Die bestehenden Modelle zur Segmentierung der Aderhaut im Augenhintergrund basieren auf traditionellen OCT-Bildern. Bei der Anwendung auf Ultra-Weitwinkel-OCT-Bilder treten leicht Artefakte und Randoszillationen auf, zudem gibt es Probleme bei der Extraktion von Randmerkmalen und unzureichende globale Modellierungsfähigkeit. Um die Segmentiergenauigkeit von Ultra-Weitwinkel-OCT-Bildern zu verbessern, wurde ein mehrskaliges, randverstärktes METransUNet-Modell zur Segmentierung der Aderhautschicht basierend auf TransUNet entwickelt, das sich auf Ultra-Weitwinkel-OCT-Bilder des Augenhintergrunds konzentriert. Das Modell führt im Skip-Connection-Pfad ein Randverstärkungsmodul EEM ein, um die Darstellung von Kanten und Texturen in den Merkmalsskalen von Ultra-Weitwinkel-OCT zu stärken, und integriert im Decoder ein Aufmerksamkeitsfusionmodul AIM, um Mehrskalenmerkmale vollständig auszunutzen. Experimente auf dem selbst erstellten D-choroid-Datensatz zeigen, dass das METransUNet-Modell in diesem Datensatz einen ACC-Wert von 0,9930, einen Dice-Wert von 0,9114 und einen IOU-Wert von 0,8372 erzielt, was beweist, dass das Modell eine effektive technische Unterstützung für die intelligente Hilfsdiagnose von Aderhautbezogenen Erkrankungen bei Ultra-Weitwinkel-OCT bieten kann. Schließlich wurde ein integriertes System zur Erfassung, Inferenz und Ergebnisausgabe für die Analyse von Ultra-Weitwinkel-OCT-Bildern aufgebaut, um das modelltechnische Architekturdesign abzuschließen und die klinische Anwendung des Modells zu fördern.

Optische Kohärenztomographie;Bildsegmentierung;Ultra-Weitwinkel;Segmentierung der Aderhautschicht;TransUnet;Kantenverstärkung;Multiskalen-Merkmalsfusion