Os modelos existentes de segmentação da camada coroide do fundo ocular são treinados com imagens OCT tradicionais, e ao serem aplicados à segmentação de imagens OCT ultra grande angular, tendem a produzir artefatos e oscilações nas bordas, além de apresentarem problemas como extração insuficiente de características das bordas e incapacidade global de modelagem. Para melhorar a precisão da segmentação de imagens OCT ultra grande angular, focou-se nas imagens do fundo ocular OCT ultra grande angular e foi construído um modelo de segmentação da camada coroide METransUNet multi-escala e com reforço de bordas baseado no TransUNet. Este modelo introduz um módulo de reforço de bordas EEM nas conexões de salto para fortalecer a expressão das bordas e texturas nos mapas de características do OCT ultra grande angular, e no decodificador integra um módulo de fusão de atenção AIM para aproveitar plenamente as informações de características multi-escala. Foram realizados experimentos no conjunto de dados D-choroid auto construído, os resultados mostraram que neste conjunto o modelo METransUNet atingiu valores ACC de 0.9930, Dice de 0.9114 e IOU de 0.8372, demonstrando que este modelo pode fornecer suporte técnico eficaz para o diagnóstico assistido inteligente de doenças relacionadas à coroide em OCT ultra grande angular. Por fim, foi construído um sistema integrado de coleta, inferência e saída de resultados para análise de imagens OCT ultra grande angular, para concluir o design da arquitetura do modelo, o que pode impulsionar a aplicação clínica do modelo.

Tomografia de coerência óptica;Segmentação de imagens;Ultra grande angular;Segmentação da camada coroide;TransUnet;Reforço de bordas;Fusão de características multi-escala