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.

En Imagerie hyperspectrale, les volumes de données acquises atteignent souvent le gigaoctet pour une seule et même scène observée. De ce fait, l'analyse de ces données au contenu physique complexe passe obligatoirement par une étape préliminaire de réduction de la dimensionnalité. Cette réduction a un double objectif, le premier consiste à réduire la redondance et le second permet de faciliter les traitements postérieurs (extraction, classification et reconnaissance de formes) et donc l'interprétation des données. La classification automatique est une étape importante du processus d'extraction de connaissances à partir des données. Elle vise à découvrir la structure intrinsèque d'un ensemble d'objets en formant des regroupements qui partagent des caractéristiques similaires. Dans cette thèse, nous nous intéressons à la réduction de dimension dans le cadre de la classification non supervisée des bandes spectrales. Différentes approches existent, comme celles basées sur la projection (linéaire ou non-linéaire) des données de grandes dimensions sur des sous-espaces de représentation bien choisis ou sur les techniques de sélection de bandes spectrales exploitant des critères de complémentarité-redondance d'information qui ne permettent pas de préserver toute la richesse de l'information apportée par ce type de données. 1 - Nous avons accompli une étude comparative, sur la stabilité et la similarité des algorithmes des méthodes non paramétriques et non supervisée de la projection et aussi de la sélection des bandes utilisées dans la réduction de la dimensionnalité à différents niveaux de bruit déterminés. Les tests sont effectués sur des images hyperspectrales, en classant ces derniers en trois catégories selon leur degré de performance de préserver la quantité d'informations. 2 - Nous avons introduit une nouvelle approche de critère basée sur la di-similarité des attributs spectraux et utilisée dans un espace local sur des matrices de données ; L'approche a servi pour définir un taux de préservation d'un évènement rare dans une transformation mathématique donnée. Cependant, nous avons limitée son application au contexte de la thèse liée à la réduction de la taille des données dans une image hyperspectrale. 3 - Les études comparatives ont permis une première proposition d'approche hybride pour la reduction de la taille d'une image hyperspectrale permettant une meilleure stabilité : BandClustering avec Multidimensional Scaling (MDS). Des exemples sont donnés pour démontrer l'originalité et la pertinence de l'hybridation (BandClust / MDS) de l'analyse effectuée. 4 - La tendance de l'hybridation a été généralisée par la suite en présentant un algorithme hybride adaptatif non supervisé basé sur la logique flou (Fuzzy C means), une méthode de projection comme l'analyse en composante principale (ACP) et un indice de validité d'une classification. Les classifications effectuées par Fuzzy C means permettent d'affecter chaque pixel d'une image hyperspectrale à toutes les classes avec des degrés d'appartenance variant entre 0 et 1. Cette propriété rend la méthode FCM intéressante pour la mise en évidence soit des transitions progressives entre les différentes bandes spectrales ou des hétérogénéités spectrales. Grâce à des méthodes conventionnelles appelées indices de validité de classes, nous avons déterminé le nombre optimal de classes de FCM ainsi que le paramètre de flou. Nous montrons que cette hybridation conduit à un taux de réduction pertinent dans l'imagerie hyperspectrale. Par conséquent, Cet algorithme appliqué à différents échantillons de données hyperspectrales, permet une imagerie spectrale beaucoup plus informative, notamment au niveau de l'hétérogénéité spectrale.

Cette thèse est le fruit de l’interaction de deux disciplines qui sont la détection de changements dans des images multitemporelles et le raisonnement évidentiel à l’aide de la théorie de Dempster-Shafer (DST). Aborder le problème de détection et d’analyse de changements par la DST nécessite la détermination d’un cadre de discernement exhaustif et exclusif. Ce problème s’avère complexe en l’absence des informations a priori sur les images. Nous proposons dans ce travail de recherche un nouvel algorithme de clustering basé sur l’algorithme Fuzzy-C-Means (FCM) afin de définir les classes sémantiques existantes. L’idée de cet algorithme est la représentation de chaque classe par un nombre varié de centroïdes afin de garantir une meilleure caractérisation de classes. Afin d’assurer l’exhaustivité du cadre de discernement, un nouvel indice de validité de clustering permettant de déterminer le nombre optimal de classes sémantiques est proposé. La troisième contribution consiste à exploiter la position du pixel par rapport aux centroïdes des classes et les degrés d’appartenance afin de définir la distribution de masse qui représente les informations. La particularité de la distribution proposée est la génération d’un nombre réduit des éléments focaux et le respect des axiomes mathématiques en effectuant la transformation flou-masse. Nous avons souligné la capacité du conflit évidentiel à indiquer les transformations multi-temporelles. Nous avons porté notre raisonnement sur la décomposition du conflit global et l’estimation des conflits partiels entre les couples des éléments focaux pour mesurer le conflit causé par le changement. Cette stratégie permet d’identifier le couple de classes qui participent dans le changement. Pour quantifier ce conflit, nous avons proposé une nouvelle mesure de changement notée CM. Finalement, nous avons proposé un algorithme permettant de déduire la carte binaire de changements à partir de la carte de conflits partiels. / This thesis is the interaction result of two disciplines that are the change detection in multitemporal images and the evidential reasoning using the Dempster-Shafer theory (DST). Addressing the problem of change detection and analyzing by the DST, requires the determination of an exhaustive and exclusive frame of discernment. This issue is complex when images lake prior information. In this research work, we propose a new clustering algorithm based on the Fuzzy-C-Means (FCM) algorithm in order to define existing semantic classes. The idea of this algorithm is the representation of each class by a varied number of centroids in order to guarantee a better characterization of classes. To ensure the frame of discernment exhaustiveness, we proposed a new cluster validity index able to identify the optimal number of semantic classes. The third contribution is to exploit the position of the pixel in relation to class centroids and its membership distribution in order to define the mass distribution that represents information. The particularity of the proposed distribution, is the generation of a reduced set of focal elements and the respect of mathematical axioms when performing the fuzzy-mass transformation. We have emphasized the capacity of evidential conflict to indicate multi-temporal transformations. We reasoned on the decomposition of the global conflict and the estimation of the partial conflicts between the couples of focal elements to measure the conflict caused by the change. This strategy allows to identify the couple of classes that participate in the change. To quantify this conflict, we proposed a new measure of change noted CM. Finally, we proposed an algorithm to deduce the binary map of changes from the partial conflicts map.