知財求人 - 知財ポータルサイト「IP Force」
▶ 株式会社トプコンの特許一覧 ▶ 国立大学法人 東京医科歯科大学の特許一覧
特開2022-159054透明媒体内の構造をイメージングするための装置および方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022159054
(43)【公開日】2022-10-17
(54)【発明の名称】透明媒体内の構造をイメージングするための装置および方法
(51)【国際特許分類】
A61B 3/10 20060101AFI20221006BHJP
【ＦＩ】
A61B3/10 100
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2022047918
(22)【出願日】2022-03-24
(31)【優先権主張番号】63/168,927
(32)【優先日】2021-03-31
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】17/669,388
(32)【優先日】2022-02-11
(33)【優先権主張国・地域又は機関】US
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＪＡＶＡ
２．ＰＹＴＨＯＮ
(71)【出願人】
【識別番号】000220343
【氏名又は名称】株式会社トプコン
(71)【出願人】
【識別番号】504179255
【氏名又は名称】国立大学法人 東京医科歯科大学
(74)【代理人】
【識別番号】100124626
【弁理士】
【氏名又は名称】榎並 智和
(72)【発明者】
【氏名】大野 京子
(72)【発明者】
【氏名】高橋 洋如
(72)【発明者】
【氏名】マオ・ザイシン
(72)【発明者】
【氏名】中尾 紀子
【テーマコード（参考）】
4C316
【Ｆターム（参考）】
4C316AA09
4C316AA11
4C316AA13
4C316AB04
4C316AB11
4C316AB16
4C316FB05
4C316FB21
4C316FB26
4C316FB27
(57)【要約】 （修正有）
【課題】一般に、眼などの透明媒体内の構造をイメージングすること、特に、医学的な状態を監視、評価、および／または診断するために、眼のゼラチン組織内の構造を定量化および評価することに関する。
【解決手段】医用診断装置は、眼の３次元データを受信する受信回路と、３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成するように構成された処理回路とを含む。セグメント化は、複数のセグメンテーションアルゴリズムを用いて実行される。複数のセグメンテーションアルゴリズムの各々は、３次元データから抽出された互いに異なる２次元データに対して個別に訓練される。処理回路は、更に、セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、少なくとも１つの評価基準に基づいて医学的な状態を評価するように構成される。
【選択図】なし
【解決手段】医用診断装置は、眼の３次元データを受信する受信回路と、３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成するように構成された処理回路とを含む。セグメント化は、複数のセグメンテーションアルゴリズムを用いて実行される。複数のセグメンテーションアルゴリズムの各々は、３次元データから抽出された互いに異なる２次元データに対して個別に訓練される。処理回路は、更に、セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、少なくとも１つの評価基準に基づいて医学的な状態を評価するように構成される。
【選択図】なし
【特許請求の範囲】
【請求項1】
眼の３次元データを受信する受信回路と、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成するように構成された処理回路と、
を含み、
前記処理回路は、更に、前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成するように構成され、
前記処理回路は、更に、前記少なくとも１つの評価基準に基づいて医学的な状態を評価するように構成される、医用診断装置。
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成するように構成された処理回路と、
を含み、
前記処理回路は、更に、前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成するように構成され、
前記処理回路は、更に、前記少なくとも１つの評価基準に基づいて医学的な状態を評価するように構成される、医用診断装置。
【請求項2】
各セグメンテーションアルゴリズムは、訓練平面に対応し、
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１に記載の医用診断新装置。
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１に記載の医用診断新装置。
【請求項3】
前記処理回路は、前記眼のアキシャル平面に対応するアキシャルセグメンテーションアルゴリズムと、前記眼のコロナル平面に対応するコロナルセグメンテーションアルゴリズムと、前記眼のサジタル平面に対応するサジタルセグメンテーションアルゴリズムとを含む、
請求項２に記載の医用診断装置。
請求項２に記載の医用診断装置。
【請求項4】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するようにニューラルネットワークに用いられる重みを生成し、
セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
【請求項5】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するように前記処理回路に用いられる手続き型パラメータを生成し、
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
【請求項6】
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、対応する平面に平行に前記３次元データから取得され、セグメンテーション結果が各座標に割り当てられた２次元スライスのサブセットを含み、
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１に記載の医用診断装置。
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１に記載の医用診断装置。
【請求項7】
前記処理回路は、更に、前記複数のセグメンテーションアルゴリズムを用いて前記セグメンテーションを行うように構成され、
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練されている、
請求項１に記載の医用診断装置。
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練されている、
請求項１に記載の医用診断装置。
【請求項8】
前記処理回路は、前記セグメント化された３次元データセットに対応するスケルトンを生成し、前記スケルトンの特性に基づいて前記少なくとも１つの評価基準を生成するように構成される、請求項１に記載の医用診断装置。
【請求項9】
前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つを含む、
請求項１に記載の医用診断装置。
請求項１に記載の医用診断装置。
【請求項10】
前記ターゲット構造要素は、硝子体ポケット、篩状板、および視神経乳頭の少なくとも１つを含む、
請求項１に記載の医用診断装置。
請求項１に記載の医用診断装置。
【請求項11】
眼の３次元データを受信し、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価する、医用診断方法。
