Show simple item record

Mathematical methods of image analysis for cross-sectional and longitudinal population studies

dc.contributor.advisorCohen, Laurent David
hal.structure.identifier
dc.contributor.authorFiot, Jean-Baptiste*
dc.date.accessioned2014-04-29T10:00:57Z
dc.date.available2014-04-29T10:00:57Z
dc.date.issued2013-09
dc.identifierhttp://basepub.dauphine.fr/theses/2013PA090053
dc.identifierhttp://www.theses.fr/2013PA090053
dc.identifier2013PA090053
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/13163
dc.description.abstractfrEn médecine, les analyses de population à grande échelle ont pour but d’obtenir des informations statistiques pour mieux comprendre des maladies, identifier leurs facteurs de risque, développer des traitements préventifs et curatifs et améliorer la qualité de vie des patients.Dans cette thèse, nous présentons d’abord le contexte médical de la maladie d’Alzheimer, rappelons certains concepts d’apprentissage statistique et difficultés rencontrées lors de l’application en imagerie médicale. Dans la deuxième partie,nous nous intéressons aux analyses transversales, c-a-d ayant un seul point temporel.Nous présentons une méthode efficace basée sur les séparateurs à vaste marge (SVM)permettant de classifier des lésions dans la matière blanche. Ensuite, nous étudions les techniques d’apprentissage de variétés pour l’analyse de formes et d’images, et présentons deux extensions des Laplacian eigenmaps améliorant la représentation de patients en faible dimension grâce à la combinaison de données d’imagerie et cliniques. Dans la troisième partie, nous nous intéressons aux analyses longitudinales, c-a-d entre plusieurs points temporels. Nous quantifions les déformations des hippocampus de patients via le modèle des larges déformations par difféomorphismes pour classifier les évolutions de la maladie. Nous introduisons de nouvelles stratégies et des régularisations spatiales pour la classification et l’identification de marqueurs biologiques.en
dc.languageen
dc.language.isoenen
dc.subjectImagerie médicaleen
dc.subjectAnalyse de populationen
dc.subjectMaladie d’Alzheimeren
dc.subjectTraitement d’imageen
dc.subjectApprentissage de variétésen
dc.subjectModèle prédictifen
dc.subjectRégularisationen
dc.subjectMarqueur biologiqueen
dc.subjectMedical imagingen
dc.subjectPopulation analysisen
dc.subjectAlzheimer’s diseaseen
dc.subjectImage processingen
dc.subjectManifold learningen
dc.subjectPredictive modelen
dc.subjectRegularizationen
dc.subjectBiomarkeren
dc.subject.ddc515en
dc.titleMéthodes mathématiques d’analyse d’image pour les études de population transversales et longitudinalesfr
dc.titleMathematical methods of image analysis for cross-sectional and longitudinal population studiesen
dc.typeThèseen
dc.subject.classificationrameauImagerie médicale
dc.subject.classificationrameauAlzheimer, Maladie d'
dc.subject.classificationrameauMarqueurs biologiques
dc.subject.classificationrameauAnalyse par cohorte
dc.subject.classificationrameauModèles mathématiques
dc.subject.classificationrameauExploration de données
dc.subject.classificationrameauApprentissage automatique
dc.contributor.editoruniversityUniversité Paris dauphine
dc.description.abstractenIn medicine, large scale population analysis aim to obtain statistical information in order to understand better diseases, identify their risk factors, develop preventive and curative treatments and improve the quality of life of the patients.In this thesis, we first introduce the medical context of Alzheimer’s disease, recall some concepts of statistical learning and the challenges that typically occurwhen applied in medical imaging. The second part focus on cross-sectional studies,i.e. at a single time point. We present an efficient method to classify white matter lesions based on support vector machines. Then we discuss the use of manifoldlearning techniques for image and shape analysis. Finally, we present extensions ofLaplacian eigenmaps to improve the low-dimension representations of patients usingthe combination of imaging and clinical data. The third part focus on longitudinalstudies, i.e. between several time points. We quantify the hippocampus deformations of patients via the large deformation diffeomorphic metric mapping frameworkto build disease progression classifiers. We introduce novel strategies and spatialregularizations for the classification and identification of biomarkers.en
dc.identifier.citationpages244en
dc.identifier.theseid2013PA090053en
dc.subject.ddclabelAnalyseen
dc.rights.embargo2015-12
hal.author.functionaut


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record