Difference between revisions of "Publications/puybareau.17.gretsi"
From LRDE
| (2 intermediate revisions by the same user not shown) | |||
| Line 6: | Line 6: | ||
| booktitle = Actes du 26e Colloque GRETSI |
| booktitle = Actes du 26e Colloque GRETSI |
||
| address = Juan-les-Pins, France |
| address = Juan-les-Pins, France |
||
| + | | category = national |
||
| abstract = De nombreuses applications biomedicales impliquent l'analyse de séquences pour la caractérisation du mouvement. Dans cet article, nous considerons des séquences 2D+t où un mouvement particulier (par exemple un flux sanguin) est associé à une zone spécifique de l'image 2D (par exemple une artère). Mais de nombreux mouvements peuvent co-exister dans les séquences (par exemple, il peut y avoir plusieurs vaisseaux sanguins presents, chacun avec leur flux spécifique). La caractérisation de ce type de mouvement implique d'abord de trouver les zones où le mouvement est présent, puis d'analyser ces mouvements : vitesse, régularitéfréquence, etc. Dans cet article, nous proposons une méthode appropriée pour détecter et caractériser simultanément les zones où le mouvement est présent dans une séquence. Nous pouvons ensuite classer ce mouvement en zones cohérentes en utilisant un apprentissage non supervisé et produire des métriques directement utilisables pour diverses applications. Nous illustrons et validons cette même méthode sur l'analyse du flux sanguin chez l'embryon de poisson. |
| abstract = De nombreuses applications biomedicales impliquent l'analyse de séquences pour la caractérisation du mouvement. Dans cet article, nous considerons des séquences 2D+t où un mouvement particulier (par exemple un flux sanguin) est associé à une zone spécifique de l'image 2D (par exemple une artère). Mais de nombreux mouvements peuvent co-exister dans les séquences (par exemple, il peut y avoir plusieurs vaisseaux sanguins presents, chacun avec leur flux spécifique). La caractérisation de ce type de mouvement implique d'abord de trouver les zones où le mouvement est présent, puis d'analyser ces mouvements : vitesse, régularitéfréquence, etc. Dans cet article, nous proposons une méthode appropriée pour détecter et caractériser simultanément les zones où le mouvement est présent dans une séquence. Nous pouvons ensuite classer ce mouvement en zones cohérentes en utilisant un apprentissage non supervisé et produire des métriques directement utilisables pour diverses applications. Nous illustrons et validons cette même méthode sur l'analyse du flux sanguin chez l'embryon de poisson. |
||
| lrdeprojects = Olena |
| lrdeprojects = Olena |
||
| Line 11: | Line 12: | ||
| lrdenewsdate = 2017-06-28 |
| lrdenewsdate = 2017-06-28 |
||
| lrdepaper = http://www.lrde.epita.fr/dload/papers/puybareau.17.gretsi.pdf |
| lrdepaper = http://www.lrde.epita.fr/dload/papers/puybareau.17.gretsi.pdf |
||
| + | | nodoi = |
||
| type = inproceedings |
| type = inproceedings |
||
| id = puybareau.17.gretsi |
| id = puybareau.17.gretsi |
||
| bibtex = |
| bibtex = |
||
@InProceedings<nowiki>{</nowiki> puybareau.17.gretsi, |
@InProceedings<nowiki>{</nowiki> puybareau.17.gretsi, |
||
| − | author = |
+ | author = <nowiki>{</nowiki>\'Elodie Puybareau and Hugues Talbot and Laurent Najman<nowiki>}</nowiki>, |
title = <nowiki>{</nowiki>Caract\'erisation des zones de mouvement p\'eriodiques |
title = <nowiki>{</nowiki>Caract\'erisation des zones de mouvement p\'eriodiques |
||
pour applications bio-m\'edicales<nowiki>}</nowiki>, |
pour applications bio-m\'edicales<nowiki>}</nowiki>, |
||
| Line 21: | Line 23: | ||
year = <nowiki>{</nowiki>2017<nowiki>}</nowiki>, |
year = <nowiki>{</nowiki>2017<nowiki>}</nowiki>, |
||
address = <nowiki>{</nowiki>Juan-les-Pins, France<nowiki>}</nowiki>, |
