JP7260884B2 - 三次元（３ｄ）超音波画像の処理 - Google Patents

三次元（３ｄ）超音波画像の処理 Download PDF

Info

Publication number
JP7260884B2
JP7260884B2 JP2021572258A JP2021572258A JP7260884B2 JP 7260884 B2 JP7260884 B2 JP 7260884B2 JP 2021572258 A JP2021572258 A JP 2021572258A JP 2021572258 A JP2021572258 A JP 2021572258A JP 7260884 B2 JP7260884 B2 JP 7260884B2
Authority
JP
Japan
Prior art keywords
eye
ultrasound
deep learning
ultrasound imaging
volume
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.)
Active
Application number
JP2021572258A
Other languages
English (en)
Other versions
JP2022523272A (ja
Inventor
ウィルソン、デイビッド・エル．
ウー、ハオ
ミンハズ、テシーン
オルゲ、ファルク
ヘルムス、リチャード
リー、ジュファン
Original Assignee
ケース ウエスタン リザーブ ユニバーシティ
ユーエイチ・クリーブランド・メディカル・センター
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ケース ウエスタン リザーブ ユニバーシティ, ユーエイチ・クリーブランド・メディカル・センター filed Critical ケース ウエスタン リザーブ ユニバーシティ
Publication of JP2022523272A publication Critical patent/JP2022523272A/ja
Application granted granted Critical
Publication of JP7260884B2 publication Critical patent/JP7260884B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • 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
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Eye Examination Apparatus (AREA)

Description

（関連出願の相互参照）
本出願は、参照によりその全体が本明細書に組み込まれる、２０１９年２月２１日に出願された米国仮出願第６２／８０８，４３５号の利益を主張する。
緑内障は、米国内で２７０万を超える人々が罹患している。緑内障は、不可逆的な失明の原因となる。小児診療では、最も複雑な状態の１つは、小児緑内障である。罹患した小児は、典型的には、１つの眼につき３回を超える手術を必要とし、麻酔下で実施される更なる診断検査が必要である。光不透過性虹彩の後ろのヒトの眼の領域は、緑内障において重要な役割を果たす。シュレム管の閉塞は、流体排出の低減をもたらし、重度の緑内障を更にもたらし得る。眼の超音波撮像を取得すること、眼の超音波撮像を前処理すること、眼の超音波撮像を処理すること、眼の超音波撮像で表される眼構造をセグメント化すること、眼の超音波撮像で表される眼構造に関連する臨床測定指標を計算すること、又は、例えば、光不透過性虹彩の後ろの領域を含む、眼の超音波撮像を可視化することのための既存のアプローチは、少なくとも臨床の専門知識が不足しており、かつ専任の臨床超音波検査技師が必要であるため、十分に活用されていない。
本明細書に組み込まれ、その一部を構成する添付図面は、様々な例示的な動作、装置、回路、方法、及び本発明の様々な態様の他の例示的実施形態を示している。図示された要素境界（例えば、ボックス、ボックスの群、又は他の形状）は、境界の一例を表すことが理解されるであろう。当業者は、いくつかの実施例では、１つの要素が複数の要素として設計されてもよく、又は複数の要素が１つの要素として設計されてもよいことを理解するであろう。いくつかの実施例では、別の要素の内部構成要素として示される要素は、外部構成要素として実装されてもよく、逆もまた同様である。更に、要素は縮尺通りに描かれていなくてもよい。
本明細書に記載される様々な実施形態による三次元（three-dimensional、３Ｄ）超音波画像を処理又は分析するための例示的な装置を示す。
本明細書に記載される様々な実施形態による３Ｄ超音波画像を処理又は分析するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、例示的な眼超音波スキャナを示す。
本明細書に記載される様々な実施形態による、例示的なグラフィカルユーザインターフェース（graphical user interface、ＧＵＩ）を示す。
本明細書に記載される様々な実施形態による例示的なＧＵＩを示す。
本明細書に記載される様々な実施形態による例示的なＧＵＩを示す。
本明細書に記載される様々な実施形態による例示的なＧＵＩを示す。
本明細書に記載される様々な実施形態による、ペアワイズアライメントを使用して超音波撮像を整列するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、ペアワイズモデルアライメントを使用して超音波撮像を整列するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、ペアワイズ直交アライメントを使用して超音波撮像を整列するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、完全直交アライメントを使用して超音波撮像を整列するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、超音波撮像用の例示的な３Ｄボリュームレンダリングパイプラインのフロー図を示す。
眼の例示的な超音波画像を示す。
ノイズ除去された超音波画像のヒストグラムを示す。
本明細書に記載される様々な実施形態による、眼の例示的な３Ｄボリュームレンダリング、及び関連するセグメント化シュレム管を示す。
本明細書に記載される様々な実施形態による、３Ｄボリュームレンダリングを生成するための例示的な方法又は動作のフロー図を示す。
眼の例示的な３Ｄボリュームレンダリング、及び本明細書に記載される様々な実施形態に従って抽出された関連する放射状画像スライスを示す。
本明細書に記載される様々な実施形態による、３Ｄ超音波撮像から放射状画像を抽出するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、ノイズ低減３Ｄ超音波撮像のための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、深層学習ノイズ低減モデル訓練セットを生成するための例示的な方法又は動作のフロー図を示す。
例示的な畳み込みニューラルネットワーク（convolutional neural network、ＣＮＮ）アーキテクチャを示す。
本明細書に記載される様々な実施形態による、３Ｄ超音波撮像で表される前房をセグメント化するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、深層学習前房セグメンテーションモデルを訓練するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、虹彩角膜角度を計算するための例示的な方法又は動作のフロー図を示す。
ｚ軸とずれた光軸を示す眼の例示的な超音波撮像を示す。
本明細書に記載される様々な実施形態による、眼の回転又は放射状画像からの虹彩角膜角度を測定するための例示的な技術を示す。
本明細書に記載される様々な実施形態による、虹彩角膜角度を計算するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、強膜岬を位置決めするための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、虹彩角膜角度測定の例示的な３６０度のヒートマップを示す。
本明細書に記載される様々な実施形態による、３Ｄ超音波撮像で表される眼異常をセグメント化するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、深層学習眼異常セグメンテーションモデルを訓練するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、第１の深層学習眼構造セグメンテーションモデル及び第２の深層学習眼構造セグメンテーションモデルの出力の加重平均を生成するための例示的なワークフロー図を示す。
本明細書に記載される様々な実施形態による、ノイズ低減シュレム管強化３Ｄ超音波撮像のための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、シュレム管強化深層学習ノイズ低減モデル訓練セットを生成するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、３Ｄ超音波撮像で表されるシュレム管又は収集チャネルをセグメント化するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、深層学習シュレム管セグメンテーションモデルを訓練するための例示的な方法又は動作のフロー図を示す。
