Las soluciones de aprendizaje profundo se pueden utilizar para clasificar cambios patológicos de la retina humana visualizados en imágenes de OCT. Los conjuntos de datos disponibles que se pueden utilizar para entrenar modelos de redes neuronales incluyen imágenes de OCT (escaneos B) de clases con cambios patológicos seleccionados e imágenes de la retina sana. Estas imágenes a menudo requieren corrección debido a adquisiciones inadecuadas o variaciones de intensidad relacionadas con el tipo de dispositivo de OCT. Este artículo proporciona una evaluación detallada del impacto del preprocesamiento en la eficiencia de la clasificación. Los histogramas de las imágenes de OCT fueron examinados y, dependiendo de la distribución del histograma, se eliminaron fragmentos de imagen incorrectos. Al mismo tiempo, se analizó el impacto de la ecualización del histograma utilizando el método estándar y el método de Ecualización del Histograma Adaptativo Limitado por Contraste (CLAHE). El conjunto de datos más extenso de imágenes de Tomografía de Coherencia Óptica Etiquetadas (LOCT) se utilizó para los estudios experimentales. El impacto de los cambios se evaluó para diferentes arquitecturas de redes neuronales y varios parámetros de aprendizaje, asumiendo clases de tamaño igual. Estudios exhaustivos han demostrado que eliminar partes blancas innecesarias de la imagen de entrada combinado con CLAHE mejora la precisión de la clasificación hasta un 4.75%, dependiendo de la arquitectura de red utilizada y el tipo de optimizador.