JP2022520415A - Oct画像変換、眼科画像のノイズ除去のためのシステム、およびそのためのニューラルネットワーク - Google Patents
Oct画像変換、眼科画像のノイズ除去のためのシステム、およびそのためのニューラルネットワーク Download PDFInfo
- Publication number
- JP2022520415A JP2022520415A JP2021547257A JP2021547257A JP2022520415A JP 2022520415 A JP2022520415 A JP 2022520415A JP 2021547257 A JP2021547257 A JP 2021547257A JP 2021547257 A JP2021547257 A JP 2021547257A JP 2022520415 A JP2022520415 A JP 2022520415A
- Authority
- JP
- Japan
- Prior art keywords
- image
- training
- output
- images
- module
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 219
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 30
- 230000009467 reduction Effects 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 271
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 230000008602 contraction Effects 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000012014 optical coherence tomography Methods 0.000 claims description 188
- 238000000034 method Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 42
- 230000003287 optical effect Effects 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 39
- 238000003384 imaging method Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 34
- 238000012935 Averaging Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 22
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000002583 angiography Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 6
- 210000005166 vasculature Anatomy 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000003325 tomography Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 claims 22
- 230000002596 correlated effect Effects 0.000 claims 3
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 33
- 210000002569 neuron Anatomy 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 16
- 230000004075 alteration Effects 0.000 description 15
- 230000002792 vascular Effects 0.000 description 15
- 238000004088 simulation Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 8
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 7
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 7
- 210000001525 retina Anatomy 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- YPJMOVVQKBFRNH-UHFFFAOYSA-N 1-(9-ethylcarbazol-3-yl)-n-(pyridin-2-ylmethyl)methanamine Chemical compound C=1C=C2N(CC)C3=CC=CC=C3C2=CC=1CNCC1=CC=CC=N1 YPJMOVVQKBFRNH-UHFFFAOYSA-N 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000000835 fiber Substances 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002207 retinal effect Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000004644 retinal vein occlusion Diseases 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010012667 Diabetic glaucoma Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000009857 Microaneurysm Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 206010038926 Retinopathy hypertensive Diseases 0.000 description 1