本明細書に記載される様々な実施形態による、例示的な装置を示す。
本明細書に記載される様々な実施形態が動作し得る、例示的なコンピュータを示す。
簡単な概要
本明細書では、ヒトの眼の三次元（３Ｄ）超音波撮像を含む、眼の超音波撮像を取得、処理、表示、又は可視化、又は分析するための装置、動作、システム、回路、方法、又は他の実施形態が開示されている。一態様によれば、一実施形態は、眼の三次元（３Ｄ）超音波撮像にアクセスすることと、３Ｄ超音波撮像に基づいて、眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成することと、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、３Ｄ超音波撮像、少なくとも１つのセグメント化眼構造、又は少なくとも１つの臨床測定指標のうちの少なくとも１つを表示することと、を行うように構成されている、１つ以上のプロセッサを含む、装置を含む。一態様によれば、一実施形態では、１つ以上のプロセッサは、３Ｄ超音波撮像のうちの少なくとも一部分を整列させて、３Ｄ超音波撮像のミスアライメントを低減するように構成されている。一態様によれば、一実施形態では、１つ以上のプロセッサは、３Ｄ超音波撮像をノイズ低減するように構成されている。一態様によれば、一実施形態では、１つ以上のプロセッサは、勾配ベースの光学伝達関数（optical transfer function、ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成するように構成されている。一態様によれば、一実施形態では、１つ以上のプロセッサは、３Ｄボリュームレンダリングを表示するように構成されている。
詳細な説明
様々な実施形態は、眼の三次元（３Ｄ）超音波撮像、又は眼の２Ｄ超音波撮像を含む３Ｄ超音波撮像の一部分を含む、眼の超音波画像の取得、処理、表示若しくは可視化、又は分析のために、本明細書に記載される装置、動作、システム、プロセッサ、回路、方法、又は他の技術を用いてもよい。本明細書に記載される実施形態は、緑内障を含む様々な病態における眼構造の改善された処理、表示若しくは可視化、又は分析を提供して、病態生理学、治療計画、又は治療結果評価の改善された分析を更に容易にすることができる。実施形態は、超音波画像の事前処理、超音波画像で表される眼構造のセグメンテーション、３Ｄボリュームレンダリングの生成、３Ｄボリュームレンダリングを含む、超音波撮像の表示若しくは可視化、超音波撮像で表される眼構造に関連する臨床測定指標の定量化、又は本明細書に記載される様々な技術を実施する際のワークフローを改善する特定の構造化されたグラフィカルユーザインターフェースの提供を含む、本明細書に記載の任意の技術又は技術の組み合わせを介して、超音波画像における眼構造の改善された処理、表示若しくは可視化、又は分析を提供することができる。
実施形態は、眼の超音波撮像の改善された前処理を容易にし、それによって眼の改善された３Ｄボリュームレンダリングを容易にし、３Ｄ超音波撮像で表される眼構造の改善されたセグメンテーションを容易にすることができ、更に、３Ｄ超音波撮像で表されるセグメント化眼構造に関連する値の改善された定量化を容易にするだけでなく、超音波撮像、前処理超音波撮像、３Ｄボリュームレンダリング、又は３Ｄ超音波撮像で表されるセグメント化眼構造の改善された表示又は可視化を容易にする。実施形態は、本明細書に記載される様々な画像アライメント技術による画像取得中の眼球運動の影響を低減することによって、本明細書に記載される様々なノイズ低減技術による眼の超音波画像におけるノイズを低減することによって、深層学習ノイズ低減を含む、本明細書に記載される様々な技術によるシュレム管強化画像ボリュームを生成することによって、又は本明細書に記載される様々な技術による３Ｄ超音波撮像からの放射状画像の抽出によって、眼の超音波画像の改善された前処理を容易にすることができる。実施形態は、本明細書に記載される様々な技術による深層学習ノイズ低減モデルの改善された訓練を介して、本明細書に記載される様々なノイズ低減技術による眼の超音波画像の改善されたノイズ低減を容易にすることができる。実施形態は、本明細書に記載される様々な技術による、深層学習ノイズ低減モデルを訓練するための、低ノイズ訓練データ又はノイズ訓練データを含む、訓練データの改善された取得又は生成によって、深層学習ノイズ低減モデルの改善された訓練を容易にすることができる。
実施形態は、本明細書に記載される様々な技術による眼の超音波画像で表される眼構造の改善されたセグメンテーションを容易にすることができる。実施形態は、前房の深層学習セグメンテーションを介して、眼の超音波画像で表される腫瘍若しくは他の眼異常若しくは病理の深層学習セグメンテーションを介して、又はシュレム管の深層学習セグメンテーション若しくは眼の超音波画像で表される収集チャネルを介して、眼の超音波画像で表される眼構造の改善されたセグメンテーションを容易にすることができる。実施形態は、例えば、本明細書に記載される様々な技術による、深層学習シュレム管セグメンテーションモデル、深層学習前房セグメンテーションモデル、又は深層学習眼異常セグメンテーションモデルを含む、深層学習セグメンテーションモデルの改善された訓練を介して、本明細書に記載される様々な技術による眼の超音波画像で表される眼構造の改善されたセグメンテーションを容易にすることができる。実施形態は、本明細書に記載される様々な技術による、深層学習セグメンテーションモデルを訓練するための、訓練データの改善された取得又は生成によって、深層学習セグメンテーションモデルの改善された訓練を容易にすることができる。
実施形態は、本明細書に記載される様々な技術による、眼の超音波画像で表される眼構造に関連する値を含む、患者に関連する臨床測定指標の計算、定量化、又は表示を容易にする。実施形態は、本明細書に記載される様々な技術による、前房の改善されたセグメンテーションによる虹彩角膜角度の改善された測定を介して、眼の超音波画像で表される眼構造に関連する値の改善された定量化を容易にすることができる。実施形態は、本明細書に記載される様々な技術による、超音波撮像で表されるシュワルベ線又は強膜岬の場所の改善された検出を介して、虹彩角膜角度の改善された測定を容易にすることができる。実施形態は、本明細書に記載される様々な技術による前房の改善されたセグメンテーションを介して前房のボリューム又は前房の面積を含む、前房に関連する他の値の計算を介して、眼の超音波画像で表される眼構造に関連する値の改善された定量化を容易にすることができる。実施形態は、例えば、シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームを含む、本明細書に記載される様々な技術に従ってセグメント化されたシュレム管又は収集チャネルに関連する値の計算を介して、眼の超音波画像で表される眼構造に関連する値の改善された定量化を容易にすることができる。
実施形態は、本明細書に記載される様々な技術による眼の超音波画像の改善された表示又は可視化を容易にする。実施形態は、例えば、前房、シュレム管、収集チャネル、毛様体、毛様体プロセス、虹彩、角膜、強膜、腫瘍、又は他の対象の構造を含む、改善された眼構造の３Ｄ図を提供する、勾配ベースの光学伝達関数を含む、伝達関数を用いる３Ｄボリュームレンダリングレイキャスティングアプローチを介して３Ｄボリュームレンダリングを生成することによって、眼の超音波画像の改善された表示又は可視化を容易にすることができる。実施形態は、本明細書に記載される様々な技術による改善された３Ｄボリュームレンダリングで表される対象の眼構造の改善された表示又は可視化を介して改善された治療戦略を更に容易にすることができる。
本明細書に記載される実施形態は、本明細書に記載される様々な技術に従って、超音波画像の改善された前処理、超音波撮像で表される眼構造の改善されたセグメンテーション、眼の３Ｄボリュームレンダリングの改善された生成、超音波撮像の表示若しくは可視化、例えば、臨床測定指標を含む、超音波撮像で表される眼構造に関連する特性の計算、定量化、若しくは表示、又は本明細書に記載される様々な技術を実施する際の眼科的ワークフローを改善する、特定の構造化されたグラフィカルユーザインターフェースの提供を少なくとも介して、眼疾患若しくは眼損傷の改善された診断、治療の改善された計画、又は治療の効果の改善された観察若しくは定量化を容易にすることができる。実施形態は、少なくとも１つの勾配ベースの光学伝達関数（ＯＴＦ）を介したレイキャスティングボリュームレンダリング技術を用いた３Ｄボリュームレンダリングの改善された生成を介することを含む、本明細書に記載される様々な技術を介して、既存の超音波アプローチで得ることができない眼の正面図の生成を容易にすることができる。実施形態は、本明細書に記載される様々な技術を介して、眼疾患又は傷害のより正確かつ迅速な診断、治療の改善された選択又は計画、及び既存のアプローチと比較した治療の効果の改善された観察又は定量化を容易にすることができる。実施形態は、本明細書に記載される様々な技術を介して、既存のアプローチよりも改善された速度、信頼性、及び成功率を提供する、改善された３Ｄボリュームレンダリング、改善された眼球構造のセグメンテーション、セグメント化眼構造に関連する臨床測定指標の改善された定量化を介して、緑内障手術、眼腫瘍治療、又は白内障手術を含む、外科的介入の改善された計画及び誘導を容易にすることができる。実施形態は、本明細書に記載される様々な技術を介して、腫瘍ボリュームのより頻繁な検査を通じて、医療、外科、又は薬物治療戦略の改善された評価を容易にすることができる。実施形態は、本明細書に記載される様々な技術を介して緑内障のタイプ及び重症度の改善された評価を容易にする、三次元における虹彩角膜角度の改善された評価を容易にすることができる。
