JP2020527066A - 光干渉断層法によって中心窩の形状パラメータを推定するための方法 - Google Patents
光干渉断層法によって中心窩の形状パラメータを推定するための方法 Download PDFInfo
- Publication number
- JP2020527066A JP2020527066A JP2020500196A JP2020500196A JP2020527066A JP 2020527066 A JP2020527066 A JP 2020527066A JP 2020500196 A JP2020500196 A JP 2020500196A JP 2020500196 A JP2020500196 A JP 2020500196A JP 2020527066 A JP2020527066 A JP 2020527066A
- Authority
- JP
- Japan
- Prior art keywords
- fovea
- shape
- bezier
- function
- depression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000012014 optical coherence tomography Methods 0.000 title description 23
- 206010025421 Macule Diseases 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 124
- 230000000877 morphologic effect Effects 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 12
- 238000007373 indentation Methods 0.000 claims description 6
- 210000005081 epithelial layer Anatomy 0.000 claims description 4
- 210000004379 membrane Anatomy 0.000 claims description 4
- 239000012528 membrane Substances 0.000 claims description 4
- 239000000790 retinal pigment Substances 0.000 claims description 3
- 210000000873 fovea centralis Anatomy 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 abstract 1
- 208000003435 Optic Neuritis Diseases 0.000 description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 18
- 201000010099 disease Diseases 0.000 description 17
- 238000005457 optimization Methods 0.000 description 17
- 201000006417 multiple sclerosis Diseases 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 13
- 208000036110 Neuroinflammatory disease Diseases 0.000 description 12
- 238000003748 differential diagnosis Methods 0.000 description 12
- 238000013459 approach Methods 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 102000012002 Aquaporin 4 Human genes 0.000 description 7
- 108010036280 Aquaporin 4 Proteins 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 210000001525 retina Anatomy 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000002207 retinal effect Effects 0.000 description 6
- 230000001363 autoimmune Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010988 intraclass correlation coefficient Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 208000018737 Parkinson disease Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 208000008795 neuromyelitis optica Diseases 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 208000003098 Ganglion Cysts Diseases 0.000 description 2
- 208000029067 Neuromyelitis optica spectrum disease Diseases 0.000 description 2
- 208000005400 Synovial Cyst Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003959 neuroinflammation Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000224016 Plasmodium Species 0.000 description 1
- 206010057430 Retinal injury Diseases 0.000 description 1
