JP7721570B2 - Ｏｃｔボリュームにおけるブルッフ膜セグメンテーション - Google Patents

Description

本発明は、概して、ＯＣＴデータにおける自動網膜層セグメンテーションに関する。より詳細には、本発明は、ブルッフ膜および脈絡膜－強膜接合部分など、従来の自動セグメンテーション方法のためのＯＣＴデータにおいて鮮明度に欠ける網膜層をセグメント化すること、ならびに網膜層セグメンテーションにおけるエラーを自動的に識別および補正する方法に関する。

ＯＣＴは、光波を使用して網膜組織の断面画像を生成する非侵襲的撮像技術である。例えば、ＯＣＴでは、網膜の特徴的な組織層を見ることが可能である。概して、ＯＣＴシステムは、サンプルから反射された光と、サンプルの三次元（３Ｄ）表現を形成する参照ビームとの干渉を検出することによって、ＯＣＴビームに沿ったサンプルの散乱プロファイルを決定する干渉撮像システムである。深さ方向（例えば、ｚ軸または軸方向）における各散乱プロファイルは、軸方向スキャンまたはＡスキャンに個別に再構成され得る。断面２次元（２Ｄ）画像（Ｂスキャン）、および拡張３Ｄボリューム（Ｃスキャンまたはキューブスキャン）は、ＯＣＴビームがサンプル上の一組の横断（例えば、ｘ軸およびｙ軸）位置を通ってスキャン／移動されるときに取得される複数のＡスキャンから構築され得る。また、ＯＣＴは、組織ボリューム（例えば、網膜の標的組織スラブ（サブボリューム）または標的組織層（単数又は複数））の選択部分の平面、正面ビュー（例えば、ｅｎ ｆａｃｅ）２Ｄ画像の構築を可能にする。ＯＣＴ血管造影（ＯＣＴＡ）は、ＯＣＴの拡張であり、組織層における血流の存在または欠損を識別し（例えば、画像フォーマットでレンダリングし）得る。ＯＣＴＡは、同じ網膜領域の複数のＯＣＴ画像における経時的な差（例えば、コントラスト差）を識別し、所定の基準を満たす差を血流として指定することによって、血流を識別することができる。ＯＣＴおよびＯＣＴＡのより詳細な説明が以下に提供される。

多くの場合、特定の組織をより良く観察するために、ＯＣＴデータ内の網膜層を識別することが診断目的に関して有益である。ＯＣＴデータにおいて網膜層を識別することによって、Ｂスキャンの特定の部分に集中すること、または選択された網膜層に基づいてｅｎ ｆａｃｅ画像をより良好に形成することが可能となる。網膜層の手動セグメンテーションは、非常に時間がかかり、一貫性がない可能性がある。従って、自動網膜層セグメンテーションツールは、ＯＣＴデータにおける網膜層のセグメンテーションにとって重要であるが、ＯＣＴデータの品質の低下および／または網膜層の典型的な（例えば、予想される）形状を変化させ得る病状の出現により、そのようなツールの信頼性は損なわれる。従って、多層セグメンテーション方法／ツールの性能は、特に（様々な網膜疾患によって引き起こされるような）構造を変化させる網膜病変が存在する場合に、そのようなツールを評価する際に重要な決定要因になる。

理想的には、自動多層セグメンテーション方法は、人手を介さずに所望の層境界を決定する。しかしながら、その場合、特に中度から重度の網膜病変のある眼において、および低品質のＯＣＴデータにおいて、層の誤識別エラーを起こしやすい。このような場合の層の境界は、通常、自動であっても、または手動でさえも識別可能ではない。層の誤識別は、弱い信号品質、眼球運動、および偏心などのＯＣＴ撮像エラーによって交絡が生じる可能性があるが、大部分は、疾患症例における網膜構造の形態学的な複雑さおよび反射率の変化によって引き起こされる。このような場合の正確な多層セグメンテーションは、従来のセグメンテーションアルゴリズムの能力を超えている。

人の評価者による手動多層セグメンテーションは、通常、選別者が、フリーハンド描画によって、または補間もしくはフィッティングアルゴリズムに使用される点を配置することによって、層を識別することを必要とする。手動化方法は、自動化方法よりも時間がかかり、大きな労働力を要し、かつ評価者間の高い変動性を有する。網膜層または境界の喪失のために、手動セグメンテーションが不可能な場合がある。

自動網膜層セグメンテーションの困難性は、ブルッフ膜（ＢＭ：Ｂｒｕｃｈ’ｓ ｍｅｍｂｒａｎｅ）又は脈絡毛細管板（ｃｈｏｒｉｏｃａｐｉｌｌａｒｉｓ）層などの、ＯＣＴデータ（例えば、構造データ）において典型的に明確に画定されていない網膜層をセグメント化しようとするときに特に顕著となる。脈絡毛細管板層は非常に薄く、脈絡毛細管板の特徴を解明するためには、３ＤＯＣＴＡデータを視覚化するためのｅｎ ｆａｃｅ画像を作成することが一般的に有効である。ドルーゼン（網膜下に蓄積する脂肪タンパク質（脂質）の沈着）または色素上皮剥離（ＰＥＤ：ｐｉｇｍｅｎｔ ｅｐｉｔｈｅｌｉａｌ ｄｅｔａｃｈｍｅｎｔ）を伴う加齢性黄斑変性症（ＡＭＤ：ａｇｅ－ｒｅｌａｔｅｄ ｍａｃｕｌａｒ ｄｅｇｅｎｅｒａｔｉｏｎ）の場合における網膜色素上皮（ＲＰＥ：Ｒｅｔｉｎａｌ Ｐｉｇｍｅｎｔ Ｅｐｉｔｈｅｌｉｕｍ）のセグメンテーションは、一般に、脈絡毛細管板のｅｎ ｆａｃｅ画像を生成するために使用することができない。従って、正確なＢＭセグメンテーションは、脈絡毛細管板の特徴を解明するための鍵となり得る。残念ながら、ＢＭのセグメンテーションは、構造ＯＣＴデータは、典型的には、ＢＭの領域においてコントラストが低いこと、ＯＣＴＡデータにおけるＲＰＥとＢＭとの脱相関テール（ｄｅｃｏｒｒｅｌａｔｉｏｎ ｔａｉｌ）問題、ならびに／または病状事例においてＢＭの周辺の信号が歪んでいることなどの理由により困難であり得る。ＢＭを識別するためにＯＣＴ構造データとＯＣＴフローデータとを組み合わせることは、非特許文献１で提案されている。その手法の詳細は直ちに明らかではないが、非特許文献１では、ドルーゼンが存在する場合にブルッフ膜のセグメンテーションのために自動ＯＣＴ－ＯＣＴＡグラフカットアルゴリズムを使用しているようである。

ショッテンハムル（Ｓｃｈｏｔｔｅｎｈａｍｍｌ）他著、「ＯＣＴ－ＯＣＴＡセグメンテーション：ドルーゼンの存在下でブルッフ膜をセグメント化するための新たなフレームワークおよび応用（ＯＣＴ－ＯＣＴＡ ｓｅｇｍｅｎｔａｔｉｏｎ：ａ ｎｏｖｅｌ ｆｒａｍｅｗｏｒｋ ａｎｄ ａ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｓｅｇｍｅｎｔ Ｂｒｕｃｈ’ｓ ｍｅｍｂｒａｎｅ ｉｎ ｔｈｅ ｐｒｅｓｅｎｃｅ ｏｆ ｄｒｕｓｅｎ）」、眼科・視覚科学研究（Ｉｎｖｅｓｔ Ｏｐｈｔｈａｌｋ ａｎｄ Ｖｉｓｕａｌ Ｓｃｉｅｎｃｅ）、２０１７年、５８（８）、６４５－６４５

本発明の目的は、ブルッフ膜および脈絡毛細管板などの網膜層をセグメント化することが従来は困難であったことについて、より信頼性の高いセグメンテーションを提供する自動化方法／システムを提供することである。

本発明の別の目的は、病状が存在する場合の網膜層セグメンテーションのための自動化方法／システムを提供することである。
本発明のさらなる目的は、網膜層セグメンテーションにおけるエラーを識別するための自動化方法／システムを提供することである。

本発明のさらに別の目的は、網膜層セグメンテーションにおけるエラーを近似値（ａｐｐｒｏｘｉｍａｔｉｏｎ）で置き換える自動化方法／システムを提供することである。
上記の目的は、光干渉断層撮影（ＯＣＴ）データにおけるブルッフ膜（ＢＭ）および他の網膜層の自動セグメンテーションのための方法／システムにおいて達成される。

ＯＣＴ構造データは、ＯＣＴＡフローデータとは基本的に異なり、これは、両方が異なるタイプの情報を提供するからである。そのため、特に、ＯＣＴが典型的に良好な構造情報を提供する上位網膜層において、それらの個別の画像は、全く異なることがある。これらの上位層では、ＯＣＴデータとＯＣＴＡデータとは全く異なる場合がある。ＯＣＴデータは、一般に、下位網膜層において鮮明度に欠ける。しかしながら、出願人は、これらの下位網膜層において、ＯＣＴデータがＯＣＴＡデータと同様に見える場合があることを発見した。本発明は、この発見を利用して、ＯＣＴデータがＯＣＴＡデータと大きく異なる場合からＯＣＴデータがＯＣＴＡデータにより類似するようになる場合への遷移をより良く強調／区別する。特に、脈絡膜領域及び強膜領域は、構造ＯＣＴ及びフローＯＣＴＡ画像において類似している。ＯＣＴデータがスラブ内の対応するＯＣＴＡデータと類似している場所に注目することによって、脈絡膜領域および強膜領域は、（対応するＯＣＴＡデータを使用して）構造ＯＣＴから除去または減衰され得る（または、そうでなければ構造ＯＣＴ内で画定／境界が明示され得る）。この手法では、ブルッフ膜の周辺の構造ＯＣＴデータは、脈絡膜領域の減衰後に増強され得る。従って、増強されたＯＣＴデータによって、セグメンテーション問題は非常に簡単になる。この手法は、下位網膜層において特に有益であるが、他の標的網膜層にも適用され得る。

本発明は、ＯＣＴＡデータを使用して、さもなければセグメンテーションのための十分な鮮明度を欠く可能性のあるＯＣＴデータ内の標的網膜層（例えば、ＢＭ、脈絡膜－強膜接合部分等）、または標的網膜層の周辺の領域を増強することによって、ＯＣＴデータ内の網膜層セグメンテーションを向上させる。ＯＣＴデータは、ＯＣＴデータとＯＣＴＡデータとの混合に基づいて増強され得る。一例では、ＯＣＴデータのコントラストは、ＯＣＴデータとＯＣＴＡデータとが非類似である領域（例えば、標的網膜層より上方）では増強され、ＯＣＴデータとＯＣＴＡデータとが類似している領域（例えば、標的網膜層より下方）で低減され得る。別の例において、ＯＣＴデータにおけるコントラストは、ＯＣＴおよびＯＣＴＡの類似度および非類似度を利用することによって、関心のある網膜層（例えば、ブルッフ膜）の周辺で増強され得る。ＯＣＴデータを増強することは、ＯＣＴデータとＯＣＴＡデータとの（例えば、加重）混合のうちのある割合をＯＣＴデータから減算することを含み、割合は、ＯＣＴデータおよびＯＣＴＡデータのデータ拡散の尺度（例えば、統計的分散）に対するＯＣＴデータおよびＯＣＴＡデータの共同変動性（ｊｏｉｎｔ ｖａｒｉａｂｉｌｉｔｙ）の尺度（例えば、統計的共分散）の比に基づき得る。従って、増強されたＯＣＴデータは、標的網膜層の境界を増強することができる。次いで、ＯＣＴデータ内の標的網膜層は、増強されたデータに基づいてセグメント化され得る。次いで、他の層が、標的網膜層に対してセグメント化され得る。