本明細書の詳細な説明のいくつかの部分は、メモリ内のデータビット上の動作のアルゴリズム及び記号表現の観点から提示される。これらのアルゴリズムの説明及び表現は、当業者によって、それらの仕事の物質を他のものに伝達するために使用される。本明細書及び一般に、アルゴリズムは、結果を生成する一連の動作であると考えられる。動作は、物理量の物理的操作を含み得る。通常、必ずしもそうではないが、物理量は、論理又は回路に記憶、転送、組み合わせ、比較、及び他の方法で操作され得る電気信号又は磁気信号などの形態をとる。物理的操作は、コンクリート、有形、有用、実世界の結果を生成する。
これらの信号を、ビット、値、要素、記号、文字、用語、数字などとして参照するために、一般的な使用の理由から、好都合であることが証明されている。しかしながら、これら及び同様の用語は、適切な物理量に関連付けられ、これらの量に適用される簡便なラベルに過ぎないことを念頭に置くべきである。特に明記しない限り、説明全体を通して、処理、コンピューティング、計算、決定などを含む用語は、物理的（電子）量として表されるデータを操作及び変換するコンピュータシステム、論理、回路、プロセッサ、又は類似の電子デバイスの動作及びプロセスを指すことが理解される。このような作用及びプロセスは、人間のマインド又は鉛筆及び紙を介して実際に実施されない。
例示的な装置、動作、方法、システム、技術、アプローチ、又は他の実施形態は、フロー図を参照してより良く理解され得る。説明を簡単にするために、例示された方法論又は動作は、一連のブロックとして示され、記載されているが、いくつかのブロックが、示され説明されたブロックとは異なる順序で、及び／又はそれと同時に行われ得るため、方法論又は動作はブロックの順序によって限定されないことを理解されたい。更に、例示的な方法、動作、技術、又は他の実施形態を実施するために、例示されたすべてのブロックよりも少ないブロックが必要とされる場合がある。ブロックは、複数の構成要素に組み合わされるか、又は分離されてもよい。更に、追加的及び／又は代替的な方法は、追加の図示されていないブロックを用いることができる。
図１～図３８は、連続的に生じる様々な作用を示し得るが、図１～図３８に示される様々な作用が実質的に平行に生じ得ることを理解されたい。例示として、第１のプロセスは、３Ｄ超音波撮像の一部分をノイズ除去することを含むことができ、第２のプロセスは、３Ｄ超音波撮像の一部分を整列することを含むことができ、第３のプロセスは、３Ｄ超音波撮像の一部分に表される眼構造をセグメント化することを含むことができる。３つのプロセスが記載されているが、より多くの又はより少ない数のプロセスを用いることができ、軽量プロセス、規則的なプロセス、スレッド、及び他のアプローチを用いることができることを理解されたい。
一実施例では、方法は、コンピュータ実行可能命令として実装されてもよい。したがって、一実施例では、コンピュータ可読記憶デバイスは、マシン（例えば、コンピュータ、プロセッサ）によって実行されると、マシンに、動作２００、８００、９００、１０００、１１００、１２００、１６００、１８００、１９００、２０００、２２００、２３００、２４００、２７００、２８００、３０００、３１００、３３００、３４００、３５００若しくは３６００、又は本明細書に記載される任意の他の動作、方法、プロセス、アプローチ若しくは技術を含む、本明細書に記載又は特許請求されている方法又は動作を実施させる、コンピュータ実行可能命令を記憶してもよい。列挙された方法、動作、技術、又はアプローチに関連する実行可能命令は、コンピュータ可読記憶デバイス上に記憶されているものとして記載されているが、本明細書に記載又は特許請求される他の例示的な方法、動作、技術、又はアプローチに関連する実行可能命令がまた、コンピュータ可読記憶デバイス上に記憶されてもよいことを理解されたい。異なる実施形態では、本明細書に記載される例示的な方法又は動作は、異なる方法でトリガされ得る。一実施形態では、方法又は動作又はプロセスは、ユーザによって手動でトリガされ得る。別の実施例では、方法又は動作は、自動的にトリガされ得る。様々な実施形態の技術及び態様は、眼の３Ｄ超音波撮像で表される眼構造を少なくとも自動的にセグメント化することを容易にする例示的な実施形態に関連して、以下に更に説明される。
図１は、例示的な装置１００を示している。装置１００は、実行されると、プロセッサを制御して動作を実施する命令を記憶するように構成されている、メモリ１１０を含む。メモリ１１０は、眼の超音波画像を記憶するように構成されてもよい。超音波画像は、患者に関連付けられてもよい。装置１００はまた、入力／出力（input/output、Ｉ／Ｏ）インターフェース１３０を含む。装置１００はまた、１つ以上のプロセッサ１５０を含む。装置１００はまた、メモリ１１０と、Ｉ／Ｏインターフェース１３０と、１つ以上のプロセッサ１５０とを接続する、インターフェース１４０を含む。一実施形態では、装置１００は、任意の超音波システム１７０と動作可能に接続されてもよく、若しくは超音波システム１７０にデータを送信若しくはそれからデータを受信するように構成されてもよく、又は超音波システム１７０と実質的に一体化されてもよい。
メモリ１１０は、実行されると、プロセッサを制御して動作を実施する命令を記憶するように構成されている。メモリ１１０は、３Ｄ超音波撮像を含む眼の超音波画像を記憶するように構成されてもよい。超音波画像は、患者に関連付けられてもよい。３Ｄ超音波撮像は、少なくとも超音波画像を含んでもよい。超音波画像は、複数のピクセルを有し、ピクセルは、関連する強度を有する。関連する強度は、例えば、グレースケールレベル強度を含み得る。例えば、超音波画像は、複数のピクセルを含み得る、２Ｄ超音波画像を含んでもよい。３Ｄ超音波撮像は、複数のボクセルを含んでもよく、ボクセルは、関連する強度を有する。ピクセル又はボクセルはまた、関連する不透明度値、色値、又は他の関連する値を有してもよい。メモリ１１０は、患者に関連する臨床情報を含む、メモリ１１０に記憶された画像に関連する患者に関連する情報を記憶するように構成されてもよい。メモリ１１０は、例えば、深層学習ノイズ低減モデル、又は深層学習眼構造セグメンテーションモデルを含む、深層学習モデルを記憶するように構成されてもよい。
Ｉ／Ｏインターフェース１３０は、メモリ１１０と、１つ以上のプロセッサ１５０と、外部デバイス（例えば、超音波システム）との間でデータを転送するように構成されてもよい。一実施形態では、超音波システムは、例えば、超音波システム３００を含んでもよく、ここで、超音波システム１７０は、２Ｄ超音波システムと、３Ｄ超音波システムと、線形スキャン超音波システムと、ジンバルスキャン超音波システムと、フェーズドアレイ３Ｄ超音波システムと、フリーハンド３Ｄ超音波システムと、３Ｄ超音波生物顕微鏡（ultrasound biomicroscopy、ＵＢＭ）システムと、を含み得る。本明細書に記載される様々な実施形態では、外部デバイスは、コンピュータ支援診断（computer assisted diagnosis、ＣＡＤｘ）システム、緑内障分析システム、個人用医療システム、データベース、非一時的コンピュータ可読記憶デバイス、又はクラウドを含み得る。
本明細書に記載される実施形態によって使用されるプロセッサは、汎用プロセッサ及び専用プロセッサ（例えば、グラフィックプロセッサ、アプリケーションプロセッサなど）の任意の組み合わせを含み得る。プロセッサは、メモリ若しくは記憶装置に結合されてもよく、又はメモリ若しくは記憶装置を含んでもよく、及び様々なシステム、装置、アプリケーション、又はオペレーティングシステムが本明細書に記載される動作又は方法を実施することができるようにするために、メモリ又は記憶装置に記憶された命令を実行するように構成されてもよい。メモリ又は記憶デバイスは、メインメモリ、ディスク記憶装置、又はこれらの任意の好適な組み合わせを含んでもよい。メモリ又は記憶デバイスとしては、ダイナミックランダムアクセスメモリ（dynamic random access memory、ＤＲＡＭ）、スタティックランダムアクセスメモリ（static random-access memory、ＳＲＡＭ）、消去可能プログラマブル読み出し専用メモリ（erasable programmable read-only memory、ＥＰＲＯＭ）、電気的消去可能プログラマブル読み出し専用メモリ（electrically erasable programmable read-only memory、ＥＥＰＲＯＭ（登録商標））、フラッシュメモリ、又はソリッドステート記憶装置などの任意のタイプの揮発性又は不揮発性メモリを含むことができるが、これらに限定されない。本明細書で用いられるプロセッサは、線形スキャン超音波システム、ジンバルスキャン超音波システム、フェーズドアレイ３Ｄ超音波システム、フリーハンド３Ｄ超音波システム、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）超音波システムのうちの少なくとも１つに動作可能に接続されるか、又はそれらと一体化されてもよい。プロセッサは、例えば、グラフィカルユーザインターフェース（ＧＵＩ）を含むユーザインターフェースと連結されるか、又はそれに動作可能に接続されてもよい。プロセッサは、ユーザインターフェースから入力を受信するように構成されてもよい。プロセッサは、ユーザインターフェースからの入力の受信に応答して、プロセッサ又はプロセッサが動作可能に接続されるか又は統合されるデバイスに関連する動作パラメータを変更するように構成されてもよい。
１つ以上のプロセッサ１５０は、眼の３Ｄ超音波撮像にアクセスするように構成されてもよい。３Ｄ超音波撮像は、患者に関連付けられてもよい。眼の３Ｄ超音波撮像は、複数のボクセルを含んでもよく、ボクセルは、関連する強度又は他の値を有する。３Ｄ超音波撮像は、一実施例では、眼の少なくとも１つの２Ｄ超音波画像を含んでもよい。２Ｄ超音波画像は、複数のピクセルを含んでもよく、ピクセルは、関連する強度又は他の値を有する。２Ｄ超音波画像は、本明細書では、スライスとして、又はスキャンとして参照され得る。３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標中又はラジアル（θ，ｒ，ｚ）座標中の３Ｄボリュームを画定することができる。一実施形態では、３Ｄ超音波撮像は、本明細書に記載される様々な技術による、線形スキャン取得技術、ジンバルスキャン取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡法（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される。一実施形態では、３Ｄ超音波撮像は、装置１００の動作と同時に、又はその前に取得されてもよい。３Ｄ超音波撮像にアクセスすることは、電子データを取得すること、コンピュータファイルから読み取ること、コンピュータファイルを受信すること、コンピュータメモリから読み取ること、又は人間のマインドで実際に実施されない他のコンピュータ化された活動を含む。
装置１００を含む本明細書に記載される実施形態、若しくは本明細書に記載される他の実施形態は、超音波システム、例えば、超音波システム１７０を制御して、例えば、患者に関連する眼若しくは死体眼の組織の領域の超音波画像を取得することができ、又は組織の領域の超音波画像を取得するように構成された超音波システムの一部として実用的に統合されてもよい。例示的な実施形態は、超音波システム、例えば、２Ｄ超音波システムを制御することによって３Ｄ超音波画像を取得して、例えば、患者の眼、又は死体眼を含む眼を機械的に掃引するように構成されたプロセッサ、回路、システム、又は装置を含んでもよい。例えば、本明細書に記載される１つ以上のプロセッサ１５０、若しくは他の回路、ロジック、システム、動作、又は装置は、本明細書に記載される様々な技術に従って、超音波システムを制御して、超音波撮像を取得するように構成されてもよい。
一実施形態では、１つ以上のプロセッサ１５０は、３Ｄ超音波撮像のうちの少なくとも一部分を整列させて、３Ｄ超音波撮像のうちの少なくとも一部分間のミスアライメントを低減するように構成されている。一実施形態では、３Ｄ超音波撮像のうちの少なくとも一部分を整列することは、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、３Ｄ超音波撮像のうちの少なくとも一部分を整列することを含む。３Ｄ超音波撮像のうちの少なくとも一部分を整列することは、一実施例では、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、３Ｄ超音波撮像の第１の部分、例えば、第１の２Ｄ超音波画像を、３Ｄ超音波撮像の第２の異なる部分、例えば、第２の異なる２Ｄ超音波画像と整列することを含み得る。１つ以上のプロセッサ１５０は、例えば、動作８００、９００、１０００、又は１１００を含む、本明細書に記載される様々な技術による３Ｄ超音波撮像のうちの少なくとも一部分を整列するように構成されてもよい。
一実施形態では、１つ以上のプロセッサ１５０は、３Ｄ超音波撮像をノイズ低減するように構成されている。一実施形態では、３Ｄ超音波撮像をノイズ低減することは、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は少なくとも１つの深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、３Ｄ超音波撮像又は３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含む。一実施形態では、少なくとも１つの深層学習ノイズ低減モデルは、３Ｄ超音波撮像のうちの少なくとも一部分上のノイズを低減するように構成された畳み込みニューラルネットワーク（ＣＮＮ）を含み得る。１つ以上のプロセッサ１５０は、例えば、動作１９００、又は３３００を含む、本明細書に記載される様々な技術による３Ｄ超音波撮像又は３Ｄ超音波撮像の一部分をノイズ低減するように構成されてもよい。
一実施形態では、１つ以上のプロセッサ１５０は、少なくとも１つの深層学習ノイズ低減モデルを訓練するように構成されている。一実施形態では、１つ以上のプロセッサ１５０は、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成するように構成されており、少なくとも１つの深層学習ノイズ低減モデルを訓練することは、少なくとも１つの深層学習ノイズ低減モデル訓練セットを用いて、少なくとも１つの深層学習ノイズ低減モデルを訓練することを含む。深層学習ノイズ低減訓練セットは、例えば、少なくとも１つの低ノイズ理想画像（例えば、グラウンドトゥルース）と、少なくとも１つの低ノイズ理想画像に関連する少なくとも１つのノイズの少ない画像を含んでもよい。１つ以上のプロセッサ１５０は、例えば、動作２３００、３１００、又は３６００を含む、本明細書に記載される様々な技術に従って、少なくとも１つの深層学習ノイズ低減モデルを訓練するように構成されてもよい。
一実施形態では、少なくとも１つの眼構造は、シュレム管及び収集ダクトを含む。この実施形態では、少なくとも１つの眼構造は、シュレム管及び収集ダクトを含み、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成することは、眼のノイズ低減３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化ノイズ低減訓練セットを生成することを含み、眼のうちの少なくとも１つは、眼内造影剤を注入されている。１つ以上のプロセッサ１５０は、例えば、動作３４００を含む、本明細書に記載される様々な技術によるシュレム管強化ノイズ低減訓練セットを生成するように構成されてもよい。一実施形態では、眼のうちの少なくとも１つは、本明細書に記載される装置１００若しくは他のシステム、装置、動作、方法、又は技術の動作に先立って、又はそれと同時に、眼内薬剤を注入されている。眼内薬剤を３Ｄ超音波画像のセット内に表される眼に注入することは、眼圧の上昇、シュレム管及び収集チャネルの膨張又は拡張を容易にする可能性があり、これにより、シュレム管及び収集チャネルの改善された視覚化、セグメンテーション、又は評価を容易にする可能性がある。
一実施形態では、１つ以上のプロセッサ１５０は、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成するように構成されている。眼構造は、例えば、前房、シュレム管若しくは収集チャネル、眼異常、虹彩、毛様体プロセス、又は他の眼構造を含んでもよい。一実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の深層学習眼構造セグメンテーションモデル、を含む。１つ以上のプロセッサ１５０は、例えば、動作２２００、３０００、又は３５００を含む、本明細書に記載される様々な技術に従って、少なくとも１つのセグメント化眼構造を生成するように構成されてもよい。一実施形態では、第１の深層学習眼構造セグメンテーションモデルは、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第１の予測セグメンテーションボリュームを生成するように構成された畳み込みニューラルネットワーク（ＣＮＮ）を含む。一実施形態では、第２の深層学習眼構造セグメンテーションモデルは、（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第２の予測セグメンテーションボリュームを生成するように構成されたＣＮＮを含む。
一実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、第１の深層学習眼構造セグメンテーションモデルと、第２の深層学習眼構造セグメンテーションモデルと、を含み、少なくとも１つのセグメント化眼構造を生成することは、第１の予測セグメンテーションボリューム及び第２の予測セグメンテーションボリュームの加重平均を計算することを含む。別の実施形態では、少なくとも１つのセグメント化眼構造を生成することは、第１の予測セグメンテーションボリューム及び第２の予測セグメンテーションボリュームの平均を計算することを含む。
