JP2013542840A - 光干渉断層法を用いた３ｄ網膜分離検出 - Google Patents

Abstract

光干渉断層法（ＯＣＴ）を用いる３Ｄ網膜剥離／隆起検出、測定及び表現のためのシステム及び方法を提供する。本発明は、網膜の病気、例えば、硬性ドルーゼン、軟性ドルーゼン、色素上皮層分離（ＰＥＤ）、脈絡膜血管新生（ＣＮＶ）、地図状萎縮（ＧＡ）、網膜流体内空間、滲出等によって引き起こされる網膜の層の異常な変化（網膜剥離）を検出及び測定することができる。結果の表現は、網膜内の剥離の定量的測定値と共に提供され、網膜の病気の診断及び治療のために使用することができる。
【選択図】 図１

Description

本出願は、２０１０年１１月１７日に出願された米国仮出願番号第６１／４１４，８０５号及び２０１１年１１月１７日に出願された米国非仮出願番号１３／２９９，２１９号の優先権を主張し、これらは、引用によって全体が本願に援用される。

ここに開示する発明の実施形態は、光干渉断層法（optical coherence tomography：ＯＣＴ）データによって網膜の剥離／隆起（disruption/elevation）を検出し、及び３Ｄ ＯＣＴデータを用いて検出及び測定結果を表示する方法及びシステムに関する。

光干渉断層法（ＯＣＴ）は、眼をイメージングし、眼科医が異なる眼疾患、特に網膜の病気について患者を診断及び治療する補助となる重要な方式である。また、フーリエ領域ＯＣＴ（Fourier Domain OCT：ＦＤ−ＯＣＴ）が商業的に利用可能になったために、眼科分野でのＯＣＴの重要度は更に著しく高まっている。ＦＤ−ＯＣＴは、従来の時間領域ＯＣＴ（Time Domain OCT：ＴＤ−ＯＣＴ）技術に比べて、遙かに走査速度が速く、分解能が高い。

網膜の患者の主要な病変の１つは、特に、網膜色素上皮（Retinal Pigment Epithelium：ＲＰＥ）及び視細胞内節／外節（Photoreceptor Inner Segment/Outer Segment ：PR-IS/OS）領域の周辺における網膜層の正常な位置からの剥離（disruption）である。このような剥離の定量的測定によって、眼科医が患者を診断及び治療するための重要な情報が提供される。

３Ｄ ＯＣＴデータを用いる以前の手法では、まず、網膜の層をセグメント化し、次に、セグメント化された層と、予想される基準の層又はセグメント化された層から幾つかの定数に従って隆起された幾つかの層とを比較することによって剥離（例えば、ドルーゼン）を検出するといった同様のスキームに従っている。基準の層は、多くの場合、病気又は病変によって層が剥離していないことを仮定して、セグメント化された層に幾つかの滑らかな表面を当てはめることによって設定される。剥離の存在は、通常、２つの２Ｄ表面を比較するだけで判定され、これは、層セグメント化が実行された後に、元の３Ｄ ＯＣＴデータが完全には利用されていないことを意味する。このようなスキームには、少なくとも４つの主要な欠点がある。第１に、このような検出方法は、層セグメント化の結果に高度に依存するため、誤りが生じやすい。２Ｄ表面セグメント化が最適でない場合、剥離検出は、直接的な影響を受け、不正確な結果が生じる可能性が高い。第２に、ＯＣＴデータに関連する雑音の影響を低減するために、層セグメント化は、スムージング処理（smoothing operation）を採用することが多いが、この場合、スケールの問題が生じやすい。過剰なスムージングを行うと（例えば、スムージングスケールが大きい場合）、所望の特徴の細部が見えなくなり、一方、スムージングが不十分だと（スムージングスケールが小さい場合）、雑音が有効に低減されず、最適な層セグメント化が実現できない。第３に、剥離は、予測不能な異なるサイズで局所的に生じることが多いため、セグメント化された層からの一定の隆起を仮定する方法は、臨床的意義が低い。最後に、既存の方法の大部分は、基準の層の上位の剥離を検出するだけであり、基準の層の下位の剥離は、無視される。剥離は、関心がある基準の層の上位でも下位でも生じる可能性があるため、両方の状況において剥離を検出及び測定できる方法を確立することが重要である。

この要約は、本発明の性質及び要旨を簡潔に示すために提供される。これは、特許請求の範囲又はその意味を解釈又は制限するために使用されるものではない。

本発明の幾つかの実施形態に基づくイメージング装置は、光源と、光源からの光を受信し、この光をサンプルに方向付けるｘ−ｙスキャナと、スキャナから反射光を受け取る検出器と、検出器から信号を受信し、サンプルの３Ｄボクセルを含むデータセットを提供するコンピュータとを備え、このコンピュータは更に、３Ｄデータセットを処理して、３Ｄデータセットから１つ以上の３Ｄシードを特定し、画像処理を実行して、３Ｄシードから３Ｄ剥離の特徴を取得し、３Ｄ剥離の測定値を生成し、３Ｄ剥離の結果を表示する命令を実行する。

本発明の幾つかの実施形態に基づく画像処理方法は、ＯＣＴシステムを用いて３Ｄデータセットを取得し、３Ｄデータセットを処理するステップと、３Ｄデータセットから１つ以上の３Ｄシードを特定するステップと、画像処理を実行して、３Ｄシードを用いて３Ｄ剥離の特徴を取得するステップと、３Ｄ剥離の測定値を生成するステップと、３Ｄ剥離の結果を表示するステップとを有する。