本発明は、向上された自動網膜セグメンテーションを提供するが、どのようなセグメンテーション方法でもエラーが発生しやすい。従って、本発明は、さらに、自動セグメンテーションのエラー検出および補正または近似を提供する。即ち、本発明は、網膜層のセグメンテーションの不成功を識別し、セグメンテーション近似値に置き換える方法を提供する。特定の実施形態では、ＯＣＴ構造データにおけるセグメンテーションの不成功は、血管造影（ＯＣＴＡ）網膜層スラブ（例えば、ＯＣＴＡ ｅｎ ｆａｃｅ画像）を使用して自動的に識別される。（不成功についてチェックの対象となる）標的網膜層を含むＯＣＴＡデータの２つのｅｎ ｆａｃｅ画像は、ＯＣＴデータにおける標的網膜層のセグメンテーションにおけるエラーをチェックするために使用される。例えば、標的網膜層は、内網状層（ＩＰＬ）、外網状層（ＯＰＬ）等であり得る。代替的に、第１のｅｎ ｆａｃｅ画像および第２のｅｎ ｆａｃｅ画像は、ＯＣＴデータからの個別のスラブから形成され得る。

標的網膜層のセグメンテーションの不成功又は成功の判定は、第１のｅｎ ｆａｃｅ画像及び第２のｅｎ ｆａｃｅ画像の局所的又は大域的な類似度尺度（ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅ）に基づく。例えば、類似度は、２つのｅｎ ｆａｃｅ画像間の正規化相互相関（ＮＣＣ）に基づき得る。識別された局所的エラーまたは大域的エラーは、２つのｅｎ ｆａｃｅ画像のうちの１つの最上位網膜層および最下位網膜層の場所に基づく近似値に自動的に置き換えられ得る。例えば、標的網膜層は、第２のｅｎ ｆａｃｅ画像を形成するスラブの最上位層と最下位層との間に挟まれており（第１のｅｎ ｆａｃｅ画像を形成するスラブは、最上位層が同じであるが、最下位層が標的網膜層によって定義され得る）、近似値は、第２のｅｎ ｆａｃｅ画像を形成するスラブの最上位層と最下位層との加重結合（ｗｅｉｇｈｔｅｄ ｃｏｍｂｉｎａｔｉｏｎ）に基づき得る。第２のｅｎ ｆａｃｅ画像の最上位層および最下位層は、最上位層および最下位層がエラーを有していないという信頼度尺度に基づいて選択され得る。例えば、これらの最上位層および最下位層は、ＯＣＴデータにおける明部から暗部または暗部から明部への鮮明度遷移尺度に基づいて選択され得る。加重結合は、最上位層および最下位層の間に挟まれた標的網膜層の予想される位置に対する最上位層および最下位層の位置に基づき得る。

本発明のその他の目的及び達成事項は、本発明のより十分な理解と共に、添付の図面と併せて解釈される以下の説明と特許請求の範囲を参照することにより明らかとなり、理解されるであろう。

本発明の理解を容易にするために、本明細書においていくつかの刊行物を引用または参照している。本明細書で引用または参照される全ての刊行物は、参照によりその全体が本明細書に組み込まれる。

本明細書で開示される実施形態は例にすぎず、本開示の範囲はそれらに限定されない。１つの請求カテゴリ、例えばシステムにおいて記載される何れの実施形態の特徴も、他の請求カテゴリ、例えば方法においても特許請求できる。付属の請求項中の従属性又は後方参照は、形式的な理由のためにのみ選択されている。しかしながら、それ以前の請求項への慎重な後方参照から得られる何れの主題もまた特許請求でき、それによって請求項及びその特徴のあらゆる組合せが開示され、付属の特許請求の範囲の中で選択された従属性に関係なく、特許請求できる。

特許ファイルまたは出願ファイルは、カラーで作成された少なくとも１つの図面を含む。本特許または特許出願公開のカラー図面の写しは、申請および必要な手数料の支払いに応じて官庁によって提供される。

図面では、同様の参照記号／文字が同様の構成要素を指す。
最新技術の自動多層セグメンテーションツールによって典型的にセグメント化され得る７つの網膜層の例を提供する図である。 地図状萎縮（ＧＡ）を有する眼の構造ＯＣＴ Ｂスキャンと、対応するＯＣＴＡ Ｂスキャンとを示す図である。 加齢黄斑変性（ＡＭＤ）を有する眼の構造ＯＣＴ Ｂスキャンと、対応するＯＣＴＡ Ｂスキャンとを示す図である。 本発明に従ってデータを増強するための２段階セグメンテーションプロセスの適用を示す図である。 構造データ及びフローデータを使用したＢＭ視覚化のための増強されたＯＣＴデータの２つの例を示す図である。 対応する脈絡毛細管板血管系マップを用いたＢＭセグメンテーションの３つの実施例を示す図である。 ２人の読取者（ｒｅａｄｅｒｓ）間および読取者とＢＭセグメンテーションとの間の平均絶対差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｄｉｆｆｅｒｅｎｃｅ）（９５％信頼区間を含む）およびＲ^２を示す図である。 手動セグメンテーション（左）および自動セグメンテーション（中央）を使用して作成された、中心窩を中心としたオーバーレイＥＴＤＲＳグリッドを有する右眼の脈絡膜厚さマップ（ミクロン単位）と、構造脈絡膜血管系マップ（右）とを示す図である。 ＥＴＤＲＳグリッドの各セクタについて回帰分析およびブランド・アルトマン（Ｂｌａｎｄ Ａｌｔｍａｎ）分析から抽出された情報を示す表を提供する図である。 自動セグメンテーションツールからのセグメンテーションアルゴリズム出力を使用して定義された例示的なＩＬＭ－ＩＰＬ ｅｎ ｆａｃｅ血管造影スラブ画像および例示的なＩＬＭ－ＯＰＬ ｅｎ ｆａｃｅ血管造影スラブ画像を示す図である。 図９のｅｎ ｆａｃｅ画像において比較された全ての行（Ｂスキャン）の正規化相互相関（ＮＣＣ）を示すプロットを提供する図である。 Ｂスキャン及びＩＬＭ－ＩＰＬ ｅｎ ｆａｃｅスラブ画像を示しており、ボリュームデータのＩＰＬセグメンテーションがＩＰＬセグメンテーション近似値によって置き換えられている図である。 ＭＬＳ ＩＰＬセグメンテーション７３ａと、ＭＬＳ ＩＰＬセグメンテーションが正しくない２つのＢスキャン上に重ねられたＩＰＬ近似７３ｂとを使用したＳＲＬスラブの２つの実施例を示す図である。 ＩＳ／ＯＳ接合部における自動セグメンテーションの不成功を伴う画像（ＦＯＶ＝８ｍｍ）を示す図である。 中心窩領域における自動セグメンテーションの不成功を伴う画像（ＦＯＶ＝１６ｍｍ）を示す図である。 図１９に示されたものと同様の、様々な網膜層の境界を表す（上から下への）重なり合うセグメンテーションを有するＯＣＴ Ｂスキャン（ＦＯＶ＝１２ｍｍ）の実施例を示す図である。 本発明によるセグメンテーション反映（ｐｒｏｐａｇａｔｉｏｎ）に基づく自動化方法の概略的なプロセスを示す図である。 セグメンテーション反映に基づく半自動化方法を示す図である。 本発明で使用するのに適した眼の３Ｄ画像データを収集するために使用される一般型周波数領域光干渉断層撮影システムを示す図である。 ヒトの眼の正常な網膜の例示的なＯＣＴ Ｂスキャン画像を示し、例示的に、種々の正規の網膜層および境界を識別する図である。 ｅｎ ｆａｃｅ脈管画像の例を示す図である。 脈管構造（ＯＣＴＡ）画像の例示的なＢスキャンを示す図である。 例示的なコンピュータシステム（またはコンピューティングデバイス又はコンピュータ）を示す図である。

光干渉断層撮影（ＯＣＴ）画像における解剖学的構造及び病理学的構造の正確な検出は、網膜疾患の診断及び研究のために重要である。ＯＣＴボリュームスキャンの各Ｂスキャンにおける関心のある特徴の手動セグメンテーションは、熟練評価者に要求されるだけでなく、臨床使用に非常に時間がかかる。別の問題は、主観的セグメンテーション結果をもたらす評価者間の固有の変動性である。Ｂスキャンにおいて複数の網膜層境界をセグメント化するための全自動手法は、セグメンテーションのために必要な処理時間を大幅に削減することができる。

自動多層セグメンテーション手法を使用して網膜層をセグメント化することは、いくつかの利点を有する。例えば、そのようなツールは、ノイズ低減、リサンプリングおよび正規化、ＯＣＴキューブ平坦化などの前処理ステップのための冗長な処理を省くことができる。さらに、未知の層を１つまたは複数の既知の層に対して参照すること、層を境界付ける２つの隣接層に注目することによって層を識別すること、処理のためにより小さい領域を識別することなど、識別されたセグメンテーション層を基に追加の情報を決定することができる。また、自動多層セグメンテーションツールは様々な厚さマップ（黄斑、ＲＮＦＬ、および神経節細胞の厚さ）、ならびに構造ｅｎ ｆａｃｅ画像および血管造影ｅｎ ｆａｃｅ画像などのｅｎ ｆａｃｅ撮像などの他の分析ツールの実装を可能にすることができる。また、これは、中心窩ファインダ、ＯＣＴＡ脱相関テール除去、ＣＮＶファインダアルゴリズム等の他のアルゴリズムへの入力として機能することができる。

図１は、最新技術の自動多層セグメンテーションツールによって典型的にセグメント化され得る７つの網膜層の例を提供する。現在のツールは、上部網膜層を自動的に成功裏にセグメント化することができるが、図１９を参照して以下説明するように、典型的な自動多層セグメンテーションツールが確実にセグメント化または識別することができない、ブルッフ膜および脈絡膜領域などの追加の網膜層がある。これらの層は、典型的には、ＯＣＴ信号がより弱く、かつより高いレベルのアーチファクトの傾向があり得る下位層であり、かつ／または健全な網膜の典型的な網膜層構造を変化させる病状を有する層である。

従って、多層セグメンテーションツールの性能は、様々な網膜疾患によって引き起こされる構造を変化させる網膜病変が存在する場合に重要な決定要因になる。既存の自動多層セグメンテーションツールには２つの主な問題が存在する。第１に、それらは、特に中程度から重度の網膜病変がある眼において、層セグメンテーションエラーを起こしやすい。第二に、ほとんどの既存の方法は、計算上非常に高価であり、大きなＯＣＴデータキューブ上で網膜層セグメンテーションを計算するのに数分から数時間を要する場合がある。層セグメンテーションエラーは、弱い信号品質、眼球運動、および疾患による網膜構造の形態学的な複雑さおよび反射率変化などのＯＣＴ撮像エラーによって交絡が生じる可能性がある。これらの場合の多層セグメンテーションは、従来のセグメンテーションアルゴリズムの能力を超えている。

本発明は、ブルッフ膜（ＢＭ）および脈絡膜など、自動セグメンテーションツールに通常含まれない網膜層を自動的にセグメント化するための方法およびシステムを提供する。これらの層をより良好にセグメント化するために、本発明は、任意の事前のセグメンテーションを使用することなく、脈絡膜および強膜部分等のＢＭの下方のＯＣＴ信号を除去または減衰させることによって、対応するＯＣＴＡ Ｂスキャンを使用して、ＢＭ（または他の標的網膜層）の周辺の構造ＯＣＴ Ｂスキャンのコントラストを増強させる。