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価する、医用診断方法。
【請求項12】
各セグメンテーションアルゴリズムは、訓練平面に対応し、
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１１に記載の医用診断方法。
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１１に記載の医用診断方法。
【請求項13】
前記セグメント化は、前記眼のアキシャル平面に対応するアキシャルセグメンテーションアルゴリズムと、前記眼のコロナル平面に対応するコロナルセグメンテーションアルゴリズムと、前記眼のサジタル平面に対応するサジタルセグメンテーションアルゴリズムとを用いて実行される、
請求項１２に記載の医用診断方法。
請求項１２に記載の医用診断方法。
【請求項14】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するようにニューラルネットワークに用いられる重みを生成し、
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
【請求項15】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するように用いられる手続き型パラメータを生成し、
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
【請求項16】
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、対応する平面に平行に前記３次元データから取得され、セグメンテーション結果が各座標に割り当てられた２次元スライスのサブセットを含み、
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１１に記載の医用診断方法。
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１１に記載の医用診断方法。
【請求項17】
前記セグメント化は、前記複数のセグメンテーションアルゴリズムを用いて実行され、
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練される、
請求項１１に記載の医用診断方法。
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練される、
請求項１１に記載の医用診断方法。
【請求項18】
更に、前記セグメント化された３次元データセットに対応するスケルトンを生成し、前記スケルトンの特性に基づいて前記少なくとも１つの評価基準を生成することを含み、
前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つ含む、
請求項１１に記載の医用診断方法。
前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つ含む、
請求項１１に記載の医用診断方法。
【請求項19】
前記ターゲット構造要素は、硝子体ポケット、篩状板、および視神経乳頭の少なくとも１つを含む、
請求項１１に記載の医用診断方法。
請求項１１に記載の医用診断方法。
【請求項20】
コンピュータにより実行されたときに、
眼の３次元データを受信し、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価することを含む医用診断方法を実行する、コンピュータが実行可能な命令を格納した非一時的なコンピュータ読み取り可能な記憶媒体。
眼の３次元データを受信し、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価することを含む医用診断方法を実行する、コンピュータが実行可能な命令を格納した非一時的なコンピュータ読み取り可能な記憶媒体。
【発明の詳細な説明】
【関連出願の相互参照】
【0001】
本出願は、２０２１年３月３１日に出願された米国仮出願第６３／１６８，９２７号の優先権を主張する非仮出願であり、その全体が参照により本明細書に組み込まれる。
【技術分野】
【0002】
本開示は、一般に、眼などの透明媒体内の構造をイメージングすること、特に、医学的な状態を監視、評価、および／または診断するために、眼のゼラチン組織内の構造を定量化および評価することに関するものである。
【背景技術】
【0003】
眼は、様々な構造を含む。しかしながら、従来の方法では、それらの構造を生体内で見ることが困難な場合がある。
【0004】
【発明の概要】
【課題を解決するための手段】
【0005】
本発明の一実施形態によれば、医用診断装置は、眼の３次元データを受信する受信回路と、各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成するように構成された処理回路と、を含み、前記処理回路は、更に、前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成するように構成され、前記処理回路は、更に、前記少なくとも１つの評価基準に基づいて医学的な状態を評価するように構成される。
【0006】
前記医用診断装置では、各セグメンテーションアルゴリズムは、訓練平面に対応してもよく、各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練されてもよい。
【0007】
前記医用診断装置では、前記処理回路は、前記眼のアキシャル平面に対応するアキシャルセグメンテーションアルゴリズムと、前記眼のコロナル平面に対応するコロナルセグメンテーションアルゴリズムと、前記眼のサジタル平面に対応するサジタルセグメンテーションアルゴリズムとを含んでもよい。
【0008】
前記医用診断装置では、前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するようにニューラルネットワークに用いられる重みを生成してもよく、各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成されてもよい。
【0009】
前記医用診断装置では、前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するように前記処理回路に用いられる手続き型パラメータを生成してもよく、各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成されてもよい。
【0010】
前記医用診断装置では、前記２次元データは、前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられてもよく、対応する平面に平行に前記３次元データから取得され、セグメンテーション結果が各座標に割り当てられた２次元スライスのサブセットを含み、前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含んでもよい。
【0011】
前記医用診断装置では、前記処理回路は、更に、前記複数のセグメンテーションアルゴリズムを用いて前記セグメンテーションを行うように構成されてもよく、前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練される。
【0012】
前記医用診断装置では、前記処理回路は、前記セグメント化された３次元データセットに対応するスケルトンを生成し、前記スケルトンの特性に基づいて前記少なくとも１つの評価基準を生成するように構成されてもよい。
【0013】
前記医用診断装置では、前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つを含んでもよい。
【0014】
前記医用診断装置では、前記ターゲット構造要素は、硝子体ポケット、篩状板、および視神経乳頭の少なくとも１つを含んでもよい。
【0015】
本発明の一実施形態に係る医用診断方法は、眼の３次元データを受信し、各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、前記少なくとも１つの評価基準に基づいて医学的な状態を評価することを含んでもよい。