- 101000737979 Schizosaccharomyces pombe (strain 972 / ATCC 24843) Charged multivesicular body protein 7 Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010237 hybrid technique Methods 0.000 description 1
- 201000001948 hypertensive retinopathy Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20216—Image averaging
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Ophthalmology & Optometry (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
Description
本発明の目的は、既存のOCTシステムまたはOCT血管造影(OCTA:OCT angiography)システムのイメージング能力を、OCTシステムまたはOCTAシステムに対する最小限のハードウェア変更で改善するためのシステムおよび方法を提供することである。
以下の実施形態は、第1のモダリティのOCT/OCTA画像を、第2のモダリティの別の(好ましくはより高品質および/またはより高解像度の)OCT画像に変換することができるOCT/OCTAシステムを提供するためのシステムおよび方法について説明する。例えば、変換された画像は、真の平均化されたOCT/OCTA画像または真のAO-OCT/OCTA画像の生成に関連する困難さを伴うことなく、複数のOCT/OCTA画像を平均化することによって作成された画像(以下、平均シミュレーション画像と称する)および/またはAO-OCTシステムによって作成された画像(以下、AOシミュレーション画像と称する)の特性を有し得る。代替的に、または画像変換機能に加えて、本システムは、ノイズ低減ユーティリティをさらに提供することができる。いくつかの実施形態では、これらの追加された機能は、機械学習に基づくデータ処理モジュールによって提供される。本発明では、様々なタイプの機械学習技術が想定されているが(例えば、最近傍法(nearest neighbor)、単純ベイズ、決定木学習、サポートベクターマシン、人工ニューラルネットワーク(ANN)、深層学習など)、現時点での好ましい実施形態は、ニューラルネットワーク(NN)に基づいており、特に、U-Netアーキテクチャ上に構築され、簡素化された訓練、ネットワークレベルの数の減少、および典型的なものよりも小さい訓練セットを提供する新たなNNアーキテクチャに基づいている。
個々のOCT/OCTAスキャンは、他の問題の中でもとりわけ、ジッター、ドロップアウト、スペックルノイズなどの問題の影響を受ける。これらの問題は、それらが血管系密度の定量化に使用されるため、定性的および定量的の両方でen face画像の品質に影響を与える可能性がある。本発明は、訓練されたニューラルネットワークを使用することによって眼科画像の品質を改善することを探求する。以下で説明するように、これには、複数の訓練ペアセット(例えば、訓練入力画像とそれに対応するグラウンドトゥルース、ターゲット訓練出力画像とのペア)が必要である。深層学習を使用する際に問題となるのが、訓練セットで使用するためのグラウンドトゥルース出力を取得することである。真の平均化された画像(true averaged images)の品質(例えば、血管の連続性、ノイズレベル)は、一般に、個々のスキャンの品質よりもはるかに優れている。従って、本発明における1つの手法は、単一の眼科入力画像を、平均シミュレーション画像(例えば、真の平均化された画像の特性を有する画像)に変換することである。この手法では、真の平均化された画像が、本ニューラルネットワークの訓練においてグラウンドトゥルース画像として(例えば、訓練出力画像として)使用される。別の手法は、第1のモダリティの眼科入力画像を、典型的にはより高品質である異なるモダリティをシミュレートする出力眼科画像に変換することである。例えば、AO-OCT画像をグラウンドトゥルース、訓練出力画像として使用して、ニューラルネットワークを訓練してAOシミュレーション画像を生成することができる。説明を簡単にするために、以下の説明の多くは、訓練セットにおけるグラウンドトゥルース、ターゲット出力画像としての真の平均化された画像の使用について説明しているが、特に明記しない限り、訓練セットにおけるグラウンドトゥルースターゲット出力としてAO-OCT画像(または他のより高品質の画像および/またはより高解像度の画像)を使用する場合にも同様の説明が適用されることを理解されたい。
図1のものを含む、本明細書で説明される様々なニューラルネットワークアーキテクチャは、他の用途に拡張され得る。例えば、本ニューラルネットワークアーキテクチャを使用して、ニューラルネットワーク(NN)機械学習(ML)モデルを訓練して、A-スキャン、B-スキャン、キューブスキャン、およびen face画像などのOCT/OCTAスキャン/画像のノイズを低減する(例えば、ノイズ除去する)ことができる。従来、個々のOCTスキャンの改善には、テスト機器(例えば、使用されている特定のOCTシステム)における信号対雑音(SNR)比を改善すること、個々のOCTスキャン(例えば、Bスキャン)をモーショントラッキングに使用される対応するラインスキャン型検眼鏡(LSO)画像(通常、最近取得されたもの)に登録すること、およびスキャンを後処理して、OCTスキャンの取得と同時に実質的にキャプチャされていたLSO画像にスキャンを登録することが含まれる。ノイズを低減するためのソフトウェアベースの方法も既知である。これらの方法は、典型的に、「クリーンな」画像の存在と既知のノイズ分布を前提とする「超解像」技術に焦点を当てたものである。
