Bundling : une Technique de Réduction d'Occultation par Agrégation Visuelle et son Application à l'Étude de la Maladie d'Alzheimer - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2017

Bundling, graph simplification with visual aggregation:and implementation for Alzheimer desease

Bundling : une Technique de Réduction d'Occultation par Agrégation Visuelle et son Application à l'Étude de la Maladie d'Alzheimer

Antoine Lhuillier

Résumé

Dense and complex data visualizations suffer from occluded items, which hinders insight retrieval. This is especially the case for very large graph or trails set. To address cluttering issues, several techniques propose to visually simplify the representation, often meeting scalability and computational speed limits. Among them, bundling techniques provide a visual simplification of node-link diagrams by spatially grouping similar items. This thesis strives to bridge the gap between the technical complexity of bundling techniques and the end-point user. The first aim of this thesis was to improve the understanding of graph and trail bundling techniques as a clutter reduction method for node-link diagrams of large data-set. To do so, we created a data-based taxonomy that organizes bundling methods on the type of data they work on. From this thorough review and based on a formal definition of path bundling, we propose a unified framework that describes the typical steps of bundling algorithms in terms of high-level operations and show how existing methods classes implement these steps. In addition, we propose a description of tasks that bundling aims to address and demonstrate them through a wide set of applications. Although many techniques exist, handling large data-sets and selectively bundling paths based on attributes is still a challenge. To answer the scalability and computational speed issues of bundling techniques, we propose a new technique which improves both. For this, we shift the bundling process from the image to the spectral space, thereby increasing computational limits. We address the later by proposing a streaming scheme allowing bundling of extremely large data-sets. Finally, as an application domain, we studied how bundling can be used as an efficient visualization technique for societal health challenges. In the context of a national study on Alzheimer disease, we focused our research on the analysis of the mental representation of geographical space for elderly people. We show that using bundling to compare the cognitive maps of dement and non-dement subjects helped neuro-psychologist to formulate new hypotheses on the evolution of Alzheimer disease. These new hypotheses led us to discover a potential marker of the disease years before the actual diagnosi
Le big data est un challenge majeur de la visualisation ; l’augmentation du nombre de données à visualiser augmente la densité et l’occultation des graphes et il devient difficile de distinguer les éléments qui le compose. Pour résoudre ce challenge, plusieurs techniques de visualisation se focalisent sur la simplification visuelle ; parmi elles, l’agréga- tion visuelle (bundling) permet l’agrégation des liens pour créer des zones de fortes densités au profit d’espaces plus clairsemés faisant ainsi émerger des structures visuelles. Cette thèse s’efforce à faire le trait d’union entre la complexité technique des algorithmes de bundling et les utilisateurs finaux. Dans un premier temps, nous avons formalisé l’espace de design des techniques de bundling afin d’améliorer la compréhension des chercheurs et des utilisateurs. Notre formalisation se fonde sur une taxonomie centrée utilisateur organisant l’ensemble des techniques d’agrégation en fonction des données d’entrée. Ensuite, à partir d’une définition formelle du bundling, nous proposons un modèle générique décrivant l’ensemble des étapes usuelles des algorithmes de bundling et montrons comment les techniques existantes implémentent chaque étape. Enfin, à travers une analyse des tâches, nous exposons des cas d’utilisation avérés. Notre analyse de l’espace des techniques de bundling nous a montré les limites actuelles du bundling quant au trai- tement de grande quantité de données tant en terme de rapidité de calcul qu’en terme de taille des jeux de données. Ainsi, nous avons résolu ces limites en introduisant une nouvelle technique plus rapide et sans limitation de taille : FFTEB (Fast Fourier Transform Edge Bundling Technique). Notre technique déplace le processus d’agrégation de l’espace pixelaire vers l’espace spectral. Enfin, grâce à un processus de transfert des données, FFTEB résout les problèmes de taille de jeux de données. En dernier lieu, dans le cadre d’une application à la maladie d’Alzheimer, cette thèse démontre l’efficacité des techniques de bundling comme outil d’exploration visuelle. Dans le contexte d’une étude nationale sur la maladie d’Alzheimer, nous avons focalisé notre recherche sur l’analyse de la représentation mentale de l’espace géographique chez les personnes âgées. Nous montrons que l’utilisation du bundling pour comparer les cartes mentales des populations démentes et non-démentes a permis à des neuropsychologues de formuler de nouvelles hypothèses sur l’évolution de la maladie d’Alzheimer. Ces nouvelles hypothèses nous ont permis de montrer l’émergence d’un potentiel marqueur de la maladie près de douze ans avant que les patients ne soient diagnostiqués comme atteints de cette maladie.
Fichier principal
Vignette du fichier
2017TOU30307[1].pdf (12.33 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-01894861 , version 1 (12-10-2018)

Licence

Paternité

Identifiants

  • HAL Id : tel-01894861 , version 1

Citer

Antoine Lhuillier. Bundling : une Technique de Réduction d'Occultation par Agrégation Visuelle et son Application à l'Étude de la Maladie d'Alzheimer. Informatique [cs]. Université de Toulouse (Paul Sabatier), 2017. Français. ⟨NNT : 2017TOU30307⟩. ⟨tel-01894861⟩

Collections

ENAC STAR DEVI
204 Consultations
249 Téléchargements

Partager

Gmail Facebook X LinkedIn More