図２は、地図状萎縮（ＧＡ：ｇｅｏｇｒａｐｈｉｃ ａｔｒｏｐｈｙ）を有する眼の構造ＯＣＴ Ｂスキャン１１と、対応するＯＣＴＡ Ｂスキャン１３とを示す。ＯＣＴデータ１１およびＯＣＴＡデータ１３は、ブロック１５によって示されるように混合され、次いで、結果として生成された混合信号は、ブロック１７によって示されるように、ＯＣＴデータ１１から減算されて、増強された構造データ／画像１９が生成される。増強された構造画像１９は、特にＧＡ領域において、はるかに高いコントラストを示しており、これは、この病状領域内であっても、ＢＭセグメンテーションを可能にする。正規化を伴わないＯＣＴまたはＯＣＴＡを使用したＢＭセグメンテーションは、ＢＭの周辺のＯＣＴにおける低コントラスト、およびＯＣＴＡにおける脱相関テールに起因して困難な問題であり、ＢＭ層の周辺では明確な接合部分が利用可能とはならないであろう。

図３は、加齢性黄斑変性症（ＡＭＤ：ａｇｅ－ｒｅｌａｔｅｄ ｍａｃｕｌａｒ ｄｅｇｅｎｅｒａｔｉｏｎ）を有する眼の構造ＯＣＴ Ｂスキャン２１と、対応するＯＣＴＡ Ｂスキャン２３とを示す。再び、ＯＣＴデータ２１及びＯＣＴＡデータ２３は、ブロック２５によって示されるように混合され、ＯＣＴデータ２１から減算されて（例えば、ブロック２７）、増強された構造画像／データ２９が生成される。図に示すように、増強された構造画像２９は、網膜色素上皮（ＲＰＥ：ｒｅｔｉｎａｌ ｐｉｇｍｅｎｔ ｅｐｉｔｈｅｌｉｕｍ）網膜層の下方により高いコントラストを示す。

増強された構造画像１９／２９の生成は、２段階（またはそれ以上）の画像セグメンテーションプロセスの第１段階の全部または一部を構成し得る。即ち、増強されたＯＣＴデータが第１段階で生成された後、次いで、自動セグメンテーション（または半自動セグメンテーション）を提供するために、任意の好適なセグメンテーション方法／アルゴリズムが、１つまたは複数の後続の段階において、増強されたＯＣＴデータ（例えば、１９および／または２９）に適用され得る。

本明細書では、自動多層セグメンテーションおよび半自動多層セグメンテーションのためのいくつかの概略的なフレームワークおよび方法が提示される。図１３～図１７に関連して以下で説明する１つのそのような自動セグメンテーション方法は、比較的高速であり、かつ市販製品で使用することができる。この手法は、開始位置（例えば、反映開始位置及び／又はＢスキャン）を自動的に又は手動で識別し、多層セグメンテーション情報を、例えば、隣接するＢスキャン及び／又は近接するＢスキャン（例えば、現在位置から所定の距離内のＢスキャン（例えば、開始位置から別のＢスキャン））に反映させる。本２段階（又はそれ以上の段階）の画像セグメンテーション方法と共に使用するのに適した別のセグメンテーション手法は、コントラスト増強構造ＯＣＴデータに基づくグラフ探索アルゴリズムを使用することができる。使用されるセグメンテーション方法に関係なく、各段階は、増強された（ＯＣＴ）データの異なる解像度にセグメンテーションを適用することができる。即ち、増強された（ＯＣＴ）データは、異なる解像度レベルにダウンサンプリングされてもよく、各解像度レベルは、セグメンテーションプロセスの異なる段階に提供されてもよく、セグメンテーションプロセスの第１段階は、最低解像度をセグメント化し、各段階の出力は、次の段階のための開始セグメンテーションであり、次の段階の解像度は、前の段階と等しいか、またはそれよりも高い。

本例示的な２段階（またはそれ以上）のセグメンテーションプロセスの場合、第１段階において、使用されている選択された画像セグメンテーション方法は、予備的な粗いセグメンテーション結果を生成する。その後、第１段階のセグメンテーションのベースラインを初期セグメンテーションとして取得することによって、セグメンテーションプロセスの第２段階は、最終的なセグメンテーション結果を得るために、（任意の適切なセグメンテーション方法を使用して）ベースラインより下方でセグメント化することから開始することができる。第１段階での適切な初期化（例えば、初期セグメンテーション）により、第２段階（及び後続の段階）は、困難な画像に対してさえも、所望のセグメンテーション結果を達成することができる。

図４は、増強されたデータへの本２段階セグメンテーションプロセスの適用を示す。本発明の一実施形態は、以下のステップを含むことができる。
１）対応するＯＣＴＡボリュームを使用して構造ＯＣＴボリューム内の脈絡膜領域を除去又は減衰させることによって構造ＯＣＴを増強する。

Ｖ_ｅ＝Ｖ_ｓ－α（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ）
α^＝ａｒｇｍｉｎ_ａｆ（（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ），Ｖ_ｓ－α（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ））
Ｖ_ｓ：構造ＯＣＴボリューム
Ｖ_ａ：ＯＣＴＡボリューム
Ｖ_ｅ：増強された構造ＯＣＴボリューム
ｗ_１，ｗ_２：ＯＣＴおよびＯＣＴＡボリュームに対する重み
ｆ：目的関数（例えば、正規化相互相関の二乗、相互情報量）
α：最適化のためのパラメータ
解は、α^＝Ｃｏｖ（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ，Ｖ_ｓ）／Ｖａｒ（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ）であり、式中、目的関数ｆが正規化相互相関の二乗である場合、Ｃｏｖは共分散であり、Ｖａｒが分散である。

２）初期セグメンテーションとしての第１段階は、高い信頼度を有するＶ_ｅの各Ｂスキャンのセグメンテーションと、それに続くベースライン計算とから構成される。ベースラインは、セグメンテーションの第２段階に使用される。

図４において、画像３１は、高い信頼度を有する増強された画像（例えば、Ｖ_ｅ）上の初期セグメンテーション３１ａと、２Ｄフィットから算出されたベースライン３１ｂとを示す。

３）第２段階は、初期セグメンテーションの下方でセグメント化することによる最終的なセグメンテーションから構成される。図４において、画像３３は、増強されたもの（例えば、Ｖ_ｅ）の上にプロットされた最終的なセグメンテーション３５を示す。次いで、このセグメンテーションは、画像３７に示されるように、元のＯＣＴデータ（例えば、構造Ｂスキャン）に移植され得る。

本実施形態では、第１段階および第２段階のセグメンテーション方法はグラフ探索アルゴリズムであるが、他のセグメンテーション方法を使用してもよい。
上述したように、本発明は、光干渉断層撮影における自動ブルッフ膜セグメンテーションのための方法において使用され得る。正確なブルッフ膜（ＢＭ）セグメンテーションは、網膜疾患の重要な診断指標である、可能性のある脈絡毛細管板の欠損、ならびに網膜色素上皮の隆起および機能障害を特徴付けるために不可欠である。本ＢＭセグメンテーション方法／システムは、ＯＣＴボリュームに適用されてもよい。

本例示的なＢＭセグメンテーション方法は、構造ＯＣＴボリューム（Ｖ_ｓ）及びフローＯＣＴボリューム（Ｖ_ａ）の両方を使用することによってＢＭ層を増強する。増強されたＯＣＴボリューム（Ｖ_ｅ）は、Ｖ_ｅ＝Ｖ_ｓ－α（ｗ_ｓＶ_ｓ＋ｗ_ａＶ_ａ）のように、構造データとフローデータの混合のうちのある割合を構造データから減算することによって算出され、式中、ｗ_ｓおよびｗ_ａは重みである（例えば、０．５に設定される）。比例係数αは、Ｖ_ｅと混合（ｗ_ｓＶ_ｓ＋ｗ_ａＶ_ａ）との間の類似度（二乗正規化相互相関）が最小化されると仮定して、α＝Ｃｏｖ（ｗ_ｓＶ_ｓ＋ｗ_ａＶ_ｓ，Ｖ_ｓ）／Ｖａｒ（ｗ_ｓＶ_ｓ＋ｗ_ａＶ_ａ）として定義され得る。このセグメンテーション方法は、多重解像度手法およびグラフ探索アルゴリズムに基づく。各解像度レベルのセグメンテーションベースラインは、次により高い解像度のセグメンテーションのための開始セグメンテーションとして使用される。本例では、より高速な処理のために解像度レベル数が２に設定されている。アルゴリズムの性能は、２００ｋＨｚ プレックス・エリート９０００（ＰＬＥＸ（登録商標）Ｅｌｉｔｅ９０００）（ツァイス社（ＺＥＩＳＳ）、カリフォルニア州、ダブリン）を使用して取得されたプロトタイプの３×３ｍｍ、６×６ｍｍ、９×９ｍｍ、１２×１２ｍｍ、および１５×９ｍｍの４０眼のＯＣＴＡキューブスキャンから抽出された１２０個のＢスキャンを使用して、２人の読取者からの手動編集と比較することによって評価される。全てのスキャンは、ＤＲおよびＡＭＤなどの疾患症例の混合であった。

図５Ａは、構造データ（Ｖ_ｓ）およびフローデータ（Ｖ_ａ）を使用したＢＭ視覚化のための増強されたＯＣＴデータ（Ｖ_ｅ）の２つの実施例４１ａおよび４１ｂを示し、図５Ｂは、対応する脈絡毛細管板血管系マップ４７ａ、４７ｂ、および４７ｃを有するＢＭセグメンテーション４５ａ、４５ｂ、４５ｃの３つの実施例４３ａ、４３ｂ、４３ｃを示す。実施例４１ａおよび４１ｂは、対応する構造ＯＣＴ（Ｖ_ｓ）のＢスキャン及びフローＯＣＴＡ（Ｖ_ａ）のＢスキャンによる増強されたＯＣＴのＢスキャン（Ｖ_ｅ）を示す。実施例４３ａ、４３ｂ、４３ｃは、ＢＭとＢＭ＋２０μｍとの間のＯＣＴＡフローデータ（例えば、形成されたＯＣＴＡスラブ）を使用することによる対応する脈絡毛細管板スラブ４７ａ、４７ｂ、４７ｃによるセグメンテーション結果４５ａ、４５ｂ、４５ｃを示す。

図６は、２人の読取者間、および読取者と対象ＢＭセグメンテーションとの間の平均絶対差（９５％信頼区間を含む）およびＲ^２を示す。各スキャンパターンについての平均絶対差は、読取者とＢＭセグメンテーションとの間の強い相関および大きな一致を実証する。

全体として、自動セグメンテーションおよび手動セグメンテーションは、強い相関および大きな一致を有する。自動セグメンテーションは、網膜疾患のための貴重な診断ツールであり得る。

別の例示的な実施形態は、光干渉断層撮影における自動脈絡膜－強膜接合部分のセグメンテーションのための方法を示す。脈絡膜－強膜接合部分をセグメント化するために、比較的速いアルゴリズムを開発した。本セグメンテーションは、脈絡膜－強膜境界の周辺のコントラストが高いＢスキャンから開始する。次に、セグメンテーションがボリュームデータ全体に反映される。このアルゴリズムは、グラフベースの方法への入力として強度画像及び勾配画像を使用して、各Ｂスキャンを関心領域においてセグメント化する。アルゴリズムの性能は、プレックス・エリート９０００（ＰＬＥＸ（登録商標）Ｅｌｉｔｅ９０００）ＳＳ－ＯＣＴ（ツァイス社（ＺＥＩＳＳ）、カリフォルニア州、ダブリン）を使用して取得された１２×１２ｍｍにわたる５００×５００のＡスキャンの４９眼の正常ＳＳ－ＯＣＴボリュームデータを使用して評価される。フィットしたＲＰＥベースラインと脈絡膜－強膜接合部分との間の距離として定義される、手動および自動セグメンテーションを使用した脈絡膜厚さマップを作成した。本実施形態の性能は、ＥＴＤＲＳグリッドの各セクタについて回帰分析およびブランド・アルトマン分析を使用して報告される。図７は、手動セグメンテーション（左）および自動セグメンテーション（中央）を使用して作成された、中心窩を中心としたオーバーレイＥＴＤＲＳグリッドを有する右眼の脈絡膜厚さマップ（ミクロン単位）と、構造脈絡膜血管系マップ（右）とを示す。ＥＴＤＲＳグリッドは、中心窩を中心とした半径２ｍｍ、４ｍｍ、および６ｍｍの３つの同心円からなる。図７の脈絡膜厚さマップは、手動セグメンテーションおよび自動セグメンテーション、ならびに対応する構造脈絡膜血管系マップによって作成される。