図22には、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)システムが図解されている。FD-OCTシステム100は、光源101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、又は掃引レーザー源が含まれるがこれらに限定されない。光源101からの光のビームは、典型的に光ファイバ105によってサンプル110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101は、スペクトル領域OCT(SD-OCT)の場合の短い時間コヒーレンス長の広帯域光源か、掃引光源OCT(SS-OCT)の場合の波長調整可能レーザー源の何れかとすることができる。光は、典型的には光ファイバ105の出力とサンプル110との間のスキャナ107でスキャンされ、それによって光のビーム(破線108)はサンプルの画像撮影対象領域を横方向に(x及びyに)スキャンされる。フルフィールドOCTの場合、スキャナは不要であり、光は一度に所望の視野(FOV)全体に当てられる。サンプルから散乱した光は、典型的に照明用の光を案内するために使用されるものと同じ光ファイバ105へと集光される。同じ源101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103及び調整可能な光学遅延を有する逆反射板104が含まれる。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ことは、当業者であれば理解されると思われる。集光されたサンプル光は、典型的にファイバカプラ102において参照光と結合され、OCT光検出器120内の光干渉を形成する。1つのファイバポートが検出器120に到達するように示されているが、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ことは、当業者であれば理解されるものと思われる。検出器120からの出力は、プロセッサ121(例えば、コンピューティングデバイス)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121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122に表示されてよい。処理及び保存機能はOCT機器内に配置されてよく、又は機能は収集されたデータが転送される外部処理ユニット(例えば、図29に示されるコンピュータシステム)上で実行されてもよい。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121は例えば、ホストプロセッサに供給される前に、又は並行してデータ処理ステップの一部又は全部を実行す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。
改良された画像(例えば、OCTまたはOCTA画像)を生成するための別の手法は、補償光学を使用することである。眼の光学系とそれらの配列は完全ではないため、眼に入る(または出る)光ビームが所望の経路から逸脱することになる。これらの偏差(例えば、光学収差)は、眼科イメージングシステムによって撮影された画像をぼかす可能性がある。補償光学(AO)は、光学収差の影響を低減することにより、光学系の性能を向上させる。例えば、補償光学をOCT/OCTAと組み合わせて、画像品質が向上したAO-OCTシステムを形成することができる。
ニューラルネットワーク、又はニューラルネットは、相互接続されたニューロンの(ノードを介した)ネットワークであり、各ニューロンはネットワーク内のノードを表す。ニューロンの集合は層状に配置されてよく、1つの層の出力は多層パーセプトロン(MLP)配置の中の次の層へと順方向に供給される。MLPは、入力データの集合を出力データの集合にマッピングするフィードフォワードニューラルネットワークと理解されてよい。
図29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。
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。
Claims (40)
- 光干渉断層撮影(OCT)システムであって、
光ビームを生成するための光源と、
光の第1の部分を参照アームに向け、光の第2の部分をサンプルアームに向けるためのビーム分割面を有するビームスプリッタと、
前記サンプルアームにおける光をサンプル上の1つまたは複数の場所に向けるための光学系と、
前記サンプルアームおよび前記参照アームから戻る光を受信し、その光に応答して信号を生成するための検出器と、
前記信号を第1の画像に変換して、前記第1の画像を画像変換モジュールに提供するためのプロセッサであって、前記画像変換モジュールは、前記第1の画像を、前記第1の画像と比較して、ジッターが減少していること、および架空の構造の作成が最小化されていることのうちの1つまたは複数を特徴とする第2の画像に変換する、前記プロセッサと、
前記第2の画像に基づいて出力画像を表示するための出力ディスプレイと、を備え、
前記画像変換モジュールは、訓練入力画像のセットおよび訓練出力画像のターゲットセットを使用して訓練された機械学習モジュールを含み、前記訓練入力画像は、前記訓練出力画像とは独立して生成される、システム。 - 前記プロセッサが、現在の第2の画像を、1つまたは複数の以前に取得された第2の画像とさらに結合して、前記出力画像を生成する、請求項1に記載のシステム。
- 現在の第2の画像が、より重く重み付けされたより高い画像品質の第2の画像との直接平均化または重み付け平均化のうちの1つによって1つまたは複数の以前に取得された第2の画像と結合される、請求項2に記載のシステム。
- 前記プロセッサは、複数の第1の画像を定義し、前記複数の第1の画像を対応する複数の第2の画像を生成するように前記画像変換モジュールに提供するとともに、OCT血管造影(OCTA)処理技術を使用して前記複数の第2の画像からモーションコントラスト情報を計算し、
前記出力画像には、前記モーションコントラスト情報が表示される、請求項1に記載のシステム。 - 前記プロセッサは、
複数の前記第1の画像を定義し、
前記複数の第1の画像を対応する複数の第2の画像を生成するように前記画像変換モジュールに提供し、
前記複数の第2の画像に画像登録技術を適用して、画像整列設定を生成し、
前記複数の第2の画像の前記画像整列設定に少なくとも部分的に基づいて、前記複数の第1の画像を整列させる、請求項1に記載のシステム。 - 前記第1の画像は、複数の第1の画像セグメントに分割され、
前記画像変換モジュールは、各第1の画像セグメントを対応する第2の画像セグメントに個別に変換し、複数の前記第2の画像セグメントを結合して、前記第2の画像を構築する、請求項1に記載のシステム。 - 前記訓練出力画像の少なくとも1つは、テストサンプルの同じ領域のOCTテスト画像のセットの平均として定義され、
前記訓練入力画像の少なくとも一部は、OCTテスト画像の前記セットに含まれている、請求項1に記載のシステム。 - 前記第1の画像は、サンプルの第1の領域のものであり、
前記第2の画像は、前記第1の画像を用いた前記第1の領域の複数の仮想的なOCTスキャンの平均として定義された特性を有する、請求項1に記載のシステム。 - 前記機械学習モジュールは、訓練されたニューラルネットワークであり、前記ニューラルネットワークの訓練は、
ターゲット眼領域の複数のOCTテスト画像を収集すること、
