@InProceedings{2023_oudoumanessah1121,
	author = "Geoffroy Oudoumanessah and Carole Lartizien and Michel Dojat and Florence Forbes",
	title = "Estimation incrémentale  pour la détection non supervisée d'anomalies multivariées en imagerie médicale",
	booktitle = "29° Colloque sur le traitement du signal et des images",
	year = "2023",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "2023-1121",
	pages = "p. 229-232",
	month = "Aout # 6 - Sept # 9",
	address = "Grenoble",
	doi = "",
	pdf = "2023_oudoumanessah1121.pdf",
	abstract = "La détection non supervisée d'anomalies en imagerie médicale est une tâche complexe. Les modèles de l'état de l'art basés sur des réseaux de neurones artificiels obtiennent des performances raisonnables mais au prix d'une consommation élevée de ressources computationnelles. Nous montrons que des modèles statistiques de mélange de distribution de probabilité, en particulier des mélanges gaussiens multivariés ou de lois de Student généralisées sont des alternatives aussi performantes, frugales et sans paramétrisation excessive. Nous proposons une approche incrémentale originale qui estime séquentiellement les hyperparamètres et permet ainsi de traiter de gros volumes de données. Nous illustrons l'efficacité de cette approche avec un problème de détection d'anomalies subtiles dans des IRM cérébrales de patients Parkinsoniens récemment diagnostiqués..pdf",
}