【0016】
前記医用診断方法では、各セグメンテーションアルゴリズムは、訓練平面に対応してもよく、各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される。
【0017】
前記医用診断方法では、前記セグメント化は、前記眼のアキシャル平面に対応するアキシャルセグメンテーションアルゴリズムと、前記眼のコロナル平面に対応するコロナルセグメンテーションアルゴリズムと、前記眼のサジタル平面に対応するサジタルセグメンテーションアルゴリズムとを用いて実行されてもよい。
【0018】
前記医用診断方法では、前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するようにニューラルネットワークに用いられる重みを生成してもよく、各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される。
【0019】
前記医用診断方法では、前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するように用いられる手続き型パラメータを生成してもよく、各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される。
【0020】
前記医用診断方法では、前記２次元データは、前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられてもよく、対応する平面に平行に前記３次元データから取得され、セグメンテーション結果が各座標に割り当てられた２次元スライスのサブセットを含み、前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む。
【0021】
前記医用診断方法では、前記セグメント化は、前記複数のセグメンテーションアルゴリズムを用いて実行されてもよく、前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練される。
【0022】
前記医用診断方法は、更に、前記セグメント化された３次元データセットに対応するスケルトンを生成し、前記スケルトンの特性に基づいて前記少なくとも１つの評価基準を生成することを含んでもよく、前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つを含む。
【0023】
前記医用診断方法では、前記ターゲット構造要素は、硝子体ポケット、篩状板、および視神経乳頭の少なくとも１つを含んでもよい。
【0024】
コンピュータにより実行されたときに、眼の３次元データを受信し、各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、前記少なくとも１つの評価基準に基づいて医学的な状態を評価することを含む、本発明の一致実施形態に係る医用診断方法を実行する、コンピュータが実行可能な命令を格納した非一時的なコンピュータ読み取り可能な記憶媒体である。
【図面の簡単な説明】
【0025】
本開示の範囲は、添付の図面と共に読まれる場合、例示的な実施形態の以下の詳細な説明から最もよく理解される。
【発明を実施するための形態】
【0026】
眼は、硝子体、篩状板、視神経乳頭などの様々な構造を含む。視神経乳頭の変化は、緑内障または近視性神経障害の進行の兆候になり得る。
【0027】
例えば、硝子体は、透明なゲル状の構造物で、眼球容積の約８０％を構成する。硝子体は大きく、透明で、動く塊であるため、従来では、特に生体内で硝子体の構造を見ることは困難である。硝子体の観察は、主に実験室の検査で行われてきた。例えば、硝子体に墨を注入することによって、インクで満たされた多くの空間（槽（ｃｉｓｔｅｒｎｓ）と呼ばれる）を見えるようにすることができる。
【0028】
これまで、スウェプトソース光干渉断層計（ＳＳ－ＯＣＴ）の水平方向のＢスキャン画像による生体内イメージングが行われ、眼球後極の前方に舟形の空間を形成する後部硝子体皮質前ポケット（ＰＰＶＰ）や、硝子体内において他の液体で満たされた空間（クローケ管やその他の槽など）が明らかにされている。
【0029】
本発明の実施形態は、それらの構造の改良されたイメージングおよび分析を提供することができる。以下の詳細な議論では、実施形態が硝子体の構造を画像化し評価するためにどのように使用され得るかを論じるが、本発明は、例えば視神経乳頭の構造を含む他の任意の眼の構造にも同様に適用することが可能である。
【0030】
ＯＣＴのＢスキャン画像は、ある特定の時間、ある特定の位置（例えば、中心窩）での硝子体の２次元スライスを記録する。しかしながら、硝子体はゼラチン状の組織であり、眼や身体の動きによってその全体や一部が動くため、このような動的な構造を静止画で解明することは困難である。更に、硝子体の構造は、移動に起因してすぐに変化する場合もあれば、時間の経過とともに変化する場合もある。同様に、他の眼内の構造要素も、生体内でイメージングすることが困難な場合がある。本発明の実施形態は、動的な硝子体およびそれが受ける可能性があるあらゆる変化のより良い視覚化および評価を可能にする、硝子体および／または他の眼の構造要素のリアルタイムの３Ｄ表示を提供する。
【0031】
その上、硝子体の構造、特に硝子体ポケットのプロファイルは、健康な眼の老化現象の指標であり、糖尿病網膜症や強度近視などの眼疾患の早期予測因子にもなり得ることが示唆されている。
【0032】
図１は、本発明に係る、硝子体の構造などの眼内の関心のある構造要素（すなわち、ターゲット構造要素）をイメージングする方法の一実施形態のフロー図を示す。ステップ１００では、例えば、ＯＣＴスキャナーからデータを受信したり、ＯＣＴスキャナーを用いてＯＣＴスキャンを行ったりすることにより、被検者眼の３Ｄ ＯＣＴデータが取得される。ステップ１０２では、３Ｄ ＯＣＴデータがセグメント化される。ステップ１０４では、セグメント化されたデータが定量化される。例えば、医学的な状態の進行状況を監視したり、異常検出のためのノーマティブ（ｎｏｒｍａｔｉｖｅ）データベースと比較したりするために、ステップ１０６では定量化されたデータが表示されたり、ステップ１０８では定量化されたデータが評価されたりする。図１の方法は、表記された機能を実行するようにプログラムされた１つ以上の汎用コンピュータ上で実行することができる。図１および以下の他の図は、方法フロー図と呼ばれるが、それぞれ、対応する機能を実行するための装置の対応する構造図も表している。以下に詳述するように、対応する各機能は、専用回路および／またはプログラマブル回路を用いて実装することができる。
【0033】
図２は、図１のステップ１０２と同様に、３Ｄ ＯＣＴデータからセグメント化されたデータを取得する方法のフロー図を示す。ステップ２０２では、取得された３Ｄ ＯＣＴデータ（すなわち、ボリュームデータ）２００は、ノイズ除去され、Ｓ／Ｎ比が改善される。本実施形態は、人工知能（ＡＩ）ＯＣＴノイズ除去技術を含んでもよいし、他の公知のノイズ除去技術を含んでもよい。ステップ２０２におけるノイズ除去は、ノイズ除去された３Ｄ ＯＣＴボリューム２０４を生成する。
【0034】
ノイズ除去された３Ｄ ＯＣＴボリューム２０４は、１つまたは複数の異なる平面で別々にセグメント化される。図２の例では、ノイズ除去された３Ｄ ＯＣＴボリューム２０４は、３つの異なる平面で別々にセグメント化される。例えば、セグメント化は、被検眼のアキシャル平面２０６、コロナル平面２０８、およびサジタル平面２１０において実行される。しかしながら、本発明の実施形態は、例えば、異なる基準のフレームに対して他の可能な平面におけるセグメント化と、例えば、１つまたは２つの平面、または４つ以上の平面の他の可能な数の平面におけるセグメント化とを実行することを含む。各平面について、その平面に沿った個々のＯＣＴ画像がノイズ除去された３Ｄ ＯＣＴボリューム２０４から選択され、各ＯＣＴ画像において硝子体ポケットなどの関心のある構造要素が自動的にセグメント化（すなわち、ラベル付け、または他の方法で特定）される。そして、各画像からの硝子体ポケットなどのセグメント化された構造要素が合成され、対応する平面２１１についての３Ｄセグメンテーション結果が生成される。各平面２１１についてのセグメンテーション結果は、画像化されたボリューム内の各位置における関心のある構造要素（例えば、硝子体ポケット）の有無を示している。
