[PDF] Modèles de mélange pour la recherche dimages par le contenu

View - Download Modèles de mélange pour la recherche dimages par le contenu

Previous PDF

Next PDF

Modèlesdemélangepourla

recherched'imagesparlecontenu:

MichelineNAJJAR-Thèsededoctorat

MesdamesBlanc-FeraudL.(Rapporteur)

Guérin-DuguéA.(Rapporteur)

CottenA.

MessieursPauwelsE.

CocquerezJ-P.(Directeurdethèse)

AmbroiseC.(Directeurdethèse)

LaboratoireHeudiasycUMRCNRS6599

UniversitédeTechnologiedeCompiègne

MODÈLESDEMÉLANGEPOURLA

RECHERCHED'IMAGESPARLECONTENU:

RÉSUMÉ

médecinsafindediagnostiqueruneimage.

MOTS-CLÉS:

Fouilled'imagesparlecontenu

Imagesmédicales

Classificationsemi-supervsée

Modèledemélange

AlgorithmeEM

Sélectiondevariables

Segmentationd'image

Théoriedesensemblesdeniveau

MIXTUREMODELSFOR

CONTENTBASEDIMAGERETRIEVAL:

OSTEO-ARTICULARMRIMAGINGAPPLICATION

ABSTRACT

iscalculated. amelioratesearchingresults. toevaluatethesystemsubjectiveefficiency.

KEYWORDS:

ContentbasedImageRetrieval

MedicalImaging

MixtureModel

EMAlgorithm

Semi-SupervisedLearning

FeatureSelection

ImageSegmentation

LevelsetTheory

Lavieestuneperle,conservons-la

précieusement

Lavieestundouxrêve,réalisons-le

entièrement

Amesparents,

àmanièceJoyMary,

Remerciements

final. gréunesoutenanceenlanguefrançaise. etleuramabilité. mescheminsàRoumieh.

Detoutmoncoeur,mercimonDieu...

Tabledesmatières

1Introductiongénérale1

cales.................................24 i iiTABLEDESMATIÈRES

4Apprentissagesemi-supervisé43

TABLEDESMATIÈRESiii

7Conclusiongénérale139

AAlgorithmeEMetmodèlesdemélange145

BLesMachinesàvecteursdesupport153

ivTABLEDESMATIÈRES

CThéoriedescourbesdeniveaux157

Bibliographie171

Chapitre1

Introductiongénérale

Cadredutravail

sontlargementsousexploités. tures: 1

21INTRODUCTIONGÉNÉRALE

ainsisonsuivithérapeutique.

Lespartenairesduprojetsont:

sitédeTechnologiedeCompiègne, delaSanté).

Problématique

Organisationdumémoire

3 ab F tiques. 4.

41INTRODUCTIONGÉNÉRALE

maticienduservice.

Chapitre2

Larecherched'imagesparlecontenu

enmédecine imagesostéo-articulaires. sieursproblèmesseposentalors: etal.,2002). 5

1.interrogationenlangagenaturel,

3.interrogationàl'aidedemots-clés.

versl'interrogationenlangagenaturel. zonepathologique,etc..., l'universsurlequelontravaille. clinique. l'utilisateur. decettethèsesesituedanscecadre.

2.3.1Principe

parlecontenuestfourniefigure2.1.

Ondistingueplusieurstypesd'objectifs:

-Recherched'uneimagespécifique. sèdel'utilisateur. -Constructiondecatégories. dicale -sonétendue, -leprotocoled'acquisitiondesimages, -lecontextepatient, -lasémiologiedelapathologie.

Etenduedudomained'application

comparerdesimages. domainerestreintdomainelarge diversitédesimagesfaibleimportante connaissancespécifiquegénérale spécifique descriptionducontenuobjectiveobjective naturedel'applicationexpertmulti-expert approchemodèlemultimodèle reconnaissancedesformes invariantsspécifiques interactivitélimitécomplexe desituationsintermédiaires. complexe(cf.paragraphe2.8.3).

Contexted'acquisitiondel'image

d'unproduitdecontraste. mêmephénomène.

Connaissancessurledomaine

bienàcesdeuxniveaux: automatiquementceszones.

