Method of segmentation of OCT images using a convulsive neural network
DOI:
https://doi.org/10.31649/1681-7893-2025-49-1-178-184Keywords:
optical coherence tomography, convolutional neural network, U-Net, Gaussian filter, structural similarity index.Abstract
The article analyzes the methods of segmentation of optical coherence tomography images, creates a convolutional neural network model U-Net, processes a series of test images from an open database, and compares the results of processing with other algorithms using the structural similarity index (SSIM). Pre-processing of test images to improve the quality of segmentation is also performed. Preprocessing of test images was also carried out to improve the quality of segmentation. In this work, the U-Net convolutional neural network was created, trained and applied. Existing methods of segmentation of optical coherence tomography images for the diagnosis and monitoring of ophthalmic diseases were considered. The advantages of using the U-Net deep convolutional neural network in comparison with classical methods, such as the Sobel operator and the Pruitt operator, were analyzed. Unlike classical algorithms, which have limited ability to adapt to noise, image heterogeneity and pathologies, U-Net provided higher accuracy of image segmentation.
References
Physical foundations of biomedical optics: monograph / [Pavlov S. V., Kozhem’yako V. P., Kolisnyk P. F. et al.] – Vinnytsia: VNTU, 2010. – 155 p.
Cui, C. & Lakshminarayanan, Vasudevan. (2003). The reference axis in corneal refractive surgeries: Visual axis or the line of sight?. Journal of Modern Optics - J MOD OPTIC. 50. 1743-1749. 10.1080/0950034031000070053.
Adaptive optics: textbook / [Vasyura A. S., Pavlov S. V., Prokopova M. O. et al.] – Vinnytsia: VNTU, 2015. – 281 p. ISBN 978-966-641-638-7
Shcherbatyuk A. V., Tuzhanskyi S. Ye. Analysis of optical models of the human eye. Materials of the All-Ukrainian scientific and practical Internet conference "Youth in science: research, problems, prospects (MN-2024)", Vinnytsia, May 11-20, 2024. Electronic. text. data. 2024. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2024/paper/viewFile/21550
Pavlov S. V., Poplavskyi A. A., Poplavskaya A. A., Babiuk N. P.. Method of automatic determination of segmentation threshold for improving the quality of image parameter prediction. Method of automatic determination of segmentation threshold for improving the quality of image parameter prediction / S. V. Pavlov, A. A. Poplavskyi, A. A. Poplavskaya, N. P. Babiuk // Optical-electronic information and energy technologies. - 2013. - No. 2. - P. 8-12.
Pavlov S. V., Saldan Y. R., Zlepko S. M., Azarov O. D., Tymchenko L. I., Abramenko L. V. Methods of preprocessing tomographic images of the fundus. Information technologies and computer engineering. 2019. No. 2. P. 4-12.
Shcherbatyuk A. V., Tuzhansky S. Ye. Methods of contour selection on OCT images. Materials of the LIV All-Ukrainian scientific and technical conference of the faculty of information electronic systems. 2025 URI: https://conferences.vntu.edu.ua/index.php/all-frtzp/all-frtzp-2025/paper/view/24051/20059
Yasenko L. S. Properties of a convolutional neural network based on an autoencoder / L. S. Yasenko, Ya. M. Klyatchenko // Information Technologies and Computer Engineering. – 2021. – No. 3. – P. 77-85. URI: http://ir.lib.vntu.edu.ua//handle/123456789/36494
Kugelman, J., Allman, J., Read, S.A. et al. A comparison of deep learning U-Net architectures for posterior segment OCT retinal layer segmentation. Sci Rep 12, 14888 (2022). https://doi.org/10.1038/s41598-022-18646-2
Image classification assessment for transfer learning in convolutional neural networks [Text] / M. S. Mamuta, I. V. Kravchenko, O. D. Mamuta, S. E. Tuzhansky // Optical-electronic information and energy technologies. – 2023. – No. 1 (45). – P. 64-70. URI: http://ir.lib.vntu.edu.ua//handle/123456789/37992
Kermany, Daniel; Zhang, Kang; Goldbaum, Michael (2018), “Large Dataset of Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images”, Mendeley Data, V3, doi: 10.17632/rscbjbr9sj.3
SSIM-PIL Python Lib https://github.com/ChsHub/SSIM-PIL
Shcherbatyuk A. V., Tuzhansky S. Ye. Optical coherence tomography methods and image filtering algorithms for ophthalmological diagnostics. Optical-electronic information and energy technologies. 2024. No. 1. P. 148-154. URL: http://jnas.nbuv.gov.ua/article/UJRN-0001494647
Downloads
-
PDF (Українська)
Downloads: 2
Published
How to Cite
Issue
Section
License
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