【0035】
ステップ２１２では、各平面のセグメンテーション結果を平均化したり、または位置ごとに投票し、各位置で最も投票数の多いものをその位置の結果としたりする。例えば、各セグメンテーション結果は、ある位置における関心のある構造要素（例えば、硝子体ポケット）の有無の２値表示を有する（例えば、関心のある構造要素の存在を示す位置では値が１、関心のある構造要素の不在を示す位置では値が０）。平均化ステップでは、平均値は、各個別の平面でのセグメント化された結果から各位置の値について計算される（例えば、アキシャル平面、コロナル平面、およびサジタル平面において計算されるものとして）。そして、平均化された値は、閾値と比較され、閾値を超える比較結果は、平均化された３Ｄセグメンテーション結果２１４において、関心のある構造要素の存在を示すものとして設定される。この例のように３つの平面の平均化の場合、閾値は２／３に設定される。しかしながら、異なる数の平面が別々にセグメント化される場合、他の閾値が用いられてもよい。
【0036】
ステップ２１６では、平均化された３Ｄセグメンテーション結果２１４に対して３Ｄ平滑化処理が実行され、最終３Ｄセグメンテーション結果２１８が生成される。更に、平滑化処理は、ノイズやラフエッジ（ｒｏｕｇｈ ｅｄｇｅｓ）を低減する。平滑化は、サイズ（９，９，９）の３Ｄメディアンフィルタを用いて実行されてもよい。フィルターサイズは、セグメント化対象の物理的な性質に基づいて選択されよい。例えば、（１５，１５，１５）のようにフィルターサイズを大きくすると、滑らかな輪郭が得られるが、細部の情報が失われる恐れがあり、例えば（３，３，３）のようにフィルターサイズを小さくすると、細部の情報はほぼ維持されるが、ノイズの多い結果が得られる可能性がある。例えば、（９，９，９）は、関心のある比較的大きな構造（例えば、大きな硝子体構造）のイメージングに適したフィルターサイズである一方、（３，３，３）は、篩状板の孔など、より小さな組織構造のイメージングに適したフィルターサイズである。更に、ラプラシアンおよび／またはタウビンフィルタ（Ｔａｕｂｉｎ ｆｉｌｔｅｒ）など、他の非メディアンフィルタを適用して３Ｄ平滑化を行うことも可能である。
【0037】
図３Ａは、図２のステップ２０６、２０８、または２１０において実行されるような、平面ごとのセグメンテーションの詳細なフロー図を示す。まず、ＡＩアルゴリズムを訓練するために、ステップ３０４において、現在の平面に関連するデータが、ノイズ除去された３Ｄ ＯＣＴボリューム２０４から選択または抽出される。例えば、ステップ３０４において、現在の平面に平行なイメージ平面をそれぞれ表す複数の２Ｄ画像に対応するデータが、ノイズ除去された３Ｄ ＯＣＴボリューム２０４から選択または抽出される。次に、ステップ３０６において、対応する平面に沿ったマニュアルセグメンテーションのために、複数の２Ｄ画像から代表的な画像が選択される。例えば、選択される画像は、複数の２Ｄ画像の所定の数の画像からランダムに選択された１つの画像であってもよい。例えば、ステップ３０６では、ステップ３０４において抽出または選択された１０枚の撮影画像ごとに、１つの画像がランダムにまたは順次に選択されてもよい。また、ステップ３０６では、マニュアルセグメンテーションのための指定情報（ａｓｓｉｇｎｍｅｎｔ ｉｎｆｏｒｍａｔｉｏｎ）が取得される。例えば、ステップ３０６において、ある位置が関心のある構造要素（例えば、硝子体ポケット）を含むか否かを示すマニュアルの指示が受信される。マニュアルの指示は、選択されたフレーム内のセグメント化情報をマニュアルで特定する人によって操作されるユーザーインターフェース装置（例えば、マウス、キーボード、タッチスクリーンなど）によって生成されてよい。マニュアルの指示と対応する位置情報とをあわせて、マニュアルセグメンテーション結果３１０を形成する。マニュアルセグメンテーションステップ３０６の出力は、選択されたＯＣＴフレーム３０８（すなわち、マニュアルセグメンテーションが実行された２Ｄ画像に対応するデータ）およびマニュアルセグメンテーション結果３１０（すなわち、関心のある構造要素がどこに位置しているかを示す情報）を含む。
【0038】
図３Ｂは、ステップ３０４によって生成されたノイズ除去された３ＤＯＣＴボリューム２０４、ステップ３０６によって生成された選択されたＯＣＴフレーム３０８、および同じくステップ３０６によって生成されたマニュアルセグメンテーション結果３１０の図の例を示す。
【0039】
ステップ３１２では、選択されたＯＣＴフレーム３０８とマニュアルセグメンテーション結果３１０とを用いてＡＩアルゴリズムが訓練される。選択されたＯＣＴフレーム３０８は、訓練のための入力データとして用いられ、マニュアルセグメンテーションの結果は、グラウンドトゥルース（ｇｒｏｕｎｄ ｔｒｕｔｈ）データとして用いられる。ＡＩアルゴリズムは、ニューラルネットワークや、サポートベクターマシンなどの他の機械学習アルゴリズムを用いて実装することができる。例えば、AIアルゴリズムの実行に深層残差ニューラルネットワークを用いてもよい。訓練中、ＡＩアルゴリズムにおけるニューラルネットワークのノード間の重み、または手続き的アルゴリズムのパラメータ（本明細書では総称して「重み」と呼ぶ）は、ＡＩアルゴリズムが、対応するグランドトゥルース画像に最も一致する入力画像に基づいて出力画像を生成するように訓練されるような訓練プロセスによって徐々に調整される。この訓練手順３１２は、終了基準が満たされるまで続けられる。例えば、一実施形態では、すべての訓練データがＡＩアルゴリズムを所定回数（例えば、１００回）だけパスを実行すると訓練が完了する。他の実施形態では、テスト画像の出力結果が所定の倍率で変化しなくなったときに訓練が完了する。ＡＩ訓練処理３１２の結果は、訓練されたＡＩアルゴリズムの重み３１４である。
【0040】
訓練が完了すると、訓練されたＡＩアルゴリズムの重み３１４は、ＡＩセグメンテーションニューラルネットワーク３１６によって使用され、訓練を実行するために使用されたもの以外の２Ｄ画像スライスに対して関心のある構造要素セグメンテーション（例えば、硝子体ポケットセグメンテーション）を自動的に行うことができる。例えば、ノイズ除去された３Ｄ ＯＣＴボリューム２０４内の現在の平面３０４に平行なすべての画像は、訓練されたAIアルゴリズムの重み３１４を用いてＡＩセグメンテーションニューラルネットワーク３１６によって処理されて、平面ごとのセグメンテーション結果２１１を生成することが可能である。これらの結果は、ノイズ除去された３Ｄ ＯＣＴボリューム３０４からの現在の平面に関連するデータの各画像スライド（マニュアルでセグメント化された画像スライスだけではない）に対して行われる構造要素セグメント化識別（すなわち、各スライスの各座標が関心のある構造要素を含むか否かの識別）を含む。
【0041】
あるいは、ステップ３１８によって選択されるように、訓練データが抽出／選択されたノイズ除去された、３Ｄ ＯＣＴボリューム２０４を用いる代わりに、異なるノイズ除去された３Ｄ ＯＣＴボリューム３２０が、訓練されたＡＩアルゴリズムの重み３１４を用いてＡＩセグメンテーション３１６によってセグメント化されてもよい。他のノイズ除去された３Ｄ ＯＣＴボリューム３２０は、ノイズ除去されたＯＣＴ ボリューム２０４が得られたのと同じ眼に対応するデータであってもよいが、異なる（より遅いまたは早い）日付または時刻に得られたものであってもよい。あるいは、他のノイズ除去された３Ｄ ＯＣＴボリューム３２０は、ノイズ除去された３Ｄ ＯＣＴボリューム２０４が得られたのと同じ人の別の眼に対応するデータであってもよい。また、他のノイズ除去された３Ｄ ＯＣＴボリューム３２０は、ノイズ除去された３Ｄ ＯＣＴボリューム２０４が得られた人と異なる人の眼に対応するデータであってもよい。
【0042】