- 238000005284 basis set Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 201000002491 encephalomyelitis Diseases 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 238000012562 intraclass correlation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B9/00—Measuring instruments characterised by the use of optical techniques
- G01B9/02—Interferometers
- G01B9/0209—Low-coherence interferometers
- G01B9/02091—Tomographic interferometers, e.g. based on optical coherence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
【選択図】図1
Description
− 画像データセット、特に中心窩の窪み及び中心窩の縁を含む、中心窩又は黄斑の三次元ボリュームデータセットを取得する工程であって、画像データセットが、特に光干渉断層法によって取得される、
− 中心窩の窪みの中心を推定する工程、
− 中心窩の窪みの中心から、放射状に伸びる中心窩、特に中心窩の窪みの高さプロファイルを推定する工程であって、放射状に伸びる高さプロファイルが、特に、一次元ラインプロファイルである、
− 高さプロファイルごとに、高さプロファイルにモデル関数をフィットする工程、
− 高さプロファイルごとに、フィットパラメータのセットを、フィットされるモデル関数から推定する工程、
− 推定されるフィットパラメータのセットから、中心窩、特に中心窩の窪みの少なくとも1つの形状パラメータを推定する工程、
− 少なくとも1つの形状パラメータから、少なくとも中心窩、特に中心窩の窪みの一部の形状又は形状特徴を決定する工程。
高さプロファイルが、滑らかな合成ベジェパスでフィットされる、
第1のベジェ関数、特に第1の三次元ベジェ関数が、内部セグメントへフィットされる、かつ第2のベジェ関数、特に第2の三次元ベジェ関数が、外部セグメントへフィットされる、
内部セグメントが、第1のベジェ関数の第1の終点と第2の終点の間に伸び、かつ外部セグメントが、第2のベジェ関数の第1の終点と第2の終点の間に伸びる、
第1のベジェ関数の第2の終点が、第2のベジェ関数の第1の終点と一致又は隣接する、
第1のベジェ関数の第1の終点が、高さプロファイルの第1の末端に、特に中心窩の中心に位置する、
第1のベジェ関数の第2の終点及び第2のベジェ関数の第1の終点が、高さプロファイルの最大の縁の高さに位置し、かつ第2のベジェ関数の第2の終点が、高さプロファイルの第2の末端に位置する、
特に、第1のベジェ関数が、その第1の終点で、傾きゼロを有する、かつ第1及び第2のベジェ関数が、第1のベジェ関数の第2の終点及び第2のベジェ関数の第1の終点で、同一の傾きを有する、
傾きは、特に第1のベジェ関数の第2の終点及び第2のベジェ関数の第1の終点でゼロである。
− 中心の中心窩の厚さ(hcft)、
− 平均の縁の高さ(hr)、
− 縁の円板の領域(Ar)、
− 縁の円盤領域(Ar)の短軸及び短軸長(λ2 r)、
− 縁の円盤領域(Ar)の長軸及び長軸長(λ3 r)、
− 平均の縁の円板の直径(dr)、
− 平均の窪みの深さ(hp)、
− 平均の最大の窪みの傾き(sm)、
− 平均の傾きの円板の直径(ds)、
− 傾きの円板の領域(As)、
− 傾きの円板の領域(As)の短軸及び短軸長(λ2 s)、
− 傾きの円板の領域(As)の長軸及び長軸長(λ3 s)、
− 窪みの円板の領域(Af)、
− 窪みの円板の領域(Af)の短軸及び短軸長(λ2 f)、
− 窪みの円板の領域(Af)の長軸及び長軸長(λ3 f)、
− 平均の窪みの円板の直径(df)、
− 縁のボリューム(Vr)、
− 内部の縁のボリューム(VIR)、及び/又は
− 窪みのボリューム(VP)。
− 傾きの円板の領域(As)の短軸長(λ2 s)、
− 傾きの円板の領域(As)、及び
− 平均の傾きの円板の直径(ds)。
− 平均の縁の高さ(hr)
− 傾きの円板の領域(As)の長軸長(λ3 s)、
− 窪みの円板の領域(Af)、
− 平均の窪みの円板の直径(df)、
− 窪みの円板の領域(Af)の短軸長(λ2 f)、
− 内部の縁のボリューム(VIR)、
− 平均の傾きの円板の直径(ds)。
− 窪みの深さ(hp)、
− 窪みの円板の領域(Af)の長軸長(λ3 f)、及び
− 平均の最大の窪みの傾き(sm)。
− 中心の中心窩の厚さ(hcft)、
− 平均の縁の直径(dr)、
− 縁の円板の領域(Ar)、
− 縁の円板の領域(Ar)の長軸長(λ3 r)、
− 縁の円板の領域(Ar)の短軸長(λ2 r)、
− 縁のボリューム(Vr)、
− 窪みのボリューム(Vf)、及び
− 内部の縁のボリューム(VIR)。
画像データが、各形状パラメータの大きさ又は偏差を、形状パラメータの少なくとも1つの値に基づいて、特に形状パラメータの所定の参照値と比較することにより、割り当てられる、
特に、取得される画像データセットが、形状パラメータの第1のセットに含まれる形状パラメータの値に基づいて、第1の形態学的群へ割り当てられる、及び/又は
特に、取得される画像データセットが、形状パラメータの第2のセットに含まれる形状パラメータの値に基づいて第2の形態学的群へ割り当てられる、及び/又は
特に、取得される画像データセットが、形状パラメータの第3のセットに含まれる形状パラメータの値に基づいて第3の形態学的群へ割り当てられる。
特に、訓練されるクラシファーが、取得される画像データセットを、形状パラメータの第1のセットに含まれる形状パラメータの値に基づいて、第1の形態学的群へ割り当てる、及び/又は
特に、訓練されるクラシファーが、取得される画像データセットを、形状パラメータの第2のセットに含まれる形状パラメータの値に基づいて、第2の形態学的群へ割り当てる、及び/又は
特に、訓練されるクラシファーが、取得される画像データセットを、形状パラメータの第3のセットに含まれる形状パラメータの値に基づいて、第3の形態学的群へ割り当てる。
− 第1、第2、及び/又は第3の形態学的群に含まれる参照の形状パラメータのセットを提供する工程であって、前記参照のパラメータが、特に、健常な対照群(HC)からの画像データセットから決定される、
− 取得される画像データセットから推定される形状パラメータを参照の形状パラメータと比較する工程、
− 参照の形状パラメータから推定される形状パラメータの偏差を推定する工程であって、
第1の形態学的群に含まれる形状パラメータの値が、対応する参照の形状パラメータから事前に定義される量を超えて外れる場合、取得される画像データセットには、NMO陽性が割り当てられる、
