Learning spatiotemporal piecewise-geodesic trajectories from longitudinal manifold-valued data

Autor: Chevallier, Juliette, Oudard, Stéphane, Allassonnière, Stéphanie
Přispěvatelé: Centre de Mathématiques Appliquées - Ecole Polytechnique ( CMAP ), École polytechnique ( X ) -Centre National de la Recherche Scientifique ( CNRS ), Department of Medical Oncology, Hôpital Européen Georges Pompidou [APHP] ( HEGP ), Centre de Recherche des Cordeliers ( CRC ), Université Paris Diderot - Paris 7 ( UPD7 ) -École pratique des hautes études ( EPHE ) -Université Pierre et Marie Curie - Paris 6 ( UPMC ) -Université Paris Descartes - Paris 5 ( UPD5 ) -Institut National de la Santé et de la Recherche Médicale ( INSERM ), Ce travail bénéficie d'un financement public Investissement d'avenir, réference ANR-11-LABX-0056-LMH. This work was supported by a public grant as part of the Investissement d'avenir, project reference ANR-11-LABX-0056-LMH., Travail réalisé dans le cadre d'un projet financé par la Fondation de la Recherche Médicale, 'DBI20131228564'. Work performed as a part of a project funded by the Fondation of Medical Research, grant number 'DBI20131228564'., Chevallier, Juliette, Centre de Mathématiques Appliquées - Ecole Polytechnique (CMAP), École polytechnique (X)-Centre National de la Recherche Scientifique (CNRS), Hôpital Européen Georges Pompidou [APHP] (HEGP), Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Hôpitaux Universitaires Paris Ouest - Hôpitaux Universitaires Île de France Ouest (HUPO)-Assistance publique - Hôpitaux de Paris (AP-HP) (AP-HP)-Hôpitaux Universitaires Paris Ouest - Hôpitaux Universitaires Île de France Ouest (HUPO), Centre de Recherche des Cordeliers (CRC), Université Pierre et Marie Curie - Paris 6 (UPMC)-École pratique des hautes études (EPHE), Université Paris sciences et lettres (PSL)-Université Paris sciences et lettres (PSL)-Université Paris Diderot - Paris 7 (UPD7)-Université Paris Descartes - Paris 5 (UPD5)-Institut National de la Santé et de la Recherche Médicale (INSERM), Université Pierre et Marie Curie - Paris 6 (UPMC)-École Pratique des Hautes Études (EPHE), Centre National de la Recherche Scientifique (CNRS)-École polytechnique (X), Hôpitaux Universitaires Paris Ouest - Hôpitaux Universitaires Île de France Ouest (HUPO)-Assistance publique - Hôpitaux de Paris (AP-HP) (APHP)-Hôpitaux Universitaires Paris Ouest - Hôpitaux Universitaires Île de France Ouest (HUPO)-Assistance publique - Hôpitaux de Paris (AP-HP) (APHP), Université Paris Diderot - Paris 7 (UPD7)-École pratique des hautes études (EPHE)-Université Pierre et Marie Curie - Paris 6 (UPMC)-Université Paris Descartes - Paris 5 (UPD5)-Institut National de la Santé et de la Recherche Médicale (INSERM), Polytechnique - X - Centre National de la Recherche Scientifique (CNRS), Institut National de la Santé et de la Recherche Médicale (INSERM) - Université Paris Descartes - Paris 5 (UPD5) - Université Pierre et Marie Curie - Paris 6 (UPMC) - École pratique des hautes études (EPHE) - Université Paris Diderot - Paris 7 (UPD7)
Jazyk: angličtina
Rok vydání: 2017
Předmět:
Zdroj: 31st Conference on Neural Information Processing Systems (NIPS 2017)
31st Conference on Neural Information Processing Systems (NIPS 2017), Dec 2017, Long Beach, United States
Neural Information Processing Systems 2017
Neural Information Processing Systems 2017, Dec 2017, Long Beach, CA, United States
Neural Information Processing Systems 2017, Dec 2017, Long Beach, CA, United States.
Neural Information Processing Systems
Neural Information Processing Systems, Dec 2017, Long Beach, United States
Popis: International audience; We introduce a hierarchical model which allows to estimate a group-average piecewise-geodesic trajectory in the Riemannian space of measurements and individual variability. This model falls into the well defined mixed-effect models. The subject-specific trajectories are defined through spatial and temporal transformations of the group-average piecewise-geodesic path, component by component. Thus we can apply our model to a wide variety of situations. Due to the non-linearity of the model, we use the Stochastic Approximation Expectation-Maximization algorithm to estimate the model parameters. Experiments on synthetic data validate this choice. The model is then applied to the metastatic renal cancer chemotherapy monitoring: we run estimations on RECIST scores of treated patients and estimate the time they escape from the treatment. Experiments highlight the role of the different parameters on the response to treatment.
Databáze: OpenAIRE
Externí odkaz: