Voir la notice de l'article provenant de la source Numdam
Clustering is a fundamental data analysis step that consists of producing a partition of the observations to account for the groups existing in the observed data. In this paper, we introduce an additional cooperative aspect. We address cases in which the goal is to produce not a single partition but two or more possibly related partitions using cooperation between them. Cooperation is expressed by assuming the existence of two sets of labels (group assignments) which are not independent. We also model additional interactions by considering dependencies between labels within each label set. We propose then a cooperative setting formulated in terms of conditional Markov Random Field models for which we provide alternating and cooperative estimation procedures based on variants of the Expectation Maximization (EM) algorithm for inference. We illustrate the advantages of our approach by showing its ability to deal successfully with the complex task of segmenting simultaneously and cooperatively tissues and structures from MRI brain scans.
La classification est une étape clef de l’analyse de données qui consiste à produire une partition des données qui traduise l’existence de groupes dans celles-ci. Dans cet article, nous introduisons la notion de classifications coopératives. Nous considérons le cas où l’objectif est de produire deux (ou plus) partitions des données de manière non indépendante mais en prenant en compte les informations que l’une des partitions apporte sur l’autre et réciproquement. Pour ce faire, nous considérons deux (ou plus) jeux d’étiquettes non indépendants. Des interactions supplémentaires entre étiquettes au sein d’un même jeu sont également modélisées pour prendre en compte par exemple des dépendances spatiales. Ce cadre coopératif est formulé à l’aide de modèles de champs de Markov conditionnels dont les paramètres sont estimés par une variante de l’algorithme EM. Nous illustrons les performances de notre approche sur un problème réel difficile de segmentation simultanée des tissus et des structures du cerveau à partir d’images de résonnance magnétique artefactées.
@article{JSFS_2011__152_3_116_0,
author = {Forbes, Florence and Scherrer, Benoit and Dojat, Michel},
title = {Bayesian {Markov} model for cooperative clustering: application to robust {MRI} brain scan segmentation},
journal = {Journal de la soci\'et\'e fran\c{c}aise de statistique},
pages = {116--141},
publisher = {Soci\'et\'e fran\c{c}aise de statistique},
volume = {152},
number = {3},
year = {2011},
mrnumber = {2871180},
zbl = {1316.62040},
language = {en},
url = {http://geodesic.mathdoc.fr/item/JSFS_2011__152_3_116_0/}
}
TY - JOUR AU - Forbes, Florence AU - Scherrer, Benoit AU - Dojat, Michel TI - Bayesian Markov model for cooperative clustering: application to robust MRI brain scan segmentation JO - Journal de la société française de statistique PY - 2011 SP - 116 EP - 141 VL - 152 IS - 3 PB - Société française de statistique UR - http://geodesic.mathdoc.fr/item/JSFS_2011__152_3_116_0/ LA - en ID - JSFS_2011__152_3_116_0 ER -
%0 Journal Article %A Forbes, Florence %A Scherrer, Benoit %A Dojat, Michel %T Bayesian Markov model for cooperative clustering: application to robust MRI brain scan segmentation %J Journal de la société française de statistique %D 2011 %P 116-141 %V 152 %N 3 %I Société française de statistique %U http://geodesic.mathdoc.fr/item/JSFS_2011__152_3_116_0/ %G en %F JSFS_2011__152_3_116_0
Forbes, Florence; Scherrer, Benoit; Dojat, Michel. Bayesian Markov model for cooperative clustering: application to robust MRI brain scan segmentation. Journal de la société française de statistique, Tome 152 (2011) no. 3, pp. 116-141. http://geodesic.mathdoc.fr/item/JSFS_2011__152_3_116_0/