diff --git a/cnam/travaux/probatoire/document/glossaries.tex b/cnam/travaux/probatoire/document/glossaries.tex
index 47c9884..620d917 100644
--- a/cnam/travaux/probatoire/document/glossaries.tex
+++ b/cnam/travaux/probatoire/document/glossaries.tex
@@ -2,6 +2,7 @@
 
 \newacronym{anova}{ANOVA}{ANalysis Of VAriance}
 \newacronym{hbos}{HBOS}{Histogram Based Outlier Score}
+\newacronym{irm}{IRM}{Imagerie par Résonnance Magnétique}
 \newacronym{nn}{NN}{Nearest Neighbors}
 \newacronym{rbf}{RBF}{Radial Basis Function}
 \newacronym{sgbd}{SGBD}{Systèmes de Gestion de Bases de Données}
diff --git a/cnam/travaux/probatoire/document/principles.tex b/cnam/travaux/probatoire/document/principles.tex
index 0c5dad3..02cead2 100644
--- a/cnam/travaux/probatoire/document/principles.tex
+++ b/cnam/travaux/probatoire/document/principles.tex
@@ -252,6 +252,15 @@ deux approches sont intéressantes \cite{multi-class} :
 
 \subsubsection{Optimisation}
 
-Référence optimisation \cite{mri} \cite{optimization}
+Normaliser les données avant de les classifier peut donner de bien meilleurs
+résultats en fonction du type de problèmes considéré.
+
+Dans le cadre de la proposition d’un nouvel algorithme pour classifier des
+tumeurs cérébrales à partir d’\gls{irm} \cite{mri}, sont recensées
+(entre 1990 et 2018) de nombreuses combinaisons de pré-traitements
+et de classifications. \cite{optimization}
+
+Parmi ces traitements : filtre gaussien, réduction de bruit,
+suppression d’artefacts, égalisation d’histogramme, filtre médian.
 
 \pagebreak