一実施形態では、加重平均は、セグメント化されている眼構造に関連する重みに基づいて計算されてもよい。例えば、セグメント化される眼構造が腫瘍である第１の実施例では、第１の深層学習眼構造セグメンテーションモデルの出力を特権する第１の重み付けが用いられてもよく、眼構造がシュレム管である第２の実施例では、第２の深層学習眼構造セグメンテーションモデルの出力を特権する第２の異なる重み付けが用いられてもよい。例えば、（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつ（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデルは、少なくとも、（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分におけるシュレム管の表現の対称性のため、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデルよりもシュレム管のより正確なセグメンテーションを提供することができる。様々な実施形態では、重みは、予め設定されてもよく、又はユーザ選択可能であってもよい。例えば、第１の重みは、前房をセグメント化するために予め設定されてもよく、若しくは選択可能であってもよく、第２の異なる重みは、眼異常をセグメント化するために予め設定されてもよく若しくは選択可能であってもよく、又は第３の異なる重量は、シュレム管若しくは収集チャネルをセグメント化するために予め設定されてもよく、若しくは選択可能であってもよい。１つ以上のプロセッサ１５０は、本明細書に記載される様々な技術に従って加重平均を計算するように構成されてもよい。図３２は、深層学習眼構造セグメンテーションモデルパイプライン３２００のワークフロー図であり、少なくとも１つの深層学習眼構造セグメンテーションモデルは、第１の深層学習眼構造セグメンテーションモデルと、第２の深層学習眼構造セグメンテーションモデルと、を含み、少なくとも１つのセグメント化眼構造を生成することは、第１の予測セグメンテーションボリューム及び第２の予測セグメンテーションボリュームの加重平均を計算することを含む。
一実施形態では、１つ以上のプロセッサ１５０は、本明細書に記載される様々な技術に従って、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算するように構成されている。一実施形態では、１つ以上のプロセッサ１５０は、３Ｄ超音波撮像又は３Ｄ超音波撮像の一部分、及び少なくとも１つのセグメント化眼構造に基づいて、臨床測定指標を計算するように構成されてもよい。一実施形態では、１つ以上のプロセッサ１５０は、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像から回転又は２Ｄ放射状画像を抽出し、抽出された回転又は２Ｄ放射状画像、及び少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つの臨床測定指標を計算するように構成されてもよい。
一実施形態では、１つ以上のプロセッサ１５０は、３Ｄ超音波撮像に基づいて、３Ｄボリュームレンダリングを生成するように構成されてもよい。１つ以上のプロセッサ１５０は、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成するように構成されてもよい。一実施形態では、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチは、表面分類動作中の勾配ベースのＯＴＦエッジ強化を含む。勾配ベースのＯＴＦによるエッジ強化は、眼の３Ｄ超音波撮像で表される透明領域と組織表面との間の境界面の改善されたレンダリングを容易にする。一実施形態では、勾配ベースのＯＴＦ不透明度強化レイキャスティングアプローチは、３Ｄ超音波画像で表される物体のエッジによって提供される視覚的合図に依存する特徴強化を実施することを更に含み、ボクセルに関連する勾配が視野方向に直交するか、又はボクセルアプローチに関連する勾配が視野方向に直交する場合に、ボクセルの不透明度が増加する。１つ以上のプロセッサ１５０は、例えば、動作１２００、又は１６００を含むがこれらに限定されない、本明細書に記載される様々な技術に従って３Ｄボリュームレンダリングを生成するように構成されてもよい。
一実施形態では、１つ以上のプロセッサ１５０は、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示するように構成されてもよい。一実施形態では、１つ以上のプロセッサ１５０は、３Ｄボリュームレンダリングを表示するように構成されてもよい。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することは、コンピュータモニタ、スマートフォンディスプレイ、タブレットディスプレイ若しくは他のディスプレイ上の、３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することを含み得る。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することはまた、３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを印刷することを含み得る。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することはまた、訓練及びテストの両方の間、又は深層学習モデルの臨床動作中に、深層学習モデルの動作パラメータ又は特徴を表示するために、３Ｄ超音波システム、個別化医療システム、コンピュータ支援診断（ＣＡＤｘ）システム、モニタ、又はその他のディスプレイを制御することを含み得る。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することによって、例示的な実施形態は、既存のアプローチと比較して、眼科医若しくは非専門医医療施術者を含む他の医療施術者のための適時かつ直感的な方法を提供し、それにより、３Ｄ超音波における眼構造をより正確に評価し、より正確な治療を通知して、不必要な手術を防止し、より正確かつ迅速に眼疾患若しくは傷害を診断し、より適切な治療を計画し、又は毛嚢腫を毛様体プロセスの外部レーザーアブレーションでより正確に治療することができる。
一実施形態では、１つ以上のプロセッサ１５０は、３Ｄ超音波撮像から２Ｄスライスを抽出するように構成されてもよい。一実施形態では、１つ以上のプロセッサ１５０は、本明細書に記載される様々な技術に従って２Ｄスライスを表示するように構成されてもよい。例えば、２Ｄスライスは、ｘ－ｙ軸、ｘ－ｚ軸、又はｙ－ｚ軸における３Ｄ超音波撮像の断面図を含んでもよい。
一実施形態では、少なくとも１つの眼構造は、前房を含む。この実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む。少なくとも１つの深層学習前房セグメンテーションモデルは、セグメント化前房を生成するように構成されている。この実施形態では、少なくとも１つの臨床測定指標は、虹彩角膜角度、前房のボリューム、又は前房の面積のうちの少なくとも１つを含む。前房のボリュームは、一実施例では、ピクセル数にピクセル面積を掛けて面積を求め、ボクセル数にボクセルボリュームを掛けてボリュームを求めることによって計算され得る。
一実施形態では、少なくとも１つの臨床測定指標は、虹彩角膜角度を含み、少なくとも１つのセグメント化眼構造は、セグメント化前房を含み、１つ以上のプロセッサは、セグメント化前房の頂点を検出することと、セグメント化前房に基づいて、３Ｄ超音波撮像の少なくとも一部分に表される角膜境界に、内側角膜適合曲線を適合させることと、内側角膜適合曲線に基づいて、シュワルベ線の場所を決定することと、シュワルベ線の場所に基づいて、強膜岬を位置決めすることと、強膜岬、内側角膜適合曲線、セグメント化前房、及び３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、小柱虹彩角度（trabecular-iris-angle、ＴＩＡ）、角度開口距離２５０μｍ（angle-opening distance、ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、ＴＩＡ、ＡＯＤ ２５０、又はＡＯＤ ５００のうちの少なくとも１つに基づいて、虹彩角膜角度を計算することと、を行うように構成されている。別の実施形態では、他のＡＯＤ値が用いられてもよい。図２６は、本明細書に記載される様々な実施形態による、虹彩角膜角度を測定するための例示的な技術を示している。図２７は、本明細書に記載される様々な実施形態による、虹彩角膜角度を測定するための動作２７００の例示的なセットのフロー図を示している。図２８は、強膜岬を位置決めするために、本明細書に記載される実施形態によって用いられ得る動作２８００の例示的なセットを示している。別の実施形態では、１つ以上のプロセッサは、別の異なる技術、例えば、角度開口配列虹彩角膜角度測定技術、又は角度開口最小角膜角度測定技術を使用して、虹彩角膜角度を計算するように構成されてもよい。
一実施形態では、少なくとも１つの眼構造は、少なくとも１つの眼異常を含む。一実施形態では、少なくとも１つの眼異常は、腫瘍、嚢腫、黒色腫、又は母斑を含む。この実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む。この実施形態では、少なくとも１つの臨床測定指標は、眼異常の場所、眼異常のボリューム、眼異常の面積、又は眼異常の長さのうちの少なくとも１つを含む。眼構造のセグメンテーションの際に、ボリューム内の異常の場所は、一実施例では、深層学習によって決定され得る。
一実施形態では、少なくとも１つの眼構造は、シュレム管又は収集チャネルを含む。この実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む。この実施形態では、少なくとも１つの臨床測定指標は、シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む。
