摘要

本文介绍了一种基于贝叶斯深度学习的模型，用于在病理光学相干断层扫描（OCT）中分割感光细胞层。该模型架构能够准确分割感光细胞层，并生成像素级的认知不确定性图，突出显示潜在的病灶区域或分割错误。我们通过两组患有年龄相关性黄斑变性的患者、视网膜静脉阻塞和糖尿病性黄斑水肿的病理OCT扫描数据，对这种方法进行了实证评估，结果表明该方法在Dice指数和精确率/召回率曲线下的面积方面均优于基线U-Net模型。此外，我们还观察到不确定性估计与模型性能呈负相关，这表明其在标记需要人工检查或校正的区域方面具有实用价值。