前記複数のOCTテスト画像を平均化して、前記ターゲット眼領域の対応する平均化された画像を定義すること、
前記ターゲット眼領域の前記OCTテスト画像を前記ニューラルネットワークへの訓練入力画像として別々に個別に入力し、それらの対応する平均化された画像をそれらの個別に対応する前記ニューラルネットワークの訓練出力画像として提供することを含む、請求項1に記載のシステム。 - 前記ニューラルネットワークの訓練は、さらに
各OCTテスト画像を複数のテストセグメントに分割すること、
それらの対応する平均化された画像を複数の対応するグラウンドトゥルースセグメントに分割すること、
前記テストセグメントを対応するグラウンドトゥルースセグメントに相関させること、
相関のあるテストセグメントを訓練入力画像として前記ニューラルネットワークに別々に個別に提供し、それらと相関のあるグラウンドトゥルースセグメントを前記ニューラルネットワークの訓練出力画像として提供することを含む、請求項9に記載のシステム。 - 現在入力されているOCTテスト画像を前記ニューラルネットワークの対応する現在の出力と結合して結合されたネットワーク出力を定義すること、前記結合されたネットワーク出力を対応する訓練出力画像と比較することをさらに含む、請求項9に記載のシステム。
- 前記訓練入力画像および前記訓練出力画像は、健康な眼の画像と疾患のある眼の画像との混合を含む、請求項1に記載のシステム。
- 前記第1の画像は第1のイメージングモダリティのものであり、
前記第2の画像は、前記第1のイメージングモダリティとは異なる第2のイメージングモダリティをシミュレートする、請求項1に記載のシステム。 - 第1および第2のモダリティは、時間領域OCT、スペクトル領域OCT、掃引光源OCT、および補償光学OCT(AO-OCT)のうちの1つまたは複数を含む混合である、請求項13に記載のシステム。
- 前記OCTシステムは第1のモダリティのものであり、
前記機械学習モジュールは、前記第1のモダリティの第1のOCTデバイスで取得された第3の画像を訓練入力画像のセットとして用い、第2のモダリティの第2のOCTデバイスで取得された第4の画像を訓練出力画像のターゲットセットとして用いて訓練され、前記第2のモダリティは前記第1のモダリティとは異なり、
前記第2の画像は、前記第2のモダリティのOCTシステムによって生成された画像に特有の特徴を有する、請求項1に記載のシステム。 - 前記第1のモダリティの前記第1のOCTデバイスは、非補償光学OCTタイプのものであり、
前記第2のモダリティの前記第2のOCTデバイスは、補償光学OCTタイプのものであり、
前記第1のOCTデバイスによって取得された前記第3の画像は、前記第2のOCTデバイスによって取得された前記第4の画像よりも大きく、前記第3の画像は、前記第4の画像と同様のサイズの第3の画像セグメントに分割され、各第3の画像セグメントは、対応する第4の画像と相関され、
相関のある第3のセグメントは、ニューラルネットワークに訓練入力画像として別々に個別に提供され、それらと対応する相関のある第4の画像は、前記ニューラルネットワークの訓練出力画像として提供される、請求項15に記載のシステム。 - 前記機械学習モジュールは、ニューラルネットワークであり、前記ニューラルネットワークは、
a)第1の画像を受信するための入力モジュールと、
b)前記入力モジュールに続く収縮パスであって、前記収縮パスは、複数の符号化モジュールを含み、各符号化モジュールは、畳み込みステージ、活性化関数、および最大プーリング演算を有する、前記収縮パスと、
c)前記収縮パスに続く拡張パスであって、前記拡張パスは、複数の復号化モジュールを有し、各復号化モジュールは、現在の値を対応する符号化モジュールの値と連結する、前記拡張パスと、
d)プーリング層とシグモイド層活性化関数を除く出力畳み込みモジュールであって、前記出力畳み込みモジュールは、前記拡張パスの最後の復号化モジュールからの出力を受信して、予備的な出力エラーを生成する、前記出力畳み込みモジュールと、
e)少なくとも1つの符号化モジュールおよび/または1つの復号化モジュールのエラー測定値を決定する中間エラーモジュールとを含み、
前記ニューラルネットワークの訓練中に、前記出力畳み込みモジュールからの前記予備的な出力エラーが前記中間エラーモジュールからの前記エラー測定値と結合される、請求項1に記載のシステム。 - 前記出力畳み込みモジュールはさらに前記第1の画像を受信し、生成された予備的な出力エラーは、前記出力畳み込みモジュールによって受信された入力画像に少なくとも部分的に基づく、請求項17に記載のシステム。
- 前記ニューラルネットワークの訓練中に、
前記中間エラーモジュールは、現在の訓練出力画像と、前記中間エラーモジュールの対応する符号化モジュールおよび/または復号化モジュールの現在の値との間のエラーとして前記エラー測定値を決定し、
前記出力畳み込みモジュールからの前記予備的な出力エラーは、前記現在の訓練出力画像と前記出力畳み込みモジュールの前記現在の値とに基づく、請求項17に記載のシステム。 - 眼科イメージングシステムであって、
第1の画像を取得するとともに、前記第1の画像に基づいて第2の画像を定義する画像修正モジュールに前記第1の画像を提供するためのプロセッサと、
前記第2の画像に基づいて出力画像を表示するための出力ディスプレイと、を備え、
前記画像修正モジュールは、ニューラルネットワークを含み、前記ニューラルネットワークは、
a)入力画像を受信する入力モジュールと、
b)前記入力モジュールに続く収縮パスであって、前記収縮パスは、複数の符号化モジュールを含み、各符号化モジュールは、畳み込みステージ、活性化関数、および最大プーリング演算を有する、前記収縮パスと、
c)前記収縮パスに続く拡張パスであって、前記拡張パスは複数の復号化モジュールを有し、各復号化モジュールは、現在の値を対応する符号化モジュールの値と連結する、前記拡張パスと、
d)プーリング層と活性化関数を除く出力畳み込みモジュールであって、前記出力畳み込みモジュールは、前記拡張パスの最後の復号化モジュールからの出力を受信して、予備的な出力エラーを生成する、前記出力畳み込みモジュールと、
e)少なくとも1つの符号化モジュールおよび/または1つの復号化モジュールのエラー測定値を決定する中間エラーモジュールとを含み、
前記ニューラルネットワークの訓練中に、前記出力畳み込みモジュールの予備的な出力エラーが前記中間エラーモジュールの出力エラーと結合される、システム。 - 前記活性化関数が、正規化線形ユニットまたはシグモイド層である、請求項20に記載のシステム。
- 前記エラー測定値は、ニューラルネットワークモジュールのターゲット出力に基づく、請求項20に記載のシステム。
