Метод сегментації зображень ОКТ з допомогою згорткової нейромереж

Abstract

The article analyzes the methods of segmentation of optical coherence tomography images, creates a convolutional neural network model U-Net, processes a series of test images from an open database, and compares the results of processing with other algorithms using the structural similarity index (SSIM). Pre-processing of test images to improve the quality of segmentation is also performed. Preprocessing of test images was also carried out to improve the quality of segmentation. In this work, the UNet convolutional neural network was created, trained and applied. Existing methods of segmentation of optical coherence tomography images for the diagnosis and monitoring of ophthalmic diseases were considered. The advantages of using the U-Net deep convolutional neural network in comparison with classical methods, such as the Sobel operator and the Pruitt operator, were analyzed. Unlike classical algorithms, which have limited ability to adapt to noise, image heterogeneity and pathologies, U-Net provided higher accuracy of image segmentation.

У статті здійснено аналіз методів сегментації зображень оптичної когерентної томографії, створено модель згорткової нейромережі U-Net, здійснено обробку серії тестових зображень з відкритої бази даних та здійснено порівняння результатів обробки з іншими алгоритмами за індексом структурної схожості (SSIM). Також здійснено попередню обробку тестових зображень для підвищення якості сегментації. В даній роботі здійснено створення, тренування та застосування згорткової нейромережі U-Net. Розглянуто існуючі методи сегментації зображень оптичної когерентної томогафії для діагностики та моніторингу офтальмологічних захворювань. Було проаналізовано переваги використання глибокої згорткової нейронної мережі U-Net у порівнянні з класичними методами, такими як оператор Собеля, та оператор Прюітт. На відміну від класичних алгоритмів, які мають обмежену здатність адаптуватися до шуму, неоднорідності зображення та патологій, U-Net забезпечив вищу точність сегментації зображень.