もし、ＡＩアルゴリズムが１人の被検者の眼からのデータを用いて訓練された場合、アルゴリズムは、被検者の他の画像（マニュアルでセグメント化されていないもの）に対しても良好なパフォーマンスを発揮することができる。訓練されたＡＩアルゴリズムを他の被検者のセグメント画像にうまく利用するために、多くの被検者の訓練画像を含めることが有利である。つまり、もし、訓練されたＡＩアルゴリズムが、１つの被検者眼だけの画像を用いて訓練された場合、訓練されたＡＩアルゴリズムは、その１つの被検者眼（または、場合によっては被検者の両眼）には特化されるようになるが、他の被検者の眼には役に立たない可能性がある。その逆に、ＡＩアルゴリズムは、被検者眼のデータの大きなバリエーション（すなわち、多くの被検者眼のデータ）を用いて高い一般化可能性を達成するように訓練することができるが、特定の被検者に対しては、特化されたアルゴリズムと比較して同じ精度を達成できない可能性がある。したがって、最終的な目標（例えば、精度対自動化）や利用可能な訓練データに応じて、異なる訓練アプローチを適用することができる。例えば、利用可能な人手によるアノテーション画像（すなわち、硝子体ポケットなどの関心ある構造要素を特定するためにアノテーションされた画像）に制限があるとき、精度を最大化するために、ＡＩアルゴリズムを眼ごとに被検者ごとに訓練することが有利である。
【0043】
Ｎ個のフレームごとに１個のマニュアルでセグメント化されたフレームを用いてＡＩアルゴリズムを訓練することによって、訓練されたＡＩアルゴリズムの重み３１４は、それ以降、マニュアルでセグメント化されなかったすべてのフレーム（すなわち、（Ｎ－１）個のフレーム）に対して自動的にセグメンテーションを実行するために用いることができる。ＡＩセグメンテーション３１６の出力は、セグメンテーション結果を含む対応する平面からの一連の画像である。
【0044】
上記の説明では、訓練入力画像は、対応する平面においてランダムに選択された単独の２Ｄ画像から構成される。しかしながら、更なる実施形態によれば、ステップ３０８において、マニュアルセグメンテーション結果３１０が設定された選択されたフレーム３０８だけでなく、マニュアルセグメンテーション結果が設定された、ランダムまたは順次に選択されたフレームに物理的に隣接する領域に対応するフレームである追加隣接フレームを選択されたフレーム３０８内に含めてＡＩ訓練３１２に提供することによって、ＡＩアルゴリズムの精度を向上させることが可能である。発明者らは、ＡＩ訓練３１２の一部として、隣接する画像スライスに関する追加情報を提供することが訓練プロセスを改善することを見出した。
【0045】
図３Ｃは、対応するアキシャル平面、サジタル平面、およびコロナル平面内で物理的に隣接するフレーム（Ｎ－１）、Ｎ、（Ｎ＋１）の例を示す。この例では、マニュアルセグメンテーション結果は、Ｎ番目のフレームに対してのみ利用可能である。訓練中、（Ｎ－１）、Ｎ、および（Ｎ＋１）フレームを合成することにより作成された３Ｄ画像（３チャンネル）を入力とし、Ｎ番目のフレームに対するマニュアルセグメンテーションがターゲットとして設定される。訓練データに隣接するフレームの情報を追加することでノイズを減らし、硝子体ポケットの視認性を向上させることができるため、この方法を用いると、画像化された硝子体ポケットのＳ／Ｎ比がより高くなる可能性がある。
【0046】
図４は、図１におけるセグメント化されたデータの定量化ステップ１０４の詳細フロー図を示す。最終セグメンテーション結果２１８は、医学的状態の監視、評価、および診断に用いられる様々な評価基準（ｍｅｔｒｉｃｓ）を生成するために定量化される。ステップ４０２において、最終セグメンテーション結果２１８は、３Ｄスケルトン化４０２を受けて、関心のある構造要素（例えば、硝子体ポケット）の３Ｄスケルトン３０４を生成し、そこからスケルトン定量化処理４０６が、ブランチ数４０８、ブランチの平均長４１０、分岐数４１２、分岐ごとの平均ブランチ数４１４を含むスケルトン特性を抽出することができる。更なる基本定量化処理４１６は、最終３Ｄセグメンテーション結果２１８から、体積４１８、表面積３１０、および表面積対体積比４１２など、関心のある構造要素の評価基準を抽出してもよい。
【0047】
図５Ａ、および図５Ｂは、３Ｄオブジェクトの形状を定量化する手法であるスケルトン化の一例を示す。図５Ａは、３Ｄオブジェクト５０２（すなわち、馬）の画像を表している。図５Ｂは、３Ｄスケルトン化４０２によって生成された馬のスケルトン図を示す。スケルトン図は、分岐５０４で接続されたブランチ５０２の配置を含む。例えば、３Ｄスケルトン化４０２は、３Ｄオブジェクトを、３Ｄオブジェクトの表面から等距離にある一連の点に細線化する処理を含んでもよい。オブジェクト表面までの各点の距離と合わせて、この３Ｄスケルトンの結果から、３Ｄオブジェクトの形状を表現し、そこから追加の測定値や評価基準を抽出することができる。３Ｄオブジェクトの複雑さは、ブランチ数によって特徴付けることができ、より単純な３Ｄオブジェクトは、ブランチ数が少なくなる傾向がある。球形らしさ（ｓｐｈｅｒｅ－ｌｉｋｅｎｅｓｓ）は、分岐ごとのブランチ数によって特徴付けられ、完全な球では分岐は１つだけで、ブランチはない。
【0048】
他の評価基準もまた、最終３Ｄセグメンテーション結果２１８から抽出することができる。これには、関心のある構造要素（例えば、硝子体ポケット）の高さ、上方－下方方向に沿った関心のある構造要素の幅、鼻側－耳側方向に沿った関心のある構造要素の幅、および各スペース間の空間的な関係（すなわち、各スペース間の接続の有無）が含まれる。
【0049】
個別に、あるいは組み合わせやサブコンビネーションで取得されたこれらの評価基準（別称、関心のある構造要素プロファイル）は、健康な眼の老化プロセスの指標を表す。例えば、硝子体ポケットの評価基準は、次のような眼科疾患の早期予測因子でもある：先天性網膜硝子体異常（第１次硝子体過形成遺残（ＰＨＰＶ）、硝子体動脈遺残、未熟児網膜症（ＲＯＰ）など）、硝子体網膜変性疾患（網膜硝子体変性疾患（家族性滲出性硝子体網膜症（ＦＥＶＲ）、青錐体（Ｓ錐体）増強症候群（ＥＳＣＳ）など）、糖尿病網膜症（無症状期から進行期まで）、近視および病的近視、加齢黄斑変性、眼内炎、悪性腫瘍（ぶどう膜炎、眼内リンパ腫など）。例えば、硝子体ポケットの形成は、病的近視の前から存在する可能性があるため、病的近視の検出のための初期兆候として利用することができる。視神経乳頭構造は、緑内障や近視性神経障害の患者をモニターし、管理するために使用することができる。
【0050】
特別なプロトコルを必要とせず、ここで用いられる技術は、ＯＣＴスキャナーに直接または同時に接続する必要がなく、任意の既存の３Ｄデータに遡及的に適用することが可能である。
【0051】
本明細書では、単数形で記載され、「ａ」または「ａｎ」という単語で先行される要素またはステップは、そのような除外が明示的に記載されていない限り、複数の要素またはステップを除外しないと理解すべきである。更に、本発明の「一実施形態」への言及は、記載された特徴を組み込んだ追加の実施形態の存在を排除すると解釈されることを意図したものではない。
【0052】
本明細書に記載の制御処理方法および／またはシステムは、コンピュータソフトウェア、ファームウェア、ハードウェア、またはそれらの任意の組み合わせ若しくはサブセットを含むコンピュータプログラミングまたはエンジニアリング技術を用いて実装されてもよく、技術的効果は、本開示による３次元データおよび診断評価基準の処理を少なくとも含んでもよい。
【0053】
図６は、本明細書に記載される様々な実施形態を実施し得るコンピュータのブロック図を示す。本開示の制御処理の態様は、システム、方法、および／またはコンピュータプログラム製品として具現化することができる。コンピュータプログラム製品は、１つ以上のプロセッサに本実施形態の態様を実行させるコンピュータ読み取り可能なプログラム命令が記録されたコンピュータ読み取り可能な記憶媒体を含んでもよい。
【0054】
