Die Diagnose verschiedener Netzhautkrankheiten anhand von Spektral-Domänen-Optischer-Kohärenztomografie (SD-OCT) Bildern ist eine herausfordernde Aufgabe. Verschiedene automatisierte Ansätze, wie Bildverarbeitung, maschinelles Lernen und Tiefes Lernen, wurden zur frühen Erkennung und Diagnose von Netzhautkrankheiten eingesetzt. Leider sind diese Ansätze fehleranfällig und rechnerisch ineffizient, was eine weitere Intervention durch menschliche Experten erfordert. In dieser Arbeit schlagen wir eine neuartige Architektur eines Faltungsneuronalen Netzes (CNN) vor, die es ermöglicht, verschiedene Degenerationen der Netzhautschichten und ihre zugrundeliegenden Ursachen erfolgreich zu unterscheiden. Die vorgeschlagene neuartige Architektur übertrifft andere Klassifikationsmodelle und löst das Problem des Gradientenexplosions. Unser Ansatz erreicht eine fast perfekte Genauigkeit von 99,8 % und 100 % für zwei getrennt verfügbare Retina-SD-OCT-Datensätze. Zudem prognostiziert unsere Architektur Netzhautkrankheiten in Echtzeit und übertrifft dabei menschliche Diagnostiker.