architecture multimodèle d'un mode de partitionnement basé sur la classification floue permet de déterminer facilement le nombre de modèles locaux, alors que la détermination du nombre de neurones cachés pour une architecture MLP reste une tâche difficile.

Ce travail s'inscrit dans le domaine du diagnostic des systèmes hybrides et est basé sur l'utilisation d'un modèle. Il a pour objectif de diagnostiquer les fautes à partir de la connaissance structurelle, comportementale ou fonctionnelle du système en représentant ces connaissances (modèle du système) séparément de la connaissance sur la tâche de diagnostic. Les systèmes hybrides incluent à la fois des variables continues et discrètes. La dynamique continue est généralement fournie par des équations différentielles et algébriques alors que la partie discrète est modélisée par des automates ou des systèmes à transition. Le formalisme adopté dans ce travail pour modéliser ces systèmes s'appuie sur le modèle " Réseau de Petri Différentiel à Objet " (RdPDO) qui est intégré dans la plate forme de simulation PrODHyS (Process Object Dynamic Hybrid Simulator). Il possède l'avantage de prendre en compte le comportement hybride d'une part, en associant les variables continues aux jetons et d'autre part, en associant un système algébro-différentiel aux places permettant de faire évoluer les variables d'état continues. La méthodologie de diagnostic proposée s'effectue en deux étapes. La première étape consiste à détecter à l'aide d'une classification floue, des fautes qui présentent les mêmes symptômes - à partir d'une connaissance préalable des états de défaillance obtenue par apprentissage - afin de réduire les chemins ou les scénarios à explorer lors de la seconde phase. Cette dernière sert à diagnostiquer la faute parmi celles détectées à l'étape précédente en levant l'ambiguïté. Pour ce faire, deux raisonnements ont été suivis. Le premier, qualifié de raisonnement avant, consiste à former pour chaque faute incriminée, un critère d'écarts entre les mesures effectuées sur le système et celles émanant du modèle avec la faute simulée, sur une fenêtre temporelle et d'isoler ainsi la faute aboutissant au critère le plus faible. Le second raisonnement qualifié de raisonne ment arrière, effectue des calculs similaires mais sur l'évolution temporelle passée du système par une simulation arrière effectuée avec PrODHys, offrant la possibilité supplémentaire par rapport au premier raisonnement de remonter à l'instant de la défaillance. La méthodologie développée est illustrée sur un système hydraulique souvent utilisé comme " benchmark ". Comme nous ne disposons pas d'un système réel, celui-ci est simulé à l'aide d'un modèle de simulation de type RdPDO qui cette fois-ci contient les états de défaillances et des différences (bruits, erreurs de modélisation) par rapport au modèle utilisé pour le diagnostic.

L'étude de la maturation cérébrale a pour objectif une meilleure compréhension du développement du cerveau durant la grossesse et la mise en évidence des liens entre la modification des structures cérébrales et le développement cognitif. Cette étude est rendue particulièrement difficile par l'évolution constante que connaissent ces structures au cours de cette période, évolution due notamment à la croissance et à l'organisation des tissus cérébraux. La technique de visualisation privilégiée pour observer le cerveau est l'imagerie par résonance magnétique (IRM), méthode non invasive permettant l'acquisition d'images des structures cérébrales in vivo et en trois dimensions à une résolution relativement élevée. Cependant, les différences anatomiques et l'évolution rapide des structures cérébrales chez le fœtus nécessitent une nouvelle modélisation du cerveau. Le travail de cette thèse est composé de deux parties. Tout d'abord, nous avons modifié l'algorithme FCM (Fuzzy C-Means) de manière à permettre une meilleure prise en compte du bruit et du biais de l'image grâce à la méthode des moyennes non-locales issue du débruitage d'image. Ces travaux ont fait l'objet d'une validation à partir de bases d'images synthétiques et réelles. Enfin, nous nous sommes penchés sur la problématique de la segmentation des tissus cérébraux en IRM fœtale, et nous avons introduit un modèle comportant des contraintes topologiques de manière à permettre une segmentation séquentielle des tissus, en se fondant sur la position relative des différentes structures. Ces travaux ont fait l'objet d'une validation à partir de cas réels. / The study of cerebral maturation aims at a better understanding of the brain's development during the pregnancy and the high lightment of the links between the change in cerebral structures and the cognitive development. This study is particularly difficult because of the constant evolution of these structures during the pregnancy. This evolution is due to the growing and the organisation of the different cerebral tissues. The preferred visualisation technique used to observe the brain is the magnetic resonance imaging (MRI), which is a non invasive acquisition technique of in vivo 3D cerebral images with a relative high resolution. Nevertheless, significant anatomical differences and the fast evolution of the fetal cerebral structures require a new modelisation of the brain. This thesis is divided in two parts. First, we modified the Fuzzy C-Means (FCM) algorithm in order to allow a better consideration of images noise and intensity bias thanks to the non-local means method, originaly elaborated for denoising purposes. These work were validated with databases of simulated and real images. Finally, we focused on the segmentation of cerebral tissues in fetal MRI by introducing topological constraints in order to obtain a sequential segmentation, based on relative positions of the tissus. These work were validated with real cases.