- 前記ターゲット出力は、前記ニューラルネットワークの訓練サイクル中の現在の訓練出力画像であり、
前記出力畳み込みモジュールの前記予備的な出力エラーは、前記現在の訓練出力画像に基づき、
現在の訓練サイクルの訓練サイクルエラーは、前記出力畳み込みモジュールおよび前記中間エラーモジュールからの結合されたエラーに基づく、請求項22に記載のシステム。 - 前記出力畳み込みモジュールは、前記第1の画像を受信し、前記予備的な出力エラーは、前記出力畳み込みモジュールによって受信された前記入力画像にさらに基づく、請求項23に記載のシステム。
- 前記エラー測定値は、二乗損失関数に基づく、請求項20に記載のシステム。
- 前記ニューラルネットワークの訓練は、
異なるターゲット眼領域の複数の訓練画像セットを収集すること、各訓練画像セットは、同じターゲット眼領域の複数の第3の画像を含んでおり、
訓練画像セットごとに、
a)グラウンドトゥルースの第4の画像を、前記複数の第3の画像の平均として定義すること、
b)前記ニューラルネットワークへの訓練入力画像として第3の画像を選択し、それに対応する第4の画像を前記ニューラルネットワークのターゲット訓練出力画像として提供することを含む、請求項20に記載のシステム。 - 前記眼科イメージングシステムは、光干渉断層撮影(OCT)血管造影システムであり、前記第1の画像は、血管系画像である、請求項20に記載のシステム。
- 前記眼科イメージングシステムは、第1のモダリティの光干渉断層撮影(OCT)システムであり、前記ニューラルネットワークの訓練は、
前記第1のモダリティの第1のOCTシステムを使用して、異なるターゲット眼領域の1つまたは複数の第3の画像を収集すること、
前記第1のモダリティとは異なる第2のモダリティの第2のOCTシステムを使用して、同じターゲット眼領域の第4の画像のうちの1つまたは複数を収集すること、
i)1つまたは複数の第2の画像から1つまたは複数の訓練出力画像を定義すること、
ii)1つまたは複数の第1の画像から1つまたは複数の訓練入力画像を定義すること、各入力訓練画像は、対応する訓練出力画像を有しており、
iii)各第1の訓練画像を前記ニューラルネットワークに別個に提供し、それに対応する訓練出力画像を前記ニューラルネットワークのターゲット出力として提供することを含む、請求項20に記載のシステム。 - 前記第1のOCTシステムは、非補償光学OCTタイプであり、
前記第2のOCTシステムは補償光学OCTタイプである、請求項28に記載のシステム。 - 前記眼科イメージングシステムは、光干渉断層撮影(OCT)システムまたは眼底イメージングシステムである、請求項20に記載のシステム。
- 眼科イメージングシステムであって、
電子プロセッサを備え、前記電子プロセッサは、
第1の眼科画像を取得し、前記第1の眼科画像を画像修正モジュールに提供し、前記画像修正モジュールは、前記第1の眼科画像に基づいて、ノイズアーティファクトが低減された第2の眼科画像を作成し、
前記第2の眼科画像に基づく出力画像を電子ディスプレイに表示し、
ここで、前記画像修正モジュールは、ニューラルネットワークを含み、前記ニューラルネットワークの訓練が、
少なくとも1つの眼の複数のテスト眼科画像を収集すること、収集されたテスト眼科画像はノイズの多い画像であり、
前記テスト眼科画像の1つを訓練出力画像としてランダムに選択すること、
残りのテスト眼科画像の1つまたは複数を訓練入力画像の訓練セットとしてランダムに選択すること、
各訓練入力画像を前記ニューラルネットワークに別々に個別に提供し、前記訓練出力画像を前記ニューラルネットワークのターゲット出力として提供することを含む、システム。 - 前記テスト眼科画像が前記眼科イメージングシステムを使用して収集される、請求項31に記載のシステム。
- 前記眼科イメージングシステムは、光干渉断層撮影システムまたは眼底イメージングシステムである、請求項31に記載のシステム。
- 前記ニューラルネットワークの訓練は、前記訓練入力画像の訓練セットを前記訓練出力画像に登録することをさらに含む、請求項31に記載のシステム。
- 前記テスト眼科画像は、少なくとも1つの眼の同じ領域のものである、請求項31に記載のシステム。
- 前記ニューラルネットワークの訓練は、さらに
複数の眼からサンプル画像を収集すること、
前記サンプル画像を類似性によって複数のグループに分類する画像クラスタリングモジュールに前記サンプル画像を提供することを含み、
前記複数のテスト眼科画像は、前記複数のグループのうちの1つから選択される、請求項31に記載のシステム。 - クラスタリングモジュールは、
a)前記サンプル画像の中から作業画像のグループを識別し、
b)前記作業画像のグループから1つのサンプル画像を参照画像としてランダムに選択し、前記作業画像のグループの残りのサンプル画像の中から対応する類似画像を識別し、識別された類似画像は、事前定義された閾値内の類似性尺度を有しており、
c)前記サンプル画像から、前記参照画像およびそれに対応する類似画像を除去して、前記テスト眼科画像の集合にする、請求項36に記載のシステム。 - 前記ニューラルネットワークが
a)第1の眼科画像を受信する入力モジュールと、
b)前記入力モジュールに続く収縮パスであって、前記収縮パスは、複数の符号化モジュールを含み、各符号化モジュールは、畳み込みステージ、活性化関数、および最大プーリング演算を有する、前記収縮パスと、
c)前記収縮パスに続く拡張パスであって、前記拡張パスは複数の復号化モジュールを有し、各復号化モジュールは、現在の値を対応する符号化モジュールの値と連結する、前記拡張パスと、
d)プーリング層と活性化関数を除く出力畳み込みモジュールであって、前記出力畳み込みモジュールは、前記拡張パスの最後の復号化モジュールからの出力を受信して、現在の訓練出力画像から決定された予備的な出力エラーを生成する、前記出力畳み込みモジュールと、
e)少なくとも1つの符号化モジュールおよび/または1つの復号化モジュールのエラー測定値を決定する中間エラーモジュールとを含み、
前記ニューラルネットワークの訓練中に、前記出力畳み込みモジュールの前記予備的な出力エラーが前記中間エラーモジュールからの前記エラー測定値と結合される、請求項31に記載のシステム。 - 前記ニューラルネットワークの訓練中に、
前記中間エラーモジュールの前記エラー測定値は、前記現在の訓練出力画像に基づき、
現在の訓練サイクルの訓練サイクルエラーは、前記出力畳み込みモジュールの結合エラーと前記中間エラーモジュールの前記エラー測定値に基づく、請求項38に記載のシステム。 - 前記出力畳み込みモジュールは、第1の画像を受信し、前記予備的な出力エラーは、前記出力畳み込みモジュールによって受信された入力画像からさらに決定される、請求項38に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962805835P | 2019-02-14 | 2019-02-14 | |
