Dictionary Learning for Pattern Classification in Medical Imaging
Apprentissage de dictionnaires
pour la reconnaissance de motifs en imagerie médicale
Hrishikesh DESHPANDE
équipe-projet VIsAGeS
Directeur de thèse: Christian Barillot
PhD's defense - 8th July 2016
The slides (pdf)
Daniel Rueckert , Professeur, Imperial College London, Royaume-Uni,
Carole Lartizien, Chargée de recherche, CNRS, INSA Lyon, France,
Rémi Gribonval, Directeur de Recherche, INRIA Rennes, France,
Alexandre Gramfort, Maître de Conférences, CNRS LTCI, Télécom ParisTech, France,
Christian Barillot, Directeur de Recherche, CNRS, INRIA Rennes, France,
Pierre Maurel, Maître de Conférences, Université de Rennes 1, France
La plupart des signaux naturels peuvent être représentés par une combinaison linéaire de quelques atomes dans un dictionnaire. Ces représentations parcimonieuses et les méthodes d'apprentissage de dictionnaires (AD) ont suscité un vif intérêt au cours des dernières années. Bien que les méthodes d'AD classiques soient efficaces dans des applications telles que le débruitage d'images, plusieurs méthodes d'AD discriminatifs ont été proposées pour obtenir des dictionnaires mieux adaptés à la classification. Dans ce travail, nous démontrons que la taille des dictionnaires de chaque classe est un facteur crucial dans les applications de reconnaissance des formes lorsqu'il existe des différences de variabilité entre les classes, à la fois dans le cas des dictionnaires classiques et des dictionnaires discriminatifs. Nous avons validé la proposition d'utiliser différentes tailles de dictionnaires, dans une application de vision par ordinateur, la détection des lèvres dans des images de visages, ainsi que par une application médicale plus complexe, la classification des lésions de scléroses en plaques (SEP) dans des images IRM multimodales. Les dictionnaires spécifiques à chaque classe sont appris pour les lésions et les tissus cérébraux sains. La taille du dictionnaire pour chaque classe est adaptée en fonction de la complexité des données. L'algorithme est validé à l'aide de 52 séquences IRM multimodales de 13 patients atteints de SEP.