Les modèles existants de segmentation de la couche choroïdienne du fond d'œil sont entraînés sur des images OCT traditionnelles, et lorsqu'ils sont appliqués à la segmentation d’images OCT ultra-grand-angle, ils génèrent facilement des artefacts et des oscillations aux bords, ainsi que des problèmes d'extraction des caractéristiques des bords et de modélisation globale insuffisante. Afin d'améliorer la précision de la segmentation des images OCT ultra-grand-angle, ce travail se concentre sur les images du fond d'œil OCT ultra-grand-angle et construit un modèle de segmentation multi-échelle et renforcé des bords METransUNet basé sur TransUNet. Ce modèle introduit un module de renforcement des bords EEM dans les connexions de saut pour renforcer l'expression des bords et des textures dans les cartes de caractéristiques d’OCT ultra-grand-angle, et intègre un module d'attention AIM dans le décodeur pour exploiter pleinement les informations multi-échelles. Des expériences réalisées sur le jeu de données D-choroid, construit en interne, montrent que le modèle METransUNet atteint une valeur ACC de 0,9930, un score Dice de 0,9114, et un IOU de 0,8372, démontrant que ce modèle peut fournir un soutien technique efficace pour le diagnostic assisté intelligent des maladies choroïdiennes sous OCT ultra-grand-angle. Enfin, un système intégré de collecte, inférence et sortie des résultats a été construit pour analyser les images OCT ultra-grand-angle afin d'achever la conception architecturale du modèle, ce qui peut promouvoir l'application clinique du modèle.

Tomographie par cohérence optique;Segmentation d'images;Ultra-grand-angle;Segmentation de la couche choroïdienne;TransUnet;Renforcement des bords;Fusion de caractéristiques multi-échelles