これらの及びこの他の実施形態については、以下の図面を参照して後に更に説明する。

本発明の幾つかの実施形態の例示的なフローチャートである。 剥離レポートのための臨床的に有用な表現スキームの具体例を示す図である。 ドルーゼンを含むカラー眼底写真の具体例を示す図である。 ｚ方向における異なるオフセットの鉛直断面画像内の網膜剥離の具体例を示す図である。 本発明の幾つかの実施形態のインテリジェント眼底画像（ＩＦＩ）の具体例を示す図である。 進行レポートの例示的な表現スキームを示す図である。 光干渉断層法（ＯＣＴ）スキャナの略図である。 ３Ｄ剥離シード生成のために用いられる例示的な画像であり、（ａ）は、３Ｄ剥離シード生成のために用いられる内節／外節（ＩＳ／ＯＳ）と網膜色素上皮（ＲＰＥ）当てはめとの間の隆起マップを用いる適応型のシード検索画像（ＡＳＳＩ）を示す図であり、（ｂ）は、ドルーゼン／色素上皮層分離（ＰＥＤ）３Ｄ剥離シードを生成するＡＳＳＩを示す図であり、（ｃ）は、地図状萎縮３Ｄ剥離シードを生成するＡＳＳＩを示す図であり、（ｄ）は、地図状萎縮（ＧＡ）検出のための３Ｄ剥離シードの具体例を示す図である。 剥離領域の例示的な画像を示しており、（ａ）は、剥離後処理の前の図であり、（ｂ）は、剥離後処理の後の図であり、（ｃ）は、ユーザが定義した０．５の感度の図であり、（ｄ）は、ユーザが定義した１．０の感度の図である。 剥離のサイズと、その中心窩の中心までの距離との間の関係の例示的なプロット図である。 ３Ｄ剥離クラウドの例示的な表示を示しており、（ａ）は、ＲＰＥ当てはめ層における図であり、（ｂ）は、ＲＰＥ層における図である。

同じ又は類似する機能を有する要素には、適宜、同じ符号を付している。図面は、実際の縮尺に従っておらず、相対的寸法も示していない。

ここに開示する本発明の側面及び実施形態は、ＯＣＴ３Ｄボリュームデータを用いて、網膜剥離（又は隆起）を検出及び測定し、結果を提示するコンピュータによって補助される検出及び測定システム及び方法に関連する。

幾つかの実施形態では、３Ｄ形状、サイズ、強度及びテクスチャ、３Ｄラベル付きマスク生成、インテリジェント眼底画像（Intelligent Fundus Image：ＩＦＩ）構築等の異なる制約を用いる３Ｄ領域成長法（3D region growing methods）によって網膜剥離を検出する。

幾つかの実施形態では、内境界膜（Inner Limiting Membrane：ＩＬＭ）、内網状層（Inner Plexiform Layer：ＩＰＬ）、外網状層（Outer Plexiform Layer：ＯＰＬ）、視細胞内節／外節（Photoreceptor Inner Segment/Outer Segment：ＰＲ−ＩＳ／ＯＳ）、網膜色素上皮（Retinal Pigment Epithelium：ＲＰＥ）層等の網膜層セグメント化、正常なＲＰＥ層構築、ＩＳ／ＯＳ隆起マップ構築、適応型シード検索画像（Adaptive Seed Search Image：ＡＳＳＩ）構築、並びに上述の全ての情報及びＯＣＴ３Ｄボリュームデータからの３Ｄ剥離シード検出を含む方法によって、３Ｄ領域成長のための３Ｄ剥離シードを得る。

幾つかの実施形態では、検出された剥離に基づいて、剥離の数、各剥離の３Ｄ境界、各剥離のサイズ（直径、面積及び体積）、剥離の分布、定義された領域、例えば、標準的な糖尿病網膜症早期治療試験（Treatment Diabetic Retinopathy Study：ＥＴＤＲＳ）セクタ内の剥離のサイズの合計及びこれらの測定値の経時的な変化等の定量的測定を実行する。

幾つかの実施形態では、上述した測定を表示し、及び中間的な結果、例えば、セグメント化された網膜の層、剥離シード及び３Ｄにおける剥離境界を変更することによって、自動的手法からの幾つかの誤差を修正して、より正確な結果を得るための対話型のグラフィカルユーザインタフェース（Graphical User Interface：ＧＵＩ）を提供する。幾つかの実施形態では、複数のデータセットが利用可能な場合、進行解析を実行して、レポートを提供する。

ここに説明する手法は、光干渉断層法（ＯＣＴ）を用いてサンプルを測定するデバイスに実装することができる。このようなデバイスの１つは、本出願の譲受人がＲＴＶｕｅという商標を用いて米国内及び米国外で販売している。また、このようなデバイスのより小型のバージョンも本出願の譲受人がｉＶｕｅという商標を用いて米国内及び米国外で販売している。ＲＴＶｕｅ（商標）及びｉＶｕｅ（商標）は、何れも周波数領域ＯＣＴシステムであり、広帯域光源及び分光光度計を有し、臨床医による臨床的解釈及び診断が可能な高精細度スキャン及び低解像度データキューブの両方のＯＣＴデータセットを短時間で取得できる。ここに説明する実施形態は、如何なるイメージングデバイスにも適用でき、上述したＯＣＴ技術に制限されるものではない。

ＯＣＴスキャナを用いて取得された３Ｄデータセットを用いる網膜剥離検出、測定及び表示のためのシステム及び方法を説明する。本発明の実施形態を用いて、網膜における剥離の定量的測定によって網膜の病気の診断及び治療を行うことができる。

図７は、本発明の幾つかの実施形態に基づく３Ｄ網膜剥離検出に使用できるＯＣＴイメージャ７００の具体例を示している。ＯＣＴイメージャ７００は、光源７０１を含み、光源７０１は、カプラ７０３に光を供給し、カプラ７０３は、サンプリングアームを介してＸＹスキャン７０４に光を方向付け、参照アームを介して光遅延７０５に光を方向付ける。ＸＹスキャン７０４は、眼７０９を横切るように光を走査し、眼７０９からの反射光を回収する。眼７０９から反射する光は、ＸＹスキャン７０４によって捕捉され、カプラ７０３において、光遅延７０５から反射した光と結合されて、干渉信号が生成される。干渉信号は、検出器７０２に供給される。ＯＣＴイメージャ７００は、時間領域ＯＣＴイメージャであってもよく、この場合、光遅延７０５を走査することによって深度（又はＡ−スキャン）が得られ、又はフーリエ領域イメージャであってもよく、この場合、検出器７０２は、波長の関数として干渉信号を捕捉する分光光度計である。何れの場合も、ＯＣＴ Ａ−スキャンは、コンピュータ７０８によって捕捉される。コンピュータ７０８は、ＸＹパターンに沿った一連のＡ−スキャンを用いて、３Ｄ ＯＣＴデータセットを生成する。また、本発明の幾つかの実施形態に基づき、コンピュータ７０８を用いて、３Ｄ ＯＣＴデータセットを２Ｄ画像に処理することもできる。コンピュータ７０８は、データを処理できる如何なるデバイスであってもよく、関連するデータストレージ、例えば、メモリ又は固定ストレージ媒体、及びサポート回路と共に幾つのプロセッサ又はマイクロコントローラを含んでいてもよい。