2.3.4Fossésémantique

connaissancesqu'ilpossède. enmédecine d'imagesexpertisées:

1.Formation

1.sousprogramme4HTSC

2.4Descriptionducontenudesimages11

d'imagesestalorslesuivant: (b)l'étudiantformuleunavissurl'image, considèrecommesemblables. teurdepertinence, connaissanced'unepathologie.

3.Aideaudiagnostic

2.4Descriptionducontenudesimages

2.4.1Attributs

Attributsdeniveaudegris

secondordre. employésenindexation. objects3D(MuraseetNayar,1995).

Texture

recherched'imagesparlecontenu.

2003,chapitre12),nousdistinguons:

1.Lesapprochesparmesuresstatistiques:

2.4Descriptionducontenudesimages13

parHaralicketal.(1973), W -lesfiltresdeLaw(Laws,1979), -lesfiltresdeGabor, -lesondelettes.

3.Lesfiltresoptimisés:

d'optimisation(Unser,1986).

4.Lesmodélisationsautorégressives:

5.Lesapprochesparchampsmarkoviens.

tivetrèsbienprésentée.

Descriptiondeformes

laforme.

2.4Descriptionducontenudesimages15

Descriptiondeformes

Méthodesbaséesfrontières

-ChaînedeFreeman -Périmètre -DescripteursdeFourier -UNLFourier.

Géométrique

-Segmentsducontour -Pointsd'arrêt -Surface -nombred'Euler -Compacité -Elongation -Momentsinvariants -MomentsdeZernike. .Structurelle-Strings2D. .Transformations -Hough -Walsh -Ondelettes. F régionspathologiques. prometteurs.

2.4.2Pointsd'intérêt

3.UniversidadeNovadeLisboa

pourinsérerunmarquagedel'image. indexation.

2.4.3Segmentation

d'interprétationd'images. figure6.7(CocquerezetPhilipp,1995).

Segmentation

Approchesfrontière

Contoursnondéformables

-Méthodesdérivatives -Modèlessurfaciques -Modèlesgéodésiquesactifs -EnsemblesdeniveauxApprochesrégion -Méthodesdeclassification -MéthodesMarkoviennes -Méthodesstructurales F

2.5Indexation17

etal.,1998).

2.5Indexation

tion dontilssontissus. globaleetl'approchepartielle.

1.structureàplat,

2.structurehiérarchique.

respondàchacundecesvecteurs. etal.,1999).

2.6Similarité

images. (VasconcelosetLippman,2000c).

2.7Interactivité

aveccelledel'imagerequête. pitresuivant. médicales classécommelarge(voirtableau2.2). l'articledeMülleretal.(2004).

2.8.1SystèmeIGDS

lesimagessimilaires. différencequadratique. deuxcellulesdusang. retournées.

2.8.2SystèmeASSERT

d'indexation.

FIG.2.6-uneimageHRCTdupoumon.

Extractiondesattributsd'unPBR

Lesattributssontextraitscommesuit:

lysed'imagesbinaires. exemple: lerestedupoumon(attributglobal). prochedupoumon. g-PositiondePBRdanslepoumon.

Indexation

Similarité

sives: requête, mesuréeparunedistanceeuclidienne.

2.8.3SystèmeIRMA

ditionnels

étapesconsécutives:

6.parrapportauxsystèmesstandarddeCBIR

7.recherche(traitéeauniveaudesBlobs).

médicaleàunniveaubasd'abstraction. desrégionsd'intérêt(ROIs). imagedanslabasededonnées. dicales

9.UniversityofCalifornia,LosAngeles

chique: spatialesentreobjetsdeSL. cellequiestprésentée".

2.8.5Synthèse

pardesspécialistes. unexpert. ducontenudel'image.

2.9Notresystème,noschoix

2.3.2).

(voirsection2.3.5).

1.totalementautomatique,

d'uneimageetfairelediagnostic.

Chapitre3

Etatdel'artdelarecherche

parboucledepertinence rencontréesdanslalittérature.

3.1Introduction

expert. boucledepertinence. 27

2.l'utilisateurexpertisecesrésultats;

l'approchestatistique.

3.2.1Termesetnotations

d'unemesuredesimilarité. x=(xj;j=1;:::;p); x=(x(m) j;j=1;:::;pm;m=1;:::;M); m=1pm. basantsurdifférenteshypothèses: imagesannotéesetnon-annotées. n'importequelleimage.

Huang,2000).

optimales.