US62/805,835 | 2019-02-14 | ||
PCT/EP2020/053515 WO2020165196A1 (en) | 2019-02-14 | 2020-02-12 | System for oct image translation, ophthalmic image denoising, and neural network therefor |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022520415A true JP2022520415A (ja) | 2022-03-30 |
Family
ID=69570686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021547257A Pending JP2022520415A (ja) | 2019-02-14 | 2020-02-12 | Oct画像変換、眼科画像のノイズ除去のためのシステム、およびそのためのニューラルネットワーク |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220058803A1 (ja) |
EP (1) | EP3924931A1 (ja) |
JP (1) | JP2022520415A (ja) |
CN (1) | CN113396440A (ja) |
WO (1) | WO2020165196A1 (ja) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018091486A1 (en) * | 2016-11-16 | 2018-05-24 | Ventana Medical Systems, Inc. | Convolutional neural networks for locating objects of interest in images of biological samples |
WO2020183799A1 (ja) * | 2019-03-11 | 2020-09-17 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
US11763553B2 (en) * | 2019-04-17 | 2023-09-19 | The Regents Of The University Of California | Artificial intelligence advance imaging—processing conditioned light photography and videography to reveal features detectable by other advanced imaging and functional testing technologies |
WO2021041772A1 (en) | 2019-08-30 | 2021-03-04 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (pet) image denoising |
US20210287338A1 (en) * | 2020-03-11 | 2021-09-16 | Mediatek Inc. | Image-guided adjustment to super-resolution operations |
US20210290191A1 (en) * | 2020-03-18 | 2021-09-23 | The Regents Of The University Of California | Method and system for denoising ct images using a neural network |
CN111862255A (zh) * | 2020-07-17 | 2020-10-30 | 上海联影医疗科技有限公司 | 正则化图像重建方法、系统、可读存储介质和设备 |
CN112184576B (zh) * | 2020-09-17 | 2024-01-19 | 桂林电子科技大学 | 一种光谱域光学相干层析成像中的高反射亮斑增强方法 |
CN112163541A (zh) * | 2020-10-09 | 2021-01-01 | 上海云绅智能科技有限公司 | 一种3d目标检测方法、装置、电子设备和存储介质 |
CN112330724B (zh) * | 2020-10-15 | 2024-04-09 | 贵州大学 | 一种基于集成注意力增强的无监督多模态图像配准方法 |
US20220138911A1 (en) * | 2020-11-05 | 2022-05-05 | Massachusetts Institute Of Technology | Neural network systems and methods for removing noise from signals |
CN112434749A (zh) * | 2020-12-02 | 2021-03-02 | 电子科技大学中山学院 | 一种基于U-Net的多模光纤散斑图重建与识别方法 |
CN112541876B (zh) * | 2020-12-15 | 2023-08-04 | 北京百度网讯科技有限公司 | 卫星图像处理方法、网络训练方法、相关装置及电子设备 |
CN112699950B (zh) * | 2021-01-06 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 医学图像分类方法、图像分类网络处理方法、装置和设备 |
CN112819705B (zh) * | 2021-01-13 | 2023-04-18 | 西安交通大学 | 一种基于网状结构与长距离相关性的真实图像去噪方法 |
CN112712520A (zh) * | 2021-01-18 | 2021-04-27 | 佛山科学技术学院 | 一种基于ARU-Net脉络膜层分割方法 |
US20220237744A1 (en) * | 2021-01-26 | 2022-07-28 | Samsung Electronics Co., Ltd. | Method and apparatus with image restoration |
CN113256531A (zh) * | 2021-06-11 | 2021-08-13 | 云南电网有限责任公司电力科学研究院 | 一种用于电力设备高光谱图像的降噪方法 |
