Алгоритмы определения биомаркеров возрастной макулярной дегенерации на изображениях ОКТ на основе машинного обучения
А.Ю. Ионов¹, Н.Ю. Ильясова^1,2, Д.В. Кирш^1,2, К.Р. Доценко³, А.В. Золотарев^3,4, Н.С. Демин^1,2, Е.Ю. Зубкова⁴

¹ Самарский национальный исследовательский университет имени академика С.П. Королева,
⁴ 43086, Россия, г. Самара, Московское шоссе, д. 34;
² Институт систем обработки изображений, НИЦ «Курчатовский институт»,
⁴ 43001, Россия, г. Самара, ул. Молодогвардейская, д. 151;
³ Самарский государственный медицинский университет,
⁴ 43099, Россия, г. Самара, ул. Чапаевская, д. 89;
⁴ ГБУЗ «Самарская областная клиническая офтальмологическая больница им. Т.И. Ерошевского», Самара, 443068, Россия, г. Самара, ул. Ново-Садовая, д. 158

Аннотация:
Цель работы – разработка алгоритмов для автоматического выявления биомаркеров возрастной макулярной дегенерации на ОКТ-изображениях сетчатки, направленных на оптимизацию процесса отбора пациентов для наносекундной ретинорепаративной терапии. Для данной задачи использованы методы машинного обучения для сегментации слоёв сетчатки и обнаружения мягких друз. Сегментация выполнялась с помощью сверточной сети U-Net, которая показала высокую точность: средний IoU на тестовой выборке составил 0,835. Для классификации зон атрофии, ретикулярных друз и друзеноидных отслоек проверяли четыре модели: QDA, KNN, логистическую регрессию и Random Forest. Лучшие результаты показала Random Forest с точностью 0,88 и F1-score до 0,93, при этом значения precision и recall оставались стабильными по всем классам. Алгоритмы, разработанные в данной работе, автоматически выделяют слои сетчатки, зоны атрофии и мягкие друзы, классифицируют патологические изменения и вычисляют их количественные параметры: ширину, высоту и площадь. Такой подход ускоряет анализ ОКТ-изображений, снижает нагрузку на врачей и помогает минимизировать диагностические ошибки. Кроме того, результаты открывают возможности для персонализированного подбора терапии: на основе точных количественных данных можно оценивать эффективность 2RT для конкретного пациента и прогнозировать динамику заболевания.

Ключевые слова:
нейронные сети, сверточные сети, сегментация, машинное обучение, возрастная макулярная дегенерация, оптическая когерентная томография, сегментация изображений, наносекундная ретинорепаративная терапия.

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-2026-0003 (в части экспериментов и программной реализации).

Цитирование:
Ионов, А.Ю. Алгоритмы определения биомаркеров возрастной макулярной дегенерации на изображениях ОКТ на основе машинного обучения / А.Ю. Ионов, Н.Ю. Ильясова, Д.В. Кирш, К.Р. Доценко, А.В. Золотарев, Н.С. Демин, Е.Ю. Зубкова // Компьютерная оптика. – 2026. – Т. 50, № 5. – 2001. – doi: 10.18287/COJ2001.

Citation:
Ionov AYu, Ilyasova NYu, Kirsh DV, Dotcenko KR, Zolotarev AV, Demin NS, Zubkova EYu. Machine learning-based algorithms for identifying age-related macular degeneration biomarkers in OCT images. Computer Optics 2026; 50(5): 2001. doi: 10.18287/COJ2001.