Classification des Données Médicales par Les Modèles de Markov Cachés et La Logique Floue.

Abstract

Dans cette thèse nous présentons nos travaux qui s’articule autour du domaine d’aide au diagnostic médical plus particulièrement en traitement de séquences, réalisés sur deux types de données (signal ECG et image cytologique) avec des tâches différentes (classification, segmentation). Nos contributions concernent d’une part la proposition d’un classifieur supervisé dédié à la reconnaissance des extrasystoles ventriculaires par les modèles de Markov cachés où nous avons intégré une tâche de symbolisation des différents attributs utilisés afin d’augmenter l’interprétabilité de notre système pour justifier la prise de décision. Aussi, un classifieur neuro-floue (ANFIS) est implémenter pour pouvoir comparer l’aspect probabiliste dans les HMM et l’aspect interprétable de la logique floue. Les HMMs sont des modèles probabilistes qui fournis une information de probabilité sur la classe reconnues tandis que le classifieur neuro-floue (ANFIS) nous donne une transparence dans le système de reconnaissance par les règles générés. D’autre part, l’apprentissage par ces mêmes approches est appliqué à la classification pixellaire des cellules cytologique dans un but de segmentation pour une classification future des cellules sanguines.