Classification des IRM cérébrales pathologiques par une approche hiérarchique

Abstract

Dans ce travail, nous extraire les caractéristiques locales dans le ROI, en utilisant différents types d'entités descripteurs utilisés dans la classification d’apprentissage automatique. Dans ce mémoire, nous avons utilisé deux descripteurs de caractéristiques de bas niveau (GIST et HOG) et un descripteur de caractéristiques de haut niveau (un VGG-VD et alexnet ), enfin une décision est prise en utilisant un nouvelle approche basée sur un prototype hiérarchique (HP) avec de telles caractéristiques est proposée pour classification. A fin de traiter la problématique centrale de cette thèse, nous décrivons en dernier lieu une nouvelle méthode pour la détection des pathologies cérébrales. Le formalisme de cette méthode est assez puissant pour, d’une part caractériser plusieurs types de pathologies et d’autre part, être appliqué afin d’optimiser d’autres méthodes (déjà existantes). La phase expérimentale montre que ces quatre systèmes obtiennent des résultats prometteurs à différents niveaux. Abstract In this work, we are extract the local characteristics in the ROI, using different types of descriptor entities used in classification of the machine learning. In this thesis we have used two low level feature descriptors (GIST and HOG) and one high level feature descriptor (a VGG-VD and alexnet), finally a decision is made using a new prototype based approach. Hierarchical (HP) with such characteristics is proposed for classification.. To address the central issue of this thesis, we describe lastly a new method for brain pathologies detection. The formalism of this method is powerful enough to characterize several types of diseases on the one hand and to be applied for optimizing other existing methods on the other hand. The experimental phase shows that the proposed systems achieve promising results at different levels. ملخص في هذا العمل، استخراجنا الخصائص المحلية ، باستخدام أنواع مختلفة من الواصفات المستخدمة في مجال تصنيف خاصة بتعلم الآلي . في هذه الأطروحة استخدمنا اثنين من واصفات الميزات منخفضة المستوى ) GIST و HOG ) وواصف ميزة عالي المستوى ) VGG-VD و alexnet ( ، وأخيراً تم اتخاذ القرار باستخدام نهج جديد قائم على النموذج الأولي) HP ( مع هذه الخصائص المقترحة للتصنيف. لمعالجة القضية الرئيسية لهذه الأطروحة، نصف أخيرًا طريقة جديدة للكشف عن أمراض الدماغ. هذه الطريقة قادرة على وصف عدة أنواع من الأمراض من ناحية، ومن ناحية أخرى، يمكن تطبيقها من أجل تحسين الأساليب الأخرى )الموجودة بالفعل(. تبين المرحلة التجريبية أن هذه الأنظمة الأربعة تحصل على نتائج واعدة على مستويات مختلفة.

Dans ce travail, nous extraire les caractéristiques locales dans le ROI, en utilisant différents types d'entités descripteurs utilisés dans la classification d’apprentissage automatique. Dans ce mémoire, nous avons utilisé deux descripteurs de caractéristiques de bas niveau (GIST et HOG) et un descripteur de caractéristiques de haut niveau (un VGG-VD et alexnet ), enfin une décision est prise en utilisant un nouvelle approche basée sur un prototype hiérarchique (HP) avec de telles caractéristiques est proposée pour classification. A fin de traiter la problématique centrale de cette thèse, nous décrivons en dernier lieu une nouvelle méthode pour la détection des pathologies cérébrales. Le formalisme de cette méthode est assez puissant pour, d’une part caractériser plusieurs types de pathologies et d’autre part, être appliqué afin d’optimiser d’autres méthodes (déjà existantes). La phase expérimentale montre que ces quatre systèmes obtiennent des résultats prometteurs à différents niveaux. Abstract In this work, we are extract the local characteristics in the ROI, using different types of descriptor entities used in classification of the machine learning. In this thesis we have used two low level feature descriptors (GIST and HOG) and one high level feature descriptor (a VGG-VD and alexnet), finally a decision is made using a new prototype based approach. Hierarchical (HP) with such characteristics is proposed for classification.. To address the central issue of this thesis, we describe lastly a new method for brain pathologies detection. The formalism of this method is powerful enough to characterize several types of diseases on the one hand and to be applied for optimizing other existing methods on the other hand. The experimental phase shows that the proposed systems achieve promising results at different levels. ملخص في هذا العمل، استخراجنا الخصائص المحلية ، باستخدام أنواع مختلفة من الواصفات المستخدمة في مجال تصنيف خاصة بتعلم الآلي . في هذه الأطروحة استخدمنا اثنين من واصفات الميزات منخفضة المستوى ) GIST و HOG ) وواصف ميزة عالي المستوى ) VGG-VD و alexnet ( ، وأخيراً تم اتخاذ القرار باستخدام نهج جديد قائم على النموذج الأولي) HP ( مع هذه الخصائص المقترحة للتصنيف. لمعالجة القضية الرئيسية لهذه الأطروحة، نصف أخيرًا طريقة جديدة للكشف عن أمراض الدماغ. هذه الطريقة قادرة على وصف عدة أنواع من الأمراض من ناحية، ومن ناحية أخرى، يمكن تطبيقها من أجل تحسين الأساليب الأخرى )الموجودة بالفعل(. تبين المرحلة التجريبية أن هذه الأنظمة الأربعة تحصل على نتائج واعدة على مستويات مختلفة.