一実施形態では、３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、１つ以上のプロセッサは、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換するように構成されており、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像は、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する。一実施形態では、３Ｄ超音波撮像を、デカルト（ｘ，ｙ，ｚ）座標から（θ，ｒ，ｚ）座標に変換することは、本明細書に記載される様々な技術に従って、（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像のｚ軸に対する（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される眼の光学軸の傾きを補正することを更に含む。（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像のｚ軸に対する（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される眼の光軸の傾きを補正することは、（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される眼構造の改善されたセグメンテーションを容易にし、眼構造に関連する臨床測定指標の計算を更に容易にすることができる。
一実施形態では、１つ以上のプロセッサ１５０は、１つ以上のプロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、入力を受信したことに応答して、１つ以上のプロセッサの動作パラメータを変更することと、を行うように構成されており、動作パラメータは、眼の３Ｄ超音波撮像にアクセスすること、３Ｄ超音波撮像のうちの少なくとも一部分を整列すること、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減すること、少なくとも１つのセグメント化眼構造を生成すること、３Ｄ超音波撮像で表される眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、若しくは３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する。一実施形態では、１つ以上のプロセッサ１５０は、例えばグラフィカルユーザインターフェース（ＧＵＩ）４００を含むユーザインターフェースを介して入力を受信するように構成されてもよい。
一実施形態では、１つ以上のプロセッサ１５０は、本明細書に記載される様々な技術に従って、少なくとも１つの深層学習眼セグメンテーションモデルを訓練するように構成されている。一実施形態では、１つ以上のプロセッサは、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成するように構成されており、少なくとも１つの深層学習眼セグメンテーション訓練セットは、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む。前房訓練セットは、例えば、眼の複数の３Ｄ超音波撮像を含んでもよく、前房は、複数の３Ｄ超音波撮像のうちの少なくとも１つに表され、関連する前房グラウンドトゥルースを更に含む。眼異常訓練セットは、例えば、眼の複数の３Ｄ超音波撮像を含んでもよく、眼異常は、複数の３Ｄ超音波撮像のうちの少なくとも１つに表され、関連する眼異常グラウンドトゥルースを更に含む。シュレム管訓練セットは、例えば、眼の複数の３Ｄ超音波撮像を含んでもよく、シュレム管又は収集チャネルは、複数の３Ｄ超音波撮像のうちの少なくとも１つに表され、関連するシュレム管グラウンドトゥルースを更に含む。一実施形態では、１つ以上のプロセッサ１５０は、本明細書に記載される様々な技術に従って、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成するように構成されている。
本明細書に記載される実施形態は、深層学習モデル（例えば、少なくとも１つの深層学習眼セグメンテーションモデル）、例えば、訓練データセットに基づく畳み込みニューラルネットワーク（ＣＮＮ）、及び訓練データセット内の各画像に関して、その画像に関連する既知のグラウンドトゥルースラベル（例えば、背景、前房、他の眼構造）を訓練することができる。訓練データセットに基づいて、訓練データセット内の各画像、既知のグラウンドトゥルースラベル、例えば、背景、前房、その画像に関連する他の眼構造に関して、モデルは、画像用のクラスラベルの確率、又は画像の部分、例えば、背景、眼構造、ノイズのクラスラベルの確率を決定することができる。
図２は、実行されると、プロセッサを制御して動作を実施する、動作の例示的セット２００のフロー図を示している。本明細書で使用されるようなプロセッサは、１つ又は２つ以上のシングルコア又はマルチコアプロセッサなどの回路を含むことができるが、これらに限定されない。本明細書で使用されるようなプロセッサは、汎用プロセッサ及び専用プロセッサ（例えば、グラフィックプロセッサ、アプリケーションプロセッサなど）の任意の組み合わせを含み得る。本明細書で使用されるようなプロセッサは、メモリ若しくは記憶装置に結合されてもよく、又はメモリ若しくは記憶装置を含んでもよく、及び様々なプロセッサ、装置、システム、アプリケーション、又はオペレーティングシステムが動作を実施することができるようにするために、メモリ又は記憶装置に記憶された命令を実行するように構成されてもよい。動作２００は、電子データを取得すること、コンピュータファイルから読み取ること、コンピュータファイルを受信すること、コンピュータメモリから読み取ること、又は人間のマインドで実際に実施されない他のコンピュータ化された活動を含む。
動作２００は、２１０において、眼の３Ｄ超音波撮像にアクセスすることを含む。３Ｄ超音波撮像は、患者に関連付けられてもよい。眼の３Ｄ超音波撮像は、複数のボクセル又はピクセルを含んでもよく、ボクセル又はピクセルは、関連する強度又は他の値を有する。３Ｄ超音波撮像は、一実施例では、眼の少なくとも１つの２Ｄ超音波画像を含んでもよい。２Ｄ超音波画像は、複数のピクセルを含んでもよく、ピクセルは、関連する強度又は他の値を有する。３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標中又はラジアル（θ，ｒ，ｚ）座標中の３Ｄボリュームを画定することができる。一実施形態では、３Ｄ超音波撮像の一部分、例えば、少なくとも１つの２Ｄ超音波画像は、線形スキャン取得技術、ジンバルスキャン取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される。３Ｄ超音波撮像は、動作２００の実装と同時に、又はその前に取得されてもよい。３Ｄ超音波撮像にアクセスすることは、電子データを取得すること、コンピュータファイルから読み取ること、コンピュータファイルを受信すること、コンピュータメモリから読み取ること、又は人間のマインドで実際に実施されない他のコンピュータ化された活動を含む。
一実施形態では、動作２００はまた、２２０において、３Ｄ超音波撮像のうちの少なくとも一部分を整列させて、３Ｄ超音波撮像のうちの少なくとも一部分間のミスアライメントを低減することを含む。一実施形態では、３Ｄ超音波撮像のうちの少なくとも一部分を整列することは、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、３Ｄ超音波撮像のうちの少なくとも一部分を整列することを含む。実施形態は、例えば、動作８００、９００、１０００、又は１１００を含む、本明細書に記載される様々な技術による、３Ｄ超音波撮像のうちの少なくとも一部分を整列することができる。
一実施形態では、動作２００はまた、２３０において、３Ｄ超音波撮像をノイズ低減することを含む。一実施形態では、３Ｄ超音波撮像をノイズ低減することは、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は少なくとも１つの深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、３Ｄ超音波撮像又は３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含む。実施形態は、例えば、動作１９００、又は３３００を含む、本明細書に記載される様々な技術による３Ｄ超音波撮像又は３Ｄ超音波撮像の一部分をノイズ低減することができる。
一実施形態では、動作２００は、２３２において、少なくとも１つの深層学習ノイズ低減モデルを訓練することを含む。一実施形態では、少なくとも１つの深層学習ノイズ低減モデルを訓練することは、本明細書に記載される様々な技術に従って、少なくとも１つの深層学習ノイズ低減モデル訓練セットで少なくとも１つの深層学習ノイズ低減モデルを訓練することを含む。
一実施形態では、動作２００は、２３４において、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成することを含む。一実施形態では、少なくとも１つの眼構造は、シュレム管及び収集ダクトを含む。この実施形態では、少なくとも１つの眼構造は、シュレム管及び収集ダクトを含み、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成することは、眼のノイズ低減３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化ノイズ低減訓練セットを生成することを含み、眼のうちの少なくとも１つは、眼内造影剤を注入されている。実施形態は、本明細書に記載される様々な技術に従って、シュレム管強化ノイズ低減訓練セットを生成することができる。一実施形態では、眼は、動作２００、又は本明細書に記載される他の方法若しくは技術の実行の前、又はそれと同時に眼内薬剤を注入されている。眼内薬剤を３Ｄ超音波画像のセット内に表される眼に注入することは、眼圧の上昇、シュレム管及び収集チャネルの膨張又は拡張を容易にする可能性があり、これにより、シュレム管及び収集チャネルの改善された視覚化、セグメンテーション、又は評価を容易にする可能性がある。実施形態は、例えば、動作２０００又は３３００を含む、本明細書に記載される様々な技術に従って、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成することができる。