図８は、ＥＴＤＲＳグリッドの各セクタについて回帰分析およびブランド・アルトマン分析から抽出された情報を示す表を提供する。全てのセクタについての回帰分析およびブランド・アルトマン分析は、手動化方法と自動化方法との間の強い相関および良好な一致を実証する。平均処理時間は、インテル社（Ｉｎｔｅｌ）のｉ７ ＣＰＵ、２．７ＧＨｚ、３２ＧＢメモリを使用して４秒未満である。全体として、自動セグメンテーションおよび手動セグメンテーションによって作成された脈絡膜厚さマップは、強い相関および良好な一致を有する。

図示されているように、本発明は、自動セグメンテーションシステムにおいて良好な結果を提供するが、上述したように、自動セグメンテーションシステムは、大概的に、自動セグメンテーションシステムの制御を超えた無数の要因によって誤った結果を時として生成することがある。例えば、セグメンテーションエラーは、弱いＯＣＴ信号品質、眼球運動、または疾患症例における網膜構造の形態学的な複雑さおよび反射率変化に起因して発生し得る。自動（および手動）セグメンテーションシステムに関連するそのような問題に鑑みて、本発明は、網膜層のセグメンテーションの不成功を識別し、セグメンテーション近似値に置き換える方法をも提案する。

従来は、各層ポイントにおけるセグメンテーション信頼度を用いて、セグメンテーション品質を決定していた。セグメンテーション信頼度は、通常、所与のセグメンテーションポイントにおけるコスト画像（例えば、勾配画像）の強度に基づいて決定される。この方法は、１つのセグメンテーションが隣接する層セグメンテーションにジャンプしても、高い信頼度を有する可能性があるので、うまく機能しない場合がある。

本発明では、ＯＣＴＡフローデータを使用して、ＯＣＴ構造データのセグメンテーション品質を決定することができる。代替的に、ＯＣＴデータもこの提案のために使用することができる。本実施例では、ＯＣＴＡ血管系スラブの類似度は、特定の層セグメンテーションの不成功の指標として使用され得る。セグメンテーションの不成功は局所的に識別され、近似値によって置き換えられ得る。

本実施形態は、血管造影網膜層スラブを使用してセグメンテーションの不成功を自動的に識別する。例えば、内網状層（ＩＰＬ：Ｉｎｎｅｒ Ｐｌｅｘｉｆｏｒｍ Ｌａｙｅｒ）の層セグメンテーションの不成功は、内境界膜（ＩＬＭ：Ｉｎｎｅｒ Ｌｉｍｉｔｉｎｇ Ｍｅｍｂｒａｎｅ）及び外網状層（ＯＰＬ：Ｏｕｔｅｒ Ｐｌｅｘｉｆｏｒｍ Ｌａｙｅｒ）の層を使用して検出することができ、この検出は、ＩＰＬセグメンテーション及びＩＬＭセグメンテーションが合理的に正しいと仮定して、ＩＬＭ－ＩＰＬ及びＩＬＭ－ＯＰＬ血管造影（又は構造）スラブを生成するために行われる。この目的のためにＩＬＭセグメンテーションおよびＯＰＬセグメンテーションを使用することは、通常、網膜神経線維層（ＲＮＦＬ：Ｒｅｔｉｎａｌ Ｎｅｒｖｅ Ｆｉｂｅｒ Ｌａｙｅｒ）、ＩＰＬ、及び内顆粒層（ＩＮＬ：Ｉｎｎｅｒ Ｎｕｃｌｅａｒ Ｌａｙｅｒ）を使用するよりも良好に機能する。これは、ＩＬＭに関して様々な部分（暗部）からＲＮＦＬ（明部）への遷移、及びＯＰＬ（明部）から無血管ゾーン（暗部）への遷移がより鮮明であることに起因する。この例では、ＩＰＬセグメンテーションが適切にうまく行われた場合、ＩＬＭ－ＩＰＬ血管造影スラブとＩＬＭ－ＯＰＬ血管造影スラブとの間の局所的類似度が高いことが予想される。局所的類似度は、ＩＰＬセグメンテーションの不成功の指標である。スラブは、ＯＣＴＡボリュームデータ内の画定された層境界内の最大投影（又は、ｅｎ ｆａｃｅ画像を形成するための他の適切な方法）に基づいて生成することができる。ＩＰＬセグメンテーションが不成功であった場合、ＩＰＬセグメンテーションは、ＩＬＭ及びＯＰＬの加重平均に基づくＩＰＬ近似値に置き換えられる。同じ手法を使用して、基準層セグメンテーションの適切な選択によってＯＰＬセグメンテーションの不成功（または他の標的網膜層の不成功）を識別することができる。例えば、ＩＰＬセグメンテーション又はＩＳ／ＯＳセグメンテーションは、これらの層のセグメンテーションが正しい場合、基準層セグメンテーションとして使用され得る。

要約すると、本実施形態は、血管造影網膜層スラブを使用して、網膜層境界の局所セグメンテーションの不成功を自動的に識別することができる。以下の例では、ＩＰＬ層セグメンテーションの不成功は、ＩＰＬ及びＩＬＭセグメンテーションが受け入れ可能であるという仮定の下で、ＩＬＭ－ＩＰＬ及びＩＬＭ－ＯＰＬ血管造影スラブを生成するためのＩＬＭ層及び外側ＯＰＬ層を使用して検出される。この目的のためのＩＬＭおよびＯＰＬセグメンテーションは、通常、ＩＬＭに関して様々な部分（暗部）からＲＮＦＬ（明部）への遷移、およびＯＰＬ（明部）から無血管ゾーン（暗部）への遷移がより鮮明であることに起因して、他の網膜内層セグメンテーション（ＲＮＦＬ、ＩＰＬ、およびＩＮＬなど）よりも良好に機能する。

ＩＰＬセグメンテーションが適切にうまく行われた場合、ＩＬＭ－ＩＰＬ血管造影ｅｎ ｆａｃｅ画像（またはスラブ）とＩＬＭ－ＯＰＬ血管造影ｅｎ ｆａｃｅ画像（またはスラブ）との間の局所的類似度が高いことが予想される。局所的類似度は、不成功のＩＰＬセグメンテーションの指標である。本例では、ｅｎ ｆａｃｅスラブ画像は、ＯＣＴＡボリュームデータ内の画定された層境界内の最大投影に基づいて生成される。ＩＰＬセグメンテーションが不成功であった場合、ＩＰＬセグメンテーションは、ＩＬＭ及びＯＰＬの加重平均に基づくＩＰＬ近似値に置き換えることができる。

図９は、自動セグメンテーションツールからのセグメンテーションアルゴリズム出力を使用して形成された例示的なＩＬＭ－ＩＰＬ ｅｎ ｆａｃｅ血管造影スラブ画像５１および例示的なＩＬＭ－ＯＰＬ ｅｎ ｆａｃｅ血管造影スラブ画像５３を示す。図示のように、ｅｎ ｆａｃｅ画像５１および５３の大部分は類似しており、セグメンテーションの不成功がないことを示している。しかしながら、ｅｎ ｆａｃｅ画像５１内の局所領域５５は、ｅｎ ｆａｃｅ画像５３内の対応する局所領域５５と非類似であり、この局所領域でＩＰＬのセグメンテーションが不成功であったたことを示す。非類似の理由は、画像５１のスラブが自動ＩＰＬセグメンテーションに基づいて形成されており、セグメンテーションが不成功であると、画像５１のスラブがＩＰＬの真の形状（例えば、このスラブを形成する最下位層）に従わないからであると考えられる。ＩＬＭ－ＩＰＬ５１及びＩＬＭ－ＯＰＬ５３の血管造影スラブの（例えば、各Ｂスキャンに対応する）各行間の類似度は、これら２つのスラブの各行間の正規化相互相関（ＮＣＣ：ｎｏｒｍａｌｉｚｅｄ ｃｒｏｓｓ ｃｏｒｒｅｌａｔｉｏｎ）によって測定することができる。

図１０は、上部の０から底部に向かって１２００まで番号付けされた全ての行（Ｂスキャン）のＮＣＣを示すプロットを提供する。プロットから分かるように、血管造影スラブ（例えば、Ｂスキャン５０から２００程度まで）の上部（例えば、連続局所領域）における類似度は、血管造影スラブの他の部分に対して低い。これは、この上部におけるＩＰＬセグメンテーションの不成功の指標である。ＢスキャンのＮＣＣが所定の閾値（例えば、０．５～０．７、又は他の適切な値）よりも小さい場合、ＩＰＬセグメンテーションの不成功がそのＢスキャンにおいて発生したと判定される。

この不成功であった領域のＩＰＬセグメンテーションは、ＩＬＭ及びＯＰＬの加重平均（例えば、０．４＊ＩＬＭ＋０．６＊ＯＰＬ）に基づくＩＰＬセグメンテーション近似値によって置き換えることができる。例えば、ＩＬＭ（最上位層（ｔｏｐ ｌａｙｅｒ））およびＯＰＬ（最下位層（ｂｏｔｔｏｍ ｌａｙｅｒ））の重みは、標的網膜層の予想位置に対するそれらの相対的な位置に基づいてもよい。他の層は、ＩＰＬ近似値に基づいて決定され／近似され／チェックされ得る。ＲＮＦＬセグメンテーション近似値は、ＩＬＭ及びＩＰＬ近似値の加重平均に基づいて算出することができる（例えば、０．８＊ＩＬＭ＋０．２＊ＩＰＬ＿ａｐｐｒｏｘ）。ＩＮＬセグメンテーション近似値は、ＯＰＬ及びＩＰＬ近似値の加重平均に基づいて算出することができる（例えば、０．６＊ＯＰＬ＋０．４＊ＩＰＬ＿ａｐｐｒｏｘ）。

代替的に、全てのＢスキャンのＮＣＣ関数の分散が閾値よりも小さい場合、ボリュームデータのＩＰＬセグメンテーションを、ＩＰＬセグメンテーション近似値に置き換えることができる。図１１は、Ｂスキャン６１及びＩＬＭ－ＩＰＬ ｅｎ ｆａｃｅスラブ６３を示しており、ボリュームデータのＩＰＬセグメンテーションがＩＰＬセグメンテーション近似値によって置き換えられている。Ｂスキャン６１において、実線及び破線は、それぞれ、ＲＮＦＬ、ＩＰＬ、及びＩＮＬのセグメンテーション及び近似の結果を表す。局所セグメンテーションの不成功は、上述したようなＢスキャン全体ではなく、Ｂスキャンの一部（又はＢスキャン群の一部）にわたるウィンドウにおけるＩＬＭ－ＩＰＬ血管造影スラブとＩＬＭ－ＯＰＬ血管造影スラブとの間の類似度を発見することによっても決定することができる。

要約すると、本実施形態では、セグメンテーションの不成功の識別のためにＯＣＴ血管造影が使用される。本プロセスは、２つ以上の基準層セグメンテーションを使用して、局所的なセグメンテーションの不成功を識別し得る。

実施例の実例では、本発明を、光干渉断層撮影血管造影（ＯＣＴＡ：ｏｐｔｉｃａｌ ｃｏｈｅｒｅｎｃｅ ｔｏｍｏｇｒａｐｈｙ ａｎｇｉｏｇｒａｐｈｙ）における進行性網膜疾患症例のための自動網膜内層セグメンテーション近似を提供するために使用した。

