Le travail effectué durant cette thèse concerne l'étude des méthodes d'Extraction de Connaissances à partir de Données (ECD) dans le cadre des Systèmes d'Information Géographiques (SIG). Nous avons non seulement mis en œuvre et amélioré des méthodes d'ECD classique (Classification de Données, Visualisation de Classifications) mais aussi des méthodes d'ECD spatiales liées à des méthodes d'analyse spatiale (Lissage Spatial, Détermination de Pôles, Sectorisation). Nous avons effectué notre travail de recherche au sein de la société GÉOBS spécialisée dans l'analyse des données géographiques (spatiales), et nous avons donc expérimenté, appliqué et vérifié ces méthodes sur des jeux de données fournis par GÉOBS et liés à des problématiques de Développement Économique, de Géomarketing, d'Analyse de Risque, d'Environnement, de Santé, etc. Ce mémoire offre une vision globale concernant un ensemble de problématiques et de méthodes d'analyse. Il met ainsi en avant la complémentarité des méthodes utilisées qui sont souvent connectées entre elles soit du point de vue technique soit du point de vue de leur utilisation. Finalement, ce fut un travail très enrichissant car il a touché à de nombreuses problématiques et à d'aussi nombreuses méthodes d'extraction de connaissances.

Ce manuscrit se compose de 3 grandes parties. La première présente d'une part, un court curriculum vitae et d'autre part, une notice exposant l'ensemble de mes activités en matière d'enseignement, de recherche, d'administration et autres responsabilités individuelles et collectives depuis 1997. La deuxième grande partie est consacrée à une description du projet de recherche mené au CRAN depuis 2002-2003, dans le domaine de la caractérisation de tissus biologiques à l'aide de méthodes d'imagerie et de spectroscopie optique UV-Visible, au travers d'une approche "multi-échelles" et "multi-modalités". Leurs applications notamment au photodiagnostic in vivo en cancérologie (vessie, peau) sont développée au travers de 2 axes de recherche en : - imagerie endoscopique panoramique en lumière blanche (LB) et fluorescence (F), avec la construction automatique et rapide d'images panoramiques de parois internes de vessies par recalage et mosaïquage des images cystoscopiques, les validations quantitatives et qualitatives des performances des algorithmes développés, et la validation de la superposition d'images panoramiques LB/F au moyen d'un système d'excitation et d'acquisition Visible/UV multiplexées dans le temps, - spectroscopie fibrée d'autofluorescence (AF) et de diffusion élastique (DE) résolue spatialement, avec le développement et la validation métrologique d'un système de multiple excitation d'AF 360- 460 nm et de DE 360-760 nm, le traitement des données spectroscopiques multi-dimensionnelles, l'extraction, la sélection et la classification supervisée / non-supervisée de caractéristiques spectrales, l'identification de paramètres optiques de tissus à l'aide de simulations statistiques (Monte Carlo, modèles multi-couches), enfin l'application de la méthode à plusieurs études de différenciation in vivo entre les états sains/inflammatoires/cancéreux de la vessie de rats et entre les états sains/hyperplasiques/dysplasiques de la peau de souris. Pour chacun de ces axes, les problématiques, objectifs, principaux résultats et perspectives sont précisées. Finalement, la troisième et dernière grande partie de ce manuscrit donne la production scientifique et la version intégrale de plusieurs articles représentatifs.

La radiothérapie est une des méthodes principales utilisée dans le traitement thérapeutique des tumeurs malignes. Pour améliorer son efficacité, deux problèmes essentiels doivent être soigneusement traités : la prédication fiable des résultats thérapeutiques et la segmentation précise des volumes tumoraux. La tomographie d’émission de positrons au traceur Fluoro- 18-déoxy-glucose (FDG-TEP) peut fournir de manière non invasive des informations significatives sur les activités fonctionnelles des cellules tumorales. Les objectifs de cette thèse sont de proposer: 1) des systèmes fiables pour prédire les résultats du traitement contre le cancer en utilisant principalement des caractéristiques extraites des images FDG-TEP; 2) des algorithmes automatiques pour la segmentation de tumeurs de manière précise en TEP et TEP-TDM. La théorie des fonctions de croyance est choisie dans notre étude pour modéliser et raisonner des connaissances incertaines et imprécises pour des images TEP qui sont bruitées et floues. Dans le cadre des fonctions de croyance, nous proposons une méthode de sélection de caractéristiques de manière parcimonieuse et une méthode d’apprentissage de métriques permettant de rendre les classes bien séparées dans l’espace caractéristique afin d’améliorer la précision de classification du classificateur EK-NN. Basées sur ces deux études théoriques, un système robuste de prédiction est proposé, dans lequel le problème d’apprentissage pour des données de petite taille et déséquilibrées est traité de manière efficace. Pour segmenter automatiquement les tumeurs en TEP, une méthode 3-D non supervisée basée sur le regroupement évidentiel (evidential clustering) et l’information spatiale est proposée. Cette méthode de segmentation mono-modalité est ensuite étendue à la co-segmentation dans des images TEP-TDM, en considérant que ces deux modalités distinctes contiennent des informations complémentaires pour améliorer la précision. Toutes les méthodes proposées ont été testées sur des données cliniques, montrant leurs meilleures performances par rapport aux méthodes de l’état de l’art. / Radiation therapy is one of the most principal options used in the treatment of malignant tumors. To enhance its effectiveness, two critical issues should be carefully dealt with, i.e., reliably predicting therapy outcomes to adapt undergoing treatment planning for individual patients, and accurately segmenting tumor volumes to maximize radiation delivery in tumor tissues while minimize side effects in adjacent organs at risk. Positron emission tomography with radioactive tracer fluorine-18 fluorodeoxyglucose (FDG-PET) can noninvasively provide significant information of the functional activities of tumor cells. In this thesis, the goal of our study consists of two parts: 1) to propose reliable therapy outcome prediction system using primarily features extracted from FDG-PET images; 2) to propose automatic and accurate algorithms for tumor segmentation in PET and PET-CT images. The theory of belief functions is adopted in our study to model and reason with uncertain and imprecise knowledge quantified from noisy and blurring PET images. In the framework of belief functions, a sparse feature selection method and a low-rank metric learning method are proposed to improve the classification accuracy of the evidential K-nearest neighbor classifier learnt by high-dimensional data that contain unreliable features. Based on the above two theoretical studies, a robust prediction system is then proposed, in which the small-sized and imbalanced nature of clinical data is effectively tackled. To automatically delineate tumors in PET images, an unsupervised 3-D segmentation based on evidential clustering using the theory of belief functions and spatial information is proposed. This mono-modality segmentation method is then extended to co-segment tumor in PET-CT images, considering that these two distinct modalities contain complementary information to further improve the accuracy. All proposed methods have been performed on clinical data, giving better results comparing to the state of the art ones.