@InProceedings{2015_lian82,
	author = "Chunfeng Lian and Su Ruan and Pierre Vera and Thierry Denoeux",
	title = "Dempster-Shafer Theory based Outcome Prediction in Cancer Therapy",
	booktitle = "25° Colloque sur le traitement du signal et des images",
	year = "2015",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-0087",
	pages = "p. 349-352",
	month = "Sep # 8--11",
	address = "Lyon",
	doi = "",
	pdf = "2015_lian82.pdf",
	abstract = "La prédiction de l'évolution d'un cancer permet d'adapter la planification d'un traitement thérapeutique, ce qui rend le traitement plus efficace. Dans cet article, nous proposons d'utiliser les caractéristiques d'image extraites à partir des images PET et des caractéristiques cliniques pour la prédiction. Compte tenu des imprécisions et des incertitudes dans les deux sources d'information, une nouvelle méthode de prédiction basée sur la théorie des fonctions de croyance est proposée. Tout d'abord, une fonction de perte avec une régularisation parcimonieuse est construite comme critère pour apprendre une métrique de dissimilarité entre les vecteurs de caractéristiques des patients. Une réduction de dimension est ensuite effectuée. Grâce à la contrainte parcimonieuse, l'influence des caractéristiques imprécises est réduite pour la prise de décision. Enfin, la métrique apprise est intégrée dans le classificateur EK-NN (Evidential K-Nearest-Neighbor) pour effectuer la prédiction. La méthode proposée a montré de bonne performance sur deux jeux de données relatives aux tumeurs du poumon et de l'œsophage..pdf",
}