École de technologie supérieure
Diagnostic de la maladie d’Alzheimer par fusion d’images IRM et TEP avec segmentation de tissus floue-génétique-possibiliste et classification par SVDD
Abstract
dc:descriptionLes systèmes de diagnostic assisté par ordinateur (DAO) interviennent pour aider les neuroradiologues et d’autres professionnels de la santé à établir un diagnostic pertinent de l’état des patients, en offrant un effet synergique entre des méthodes d’apprentissage automatique par ordinateur et ces professionnels. Dans ce cadre, cette thèse propose un système de DAO pour diagnostiquer la maladie d'Alzheimer (MA), selon deux modules principaux. Le premier module a pour tâche la segmentation des tissus cérébraux basée sur la fusion des images multimodales anatomique (IRM) et fonctionnelle (TEP), et prenant en compte les effets du bruit, de l'inhomogénéité d’intensité, de volume partiel dans les voxels, de variation anatomique au sein des compartiments de tissus purs et des modifications de volume tissulaire résultantes de la MA et du traitement. L’approche développée repose sur la logique floue, la théorie des possibilités et les algorithmes génétiques afin d’assurer un modèle adéquat pour chaque image traitée et dont les paramètres sont optimisés. Le processus suit les étapes suivantes : (1) modélisation du degré de relation entre les voxels et les tissus cérébraux correspondants ; (2) fusion à l'aide d'un opérateur conjonctif possibiliste afin de fusionner les cartes floues des images IRM et TEP ; (3) décision fournissant deux types d’images, des images étiquetées en tissus cérébraux et des images de synthèse anatomo-fonctionnelles qui identifient les zones cérébrales affectées par la MA. Le second module a pour tâche la classification des images fusionnées et segmentées afin de distinguer les patients atteints de la MA de sujets normaux. L’approche développée exploite le modèle de description de données par vecteurs de support (SVDD), une technique apparentée aux séparateurs à vastes marges, avec l’avantage additionnel d’un apprentissage non supervisé et un grand pouvoir de détection des données aberrantes. La stratégie « diviseret- conquérir » est appliquée pour réduire les coûts de calcul et surmonter le problème d'échelle du classifieur SVDD. Les expériences de validation menées sur des images cérébrales réelles et synthétiques (tirées de bases de données standard ADNI et OASIS) de patients atteints de la MA montrent de bons résultats. Ainsi, la performance visuelle de l'approche de segmentation proposée montre une bonne concordance entre les images de référence et celles segmentées par l’approche proposée, comme l’attestent les coefficients de Tanimoto et la similarité de Jaccard. Quant à la classification par SVDD, les métriques de performance communes comme la précision de classification (AC), la sensibilité (SE), la spécificité (SP) et l’aire sous la courbe (AUC) montrent aussi de bons résultats. Plus précisément, la validation croisée à 10 tours montre clairement la supériorité du système de DAO proposé par rapport à des systèmes concurrents, avec un pourcentage (%) de classification en termes de AC, SE, SP et AUC de 93.65, 90.08, 92.75 et 97.3 pour l’ADNI ; 91.46, 92, 91.78 et 96.7 pour l’OASIS et 85.09, 86.41, 84.92 et 94.6 pour les images réelles. Le travail est décrit dans trois articles. L’article 1 décrit un modèle hybride de segmentation basé sur les AG, l’algorithme des c-moyennes floues et l’algorithme des c-moyennes possibilistes (PCM). Dans l’article 2, afin d’augmenter la robustesse face aux bruit et artefacts, l’algorithme PCM est remplacé dans le modèle hybride par son analogue c-moyennes possibilistes floues. Finalement, l’article 3 décrit un système complet de DAO, dont la classification est basée sur le modèle SVDD et sur la stratégie « diviser-et-conquérir », alors que la segmentation est basée d’une part sur la fusion multimodale et d’autre part sur le modèle hybride à base des AG, l’algorithme des c-moyennes floues corrigées par biais et l’algorithme des c-moyennes floues possibilistes.
Degree
thesis:*- Name thesis:degree_name
- Thèse de doctorat électronique
- Level thesis:degree_level
- phd
- Grantor dc:publisher
- École de technologie supérieure
- Year dc:date
- 2021
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- Lazli, Lilia
Subjects
dc:subject × 1Rights
- Language dc:language
- fr
Identifiers
dc:identifier.*- Identifier
- INSERT-YOUR-LIBRARY-ID-HERE2773