更なる説明のために、本発明の幾つかの実施形態の例示的なフローチャートを図１に示す。図１に示すフローチャートには、この網膜剥離検出、測定及び表示方法の１０個のステップが示されており、すなわち、（１）５つのサブステップ１０１〜１０５を含む３Ｄ剥離シード検出１００、（２）３Ｄ領域成長１０６、（３）３Ｄラベル付きマスク生成１０７、（４）インテリジェント眼底画像（Intelligent Fundus Image：ＩＦＩ）構築１０８、（５）剥離領域後処理１０９、（６）オプションの剥離感度算出１１０、（７）測定査定１１１、（８）オプションの対話型表示１１２、（９）最終的な表示及びレポート１１３、（１０）オプションの進行解析１１４が示されている。

３Ｄ剥離シード検出
図１のフローチャートの第１のステップ１００は、網膜における潜在的な剥離の３Ｄシードの検出を行うものであり、この剥離シードは、３Ｄデータセット内で最終的な３Ｄ剥離ボリュームを判定する後続する３Ｄ領域成長のために検出及び特定される。図１に示すように、ステップ１００は、シードを準備及び特定するための５つのサブステップを含み、これらについては、以下に説明する。

サブステップ１０１では、患者の眼の異なる網膜層のセグメント化、例えば、内境界膜（ＩＬＭ）、内網状層（ＩＰＬ）、外網状層（ＯＰＬ）、視細胞内節／外節（ＰＲ−ＩＳ／ＯＳ）、網膜色素上皮（ＲＰＥ）、脈絡膜境界、又は他の関心がある層のセグメント化を実行できる。層セグメント化は、通常、ＯＣＴ技術を用いて取得された測定データに対して実行され、ＯＣＴデータセットにおける網膜層セグメント化を達成するために、多数の方法が用いられている。よく知られている幾つかの方法として、グラフカット（graph-cut）、動的輪郭モデル（ｓｎａｋｅ）、レベルセット理論、動的プログラミング等がある（「J. A. Noble et.al., “Ultrasound Image Segmentation: A Survey”, IEEE Transactions on Medical Imaging, vol. 25, No. 8, pp. 987-1010, 2006」参照）。

第２のサブステップ１０２では、病気又は病変によって層が剥離していないと仮定することによって、したがって、層上の疑わしい剥離点を考慮することなく、正常な網膜の層、例えば、ＲＰＥ層の位置の表現として、セグメント化曲線又は表面を判定する。例えば、正常なＲＰＥ層位置のこの表現を「ＲＰＥ当てはめ（RPE-fit）」と呼ぶ。幾つかの実施形態では、ＲＰＥ当てはめは、局所的セグメントにおける剥離がない凸面及び平坦面であると仮定される。疑わしい病理的なセグメントを排除した後、ＲＰＥ当てはめを低次多項式に当てはめることによって、正常なＲＰＥ層を表現することができる。例えば、２次多項式又は３次多項式によって、十分に理想的なＲＰＥ当てはめ層を達成することができる。ＳＤ−ＯＣＴ画像ボリュームからのＲＰＥ面を実際のＲＰＥに当てはめる手法は、ＳＤ−ＯＣＴが開発された直後に提案され、曲線又は曲面の当てはめは、当分野において周知である（例えば、「M. Szkulmowski et.Al, “Analysis of posterior retinal layers in spectral optical coherence tomography images of the normal retina and retinal pathologies”, Journal of Biomedical Optics 12(4), 2007」参照）。

第３のサブステップ１０３では、関心がある層から隆起マップ（elevation map）を作成する。例えば、ＩＳ／ＯＳの隆起マップを作成して、後の３Ｄ網膜剥離検出に必要であるシード候補の特定を補助することができる。幾つかの実施形態では、ステップ１０１からのＩＳ／ＯＳセグメント化層をステップ１０２で生成したＲＰＥ当てはめと比較して、ＩＳ／ＯＳの隆起マップを作成する。図８ａは、本発明の幾つかの実施形態に基づく更なる処理ステップによって、ドルーゼンのための３Ｄ剥離シードを検出するために使用することができるＩＳ／ＯＳとＲＰＥ当てはめとの間の隆起マップの具体例を示している。

第４のサブステップ１０４では、剥離のタイプに応じて、ステップ１０１のＩＳ／ＯＳセグメント化層とステップ１０２のＲＰＥ当てはめ層との間、又はＲＰＥ当てはめ層下の各Ａ−スキャンについてＯＣＴデータ分布を評価することによってシード候補を特定する。各Ａ−スキャンの評価は、シード候補の探索範囲の閉じ込めに役立ち、この結果、「適応型シード検索画像（Adaptive Seed Search Image：ＡＳＳＩ）」と呼ばれる画像が得られる。ＡＳＳＩは、シード候補のための画像内の明るい領域を強調し、更なる処理においてこれを用いて、網膜剥離の潜在的位置を特定することができる。

幾つかの実施形態では、サブステップ１０３を実行しないで、サブステップ１０４を実行できる。例えば、ＧＡ(Graphic Atrophy)を検出するために、ＲＰＥ当てはめ層下に構築されたＡＳＳＩから３Ｄ剥離シードを直接的に検出できる。ステップ１０３において、ＩＳ／ＯＳとＲＰＥ当てはめとの間に構築された隆起マップは、後に、３Ｄ剥離検出制約及びＧＡ検出結果を精密化するために使用することができる。

図８ｂは、鉛直断面画像（en face image）に更なる画像処理、例えば、エッジ検出を施すことによって、剥離領域８１０を強調した、シード検出ステップ１０５で使用されるＡＳＳＩの一例を示している。図８ｃは、鉛直断面画像に対して周知の平滑化フィルタ等の更なる画像処理を実行して剥離領域８２０を強調することによって生成された、ＧＡ剥離のケースにおいてシードを検出するために用いられる他のＡＳＳＩの具体例を示している。図８ｄは、図８ｃで選択された閾値より高い値を用いて領域の位置を特定することによって生成された例示的な２Ｄ剥離シード画像である。

