Существующие модели сегментации хориоидального слоя глазного дна обучаются на традиционных OCT-изображениях и при применении к сверхширокоугольным OCT-изображениям часто возникают артефакты и колебания на краях, а также наблюдаются недостатки в извлечении краевых признаков и глобальном моделировании. Для повышения точности сегментации сверхширокоугольных OCT-изображений глазного дна была разработана многоуровневая модель сегментации METransUNet на основе TransUNet с усилением краёв. В модели в пропускающих связях введён модуль усиления краёв EEM для усиления представления краёв и текстур в картах признаков сверхширокоугольных OCT, а в декодере интегрирован модуль внимания AIM для полного использования мультиуровневой информации признаков. Эксперименты на собственном наборе данных D-choroid показали, что модель METransUNet достигает значения ACC 0.9930, Dice 0.9114 и IOU 0.8372, доказывая, что модель может обеспечить эффективную техническую поддержку для интеллектуальной помощи в диагностике заболеваний хориоидального слоя на сверхширокоугольных OCT. Наконец, была построена интегрированная система сбора, вывода и анализа изображений сверхширокоугольного OCT для завершения инженерной архитектуры модели, что может способствовать клиническому применению модели.

Оптическая когерентная томография;Сегментация изображений;Сверхширокоугольный;Сегментация хориоидального слоя;TransUnet;Усиление краёв;Слияние многоуровневых признаков