一実施形態では、動作２００は、２４０において、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成することを含む。
動作２００の一実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつ（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む。
動作２００の一実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、第１の深層学習眼構造セグメンテーションモデルと、第２の深層学習眼構造セグメンテーションモデルと、を含み、少なくとも１つのセグメント化眼構造を生成することは、第１の予測セグメンテーションボリューム及び第２の第１の予測セグメンテーションボリュームの平均を計算することを含む。一実施形態では、加重平均は、セグメント化されている眼構造に関連する重みに基づいて計算されてもよい。例えば、セグメント化される眼構造が腫瘍である第１の実施例では、第１の重み付けが用いられてもよく、眼構造がシュレム管である第２の実施例では、第２の異なる重み付けが用いられてもよい。重みは、予め設定されてもよく、又はユーザ選択可能であってもよい。
一実施形態では、動作２００は、２４２において、少なくとも１つの深層学習眼セグメンテーションモデルを訓練することを含む。少なくとも１つの深層学習眼セグメンテーションモデルを訓練することは、例えば、動作２３００、３１００、又は３６００を含む、本明細書に記載される様々な技術に従って、少なくとも１つの深層学習眼セグメンテーションモデルを訓練することを含んでもよい。
一実施形態では、動作２００は、２４４において、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成することを含み、少なくとも１つの深層学習眼セグメンテーション訓練セットは、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む。
一実施形態では、動作２００は、２５０において、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することを含む。一実施形態では、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することは、３Ｄ超音波撮像又は３Ｄ超音波撮像の一部分、及び少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つの臨床測定指標を計算することを含み得る。一実施形態では、少なくとも１つの臨床測定指標を計算することは、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像から回転又は２Ｄ放射状画像を抽出することと、抽出された回転又は２Ｄ放射状画像、及び少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つの臨床測定指標を計算することと、を含み得る。実施形態は、例えば、動作１８００を含む、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像から回転又は２Ｄ放射状画像を抽出することができる。
一実施形態では、動作２００はまた、２６０において、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することを含む。別の実施形態では、別の異なる３Ｄボリュームレンダリングアプローチが用いられてもよい。実施形態は、例えば、動作１２００又は１６００を含む、本明細書に記載される様々な技術に従って、３Ｄボリュームレンダリングを生成することができる。
一実施形態では、動作２００はまた、２７０において、３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することを含む。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することは、コンピュータモニタ、スマートフォンディスプレイ、タブレットディスプレイ若しくは他のディスプレイ上の、３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することを含み得る。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することはまた、３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを印刷することを含み得る。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することはまた、訓練及びテストの両方の間、又は深層学習モデルの臨床動作中に、深層学習モデルの動作パラメータ又は特徴を表示するために、３Ｄ超音波システム、個別化医療システム、コンピュータ支援診断（ＣＡＤｘ）システム、モニタ、又はその他のディスプレイを制御することを含み得る。３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することによって、例示的な実施形態は、既存のアプローチと比較して、眼科医若しくは非専門医医療施術者を含む他の医療施術者のための適時かつ直感的な方法を提供し、それにより、３Ｄ超音波における眼構造をより正確に評価し、より正確な治療を通知して、不必要な手術を防止し、より正確かつ迅速に眼疾患若しくは傷害を診断し、より適切な治療を計画し、又は毛嚢腫を毛様体プロセスの外部レーザーアブレーションでより正確に治療することができる。
動作２００の一実施形態では、少なくとも１つの眼構造は、前房を含み、少なくとも１つの深層学習眼構造セグメンテーションモデルは、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む。少なくとも１つの深層学習前房セグメンテーションモデルは、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、前房の予測セグメンテーションボリュームを生成するように構成されている。この実施形態では、少なくとも１つの臨床測定指標は、虹彩角膜角度、前房のボリューム、又は前房の面積のうちの少なくとも１つを含む。
動作２００の一実施形態では、少なくとも１つの臨床測定指標は、虹彩角膜角度を含み、少なくとも１つのセグメント化眼構造に基づいて少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することは、セグメント化前房の頂点を検出することと、セグメント化前房に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分に表される角膜境界に、内側角膜適合曲線を適合させることと、内側角膜適合曲線に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分に表されるシュワルベ線の場所を決定することと、シュワルベ線の場所に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分に表される強膜岬を位置決めすることと、３Ｄ超音波撮像のうちの少なくとも一部分に表される強膜岬、内側角膜適合曲線、及び３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、セグメント化前房の頂点及びＡＯＤ ２５０又はＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む。別の実施形態では、少なくとも１つの臨床測定指標を計算することは、別の異なる技術、例えば、角度開口配列虹彩角膜角度測定技術、又は角度開口最小角膜角度測定技術を使用して、虹彩角膜角度を計算することを含んでもよい。図２５は、一実施例では、動作２００を含む、説明される実施形態によって用いられ得る、本明細書に記載される様々な実施形態による、虹彩角膜角度を測定するための例示的な技術を示している。実施形態は、例えば、動作２８００を含む、本明細書に記載される様々な技術に従って、強膜岬を位置決めすることができる。
動作２００の一実施形態では、少なくとも１つの眼構造は、少なくとも１つの眼異常を含む。この実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む。少なくとも１つの深層学習眼異常セグメンテーションモデルは、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼異常の予測セグメンテーションボリュームを生成するように構成されている。この実施形態では、少なくとも１つの臨床測定指標は、眼異常の場所、眼異常のボリューム、眼異常の面積、又は眼異常の長さのうちの少なくとも１つを含む。別の実施形態では、少なくとも１つの臨床測定指標は、眼異常に関連する別の異なる臨床測定指標を含んでもよい。一実施形態では、少なくとも１つの眼異常は、腫瘍、嚢腫、黒色腫、又は母斑を含む。別の実施形態では、少なくとも１つの眼異常は、別の異なる眼異常を含んでもよい。