Ce travail se situe dans le domaine du diagnostic des processus défini comme étant l'identification de ses états fonctionnels. Dans le cas où l'obtention d'un modèle précis du processus est délicate ou impossible, la connaissance sur le système peut être extraite à partir des signaux obtenus lors d'un fonctionnement normal ou anormal en incluant des mécanismes d'apprentissage. Cette connaissance s'organise sous l'aspect d'une partition de l'espace des données sous forme de classes (représentant les états du système). Parmi les techniques d'apprentissage, celles incluant de la logique floue ont l'avantage d'exprimer les appartenances d'un individu à plusieurs classes, ceci permet de mieux connaître la situation réelle du système et prévoir des changements vers des états de défaillance. Nonobstant leurs performances adéquates, leur forte dépendance aux paramètres d'initialisation est une difficulté pour l'apprentissage. Cette thèse se situe dans l'amélioration de ces techniques, en particulier notre objectif est l'élaboration d'une méthode permettant de valider et d'adapter automatiquement la partition de l'espace de données obtenue par une technique de classification floue. Elle permet de trouver automatiquement une partition optimale en termes de compacité et de séparation des classes, à partir uniquement de la matrice des degrés d'appartenance obtenue par une classification antérieure. Cette méthode est donc une aide importante donnée à l'expert du processus pour établir les états fonctionnels dans l'implémentation d'une technique de surveillance d'un procédé complexe. Son application est illustrée sur des exemples académiques et sur le diagnostic de 3 procédés chimiques.

Cette étude traite de l’identification de système dynamique non-linéaire. Une architecture multimodèle capable de surmonter certaines difficultés de l’architecture neuronale de type MLP a été étudiée. L’approche multimodèle consiste à représenter un système complexe par un ensemble de modèles de structures simples à validité limitée dans des zones bien définies. A la place de la structure affine des modèles locaux généralement utilisée, cette étude propose une structure polynômiale plus générale, capable de mieux appréhender les non-linéarités locales, réduisant ainsi le nombre de modèles locaux. L’estimation paramétrique d’une telle architecture multimodèle peut se faire suivant une optimisation linéaire, moins coûteuse en temps de calcul que l’estimation paramétrique utilisée dans une architecture neuronale. L’implantation des multimodèles récurrents, avec un algorithme d’estimation paramétrique plus souple que l’algorithme de rétro-propagation du gradient à travers le temps utilisé pour le MLP récurrent a également été effectuée. Cette architecture multimodèle permet de représenter plus facilement des modèles non-linéaires bouclés tels que les modèles NARMAX et NOE. La détermination du nombre de modèles locaux dans une architecture multimodèle nécessite la décomposition (le partitionnement) de l’espace de fonctionnement du système en plusieurs sous-espaces où sont définies les modèles locaux. Des modes de partitionnement flou (basé sur les algorithmes de« fuzzy-c-means », de « Gustafson et Kessel » et du « subtractive clustering ») ont été présentés. L’utilisation de telles méthodes nécessite l’implantation d’une architecture multimodèle où les modèles locaux peuvent être de structures différentes : polynômiales de degrés différents, neuronale ou polynômiale et neuronale. Une architecture multimodèle hétérogène répondant à ses exigences a été proposée, des algorithmes d’identification structurelles et paramétriques ont été présentés. Une étude comparative entre les architectures MLP et multimodèle a été menée. Le principal atout de l’architecture multimodèle par rapport à l’architecture neuronale de type MLP est la simplicité de l’estimation paramétrique. Par ailleurs, l’utilisation dans une architecture multimodèle d’un mode de partitionnement basé sur la classification floue permet de déterminer facilement le nombre de modèles locaux, alors que la détermination du nombre de neurones cachés pour une architecture MLP reste une tâche difficile / This work deals with non linear dynamical system identification. A multiple model architecture which overcomes certain insufficiencies of MLP neural networks is studied. Multiple model approach consists of modeling complex systems by mean of a set of simple local models whose validity are limited in well defined zones. Instead of using conventional affine models, a more general polynomial structure is proposed in this study, enabling to better apprehend local non linearities, reducing thus the number of local models. Models parameters of such a structure are estimated by linear optimization, which reduces computation time with respect to parameter estimation of a neural network architecture. The implementation of recurrent multiple models, with a more convenient learning algorithm than the back propagation through time, used in recurrent MLP models, is also studied. Such implementations facilitate representation of recurrent models like NARMAX and NOE. The determination of the number of local models in a multiple model architecture requires decomposition of system’s feature space into several sub-systems in which local models are defined. Fuzzy partitioning methods (based of « fuzzy-c-means », « Gustafson and Kessel » and « subtractive clustering »algorithms) are presented. The use of such methods requires the implementation of a multiple model architecture where local models can have different structures : polynomial with different degrees, neural or polynomial and neural. A multiple model with a heterogeneous architecture satisfying these requirements is proposed and structural and parametrical identification algorithms are presented. A comparative study between multiple model and MLP architectures is done. The main advantage of the multiple model architecture is the parameter estimation simplicity. In addition, the use of fuzzy partitioning methods in multiple model architecture enables to find easily the number of local models while the determination of hidden neurons in an MLP architecture remains a hard task