address = <nowiki>{</nowiki>Juan-les-Pins, France<nowiki>}</nowiki>, |
||
| + | category = <nowiki>{</nowiki>national<nowiki>}</nowiki>, |
||
month = sep, |
month = sep, |
||
abstract = <nowiki>{</nowiki>De nombreuses applications biomedicales impliquent |
abstract = <nowiki>{</nowiki>De nombreuses applications biomedicales impliquent |
||
| Line 42: | Line 45: | ||
directement utilisables pour diverses applications. Nous |
directement utilisables pour diverses applications. Nous |
||
illustrons et validons cette m\^eme m\'ethode sur l'analyse |
illustrons et validons cette m\^eme m\'ethode sur l'analyse |
||
| − | du flux sanguin chez l'embryon de poisson.<nowiki>}</nowiki> |
+ | du flux sanguin chez l'embryon de poisson.<nowiki>}</nowiki>, |
| + | nodoi = <nowiki>{</nowiki><nowiki>}</nowiki> |
||
<nowiki>}</nowiki> |
<nowiki>}</nowiki> |
||
Latest revision as of 19:08, 7 April 2023
- Authors
- Élodie Puybareau, Hugues Talbot, Laurent Najman
- Where
- Actes du 26e Colloque GRETSI
- Place
- Juan-les-Pins, France
- Type
- inproceedings
- Projects
- Olena
- Keywords
- Image
- Date
- 2017-06-28
Abstract
De nombreuses applications biomedicales impliquent l'analyse de séquences pour la caractérisation du mouvement. Dans cet article, nous considerons des séquences 2D+t où un mouvement particulier (par exemple un flux sanguin) est associé à une zone spécifique de l'image 2D (par exemple une artère). Mais de nombreux mouvements peuvent co-exister dans les séquences (par exemple, il peut y avoir plusieurs vaisseaux sanguins presents, chacun avec leur flux spécifique). La caractérisation de ce type de mouvement implique d'abord de trouver les zones où le mouvement est présent, puis d'analyser ces mouvements : vitesse, régularitéfréquence, etc. Dans cet article, nous proposons une méthode appropriée pour détecter et caractériser simultanément les zones où le mouvement est présent dans une séquence. Nous pouvons ensuite classer ce mouvement en zones cohérentes en utilisant un apprentissage non supervisé et produire des métriques directement utilisables pour diverses applications. Nous illustrons et validons cette même méthode sur l'analyse du flux sanguin chez l'embryon de poisson.
Documents
Bibtex (lrde.bib)
@InProceedings{ puybareau.17.gretsi,
author = {\'Elodie Puybareau and Hugues Talbot and Laurent Najman},
title = {Caract\'erisation des zones de mouvement p\'eriodiques
pour applications bio-m\'edicales},
booktitle = {Actes du 26e Colloque GRETSI},
year = {2017},
address = {Juan-les-Pins, France},
category = {national},
month = sep,
abstract = {De nombreuses applications biomedicales impliquent
l'analyse de s\'equences pour la caract\'erisation du
mouvement. Dans cet article, nous considerons des
s\'equences 2D+t o\`u un mouvement particulier (par exemple
un flux sanguin) est associ\'e \`a une zone sp\'ecifique de
l'image 2D (par exemple une art\`ere). Mais de nombreux
mouvements peuvent co-exister dans les s\'equences (par
exemple, il peut y avoir plusieurs vaisseaux sanguins
presents, chacun avec leur flux sp\'ecifique). La
caract\'erisation de ce type de mouvement implique d'abord
de trouver les zones o\`u le mouvement est pr\'esent, puis
d'analyser ces mouvements : vitesse, r\'egularit\'e,
fr\'equence, etc. Dans cet article, nous proposons une
m\'ethode appropri\'ee pour d\'etecter et caract\'eriser
simultan\'ement les zones o\`u le mouvement est pr\'esent
dans une s\'equence. Nous pouvons ensuite classer ce
mouvement en zones coh\'erentes en utilisant un
apprentissage non supervis\'e et produire des m\'etriques
directement utilisables pour diverses applications. Nous
illustrons et validons cette m\^eme m\'ethode sur l'analyse
du flux sanguin chez l'embryon de poisson.},
nodoi = {}
}