Différences entre les versions de « Analyse statistique et problèmes inverses »
Aller à la navigation
Aller à la recherche
Ligne 73 : | Ligne 73 : | ||
* [http://dx.doi.org/10.1016/j.media.2010.04.005 Super-résolution en imagerie IRM, intégrant un a priori multimodal] | * [http://dx.doi.org/10.1016/j.media.2010.04.005 Super-résolution en imagerie IRM, intégrant un a priori multimodal] | ||
− | * [http:// | + | * [http://dx.doi.org/10.1109/TMI.2009.2030679 Reconstruction 3D en imagerie foetale in utero à partir de coupes IRM.] |
* [http://dx.doi.org/10.1109/ICIP.2009.5413470 A priori de formes en reconstruction tomographique orientée objet.] | * [http://dx.doi.org/10.1109/ICIP.2009.5413470 A priori de formes en reconstruction tomographique orientée objet.] |
Version du 14 février 2013 à 17:21
Responsable : Fabrice Heitz
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 de Markov cachés. Application à l'analyse temps-fréquence des sons respiratoires pour l'identification de signatures pulmonaires.
- 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
- Modèles à variables latentes : modèles d'observations non gaussiens et modèles non linéaires dans l'espace réduit : modèle 1, modèle 2.
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.
Signaux spectroscopiques
- Décomposition conjointe de séquences de signaux spectroscopiques : modèles bayésiens hiérarchiques, champ markoviens gaussiens, RJMCMC, spectroscopie de photoélectrons, radioastronomie.