L’examen histologique des tissus constitue une pratique ancienne en matière de diagnostic du cancer, où les pathologistes identifient la présence de tumeurs sur des diapositives en verre. Les diapositives issues du routine laboratoire peuvent contenir des artefacts involontaires dus à des complications lors de la résection chirurgicale. Les artefacts liés au sang et au tissu endommagé représentent deux problèmes courants associés à la résection transurétrale des tumeurs vésicales. Les différences dans les procédures histotechniques entre laboratoires peuvent également entraîner des variations de couleur et de légères incohérences dans les résultats. Une version numérisée d’une diapositive en verre, appelée image de diapositive entière (WSI, whole slide image), offre un potentiel considérable pour le diagnostic automatisé. La présence de zones non pertinentes au diagnostic dans une WSI nuit à sa valeur pour les pathologistes comme pour les systèmes de pathologie computationnelle (CPATH). Par conséquent, la détection automatique et l’exclusion des zones diagnostiquement non pertinentes pourraient conduire à des prédictions plus fiables. Dans cet article, nous détectons le sang et le tissu endommagé par rapport au tissu diagnostiquement pertinent. Nous évaluons l’efficacité du transfert d’apprentissage par rapport à l’entraînement depuis le début. Les meilleurs modèles atteignent des scores F1 de 0,99 et 0,89 pour la détection du sang et du tissu endommagé, respectivement. Étant donné que le sang et le tissu endommagé présentent des différences subtiles de couleur, nous analysons l’impact des méthodes de traitement des couleurs sur la performance de classification binaire de cinq architectures bien établies. Enfin, nous supprimons les informations chromatiques afin d’évaluer leur importance par rapport aux caractéristiques morphologiques dans la performance de classification.