本論文は、緑内障、糖尿病性網膜症、老人性黄斑変性などの疾患診断に不可欠な光干渉断層撮影（OCT）画像の網膜層分割のための改善されたSegNetベースの深層学習フレームワークを提案する。従来のディープラーニングモデルは解釈力が不足しており、手動分割は時間がかかり、ボラティリティの大きな問題を解決するために、修正されたプーリング戦略を含む構造的イノベーションにより、ノイズの多いOCT画像から特徴抽出を向上させ、カテゴリー交差エントロピー損失とDice損失を組み合わせたハイブリッド損失関数を使用して性能を向上させた。また、Grad-CAMを統合してモデル決定の視覚的説明を提供することで臨床検証を可能にします。 Duke OCTデータセットで学習および検証した結果、95.77％の検証精度、0.9446のDice係数、0.8951のJaccard Index（IoU）を達成した。薄い境界部分で困難があったが、ほとんどの層で強力な性能を示した。 Grad-CAM可視化は解剖学的に関連する領域を強調し、分割結果を臨床バイオマーカーと一致させ、透明性を向上させた。構造改善、カスタマイズされたハイブリッド損失、説明可能なAIを組み合わせて、精度と解析力の間のギャップを解消する高性能SegNetベースのフレームワークを提供します。この方法は、OCT分析の標準化、診断効率の向上、AIベースの眼科ツールに対する臨床的信頼の向上に強力な可能性を提供します。