第2の形態学的群に含まれる形状パラメータの値が、参照の形状パラメータから事前に定義される量を超えて外れる場合、かつ患者が以前に視神経炎(ON)に罹患していた場合、取得される画像データセットには、NMO陽性が割り当てられる、
第3の形態学的群に含まれる形状パラメータの値が、対応する参照の形状パラメータから事前に定義される量を超えて外れる場合、取得される画像データセットには、ON陽性が割り当てられる、
− 特に、第4の形態学的群に含まれる形状パラメータの値が、対応する参照の形状パラメータから事前に定義される量を超えて外れる場合、取得される画像データセットには、健康状態の未割り当ての群へ割り当てられる。
網膜10はILM103、GCL105、RPE104を含む異なる構造を含み、かつ黄斑50を含む。黄斑50は、中心窩100を含み、中心窩100は、中心窩の窪み101及び中心窩の縁102を含む。中心窩の縁102は、中心窩の窪み101の範囲を定める(図1)。健康な集団の中心窩の形状は様々である[10]。図2では、コホートからの異なる中心窩の窪みの形状のセレクションを例示するために示す。特に、大きな縁の直径(図2A)、小さな窪み領域(図2B)、平らな窪み(図2C)、大きな縁の高さ(図2D)及び非対称の窪み(図2E)を含む中心窩100が示される。これらのすべてのバリエーションを再構築するためには、中心窩の変形体の形状の特徴を特定する必要がある。黄斑の基準点における接線は、信頼性が高くかつ安定した特徴を表す。該基準点は、図3A及び3Bに示すように、窪みの最低点(xm)及びこの領域周辺の最高点(x1,x2)を指す。これらの基準点での傾きは常にゼロであり、かつ黄斑はこれらの点で水平接線を有する。
多項式の次数nのパラメトリックベジェ曲線Qは、次のように定義される:
最小二乗フィッティングアプローチが、三次元ベジェ曲線及び基準点の接線を使用して、B−スキャン/ラジアルスキャンそれぞれに使用され、黄斑形状の不変特性から導出される。c(x)は、図3Aに示すように、最小の網膜の厚さの点を含有する中心B−スキャンと見なされる。中心B−スキャンは、図3Aに示すように、2つの内部セグメント(c1(x),c2(x))、及び2つの外部セグメント(c0(x),c3(x))に分解することができる。
本明細書に記載される方法を評価するために、スペクトラリスOCT(Heidelberg Engineering、ハイデルベルク、ドイツ)で撮影された、黄斑ボリュームスキャン(各B−スキャンが9〜15の平均B−スキャンの結果である、25°×30°、61の垂直又は水平のB−スキャン、768のB−スキャンに対するA−スキャン)を使用する。このデータセットにおけるB−スキャンの間の水平方向、軸方向、及び距離におけるボクセル寸法は、それぞれ約11.69、3.87及び125μmであった。健常対照(HC)からの95枚及び異なる自己免疫性神経炎症性疾患の患者から92枚の、合計187枚のOCTスキャンを、NeuroCure臨床研究センターの画像データベースから選択した。すべてのスキャンは、経験豊富な評価者によって品質管理された。自動の層セグメント化を、デバイスのソフトウェア(表示モジュール6.0.9.0のEye Explorer1.9.10.0)を使用して実行した。画像データベースは、ベルリンのシャリテー大学病院の現地倫理委員会によって承認され、そして現在適用可能なヘルシンキ宣言に従って実施された現地の研究から得られる画像のみが含まれる。すべての計算を、MATLAB2016b(MathWorks,Inc、Nastick、マサチューセッツ、米国)を使用して実行した。統計分析を、Rバージョン3.3.2を使用して実施した[4]。ICC(級内相関)及びGEE(一般化された推定式)は、統計測定に使用される。ICCは、提案されるパラメータの再現性を測定し、そしてGEE(p値)は、提案される各パラメータの2つの群のデータの間の有意性を示す。
図4は、本発明の一実施態様の経路を示す。MATLABへデータをインポートするために、ハイデルベルグ スペクトラリス(Heidelberg Spectralis)のOCTの未加工データ形式を装置からエクスポートした。このデータは、画像情報に加えて、内境界膜(ILM)及び網膜色素上皮層の下方境界(以降、RPEと呼ぶ)の座標を含有する。全ての方法は、次の手順で実施される:
第1の工程では、各ボリュームのスキャンのILMとRPEの間の高さの差を抽出する。これは黄斑厚の表面を表す。この違いを使用することは、測定時に、及び/又は眼の湾曲形状によって、生成されたスキャンの傾斜を取り除くことにおいて利点を有する。ボリュームスキャン及び対応する厚さプロファイルを、グラフ関数
方法の第2の工程は、ボリュームからラジアルサンプリングを対象とする(図4)。中心窩の3D形状解析のために、ボリューム全体からの情報が必要とされ、そして、それ故にスキャンが、放射状方向へ再サンプリングされる。ラジアルスキャンは、中心窩の外部の領域と比較して中心付近により多くのサンプルを有するため、中心窩の窪みの形状を正確にとらえる。ボリュームMから放射状Mpへのサンプリングは、次の工程で実行することができる:
(a) 極グリッドMp(r,θ)を生成し、そして高さの値がゼロの(xm,ym)に中心を配置する。半径並びにラジアルライン間の角度は、ユーザーによって定義することができる。
(b) 対応する(r,θ)に最も近いM(x,y)の最も近い4点間の双線形補間を使用して、Mp(r,θ)の高さの値が計算される。
(c) これで、n=(2π,θ)ラジアルスキャンは、次のように表される:
各ラジアルスキャン(r,θi)は、図3Bに示すように、対応する最大(基準)点で、内部cI及び外部cE領域へセグメント化される。
ラジアルスキャンの各セグメントについて、セクション1.3で説明されているように、最小二乗最適化を使用して、三次元ベジェ関数がフィットされた。
中心窩のパラメータ化を使用することによって、ボリュームスキャンのための複数のパラメータを計算する。これらのパラメータの分析的な定式化は、次のセクションで示す。
このセクションでは、三次元ベジェパラメータ化を使用するボリュームスキャンのいくつかの形状パラメータを示す。ラジアルスキャンの縁の点を、対応するラジアルスキャンの最大高さ点として定義する。
中心の中心窩の厚さ(hcft)を、窪みの中心での中心窩の最小高さとして定義する(図7)。式16からは、hcftは次のように記述することができる:
平均の縁の高さ(hr)を、ボリュームの各ラジアルスキャンにおける最大高さの平均として定義する(図3A及び3B、図7に示されるとおり)。平均の縁の高さは次のように記述される:
縁の円板の領域を計算するために、図8A及び8Bに示すように、円板平面の法線が計算される。すべての縁の点の共分散解析は、円板の法線だけでなく、以下に記載するとおり形状情報も提供する。縁の点の共分散行列Crは、次のように計算できる:
pθi及びpθi+πは、2つのパラメータ化された反対のラジアルスキャン(それぞれQ(t,θi)及びQ(t,θi+π))に対応する2つの縁の点である。平均の縁の高さは次のように記述される:
平均の窪みの深さ(hp)は、中心窩の窪みの深さを表し、かつ平均の縁の高さ(hr)と中心の中心窩の厚さ(hcft)の間の差として計算することができる:
平均の最大の窪みの傾きでは、中心窩の窪みの傾きの程度を計測する。これは、各ラジアルスキャンの最大の傾きの平均として定義される。パラメータ化されたラジアルスキャンQ(r,θi)の傾きを、次のように定義する:
平均の傾きの円板の直径は、平均の縁の直径drと同様に計算される。傾き幅は、2つの反対側のパラメータ化されたラジアルスキャンの間:Q(t,θi)及びQ(t,θi+π)で計算され、かつ対応する最大の傾きの点はPS θi及びPS θi+πである:
傾きの円板の領域は、縁の円板の領域と同様に計算することができる。
窪みの平面の円板の領域は、中心の周りの中心窩の窪みの平面度を測定し、そして各ラジアルスキャンに対してしきい値を使用して計算される。各ラジアルスキャンでは、点Pθi fが計算され、ここでは網膜の厚みは、τより小さい。次に、中心(xm,ym)から計算された点Pθi fまでの対応するセグメントが平面として処理される。これは、次の2つの工程で実行することができる:
一般に、直交座標及び極座標の領域の表面下のボリュームは、次の式を使用して計算される:
内部の縁のボリュームは、中心からの固定される半径内の中心窩のボリュームとして定義される。半径はユーザーによって与えられる。Tuは、ユーザーが入力する半径ruに対応する各放射状方向のためのパラメトリック値である。式30を次のよう修正することができる:
縁の円板下の総ボリューム(Vt)、Vt=A3D hが計算され、式中、hは縁の点の平均の高さである。次に、窪みのボリュームを、次のように定義することができる:
健常な対照群の95の眼(健康な眼)からなる187の眼のスキャン及び自己免疫性神経炎症性疾患(以前からの視神経炎の有無にかかわらず)の患者からの92の眼からのスキャンが行われた。本発明による方法の実施は非常に容易であり、セクション3.1(図4参照)で言及された経路に従う。本発明による方法は、単一の計算スレッドで実施され、かつ標準のPC上でのパラメトリック3Dモデル及び関連パラメータの計算は約3秒である。
本発明による方法は、すべてのスキャンを成功してモデル化することができる。つまり、モデル結果の視覚的検査は、含まれるスキャンのいずれにおいてもモデリングの失敗を挙げる結果にはならなかった。表2は、30の健康な眼の3回の反復測定を含むデータ群に適用された検査−再検査の信頼性を示す。表2に示すように、3D導出パラメータの級内相関係数(ICC)は、βmの0.8102から中心窩厚(hcft)の0.9894まで変化した。表2から、βmは最も低い再現性を有する。基本的に、αm及びβmは、中心窩の内部領域のラジアルスキャンに属するすべてのα及びβの平均である。式5で述べたように、α及びβはそれぞれ制御点P0、P1及びP3、P2間の距離を表す。βmのために取得される低いICC値は、P3及びP2間の距離が一致していないことを示す。おそらく縁の点の検出の精度が低いことは、βmの再現性が低くなることにつながる。一方、αは、ボリュームスキャンで固定される中心又は開始の制御点(P0)に依存する。そのため、αmは、βmと比較してより高い再現性を有する。
二乗平均平方根誤差(RMSE)の比較のために、中心窩形状分析のための2つの最先端の方法が実施されており、1つはDingら[1]によって提案され、そしてもう1つはDubisら[2]により記載されており、本発明による方法と比較された。容易にするために、[1]はM1とし、[2]はM2とする。M1の場合、論文[1]に示されるとおり、3Dアプローチが実施された。M2の場合、著者によって提示される2D方法を放射状に再サンプリングされるボリュームへ拡張することにより、3Dバージョンが実施される。M1対M2対本発明による方法の挙動を視覚化するために、中心のB−スキャンでのフィッティング結果を、図10A〜10Cにおいて同じ被験者について提示する。図に示すように、本発明による方法は、方法M1(RMSE=4μm)及びM2(RMSE=8μm)と比較して、最低のRMSE(RMSE=2.5μm)で正確な中心窩形状をとらえることができる。
前のセクションで記載したすべてのパラメータを有することで、データセットの形態学的側面の第1の解析を実行することが可能である。表3に、HC及び患者群に定義されるすべての3Dパラメータを示す。本発明による方法で得られる測定値は、文献で見られるものと類似の値を有する。縁の円板の領域、傾きの円板の領域、窪みの平面の円板の領域などの特性については、これらのパラメータが初めて導入されたため、既存の文献と比較することができない。
図13〜図31では、本発明による方法で推定される各種形状パラメータの結果を、ヒト患者のコホートについて示し、前記コホートの人口統計データを以下の表4に示す。
− 「MS」列。ONに罹患している患者(「ON」)と、ONに罹患していない患者(「NON」)の間を識別し、MSと診断された群についてそれぞれの推定パラメータの結果を示す。
− 「NMO_AQP4ab+」列。ONに罹患している患者(「ON」)と、ONに罹患していない患者(「NON」)の間を識別し、NMOと診断された群についてそれぞれの推定パラメータの結果を示す。この群は、アクアポリン−4抗体に対して陽性と検査された。
− 「NMO MOGab+」列。ONに罹患している患者(「ON」)と、ONに罹患していない患者(「NON」)の間を識別し、NMO様疾患(MOG−ab脳脊髄炎)と診断された群についてそれぞれの推定パラメータの結果を示す。この群はMOG抗体に対して陽性であるが、アクアポリン−4に対して陰性であると検査された。
− 「NMOab−」列。患者がONに罹患しており(「ON」)、NMOと診断された群についてそれぞれの推定パラメータの結果を示す。この群はアクアポリン−4抗体に対して陰性と検査された。
本発明による方法は、中心窩領域のプロファイルを正しくモデル化し、かつその3D形状を再構築することが可能である、中心窩形状解析のための信頼性が高く、正確かつ意義のあるアプローチを提供する。本発明による方法は、HCの中心窩形状ではもちろん、神経炎症性疾患の過程で大きな変化を経験する中心窩においても可能性のあるバリエーションに確実に合うことが示されている。作成される数学モデルは単純であり、パラメータを直接的に導出できるという利点を有する。計算されるパラメータは、モデル化される形状と直接関連しており、さらなる医学的分析及び臨床的解釈のための直感的な解釈方法を提供する。改善された方法の大きな進歩は、臨床的な状況での、特に三次元の視点からの中心窩形状の分析を可能にすることである。いくつかの導出される中心窩形状パラメータは、中枢神経系の神経炎症性疾患の患者とHCとの間に有意な差異を統計的に示す。
