Séminaire des Doctorant·e·s :

Le 15 décembre 2015 à 17h00 - Salle 9.11

Présentée par Arnaud Alexis - LJK, Inria Grenoble - Rhône-Alpes

Mixture of multivariate multi-scaled Student distributions - application to the localization and characterization of brain tumors

Les méthodes d'analyses de tumeurs dans le domaine médical restent principalement invasives et peu répétables dans le temps. Dans ce contexte, un intérêt grandissant a été porté au développement de moyens non-invasifs pour la détection de tumeurs. Pour cela, une approche statistique a été réalisée et a mis en évidence le potentiel de l'imagerie par résonance magnétique multiparamétrique pour la caractérisation de tumeurs cérébrales au moyen d'un mélange de lois normales [1]. Dans la continuité de cette approche, je vous présenterai un mélange de lois à queue lourde [2] et son intérêt pour la prise en compte des valeurs atypiques, ainsi que le protocole de traitement des données IRM multiparamétriques que j'ai développé au cours de mon début de thèse. [1] Coquery N, Francois O, Lemasson B, Debacker C, Farion R, Réemy C, et Barbier E (2014), Microvascular MRI and unsupervised clustering yields histology-resembling images in two rat models of glioma, Journal of Cerebral Blood Flow & Metabolism, volume 34, number 8, 1354--1362. [2] Forbes F, et Wraith D (2014), A new family of multivariate heavy-tailed distributions with variable marginal amounts of tailweights: Application to robust clustering, Statistics and Computing, volume 24, number 6, 971--984.