| DC Field | Value | Language |
|---|
| dc.contributor.author | Usenko, P. V. | - |
| dc.contributor.author | Prudnik, A. M. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-02-26T07:16:38Z | - |
| dc.date.available | 2025-02-26T07:16:38Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Usenko, P. V. Multi-Branch Convolutional Neural Network Architecture for Glaucoma Diagnosis Using Optical Coherence Tomography Biomarkers and Synthetic Image Simulation = Архитектура многоветвевой сверточной нейронной сети для диагностики глаукомы на основе биомаркеров оптической когерентной томографии и симуляции синтетических изображений / P. V. Usenko, A. M. Prudnik // Доклады БГУИР. – 2025. – Т. 23, № 1. – С. 74–82. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/59210 | - |
| dc.description.abstract | This paper presents a multi-branch convolutional neural network designed for glaucoma diagnosis using optical coherence tomography biomarkers and synthetic image simulations. The network includes six branches, each targeting key anatomical features. Trained on a synthetic dataset, the model achieved a validation accuracy of 94.2 % and a training loss of 0.162, demonstrating effectiveness in distinguishing between different glaucoma types. The results also highlight the potential for further accuracy improvement, particularly in reducing classification errors between closely related conditions. | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | доклады БГУИР | en_US |
| dc.subject | glaucoma diagnosis | en_US |
| dc.subject | optical coherence tomography | en_US |
| dc.subject | convolutional neural network | en_US |
| dc.title | Multi-Branch Convolutional Neural Network Architecture for Glaucoma Diagnosis Using Optical Coherence Tomography Biomarkers and Synthetic Image Simulation | en_US |
| dc.title.alternative | Архитектура многоветвевой сверточной нейронной сети для диагностики глаукомы на основе биомаркеров оптической когерентной томографии и симуляции синтетических изображений | en_US |
| dc.type | Article | en_US |
| dc.identifier.DOI | http://dx.doi.org/10.35596/1729-7648-2025-23-1-74-82 | - |
| local.description.annotation | В статье представлена многоветвевая сверточная нейронная сеть, разработанная для диагностики глаукомы с использованием биомаркеров оптической когерентной томографии и симуляции синтетических изображений. Сеть включает шесть ветвей, каждая из которых нацелена на ключевые анатомические особенности. Обученная на синтетическом наборе данных, модель показала точность проверки 94,2 % и потери при обучении 0,162, демонстрируя эффективность в различении разных типов глаукомы. Результаты также подчеркивают потенциал модели для дальнейшего повышения точности, особенно в части уменьшения ошибок классификации между близкими состояниями. | en_US |
| Appears in Collections: | Том 23, № 1
|