幾つかの実施形態では、ＩＳ／ＯＳ隆起マップから局所的強度最大値を抽出することができ、これらの局所的最大値のｘ−ｙ位置は、ステップ１０５における更なる３Ｄシード検出のための網膜剥離のシード候補のｘ−ｙ位置とみなすことができる。局所的強度最大値は、周知の２Ｄ画像セグメント化アルゴリズム、例えば、Ｏｔｓｕ適応型閾値処理（Otsu adaptive thresholding）（Otsu, N, “a threshold selection method from gray-level histograms”, IEEE Transactions on Systems, Man, and Cybernetics, vol. 9, No. 1, pp. 62-66, 1979）、マーカ制御付き分水嶺変換（marker controlled watershed transform）（Vincent, L and Pierre, S, “Watersheds in Digital Spaces: an efficient algorithm based on immersion simulations”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 13, No. 6, pp. 583-598, 1991）又はカーネルベース平均値シフトクラスタリング（kernel based mean shift clustering）（Cheng, Yizong, “Mean shift, mode seeking and clustering”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 17, No. 8, 1995）を用いて検出できる。幾つかの実施形態では、結果的な局所的強度最大値（最も明るい点）は、ステップ１０４で取得されたＡＳＳＩから抽出することができ、これらの局所的最大値の各ｘ−ｙ位置を３Ｄ網膜剥離セグメント化の２Ｄシード候補として選択できる。

ステップ１００の最後のサブステップ１０５では、３Ｄ ＯＣＴデータセットにステップ１０３におけるＩＳ／ＯＳマップ構築の隆起マップからの２Ｄシード候補及び／又はステップ１０４のＡＳＳＩ構築からの２Ｄシード候補を組み込むことによって３Ｄ剥離シードを検出する。以上のステップは、図１の例示的なフローチャートの実施形態において、シード候補のｘ−ｙ位置を検出するステップを表している。３Ｄデータセットにおいてシード候補を得るためには、例えば、ステップ１０３、１０４で特定されたｘ−ｙ位置を用いて、Ａ−スキャン方向に沿ってステップ１０３、１０４からのシード候補を検索することによって、シード候補のｚ位置を判定する必要がある。幾つかの実施形態では、強度値が最も高いと予測される３Ｄボクセルを３Ｄシードとして選択できる。先のステップから得られたｘ−ｙ位置を用いてｚ位置を特定するために、当業者に周知の他の手法を使用してもよい。この方法によって、３Ｄ網膜剥離検出を行うための３Ｄシードのｘ位置、ｙ位置及びｚ位置が有効に判定される。

図４は、ｚ方向のオフセットが異なる鉛直断面画像における網膜剥離の具体例を示している。鉛直断面画像の生成には、様々な技術が使用されている（例えば，米国特許出願番号第１２／９０９，６４８号参照）。画像４１０は、３Ｄデータセットの全体のボリュームから得られた鉛直断面画像を示している。画像４２０は、ＲＰＥ当てはめから５５μｍオフセットされた画像を示している。ドルーゼン４２５は、明るいスポット又は画像４２０内の暗い領域を取り囲むより明るい境界として示されている。画像４３０は、画像４１０を生成するために用いられたものと同じ３Ｄデータセットからの画像であって、ＲＰＥ当てはめから５４μｍオフセットした画像である。ここでも、ドルーゼン４３５は、画像４３０内の明るいスポットである。画像４４０は、同じ３Ｄデータセットにおいて、ＲＰＥ当てはめから７４μｍオフセットした画像であり、ドルーゼン４４５が明るいスポットとして示されている。ドルーゼン４２５、４３５、４４５の特徴は、ＲＰＥ当てはめからオフセット量が異なる画像４２０、４３０、４４０毎に変化している。ここに示すように、画像におけるドルーゼンの特徴は、オフセット量に高く依存しているので、この図４に示すような簡単な手法を用いると、実際のドルーゼンの検出に誤りが生じやすく、再現性が低くなる。これに対し、３Ｄ網膜剥離検出のために用いられる３Ｄセグメント化方法によって、ＯＣＴデータの臨床的有効性が大幅に向上する。

ここに開示する実施形態では、単に２Ｄセグメント化された表面を使用して剥離を直接的に特定するのではなく、２Ｄセグメント化された表面を中間結果として利用して、局所的な３Ｄシードを特定する。ステップ１０５において判定された局所的な３Ｄシードに基づいて、３Ｄ領域成長技術を適用することによって、関心領域、特に、様々なサイズ及び位置の剥離をより高い信頼度で検出することができる。したがって、上述した既存の方法に比べて、２Ｄ表面セグメント化の正確度は、決定的ではない。

３Ｄ領域成長（3D Region Growing）
図１に示す例示的なフローチャートでは、次のステップであるステップ１０６において、３Ｄ ＯＣＴデータセット内で３Ｄ領域成長を実行する。２Ｄ領域成長を用いるセグメント化法は、当分野でよく知られている（例えば、「Adam and Bischof, “Seeded Region Growing,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 16, pp. 641-647, 1994」参照）。ステップ１０６における３Ｄ領域成長は、領域成長制約と共にステップ１０５で特定された３Ｄシードを用いて実行できる。領域成長制約の幾つかの具体例は、病変の臨床的知識及びＯＣＴデータセットの画像特性によって判定される３Ｄ形状及びサイズである。例えば、多くの網膜剥離／病変、例えば、硬性ドルーゼン、軟性ドルーゼン、色素上皮層分離（Pigment Epithelium Detachment：ＰＥＤ）及び脈絡膜血管新生（Choroidal Neovascularization：ＣＮＶ）によって、正常なＲＰＥ位置（ＲＰＥ当てはめ）の上に半球形状が形成されることが多い。また、硬性ドルーゼンが形成されると、ＯＣＴデータセットの画像特性、例えば、高反射率領域及びゴマ塩状テクスチャ（salt-pepper texture）といった特徴が一般的に観察される。３Ｄ領域成長法でこれらの制約を利用することによって、領域成長処理のロバスト性及び正確度を向上させ、領域成長技術において生じやすいことが一般的に知られている漏れ問題（leaking problem）を実質的に軽減することができる。幾つかの実施形態では、ステップ１０５で特定された３Ｄシードを用い、上述した制約を利用する３Ｄ領域成長ステップ１０６では、直径が僅か６０μｍの剥離も検出できる。

