Mélanges de lois de Student à Échelles Multiples pour la caractérisation de tumeurs par IRM multiparamétrique

Overview & Synopsis

Dans cett étude nous développons une méthode statistique pour la classification de données IRM multiparamétriques permettant de réaliser un contrôle qualité des données (détection de données atypiques), et de construire un dictionnaire de signatures de tumeurs. Une précédente étude se base sur le modèle de mélange de lois gaussiennes dans lequel on cherche à rassembler des observations en groupes (classes) issus de lois gaussiennes. Ce modèle est connu pour sa sensibilité aux valeurs atypiques qui peuvent sensiblement dégrader la pertinence des groupes obtenus. Nous proposons donc d'utiliser des lois de Student généralisées qui permettent d'attribuer un poids à chaque observation dans chaque dimension, de façon à pondérer l'influence des valeurs atypiques sur la forme des groupes. Il en résulte une plus grande flexibilité dans l'ajustement des classes. Nous utilisons ainsi un algorithme d'Expectation-Maximization (EM), ainsi qu'un critère bayésien de sélection de modèle, que nous appliquons sur un échantillon de 37 rats présentant quatre modèles de tumeur. Nous arrivons à détecter des animaux atypiques avant de construire un dictionnaire de tumeurs discriminant fortement les quatre gliomes considérés.