Цель работы: создать алгоритм и реализовать его в программном средстве для классификации фотоизображений патологий центральной области глазного дна человека, выявляемых при помощи исследования аутофлюоресценции, по 8 типам-паттернам: нормальный, минимальные изменения, фокальный, пятнистый, линейный, кружевоподобный, ретикулярный, крапчатый. Методы: алгоритмы машинного обучения (сверточные нейронные сети) и компьютерного зрения (гистораммные методы, перцептивные хэш-алгоритмы). Главная особенность задачи: ультрамалый набор уникальных фотоизображений с точно диагностируемым типом патологии (18 штук). Точность прогнозов при решении задачи с помощью нейросети 12,5%. Точность прогнозов разработанного алгоритма с использованием комбинации гистограмм, перцептивного хэша и 1 опорного фото нормального состояния глазного дна равна 60% при подборе параметров классификатора из набора 1 фото на 1 патологию. При использовании 3 опорных фото нормы — 85%. Предложенное решение может использоваться в медицине, офтальмологии, фотонике и оптике биотканей, машинном обучении как в научно-исследовательских, так и учебных целях.

The purpose of the work is to create an algorithm and implement it in a software tool for classifying photographic images of pathology of the central region of the human fundus, detected by autofluorescence research, according to 8 types-patterns: normal, minimal changes, focal, spotted, linear, lacelike, reticular, speckled. Methods used machine learning algorithms (convolutional neural networks) and computer vision (histogram methods, perceptual hash algorithms). The main feature of the task is an ultra-small set of unique photoimages with an accurately diagnosed type of pathology (18 pieces). The accuracy of forecasts when solving a problem using a neural network is 12.5%. The accuracy of the predictions of the developed algorithm using a combination of histograms, perceptual hash and one reference photo of the normal state of the fundus is 60% when selecting the classifier parameters from a set of one photo for one pathology. When using three reference photos, the norm is 85%. The proposed solution can be used in medicine, ophthalmology, photonics and optics of biological tissues, machine learning for both research and educational purposes.