Méthodes de clustering flou pour des ensembles compacts via une formalisation en forme d'étoile

• Une méthode de k-means flou robuste est développée pour le clustering d'ensembles en forme d'étoile. • L'approche est étendue à des ensembles compacts intégrant des informations géométriques mixtes. • Une dissimilarité sur mesure combine des fonctions radiales avec des descripteurs numériques. • Un exemple contrôlé montre les avantages des formulations mixtes et robustes. • Les méthodes quantifient efficacement les cellules d'ostéosarcome et isolent des formes atypiques. Des méthodes de clustering flou pour des ensembles compacts sont proposées en combinant leurs représentations en forme d'étoile avec des descripteurs géométriques numériques. L'algorithme classique de k-means flou, précédemment étendu à l'environnement en forme d'étoile grâce à une distance tenant compte à la fois des centres et de leurs fonctions radiales, est ici encore amélioré avec une extension robuste qui intègre un cluster de bruit pour réduire l'impact des ensembles atypiques. Les mêmes idées sont ensuite transférées à des ensembles compacts portant des informations de type mixte grâce à une mesure de dissimilarité qui mélange des composants fonctionnels et des valeurs réelles, donnant naissance à des variantes de données mixtes basiques et robustes. L'approche est illustrée par la morphologie des cellules d'ostéosarcome, où l'intégration des caractéristiques basées sur la forme et numériques offre une description plus informative de la variabilité cellulaire et soutient l'identification de cellules inhabituelles.