Moustari Mohamed Abderaouf2025-05-252025-05-252025-05-25DOC/EL1353/2025https://repository.univ-msila.dz/handle/123456789/46222Les imagesdufondd’oeildespatientsatteintsderétinopathiediabétique(RD)présen- tent souventdenombreuseslésionsdisperséessurlarétine.Lesméthodesactuelles utilisent généralementl’imageentièrepourl’apprentissageduréseau,cequiprésente des limitespuisquelesanomaliesdelaRDsontgénéralementlocalisées.Laformation de réseauxneuronauxconvolutionnels(CNN)surdesimagesglobalespeutêtrediffi- cile enraisondubruitexcessif.Parconséquent,ilestcruciald’améliorerlavisibilité des régionsimportantesetdeconcentrerlesystèmedereconnaissancesurellespour améliorer laprécision. Cette thèseétudiedeuxtâches;lapremièreestunnouveauréseauneuronalcon- volutionnelguidéparl’attentionàdeuxbranches(AG-CNN)avecprétraitementinitial de l’imagepourlaclassificationdelaRD.L’AG-CNNétablitd’abordl’attentionglob- ale surl’imageentièreaveclabrancheglobale,puisintègreunebranchelocalepour compenser leséventuelsindicesdiscriminantsperdus. La deuxièmetâcheconsisteàaméliorerlaclassificationdelarétinopathiediabétique en combinantdescaractéristiquesartisanalesetprofondes.NousextrayonsLBP,HOG et GLCMpourcapturerlesmotifsdetextureetutilisonsDenseNet-121pourl’extraction de caractéristiquesprofondes.Lafusiondecescaractéristiquespermetunereprésenta- tion pluscomplètedesimagesrétiniennes,améliorantainsilacapacitédumodèleà distinguer lesdifférentsniveauxdegravitédelarétinopathiediabétique. Nous menonsdesexpériencesapprofondiesenutilisantl’ensemblededonnéesAP- TOS2019DRpourlesdeuxtâches.frCartographie d’activationdeclassepondéréepargradient-Apprentis- sage profond-Classificationdelarétinopathiediabétique-Systèmeàdeuxétapes- Extraction decaractéristiques-Caractéristiquesartisanales-Fusiondecaractéristiques - Prétraitementd’images-Extractionderégionsd’intérêtThesis