1,720,969 research outputs found
Intégration hiérarchique de données d’imagerie cardiaque par apprentissage automatique
No full textMedical imaging provides rich information down to the pixel level, in the form of image data or multiple high-dimensional descriptors extracted from these images, which doctors use for diagnosis and quantitative patient monitoring. In this thesis, we aim to improve the characterisation of myocardial lesions in a population of acute infarction patients monitored by magnetic resonance imaging (MRI). The aim of our work is to exploit several high-dimensional descriptors from MR images to better characterise the pathology and its evolution. Currently, computational analysis methods mix all these types of descriptors simultaneously and indiscriminately, a strategy that quickly shows its limitations. Indeed, the descriptors may be partially correlated with each other and/or with the pathology, and represent a significant amount of information that is difficult to analyse correctly (high-dimensional and heterogeneous data). This strategy contrasts with clinical practice where doctors, based on their experience, are able to order this different information and process it progressively using a hierarchical approach. In this thesis, we draw on this approach to propose a hierarchical analysis that progressively incorporates the different information extracted from the images. We demonstrate its relevance for characterising acute myocardial infarction in a patient population using unsupervised representation learning. Our main methodological contributions involve taking into account and exploiting the hierarchical link in the data, in the context of representation learning. The first contribution evaluates the potential of a two-level hierarchy using manifold learning. A second contribution proposes a generic formulation of the hierarchy based on a probabilistic method, Gaussian processes latent variables models (GP-LVM). From an application point of view, we demonstrate the relevance of these approaches for the direct exploitation of the content of early and late enhancement MR images, which are under-exploited by doctors, and for the characterisation of myocardial lesions that are complex due to their shape and small size (infarcts and reperfusion lesions).L'imagerie médicale fournit des informations fines jusqu'à l'échelle du pixel, sous la forme de données images ou de multiples descripteurs de haute dimension extraits de ces images, que les médecins exploitent pour le diagnostic et le suivi quantitatif des patients. Dans le cadre de cette thèse, nous souhaitons améliorer la caractérisation des lésions myocardiques dans une population de patients ayant subi un infarctus aigu et suivis par imagerie par résonance magnétique (IRM). L'objectif de nos travaux est d'exploiter plusieurs descripteurs de haute dimension provenant des images RM pour mieux caractériser la pathologie et son évolution. À l'heure actuelle, les méthodes d'analyse computationnelle mélangent tous ces types de descripteurs simultanément et sans distinction, stratégie qui montre rapidement ses limites. En effet, les descripteurs peuvent être partiellement corrélés entre eux et/ou avec la pathologie, et représenter une quantité conséquente d'information mais difficile à correctement analyser (données de haute dimension et hétérogènes). Cette stratégie contraste avec la pratique clinique où les médecins, en se basant sur leur expérience, sont capables d'ordonner ces différentes informations et de les traiter de façon progressive selon une approche hiérarchique. Dans cette thèse, nous nous inspirons de cette approche pour proposer une analyse par niveaux hiérarchiques qui incorpore progressivement les différentes informations extraites des images. Nous démontrons sa pertinence pour caractériser l’infarctus aigu du myocarde dans une population de patients à l'aide d'apprentissage de représentation non supervisé. Nos contributions méthodologiques principales concernent la prise en compte et l’exploitation du lien hiérarchique dans les données, dans le cadre de l’apprentissage de représentations. Une première contribution évalue le potentiel d'une hiérarchie à deux niveaux dans le cadre de l'apprentissage de variétés. Une deuxième contribution propose une formulation générique de la hiérarchie en se basant sur une méthode probabiliste, les processus Gaussiens à variable latente. Du point de vue applicatif, nous démontrons la pertinence de ces approches pour l'exploitation directe du contenu d'images RM à rehaussement précoce et tardif, sous-exploitées par les médecins, et pour la caractérisation de lésions du myocarde complexes de par leur forme et leur taille réduite (infarctus et lésions de reperfusion)
