Mélanges de lois de Student à Échelles Multiples pour la caractérisation de tumeurs par IRM multiparamétrique

Alexis Arnaud (1) , Florence Forbes (1) , Benjamin Lemasson (2) , Emmanuel Barbier (2) , Nicolas Coquery (2)

1 MISTIS - Modelling and Inference of Complex and Structured Stochastic Systems
2 NeuroImagerie Fonctionnelle et Perfusion Cérébrale

In this study we develop a statistical method for the classification of multiparametric MRI, which allows data quality control (atypical observation detection), and provides a tumour signatures dictionary. A previous study has been based on a Gaussian mixture model in which observations are grouped into classes corresponding to Gaussian distributions. This model is known for its sensitivity to outliers which can degrade the relevance of the obtained groups. As an alternative, we propose to use generalized Student distributions which extend the standard multivariate Student distribution by allowing different weights on the different dimensions of each observation.

Dans cett étude nous développons une méthode statistique pour la classification de données IRM multiparamétriques permettant de réaliser un contrôle qualité des données (détection de données atypiques), et de construire un dictionnaire de signatures de tumeurs. Une précédente étude se base sur le modèle de mélange de lois gaussiennes dans lequel on cherche à rassembler des observations en groupes (classes) issus de lois gaussiennes. Ce modèle est connu pour sa sensibilité aux valeurs atypiques qui peuvent sensiblement dégrader la pertinence des groupes obtenus. Nous proposons donc d'utiliser des lois de Student généralisées qui permettent d'attribuer un poids à chaque observation dans chaque dimension, de façon à pondérer l'influence des valeurs atypiques sur la forme des groupes. Il en résulte une plus grande flexibilité dans l'ajustement des classes. Nous utilisons ainsi un algorithme d'Expectation-Maximization (EM), ainsi qu'un critère bayésien de sélection de modèle, que nous appliquons sur un échantillon de 37 rats présentant quatre modèles de tumeur. Nous arrivons à détecter des animaux atypiques avant de construire un dictionnaire de tumeurs discriminant fortement les quatre gliomes considérés.

Mots clés: Multivariate multiple scaled Student distribution; mixture model; EM algorithm; clustering; multiparametric MRI; tumor dictionary

Mots clés: dictionnaire de tumeurs; algorithme EM; IRM multiparamétrique; Distribution de Student multivariée à échelles multiples; modèle de mélange; classification non supervisée

Domaines: Applications [stat.AP]; Cancer

Alexis Arnaud, Florence Forbes, Benjamin Lemasson, Emmanuel Barbier, Nicolas Coquery. Mélanges de lois de Student à Échelles Multiples pour la caractérisation de tumeurs par IRM multiparamétrique. 47èmes Journées de Statistique de la SFdS, Jun 2015, Lille, France. ⟨hal-01253588⟩