これに代えて、処理時間が重要である状況では、３Ｄ領域成長法以外の他の３Ｄセグメント化技術を用いて３Ｄ剥離領域を検出してもよい。幾つかの実施形態では、輪郭マップを用いてボリュームを組み立てる場合と同様に、ステップ１０５で特定された３Ｄシードに基づいて、異なるｚ距離における複数の２Ｄ横断面領域を補間することによって３Ｄセグメント化を実行できる。一般的に使用されている幾つかの補間法、例えば、線形補間、双線形補間、ｂスプライン補間を使用することができる。幾つかの他の実施形態では、更に処理時間を短縮し及び演算負荷を軽減するために、ＡＳＳＩを用いて、強調された２Ｄ網膜剥離を得てもよい。例えば、ＡＳＳＩは、ステップ１０１〜１０５で説明した適応型局所的シード特定に加えて、臨床的に有意義な予め選択された範囲のｚ位置から構築することができる。そして、ステップ１０７において、２Ｄ領域セグメント化アルゴリズム（例えば、マーカ制御付き分水嶺セグメント化（marker-controlled watershed segmentation））を適用して、３Ｄラベル付き剥離マスクの２Ｄ複製を生成することができる。幾つかの実施形態では、ドルーゼン及びＰＥＤタイプの剥離について、ＲＰＥ当てはめ層から１００μｍ乃至３０μｍ上にＡＳＳＩを構築することができる。地図状萎縮（Geographic Atrophy：ＧＡ）タイプの剥離については、ＲＰＥ当てはめ層から１００μｍ乃至４００μｍ下にＡＳＳＩを構築することができる。また、反射率の基準として、ＩＳ／ＯＳ層の１００μｍ上からＩＳ／ＯＳ層に更なるＡＳＳＩ画像を構築することができる。

３Ｄラベル付きマスク生成
次のステップ１０７では、３Ｄ領域成長ステップ１０６を用いてセグメント化された３Ｄ接続された各オブジェクトのボクセルにラベルを付す。ラベル付け処理(labeling procedure)は、例えば、以下のように行ってもよい。まず、３Ｄ領域成長ステップ１０６によって埋められた全てのボクセルに対し、ステップ１０６で特定された３Ｄ接続されたオブジェクトの最大割当可能数より大きいマスク値Ｎ（例えば、３Ｄデータセット内の３Ｄ接続されたオブジェクトが２５５個未満であると仮定して、Ｎ＝２５５）を初期的に割り当て、ステップ１０６において埋められていないボクセルには、０の値を割り当てる。次に、繰返し処理を用いて、３Ｄ接続された各オブジェクトに固有値によるラベルを付す。繰返し処理では、ｋ回の繰返しステップを行ってもよく、ここで、１≦ｋ≦Ｋであり、Ｋは、ステップ１０６において３Ｄ接続されたオブジェクトの総数である。また、ランダムに選択されたマスク値Ｎを有するボクセルに対し、一般的に使用されている塗りつぶしアルゴリズム（flood-fill algorithm）を適用して、この選択されたボクセルに接続されている全てのマスクボクセルを検索することができる。先にマスク値Ｎを有しているこれらの接続ボクセルに新たなマスク値ｋを割り当てる。この第１の繰返しの後に、ｋをインクリメントし（例えば、ｋ＝ｋ＋１）、マスク値Ｎを有する他のランダムに選択されたボクセルに対し、塗りつぶしアルゴリズムを適用して、このランダムに選択されたボクセルに接続されているボクセルを検索する。そして、これらのボクセルのマスク値をインクリメントされたｋ値に更新する。この繰返し処理は、Ｋ回繰返して終了され、この時点で、初期的なマスク値Ｎが割り当てられているボクセルはなくなる。この処理によって、３Ｄデータセット内のＫ個の総数の３Ｄ接続されたオブジェクトにラベルが付され、更なる処理ステップ１０８〜１１０が補助され、ステップ１１１における後の剥離測定を評価することができる。

インテリジェント眼底画像（Intelligent Fundus Image：ＩＦＩ）構築
ステップ１０８では、ステップ１０７における３Ｄラベル付きマスクに基づいて、インテリジェント眼底画像（ＩＦＩ）を構築することができる。１つ以上の特定の３Ｄ接続されたオブジェクトに対し、３Ｄデータスムージング及び強調技術、例えば、実際の用途に応じて、非線形フィルタリング及びヒストグラム均等化を適用して、最適な眼底画像表現を生成することができる。このようなＩＦＩの具体例を図５に示す。図５に示すＩＦＩ画像では、図４に示すような、異なる任意のオフセット量による影響の問題が解決されている。上述した処理の結果として得られるＩＦＩ画像は、一定でより正確な網膜剥離特徴を再現している。画像５１０は、画像４１０に用いられたものと同じ３Ｄデータセットから生成された画像である。ドルーゼン５２０の特徴は、図４の画像４２０、４３０、４４０のそれぞれに示すドルーゼン４２５、４３５、４４５に比べて、より明瞭であり、より明確に特定できる。

剥離領域後処理
幾つかの実施形態では、剥離ラベル付きマスクに剥離領域後処理ステップ１０９を適用して、動きアーチファクト、例えば、データ取得の間の眼球運動の影響、視神経乳頭近傍又はサイズ及び形状に起因する誤検出領域、又は光学的及び電子的雑音を除去又は最小化することができる。例えば、眼球運動は、ＩＦＩ画像のエッジ情報及びヒストグラム分布を用いて検出できる。動き確率マップを構築し、各ラベル付き領域に動きアーチファクトの確率を割り当て、動き確率がより高い領域を剥離画像から除去することができる。図９ａ及び図９ｂは、後処理の前（図９ａ）及び後（図９ｂ）の剥離領域の具体例を示している。図９ｂでは、図９ａ内の眼球運動によるアーチファクト、小さすぎて細すぎるクラスタ及び視神経乳頭領域に関連する誤検出クラスタが除去されている。幾つかの実施形態では、動き及び他のアーチファクト領域を除去することに代えて、アーチファクトを異なる色調又はカラーで表示して、これらを区別しやすくし、解釈を容易にしてもよい。