コンピュータ読み取り可能な記憶媒体は、命令実行装置（プロセッサ）が使用する命令を格納することができる有形で、非一時的なデバイスであってもよい。コンピュータ読み取り可能な記憶媒体は、例えば、電子記憶装置、磁気記憶装置、光記憶装置、電磁記憶装置、半導体記憶装置、またはこれらの装置の任意の適切な組み合わせであってもよいが、これに限定されない。コンピュータ読み取り可能な記憶媒体のより具体的な例を非網羅的に挙げると、フレキシブルディスク、ハードディスク、ソリッドステートドライブ（ＳＳＤ）、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、イレーサブルプログラマブルリードオンリーメモリ（ＥＰＲＯＭまたはＦｌａｓｈ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスク（ＣＤまたはＣＤ－ＲＯＭ）、デジタルバーサタイルディスク（ＤＶＤ）、光磁気ディスク、メモリカードまたはスティックのそれぞれ（または適切な組み合わせ）が含まれる。本開示で使用されるコンピュータ読み取り可能な記憶媒体は、それ自体が一過性の信号であると解釈されるものではなく、例えば、電波やその他の自由に伝播する電磁波、導波管またはその他の伝送媒体を伝播する電磁波（例えば、光ファイバケーブルを通過する光パルス）、または電線を介して伝送される電気信号などが挙げられる。
【0055】
本開示に記載されている機能を実現するコンピュータ読み取り可能なプログラム命令は、グローバルネットワーク（すなわち、インターネット）、ローカルエリアネットワーク、ワイドエリアネットワークおよび／またはワイヤレスネットワークを介して、コンピュータ読み取り可能な記憶媒体から適切なコンピュータデバイスまたは処理装置に、または外部コンピュータまたは外部記憶装置にダウンロードすることができる。ネットワークには、銅線、光通信ファイバ、無線通信、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、および／またはエッジサーバなどが含まれる。各コンピュータデバイスまたは処理装置のネットワークアダプタカードまたはネットワークインターフェースは、ネットワークからコンピュータ読み取り可能なプログラム命令を受信し、コンピュータデバイスまたは処理装置内のコンピュータ読み取り可能な記憶媒体に格納するためにコンピュータ読み取り可能なプログラム命令を転送することができる。
【0056】
本開示の動作を実行するためのコンピュータ読み取り可能なプログラム命令は、機械語命令および／またはマイクロコードを含むことができ、これらは、アセンブリ言語、Ｂａｓｉｃ、Ｆｏｒｔｒａｎ、Ｊａｖａ、Ｐｙｔｈｏｎ、Ｒ、Ｃ、Ｃ＋＋、Ｃ＃または同様のプログラミング言語を含む、１つ以上のプログラミング言語の任意の組み合わせで記述されたソースコードからコンパイルまたは解釈されてよい。コンピュータ読み取り可能なプログラム命令は、ユーザのパーソナルコンピュータ、ノートブックコンピュータ、タブレット、またはスマートフォン上で完全に実行されたり、リモートコンピュータまたはコンピュータサーバ上で完全に実行されたり、またはこれらのコンピュータデバイスの任意の組み合わせで実行されてよい。リモートコンピュータまたはコンピュータサーバは、ローカルエリアネットワーク、ワイドエリアネットワーク、またはグローバルネットワーク（すなわち、インターネット）を含むコンピュータネットワークを介して、ユーザのデバイスまたは複数のデバイスに接続されてもよい。いくつかの実施形態では、例えば、プログラマブルロジック回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、またはプログラマブルロジックアレイ（ＰＬＡ）を含む電子回路は、本開示の態様を実行するために、電子回路を構成またはカスタマイズするために、コンピュータ読み取り可能なプログラム命令からの情報を用いて、コンピュータ読み取り可能なプログラム命令を実行することができる。
【0057】
本開示の態様は、本開示の実施形態に係る方法、装置（システム）、およびコンピュータプログラム製品のフロー図およびブロック図を参照して本明細書で説明される。フロー図やブロック図の各ブロック、およびフロー図やブロック図のブロックの組み合わせは、コンピュータ読み取り可能なプログラム命令によって実装できることは、当業者であれば理解できるだろう。
【0058】
本開示に記載されたシステムおよび方法を実施し得るコンピュータ読み取り可能なプログラム命令は、汎用コンピュータ、専用コンピュータ、または他のプログラマブル装置の１つ以上のプロセッサ（および／またはプロセッサ内の１つ以上のコア）に提供されて、コンピュータまたは他のプログラマブル装置のプロセッサを介して実行される命令が、本開示のフロー図およびブロック図で指定された機能を実施するためのシステムを作成するように、マシン（ｍａｃｈｉｎｅ）を生成してもよい。また、これらのコンピュータ読み取り可能なプログラム命令は、コンピュータ、プログラマブル装置、および／または他の装置が特定の方法で機能するように指示することができるコンピュータ読み取り可能な記憶媒体に格納することができ、格納された命令を有するコンピュータ読み取り可能な記憶媒体は、本開示のフロー図およびブロック図で指定された機能の態様を実装する命令を含む製造品であるようになっている。
【0059】
また、コンピュータ読み取り可能なプログラム命令は、コンピュータ、他のプログラマブル装置、または他の装置上にロードされ、コンピュータ、他のプログラマブル装置、または他の装置上で実行される命令が、本開示のフロー図およびブロック図で指定された機能を実装するような、一連の動作ステップを実行させて、コンピュータ実装プロセスを生成することができる。
【0060】
図６は、１つ以上のネットワーク化されたコンピュータとサーバのネットワーク化されたシステム６００を示す機能ブロック図である。一実施形態において、図６に図示されたハードウェアおよびソフトウェア環境は、本開示に係るソフトウェアおよび／または方法を実装するための例示的なプラットフォームを提供することができる。図６を参照すると、ネットワーク化されたシステム６００は、コンピュータ６０５、ネットワーク６１０、リモートコンピュータ６１５、ウェブサーバ６２０、クラウドストレージサーバ６２５、およびコンピュータサーバ６３０を含んでもよいが、これらに限定されない。いくつかの実施形態では、図６に図示された１つ以上の機能ブロックについて複数のインスタンス（ｉｎｓｔａｎｃｅｓ）が採用されてもよい。
【0061】
コンピュータ６０５の追加的な詳細は、図６にも示されている。コンピュータ６０５内に図示されている機能ブロックは、例示的な機能を確立するためにのみ提供されており、網羅的であることを意図するものではない。また、リモートコンピュータ６１５、ウェブサーバ６２０、クラウドストレージサーバ６２５、およびコンピュータサーバ６３０については詳細が示されていないが、これらの他のコンピュータおよびデバイスは、コンピュータ６０５について示されたものと同様の機能を含んでいてよい。コンピュータ６０５は、パーソナルコンピュータ（ＰＣ）、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、ネットブックコンピュータ、パーソナルデジタルアシスタント（ＰＤＡ）、スマートフォン、またはネットワーク６１０上の他のデバイスと通信可能な他のプログラム可能な電子デバイスであってもよい。
【0062】
コンピュータ６０５は、プロセッサ６３５、バス６３７、メモリ６４０、不揮発性ストレージ６４５、ネットワークインターフェース６５０、周辺機器インターフェース６５５、およびディスプレイインターフェース６６５を含んでもよい。これらの機能の各々は、いくつかの実施形態では、個々の電子サブシステム（集積回路チップ、またはチップと関連するデバイスとの組み合わせ）として実装されてもよいし、他の実施形態では、機能のいくつかの組み合わせが単一のチップ（システムオンチップまたはＳｏＣと呼ばれることがある）に実装されてもよい。
【0063】
プロセッサ６３５は、インテル・コーポレーション、アドバンスト・マイクロ・デバイセズ社（ＡＭＤ）、アーム・ホールディングス（Ａｒｍ）、アップル・コンピュータ社などによって設計および／または製造されたものなど、１つ以上のシングルチップまたはマルチチップのマイクロプロセッサであってもよい。マイクロプロセッサの例として、インテル社のＣｅｌｅｒｏｎ、Ｐｅｎｔｉｕｍ、Ｃｏｒｅ ｉ３、Ｃｏｒｅ ｉ５、およびＣｏｒｅ ｉ７、ＡＭＤ社のＯｐｔｅｒｏｎ、Ｐｈｅｎｏｍ、Ａｔｈｌｏｎ、Ｔｕｒｉｏｎ、およびＲｙｚｅｎ、Ａｒｍ社のＣｏｒｔｅｘ－Ａ、Ｃｏｒｔｅｘ－Ｒ、およびＣｏｒｔｅｘ－Ｍなどがある。バス６３７は、ＩＳＡ、ＰＣＩ、ＰＣＩ Ｅｘｐｒｅｓｓ（ＰＣＩ－ｅ）、ＡＧＰなどの独自または業界標準の高速パラレルまたはシリアル周辺機器相互接続バスであってもよい。
