چکیده

تصاویر توموگرافی انسجام نوری (OCT) نقش حیاتی در تشخیص بیماری‌های شبکیه ایفا می‌کنند. این مطالعه استفاده از اتمها در بخش بندی تصاویر OCT را مورد بررسی قرار می دهد و مدیریت پایه های سازنده تصویر با روشهایی خطی همچون یادگیری دیکشنری و غیرخطی یادگیری عمیق به منظور بخش بندی تصاویر OCT را مورد بررسی قرار می دهد. بدین منظور با استفاده از انتخاب پایه های مناسب تصاویر OCT به بخش‌های کارتونی و بافتی تقسیم می شود و لایه های اصلی شبکیه تفکیک می شود. همچنین با استفاده از معماری Trans-U-Net و Transformerها و توابع زیان سفارشی بخش بندی کیست‌های شبکیه در تصاویر OCT   نیز انجام می گیرد. کمترین خطای بخش بندی لایه ها مربوط به لایهOSL  بوده و استفاده از Trans-U-Net با توابع زیان سفارشی منجر به دقت بالایی در بخش بندی کیست‌ها گردید (ضریب Dice برابر با 95.52 برای داده‌های اولیه و 92.79 برای داده‌های نویزی).  بر این اساس می توان نتیجه‌گیری کرد که روشهای مبتنی بر یادگیری دیکشنری و یادگیری عمیق با استفاده از مدیریت پایه‌ها و تبدیل‌ها می‌تواند به بخش بندی دقیق لایه‌ها و کیست‌های شبکیه در تصاویر OCT کمک کنند.