剥離感度算出
本発明の幾つかの実施形態では、オプションのステップ１１０を実行して、網膜剥離検出の結果を強調してもよく、すなわち、剥離感度メトリックを定義し、各剥離領域又はボリュームに割り当てることができる。感度値は、ユーザにとって合理的な値、例えば、［０．０，１．０］又は［０％，１００％］といった範囲で設定することができる。ユーザは、このパラメータを調整することによって、剥離領域又はボリュームを所望の感度レベルで表示することができる。感度値を高めれば、サイズがより小さい、より多くの剥離が検出され、感度値を低めればこの逆になる。これに代えて、ユーザが定義した固定された感度値を初期値として選択してもよい。感度値は、３Ｄ ＯＣＴデータセットからの情報、例えば、隆起の高さ、剥離の面積、剥離の体積又はこれらのメトリックの組合せを用いて、手動又は自動的に割り当てることができる。例えば、大きいドルーゼン又はＰＥＤの視覚化をユーザが望む場合、低感度値（例えば、１．０のうちの０．５）を選択できる。一方、全ての可能な剥離の視覚化をユーザが望む場合、１．０のうちの１．０の感度値を選択できる。図９ｃ及び図９ｄは、異なる感度値（それぞれ感度値０．５、１．０）によって検出された剥離領域の具体例を示している。

剥離測定
上述したように、ステップ１００〜１１０によって、３Ｄ領域の網膜剥離検出が達成される。次のステップである図１のステップ１１１では、定量化された測定値を取得し、画像処理を実行して、病気又は病状の診断の補助となるように剥離の特徴及び特性を特定する。３Ｄ網膜剥離の測定値は、臨床的に重要であり、画像処理によって、ユーザは、特定された状態を臨床的に有用な手法で評価することができるようになる。本発明の幾つかの実施形態では、ステップ１１１において、以下の測定及び画像処理を実行できる。

このような測定は、以下に限定されるものではないが、以下を含むことができる。

＊剥離の数
＊各剥離の３Ｄ境界
＊各剥離のサイズ（直径）
＊各剥離の面積
＊各剥離の体積
＊小（＜６３μｍ）、中（６３μｍ〜１２４μｍ）、大（１２５μｍ〜２４９μｍ）、特大（２５０μｍ〜４９９μｍ）、超特大（≧５００μｍ）のカテゴリにおけるサイズの分布
＊上に定義した同じサイズカテゴリにおける体積の分布
＊任意のユーザ指定領域における剥離の総サイズ
＊任意のユーザ指定領域における剥離の総体積
＊標準的な糖尿病網膜症早期治療試験（Treatment Diabetic Retinopathy Study：ＥＴＤＲＳ）セクタにおける剥離の総サイズ
＊全体円（直径６ｍｍの円）
＊中心円（直径１ｍｍの円）
＊内側リング（１ｍｍ〜３ｍｍのリング）
＊外側リング（３ｍｍ〜６ｍｍのリング）
＊内外側（Inner Tempo）
＊内上側（Inner Superior）
＊内内側（Inner Nasal）
＊内下側（Inner Inferior）
＊外外側（Out Tempo）
＊外上側（Outer Superior）
＊外内側（Outer Nasal）
＊外下側（Outer Inferior）
＊上に定義した標準ＥＴＤＲＳ（糖尿病網膜症早期治療試験）セクタにおける剥離の総体積
＊上に定義した標準ＥＴＤＲＳ（糖尿病網膜症早期治療試験）セクタにおける剥離面積パーセンテージ
これらの数値的測定値の算出に加えて、臨床的に有意な手法でこれらを表示することができる。例えば、剥離中心から参照点、例えば、中心窩までの距離を算出し、幾つかの測定値、例えば、剥離の直径、面積又は体積と関連付けてプロットすることができる。図１０は、中心窩までの距離に対する剥離のサイズの例示的なプロットを示している。

対話型表示
本発明の幾つかの実施形態では、３Ｄ剥離領域とのユーザインタラクションを提供する直感的でユーザフレンドリなグラフィカルユーザインタフェース（Graphical User InterfaceＧＵＩ）を採用することができる。３Ｄ網膜剥離セグメント化ステップ１０６〜１１０及びステップ１１１で実行される測定の対話型ＧＵＩ表示ステップ１１２は、図１の例示的なフローチャートに組み込むことができる。直感的でユーザフレンドリなユーザインタラクションの具体例によって、ユーザは、ステップ１０１からの層セグメント化結果を修正して、関心領域をよりよく特定することができる。このようなユーザインタラクションの他の具体例によって、ユーザは、ステップ１０５における３Ｄ剥離シードを変更、追加又は削除して、結果をカスタマイズすることができる。また、このようなユーザインタラクションによって、ユーザは、ステップ１０６における３Ｄ剥離セグメント化を修正、追加、削除又は強調することができる。対話型の表示及びＧＵＩによって、ユーザは、ユーザの臨床的必要性をよりよく満たすように、検出結果を検証及び確認することができる。対話型ＧＵＩ表示ステップ１１２において、ユーザが修正を行うことを選択した場合、ステップ１００〜１１１における網膜層セグメント化から測定値の生成、及び検出された３Ｄ剥離の画像処理を再評価できる。

