Алгоритмы определения биомаркеров возрастной макулярной дегенерации на изображениях ОКТ на основе машинного обучения

А.Ю. Ионов Н.Ю. Ильясова Д.В. Кирш К.Р. Доценко А.В. Золотарев Н.С. Демин Е.Ю. Зубкова

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 5 т.50, 2026 года.

Бесплатный доступ

Цель работы – разработка алгоритмов для автоматического выявления биомаркеров возрастной макулярной дегенерации на ОКТ-изображениях сетчатки, направленных на оптимизацию процесса отбора пациентов для наносекундной ретинорепаративной терапии. Для данной задачи использованы методы машинного обучения для сегментации слоёв сетчатки и обнаружения мягких друз. Сегментация выполнялась с помощью сверточной сети U-Net, которая показала высокую точность: средний IoU на тестовой выборке составил 0,835. Для классификации зон атрофии, ретикулярных друз и друзеноидных отслоек проверяли четыре модели: QDA, KNN, логистическую регрессию и Random Forest. Лучшие результаты показала Random Forest с точностью 0,88 и F1-score до 0,93, при этом значения precision и recall оставались стабильными по всем классам. Алгоритмы, разработанные в данной работе, автоматически выделяют слои сетчатки, зоны атрофии и мягкие друзы, классифицируют патологические изменения и вычисляют их количественные параметры: ширину, высоту и площадь. Такой подход ускоряет анализ ОКТ-изображений, снижает нагрузку на врачей и помогает минимизировать диагностические ошибки. Кроме того, результаты открывают возможности для персонализированного подбора терапии: на основе точных количественных данных можно оценивать эффективность 2RT для конкретного пациента и прогнозировать динамику заболевания.

нейронные сети \ сверточные сети \ сегментация \ машинное обучение \ возрастная макулярная дегенерация \ оптическая когерентная томография \ сегментация изображений \ наносекундная ретинорепаративная терапия

Короткий адрес: https://sciup.org/140316976

IDS: 140316976   |   DOI: 10.18287/COJ2001

Machine learning-based algorithms for identifying age-related macular degeneration biomarkers in OCT images

The aim of this study was to develop algorithms for the automatic detection of age-related macular degeneration biomarkers in retinal OCT images, aimed at optimizing the patient selection process for nanosecond retinal reparative therapy. Machine learning methods were used for retinal layer segmentation and soft drusen detection. Segmentation was performed using a U-Net convolutional network, which demonstrated high accuracy: the average IoU on the test set was 0.835. Four models were tested to classify atrophic areas, reticular drusen, and drusenoid detachments: QDA, KNN, logistic regression, and Random Forest. Random Forest demonstrated the best results, with an accuracy of 0.88 and an F1-score of up to 0.93, while precision and recall values remained stable across all classes. The algorithms developed in this study automatically identify retinal layers, atrophic zones, and soft drusen, classify pathological changes, and calculate their quantitative parameters: width, height, and area. This approach accelerates OCT image analysis, reduces the workload for physicians, and helps minimize diagnostic errors. Furthermore, the results open up opportunities for personalized therapy selection: using precise quantitative data, it is possible to evaluate the effectiveness of 2RT for a specific patient and predict disease progression.