Techniques d’apprentissage pour la sélection d’attributs : Application à la reconnaissance des formes
No Thumbnail Available
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Les systèmes d’analyse d’images médicales occupent aujourd’hui une place importante et
tout-à-fait originale. Plus récemment, nous avons assisté à une forte demande de ces systèmes
de traitements des images afin d’aider les praticiens dans leurs diagnostics.
Dans un système d’aide au diagnostic, on dispose presque toujours d’un grand volume de
donnée devront être toutes étiquetées d’une manière précise afin d'appliquer les techniques
d'apprentissage supervisé. Or, ce critère peut ne pas être toujours satisfait, pour des raisons de
coût ou bien de connaissances imparfaites sur le problème à résoudre. La communauté de
l’apprentissage automatique a tenté de répondre à ces besoins pratiques en introduisant
l’apprentissage semi-supervisé.
La réalisation d’un processus décisionnel performant à partir d’un ensemble de données
semi-étiquetées doit prendre en compte plusieurs considérations liées à la nature des données,
à l’algorithme d’apprentissage utilisé et à l’objectif à produire. Les données d’apprentissage
sont généralement plus ou moins pertinentes. Tout comme les données, les attributs sont plus
ou moins pertinents et ils peuvent être redondants entre eux.
Cette thèse porte sur la classification automatique d’images semi-étiquetées en utilisant des
paradigmes avancés de l'apprentissage automatique. Nous avons élaboré, à travers deux
contributions, des méthodes performantes et robustes permettant de classer de façon
satisfaisante les images de patients sains et pathologiques.
La première contribution propose une approche hybride de sélection des caractéristiques
par les algorithmes génétiques et l’apprentissage semi-supervisé, en tenant en compte du
manque de données étiquetées lors de la sélection des caractéristiques.