Автоматизированная диагностика эпиретинальной мембраны на ОКТ-изображениях с использованием алгоритмов глубокого обучения

Цель работы — разработка и оценка эффективности нейросетевой модели для автоматической сегментации эпиретинальной мембраны (ЭРМ) по данным оптической когерентной томографии (ОКТ).

Материал и методы. Исследование включает анализ 322 размеченных ОКТ-изображений макулярной зоны с признаками ЭРМ: 167 сканов — из клиники «Профессорская Плюс», 155 — из открытого датасета OCTDL. Проведено обучение и сравнение пяти архитектур: U-Net, Attention U-Net, TransUNet, LOCTSeg и Tiny-UNet. Для генерации первичных аннотаций использовалась базовая модель U-Net, прошедшая клиническую валидацию. Сегментация оценивалась по метрикам Dice и IoU. Аннотации проверялись тремя офтальмологами с опытом работы больше 10 лет.

Результаты. Все модели показали сопоставимые значения Dice и IoU, без статистически значимого различия между ними. Модель Tiny-UNet продемонстрировала наилучшее соотношение качества и ресурсной эффективности: 570 тыс. параметров, время обучения одной эпохи — 1/5 от U-Net, итоговое время обучения — 20 мин. При этом точность сегментации составила Dice = 86,1 %, IoU = 78,6 %.

Заключение. Tiny-UNet представляется оптимальной архитектурой для задач автоматической сегментации ЭРМ: она обеспечивает высокую точность при минимальных вычислительных затратах и подходит для внедрения в клиническую практику, включая мобильные и облачные телемедицинские решения.

1. Dupas B, Tadayoni R, Gaudric A. Epiretinal membranes. J Fr Ophthalmol. Российский офтальмологический журнал. 2025; 38, 9: 861–75. doi: 10.1016/j.jfo.2015.08.004

2. Fung AT, Galvin J, Tran T. Epiretinal membrane: A review. Clin Exp Ophthalmol. 2021; 49, 3: 289–308. doi: 10.1111/ceo.13914

3. Vallejo-Garcia JL, Romano M, Pagano L, et al. OCT changes of idiopathic epiretinal membrane after cataract surgery. Int J Retina Vitreous. 2020; 6, 37. doi: 10.1186/s40942-020-00239-8

4. Mitchell P, Smith W, Chey T, et al. Prevalence and associations of epiretinal membranes. The Blue Mountains Eye Study. Ophthalmology. 1997 Jun; 104, 6: 1033–40. doi: 10.1016/s0161–6420(97)30190–0

5. Gale MJ, Scruggs BA, Flaxel CJ, Diabetic eye disease: A review of screening and management recommendations. Clin Exp Ophthalmol. 2021 Mar; 49 (2): 128–45. doi: 10.1111/ceo.13894

6. Govetto A, Lalane RA, Sarraf D, et al. Insights into epiretinal membranes: Presence of ectopic inner foveal layers and a new optical coherence tomography staging scheme. Am J Ophthalmol. 2017; 175: 99–113. doi: 10.1016/j.ajo.2016.12.006

7. Шпак А.А., Журавлев А.С., Колесник С.В. и др. Прогностические критерии функциональных исходов хирургического лечения идиопатического эпиретинального фиброза, основанные на оптической когерентной томографии. Офтальмохирургия. 2024; 2 (139): 109–15. https://doi.org/10.25276/0235-4160-2024-2-109-115

8. Stevenson W, Ponce CMP, Agarwal DR, et al. Epiretinal membrane: optical coherence tomography-based diagnosis and classification. Clin Ophthalmol. 2016; 10: 527–34. doi: 10.2147/OPTH.S97722

9. Baamonde S, de Moura J, Novo J, et al. Automatic identification and intuitive map representation of the epiretinal membrane presence in 3D OCT volumes. Sensors. 2019; 19 (23). doi: 10.3390/s19235269

10. Gende M, de Moura J, Novo J, et al. Fully automatic epiretinal membrane segmentation in OCT scans using convolutional networks. AI Applications for Disease Diagnosis and Treatment, IGI Global Scientific Publishing. 2022; 88–121. doi: 10.4018/978-1-6684-2304-2.ch004

11. Tang Y, Gao X, Wang W, et al. Automated detection of epiretinal membranes in OCT images using deep learning. Ophthalmic Res. 2023; 66 (1): 238–46. doi: 10.1159/000525929

12. Parra-Mora E, da Silva Cruz LA. LOCTseg: A lightweight fully convolutional network for end-to-end optical coherence tomography segmentation. Comput Biol Med. 2022 Nov; 150: 106174. doi: 10.1016/j.compbiomed.2022.106174

13. Каталевская Е.А., Сизов А.Ю., Гилемзянова Л.И. Алгоритм искусственного интеллекта для сегментации патологических структур на сканах оптической когерентной томографии сетчатки глаза. Российский журнал телемедицины и электронного здравоохранения. 2022; 8 (3): 21–7. https://doi.org/10.29188/2712-9217-2022-8-3-21-27

14. Chen J, Lu Y, Yu Q, et al. TransUNet: Transformers make strong encoders for medical image segmentation. 2021 Feb; arXiv: arXiv:2102.04306. doi: 10.48550/arXiv.2102.04306

15. Kulyabin M, Zhdanov A, Nikiforova A, et al. OCTDL: Optical coherence tomography dataset for image-based deep learning methods. Sci Data. 2024 Apr; 11 (1): 365. doi: 10.1038/s41597-024-03182-7

16. Kulyabin M, Zhdanov A, Pershin A, et al. Segment anything in optical coherence tomography: SAM 2 for volumetric segmentation of retinal biomarkers. Bioengineering. 2024 Sep; 11 (9): 940. doi: 10.3390/bioengineering11090940