概して、自動多層セグメンテーション（ＭＬＳ：ｍｕｌｔｉｌａｙｅｒ ｓｅｇｍｅｎｔａｔｉｏｎ）法は、所望の内層境界を決定する。しかしながら、その場合、特に網膜病変のある眼および低品質のデータにおいて、層の誤識別エラーを起こしやすい。このような場合の内層境界は、手動で特定できないことが多い。本実施例の実例は、ＯＣＴＡボリュームを使用した自動内網状層（ＩＰＬ）の外側境界（ｏｕｔｅｒ ｂｏｕｎｄａｒｙ）セグメンテーション近似方法を提供する。

ＭＬＳは、ＩＬＭセグメンテーション及びＯＰＬセグメンテーションの外側境界に基づいて生成された内境界膜（ＩＬＭ）－ＩＰＬ血管造影スラブ及びＩＬＭ－外網状層（ＯＰＬ）血管造影スラブを使用してＩＰＬセグメンテーションの不成功を検出する。これは、ＩＬＭセグメンテーションおよびＯＰＬセグメンテーションが正しいことを前提としている。正規化相互相関（ＮＣＣ）によって測定される、ＩＬＭ－ＩＰＬ血管造影スラブ及びＩＬＭ－ＯＰＬ血管造影スラブ間の局所的類似度は、これらのスラブが最大投影に基づいて生成されるときにＭＬＳ ＩＰＬセグメンテーションが正常に機能しない場合に低いことが予想される。ＮＣＣの分散が閾値より小さい場合、ＭＬＳ ＩＰＬセグメンテーションは、ＩＬＭセグメンテーション及びＯＰＬセグメンテーションの加重平均としてのＩＰＬセグメンテーション近似値によって置き換えられ、そうでない場合、ＭＬＳ ＩＰＬセグメンテーションが使用される。

本実例の性能は、シラス（ＣＩＲＲＵＳ（商標））ＨＤ－ＯＣＴ １６１をアンギオプレックスＯＣＴアンギオグラフィ（ＡｎｇｉｏＰｌｅｘ（登録商標）Ａｎｇｉｏｇｒａｐｈｙ）（ツァイス社（ＺＥＩＳＳ）、カリフォルニア州、ダブリン）と共に使用して取得された３×３ｍｍ（７６スキャン）、６×６ｍｍ（６７スキャン）、８×８ｍｍ（２スキャン）、１２×１２ｍｍ（７スキャン）、ＨＤ６×６ｍｍ（６スキャン）、ＨＤ８×８ｍｍ（３スキャン）にわたる１６１個の血管造影ボリュームデータを使用して評価した。データには、網膜疾患が混在していた。臨床評価者は、新たなアルゴリズムにより生成された各網膜表層（ＳＲＬ：ｓｕｐｅｒｆｉｃｉａｌ ｒｅｔｉｎａｌ ｌａｙｅｒ）スラブを成功または不成功として評価した。

図１２は、補正前及び補正後のＳＲＬスラブ７１及び７２の２つの例（例えば、エラーを伴うＭＬＳセグメンテーションによる元のスラブ７１Ａ／７２Ａ及び補正後のスラブ７１Ｂ／７２Ｂ）を示す。両方のスラブ７１及び７２は、ＭＬＳ ＩＰＬセグメンテーション７３ａ（例えば、カラー画像におけるシアン色の破線又は白黒のモノクロ画像における点線）と、ＭＬＳ ＩＰＬセグメンテーションが正しくない２つのＢスキャン上に重ねられたＩＰＬ近似７３ｂ（例えば、カラー画像におけるシアン色の実線又はモノコード画像における破線）とを示す。補正後のスラブ７１Ｂおよび７２Ｂに示されるように、ＩＰＬ近似は、これらの場合のＳＲＬのより正確な表現を形成する。スキャンの３４個（２１％）のＭＬＳ ＩＰＬセグメンテーションをＩＰＬ近似に置き換えた。ＭＬＳの成功率は、ＩＰＬ近似なしが７９％で、近似ありが９６％であった。従って、本実施例の実例は、ＭＬＳ ＩＰＬセグメンテーション性能が重度の網膜疾患または低画像品質の問題に遭遇する場合に、受け入れ可能なＳＲＬスラブを生成した。

本明細書では、開始位置（例えば、反映開始位置及び／又はＢスキャン）を自動的に又は手動で識別し、多層セグメンテーション情報を反映させる上述の代替の例示的なセグメンテーション方法が提示される。例示目的のために、図１３は、ＲＰＥセグメンテーションにも影響を及ぼした、ＩＳ／ＯＳ接合部における自動セグメンテーションの不成功を伴う画像（ＦＯＶ＝８ｍｍ）を示す。ＩＳ／ＯＳセグメンテーションを手動で補正し、続いて反映させることによって、ＲＰＥを正確に自動的に再セグメント化することができる。同様に、図１４は、網膜内層ならびにＩＳ／ＯＳおよびＲＰＥセグメンテーションに影響を及ぼした、中心窩領域における自動セグメンテーションの不成功を伴う画像（ＦＯＶ＝１６ｍｍ）を示す。この場合も、中心窩領域における手動補正とそれに続く反映によって、この領域におけるセグメンテーションを補正することができる。

本実施形態は、網膜内／網膜外においてコントラストが最良のＢスキャンを起点とする、ＯＣＴボリューム全体への多層セグメンテーションの反映に基づく自動化方法である。これは、半自動であり、かつ単一層境界に沿った反映に限定される従来の反映方法とは対照的である。本実施形態は、開始Ｂスキャンが熟練者によって選択および／または部分的に編集され得ることを除いて、本自動化方法と同様に半自動化方法を使用し得る。半自動化方法では、開始Ｂスキャンの一部の層境界を編集することが可能である。次いで、本アルゴリズムの自動化部分は、反映の前に、未編集の残りの層境界をさらにセグメント化することができる。

本自動化方法は、比較的迅速であるため、商業的用途での使用に適している。本自動化方法は、多層セグメンテーション反映の概念に基づく（例えば、反映は同時的な多層境界に基づく）。この自動化方法は、当然ながら、正常な場合として健全な構造を有する網膜スキャンの部分から、または増強されたＯＣＴデータ（画像）から、または画像（ＯＣＴデータ）の他の適切な高品質部分から開始される。網膜の健全な部分からセグメンテーション（Ｂスキャン）を開始し、隣接するＢスキャンへの滑らかな移行により、この反映アルゴリズムは、比較的高速かつロバストになる。

本明細書では、自動セグメンテーション反映の概略的な概念について説明する。本発明で使用するのに適した前処理方法は、本発明と同じ譲受人に譲渡された米国特許第１０１６９８６４号明細書に記載されている。しかしながら、実際のセグメンテーション及び反映ワークフローは異なる。

図１５は、内境界膜（ＩＬＭ）、網膜神経線維層（ＲＮＦＬ又はＮＦＬ）の外側境界、内網状層（ＩＰＬ）の外側境界、内顆粒層（ＩＮＬ）の外側境界、外網状層（ＯＰＬ）の外側境界、及びＩＳ／ＯＳ接合部、および網膜色素上皮（ＲＰＥ）を含む様々な網膜層の境界（図１９に示すものと同様）を表す（上から下への）重なり合うセグメンテーションを有するＯＣＴ Ｂスキャン（ＦＯＶ＝１２ｍｍ）の実施例を示す。

正の軸方向勾配（暗部から明部への遷移）を有する層境界は、概して、硝子体とＩＬＭとの間の境界、ＩＳ／ＯＳに関連する輝線の上位境界、およびＩＮＬに関連する輝線の下位境界を含む。負の軸方向勾配（明部から暗部への遷移）を有する層は、概して、ＲＮＦＬの外側境界、ＩＰＬの外側境界、およびＯＰＬの外側境界（およびＢＭの外側境界）を含む。

例えば、正の軸方向勾配を有する層境界は、Ｂスキャンにおいて同時に又は１つずつセグメント化することができる。これらのセグメンテーションは、隣接するＢスキャンのセグメンテーションのためのベースラインとして機能することができる。また、これらのセグメンテーションは、正の軸方向勾配または負の軸方向勾配のいずれかを有する層境界のセグメンテーションのために、隣接するＢスキャンにおける関心領域を定義することができる。負の軸方向勾配を有する層境界は、Ｂスキャンにおいて同時に又は１つずつセグメント化することができる。

図１６は、本発明によるセグメンテーション反映に基づく自動化方法の概略的なプロセスを示す。最初に、ステップ９１において初期セグメンテーションが実施される。このステップ内で、関心のある層または層群の周辺で最もコントラストが高い一部のＢスキャンがＯＣＴボリュームから自動的に選択される。（本発明と同じ譲受人に譲渡されている）米国特許第９７７８０２１号明細書に記載されているようなセグメンテーション可能性メトリックを使用して、Ｂスキャンの局所コントラストを決定してもよい。一部のＢスキャンは、グラフベースの方法または当技術分野で知られている他の高速方法を使用して、（それらが空間的に互いに近くに位置する場合に）独立してまたは依存してセグメント化され得る。ステップ９３において、開始Ｂスキャンが選択され、反映されるべき開始セグメンテーションも選択される。セグメンテーションの信頼度尺度を使用して、一部のＢスキャンからのどのＢスキャンセグメンテーションが最も信頼度が高いかが決定され得る。好ましくは、各セグメンテーションポイントには信頼度値が割り当てられ、信頼度値は、セグメンテーションポイントにおける総コスト関数（画像）から取得された値であり得る。総コスト画像は、関心のある層を探索するためにグラフベースのセグメンテーションにおいて使用され得る。第３のステップ９５において、前のステップで選択されたＢスキャンを起点として、セグメンテーションが反映される。セグメンテーションは、起点に隣接するＢスキャンに反映される。このプロセスにおいて、Ｂスキャンのセグメンテーションラインは、隣接するＢスキャンの同じ層セグメンテーションのためのベースラインになる。２つの隣接するＢスキャン間のセグメンテーションの変更は、セグメント化の対象となるＢスキャンにおける関心領域を抽出するために使用される（予め定義された）範囲内に規定される（例えば、この範囲内に制限される）と想定する（例えば、セグメンテーションは、この関心領域内に限定されると想定される）。例えば、範囲は、２つの隣接するＢスキャン間の間隔の約１～５倍であってもよい。例えば、２つの隣接するＢスキャン間の間隔が１２ミクロンである場合、範囲は１０～３０ミクロンであってもよい。代替的に、各セグメンテーションラインは２つの隣接するセグメンテーションラインによって境界付けられるため、範囲（例えば、関心領域）は、２つの隣接するセグメンテーションラインの間の領域であってもよい。例えば、第１のＢスキャン＿１がセグメント化され、次に、Ｂスキャン＿１のセグメンテーションを基準として使用して、層セグメンテーションのためのＯＣＴ関心領域を画定する第２のＢスキャン＿２が続く。Ｂスキャン２がセグメント化されると、Ｂスキャン２は第３のＢスキャン＿３の基準となる。

図１７は、セグメンテーション反映に基づく半自動化方法を示す。層境界または層境界群に対する半自動セグメンテーションおよび反映は、図１６の自動化方法におけるステップ９１および９３を熟練者の入力に置き換える。ブロック１０１において、（例えば、自動化方法によって決定される）セグメンテーションラインが、セグメンテーションの不成功が観察される選択されたＢスキャンにおいて補正される。ブロック１０３において、セグメンテーションラインは、図１６の自動化方法におけるステップ９５と同様の方法で反映される。ブロック１０５に示されるように、（自動化方法によって決定されたセグメンテーションが利用可能でない場合）セグメンテーションラインが、ＯＣＴボリューム全体において反映されるか、または自動セグメンテーションと現在のセグメンテーションとの間のエラーが閾値（例えば、５ミクロンの閾値）より小さい場合に層境界に関して停止する。次いで、ブロック１０７によって示されるように、ＯＣＴボリューム内の全てのセグメンテーションラインが補正されるまで、ブロック１０１～１０５が繰り返される。