Les travaux présentés dans cette thèse traitent de l'apport de l'incertitude, de l'imprécision et de l'a priori en traitement d'images médicales, dans le cadre d'outils d'aide au diagnostic des pathologies conséquentes de l'obésité et du surpoids. Deux parties composent ce travail : une modélisation du signal IRM d'une séquence prototype fournie par GE, et une méthode de classification floue adaptée pour répondre aux attentes des experts radiologistes et anatomopathologistes. Le signal IRM est issu des différents constituants du voxel. Afin de déterminer la proportion de graisse dans le tissu, les signaux issus de l'eau et de la graisse sont déterminées par régression à partir des images IRM obtenues en prenant en compte un a priori sur le bruit présent sur les images. Considéré de Gauss sur les images réelles et imaginaires, et de Rice sur les images amplitudes, cet a priori sur le bruit a permis de mettre en évidence l'apport de l'utilisation des données brutes lors de la quantification de la proportion de graisse et d'eau par rapport à une quantification uniquement effectuée sur les données amplitudes. La méthode de classification présentée ici permet une dépendance à longue distance lors du calcul des centroïdes. Cette méthode combinée à un algorithme de connectivité floue est adaptée à la mesure de la graisse viscérale et souscutanée. Elle fut également utilisée pour la quantification des vacuoles de triglycérides présentes sur des biopsies hépatiques. De part la proportion très hétérogène des vacuoles de stéatose, fonction du degré de la pathologie, nous avons amélioré l'algorithme de classification par une supervision permettant d'orienter la classification afin de se dédouaner de cette hétérogénéité. La classification est ensuite combinée à un système expert permettant d'éliminer les erreurs de classification survenues. L'ensemble des méthodes fut évalué dans le cadre d'expérimentations animales et de différents protocoles de recherche clinique.

Modéliser le comportement des aquifères est primordial, notamment en Inde, où l'on observe une diminution drastique des niveaux piézométriques du fait des prélèvements intensifs de l'irrigation agricole. L'objectif de ce doctorat est de simuler la distribution spatiale de la percolation (infiltration profonde) à l'échelle du bassin versant. Ce travail, effectué dans le cadre du programme de coopération franco-indien initié par le BRGM, est appliqué au bassin versant de Maheshwaram, situé dans l'Etat de l'Andhra Pradesh. L'outil numérique choisi est le système de modélisation « POWER » (Planner Oriented Watershed modeling system for Environmental Responses) développé au sein du LTHE et en collaboration avec l'entreprise d'hydro-informatique Hydrowide. La première étape de l'étude consiste en un travail de terrain, visant à estimer in-situ les différents paramètres hydrodynamiques des sols (e.g., conductivité hydraulique à saturation, paramètres de rétention en eau), ainsi que les propriétés texturales des sols (e.g., granulométrie, épaisseurs des horizons du profil des sols). Afin d'extrapoler ensuite ces observations expérimentales à l'échelle spatiale de la modélisation, une procédure spécifique mariant la géologie, la pédologie, la physique du sol, l'information sur la topographie et la technique de la classification floue est développée. Les diverses propriétés de ces sols sont alors résumées dans la Carte des Sols, nécessaire au système de modélisation POWER. Les résultats numériques sont ensuite présentés. Le bassin versant est discrétisé en 3171 entités irrégulières selon la procédure-SIG spécifique de POWER, qui tient compte du MNT, de la carte des sols et de l'occupation des sols. Le modèle est calibré à l'aide de cinq profils d'humidité des sols mesurés localement avec une sonde à neutrons. La distribution spatiale de la percolation sur le bassin versant est enfin calculée au pas de temps journalier sur les années 2001 à 2003.