(50-5) 09 * << * >> * Русский * English * Содержание * Все выпуски

Алгоритм сегментации и анализа отслойки пигментного эпителия
Р.Т. Самигуллин 1, Н.Ю. Ильясова 1,2, Д.В. Кирш 1,2, Е.Ю. Зубкова 3, Е.А. Замыцкий 4, Н.С. Демин 1,2

1 Самарский национальный исследовательский университет имени академика С.П. Королева,
443086, Россия, г. Самара, Московское шоссе, д. 34;
2 Институт систем обработки изображений, НИЦ «Курчатовский институт»,
443001, Россия, г. Самара, ул. Молодогвардейская, д. 151;
3 ГБУЗ «Самарская областная клиническая офтальмологическая больница им. Т.И. Ерошевского»,
443068, Россия, г. Самара, ул. Ново-Садовая, д. 158;
4 Самарский государственный медицинский университет, 443099, Россия, г. Самара, ул. Чапаевская, д. 89

  Полный текст (PDF)

DOI: 10.18287/COJ2000

ID статьи: 2000

Аннотация:
В работе представлен алгоритм автоматической сегментации отслойки пигментного эпителия (PED) на изображениях оптической когерентной томографии (ОКТ) с последующей количественной оценкой её морфометрических характеристик. Для выделения области PED использована свёрточная нейронная сеть архитектуры U-Net, обученная на экспертно аннотированных ОКТ-В-сканах. Точность сегментации оценивалась с применением метрик Dice Score (Dice) и Intersection over Union (IoU) и показала высокое соответствие референсной разметке (Dice = 0,8614; IoU = 0,7590). На основе сегментированных данных выполнена трёхмерная реконструкция PED и реализован расчёт линейных размеров, площади и объёма с учётом метрологических параметров томографа. Оценка результатов показала, что суммарная относительная погрешность объёмных измерений не превышает 2 – 3 %. Предложенный подход обеспечивает объективную и воспроизводимую количественную оценку PED и может быть использован в клинических и исследовательских задачах.

Ключевые слова:
отслойка пигментного эпителия (PED), оптическая когерентная томография (ОКТ), сегментация изображений, глубокое обучение, количественная оценка, биомаркеры сетчатки, анализ морфологии.

Благодарности:
Работа проведена в рамках выполнения государственного задания НИЦ «Курчатовский институт» (в части теории) и в рамках выполнения государственного задания Самарскому университету, шифр проекта FSSS-2024-0014 (в части экспериментов и программной реализации).

Цитирование:
Самигуллин, Р.Т. Алгоритм сегментации и анализа отслойки пигментного эпителия / Р.Т. Самигуллин, Н.Ю. Ильясова, Д.В. Кирш, Е.Ю. Зубкова, Е.А. Замыцкий, Н.С. Демин // Компьютерная оптика. – 2026. – Т. 50, № 5. – 2000. – doi: 10.18287/COJ2000.

Citation:
Samigullin RT, Ilyasova NYu, Kirsh DV, Zubkova EYu, Zamytskiy EA, Demin NS. Algorithm for segmentation and analysis of pigment epithelial detachment. Computer Optics 2026; 50(5): 2000. doi: 10.18287/COJ2000.

References:

