LIP6 2000/031
- Soutenance de thèse
Modélisation de séquence par techniques adaptatives : prévision de décharges de batterie et extraction de contours dans des images médicales - O. Gérard
- 241 pages - 29/06/1999- document en - http://www.lip6.fr/lip6/reports/2000/lip6.2000.031.ps.gz - 5,588 Ko
- Contact : gerard (at) nulllep-philips.fr
- Ancien Thème : APA
- Mots clés : Réseau de neurones, méthode adaptative, prévision de décharge, batterie rechargeable, détection de contour, image médicale
- Directeur de la publication : Valerie.Mangin (at) nulllip6.fr
L'objet de cette thèse est de proposer et de développer une méthode générale et robuste permettant de traiter deux types de problématique de traitement de séquences.
L'approche générale se fonde sur une modélisation pertinente du phénomène observé et sur l'inférence statistique des paramètres de cette modélisation et de leurs variations. Pour les deux problématiques, nous avons développé des systèmes hiérarchiques et hybrides, tirant parti des capacités d'approximateurs universels des réseaux de neurones et intègrant de la connaissance a priori sur le problème.
Le premier problème traité s'inscrit dans le cadre général de la prévision du comportement d'un système dynamique évoluant selon le contexte. Plus précisément, nous avons proposé un nouveau système hiérarchique et évolutif pour prévoir la fin de décharge de batteries rechargeables alimentant un appareil portable. Le modèle originalproposé utilise deux réseaux de neurone. Le premier est un simple modèle d'une courbe de décharge alors que le second est responsable de l'adaptation aux données contextuelles et estime les paramètres du premier réseau. La version incrémentale proposée permet une adaptation en ligne aux variabilités comportementales des batteries. Les résultats obtenus sont bons avec une erreur moyenne de 6 minutes pour un événement qui peut intervenir dans un intervalle de 10 heures.
Le second problème abordé consiste en l'extraction automatique d'un contour dans des images médicales : le contour du ventricule gauche dans des images angiocardiographiques.
La délinéation précise de cet objet sert de base à la mesure de quantités très utiles au diagnostic de maladies cardio-vasculaires. Le système proposé utilise le plus possible de l'information a priori de haut niveau afin de restreindre la recherche vers le contour le plus probable. Cette recherche se base sur un modèle hybride réseau de neurones - chaîne de Markov cachée. Les résultats prometteurs obtenus démontrent l'intérêt de cette démarche.
L'approche générale se fonde sur une modélisation pertinente du phénomène observé et sur l'inférence statistique des paramètres de cette modélisation et de leurs variations. Pour les deux problématiques, nous avons développé des systèmes hiérarchiques et hybrides, tirant parti des capacités d'approximateurs universels des réseaux de neurones et intègrant de la connaissance a priori sur le problème.
Le premier problème traité s'inscrit dans le cadre général de la prévision du comportement d'un système dynamique évoluant selon le contexte. Plus précisément, nous avons proposé un nouveau système hiérarchique et évolutif pour prévoir la fin de décharge de batteries rechargeables alimentant un appareil portable. Le modèle originalproposé utilise deux réseaux de neurone. Le premier est un simple modèle d'une courbe de décharge alors que le second est responsable de l'adaptation aux données contextuelles et estime les paramètres du premier réseau. La version incrémentale proposée permet une adaptation en ligne aux variabilités comportementales des batteries. Les résultats obtenus sont bons avec une erreur moyenne de 6 minutes pour un événement qui peut intervenir dans un intervalle de 10 heures.
Le second problème abordé consiste en l'extraction automatique d'un contour dans des images médicales : le contour du ventricule gauche dans des images angiocardiographiques.
La délinéation précise de cet objet sert de base à la mesure de quantités très utiles au diagnostic de maladies cardio-vasculaires. Le système proposé utilise le plus possible de l'information a priori de haut niveau afin de restreindre la recherche vers le contour le plus probable. Cette recherche se base sur un modèle hybride réseau de neurones - chaîne de Markov cachée. Les résultats prometteurs obtenus démontrent l'intérêt de cette démarche.