最終的な表示及びレポート
ユーザが３Ｄ網膜剥離結果及び測定値を検証及び確認した後に、ステップ１１３において、臨床的に有用な検出レポートを生成することができる。図２は、臨床的に有用な剥離結果レポートの表示スキームの具体例を示している。このサンプルレポートには、２つのＩＦＩ２００、２０２が表示されている。ＩＦＩ２００は、ＥＴＤＲＳグリッドが重ねられ、検出された網膜剥離が異なる色で強調表示されたＩＦＩである。幾つかの実施形態では、剥離の特徴を容易に特定できるようにするため、色付けキームを用いる。幾つかの臨床的に有用な特徴は、面積、体積及び深さである。図２の具体例では、緑色２０３、紫色２０４及び赤色２０５の色付けスキームを用いて、剥離のサイズの中、大、特大のそれぞれを示している。ＩＦＩ２０２は、ＥＴＤＲＳグリッドが重ねられ、各ＥＴＤＲＳグリッド領域に面積パーセンテージが表示されたＩＦＩである。ＩＦＩ２０２は、各ＥＴＤＲＳ領域において影響を受けている面積のパーセンテージを示す量的な表示である。敏感なＥＴＤＲＳ領域のそれぞれにおいて、剥離の位置及び濃度を特定できるようにすることは、臨床的に有用である。領域２０６は、全てのドルーゼンが面積の１％を占めている１つのＥＴＤＲＳ領域である。画像２０７は、網膜の層がセグメント化及び表示されたＢスキャン画像の一具体例である（第１の赤色：ＩＬＭ、緑色：ＩＰＬシアン：ＲＰＥ、第２の赤色：ＲＰＥ当てはめ）。領域２０８は、対応するＢスキャン画像で検出された剥離領域（ピンクの突起）である。更に、このようなレポートに一般的に使用される臨床情報を表示又は統合してもよく、これらの臨床情報には、例えば、剥離総数、各サイズカテゴリ（小、中、大、特大、超特大）毎の剥離数、剥離総面積、ＥＴＤＲＳセクタ毎の剥離面積、剥離総体積、ＥＴＤＲＳセクタ毎の剥離体積、ＥＴＤＲＳセクタ毎の剥離面積パーセンテージ、剥離面積パーセンテージによって色付けされたＥＴＤＲＳ領域、ＩＦＩ画像２０２上への色付きＥＴＤＲＳ領域の重ね合わせ、カラー眼底写真上への色付きＥＴＤＲＳ領域の重ね合わせ、サイズカテゴリ２００を識別する異なる色によるＩＦＩ画像上での剥離境界のマーク等がある。図３は、網膜剥離（ドルーゼン）の１つの形式を特定するために臨床医によって一般的に用いられているカラー眼底写真の具体例を示している。写真３００では、ドルーゼン３０２は、黄色を帯びた色で表示されている。しかしながら、このような従来の表示又はレポートは、上述した定量的で、客観的で、より正確な３Ｄ網膜剥離検出方法及び表示に比べると、臨床的有用性が低い。

これに代えて、３Ｄディスプレイインタフェースにおいて、３Ｄ剥離の最終的な表示を「３Ｄ剥離クラウド（3D disruption clouds）」としてレンダリングしてもよい。３Ｄ ＯＣＴスキャンは、ユーザの選択に応じて、完全に又は任意の層のみを表示できる。３Ｄ剥離クラウドは、３Ｄ位置及び形状を表示する疑似透明又は半透明のカラーボリュームとしてレンダリングすることができる。図１１ａは、ＲＰＥ当てはめ層における例示的な３Ｄ剥離クラウド表示を示しており、図１１ｂは、ＲＰＥ層における他の具体例を示している。

進行解析
眼科の分野においては、単一の臨床的に有用な最終レポートに加えて、医師が状態又は病状を監視及び効果的に追跡できるようにすることが有利であることが多い。本発明の幾つかの実施形態は、レポートステップ１１４において生成され、複数回の通院の一部又は全部に亘って取得された時系列に沿った診察からの臨床的に有用な情報を比較及び表示する統合進行レポートを含む。図６は、進行レポートのための例示的な表示スキームであり、これは、２つの異なる時点６００、６１０で取得された２つのデータセットについての進行解析の具体例（境界によってセグメント化された網膜剥離６２０）を示している。時系列データセットの数は、２個から臨床的に有意な合理的な数にまで増やすことができる。複数のデータセットが利用可能な場合（多くの場合、患者の複数回の通院による）、進行解析を実行でき、進行レポートを生成することができる。複数のデータセットが利用可能な場合、剥離３Ｄシード検出のためのステップ１００〜１１３における解析は、これに応じて、複数のデータセットを使用するように適応化される。複数のデータセットを用いることによって、特に通院毎に病状が大幅に変化しない場合に、３Ｄ剥離検出方法のロバスト性を検証し及び向上させることができる。進行レポートでは、測定値の一般的で臨床的に有意な表示及び表現、例えば、剥離総数の変化、サイズカテゴリ毎の剥離数の変化、剥離面積の変化、ＥＴＤＲＳセクタ毎の剥離面積の変化、剥離体積の変化、ＥＴＤＲＳセクタ毎の剥離面積パーセンテージの変化、１つのデータのみの剥離領域及び両方のデータセットにおける剥離領域に異なる色を用いてＩＦＩ画像に重ねられた剥離領域の変化を用いることができる。これらの有用な情報の幾つかの具体例をグラフ６３０、６４０に示す。当業者は、本発明の範囲内で、上述した他の剥離表現及び測定値について、同様のレポートを作成することができる。

ここに示したように、従来の技術のそれぞれによって得られるデータでは、何れも、３Ｄ網膜剥離について完全で、信頼性が高く、正確な解析を行うことができない。これらは、何れも、正確で再現可能な手法で、１つ以上の測定値又はセグメント化を高い信頼度で判定することができない。

上述の具体例は、本発明のある実施形態及び側面を示し、詳しく説明するために開示したものであり、本発明の範囲を限定するものとは解釈されない。上の記述では、主に、眼を対象として説明を行った。これは、説明を補助するためのものであり、本発明の用途を制限するものではない。すなわち、「眼」という用語を使用している箇所は、より包括的な透明及び拡散オブジェクト又は組織に置き換えてもよい。同様に、ここに説明した実施形態では、ドルーゼン及びＲＰＥ剥離を具体例として使用したが、同じ実施形態は、あらゆる網膜剥離に一般化して適用できる。本発明の教示を組み込んだ様々な実施形態をここに例示し、詳細に説明したが、当業者は、本発明の教示を組み込んだ他の様々な実施形態を想到することができる。

Claims (26)

