Dans le cadre de cette thèse, nous nous sommes intéressés à l’étude de l’apport d’une aide assistée par ordinateur au diagnostic de certaines maladies dégénératives du cerveau, en explorant les images de tomographie par émission de positons, par des techniques de traitement d’image et d’analyse statistique.Nous nous sommes intéressés à la représentation corticale des 116 régions anatomiques, en associant à chacune d’elles un vecteur d’attribut issu du calcul des 4 premiers moments des intensités de voxels, et en y incluant par ailleurs l’entropie. Sur la base de l’aire de courbes ROC, nous avons établi qualitativement la pertinence de chacune des régions anatomiques, en fonction du nombre de paramètres du vecteur d’attribut qui lui était associé, pour séparer le groupe des sujets sains de celui des sujets atteints de la maladie d’Alzheimer. Dans notre étude nous avons proposé une nouvelle approche de sélection de régions les plus pertinentes, nommée "combination matrix", en se basant sur un système combinatoire. Chaque région est caractérisée par les différentes combinaisons de son vecteur d’attribut. L’introduction des régions les plus pertinentes(en terme de pouvoir de séparation des sujets) dans le classificateur supervisé SVM nous a permis d’obtenir, malgré la réduction de dimension opérée, un taux de classification meilleur que celui obtenu en utilisant l’ensemble des régions. / Our research focuses on presenting a novel computer-aided diagnosis technique for brain Positrons Emission Tomography (PET) images. It processes and analyzes quantitatively these images, in order to better characterize and extract meaningful information for medical diagnosis. Our contribution is to present a new method of classifying brain 18 FDG PET images. Brain images are first segmented into 116 Regions Of Interest (ROI) using an atlas. After computing some statistical features (mean, standarddeviation, skewness, kurtosis and entropy) on these regions’ histogram, we defined a Separation Power Factor (SPF) associated to each region. This factor quantifies the ability of each region to separate neurodegenerative diseases like Alzheimer disease from Healthy Control (HC) brain images. A novel region-based approach is developed to classify brain 18FDG-PET images. The motivation of this work is to identify the best regional features for separating HC from AD patients, in order to reduce the number of features required to achieve an acceptable classification result while reducing computational time required for the classification task.

Les travaux de recherche présentés par l'auteur ont pour objet l'application de techniques d'extraction de connaissances à partir de données (ECD) en biologie. Deux thèmes majeurs de recherche en bio-informatique sont abordés : la recherche d'homologues distants dans des familles de protéines et l'analyse du transcriptome. La recherche d'homologues distants à partir de séquences protéiques est une problématique qui consiste à découvrir de nouveaux membres d'une famille de protéines. Celle-ci partageant généralement une fonction biologique, l'identification de la famille permet d'investiguer le rôle d'une séquence protéique. Des classifieurs ont été développés pour discriminer une superfamille de protéines particulière, celle des cytokines. Ces protéines sont impliquées dans le système immunitaire et leur étude est d'une importance cruciale en thérapeutique. La technique des Séparateurs à Vastes Marges (SVM) a été retenue, cette technique ayant donné les résultats les plus prometteurs pour ce type d'application. Une méthode originale de classification a été conçue, basée sur une étape préliminaire de découverte de mots sur-représentés dans la famille d'intérêt. L'apport de cette démarche est d'utiliser un dictionnaire retreint de motifs discriminants, par rapport à des techniques utilisant un espace global de k-mots. Une comparaison avec ces dernières méthodes montre la pertinence de cette approche en termes de performances de classification. La seconde contribution pour cette thématique porte sur l'agrégation des classifieurs basée sur des essaims grammaticaux. Cette méthode vise à optimiser l'association de classifieurs selon des modèles de comportement sociaux, à la manière des algorithmes génétiques d'optimisation. Le deuxième axe de recherche traite de l'analyse des données du transcriptome. L'étude du transcriptome représente un enjeu considérable, tant du point de vue de la compréhension des mécanismes du vivant que des applications cliniques et pharmacologiques. L'analyse implicative sur des règles d'association, développée initialement par Régis Gras, a été appliquée aux données du transcriptome. Une approche originale basée sur des rangs d'observation a été proposée. Deux applications illustrent la pertinence de cette méthode : la sélection de gènes informatifs et la classification de tumeurs. Enfin, une collaboration étroite avec une équipe INSERM dirigée par Rémi Houlgatte a conduit à l'enrichissement d'une suite logicielle dédiée aux données de puces à ADN. Cette collection d'outils dénommée MADTOOLS a pour objectifs l'intégration de données du transcriptome et l'aide à la méta-analyse. Une application majeure de cette suite utilise les données publiques relatives aux pathologies musculaires. La méta-analyse, en se basant sur des jeux de données indépendants, améliore grandement la robustesse des résultats. L'étude systématique de ces données a mis en évidence des groupes de gènes co-exprimés de façon récurrente. Ces groupes conservent leur propriété discriminante au travers de jeux très divers en termes d'espèces, de maladies ou de conditions expérimentales. Cette étude peut évidemment se généraliser à l'ensemble des données publiques concernant le transcriptome. Elle ouvre la voie à une approche à très grande échelle de ce type de données pour l'étude d'autres pathologies humaines.