3.3.1Méthodesheuristiques

rangdesimagesnon-pertinentes.Soit~r(m)

P(respectivement~r(m)

N)lerangmoyencalculé

(m)=(m)~r(m) N ~r(m)

P:(3.1)

3.3.2Méthodesoptimales

téesparl'utilisateur.

ApprocheoptimaledusystèmeMindReader

généraliséedj(xj)vaut: d j(xj)=(rxj)TW(rxj);(3.2)

J=td;(3.3)

souslacontrainte: det(W)=1:(3.4) vecteurrequêter.

ApprocheoptimaledusystèmeMars

laminimisationducritèresuivant:

J=tD;(3.6)

souslescontraintes: M X m=11 u(m)=1etdetW(m)=1;(1mM):(3.7)

ApprocheoptimaledusystèmeRETIN

S(r;x)=MX

m=1 (m)p mX j=1(m) jf(r(m) j;x(m) j)=MX m=1 (m)s(m)(r;x);(3.8) j)sontdesparamètres sinon)etlasimilaritéréelle:

Errj=1

2(yjS(r;xj))2:(3.9)

(m)=(m)@Errj @(m);(3.10) (m) j=(m) j@Errj @(m) j;(3.11) pour1jpmet1mMet2IR+. prototype.

S(P;x)=MX

m=1 (m)s(m)(P;x);(3.12) s (m)(P;x)=P L l=1al;ms(m)(rl;x) PL l=1al;m;(3.13) s (m)(P;x)=P L l=1s(m)(rl;x)2 PL k=1s(k)(rk;x):(3.14) boucledepertinence. exemple.

P(T=xijHt)=P(AtjT=xi;Dt;Ht1)P(T=xijHt1)

PN l=1P(AtjT=xl;Dt;Ht1)P(T=xljHt1);(3.15) avec -Atactiondel'utilisateuràl'instantt, ainsiquelesactionsdel'utilisateur. P sigmoid(A=1=T=xi;fx1;x2g)=1

1+exp((d(x1;xi)d(x2;xi))=):(3.16)

d(x1;x2)=MX m=1w (m)d(m)(x1;x2);(3.17) testspsychophysiques. etnon-pertinentesparl'utilisateur. méthodedesfenêtresdeParzen.

Eneffet,soient:

(structureàplat), g (x)=1 p2ex2

22:(3.18)

G

Plj(x)=X

i2Plg j(i)(xj(i));(3.19) lacomposantej. f(x=P)=pY j=1G

Plj(x):(3.20)

f(x=N)=pY j=1G

Nlj(x);(3.21)

l'image:

J(x)=log(f(P=x))+log(f(N=x)):(3.22)

règlededécision: I (x)=log(f(x=P))+log(f(x=N)) pX j=1(log(GPlj(xj))+log(GNlj(xj))):(3.23)

8i2Pl[Nl;j(i)=xij:(3.24)

8i2Pl;j(i)=DTBj

log(cardinal(Pl));(3.25)

8i2Nl;j(i)=DTBj

log(cardinal(Nl));(3.26) résultatspertinents.

I(x)=12p

X j=10 @ x jP j Pj! 2 x jN jNj! 21

A;(3.27)

oùP=(P siennemodélisantlanon-pertinence). d'inférencebayésienne. classes, g:F!M=f1;:::;Kg x!y; g (x)=argmaxkP(xjy=k):(3.28)

P(xjy=k)=C

kX c k=1 ck1 p(2)pjckje1

2(xck)T1ck(xck):(3.29)

g l'instantt1.

3.4.4Approchesparclassification

unerequêtesimple. manièrenon-supervisée.

TechniqueBoosting

J(x)=lX

i=1 iyiK(xi;x)+0;(3.31)quotesdbs_dbs35.pdfusesText_40

[PDF] cours indexation image

[PDF] indexation d'images par le contenu

[PDF] recherche d'image par contenu visuel

[PDF] comment indexer une image

[PDF] indexation images

[PDF] indexation et recherche d'images

[PDF] descripteurs d'images

[PDF] la bastille paris

[PDF] la bastille 1789

[PDF] qu'est ce que la bastille

[PDF] multiplication a trou cm2

[PDF] bastille place

[PDF] la bastille aujourd'hui

[PDF] soustraction a trou cm2

[PDF] bastille arrondissement