Hierarchical integration of cardiac imaging data with machine learning
No full textL'imagerie médicale fournit des informations fines jusqu'à l'échelle du pixel, sous la forme de données images ou de multiples descripteurs de haute dimension extraits de ces images, que les médecins exploitent pour le diagnostic et le suivi quantitatif des patients. Dans le cadre de cette thèse, nous souhaitons améliorer la caractérisation des lésions myocardiques dans une population de patients ayant subi un infarctus aigu et suivis par imagerie par résonance magnétique (IRM). L'objectif de nos travaux est d'exploiter plusieurs descripteurs de haute dimension provenant des images RM pour mieux caractériser la pathologie et son évolution. À l'heure actuelle, les méthodes d'analyse computationnelle mélangent tous ces types de descripteurs simultanément et sans distinction, stratégie qui montre rapidement ses limites. En effet, les descripteurs peuvent être partiellement corrélés entre eux et/ou avec la pathologie, et représenter une quantité conséquente d'information mais difficile à correctement analyser (données de haute dimension et hétérogènes). Cette stratégie contraste avec la pratique clinique où les médecins, en se basant sur leur expérience, sont capables d'ordonner ces différentes informations et de les traiter de façon progressive selon une approche hiérarchique. Dans cette thèse, nous nous inspirons de cette approche pour proposer une analyse par niveaux hiérarchiques qui incorpore progressivement les différentes informations extraites des images. Nous démontrons sa pertinence pour caractériser l’infarctus aigu du myocarde dans une population de patients à l'aide d'apprentissage de représentation non supervisé. Nos contributions méthodologiques principales concernent la prise en compte et l’exploitation du lien hiérarchique dans les données, dans le cadre de l’apprentissage de représentations. Une première contribution évalue le potentiel d'une hiérarchie à deux niveaux dans le cadre de l'apprentissage de variétés. Une deuxième contribution propose une formulation générique de la hiérarchie en se basant sur une méthode probabiliste, les processus Gaussiens à variable latente. Du point de vue applicatif, nous démontrons la pertinence de ces approches pour l'exploitation directe du contenu d'images RM à rehaussement précoce et tardif, sous-exploitées par les médecins, et pour la caractérisation de lésions du myocarde complexes de par leur forme et leur taille réduite (infarctus et lésions de reperfusion).Medical imaging provides rich information down to the pixel level, in the form of image data or multiple high-dimensional descriptors extracted from these images, which doctors use for diagnosis and quantitative patient monitoring. In this thesis, we aim to improve the characterisation of myocardial lesions in a population of acute infarction patients monitored by magnetic resonance imaging (MRI). The aim of our work is to exploit several high-dimensional descriptors from MR images to better characterise the pathology and its evolution. Currently, computational analysis methods mix all these types of descriptors simultaneously and indiscriminately, a strategy that quickly shows its limitations. Indeed, the descriptors may be partially correlated with each other and/or with the pathology, and represent a significant amount of information that is difficult to analyse correctly (high-dimensional and heterogeneous data). This strategy contrasts with clinical practice where doctors, based on their experience, are able to order this different information and process it progressively using a hierarchical approach. In this thesis, we draw on this approach to propose a hierarchical analysis that progressively incorporates the different information extracted from the images. We demonstrate its relevance for characterising acute myocardial infarction in a patient population using unsupervised representation learning. Our main methodological contributions involve taking into account and exploiting the hierarchical link in the data, in the context of representation learning. The first contribution evaluates the potential of a two-level hierarchy using manifold learning. A second contribution proposes a generic formulation of the hierarchy based on a probabilistic method, Gaussian processes latent variables models (GP-LVM). From an application point of view, we demonstrate the relevance of these approaches for the direct exploitation of the content of early and late enhancement MR images, which are under-exploited by doctors, and for the characterisation of myocardial lesions that are complex due to their shape and small size (infarcts and reperfusion lesions)
