Face aux multiples facteurs d'erreur présents dans le système d'imagerie par polarisation basé sur la matrice de Mueller, un modèle de correction d'erreur multi-facteurs inter-modules est proposé afin d'améliorer la précision et la stabilité du système lors de la détection d'échantillons de tissus pathologiques, tout en explorant son potentiel d'application dans le diagnostic assisté du cancer de la thyroïde. Tout d'abord, les principales sources d'erreur du système sont analysées, un modèle de propagation d'erreur dans le trajet optique est établi par des méthodes analytiques et de reconstruction numérique, et un modèle de correction d'erreur multi-facteurs inter-modules comportant 16 paramètres d'étalonnage est construit. Ensuite, ces 16 paramètres sont calibrés par la méthode des moindres carrés non linéaires ; conformément au modèle de correction d'erreur, la matrice de Mueller de l'air et des lames blanches est détectée pour évaluer la précision de détection. Puis, à partir d'échantillons de coupes non colorées de cancer papillifère de la thyroïde et d'adenome nodulaire, quatre paramètres vectoriels (Δ, P, D, R) sont extraits par la méthode de décomposition de polarisation de la matrice de Mueller, ainsi que les caractéristiques texturales des images de chaque paramètre vectoriel ; deux modèles de classification, forêts aléatoires et machines à vecteurs de support, sont construits pour obtenir la matrice de confusion et la courbe ROC. Enfin, la performance de classification est évaluée par le calcul de la précision, du rappel, du score F1, et de l'AUC. Les résultats expérimentaux montrent une amélioration de 12% de la précision de calibration, de 21,5% de la stabilité de calibration, et de 59% de la précision de détection ; les caractéristiques texturales des images des paramètres vectoriels distinguent efficacement le cancer papillifère thyroïdien de l'adénome nodulaire, la forêt aléatoire surpassant la machine à vecteurs de support dans la classification, avec une performance la plus marquée pour le paramètre Δ dans le classificateur de la forêt aléatoire, où les scores F1 et AUC atteignent respectivement 0,96 et 0,99. Le modèle de correction d'erreur multi-facteurs proposé améliore significativement la précision et la stabilité de la détection du système ; combiné à la méthode de décomposition de polarisation de la matrice de Mueller et à l'analyse texturale, il distingue efficacement le cancer papillifère thyroïdien et l'adénome nodulaire, offrant une nouvelle méthode pour le diagnostic assisté précoce du cancer avec un bon potentiel d'application.

imagerie polarimétrique;correction d'erreur;paramètres vectoriels de la matrice de Mueller;caractéristiques texturales;forêt aléatoire