[1] Ding, Y., Spund, B., Glazman, S., Shrier, E. M., Miri, S., Selesnick, I., and Bodis−Wollner, I. Application of an oct data−based mathematical model of the foveal pit in parkinson disease. Journal of Neural Transmission 121, 11 (2014), 1367−1376.
[2] Dubis, A. M., McAllister, J. T., and Carroll, J. Reconstructing foveal pit morphology from optical coherence tomography imaging. British Journal of Ophthalmology 93, 9 (2009), 1223−1227.
[3] Farin, G. E. Curves and Surfaces for Com uter− Aided Geometric Design: A Practical Code, 4th ed. Academic Press, Inc., Orlando, FL, USA, 1996.
[4] lhaka, R., and Gentleman, R. R: A language for data analysis and graphics. Journal of Computational and Graphical Statistics 5, 3 (1996), 299−314.
[5] Liu, L, Marsh−Tootle, W., Harb, E. N., Hou, W., Zhang, Q., Anderson, H. A., Norton, T. T., Weise, K. K., Gwiazda, J. E., Hyman, L, and the COMET Group. A sloped piecemeal Gaussian model for characterizing foveal pit shape. Ophthalmic and Physiological Optics 36, 6 (Nov. 2016), 615−631.
[6] Oberwahrenbrock, T., Ringelstein, M., Jentschke, S., Deuschle, K., Klumbies, K., Bellmann−Strobl, J., Harmel, J., Ruprecht, K., Schippling, S., Hartung, H.−P., Aktas, O., Brandt, A. U., and Paul, F. Retinal ganglion cell and inner plexiform layer thinning in clinically isolated syndrome. Multiple Sclerosis Journal 19, 14 (2013), 1887−1895.
[7] Oertel, F. C, Kuchling, J., Zimmermann, H., Chien, C, Schmidt, F., Knier, B., Bellmann−Strobl, J., Korn, T., Scheel, M., Klistorner, A., Ruprecht, K., Paul, F., and Brandt, A. U. Microstructural visual system changes in AQP4−antibody−seropositive NMOSD. Neurology − Neuroimmunology Neuroinflammation 4, 3 (feb 2017), e334.
[8] Oertel, F. C, Zimmermann, H., Mikolajczak, J., Weinhold, M., Kadas, E. M., Oberwahrenbrock, T., Pache, F., Bellmann−Strobl, J., Ruprecht, K., Paul, F., and Brandt, A. U. Contribution of blood vessels to retinal nerve fiber layer thickness in nmosd. Neurology − Neuroimmunology Neuroinflammation 4, 3 (2017).
[9] Scheibe, P., Lazareva, A., Braumann, U.−D., Reichenbach, A., Wiedemann, P., Francke, M., and Rauscher, F. G. Parametric model for the 3d reconstruction of individual fovea shape from OCT data. Experimental Eye Research 119 (Feb. 2014), 19−26.
[10] Scheibe, P., Zocher, M. T., Francke, M., and Rauscher, F. G. Analysis of foveal characteristics and their asymmetries in the normal population. Experimental Eye Research 148 (July 2016), 1−1 1.
[11] Schneider, E., Zimmermann, H., Oberwahrenbrock, T., Kaufhold, F., Kadas, E. M., Petzold, A., Bilger, F., Borisow, N., Jarius, S., Wildemann, B., Ruprecht, K., Brandt, A. U., and Paul, F. Optical coherence tomography reveals distinct patterns of retinal damage in neuromyelitis optica and multiple sclerosis. PLOS ONE 8, 6 (06 2013), 1−10.
