Le diagnostic de différentes maladies rétiniennes à partir d'images de tomographie par cohérence optique dans le domaine spectral (SD-OCT) est une tâche complexe. Diverses approches automatisées, telles que le traitement d'images, l'apprentissage automatique et les algorithmes d'apprentissage profond, ont été utilisées pour la détection précoce et le diagnostic des maladies rétiniennes. Malheureusement, ces méthodes sont sujettes aux erreurs et à l'inefficacité computationnelle, ce qui nécessite une intervention supplémentaire des experts humains. Dans cet article, nous proposons une nouvelle architecture de réseau neuronal convolutif capable de distinguer efficacement entre différentes dégénérescences des couches rétiniennes et leurs causes sous-jacentes. L'architecture proposée surpassent les autres modèles de classification tout en résolvant le problème de l'explosion du gradient. Notre approche atteint une précision quasi-parfaite de 99,8 % et 100 % pour deux jeux de données SD-OCT rétinienne distincts respectivement. De plus, notre architecture permet de prédire les maladies rétiniennes en temps réel tout en surpassant les diagnosticiens humains.