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Intégration hiérarchique de données d’imagerie cardiaque par apprentissage automatique
No full textMedical imaging provides rich information down to the pixel level, in the form of image data or multiple high-dimensional descriptors extracted from these images, which doctors use for diagnosis and quantitative patient monitoring. In this thesis, we aim to improve the characterisation of myocardial lesions in a population of acute infarction patients monitored by magnetic resonance imaging (MRI). The aim of our work is to exploit several high-dimensional descriptors from MR images to better characterise the pathology and its evolution. Currently, computational analysis methods mix all these types of descriptors simultaneously and indiscriminately, a strategy that quickly shows its limitations. Indeed, the descriptors may be partially correlated with each other and/or with the pathology, and represent a significant amount of information that is difficult to analyse correctly (high-dimensional and heterogeneous data). This strategy contrasts with clinical practice where doctors, based on their experience, are able to order this different information and process it progressively using a hierarchical approach. In this thesis, we draw on this approach to propose a hierarchical analysis that progressively incorporates the different information extracted from the images. We demonstrate its relevance for characterising acute myocardial infarction in a patient population using unsupervised representation learning. Our main methodological contributions involve taking into account and exploiting the hierarchical link in the data, in the context of representation learning. The first contribution evaluates the potential of a two-level hierarchy using manifold learning. A second contribution proposes a generic formulation of the hierarchy based on a probabilistic method, Gaussian processes latent variables models (GP-LVM). From an application point of view, we demonstrate the relevance of these approaches for the direct exploitation of the content of early and late enhancement MR images, which are under-exploited by doctors, and for the characterisation of myocardial lesions that are complex due to their shape and small size (infarcts and reperfusion lesions).L'imagerie médicale fournit des informations fines jusqu'à l'échelle du pixel, sous la forme de données images ou de multiples descripteurs de haute dimension extraits de ces images, que les médecins exploitent pour le diagnostic et le suivi quantitatif des patients. Dans le cadre de cette thèse, nous souhaitons améliorer la caractérisation des lésions myocardiques dans une population de patients ayant subi un infarctus aigu et suivis par imagerie par résonance magnétique (IRM). L'objectif de nos travaux est d'exploiter plusieurs descripteurs de haute dimension provenant des images RM pour mieux caractériser la pathologie et son évolution. À l'heure actuelle, les méthodes d'analyse computationnelle mélangent tous ces types de descripteurs simultanément et sans distinction, stratégie qui montre rapidement ses limites. En effet, les descripteurs peuvent être partiellement corrélés entre eux et/ou avec la pathologie, et représenter une quantité conséquente d'information mais difficile à correctement analyser (données de haute dimension et hétérogènes). Cette stratégie contraste avec la pratique clinique où les médecins, en se basant sur leur expérience, sont capables d'ordonner ces différentes informations et de les traiter de façon progressive selon une approche hiérarchique. Dans cette thèse, nous nous inspirons de cette approche pour proposer une analyse par niveaux hiérarchiques qui incorpore progressivement les différentes informations extraites des images. Nous démontrons sa pertinence pour caractériser l’infarctus aigu du myocarde dans une population de patients à l'aide d'apprentissage de représentation non supervisé. Nos contributions méthodologiques principales concernent la prise en compte et l’exploitation du lien hiérarchique dans les données, dans le cadre de l’apprentissage de représentations. Une première contribution évalue le potentiel d'une hiérarchie à deux niveaux dans le cadre de l'apprentissage de variétés. Une deuxième contribution propose une formulation générique de la hiérarchie en se basant sur une méthode probabiliste, les processus Gaussiens à variable latente. Du point de vue applicatif, nous démontrons la pertinence de ces approches pour l'exploitation directe du contenu d'images RM à rehaussement précoce et tardif, sous-exploitées par les médecins, et pour la caractérisation de lésions du myocarde complexes de par leur forme et leur taille réduite (infarctus et lésions de reperfusion)