Claims (15)
- 中心窩(100)の画像データセット(1)の形状パラメータを推定するための方法であって:
− 眼の黄斑(50)の画像データセット(1)を取得する工程であって、黄斑が、少なくとも部分的に中心窩の窪み(101)及び中心窩の縁(102)を含む、前記工程、
− 画像データセット(1)から中心窩の窪み(101)の中心を推定する工程、
− 中心窩の窪み(101)の中心から、中心窩(100)の放射状に伸びる高さプロファイル(c)を推定する工程、
− 高さプロファイル(c)ごとに、高さプロファイル(c)へモデル関数をフィットする工程、
− 高さプロファイル(c)ごとに、フィットされるモデル関数から、フィットパラメータのセットを推定する工程、
− 推定されるフィットパラメータのセットから、中心窩(100)、特に中心窩の窪み(101)の少なくとも1つの形状パラメータを決定する工程、
− 少なくとも形状パラメータから、中心窩(100)、特に中心窩の窪み(101)の少なくとも一部の少なくとも1つの形状特徴を決定する工程、
を含む、前記方法。 - モデル関数が、ベジェ関数を含む、請求項1に記載の方法。
- モデル関数が、ベジェ関数、特に三次元ベジェ関数である、又はモデル関数が、ベジェ関数、特に三次元ベジェ関数を含む、滑らかな合成ベジェパスである、請求項1又は2に記載の方法。
- 高さプロファイル(c)が、セグメントをそれぞれ含み、それぞれのセグメントが、滑らかな合成ベジェパスによって含まれるベジェ関数、特に三次元ベジェ関数でフィットされる、請求項3に記載の方法。
- それぞれの高さプロファイル(c)が、内部セグメント(cI)及び外部セグメント(cE)を含む、
高さプロファイル(c)が、滑らかな合成ベジェパスでフィットされる、
第1のベジェ関数(QI)、特に第1の三次元ベジェ関数が、内部セグメント(cI)へフィットされる、かつ第2のベジェ関数(QE)、特に第2の三次元ベジェ関数が、外部セグメント(cE)へフィットされる、
内部セグメント(cI)が、第1のベジェ関数(QI)の第1の終点(Ρ0 I)と第2の終点(Ρ3 I)の間に伸び、かつ外部セグメント(cE)が、第2のベジェ関数(QE)の第1の終点(P0 E)と第2の終点(P3 E)の間に伸びる、
第1のベジェ関数(QI)の第2の終点(P3 I)は、第2のベジェ関数(QE)の第1の終点(P0 E)と一致又は隣接する、
第1のベジェ関数(QI)の第1の終点(Ρ0 I)は、高さプロファイル(c)の第1の末端に、特に中心窩の中心に位置し、第1のベジェ関数(QI)の第2の終点(Ρ3 I)及び第2のベジェ関数(QE)の第1の終点(P0 E)が、高さプロファイル(c)の最大の縁の高さで一致し、かつ第2のベジェ関数(B2)の第2の終点(P3 E)が、高さプロファイル(c)の第2の末端に位置する、
特に、第1のベジェ関数(QI)が、その第1の終点(P0 I)で、傾きゼロを有し、かつ
第1及び第2のベジェ関数(QI、QE)が、第1のベジェ関数(QI)の第2の終点(P3 I)及び第2のベジェ関数(QE)の一致の第1の終点(P0 E)で同じの傾きを有する、
傾きが、特に、第1のベジェ関数(QI)の第2の終点(Ρ3 I)及び第2のベジェ関数(QE)の第1の終点(P0 E)でゼロである、
請求項3又は4に記載の方法。 - それぞれの高さプロファイル(c)が、表面データセット(200)から決定される、
表面データセット(200)が、画像データセット(100)に含まれるデータを表す内部境界膜(103)と網膜色素上皮層(104)の間の距離を含む、
放射状の高さプロファイル(c)が、特に表面データセット(200)のそれぞれの放射状方向に沿ったラインプロファイルである、
請求項1〜5のいずれか一項に記載の方法。 - 高さプロファイル(c)が、一定の間隔を空けて配置され、特に5°〜60°の間隔を有する、さらに特に10°〜30°の間の間隔を有する、なおさらに特に15°の間隔を有する、
請求項1〜6のいずれか一項に記載の方法。 - 中心窩(100)の少なくとも1つの決定される形状パラメータが、次のうちの1つ:
− 中心の中心窩の厚さ(hcft)、
− 平均の縁の高さ(hr)、
− 縁の円板の領域(Ar)、
− 縁の円板の領域(Ar)の短軸及び短軸長(λ2 r)、
− 縁の円板の領域(Ar)の長軸及び長軸長(λ3 r)、
− 平均の縁の円板の直径(dr)、
− 平均の窪みの深さ(hp)、
− 平均の最大の窪みの傾き(sm)、
− 平均の傾きの円板の直径(ds)、
− 傾きの円板の領域(As)、
− 傾きの円板の領域(As)の短軸及び短軸長(λ2 s)、
− 傾きの円板の領域(As)の長軸及び長軸長(λ3 s)、
− 窪みの円板の領域(Af)、
− 窪みの円板の領域(Af)の短軸及び短軸長(λ2 f)、
− 窪みの円板の領域(Af)の長軸及び長軸長(λ3 f)、
− 平均の窪みの円板の直径(df)、
− 縁のボリューム(Vr)、
− 内部の縁のボリューム(VIR)、及び/又は
− 窪みのボリューム(VP)、
である、請求項1〜7のいずれか一項に記載の方法。 - 中心窩(100)の第1の形態学的群に関連する形状パラメータの第1のセットが:
− 傾きの円板の領域(As)の短軸長(λ2 s)、
− 傾きの円板の領域(As)、及び
− 平均の傾きの円板の直径(ds)、
を含む、請求項8に記載の方法。 - 中心窩(100)の第2の形態学的群に関連する形状パラメータの第2のセットが:
− 平均の縁の高さ(hr)、
− 傾きの円板の領域(As)の長軸長(λ3 s)、
− 窪みの円板の領域(Af)、
− 平均の窪みの円板の直径(df)、
− 窪みの円板の領域(Af)の短軸長(λ2 f)、
− 内部の縁のボリューム(VIR)、
を含む、請求項8又は9に記載の方法。 - 中心窩(100)の第3の形態学的群に関連する形状パラメータの第3のセットが:
− 窪みの深さ(hp)、
− 窪みの円板の領域(Af)の長軸長(λ3f)、及び
− 平均の最大の窪みの傾き(sm)
を含む、請求項8〜10のいずれか一項に記載の方法。 - 中心窩(100)の第4の形態学的群に関連する形状パラメータの第4のセットが:
− 中心の中心窩の厚さ(hcft)、
− 平均の縁の直径(dr)、
− 縁の円板の領域(Ar)、
− 縁の円板の領域(Ar)の長軸長(λ3 r)、
− 縁の円板の領域(Ar)の短軸長(λ2 r)、
− 縁のボリューム(Vr)、
− 窪みのボリューム(Vf)、及び
− 内部の縁のボリューム(VIR)、
を含む、請求項8〜11のいずれか一項に記載の方法。 - 取得される画像データセット(1)が、形態学的群へ割り当てられる、
画像データセット(1)が、それぞれの形状パラメータの大きさ又は偏差を、形状パラメータの少なくとも1つの値に基づいて、特に形状パラメータの所定の参照値と比較することにより、割り当てられる、
特に、取得される画像データセット(1)が、形状パラメータの第1のセットに含まれる形状パラメータの値に基づいて、第1の形態学的群へ割り当てられる、及び/又は
特に、取得される画像データセット(1)が、形状パラメータの第2のセットに含まれる形状パラメータの値に基づいて、第2の形態学的群へ割り当てられる、及び/又は
特に、取得される画像データセット(1)が、形状パラメータの第3のセットに含まれる形状パラメータの値に基づいて、第3の形態学的群へ割り当てられる、
請求項1〜12のいずれか一項に記載の方法。 - 訓練されるクラシファーが、取得される画像データセット(1)を形態学的群へ割り当てる、
画像データセット(1)が、少なくとも1つの形状パラメータの値に基づいて、特にそれぞれの形状パラメータの大きさ又は偏差を形状パラメータの所定の参照値と比較することにより、割り当てられる、
特に、訓練されるクラシファーが、形状パラメータの第1のセットに含まれる形状パラメータの値に基づいて、取得される画像データセット(1)を第1の形態学的群へ割り当てる、及び/又は