以下に、本発明に好適な各種ハードウェアおよびアーキテクチャについて説明する。
光干渉断層撮影システム
概して、光干渉断層撮影（ＯＣＴ）は、低コヒーレンス光を使用して、生体組織の２次元（２Ｄ）および３次元（３Ｄ）内部ビューを生成する。ＯＣＴは、網膜構造の生体内撮像を可能にする。ＯＣＴ血管造影（ＯＣＴＡ）は、網膜内からの血管の流れなどのフロー情報を生成する。ＯＣＴシステムの例は、米国特許第６７４１３５９号明細書及び同第９７０６９１５号明細書に提供されており、ＯＣＴＡシステムの例には、米国特許第９７００２０６号明細書及び米国特許第９７５９５４４号明細書があり、これらは全て、参照によりその全体が本明細書に組み込まれる。例示的なＯＣＴ／ＯＣＴＡシステムが本明細書で提供される。

図１８は、本発明との使用に適した眼の３Ｄ画像データ収集用の一般型周波数領域光干渉断層撮影（ＦＤ－ＯＣＴ）システムを図解する。ＦＤ－ＯＣＴシステムＯＣＴ＿１は、光源ＬｔＳｒｃ１を含む。典型的な光源には、時間コヒーレンス長が短い広帯域光源、又は掃引レーザ源が含まれるがこれらに限定されない。光源ＬｔＳｃｒ１からの光のビームは、典型的に光ファイバＦｂｒ１によってサンプル、例えば眼Ｅを照明するように誘導され、典型的なサンプルは人間の眼内組織である。光源ＬｒＳｒｃ１は、例えば、スペクトルドメインＯＣＴ（ＳＤ－ＯＣＴ）の場合に時間コヒーレンス長が短い広帯域光源であり、掃引光源ＯＣＴ（ＳＳ－ＯＣＴ）の場合には波長可変レーザ光源であり得る。光は、典型的には、光ファイバＦｂｒ１の出力とサンプルＥとの間のスキャナＳｃｎｒ１を用いてスキャンされ得、その結果、光のビーム（破線Ｂｍ）は、撮像されるべきサンプルの領域にわたって横方向にスキャンされる。スキャナＳｃｎｒ１からの光ビームは、走査レンズＳＬおよび眼科用レンズＯＬを通過し、撮像されるサンプルＥ上に合焦され得る。走査レンズＳＬは、複数の入射角でスキャナＳｃｎｒ１から光ビームを受け取り、実質的にコリメートされた光を生成することができ、眼科用レンズＯＬは、次いで、サンプル上に合焦させることができる。本例は、所望の視野（ＦＯＶ）をスキャンするために２つの横方向（例えば、デカルト平面上のｘ方向及びｙ方向）にスキャンされる必要がある走査ビームを示す。この例は、サンプルを横切ってスキャンするためにポイントフィールドビームを使用するポイントフィールドＯＣＴである。従って、スキャナＳｃｎｒ１は、２つのサブスキャナ、即ち、第１の方向（例えば、水平ｘ方向）にサンプルにわたってポイントフィールドビームをスキャンするための第１のサブスキャナＸｓｃｎと、交差する第２の方向（例えば、垂直ｙ方向）にサンプル上でポイントフィールドビームをスキャンするための第２のサブスキャナＹｓｃｎとを含むように例示的に示されている。走査ビームがラインフィールドビーム（例えば、ラインフィールドＯＣＴ）であり、一度にサンプルのライン部分全体をサンプリングし得る場合、所望のＦＯＶに及ぶようにサンプルにわたってラインフィールドビームをスキャンするために、１つのスキャナのみが必要とされ得る。走査ビームがフルフィールドビーム（例えば、フルフィールドＯＣＴ）である場合、スキャナは必要とされなくてもよく、フルフィールド光ビームは、一度に所望のＦＯＶ全体にわたって照射されてもよい。

使用されるビームの種類に関係なく、サンプルから散乱された光（例えば、サンプル光）が収集される。本実施例では、サンプルから戻る散乱光は、照明のために光をルーティングするために使用される同じ光ファイバＦｂｒ１に収集される。同じ光源ＬｔＳｒｃ１から派生する参照光は別の経路に沿って移動し、この場合、これには光ファイバＦｂｒ２及び調整可能な光学遅延を有する逆反射板ＲＲ１が含まれる。当業者であればわかるように、透過性参照経路も使用でき、調整可能遅延はサンプル又は干渉計の参照アームの中に設置できる。集光されたサンプル光は、例えばファイバカプラＣｐｌｒ１において参照光と結合され、ＯＣＴ光検出器Ｄｔｃｔｒ１（例えば、光検出器アレイ、デジタルカメラ等）内の光干渉を形成する。１つのファイバポートが検出器Ｄｔｃｔｒ１に到達するように示されているが、当業者であればわかるように、干渉信号のバランス又はアンバランス検出のために様々な設計の干渉計を使用できる。検出器Ｄｔｃｔｒ１からの出力は、プロセッサ（例えば、内部または外部コンピューティングデバイス）Ｃｍｐ１に供給され、それが観察された干渉をサンプルの深さ情報へと変換する。深さ情報は、プロセッサＣｍｐ１に関連付けられるメモリ内に保存され、及び／又はディスプレイ（例えば、コンピュータ／電子ディスプレイ／スクリーン）Ｓｃｎ１に表示されてよい。処理及び保存機能は、ＯＣＴ機器内に局在化されてよく、又は機能は、収集されたデータが転送される外部プロセッサ（例えば、外部コンピュータシステム）にオフロードされてもよい（例えば、外部プロセッサ上で実行されてもよい）。図２２に、コンピューティングデバイス（またはコンピュータシステム）の一例を示す。このユニットは、データ処理専用とすることも、又はごく一般的で、ＯＣＴデバイス装置に専用ではないその他のタスクを実行することもできる。プロセッサ（コンピューティングデバイス）Ｃｍｐ１は例えば、１つまたは複数のホストプロセッサおよび／または１つまたは複数の外部コンピューティングデバイスとシリアル方式および／または並列化方式で処理ステップの一部または全体を実行し得るフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、特定用途集積回路（ＡＳＩＣ）、グラフィクス処理ユニット（ＧＰＵ）、システムオンチップ（ＳｏＣ）、中央処理ユニット（ＣＰＵ）、汎用グラフィクス処理ユニット（ＧＰＧＰＵ）、又はそれらの組合せを含んでいてよい。

干渉計内のサンプルアームと参照アームは、バルク光学系、ファイバ光学系、又はハイブリッドバルク光学システムで構成でき、また、当業者の間で知られているように、マイケルソン、マッハ・ツェンダ、又は共通光路系設計等、異なるアーキテクチャを有することができる。光ビームとは、本明細書において使用されるかぎり、慎重に方向付けられるあらゆる光路と解釈されるべきである。ビームを機械的にスキャンする代わりに、光の場が網膜の１次元又は２次元エリアを照明して、ＯＣＴデータを生成できる（例えば、米国特許第９３３２９０２号明細書、ディー．ヒルマン（Ｄ．Ｈｉｌｌｍａｎｎ）他著、「ホロスコピ－ホログラフィック光干渉断層撮影（Ｈｏｌｏｓｃｏｐｙ－ｈｏｌｏｇｒａｐｈｉｃ ｏｐｔｉｃａｌ ｃｏｈｅｒｅｎｃｅ ｔｏｍｏｇｒａｐｈｙ）」オプティクスレターズ（Ｏｐｔｉｃｓ Ｌｅｔｔｅｒｓ）、第３６巻（１３）、ｐ．２２９０、２０１１年、ワイ．ナカムラ（Ｙ．Ｎａｋａｍｕｒａ）他著、「ラインフィールドスペクトルドメイン光干渉断層撮影法による高速３次元ヒト網膜撮像（Ｈｉｇｈ－Ｓｐｅｅｄ ｔｈｒｅｅ ｄｉｍｅｎｓｉｏｎａｌ ｈｕｍａｎ ｒｅｔｉｎａｌ ｉｍａｇｉｎｇ ｂｙ ｌｉｎｅ ｆｉｅｌｄ ｓｐｅｃｔｒａｌ ｄｏｍａｉｎ ｏｐｔｉｃａｌ ｃｏｈｅｒｅｎｃｅ ｔｏｍｏｇｒａｐｈｙ）」、オプティクスエクスプレス（Ｏｐｔｉｃｓ Ｅｘｐｒｅｓｓ）、第１５巻（１２）、ｐ．７１０３、２００７年、ブラスコヴィッチ（Ｂｌａｚｋｉｅｗｉｃｚ）他著、「フルフィールドフーリエドメイン光干渉断層撮影法の信号対ノイズ比の研究（Ｓｉｇｎａｌ－ｔｏ－ｎｏｉｓｅ ｒａｔｉｏ ｓｔｕｄｙ ｏｆ ｆｕｌｌ－ｆｉｅｌｄ Ｆｏｕｒｉｅｒ－ｄｏｍａｉｎ ｏｐｔｉｃａｌ ｃｏｈｅｒｅｎｃｅ ｔｏｍｏｇｒａｐｈｙ）」、アプライド・オプティクス（Ａｐｐｌｉｅｄ Ｏｐｔｉｃｓ）、第４４巻（３６）、ｐ．７７２２（２００５年）参照）。時間領域システムでは、参照アームは干渉を生じさせるために調整可能な光学遅延を有する必要がある。バランス検出システムは典型的にＴＤ－ＯＣＴ及びＳＳ－ＯＣＴシステムで使用され、分光計はＳＤ－ＯＣＴシステムのための検出ポートで使用される。本明細書に記載の発明は、何れの種類のＯＣＴシステムにも応用できる。本発明の様々な態様は、何れの種類のＯＣＴシステムにも、又はその他の種類の眼科診断システム及び／又は、眼底撮像システム、視野試験装置、及び走査型レーザ偏光計を含むがこれらに限定されない複数の眼科診断システムにも適用できる。

フーリエドメイン光干渉断層撮影法（ＦＤ－ＯＣＴ）において、各測定値は実数値スペクトル制御干渉図形（Ｓｊ（ｋ））である。実数値スペクトルデータには典型的に、背景除去、分散補正等を含む幾つかの後処理ステップが行われる。処理された干渉図形のフーリエ変換によって、複素ＯＣＴ信号出力Ａｊ（ｚ）＝｜Ａｊ｜ｅｉφが得られる。この複素ＯＣＴ信号の絶対値、｜Ａｊ｜から、異なる経路長での散乱強度、したがってサンプル内の深さ（ｚ－方向）に関する散乱のプロファイルが明らかとなる。同様に、位相φｊもまた、複素ＯＣＴ信号から抽出できる。深さに関する手散乱のプロファイルは、軸方向スキャン（Ａスキャン）と呼ばれる。サンプル内の隣接する位置において測定されたＡスキャンの集合により、サンプルの断面画像（断層画像又はＢスキャン）が生成される。サンプル上の横方向の異なる位置で収集されたＢスキャンの集合が、データボリューム又はキューブを構成する。特定のデータボリュームについて、速い軸とは１つのＢスキャンに沿ったスキャン方向を指し、遅い軸とは、それに沿って複数のＢスキャンが収集される軸を指す。「クラスタスキャン」という用語は、血流を識別するために使用されてよいモーションコントラストを解析するために、同じ（又は実質的に同じ）位置（又は領域）での反復的取得により生成されるデータの１つのユニット又はブロックを指してよい。クラスタスキャンは、サンプル上のほぼ同じ位置において比較的短い時間間隔で収集された複数のＡスキャン又はＢスキャンで構成できる。クラスタスキャンのスキャンは同じ領域のものであるため、静止構造はクラスタスキャン中のスキャン間で比較的変化しないままであるのに対し、所定の基準を満たすスキャン間のモーションコントラストは血液流として識別されてよい。

