نماذج تقسيم طبقة المشيمية في قاعدة العين الموجودة حالياً تعتمد على صور OCT التقليدية للتدريب، وعند تطبيقها على تقسيم صور OCT واسعة المجال تظهر بسهولة آثار اصطناعية وتذبذب الحواف، كما تعاني من مشاكل مثل ضعف استخراج ميزات الحواف ونقص قدرة النمذجة الشاملة. لتحسين دقة تقسيم صور OCT واسعة المجال، تم التركيز على صور قاعدة العين واسعة المجال لبناء نموذج تقسيم طبقة المشيمية METransUNet متعدد المقاييس ومُعزز الحواف استناداً إلى TransUNet. يدمج النموذج وحدة تعزيز الحواف EEM في الوصلات المتخلفة لتعزيز التعبير عن الحواف والأنسجة في خرائط ميزات صور OCT واسعة المجال، وفي وحدة فك التشفير تم دمج وحدة الدمج بالانتباه AIM للاستفادة الكاملة من معلومات الميزات متعددة المقاييس. أُجريت تجارب على مجموعة بيانات D-choroid المنشأة ذاتياً، وأظهرت النتائج أنه في هذه المجموعة كانت قيمة ACC لنموذج METransUNet 0.9930، وقيمة Dice 0.9114، وقيمة IOU 0.8372، مما يثبت أن هذا النموذج يمكن أن يوفر دعماً تقنياً فعالاً للتشخيص الذكي للأمراض المرتبطة بالمشيمية في صور OCT واسعة المجال. أخيراً، تم بناء نظام متكامل يجمع بين الجمع، والاستدلال، وإخراج النتائج لتحليل صور OCT واسعة المجال لإتمام تصميم البنية الهندسية للنموذج، مما يدعم التطبيق السريري للنموذج.

التصوير المقطعي البصري التوافقي;تقسيم الصور;واسعة المجال;تقسيم طبقة المشيمية;TransUnet;تعزيز الحواف;دمج الميزات متعددة المقاييس