Intégration hiérarchique de données d’imagerie cardiaque par apprentissage automatique
No full textMedical imaging provides rich information down to the pixel level, in the form of image data or multiple high-dimensional descriptors extracted from these images, which doctors use for diagnosis and quantitative patient monitoring. In this thesis, we aim to improve the characterisation of myocardial lesions in a population of acute infarction patients monitored by magnetic resonance imaging (MRI). The aim of our work is to exploit several high-dimensional descriptors from MR images to better characterise the pathology and its evolution. Currently, computational analysis methods mix all these types of descriptors simultaneously and indiscriminately, a strategy that quickly shows its limitations. Indeed, the descriptors may be partially correlated with each other and/or with the pathology, and represent a significant amount of information that is difficult to analyse correctly (high-dimensional and heterogeneous data). This strategy contrasts with clinical practice where doctors, based on their experience, are able to order this different information and process it progressively using a hierarchical approach. In this thesis, we draw on this approach to propose a hierarchical analysis that progressively incorporates the different information extracted from the images. We demonstrate its relevance for characterising acute myocardial infarction in a patient population using unsupervised representation learning. Our main methodological contributions involve taking into account and exploiting the hierarchical link in the data, in the context of representation learning. The first contribution evaluates the potential of a two-level hierarchy using manifold learning. A second contribution proposes a generic formulation of the hierarchy based on a probabilistic method, Gaussian processes latent variables models (GP-LVM). From an application point of view, we demonstrate the relevance of these approaches for the direct exploitation of the content of early and late enhancement MR images, which are under-exploited by doctors, and for the characterisation of myocardial lesions that are complex due to their shape and small size (infarcts and reperfusion lesions).L'imagerie médicale fournit des informations fines jusqu'à l'échelle du pixel, sous la forme de données images ou de multiples descripteurs de haute dimension extraits de ces images, que les médecins exploitent pour le diagnostic et le suivi quantitatif des patients. Dans le cadre de cette thèse, nous souhaitons améliorer la caractérisation des lésions myocardiques dans une population de patients ayant subi un infarctus aigu et suivis par imagerie par résonance magnétique (IRM). L'objectif de nos travaux est d'exploiter plusieurs descripteurs de haute dimension provenant des images RM pour mieux caractériser la pathologie et son évolution. À l'heure actuelle, les méthodes d'analyse computationnelle mélangent tous ces types de descripteurs simultanément et sans distinction, stratégie qui montre rapidement ses limites. En effet, les descripteurs peuvent être partiellement corrélés entre eux et/ou avec la pathologie, et représenter une quantité conséquente d'information mais difficile à correctement analyser (données de haute dimension et hétérogènes). Cette stratégie contraste avec la pratique clinique où les médecins, en se basant sur leur expérience, sont capables d'ordonner ces différentes informations et de les traiter de façon progressive selon une approche hiérarchique. Dans cette thèse, nous nous inspirons de cette approche pour proposer une analyse par niveaux hiérarchiques qui incorpore progressivement les différentes informations extraites des images. Nous démontrons sa pertinence pour caractériser l’infarctus aigu du myocarde dans une population de patients à l'aide d'apprentissage de représentation non supervisé. Nos contributions méthodologiques principales concernent la prise en compte et l’exploitation du lien hiérarchique dans les données, dans le cadre de l’apprentissage de représentations. Une première contribution évalue le potentiel d'une hiérarchie à deux niveaux dans le cadre de l'apprentissage de variétés. Une deuxième contribution propose une formulation générique de la hiérarchie en se basant sur une méthode probabiliste, les processus Gaussiens à variable latente. Du point de vue applicatif, nous démontrons la pertinence de ces approches pour l'exploitation directe du contenu d'images RM à rehaussement précoce et tardif, sous-exploitées par les médecins, et pour la caractérisation de lésions du myocarde complexes de par leur forme et leur taille réduite (infarctus et lésions de reperfusion)
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
