Abstract:
a rétinopathie diabétique (RD) est une cause majeure de cécité évitable. Le dépistage précoce et la classification de sa sévérité sont
essentiels, mais les approches traditionnelles demeurent limitées par la subjectivité et la disponibilité restreinte de données annotées.
Dans ce contexte, cette thèse étudie l'apport du deep learning pour l'automatisation du diagnostic de la rétinopathie diabétique (RD).
Nous avons d'abord évalué l'efficacité du transfert d'apprentissage à travers plusieurs architectures convolutionnelles (VGG16,
ResNet50, InceptionV3, Xception), puis analysé le potentiel des Vision Transformers (ViTs), capables de modéliser les relations à
longue distance entre lésions dispersées.
Nous avons réalisé deux contributions majeures. La première consiste en l'ajustement automatique des hyperparamètres par
optimisation bayésienne, ce qui a considérablement amélioré les performances des modèles. La seconde porte sur le développement
d'un modèle hybride CNN-Transformer, fusionnant extraction locale et attention globale. Ce modèle, automatiquement optimisé, a
prouvé avoir de meilleures performances pour la détection et la classification multi-niveaux (2, 3 et 5 classes) de la RD, dépassant
les méthodes traditionnelles et préparant le terrain pour une future application clinique.
En conclusion, cette recherche confirme la pertinence des approches hybrides en deep learning pour le dépistage de la RD et ouvre
des perspectives vers des systèmes plus robustes, explicables et généralisables.