【0064】
メモリ６４０および不揮発性ストレージ６４５は、コンピュータ読み取り可能な記憶媒体であってよい。メモリ６４０は、ダイナミック・ランダムアクセス・メモリ（ＤＲＡＭ）、およびスタティック・ランダムアクセス・メモリ（ＳＲＡＭ）などの任意の適切な揮発性ストレージデバイスを含んでもよい。不揮発性ストレージ６４５は、フレキシブルディスク、ハードディスク、ソリッドステートドライブ（ＳＳＤ）、リードオンリーメモリ（ＲＯＭ）、イレーサブルプログラマブルリードオンリーメモリ（ＥＰＲＯＭまたはＦｌａｓｈ）、コンパクトディスク（ＣＤまたはＣＤ－ＲＯＭ）、デジタルバーサタイルディスク（ＤＶＤ）、およびメモリカードまたはスティックのうちの１以上を含んでもよい。
【0065】
プログラム６４８は、不揮発性ストレージ６４５に格納され、本開示の他に詳細に説明され、図面に示されている特定のソフトウェア機能を作成、管理、および制御するために使用される、機械読取可能な命令および／またはデータの集合体であってもよい。いくつかの実施形態では、メモリ６４０は、不揮発性ストレージ６４５よりもかなり高速であってもよい。そのような実施形態では、プログラム６４８は、プロセッサ６３５による実行の前に、不揮発性ストレージ６４５からメモリ６４０に転送されてもよい。
【0066】
コンピュータ６０５は、ネットワークインターフェース６５０を介して、ネットワーク６１０を経由して他のコンピュータと通信し、相互に作用することが可能であってもよい。ネットワーク６１０は、例えば、ローカルエリアネットワーク（ＬＡＮ）、インターネットなどのワイドエリアネットワーク（ＷＡＮ）、またはこれら２つの組み合わせであってもよく、有線、無線、または光ファイバの接続を含んでいてもよい。一般的に、ネットワーク６１０は、２以上のコンピュータおよび関連するデバイス間の通信をサポートする接続およびプロトコルの任意の組み合わせとすることができる。
【0067】
周辺機器インターフェース６５５は、コンピュータ６０５とローカルに接続される可能性のある他のデバイスとのデータの入出力を可能にするものであってもよい。例えば、周辺機器インターフェース６５５は、外部デバイス６６０への接続を提供してもよい。外部デバイス６６０は、キーボード、マウス、キーパッド、タッチスクリーン、および／または他の適切な入力デバイスなどのデバイスを含んでもよい。外部デバイス６６０は、例えば、サムドライブ、ポータブル光ディスクまたは磁気ディスク、およびメモリカードなどのポータブルなコンピュータ読み取り可能な記憶媒体も含んでもよい。本開示の実施形態を実践するために使用されるソフトウェアおよびデータ、例えば、プログラム６４８は、このようなポータブルなコンピュータ読み取り可能な記憶媒体に格納されてもよい。このような実施形態では、ソフトウェアは、不揮発性ストレージ６４５にロードされてもよいし、代わりに、周辺機器インターフェース６５５を介してメモリ６４０に直接的にロードされてもよい。周辺機器インターフェース６５５は、外部デバイス６６０と接続するために、ＲＳ－２３２またはユニバーサル・シリアル・バス（ＵＳＢ）などの業界標準の接続を用いてもよい。
【0068】
ディスプレイインターフェース６６５は、コンピュータ６０５をディスプレイ６７０に接続することができる。ディスプレイ６７０は、いくつかの実施形態では、コンピュータ６０５のユーザにコマンドラインまたはグラフィカルユーザインタフェースを提示するように用いられてもよい。ディスプレイインターフェース６６５は、ＶＧＡ、ＤＶＩ、ＤｉｓｐｌａｙＰｏｒｔ、ＨＤＭＩ（登録商標）などの１以上の独自または業界標準の接続を用いて、ディスプレイ６７０に接続してもよい。
【0069】
上述したように、ネットワークインターフェース６５０は、コンピュータ６０５の外部にある他のコンピューティングおよびストレージシステムまたはデバイスとの通信を提供する。本明細書で説明するソフトウェアプログラムおよびデータは、例えば、リモートコンピュータ６１５、ウェブサーバ６２０、クラウドストレージサーバ６２５、およびコンピュータサーバ６３０から、ネットワークインターフェース６５０およびネットワーク６１０を介して不揮発性ストレージ６４５にダウンロードされてもよい。更に、本開示で説明するシステムおよび方法は、ネットワークインターフェース６５０およびネットワーク６１０を介してコンピュータ６０５に接続された１以上のコンピュータによって実行されてもよい。例えば、いくつかの実施形態では、本開示に記載されているシステムおよび方法は、リモートコンピュータ６１５、コンピュータサーバ６３０、またはネットワーク６１０上の相互接続されたコンピュータの組み合わせによって実行されてもよい。
【0070】
本開示に記載されたシステムおよび方法の実施形態で採用されるデータ、データセットおよび／またはデータベースは、保存され、および／または、リモートコンピュータ６１５、ウェブサーバ６２０、クラウドストレージサーバ６２５、およびコンピュータサーバ６３０からダウンロードされてもよい。
【0071】
上記の教示に照らして、本発明の多くの修正および変形が可能である。したがって、添付の請求項の範囲内で、本発明は、本明細書に具体的に記載されている以外の方法で実施することができることを理解されたい。
【図1】
【図2】
【図3A】
【図3B】
【図3C】
【図4】
【図5A】
【図5B】
【図6】
【手続補正書】
【提出日】2022-06-28
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
眼の３次元データを受信する受信回路と、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成するように構成された処理回路と、
を含み、
前記処理回路は、更に、前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成するように構成され、
前記処理回路は、更に、前記少なくとも１つの評価基準に基づいて医学的な状態を評価するように構成される、医用診断装置。
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成するように構成された処理回路と、
を含み、
前記処理回路は、更に、前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成するように構成され、
前記処理回路は、更に、前記少なくとも１つの評価基準に基づいて医学的な状態を評価するように構成される、医用診断装置。
【請求項2】
各セグメンテーションアルゴリズムは、訓練平面に対応し、
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１に記載の医用診断新装置。
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１に記載の医用診断新装置。
【請求項3】
前記処理回路は、前記眼のアキシャル平面に対応するアキシャルセグメンテーションアルゴリズムと、前記眼のコロナル平面に対応するコロナルセグメンテーションアルゴリズムと、前記眼のサジタル平面に対応するサジタルセグメンテーションアルゴリズムとを用いて前記セグメント化を実行する、
請求項２に記載の医用診断装置。
請求項２に記載の医用診断装置。
【請求項4】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するようにニューラルネットワークに用いられる重みを生成し、
セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
【請求項5】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するように前記処理回路に用いられる手続き型パラメータを生成し、
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項２に記載の医用診断装置。
【請求項6】
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、対応する平面に平行に前記３次元データから取得され、セグメンテーション結果が各座標に割り当てられた２次元スライスのサブセットを含み、