特に、訓練されるクラシファーが、形状パラメータの第2のセットに含まれる形状パラメータの値に基づいて、取得される画像データセットを第2の形態学的群へ割り当てる、及び/又は
特に、訓練されるクラシファーが、形状パラメータの第3のセットに含まれる形状パラメータの値に基づいて、取得される画像データセットを第3の形態学的群へ割り当てる、
請求項8〜13のいずれか一項に記載の方法。 - コンピュータプログラムコードを含むコンピュータプログラムであって、コンピュータプログラムが、コンピュータ上で実行される場合に、コンピュータプログラムが、請求項1〜14のいずれか一項に記載の方法を実行する、
前記コンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17182192.9 | 2017-07-19 | ||
EP17182192 | 2017-07-19 | ||
PCT/EP2018/069640 WO2019016319A1 (en) | 2017-07-19 | 2018-07-19 | METHOD FOR ESTIMATING FAPEA SHAPE PARAMETERS BY OPTICAL COHERENCE TOMOGRAPHY |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020527066A true JP2020527066A (ja) | 2020-09-03 |
Family
ID=59381209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020500196A Pending JP2020527066A (ja) | 2017-07-19 | 2018-07-19 | 光干渉断層法によって中心窩の形状パラメータを推定するための方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11733029B2 (ja) |
EP (1) | EP3655921B1 (ja) |
JP (1) | JP2020527066A (ja) |
CA (1) | CA3065891A1 (ja) |
ES (1) | ES2968270T3 (ja) |
WO (1) | WO2019016319A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020098825A2 (en) * | 2019-12-20 | 2020-05-22 | Alipay (Hangzhou) Information Technology Co., Ltd. | System and method for evaluating risk |
CN112215272A (zh) * | 2020-09-29 | 2021-01-12 | 重庆大学 | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011048748A1 (ja) * | 2009-10-21 | 2011-04-28 | 株式会社トプコン | 眼底画像処理装置及び眼底観察装置 |
JP2012071113A (ja) * | 2010-08-31 | 2012-04-12 | Canon Inc | 画像処理装置、画像処理装置の制御方法及びプログラム |
US20140122029A1 (en) * | 2011-02-15 | 2014-05-01 | Ivan Bodis-Wollner | Layer-by-layer quantification of the remodeling of the human fovea in neurodegenerative disease |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8480230B2 (en) * | 2010-01-25 | 2013-07-09 | Rowe Technical Design, Inc. | Phantom for rendering biological tissue regions |
US10368734B2 (en) | 2015-02-19 | 2019-08-06 | Carl Zeiss Meditec, Inc. | Methods and systems for combined morphological and angiographic analyses of retinal features |
EP3376939B1 (en) * | 2015-11-18 | 2022-05-11 | University Of Louisville Research Foundation, Inc. | Automated methods for the objective quantification of retinal characteristics by retinal region and diagnosis of retinal pathology |
JP7334621B2 (ja) * | 2017-10-13 | 2023-08-29 | 株式会社ニコン | 眼科システム、画像処理方法、画像処理装置及びプログラム |
-
2018
- 2018-07-19 JP JP2020500196A patent/JP2020527066A/ja active Pending
- 2018-07-19 WO PCT/EP2018/069640 patent/WO2019016319A1/en unknown
- 2018-07-19 US US16/632,340 patent/US11733029B2/en active Active
- 2018-07-19 CA CA3065891A patent/CA3065891A1/en active Pending
- 2018-07-19 ES ES18743774T patent/ES2968270T3/es active Active
- 2018-07-19 EP EP18743774.4A patent/EP3655921B1/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011048748A1 (ja) * | 2009-10-21 | 2011-04-28 | 株式会社トプコン | 眼底画像処理装置及び眼底観察装置 |
JP2012071113A (ja) * | 2010-08-31 | 2012-04-12 | Canon Inc | 画像処理装置、画像処理装置の制御方法及びプログラム |
US20140122029A1 (en) * | 2011-02-15 | 2014-05-01 | Ivan Bodis-Wollner | Layer-by-layer quantification of the remodeling of the human fovea in neurodegenerative disease |
Non-Patent Citations (1)
Title |
---|
SCHEIBE PATRICK; ET AL: "PARAMETRIC MODEL FOR THE 3D RECONSTRUCTION OF INDIVIDUAL FOVEA SHAPE FROM OCT DATA", EXPERIMENTAL EYE RESEARCH, vol. 119, JPN5020009066, 28 November 2013 (2013-11-28), pages 19 - 26, XP028821003, ISSN: 0004965327, DOI: 10.1016/j.exer.2013.11.008 * |
Also Published As
Publication number | Publication date |
---|---|
US20200170503A1 (en) | 2020-06-04 |
EP3655921A1 (en) | 2020-05-27 |
