Antelmi, Luigi
[VerfasserIn]
;
Université Côte d'Azur
[MitwirkendeR];
Ayache, Nicholas
[MitwirkendeR];
Robert, Philippe
[MitwirkendeR]
Apprentissage statistique sur des données médicales hétérogènes avec des modèles Bayésiens à variables latentes : application aux études de neuroimagerie pour les maladies neurodégénératives ; Statistical learning on heterogeneous medical data with bayesian latent variable models : application to neuroimaging dementia studies
Titel:
Apprentissage statistique sur des données médicales hétérogènes avec des modèles Bayésiens à variables latentes : application aux études de neuroimagerie pour les maladies neurodégénératives ; Statistical learning on heterogeneous medical data with bayesian latent variable models : application to neuroimaging dementia studies
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
Beschreibung:
Cette thèse présente de nouveaux outils informatiques pour la modélisation conjointe de données biomédicales multimodales, robustes aux données manquantes, avec une application aux études de neuro-imagerie dans les maladies neurodégénératives. La base théorique de notre travail est l'auto-encodeur variationnel (VAE), un modèle de variables latentes bien adapté pour travailler avec des données complexes car il les projette dans un espace plus simple et de faible dimension, capable de modéliser les non-linéarités des données. Le cœur de cette thèse consiste en l'autoencodeur variationnel multicanal (MCVAE), une extension du VAE pour modéliser conjointement les relations latentes entre les observations multimodales. Ceci est réalisé 1) en contraignant la distribution latente de chaque modalité de données à une distribution a priori commune, 2) en forçant chaque distribution latente à générer toutes les modalités de données à travers leurs fonctions génératives associées. De plus, nous adaptons le MCVAE à un contexte multi-tâches, où le problème du traitement des données manquantes est traité avec un schéma d'optimisation spécifique qui suit les étapes suivantes : 1) définition des tâches à travers les ensembles de données basée sur l'identification des sous-ensemble présentant des modalités compatibles, 2) empilement de plusieurs instances du MCVAE, où chaque instance modélise une tâche spécifique, 3) partage des paramètres communes entre les tâches de modélisation. Grâce à ces actions, le MCVAE multi-tâches permet d'apprendre un modèle conjoint pour tous les points de données en s'appuyant sur toutes les informations disponibles. Dans son ensemble, cette thèse fournit un nouvel ensemble d’approches flexibles pour tenir compte de l'hétérogénéité des données dans l'analyse des informations biomédicales. Ce travail permet de nouvelles directions de recherche dans lesquelles l'information médicale peut être modélisée de manière cohérente dans un cadre probabiliste conjoint tenant compte des canaux de données ...