Многоклассовая сегментация снимков рубцовой и влажной формы макулодистрофии, полученных с помощью оптической когерентной томографии : магистерская диссертация

Abstract

The object of development is the code for working with the architecture of the Mask R-CNN convolutional neural network for segmentation of anomalies caused by cicatricial and wet forms of age-related macular degeneration in optical coherence tomography images. The purpose of the work is to write code for segmentation of anomalies in optical coherence tomography images. The paper considers the signs that determine the form of the disease that can be detected in an optical coherence tomography image, the stages of development of the architectures of neural networks of the R-CNN family, the OCTDL dataset containing optical coherence tomography images for several types of retinal diseases. An algorithm for multi-class segmentation of retinal anomalies caused by cicatricial and wet forms of age-related macular degeneration is written in the Python programming language.

Объектом разработки является код для работы с архитектурой свёрточной нейронной сети Mask R-CNN для сегментации аномалий, вызванных рубцовой и влажной формами возрастной макулярной дегенерации на снимках оптической когерентной томографии. Цель работы – написание кода для сегментации аномалий на снимках оптической когерентной томографии. В работе рассмотрены признаки, определяющие форму заболевания, которые можно обнаружить на снимке оптической когерентной томографии, этапы развития архитектур нейронных сетей семейства R-CNN, набор данных OCTDL, содержащий снимки оптической когерентной томографии по нескольким типам заболеваний сетчатки глаза. На языке программирования Python написан алгоритм для многоклассовой сегментации аномалий сетчатки, вызванных рубцовой и влажной формами возрастной макулодистрофии.