  1. Khanani AM, Guymer RH, Kaiser PK, Nishijo K, Wolf A, Gekkieva M, Heier JS. TENAYA and LUCERNE: Two-year results from the phase 3 neovascular age-related macular degeneration trials of faricimab with treat-and-extend dosing in year 2. Ophthalmology 2024; 131(8): 914-926. DOI: 10.1016/j.ophtha.2024.02.014.
  2. Leitritz MA, Gelisken F, Inhoffen W, Voelker M, Helb HM, Pauleikhoff D, Bartz-Schmidt KU, Schmitz-Valckenberg S. Can the risk of retinal pigment epithelium tears after bevacizumab treatment be predicted? An optical coherence tomography study. Eye 2008; 22: 1504-1507. DOI: 10.1038/eye.2008.145.
  3. Nawash B, Lakshmi K, Al-Sweedan SA, Alqudah A. Prognostic optical coherence tomography biomarkers in neovascular age-related macular degeneration. Journal of Clinical Medicine 2023; 12(9): 3049. DOI: 10.3390/jcm12093049.
  4. Rispoli M, Romano MR, Sacconi R, Marchese A, Parrulli F, Bandello F. Practical guidance for imaging biomarkers in exudative age-related macular degeneration. Survey of Ophthalmology 2023; 68(4): 615-627. DOI: 10.1016/j.survophthal.2023.02.004.
  5. Ul Kadir SM, Shamsuddin S, Azlan CAN, Yap CY, Tajul Arifin K. Artificial intelligence in ophthalmology: An overview. Ophthalmology Research 2022; 5(1). DOI: 10.33425/2639-9482.1024.
  6. Sivaguru R, Venkatesh D, Kumar A. Applications of artificial intelligence in the medical field: A survey. International Research Journal of Advanced Engineering Hub 2024; 2(3): 407-415. DOI: 10.47392/IRJAEH.2024.0060.
  7. Pedanova EK, Doga AV. Treatment of polypoid choroidal vasculopathy: Photodynamic therapy, anti-VEGF therapy, or their combination? A review [In Russian]. Ophthalmology in Russia 2019; 16(2): 151-158. DOI: 10.18008/1816-5095-2019-2-151-158.
  8. Saeidian J, Shafabakhsh R, Fathi A, Moeini A, Javanmard SH. Segmentation of choroidal area in optical coherence tomography images using a transfer learning-based conventional neural network: A focus on diabetic retinopathy and a literature review. BMC Medical Imaging 2024; 24(1): 281. DOI: 10.1186/s12880-024-01459-2.
  9. Marciniak T, Stankiewicz A, Zaradzki P. Neural networks application for accurate retina vessel segmentation from OCT fundus reconstruction. Sensors 2023; 23(4): 1870. DOI: 10.3390/s23041870.
  10. Leandro J, Nunes S, Alves D, Santos T, Leite J, Marques IP, Figueira J, Pires I. OCT-based deep-learning models for the identification of retinal key signs. Scientific Reports 2023; 13(1): 14628. DOI: 10.1038/s41598-023-41362-4.
  11. Zhang H, Jia Y, Liu Y, Chen H. Retinal OCT image segmentation with deep learning: A review of advances, datasets, and evaluation metrics. Computerized Medical Imaging and Graphics 2025; 123: 102539. DOI: 10.1016/j.compmedimag.2025.102539.
  12. Eckardt F, Menghini M, Birtel J, Weber RG, Herrmann P, Pfau M, Holz FG, den Hollander AI, Charbel Issa P. Deep learning-based retinal layer segmentation in optical coherence tomography scans of patients with inherited retinal diseases. Klinische Monatsblätter für Augenheilkunde 2025; 242(9): 903-911. DOI: 10.1055/a-2227-3742.
  13. Lin M, Chen Q, Liu J, Ma Y, Yu W. Recent advanced deep learning architectures for retinal fluid segmentation on optical coherence tomography images. Sensors 2022; 22(8): 3055. DOI: 10.3390/s22083055.
  14. Pattathil N, Zhao JZL, Sam-Oyerinde O, Felfeli T. Adherence of randomised controlled trials using artificial intelligence in ophthalmology to CONSORT-AI guidelines: A systematic review and critical appraisal. BMJ Health & Care Informatics 2023; 30(1): e100757. DOI: 10.1136/bmjhci-2023-100757.
  15. Balas M, Micieli JA, Wong JCY. Integrating AI with tele-ophthalmology in Canada: A review. Canadian Journal of Ophthalmology 2025; 60(3): e337-e343. DOI: 10.1016/j.jcjo.2024.08.013.
  16. Kugelman J, Zhang J, Abou Shousha M, Feuer W, Kishor K, Baniasadi N, Wang J, Lee CS, Lee AY. A comparison of deep learning U-Net architectures for posterior segment OCT retinal layer segmentation. Scientific Reports 2022; 12(1): 14888. DOI: 10.1038/s41598-022-18646-2.
  17. Wani MY, Bhat JI, Mir AH. Automated retinal blood vessel segmentation via U-Net and VGG-based models. Spectrum of Engineering Sciences 2025; 3(4): 490-498.
  18. Karn PK, Abdulla WH. Advancing ocular imaging: A hybrid attention mechanism-based U-Net model for precise segmentation of sub-retinal layers in OCT images. Bioengineering 2024; 11(3): 240. DOI: 10.3390/bioengineering11030240.
  19. Shinde R. Glaucoma detection in retinal fundus images using U-Net and supervised machine learning algorithms. Intelligent-Based Medicine 2021; 5: 100038. DOI: 10.1016/j.ibmed.2021.100038.
  20. Pavani PG, Biswal B, Gandhi TK, Kota AR. Robust semantic segmentation of retinal fluids from SD-OCT images using FAM-U-Net. Biomedical Signal Processing and Control 2024; 87: 105481. DOI: 10.1016/j.bspc.2023.105481.
  21. Michl M, Schlegl T, Waldstein SM, Bogunovic H, Podkowinski D, Gerendas BS, Sadeghipour A, Schmidt-Erfurth U. Automated quantification of macular fluid in retinal diseases and their response to anti-VEGF therapy. British Journal of Ophthalmology 2022; 106(1): 113-120. DOI: 10.1136/bjophthalmol-2020-317764.
  22. Aksenova LE, Fedorenko SV, Kurenkov AS, Zaytsev AV, Zheltov SYu, Khoroshilov AV. Development and testing of an automated system for retinal OCT image analysis [In Russian]. Doklady of the Russian Academy of Sciences. Mathematics, Informatics, Control Processes 2023; 514(2): 169-176.
  23. Ibragimova RR, Shchuko AG, Zhidkova SA, Pashkina AV, Khoroshilov AV. Algorithm for segmentation of macular OCT images for analysis of patients with age-related macular degeneration [In Russian]. Bulletin of Russian State Medical University 2022; (6): 89-96.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20