1. 光源と、
   前記光源からの光を受信し、この光をサンプルに方向付けるｘ−ｙスキャナと、
   前記スキャナから反射光を受け取る検出器と、
   前記検出器から信号を受信し、メモリに保存されたコードを実行するコンピュータとを備え、前記コードは、
   サンプルの３Ｄボクセルを含むデータセットを提供し、
   前記３Ｄデータセットから１つ以上の３Ｄシードを特定し、
   前記３Ｄシードに基づいて、３Ｄ剥離の特徴を取得し、
   前記３Ｄ剥離の測定値を生成し、
   前記３Ｄ剥離の結果を表示する命令を提供するイメージング装置。
2. 前記３Ｄデータセットから１つ以上の３Ｄシードを特定することは、
   前記３Ｄデータセット内の少なくとも１つの網膜の層をセグメント化して、１つ以上のセグメント化された網膜の層を取得し、
   前記３Ｄデータセット内の少なくとも１つの網膜の層から正常な網膜色素上皮（ＲＰＥ）層を生成して、ＲＰＥ当てはめ表面を取得し、
   前記１つ以上のセグメント化された網膜の層上の点と、前記ＲＰＥ当てはめ表面上の点との間の距離を算出し、少なくとも１つの隆起マップを取得することを含む請求項１記載の装置。
3. 前記３Ｄデータセットから１つ以上の３Ｄシードを特定することは、適応型シード検索画像（ＡＳＳＩ）を特定することによってシード候補を特定することを含む請求項２記載の装置。
4. 前記ＡＳＳＩは、隆起マップである請求項３記載の装置。
5. １つ以上のセグメント化された網膜の層の間で３Ｄデータセットを２Ｄ表現に縮減し、鉛直断面画像を取得することを更に含む請求項２記載の装置。
6. 前記鉛直断面画像は、画像処理フィルタを適用してＡＳＳＩを取得することによって処理され、前記処理フィルタは、エッジ検出フィルタ、平滑化フィルタ及びこれらの組合せからなるフィルタの組から選択される請求項５記載の装置。
7. 前記ＡＳＳＩは、前記隆起マップ及び前記鉛直断面画像の情報を結合することによって生成される請求項５記載の装置。
8. 前記３Ｄデータセットから１つ以上の３Ｄシードを特定することは、３Ｄセグメント化演算を含む請求項２記載の装置。
9. 前記３Ｄデータセットからの２つ以上の２Ｄ横断面輪郭画像を補間することによって、３Ｄ領域成長演算又は３Ｄボリューム構築を行う請求項８記載の装置。
10. 前記３Ｄ剥離の測定値は、対話式に生成される請求項１記載の装置。
11. 前記３Ｄ剥離の結果を表示することは、眼の少なくとも１つの解剖学的特徴に関連して、１つ以上の３Ｄ剥離特徴のプロットを提供することを含む請求項１記載の装置。
12. 異なる時点で得られた３Ｄデータセットからの３Ｄ剥離結果を評価及び表示する進行解析を更に含む請求項１記載の装置。
13. 更に、３Ｄ表示インタフェース内で関心があるセグメント化された層に重ねて３Ｄ剥離クラウドを３Ｄ表示する請求項１記載の装置。
14. 光干渉断層法（ＯＣＴ）システムからサンプルの３Ｄボクセルを含むデータセットを取得するステップと、
    前記３Ｄデータセットから１つ以上の３Ｄシードを特定するステップと、
    前記３Ｄシードに基づいて、３Ｄ剥離の特徴を取得するステップと、
    前記３Ｄ剥離の測定値を生成するステップと、
    前記３Ｄ剥離の結果を表示するステップとを有する画像処理方法。
15. 前記３Ｄデータセットから１つ以上の３Ｄシードを特定するステップは、
    前記３Ｄデータセット内の少なくとも１つの網膜の層をセグメント化して、１つ以上のセグメント化された網膜の層を取得するステップと、
    前記３Ｄデータセット内の少なくとも１つの網膜の層から正常な網膜色素上皮（ＲＰＥ）層を生成して、ＲＰＥ当てはめ表面を取得するステップと、
    前記１つ以上のセグメント化された網膜の層上の点と、前記ＲＰＥ当てはめ表面上の点との間の距離を算出し、少なくとも１つの隆起マップを取得するステップとを含む請求項１４記載の方法。
16. 前記３Ｄデータセットから１つ以上の３Ｄシードを特定するステップは、適応型シード検索画像（ＡＳＳＩ）を特定することによってシード候補を特定するステップを含む請求項１５記載の方法。
17. 前記ＡＳＳＩは、隆起マップである請求項１６記載の方法。
18. １つ以上のセグメント化された網膜の層の間で３Ｄデータセットを２Ｄ表現に縮減し、鉛直断面画像を取得するステップを更に含む請求項１５記載の方法。
19. 前記鉛直断面画像は、画像処理フィルタを適用してＡＳＳＩを取得することによって処理され、前記処理フィルタは、エッジ検出フィルタ、平滑化フィルタ及びこれらの組合せからなるフィルタの組から選択される請求項１８記載の方法。
20. 前記ＡＳＳＩは、前記隆起マップ及び前記鉛直断面画像の情報を結合することによって生成される請求項１８記載の方法。
21. 前記３Ｄデータセットから１つ以上の３Ｄシードを特定することは、３Ｄセグメント化演算を含む請求項１５記載の方法。
22. 前記３Ｄデータセットからの２つ以上の２Ｄ横断面輪郭画像を補間することによって、３Ｄ領域成長演算又は３Ｄボリューム構築を行う請求項２１記載の方法。
23. 前記３Ｄ剥離の測定値は、対話式に生成される請求項１４記載の方法。
24. 前記３Ｄ剥離の結果を表示するステップは、眼の少なくとも１つの解剖学的特徴に関連して、１つ以上の３Ｄ剥離特徴のプロットを提供するステップを含む請求項１４記載の方法。
25. 異なる時点で得られた３Ｄデータセットからの３Ｄ剥離結果を評価及び表示する進行解析を行うステップを更に有する請求項１４記載の方法。
26. ３Ｄ表示インタフェース内で関心があるセグメント化された層に重ねて３Ｄ剥離クラウドを３Ｄ表示するステップを更に有する請求項１４記載の方法。

Images