В статье представлено исследование по разработке модели искусственной нейронной сети для автоматического распознавания патологий глазного дна на основе изображений оптической когерентной томографии (ОКТ). Проведен анализ современных методов диагностики заболеваний глазного дна и применимости компьютерного зрения и нейронных сетей. Для исследования использован набор данных, находящийся в открытом доступе, содержащий 84713 изображений, предварительно аннотированных экспертами на четыре категории: хориоидальная неоваскуляризация, диабетическая ретинопатия (DME), дегенерация макулы и заднего полюса (DRUSEN) и нормальное состояние (NORMAL). Разработанная авторская архитектура нейронной сети, состоящая из нескольких сверточных слоев, слоев подвыборки и полносвязанных слоев, показала высокую точность классификации (0.98) и превосходит предобученные модели ResNet50 и VGG16. Метрики точности и полноты подтверждают высокую эффективность модели в автоматическом распознавании патологий глазного дна, что в перспективе открывает возможности для снижения нагрузки на медицинский персонал и повышения точности диагностики. Применение данной модели в клинической практике будет способствовать улучшению качества медицинского обслуживания, повышению скорости диагностики заболеваний и увеличению эффективности лечения пациентов.

Епифанов В. А., Темкин И. О., Кальгов И. В. Процедура автоматического безрадарного определения скорости мобильных объектов с использованием стационарной камеры. Программные продукты и системы, 2023, № 1 (36), с. 165–174. https://doi.org/10.15827/0236235X.141.165-174
Епифанов В. А., Темкин И. О., Кроснояружский С. Е. Эффективный алгоритм идентификации транспортных средств в системах видеонаблюдения. Горный информационный аналитический бюллетень, 2023, № 6, с. 5–18. https://doi.org/10.25018/0236_1493_2023_6_0_5; EDN: QEZDOP
De Boer J. F., Leitgeb R., Wojtkowski M. Twenty-five years of optical coherence tomography: the paradigm shift in sensitivity and speed provided by Fourier-domain OCT. Biomedical Optics Express, 2017, vol. 8, no. 7, pp. 3248 - 3280. https://doi.org/10.1364/BOE.8.003248
Diao S., Su J., Yang C., Zhu W., Xiang D., Chen X., Peng Q., Shi F. Classification and segmentation of OCT images for age-related macular degeneration based on dual guidance networks. Biomedical Signal Processing and Control, 2023, vol. 84, no. 9, pр. 1 - 11. https://doi.org/10.1016/j.bspc.2023.104810
Esteva A., Kuprel B., Novoa R. A., Ko J., Swetter J. M., Bloue H. M., Trun S. Dermatologistlevel classification of skin cancer with deep neural networks. Nature, 2017, vol. 542, pp. 115 - 118. https://doi.org/10.1038/nature21056
Huang D., Swanson E. A., Lin C. P., Schuman J. S., William G. Stinson W. G., Chang W., Hee M. R., Flotte T., Gregory K., Puliafito C. A., Fujimoto J. G. Optical coherence tomography. Science, 1991, vol. 254, pp. 1178 - 1181. https://doi.org/10.1126/science.1957169
Wang X., Peng Y., Lu L., Lu Z., Bagheri M., Summers R. M. ChestX-ray8: Hospital-scale chest X-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. IEEE Transactions on Medical Imaging, 2017, vol. 36, no. 7, pp. 1945 - 1956. https://doi.org/10.1109/TMI.2017.2699723