Face aux multiples facteurs d'erreur présents dans le système d'imagerie de 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 dans la détection d'échantillons de tissus pathologiques, ainsi que d'explorer son potentiel d'application dans le diagnostic assisté du cancer de la thyroïde. Premièrement, les principales sources d'erreur du système sont analysées, un modèle de transfert d'erreur optique est établi à l'aide de méthodes analytiques et de reconstruction numérique, et un modèle de correction d'erreur multi-facteurs inter-modules comprenant 16 paramètres d'étalonnage est construit. Deuxièmement, les 16 paramètres sont calibrés par ajustement non linéaire des moindres carrés; selon le modèle de correction d'erreur, la matrice de Mueller de l'air et des lames blanches est détectée pour évaluer la précision de détection. Ensuite, en prenant des lames non colorées de carcinome papillaire de la thyroïde et d'adénome nodulaire thyroïdien comme échantillons, quatre paramètres vectoriels (Δ, P, D, R) sont extraits à l'aide de la méthode de décomposition de polarisation de la matrice de Mueller, ainsi que des caractéristiques texturales des images de chaque paramètre vectoriel; deux modèles de classification, forêt aléatoire et machine 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 que la précision de calibration s'est améliorée de 12%, la stabilité de calibration de 21,5% et la précision de détection de 59%; les caractéristiques texturales des images de chaque paramètre vectoriel permettent de distinguer efficacement le carcinome papillaire de la thyroïde et les échantillons d'adénome nodulaire, la performance de classification de la forêt aléatoire est meilleure que celle de la machine à vecteurs de support, et le paramètre Δ dans le classificateur de forêt aléatoire est le plus significatif, avec un score F1 et un AUC atteignant respectivement 0,96 et 0,99. Le modèle de correction d'erreur multi-facteurs proposé améliore significativement la précision et la stabilité du système de détection; combiné à la méthode de décomposition de polarisation de la matrice de Mueller et à l'analyse texturale, il permet de distinguer efficacement les échantillons de carcinome papillaire de la thyroïde et d'adénome nodulaire, fournissant une nouvelle méthode pour le diagnostic précoce assisté du cancer avec de bonnes perspectives d'application.

imagerie de polarisation; correction des erreurs; paramètres vectoriels de la matrice de Mueller; caractéristiques texturales; forêt aléatoire