This work is devoted to one of the urgent problems today - automation of diagnostics of ophthalmological diseases on optical coherence tomography (OCT) images. It is known that automation of diagnostics solves a number of existing problems and reduces the time of evaluation and interpretation of OCT images, and also eliminates the subjectivity of the assessment, thereby improving the quality of diagnostics.The object of the study is optical coherence tomography images of the eye with early and intermediate forms of age-related macular degeneration. The subject of the study is the development of a deep learning algorithm for multiclass segmentation of the "dry" form of age-related macular degeneration. The aim of the work is to develop and test a neural network model capable of multi-class segmentation of early and intermediate forms of age-related macular degeneration in optical coherence tomography images of the eye. Scientific novelty: within the framework of the work, multi-class segmentation of the "dry" form of AMD was carried out for the first time on the open OCTDL dataset using the UNet3+ convolutional deep neural network. The architecture of the neural network solving the problem of multi-class segmentation was developed based on the UNet3+ convolutional deep neural network and trained on the open OCTDL dataset. The practical significance of the work lies in the fact that the use of deep learning methods for segmentation of OCT images and classification of AMD forms will allow diagnosing the disease at an early stage and preventing its transition to a more severe form. Also, the use of deep neural networks will reduce the time of patient examination by a doctor and reduce the influence of the specialist's subjective assessment on the diagnosis. / Данная работа посвящена одной из актуальных на сегодняшний день проблем – автоматизации диагностики офтальмологических заболеваний на снимках оптической когерентной томографии (ОКТ). Известно, что автоматизация диагностики решает ряд существующих проблем и сокращает время оценки и интерпретации снимков ОКТ, а также устраняет субъективность оценки, тем самым повышая качество диагностики. Объектом исследования являются снимки оптической когерентной томографии глаза с ранней и промежуточной формами возрастной макулярной дегенерации. Предмет исследования – разработка алгоритма глубокого обучения для мультиклассовой сегментации «сухой» формы возрастной макулярной дегенерации. Цель работы – разработать и протестировать модель нейронной сети, способную проводить мультиклассовую сегментацию ранней и промежуточной форм возрастной макулярной дегенерации на снимках оптической когерентной томографии глаза. Научная новизна: в рамках работы впервые проведена мультиклассовая сегментация «сухой» формы ВМД на открытом наборе данных OCTDL с использованием сверточной глубокой нейронной сети UNet3+. Архитектура нейронной сети, решающая задачу мультиклассовой сегментации, была разработана на основе сверточной глубокой нейронной сети UNet3+ и обучена на открытом наборе данных OCTDL. Практическая значимость работы заключается в том, что использование методов глубокого обучения для сегментации снимков ОКТ и классификации форм ВМД позволит диагностировать заболевание на ранней стадии и предотвратить его переход в более тяжелую форму. Также использование глубоких нейронных сетей сократит время обследования пациента врачом и снизит влияние субъективной оценки специалиста на постановку диагноза.
| Identifer | oai:union.ndltd.org:urfu.ru/oai:elar.urfu.ru:10995/140342 |
| Date | January 2024 |
| Creators | Красильникова, Ю. С., Krasilnikova, Y. S. |
| Contributors | Борисов, В. И., Borisov, V. I., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Кафедра информационных технологий и систем управления |
| Publisher | б. и. |
| Source Sets | Ural Federal University |
| Language | Russian |
| Detected Language | Russian |
| Type | Master's thesis, info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Rights | Предоставлено автором на условиях простой неисключительной лицензии, http://elar.urfu.ru/handle/10995/31613 |
Page generated in 0.0022 seconds