Etudiant : HANBALI BADREDDINE

Filière : Master Web Intelligence et Sciences des Données (WISD)

Encadrant : Pr. TAIRI HAMID

Annèe : 2025

Résumé : Face à la rétinopathie diabétique, principale cause de cécité chez les patients diabétiques, et un diagnostic précoce est crucial pour prévenir la perte de vision. Les méthodes classiques, souvent longues et sujettes à l’erreur, peinent à répondre aux besoins cliniques. Notre étude propose un processus de traitement automatique, de l’image brute à la prédiction finale, qui exploite les avancées du deep learning pour améliorer considérablement le diagnostic. Nous proposons une séquence de prétraitement cohérente combinant CLAHE pour renforcer le contraste local, correction gamma pour homogénéiser la luminosité, et fusion par ondelettes discrètes pour capturer des détails à différentes échelles. Puis, trois architectures CNN (DenseNet169, MobileNetV1 et InceptionResNetV2) ont été soigneusement ajustées afin d’extraire une variété d’indices visuels liés aux lésions rétiniennes. Enfin, nous avons formulé l’assemblage des modèles comme un problème d’optimisation et employé l’optimiseur de loup gris (Grey Wolf Optimizer (GWO)) pour apprendre automatiquement les poids les plus adaptés. L’évaluation sur les jeux de données DDR démontre que notre ensemble optimisé peut atteindre une précision de 83.97%, une AUC de 0.969 et un F1-score de 0.82, devançant nettement les approches individuelles et plusieurs références publiées. Des analyses d’ablation confirment l’apport de chaque étape. Ces résultats ouvrent la voie à des outils de diagnostic de la rétinopathie à la fois performants et interprétables, prêts pour une application clinique à grande échelle.