Distance between distributions : application to Medical Imaging and Aeronautics
Distance entre distributions : application à l'imagerie médicale et à l'aéronautique
Abstract
In the medical field, over the past two decades, a growing number of quantitative image analysis have been developed including regions of interest analysis, voxel-by-voxel analysis and histogram analysis. The latter is widely use in Multiple Sclerosis research to quantify the diffuse pathological prominent in this disease. A disadvantage of this approach is that all the information included in the histogram is not exploited; only arbitrary measures are chosen to describe the histogram; including the average, the median, the percentiles... Thus, first, we proposed to integrate in a classifier all the information included in the histogram and not just some local descriptors, in order to improve the classification performance of the Multiple Sclerosis populations (i.e. groups in therapeutic trials and in fine groups at different prognosis). Thereafter, given that the histogram is an overly simplistic estimate of a probability distribution, we present one of the possible applications of information geometry on probability distributions and we demonstrate the interest of using non-Euclidean geometry in the context of the Alzheimer's disease population classification. Furthermore, we have made the analogy with the field of aeronautics, specifically in the study of flight delays. Indeed, the analysis currently carried out is at a macroscopic level and provides an indicator of average delay, without considering the intermediate mechanisms that may lead to the final delays. Thus, in the clustering of airport delays, we have replaced the average indicator with a more complete parametric statistical model: Distributions.
Dans le domaine médical, au cours des deux dernières décennies, un nombre croissant de méthodes d'analyse d'images quantitatives ont été développées dont l'analyse par régions d'intérêt, l'analyse voxel à voxel et l'analyse d'histogrammes. Cette dernière est largement utilisée dans la cadre de la recherche sur la sclérose en plaques afin de quantifier les changements pathologiques diffus particulièrement présents dans cette maladie. Un inconvénient de cette approche est que l'ensemble des informations incluses dans l'histogramme n'est pas exploité ; seules des mesures arbitraires sont choisies pour décrire l'histogramme ; incluant la moyenne, la médiane, les centiles... Ainsi dans un premier lieu, nous avons proposé d'intégrer dans un classifieur toute l'information incluse dans l'histogramme et non pas seulement quelques descripteurs locaux, dans le but d'améliorer les performances de classification des populations de sclérose en plaques (groupes dans un essai thérapeutique et in fine groupes de pronostics différents). Par la suite, étant donné que l'histogramme est une estimation trop simpliste d'une distribution de probabilité, nous présentons l'une des applications possibles de la géométrie de l'information sur les distributions de probabilité et démontrons l'intérêt de l'utilisation de la géométrie non-euclidienne dans le contexte de la classification des populations de la maladie d'Alzheimer. Nous avons notamment fait l'analogie avec le domaine de l'aéronautique, plus précisément dans l'étude des retards aéroportuaires. En effet, l'analyse actuellement réalisée se situe au niveau macroscopique et fournit un indicateur de retard moyen, sans tenir compte des mécanismes intermédiaires pouvant conduire au retard final. Ainsi, dans le cadre de la classification des retards aéroportuaires, tout comme dans les applications médicales, nous avons remplacé l'indicateur moyen par un modèle statistique paramétrique plus complet : les distributions de probabilité.
Origin | Version validated by the jury (STAR) |
---|
Loading...