TWI796837B (zh) * | 2021-11-17 | 2023-03-21 | 宏碁股份有限公司 | 降噪卷積自編碼裝置及降噪卷積自編碼方法 |
CN114565946A (zh) * | 2022-01-25 | 2022-05-31 | 西安电子科技大学 | 一种基于自注意力机制轻量级网络的指纹活体检测方法 |
CN114781445B (zh) * | 2022-04-11 | 2022-11-18 | 山东省人工智能研究院 | 一种基于可解释性的深度神经网络的心电信号降噪方法 |
WO2023200846A1 (en) * | 2022-04-15 | 2023-10-19 | United States Government As Represented By The Department Of Veterans Affairs | Retinal distance-screening using machine learning |
CN114820535B (zh) * | 2022-05-05 | 2023-09-12 | 深圳市铱硙医疗科技有限公司 | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 |
WO2023229994A1 (en) * | 2022-05-23 | 2023-11-30 | Topcon Corporation | Automated oct capture |
CN114782443A (zh) * | 2022-06-22 | 2022-07-22 | 深圳科亚医疗科技有限公司 | 基于数据增强的动脉瘤风险评估的装置和存储介质 |
KR20240043488A (ko) * | 2022-09-27 | 2024-04-03 | 사회복지법인 삼성생명공익재단 | 멀티모달 딥 러닝 모델을 이용한 녹내장 환자의 미래 시야 예측 방법 |
CN115587949A (zh) * | 2022-10-27 | 2023-01-10 | 贵州大学 | 一种基于可见光图像的农业多光谱视觉重构方法 |
WO2024126868A1 (en) * | 2022-12-16 | 2024-06-20 | Danmarks Tekniske Universitet | A method of using optical coherence tomography for training a machine learning model, a method of determining an unknown condition using the trained model, a method of determining segmentation in a sample, and an optical coherence tomography system |
CN116563116B (zh) * | 2023-07-10 | 2023-12-05 | 苏州大学 | 一种基于复值神经网络的oct轴向超分辨方法及系统 |
CN117689760B (zh) * | 2024-02-02 | 2024-05-03 | 山东大学 | 基于直方图信息网络的oct轴向超分辨率方法及系统 |
CN118154411A (zh) * | 2024-05-10 | 2024-06-07 | 清华大学 | 数字自适应光学架构与系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6549801B1 (en) | 1998-06-11 | 2003-04-15 | The Regents Of The University Of California | Phase-resolved optical coherence tomography and optical doppler tomography for imaging fluid flow in tissue with fast scanning speed and high velocity sensitivity |
US7359062B2 (en) | 2003-12-09 | 2008-04-15 | The Regents Of The University Of California | High speed spectral domain functional optical coherence tomography and optical doppler tomography for in vivo blood flow dynamics and tissue structure |
US7301644B2 (en) | 2004-12-02 | 2007-11-27 | University Of Miami | Enhanced optical coherence tomography for anatomical mapping |
US8180134B2 (en) | 2006-09-26 | 2012-05-15 | Oregon Health & Science University | In vivo structural and flow imaging |
TW201140226A (en) | 2010-02-08 | 2011-11-16 | Oregon Health & Amp Science University | Method and apparatus for ultrahigh sensitive optical microangiography |
US8433393B2 (en) | 2011-07-07 | 2013-04-30 | Carl Zeiss Meditec, Inc. | Inter-frame complex OCT data analysis techniques |
US9332902B2 (en) | 2012-01-20 | 2016-05-10 | Carl Zeiss Meditec, Inc. | Line-field holoscopy |
EP3404611A1 (en) * | 2017-05-19 | 2018-11-21 | RetinAI Medical GmbH | Reducing noise in an image |
US10430913B2 (en) * | 2017-06-30 | 2019-10-01 | Intel Corporation | Approximating image processing functions using convolutional neural networks |
-
2020
