Etudiant : EL GHAMCH HAMZA

Filière : Master Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. TAIRI HAMID

Annèe : 2026

Résumé : La rétinopathie diabétique (RD) est une complication majeure du diabète pouvant entraîner une perte visuelle irréversible. Face aux limites du dépistage manuel par les spécialistes, ce projet propose une solution basée sur l’apprentissage profond pour automatiser la classification des cinq stades de sévérité de la maladie. Une architecture hybride orientée lésions, nommée EGLAN (EDP-Guided Lesion Attention Network), est développée sur le dataset APTOS 2019. Elle combine une branche EfficientNet-B0 dédiée à l’extraction du contexte global de la rétine et une branche RegNetY-032 guidée par des informations lésionnelles issues d’une segmentation Nested HEM V-Net et d’une carte de similarité basée sur la décomposition EDP. Cette approche permet d’intégrer simultanément les caractéristiques anatomiques globales et les signatures locales des lésions telles que les microanévrismes, les hémorragies et les exsudats. En raison de l’absence d’annotations pixelaires expertes, des pseudo-masques lésionnels sont générés automatiquement puis raffinés par une stratégie de pseudo-supervision inspirée de l’algorithme Espérance-Maximisation (EM). La décomposition EDP permet également d’extraire les variations texturales fines associées aux anomalies rétiniennes afin d’améliorer l’attention du modèle sur les régions pertinentes. Les résultats expérimentaux montrent des performances élevées avec une accuracy de 98,09 %, un QWK de 0,9932 et un macro F1-score de 0,9668, démontrant la capacité du modèle à effectuer une classification ordinale fiable de la rétinopathie diabétique. Enfin, un prototype web a été développé afin de transformer le modèle en un outil d’aide au dépistage intégrant la prédiction du grade, l’analyse des lésions et des cartes explicatives.