Ｂスキャンを生成するための様々な方法が当業界で知られており、これには、水平又はｘ方向に沿ったもの、垂直又はｙ方向に沿ったもの、ｘ及びｙの対角線に沿ったもの、又は円形若しくは螺旋パターンのものが含まれるがこれらに限定されない。Ｂスキャンは、ｘ－ｚ次元内であってよいが、ｚ次元を含む何れの断面画像であってもよい。ヒトの眼の正常な網膜の例示的なＯＣＴ Ｂスキャン画像が図１９に示されている。網膜のＯＣＴ Ｂスキャンは、網膜組織の構造のビューを提供する。例示目的のために、図１３は、種々の正規の網膜層および層の境界を識別する。識別された網膜境界層は、（上から下へ順に）内境界膜（ＩＬＭ：ｉｎｎｅｒ ｌｉｍｉｔｉｎｇ ｍｅｍｂｒａｎｅ）層１、網膜神経線維層（ＲＮＦＬ：ｒｅｔｉｎａｌ ｎｅｒｖｅ ｆｉｂｅｒ ｌａｙｅｒまたはＮＦＬ）層２、神経節細胞層（ＧＣＬ：ｇａｎｇｌｉｏｎ ｃｅｌｌ ｌａｙｅｒ）層３、内網状層（ＩＰＬ：ｉｎｎｅｒ ｐｌｅｘｉｆｏｒｍ ｌａｙｅｒ）層４、内顆粒層（ＩＮＬ：ｉｎｎｅｒ ｎｕｃｌｅａｒ ｌａｙｅｒ）層５、外網状層（ＯＰＬ：ｏｕｔｅｒ ｐｌｅｘｉｆｏｒｍ ｌａｙｅｒ）層６、外顆粒層（ＯＮＬ：ｏｕｔｅｒ ｎｕｃｌｅａｒ ｌａｙｅｒ）層７、視細胞の外節（ＯＳ：ｏｕｔｅｒ ｓｅｇｍｅｎｔｓ）と内節（ＩＳ：ｉｎｎｅｒ ｓｅｇｍｅｎｔｓ）との間の接合部（参照符号層８によって示される）、外限界膜又は外境界膜（ＥＬＭ：ｅｘｔｅｒｎａｌ ｌｉｍｉｔｉｎｇ ｍｅｍｂｒａｎｅ 又はＯＬＭ：ｏｕｔｅｒ ｌｉｍｉｔｉｎｇ ｍｅｍｂｒａｎｅ）層９、網膜色素上皮（ＲＰＥ：ｒｅｔｉｎａｌ ｐｉｇｍｅｎｔ ｅｐｉｔｈｅｌｉｕｍ）層１０、およびブルッフ膜（ＢＭ：Ｂｒｕｃｈ’ｓ ｍｅｍｂｒａｎｅ）層１１を含む。

ＯＣＴ血管造影法又は関数型ＯＣＴにおいて、解析アルゴリズムは、動き又は流れを解析するために、サンプル上の同じ、又はほぼ同じサンプル位置において異なる時間に収集された（例えば、クラスタスキャン）ＯＣＴデータに適用されてよい（例えば、米国特許出願公開第２００５／０１７１４３８号明細書、同第２０１２／０３０７０１４号明細書、同第２０１０／００２７８５７号明細書、同第２０１２／０２７７５７９号明細書、及び米国特許第６５４９８０１号明細書を参照されたく、これらの全ての全体を参照によって本願に援用する）。ＯＣＴシステムでは、血流を識別するために多くのＯＣＴ血管造影法処理アルゴリズム（例えば、モーションコントラストアルゴリズム）のうちの何れの１つを使用してもよい。例えば、モーションコントラストアルゴリズムは、画像データから導出される強度情報（強度に基づくアルゴリズム）、画像データからの位相情報（位相に基づくアルゴリズム）、又は複素画像データ（複素に基づくアルゴリズム）に適用できる。ｅｎ ｆａｃｅ画像は３Ｄ ＯＣＴデータの２Ｄ投射である（例えば、個々のＡスキャンの各々の強度を平均することにより、これによって、各Ａスキャンが２Ｄ投射内のピクセルを画定する）。同様に、ｅｎ ｆａｃｅ脈管画像は、モーションコントラスト信号を表示する画像であり、その中で深さに対応するデータディメンション（例えば、Ａスキャンに沿ったｚ方向）は、典型的にはデータの全部又は隔離部分を加算又は集積することによって、１つの代表値（例えば、２Ｄ投射画像内のピクセル）として表示される（例えば、米国特許第７３０１６４４号明細書を参照されたく、その全体を参照によって本願に援用する）。血管造影機能を提供するＯＣＴシステムは、ＯＣＴ血管造影（ＯＣＴＡ）システムと呼ばれてよい。

図２０は、ｅｎ ｆａｃｅ脈管構造画像の例を示す。データを処理し、当業界で知られるモーションコントラスト法の何れかを用いてモーションコントラストをハイライトした後に、網膜の内境界膜（ＩＬＭ：ｉｎｔｅｒｎａｌ ｌｉｍｉｔｉｎｇ ｍｅｍｂｒａｎｅ）の表面からのある組織深さに対応するピクセル範囲を加算して、その脈管構造のｅｎ ｆａｃｅ（例えば、正面図）画像が生成されてよい。図２１は、脈管構造（ＯＣＴＡ）画像の例示的なＢスキャンを示す。図示されるように、血流が複数の網膜層を横断することで、図１９に示されるような構造的ＯＣＴ Ｂスキャンにおけるよりも複数の網膜層を不明確にし得るため、構造的情報は明確ではない場合がある。それにもかかわらず、ＯＣＴＡは、網膜および脈絡膜の微小血管系を撮像するための非侵襲的技法を提供し、これは、様々な病変を診断および／またはモニタリングするために重要であり得る。例えば、ＯＣＴＡは、微小動脈瘤、血管新生複合体を識別し、中心窩無血管ゾーンおよび非灌流領域を定量化することによって、糖尿病性網膜症を識別するために使用され得る。さらに、ＯＣＴＡは、網膜における血管の流れを観察するために色素の注入を必要とする、より伝統的であるがより回避的な技術である蛍光血管造影（ＦＡ：ｆｌｕｏｒｅｓｃｅｉｎ ａｎｇｉｏｇｒａｐｈｙ）と良好に一致することが示されている。さらに、萎縮型加齢黄斑変性において、ＯＣＴＡは、脈絡膜毛細血管板フローの全般的な減少をモニタリングするために使用されている。同様に、滲出型加齢黄斑変性において、ＯＣＴＡは、脈絡膜新生血管膜の定性的および定量的分析を提供することができる。ＯＣＴＡはまた、血管閉塞を研究するために、例えば、非灌流領域の評価ならびに浅神経叢および深層神経叢の完全性の評価のために使用されている。

コンピューティングデバイス／システム
図２２は、例示的なコンピュータシステム（又はコンピューティングデバイス又はコンピュータデバイス）を図解する。幾つかの実施形態において、１つ又は複数のコンピュータシステムは本明細書において記載又は図解された機能を提供し、及び／又は本明細書において記載又は図解された１つ又は複数の方法の１つ又は複数のステップを実行してよい。コンピュータシステムは、何れの適当な物理的形態をとってもよい。例えば、コンピュータシステムは、埋込みコンピュータシステム、システムオンチップ（ＳＯＣ）、又はシングルボードコンピュータシステム（ＳＢＣ）（例えば、コンピュータ・オン・モジュール（ＣＯＭ）又はシステム・オン・モジュール（ＳＯＭ）等）、デスクトップコンピュータシステム、ラップトップ若しくはノートブックコンピュータシステム、コンピュータシステムのメッシュ、携帯電話、携帯型情報端末（ＰＤＡ）、サーバ、タブレットコンピュータシステム、拡張／仮想現実装置、又はこれらのうちの２つ以上の組合せであってよい。適当であれば、コンピュータシステムはクラウド内にあってよく、これは１つ又は複数のクラウドコンポーネントを１つ又は複数のネットワーク内に含んでいてよい。

幾つかの実施形態において、コンピュータシステムはプロセッサＣｐｎｔ１、メモリＣｐｎｔ２、ストレージＣｐｎｔ３、入力／出力（Ｉ／Ｏ）インタフェースＣｐｎｔ４、通信インタフェースＣｐｎｔ５、及びバスＣｐｎｔ６を含んでいてよい。コンピュータシステムは、任意選択により、ディスプレイＣｐｎｔ７、例えばコンピュータモニタ又はスクリーンも含んでいてよい。

プロセッサＣｐｎｔ１は、コンピュータプログラムを構成するもの等、命令を実行するためのハードウェアを含む。例えば、プロセッサＣｐｎｔ１は、中央処理ユニット（ＣＰＵ）又は汎用コンピューティング・オン・グラフィクス処理ユニット（ＧＰＧＰＵ）であってもよい。プロセッサＣｐｎｔ１は、命令を内部レジスタ、内部キャッシュ、メモリＣｐｎｔ２、又はストレージＣｐｎｔ３から読み出し（又はフェッチし）、この命令を復号して実行し、１つ又は複数の結果を内部レジスタ、内部キャッシュ、メモリＣｐｎｔ２、又はストレージＣｐｎｔ３に書き込んでよい。特定の実施形態において、プロセッサＣｐｎｔ１は、データ、命令、又はアドレスのための１つ又は複数の内部キャッシュを含んでいてよい。プロセッサＣｐｎｔ１は、１つ又は複数の命令キャッシュ、１つ又は複数のデータキャッシュを、例えばデータテーブルを保持するために含んでいてよい。命令キャッシュ内の命令は、メモリＣｐｎｔ２又はストレージＣｐｎｔ３内の命令のコピーであってもよく、命令キャッシュはプロセッサＣｐｎｔ１によるこれらの命令の読出しをスピードアップするかもしれない。プロセッサＣｐｎｔ１は、何れの適当な数の内部レジスタを含んでいてもよく、１つ又は複数の算術論理演算ユニット（ＡＬＵ：ａｒｉｔｈｍｅｔｉｃ ｌｏｇｉｃ ｕｎｉｔｓ）を含んでいてよい。プロセッサＣｐｎｔ１は、マルチコアプロセッサであるか、又は１つ若しくは複数のプロセッサＣｐｎｔ１を含んでいてよい。本開示は特定のプロセッサを説明し、図解しているが、本開示は何れの適当なプロセッサも想定している。

