Résumé:
Récemment, le diagnostic automatisé des maladies basé sur des images médicales est devenu un élément essentiel des logiciels de pathologie numérique. L'analyse de texture est couramment utilisée pour résoudre ce problème. La plupart des recherches dans ce domaine utilisent des méthodes artisanales pour extraire directement les caractéristiques des images malgré la corrélation substantielle entre les images de différentes classes, ce qui explique les résultats limités. Dans cette mémoire, la méthode d'extraction de caractéristiques artisanales (par exemple, LPQ) sera appliquée à un ensemble de descripteurs obtenus à partir d'une analyse profonde des images de texture du lymphome à l'aide d'une banque de filtres pondérés. De plus, le classifier ajuste automatiquement les paramètres des filtres pondérés à l'aide d'une optimisation basée sur un algorithme inspiré des chauves-souris pour atteindre un comportement d'analyse profonde et des performances optimales. En utilisant une base de données typique des sous-types de lymphome, nos résultats expérimentaux révèlent une amélioration significative par rapport aux techniques artisanales récentes, aboutissant à une excellente performance de 95,66%.