Différences entre les versions de « Analyse statistique et problèmes inverses »
Ligne 49 : | Ligne 49 : | ||
* Modèles graphiques. Application à la détection de changements du bâti en imagerie de télédétection multibande et hyperspectrale. | * Modèles graphiques. Application à la détection de changements du bâti en imagerie de télédétection multibande et hyperspectrale. | ||
− | === Modèles non linéaires compacts === | + | === Modèles non linéaires compacts. Apprentissage de variétés === |
[[File:swissroll.png|frameless|left|380px]] | [[File:swissroll.png|frameless|left|380px]] | ||
Ligne 61 : | Ligne 61 : | ||
<br /> | <br /> | ||
− | * Modèles à variables latentes : modèles d'observations non gaussiens et modèles non linéaires dans l'espace réduit : [http://scd-theses.u-strasbg.fr/881/01/VIK2004.pdf Thèse]. [http://dx.doi.org/10.1007/s10044-004-0230-5 Article 1], [http://dx.doi.org/10.1109/TPAMI.2007.1028 Article 2]. | + | * Modèles à variables latentes : modèles d'observations non gaussiens et modèles non linéaires dans l'espace réduit : [http://scd-theses.u-strasbg.fr/881/01/VIK2004.pdf Thèse Vik Torbjorn]. [http://dx.doi.org/10.1007/s10044-004-0230-5 Article 1], [http://dx.doi.org/10.1109/TPAMI.2007.1028 Article 2]. |
− | * Apprentissage statistique de variétés non linéaires : une approche par MDS. [http://scd-theses.u-strasbg.fr/1565/01/BRUCHER_Matthieu_2008.pdf Thèse]. [http://asp.eurasipjournals.com/content/pdf/1687-6180-2008-862015.pdf Article]. | + | * Apprentissage statistique de variétés non linéaires : une approche par MDS. [http://scd-theses.u-strasbg.fr/1565/01/BRUCHER_Matthieu_2008.pdf Thèse Matthieu Brucher]. [http://asp.eurasipjournals.com/content/pdf/1687-6180-2008-862015.pdf Article]. |
− | * [http://scd-theses.u-strasbg.fr/2461/01/RENARD_Felix_2011.pdf Modèles non linéaires statistiques compacts pour des données de grande dimension. Application en neuro-imagerie : étude des formes, des structures, de la connectivité cérébrale.] | + | * [http://scd-theses.u-strasbg.fr/2461/01/RENARD_Felix_2011.pdf Modèles non linéaires statistiques compacts pour des données de grande dimension. Application en neuro-imagerie : étude des formes, des structures, de la connectivité cérébrale. Thèse Félix Renard] |
− | * Modèles non linéaires sur des espaces tensoriels. Application à la détection de changements en IRM de diffusion.] [https://publication-theses.unistra.fr/public/theses_doctorat/grigis_antoine_2012_ED269.pdf Thèse]. [http://dx.doi.org/10.1016/j.neuroimage.2012.02.049 Article 1]. [http://dx.doi.org/10.1016/j.media.2013.01.004 Article 2]. | + | * Modèles non linéaires sur des espaces tensoriels. Application à la détection de changements en IRM de diffusion.] [https://publication-theses.unistra.fr/public/theses_doctorat/grigis_antoine_2012_ED269.pdf Thèse Antoine Grigis]. [http://dx.doi.org/10.1016/j.neuroimage.2012.02.049 Article 1]. [http://dx.doi.org/10.1016/j.media.2013.01.004 Article 2]. |
+ | * Modèles statistiques linéaires / non linéaires pour les études de groupe en imagerie DTI. Thèse en cours : Alix Bouchon. | ||
+ | |||
+ | * Modélisation non linéaire compacte d'images multimodales TEP / ITD. Application à la comparaison patient-atlas de normalité. Thèse en cours : Florent Savary. | ||
== Problèmes inverses == | == Problèmes inverses == |
Version du 10 avril 2014 à 08:19
Responsable : Fabrice Heitz
Participants permanents : C. Collet, S. Faisan, C. Heinrich, V. Mazet, V. Noblet, F. Rousseau, L. Thoraval
Doctorants (thèses en cours) : A. Bouchon, D. Gkamas, F. Lavigne, T.T. Ngo,
Ce thème s'intéresse à l’ensemble des approches méthodologiques basées sur l’utilisation des statistiques et des outils associés à l’inférence bayésienne pour l’analyse d'images et la résolution de problèmes inverses. L'objectif est le développement de modèles, de méthodes d'inférence et d'algorithmes originaux, dans un contexte générique, ou dans le cadre d'applications particulières. Les problèmes traités incluent la reconstruction, le recalage, la segmentation, la détection, la classification, la fusion, et la visualisation des signaux et des images au sens large, incluant les observations multivariées ou multimodales.
Modèles et décision statistique
Modèles markoviens
- Modèles markoviens cachés de séquences d'événements. Application à la cartographie IRMf cérébrale. Thèse. Article 1. Article 2.
- Comparaison entre un sujet et un modèle statistique. Application à la détection d'anomalies en chirurgie maxillo-faciale.
- Modèles de Markov cachés. Application à l'analyse temps-fréquence des sons respiratoires pour l'identification de signatures pulmonaires.
- Modèles de Markov cachés. Application à la segmentation d'IRM 3D et à la détection de lésions. Thèse. Article.
- Chaînes de Markov 3D+t. Application à la segmentation statistique 3d+t d’images IRM multimodales pour la quantification de la charge lésionnelle.
Modèles graphiques, modèles bayésiens hiérarchiques
- Modèles graphiques. Application à la détection de changements du bâti en imagerie de télédétection multibande et hyperspectrale.
Modèles non linéaires compacts. Apprentissage de variétés
- Modèles à variables latentes : modèles d'observations non gaussiens et modèles non linéaires dans l'espace réduit : Thèse Vik Torbjorn. Article 1, Article 2.
- Apprentissage statistique de variétés non linéaires : une approche par MDS. Thèse Matthieu Brucher. Article.
- Modèles non linéaires sur des espaces tensoriels. Application à la détection de changements en IRM de diffusion.] Thèse Antoine Grigis. Article 1. Article 2.
- Modèles statistiques linéaires / non linéaires pour les études de groupe en imagerie DTI. Thèse en cours : Alix Bouchon.
- Modélisation non linéaire compacte d'images multimodales TEP / ITD. Application à la comparaison patient-atlas de normalité. Thèse en cours : Florent Savary.
Problèmes inverses
Imagerie médicale
Imagerie polarimétrique
- Inversion de données en imagerie polarimétrique : imagerie de Stockes, imagerie de Mueller, Non Local Means, inversion sous contrainte d'admissibilité. Article 1. Article 2. Article 3.
Signaux spectroscopiques
- Décomposition conjointe de séquences de signaux spectroscopiques : modèles bayésiens hiérarchiques, champ markoviens gaussiens, RJMCMC, spectroscopie de photoélectrons, radioastronomie.
Imagerie hyperspectrale