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１に記載の医用診断装置。
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１に記載の医用診断装置。
【請求項7】
前記処理回路は、更に、前記複数のセグメンテーションアルゴリズムを用いて前記セグメンテーションを行うように構成され、
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練されている、
請求項１に記載の医用診断装置。
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練されている、
請求項１に記載の医用診断装置。
【請求項8】
前記処理回路は、前記セグメント化された３次元データセットに対応するスケルトンを生成し、前記スケルトンの特性に基づいて前記少なくとも１つの評価基準を生成するように構成される、請求項１に記載の医用診断装置。
【請求項9】
前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つを含む、
請求項１に記載の医用診断装置。
請求項１に記載の医用診断装置。
【請求項10】
前記ターゲット構造要素は、硝子体ポケット、篩状板、および視神経乳頭の少なくとも１つを含む、
請求項１に記載の医用診断装置。
請求項１に記載の医用診断装置。
【請求項11】
眼の３次元データを受信し、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価する、医用診断方法。
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価する、医用診断方法。
【請求項12】
各セグメンテーションアルゴリズムは、訓練平面に対応し、
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１１に記載の医用診断方法。
各セグメンテーションアルゴリズムは、対応する訓練平面にそれぞれ平行な複数の２次元画像スライスに対応するデータを用いて訓練される、
請求項１１に記載の医用診断方法。
【請求項13】
前記セグメント化は、前記眼のアキシャル平面に対応するアキシャルセグメンテーションアルゴリズムと、前記眼のコロナル平面に対応するコロナルセグメンテーションアルゴリズムと、前記眼のサジタル平面に対応するサジタルセグメンテーションアルゴリズムとを用いて実行される、
請求項１２に記載の医用診断方法。
請求項１２に記載の医用診断方法。
【請求項14】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するようにニューラルネットワークに用いられる重みを生成し、
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
【請求項15】
前記セグメンテーションアルゴリズムは、前記３次元データにおける対応する訓練平面に平行なすべての２次元スライスから、平面ごとにセグメント化されたデータセットを生成するように用いられる手続き型パラメータを生成し、
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
各セグメンテーションアルゴリズムから得られた前記平面ごとにセグメント化されたデータセットは、前記セグメント化された３次元データセットを生成するように前記眼内の各位置における結果を平均化または投票することによって合成される、
請求項１２に記載の医用診断方法。
【請求項16】
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、対応する平面に平行に前記３次元データから取得され、セグメンテーション結果が各座標に割り当てられた２次元スライスのサブセットを含み、
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１１に記載の医用診断方法。
前記複数のセグメンテーションアルゴリズムの各々を訓練するために用いられる前記２次元データは、更に、対応する平面に平行に取得され、各座標にセグメンテーション結果が割り当てられた、すべての２次元スライスのサブセットにおけるスライスに隣接する位置に対応する２次元スライスを含む、
請求項１１に記載の医用診断方法。
【請求項17】
前記セグメント化は、前記複数のセグメンテーションアルゴリズムを用いて実行され、
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練される、
請求項１１に記載の医用診断方法。
前記複数のセグメンテーションアルゴリズムの各々は、前記３次元データおよび前記眼以外の１以上の眼に対応する追加の３次元データから抽出された異なる２次元データに対して個別に訓練される、
請求項１１に記載の医用診断方法。
【請求項18】
更に、前記セグメント化された３次元データセットに対応するスケルトンを生成し、前記スケルトンの特性に基づいて前記少なくとも１つの評価基準を生成することを含み、
前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つ含む、
請求項１１に記載の医用診断方法。
前記医学的な状態は、先天性網膜硝子体異常、硝子体網膜変性疾患、糖尿病網膜症、近視、病的近視、加齢黄斑変性、眼内炎および悪性腫瘍、緑内障、および近視性神経障害の少なくとも１つ含む、
請求項１１に記載の医用診断方法。
【請求項19】
前記ターゲット構造要素は、硝子体ポケット、篩状板、および視神経乳頭の少なくとも１つを含む、
請求項１１に記載の医用診断方法。
請求項１１に記載の医用診断方法。
【請求項20】
コンピュータにより実行されたときに、
眼の３次元データを受信し、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価することを含む医用診断方法を実行する、コンピュータが実行可能な命令を格納した非一時的なコンピュータ読み取り可能な記憶媒体。
眼の３次元データを受信し、
各々が前記３次元データから抽出された互いに異なる２次元データに対して個別に訓練された複数のセグメンテーションアルゴリズムを用いて、前記３次元データを、ターゲット構造要素を含む領域とターゲット構造要素を含まない領域とにセグメント化して、セグメント化された３次元データセットを生成し、
前記セグメント化された３次元データセットから少なくとも１つの評価基準を生成し、
前記少なくとも１つの評価基準に基づいて医学的な状態を評価することを含む医用診断方法を実行する、コンピュータが実行可能な命令を格納した非一時的なコンピュータ読み取り可能な記憶媒体。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】０００７
【補正方法】変更
【補正の内容】
【0007】
前記医用診断装置では、前記処理回路は、前記眼のアキシャル平面に対応するアキシャルセグメンテーションアルゴリズムと、前記眼のコロナル平面に対応するコロナルセグメンテーションアルゴリズムと、前記眼のサジタル平面に対応するサジタルセグメンテーションアルゴリズムとを用いて前記セグメント化を実行してもよい。
【手続補正3】
【補正対象書類名】明細書
【補正対象項目名】００４６
【補正方法】変更
【補正の内容】
【0046】
図４は、図１におけるセグメント化されたデータの定量化ステップ１０４の詳細フロー図を示す。最終セグメンテーション結果２１８は、医学的状態の監視、評価、および診断に用いられる様々な評価基準（ｍｅｔｒｉｃｓ）を生成するために定量化される。ステップ４０２において、最終セグメンテーション結果２１８は、３Ｄスケルトン化４０２を受けて、関心のある構造要素（例えば、硝子体ポケット）の３Ｄスケルトン３０４を生成し、そこからスケルトン定量化処理４０６が、ブランチ数４０８、ブランチの平均長４１０、分岐数４１２、分岐ごとの平均ブランチ数４１４を含むスケルトン特性を抽出することができる。更なる基本定量化処理４１６は、最終３Ｄセグメンテーション結果２１８から、体積４１８、表面積４１０、および表面積対体積比４１２など、関心のある構造要素の評価基準を抽出してもよい。
【外国語明細書】