La classification supervisée permet de construire des modèles prédictifs basés sur des données complexes pour aider aux processus de décision. Elle a subi un essor impressionnant ces dernières années, notamment grâce aux réseaux de neurones et à l'utilisation de données massives. Cependant, les méthodes mise au point dans ce cadre ne permettent pas de prendre en considération des bases de données dans lesquelles seules quelques instances sont disponibles pour construire le modèle, et encore moins quand ces instances sont décrites par un grand nombre de caractéristiques.

En imagerie médicale, les caractéristiques radiomiques permettent de caractériser l'hétérogénéité d'une région d'intérêt au niveau anatomique. Cette façon de quantifier l'hétérogénéité d'une région d'intérêt peut être utile, par exemple, afin d'identifier les tumeurs les plus agressives en oncologie. Pour ce faire, nous posons ici l'hypothèse que la variation des séquences d'acquisition d'imagerie par résonance magnétique (IRM) et ses différents niveaux de contraste qui en découlent permettrait d'optimiser l'analyse radiomique subséquente.