• Aucun résultat trouvé

Mélanges de lois de Student multivariées généralisées : application a la caractérisation de tumeurs par IRM multiparamétrique

N/A
N/A
Protected

Academic year: 2021

Partager "Mélanges de lois de Student multivariées généralisées : application a la caractérisation de tumeurs par IRM multiparamétrique"

Copied!
2
0
0

Texte intégral

(1)

HAL Id: hal-01253576

https://hal.archives-ouvertes.fr/hal-01253576

Submitted on 11 Jan 2016

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Mélanges de lois de Student multivariées généralisées : application a la caractérisation de tumeurs par IRM

multiparamétrique

Alexis Arnaud, Florence Forbes, Nicolas Coquery, Benjamin Lemasson, Emmanuel Barbier

To cite this version:

Alexis Arnaud, Florence Forbes, Nicolas Coquery, Benjamin Lemasson, Emmanuel Barbier. Mélanges de lois de Student multivariées généralisées : application a la caractérisation de tumeurs par IRM multiparamétrique. Forum de la Recherche en Cancérologie Rhône-Alpes Auvergne, Apr 2015, Lyon, France. �hal-01253576�

(2)

M´ elanges de lois de Student multivari´ ees g´ en´ eralis´ ees :

application ` a la caract´ erisation de tumeurs par IRM multiparam´ etrique

Alexis Arnaud, Florence Forbes, Nicolas Coquery, Benjamin Lemasson & Emmanuel Barbier

Probl´ ematique de l’IRM multiparam´ etrique

• Une session IRM : plusieurs cartes param´etriques.

• Comment g´erer simultan´ement l’ensemble des param`etres physiologiques acquis lors de l’IRM ?

• Comment utiliser l’IRM multiparam´etrique pour la caract´erisation de tumeurs c´er´ebrales ?

➤ Approche adopt´ee : classification des voxels par un m´elange de lois statistiques `a queue lourde.

Donn´ ees r´ eelles d’IRM multiparam´ etriques

• ´echantillon : 37 rats porteurs de tumeurs 9L , C6a , C6b , F98 .

• 5 param`etres physiologiques :

➥ ADC : coefficient de diffusion apparent de l’eau

➥ AUC : perm´eabilit´e des vaisseaux sanguins

➥ CBV : volume c´er´ebral sanguin

➥ CBF : d´ebit c´er´ebral sanguin

➥ StO

2

: saturation en oxyg`ene des tissus

• 3 r´egions d’int´erˆet :

Tumeur ➤

➤ Cortex

➤ Striatum

Classification statistique des pixels

• classification non supervis´ee des IRM multiparam´etriques par m´elange ind´ependant de lois de Student multivari´ees g´en´eralis´ees

• choix du nombre de classes par minimisation du Crit`ere d’Information Bay´esien (BIC) : ici 10 classes

Construction d’un dictionnaire de signatures par r´ egion d’int´ erˆ et

• d´etection et exclusion de donn´ees atypiques : ici 1 rat sur la base de sa signature de tissu

sain

• constitution d’un dictionnaire de signatures pour classer les rats suivant le type de tumeur implant´ees

Pertinence du dictionnaire

Utilisation d’une proc´edure leave-one-out :

• 84 . 6% de vrai-positifs lors une pr´ec´edente ´etude

• 97 . 3% de vrai-positifs avec les lois de Student g´en´eralis´ees

Conclusion

L’utilisation des lois de Student multivari´ees ´etendues permet de r´ealiser des signatures IRM de tumeurs avec un grand pouvoir pr´edictif.

Cependant, cette approche n´ecessite la d´elimitation manuelle de r´egions `a caract´eriser.

Perspectives de recherche :

utilisation de tranches enti` eres

• utilisation des coupes enti`eres de cerveau pour la classification

• d´elimitation automatique des r´egions d’int´erˆet consid´er´ees comme r´egions atypiques

• incorporation de la d´ependance spatiale des pixels par un champ de Markov latent

• analyse de la sensibilit´e des param`etres

➦ Exemple d’un pipeline d’analyse en cours d’´evaluation :

R´ ef´ erences

1. N. Coquery, O. Francois, B. Lemasson, C. Debacker, R. Farion, C. Rmy, E. Barbier. Microvascular MRI and unsupervised clustering yields histology-resembling images in two rat models of glioma. Journal of Cerebral Blood Flow & Metabolism, 2014 Aug ; 34(8) :1354-62.

2. F. Forbes and D. Wraith. A new family of multivariate heavy-tailed distributions with variable marginal amounts of tailweights : Application to robust clustering. Statistics and Computing, 2014 Nov ; 24(6) :971-984.

Références

Documents relatifs

Cette thématique impose généralement aux joueurs une identité fictive, qui peut être définie comme le rôle ou statut que chaque joueur se voit attribué lorsque, s’engageant dans

MOTS CLEFS : lettre de liaison de sortie ; communication ville-hôpital ; médecin traitant ; continuité des soins ; parcours de soins ; messagerie sécurisée de santé. ---

être illustré à travers l’exemple de la Ligue 1 française de football. Cette dernière a pu être fustigée par les médias pour la forte propension de ses matchs à se solder

Brain abnormalities detection in de Novo Parkinsonian patients Verónica Muñoz Ramírez, Florence Forbes, Alexis Arnaud, Michel Dojat.. To cite this version: Verónica Muñoz

For image analysis or spatial data clustering, dependencies or contextual information can be taken into account using HMRF models, which can be seen as a generalization of

Tumor classification and prediction using robust multivariate clustering of multiparametric MRI Alexis Arnaud 1,2 , Florence Forbes 1,2 , Benjamin Lemasson 3,4 , and Emmanuel L

This is done using explicit transformations from the unobserved parameter space (ob- ject space) to each of the observed spaces (sensor spaces). Hence, the proposed model is able

However, using our ap- proach, we obtain both object boundaries and improved dis- parity maps as in (d-e).These results show the value of the joint model, and the effectiveness of