Los modelos existentes de segmentación de la capa coroidea del fondo de ojo están entrenados con imágenes OCT tradicionales y al aplicarlos a la segmentación de imágenes OCT ultra gran angular tienden a producir artefactos y oscilaciones en los bordes, además de presentar problemas como extracción insuficiente de características de los bordes y capacidad limitada de modelado global. Para mejorar la precisión de segmentación de imágenes OCT ultra gran angular, se centró en imágenes de fondo de ojo OCT ultra gran angular y se construyó un modelo de segmentación de la capa coroidea METransUNet multiescala y con realce de bordes basado en TransUNet. Este modelo introduce un módulo de realce de bordes EEM en las conexiones de salto para fortalecer la expresión de bordes y texturas en los mapas de características de OCT ultra gran angular, y en el decodificador fusiona el módulo de atención AIM para aprovechar plenamente la información de características multiescala. Se realizaron experimentos en el conjunto de datos D-choroid auto construido, los resultados mostraron que para este conjunto de datos el modelo METransUNet obtuvo valores ACC de 0.9930, Dice de 0.9114 e IOU de 0.8372, demostrando que este modelo puede proporcionar soporte técnico efectivo para el diagnóstico asistido inteligente de enfermedades coroideas relacionadas en OCT ultra gran angular. Finalmente, se construyó un sistema integrado de adquisición, inferencia y salida de resultados para análisis de imágenes OCT ultra gran angular, completando el diseño de la arquitectura del modelo, lo que puede impulsar la aplicación clínica del modelo.

Tomografía de coherencia óptica;Segmentación de imágenes;Ultra gran angular;Segmentación de la capa coroidea;TransUnet;Realce de bordes;Fusión de características multiescala