ES2968270T3 (es) | 2024-05-08 |
WO2019016319A1 (en) | 2019-01-24 |
EP3655921C0 (en) | 2023-10-11 |
EP3655921B1 (en) | 2023-10-11 |
US11733029B2 (en) | 2023-08-22 |
CA3065891A1 (en) | 2019-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7992999B2 (en) | Automated assessment of optic nerve head with spectral domain optical coherence tomography | |
US8721077B2 (en) | Systems, methods and computer-readable medium for determining depth-resolved physical and/or optical properties of scattering media by analyzing measured data over a range of depths | |
Wintergerst et al. | Algorithms for the automated analysis of age-related macular degeneration biomarkers on optical coherence tomography: a systematic review | |
US9775510B2 (en) | Methods to reduce variance in OCT analysis of the macula | |
Patterson et al. | A new statistical approach for quantifying change in series of retinal and optic nerve head topography images | |
Hassan et al. | Deep structure tensor graph search framework for automated extraction and characterization of retinal layers and fluid pathology in retinal SD-OCT scans | |
EP2779095B1 (en) | Optic disc image segmentation method | |
Hassan et al. | Fully automated detection, grading and 3D modeling of maculopathy from OCT volumes | |
US9918680B2 (en) | Automated analysis of the optic nerve head via optical coherence tomography measurements, methods and representations | |
de Sisternes et al. | Individual drusen segmentation and repeatability and reproducibility of their automated quantification in optical coherence tomography images | |
US20140029820A1 (en) | Differential geometric metrics characterizing optical coherence tomography data | |
Yadav et al. | CuBe: parametric modeling of 3D foveal shape using cubic Bézier | |
Raja et al. | Glaucoma detection using optical coherence tomography images: a systematic review of clinical and automated studies | |
Christopher et al. | Deep learning approaches predict glaucomatous visual field damage from optical coherence tomography optic nerve head enface images and retinal nerve fiber layer thickness maps | |
US11733029B2 (en) | Method for estimating shape parameters of the fovea by optical coherence tomography | |
US20230351605A1 (en) | Methods, systems and computer program products for classifying image data for future mining and training | |
Yadav et al. | Optic nerve head three-dimensional shape analysis | |
WO2018162690A1 (en) | Method for analyzing avascular regions in optical coherence tomography angiography images | |
Duan et al. | Evaluation of automated segmentation algorithms for optic nerve head structures in optical coherence tomography images | |
Belghith et al. | A joint estimation detection of Glaucoma progression in 3D spectral domain optical coherence tomography optic nerve head images | |
Novosel et al. | Segmentation of locally varying numbers of outer retinal layers by a model selection approach | |
JP6023268B2 (ja) | 受信者操作特性解析を利用するデータ視覚化方法および装置 | |
Marques | Automatic Segmentation of the optic nerve head in Optical Coherence Tomography data | |
Raja et al. | A Review of Autonomous Glaucomatous Grading via OCT Imagery | |
CN116508060A (zh) | 光学相干断层扫描血管造影的质量图 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210616 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220428 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220805 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221007 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230117 |