本論文では、病変OCTスキャンにおける光受容細胞層のセグメンテーションにベイジアンディープラーニングを基にしたモデルを紹介します。当該アーキテクチャは、光受容細胞層の正確なセグメンテーションを提供するとともに、病変やセグメンテーションエラーが潜在的に存在する可能性のある領域を強調表示するピクセル単位の認識的不確実性マップを生成します。我々は、加齢黄斑変性、網膜静脈閉塞症および糖尿病性黄斑浮腫を持つ患者の2つの病変OCTスキャンデータセットにおいて、この手法を経験的に評価しました。その結果、ベースラインとなるU-Netよりもダイス係数と適合率/再現率曲線下面積（AUC）の両面で性能が向上することが確認されました。また、不確実性推定値がモデルの性能と逆相関していることが観察され、これは手動での検査や修正が必要な領域を強調表示するための有用性を示しています。注：「認識的不確実性」（epistemic uncertainty）という表現は一般的ではありませんが、専門的な文脈では使用されることがあります。必要に応じて括弧内に原文を記載しました。