- 2020-02-12 CN CN202080012077.4A patent/CN113396440A/zh active Pending
- 2020-02-12 US US17/428,122 patent/US20220058803A1/en active Pending
- 2020-02-12 EP EP20704866.1A patent/EP3924931A1/en active Pending
- 2020-02-12 JP JP2021547257A patent/JP2022520415A/ja active Pending
- 2020-02-12 WO PCT/EP2020/053515 patent/WO2020165196A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
US20220058803A1 (en) | 2022-02-24 |
WO2020165196A1 (en) | 2020-08-20 |
CN113396440A (zh) | 2021-09-14 |
EP3924931A1 (en) | 2021-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022520415A (ja) | Oct画像変換、眼科画像のノイズ除去のためのシステム、およびそのためのニューラルネットワーク | |
US10719932B2 (en) | Identifying suspicious areas in ophthalmic data | |
US20220084210A1 (en) | Segmentation and classification of geographic atrophy patterns in patients with age related macular degeneration in widefield autofluorescence images | |
US20210304363A1 (en) | Image processing apparatus, image processing method and computer-readable medium | |
US20200394789A1 (en) | Oct-based retinal artery/vein classification | |
US20230091487A1 (en) | Correction of flow projection artifacts in octa volumes using neural networks | |
US20230196572A1 (en) | Method and system for an end-to-end deep learning based optical coherence tomography (oct) multi retinal layer segmentation | |
JP2022546969A (ja) | 構造由来の視野の事前情報を作成するための機械学習方法 | |
JP2023523245A (ja) | チャネル符号化スラブを用いたoct en face病変セグメンテーション | |
Li et al. | Deep learning algorithm for generating optical coherence tomography angiography (OCTA) maps of the retinal vasculature | |
US20240127446A1 (en) | Semi-supervised fundus image quality assessment method using ir tracking | |
US20230190095A1 (en) | Method and system for choroid-scleral segmentation using deep learning with a choroid-scleral layer model | |
JP2022098699A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
Viedma et al. | A deep learning multi-capture segmentation modality for retinal OCT imaging | |
US20240095876A1 (en) | Using multiple sub-volumes, thicknesses, and curvatures for oct/octa data registration and retinal landmark detection | |
US20230410293A1 (en) | Quality maps for optical coherence tomography angiography | |
Gende et al. | A new generative approach for optical coherence tomography data scarcity: unpaired mutual conversion between scanning presets | |
US20230143051A1 (en) | Real-time ir fundus image tracking in the presence of artifacts using a reference landmark | |
Melinščak | Segmentation of retinal structures in optical coherent tomography images | |
Wang | Deep Learning Based Multimodal Retinal Image Processing | |
CN116508060A (zh) | 光学相干断层扫描血管造影的质量图 | |
Sampson et al. | AI-driven innovations in signal/image processing and data analysis for optical coherence tomography in clinical applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230118 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240426 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240604 |