メモリＣｐｎｔ２は、処理を実行し、又は処理中に中間データを保持するプロセッサＣｐｎｔ１のための命令を保存するメインメモリを含んでいてよい。例えば、コンピュータシステムは、命令又はデータ（例えば、データテーブル）をストレージＣｐｎｔ３から、又は他のソース（例えば、他のコンピュータシステム）からメモリＣｐｎｔ２にロードしてもよい。プロセッサＣｐｎｔ１は、メモリＣｐｎｔ２からの命令とデータを１つ又は複数の内部レジスタ又は内部キャッシュにロードしてもよい。命令を実行するために、プロセッサＣｐｎｔ１は内部レジスタ又は内部キャッシュから命令を読み出して復号してもよい。命令の実行中又はその後に、プロセッサＣｐｎｔ１は１つ又は複数の結果（これは、中間結果でも最終結果でもよい）を内部レジスタ、内部キャッシュ、メモリＣｐｎｔ２、又はストレージＣｐｎｔ３に書き込んでよい。バスＣｐｎｔ６は、１つ又は複数のメモリバス（これは各々、アズレスバスとデータバスを含んでいてよい）を含んでいてよく、プロセッサＣｐｎｔ１をメモリＣｐｎｔ２及び／又はストレージＣｐｎｔ３に連結してよい。任意選択により、１つ又は複数のメモリ管理ユニット（ＭＭＵ）は、プロセッサＣｐｎｔ１とメモリＣｐｎｔ２との間のデータ伝送を容易にする。メモリＣｐｎｔ２（これは、高速揮発性メモリであってもよい）には、ランダムアクセスメモリ（ＲＡＭ）、例えばダイナミックＲＡＭ（ＤＲＡＭ）又はスタティックＲＡＭ（ＳＲＡＭ）が含まれていてよい。ストレージＣｐｎｔ３には、データ又は命令のための長期又は大容量メストレージを含んでいてよい。ストレージＣｐｎｔ３はコンピュータシステムに内蔵されても外付けでもよく、ディスクドライブ（例えば、ハードディスクドライブＨＤＤ、又はソリッドステートドライブＳＳＤ）、フラッシュメモリ、ＲＯＭ、ＥＰＲＯＭ、光ディスク、磁気光ディスク、磁気テープ、ユニバーサルシリアルバス（ＵＳＢ）－アクセス可能ドライブ、又はその他の種類の不揮発性メモリのうちの１つ又は複数を含んでいてよい。

Ｉ／ＯインタフェースＣｐｎｔ４は、ソフトウェア、ハードウェア、又はそれら両方の組合せであってよく、Ｉ／Ｏデバイスと通信するための１つ又は複数のインタフェース（例えば、シリアル又はパラレル通信ポート）を含んでいてよく、これはヒト（例えば、ユーザ）との通信を可能にしてもよい。例えば、Ｉ／Ｏデバイスとしては、キーボード、キーパッド、マイクロフォン、モニタ、マウス、プリンタ、スキャナ、スピーカ、スチールカメラ、スタイラス、テーブル、タッチスクリーン、トラックボール、ビデオカメラ、他の適当なＩ／Ｏデバイス、又はこれら２つ以上の組合せが含まれていてよい。

通信インタフェースＣｐｎｔ５は、他のシステム又はネットワークと通信するためのネットワークインタフェースを提供してもよい。通信インタフェースＣｐｎｔ５は、Ｂｌｕｅｔｏｏｔｈ（登録商標）インタフェース又はその他の種類のパケットベース通信を含んでいてよい。例えば、通信インタフェースＣｐｎｔ５は、ネットワークインタフェースコントローラ（ＮＩＣ）及び／又は、無線ネットワークとの通信のための無線ＮＩＣ若しくは無線アダプタを含んでいてよい。通信インタフェースＣｐｎｔ５は、ＷＩ－ＦＩネットワーク、アドホックネットワーク、パーソナルエリアネットワーク（ＰＡＮ）、無線ＰＡＮ（例えば、Ｂｌｕｅｔｏｏｔｈ ＷＰＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、携帯電話ネットワーク（例えば、汎欧州デジタル移動電話方式（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ）（ＧＳＭ（登録商標））ネットワーク等）、インタネット、又はこれらの２つ以上の組合せとの通信を提供してよい。

バスＣｐｎｔ６は、コンピューティングシステムの上述のコンポーネント間の通信リンクを提供してよい。例えば、バスＣｐｎｔ６は、アクセラレーテッド・グラフィックス・ポート（Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｐｈｉｃｓ Ｐｏｒｔ）（ＡＧＰ）若しくはその他のグラフィクスバス、拡張業界標準（Ｅｎｈａｎｃｅｄ Ｉｎｄｕｓｔｒｙ Ｓｔａｎｄａｒｄ）アーキテクチャ（ＥＩＳＡ）バス、フロントサイドバス（ＦＳＢ）、ハイパートランスポート（ＨｙｐｅｒＴｒａｎｓｐｏｒｔ）（ＨＴ）インタコネクト、業界標準アーキテクチャ（ＩＳＡ）バス、インフィニバンド（ＩｎｆｉｎｉＢａｎｄ）バス、ｌｏｗ－ｐｉｎ－ｃｏｕｎｔ（ＬＰＣ）バス、メモリバス、マイクロチャネルアーキテクチャ（ＭＣＡ）バス、ペリフェラル・コンポーネント・インターコネクト（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ）（ＰＣＩ）バス、ＰＣＩ－Ｅｘｐｒｅｓｓ（ＰＣＩｅ）バス、シリアル・アドバンスト・テクノロジ・アタッチメント（ｓｅｒｉａｌ ａｄｖａｎｃｅｄ ｔｅｃｈｎｏｌｏｇｙ ａｔｔａｃｈｍｅｎｔ）（ＳＡＴＡ）バス、ビデオ・エレクトロニクス・スタンダーズ・アソシエーション・ローカル（Ｖｉｄｅｏ Ｅｌｅｃｔｒｏｎｉｃｓ Ｓｔａｎｄａｒｄｓ Ａｓｓｏｃｉａｔｉｏｎ ｌｏｃａｌ）（ＶＬＢ）バス、若しくはその他の適当なバス、又はこれらの２つ以上の組合せを含んでいてよい。

本開示は、特定の数の特定のコンポーネントを特定の配置で有する特定のコンピュータシステムを説明し、図解しているが、本開示は何れの適当な数の何れの適当なコンポーネントを何れの適当な配置で有する何れの適当なコンピュータシステムも想定している。

本明細書において、コンピュータ可読非一時的記憶媒体は、１つ又は複数の半導体ベース又はその他の集積回路（ＩＣ）（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）若しくは特定用途ＩＣ（ＡＳＩＣ））、ハードディスクドライブ（ＨＤＤ）、ハイブリッドハードドライブ（ＨＨＤ）、光ディスク、光ディスクドライブ（ＯＤＤ）、磁気光ディスク、磁気光ドライブ、フロッピディスケット、フロッピディスクドライブ（ＦＤＤ）、磁気テープ、ソリッドステートドライブ（ＳＳＤ）、ＲＡＭ－ドライブ、ＳＥＣＵＲＥ ＤＩＧＩＴＡＬカード若しくはドライブ、その他のあらゆる適当なコンピュータ可読非一時的記憶媒体、又は適当であればこれらの２つ以上あらゆる適当な組合せを含んでいてよい。コンピュータ可読非一時的記憶媒体は、揮発性、不揮発性、又は適当であれば揮発性と不揮発性の組合せであってよい。

本発明は幾つかの具体的な実施形態と共に説明されているが、当業者にとっては明白であるように、上記の説明を参照すれば多くのその他の代替案、改良、及び変形型が明らかである。それゆえ、本明細書に記載の発明は、付属の特許請求の範囲の主旨と範囲に含まれるかもしれないあらゆるこのような代替案、改良、応用、及び変形型の全てを包含することが意図されている。

Claims (9)

1. 光干渉断層撮影（以下、ＯＣＴとする）画像において標的網膜層をセグメント化するための方法であって、
   ＯＣＴシステムを用いて眼（Ｅ）のＯＣＴデータを収集するステップと、
   ＯＣＴ血管造影（以下、ＯＣＴＡとする）処理技術を使用して前記ＯＣＴデータからモーションコントラスト情報を決定して、ＯＣＴＡデータを定義するステップと、
   前記ＯＣＴデータと前記ＯＣＴＡデータとの混合に基づいて、前記標的網膜層における前記ＯＣＴデータを増強するステップと、
   増強された前記ＯＣＴデータに基づいて前記標的網膜層においてセグメント化するステップと、
   セグメンテーションおよび／またはセグメンテーションのさらなる分析を保存および／または表示するステップと、を含み、
   前記ＯＣＴデータを増強することは、
   網膜層セグメンテーションが存在しない場合に、前記標的網膜層の下方のＯＣＴ信号を減衰させるか、または
   前記ＯＣＴデータと前記ＯＣＴＡデータとの混合のうちのある割合を前記ＯＣＴデータから減算することを含み、前記割合は、前記ＯＣＴデータおよび前記ＯＣＴＡデータのデータ拡散の尺度に対する前記ＯＣＴデータおよび前記ＯＣＴＡデータの共同変動性の尺度の比に基づく、方法。
2. 光干渉断層撮影（以下、ＯＣＴとする）画像において標的網膜層をセグメント化するための方法であって、
   ＯＣＴシステムを用いて眼のＯＣＴデータを収集するステップと、
   ＯＣＴ血管造影（以下、ＯＣＴＡとする）処理技術を使用して前記ＯＣＴデータからモーションコントラスト情報を決定して、ＯＣＴＡデータを定義するステップと、
   前記ＯＣＴデータと前記ＯＣＴＡデータとの組み合わせに基づいて、前記標的網膜層における前記ＯＣＴデータを増強するステップと、
   増強された前記ＯＣＴデータに基づいて前記標的網膜層においてセグメント化するステップと、
   セグメンテーションおよび／またはセグメンテーションのさらなる分析を保存および／または表示するステップと、を含み、
   前記ＯＣＴ画像は、構造ＯＣＴボリューム（Ｖ_ｓ）であり、
   前記モーションコントラスト情報は、フローＯＣＴＡボリューム（Ｖ_ａ）であり、
   前記標的網膜層において前記ＯＣＴデータを増強することは、
   Ｃｏｖ（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ，Ｖ_ｓ）／Ｖａｒ（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ）
   として定義される増強パラメータαを決定することを含み、
   式中、ｗ_１及びｗ_２は、それぞれ前記構造ＯＣＴボリューム及び前記フローＯＣＴＡボリュームに対する重みである、方法。
3. 増強されたＯＣＴデータＶ_ｅは、Ｖ_ｅ＝Ｖ_ｓ－α（ｗ_１Ｖ_ｓ＋ｗ_２Ｖ_ａ）として決定される、請求項２に記載の方法。
4. 光干渉断層撮影（以下、ＯＣＴとする）画像において標的網膜層をセグメント化するための方法であって、
   ＯＣＴシステムを用いて眼（Ｅ）のＯＣＴデータを収集するステップと、
   ＯＣＴ血管造影（以下、ＯＣＴＡとする）処理技術を使用して前記ＯＣＴデータからモーションコントラスト情報を決定して、ＯＣＴＡデータを定義するステップと、
   前記ＯＣＴデータと前記ＯＣＴＡデータとの組み合わせに基づいて、前記標的網膜層における前記ＯＣＴデータを増強するステップと、
   増強された前記ＯＣＴデータに基づいて前記標的網膜層においてセグメント化するステップと、
   セグメンテーションおよび／またはセグメンテーションのさらなる分析を保存および／または表示するステップと、を含み、
   前記標的網膜層においてセグメント化することは、現在のセグメンテーションを現在のＢスキャンから隣接するＢスキャンに反映させることを含み、現在のセグメント化された層境界は、前記隣接するＢスキャンの同じ層セグメンテーションのためのベースラインである、方法。
5. 前記標的網膜層が、ブルッフ膜（ＢＭ）の境界にある、請求項１乃至４のいずれか一項に記載の方法。
6. 増強された前記ＯＣＴデータのセグメンテーションに基づいて、ブルッフ膜（ＢＭ）において前記ＯＣＴ画像をセグメント化するステップをさらに含む、請求項１乃至５のいずれか一項に記載の方法。
7. 前記標的網膜層が、脈絡膜－強膜接合部分にある、請求項１乃至４のいずれか一項に記載の方法。
8. 前記標的網膜層においてセグメント化することは、異なるデータ解像度で複数の段階においてセグメンテーションを適用することを含み、第１段階は、最低データ解像度でセグメンテーションを適用し、各段階の出力セグメンテーションの層境界の情報は、異なるデータ解像度で次の段階のセグメンテーションを行う際に参照される、請求項１乃至７のいずれか一項に記載の方法。
9. ２つの隣接するＢスキャン間のセグメンテーションの位置の変更が所定の範囲内に制限される、請求項４乃至８のいずれか一項に記載の方法。