動作２００の一実施形態では、少なくとも１つの眼構造は、シュレム管及び収集チャネルを含む。この実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む。少なくとも１つの深層学習シュレム管セグメンテーションモデルは、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、シュレム管又は収集チャネルの予測セグメンテーションボリュームを生成するように構成されている。一実施形態において、少なくとも１つの臨床測定指標は、シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む。
動作２００の一実施形態では、３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、動作は、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換することを含み、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像は、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する。
動作２００の一実施形態では、３Ｄ超音波撮像を、デカルト（ｘ，ｙ，ｚ）座標から（θ，ｒ，ｚ）座標に変換することは、（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像のｚ軸に対する（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される眼の光学軸の傾きを補正することを更に含む。
一実施形態では、動作２００は、プロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、入力を受信したことに応答して、プロセッサの動作パラメータを変更することと、を含み、動作パラメータは、眼の３Ｄ超音波撮像にアクセスすること、３Ｄ超音波撮像のうちの少なくとも一部分を整列すること、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減すること、少なくとも１つのセグメント化眼構造を生成すること、３Ｄ超音波撮像で表される眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、若しくは３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する。実施形態は、例えば、グラフィカルユーザインターフェース（ＧＵＩ）４００を含むユーザインターフェースを介して入力を受信することができる。
図３７を参照すると、機械学習（machine learning、ＭＬ）又は深層学習（deep learning、ＤＬ）モデル、及び／又は３Ｄ超音波撮像に表される少なくとも１つの眼構造をセグメント化するためにＭＬ又はＤＬモデルを訓練すること、及び／又は本明細書で論じる様々な実施形態による、少なくとも１つの眼構造に関連する臨床測定指標を計算することを介して、眼の３Ｄ超音波撮像で表される少なくとも１つの眼構造のセグメンテーションを容易にすることができる例示的な装置３７００の図が示されている。装置３６００は、本明細書で論じる様々な技術、例えば、動作２００、８００、９００、１０００、１１００、１２００、１６００、１８００、１９００、２０００、２２００、２３００、２４００、２７００、２８００、２９００、３０００、３１００、３３００、３４００、３５００、又は３６００のセットに関連して論じる様々な動作を実施するように構成され得る。装置３６００は、１つ以上のプロセッサ３６１０を含む。装置３６００はまた、メモリ３７２０を含む。プロセッサ３７１０は、様々な実施形態において、１つ又は２つ以上のシングルコア又はマルチコアプロセッサなどの回路を含むことができるが、これらに限定されない。プロセッサ３７１０は、汎用プロセッサ及び専用プロセッサ（例えば、グラフィックプロセッサ、アプリケーションプロセッサなど）の任意の組み合わせを含み得る。プロセッサは、メモリ（例えば、メモリ３７２０）又は記憶装置と結合されてもよく、及び／又はメモリ（例えば、メモリ３７２０）又は記憶装置を含むことができ、様々な装置、アプリケーション、又はオペレーティングシステムが本明細書で論じられる動作及び／又は方法を実施することを可能にするようにメモリ３７２０又は記憶装置に記憶された命令を実行するように構成されてもよい。メモリ３７２０は、眼の超音波撮像、例えば、眼の３Ｄ超音波撮像を記憶するように構成されてもよい。撮像の画像の各々は、複数のピクセル又はボクセルを含むことができ、各ピクセル又はボクセルは、関連する強度を有する。メモリ３７２０は、本明細書でより詳細に記載されるように、３Ｄ超音波撮像の前処理（例えば、画像アライメント、ノイズ低減）、及び／又はＭＬ若しくはＤＬモデルを訓練して、３Ｄ超音波撮像をノイズ除去することなど、本明細書で論じられる動作を実施することに関与する追加のデータを記憶するように更に構成されてもよい。
装置３７００はまた、入力／出力（Ｉ／Ｏ）インターフェース３７３０（例えば、１つ以上のＩ／Ｏデバイスに関連する）、回路のセット３７５０、並びにプロセッサ３７１０、メモリ３７２０、Ｉ／Ｏインターフェース３７３０及び回路のセット３７５０を接続する、インターフェース３７４０を含む。Ｉ／Ｏインターフェース３７３０は、メモリ３７２０と、プロセッサ３７１０と、回路３７５０と、外部デバイス（例えば、医療用撮像デバイス（例えば、超音波システム又は装置など）、並びに／又は入力を受信し、及び／若しくは任意選択の個人用医療デバイス３７６０などの臨床医、患者などに出力を提供するための１つ以上の遠隔デバイス）との間でデータを転送するように構成されてもよい。
プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、超音波撮像を（例えば、メモリ３７２０から、又は外部デバイスからなど）受信するように構成されてもよい。超音波撮像は、本明細書に記載されるような眼の３Ｄ超音波撮像を含むことができる。
プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、動作２００、８００、９００、１０００、１１００、１２００、１６００、１８００、１９００、２０００、２２００、２３００、２４００、２７００、２８００、２９００、３０００、３１００、３３００、３４００、３５００、又は３６００のセットなど、本明細書で論じられる方法又は動作のセットに関連する１つ以上の動作を実施することができる。
一実施例として、プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、動作のセット２００に関連する１つ以上の動作を実施することができる。
一実施形態では、プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、本明細書に記載される様々な技術に従って、眼の三次元（３Ｄ）超音波撮像にアクセスするように構成されてもよい。
一実施形態では、プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、３Ｄ超音波撮像を前処理するように構成されてもよい。一実施形態では、３Ｄ超音波撮像を前処理することは、３Ｄ超音波撮像のうちの少なくとも一部分を整列させて、３Ｄ超音波撮像のミスアライメントを低減することを含み、３Ｄ超音波撮像のうちの少なくとも一部分を整列することは、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、３Ｄ超音波撮像のうちの少なくとも一部分を整列することを含む。一実施例として、プロセッサ３６１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、動作８００、９００、１０００、又は１１００のセットに関連する１つ以上の動作を実施することができる。
一実施形態では、３Ｄ超音波撮像を前処理することは、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含み、３Ｄ超音波撮像をノイズ低減することは、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、３Ｄ超音波撮像をノイズ低減することを含む。一実施例として、プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、動作１９００、２０００、３３００、又は３４００のセットに関連する１つ以上の動作を実施することができる。
一実施形態では、プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化するように構成されてもよい。一実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつデカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を、入力として受け入れるように構成されており、かつ（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む。一実施例として、プロセッサ３６１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、動作２２００、２３００、３０００、３１００、３５００、又は３６００のセットに関連する１つ以上の動作を実施することができる。
一実施形態では、少なくとも１つの深層学習眼構造セグメンテーションモデルは、第１の深層学習眼構造セグメンテーションモデルと、第２の深層学習眼構造セグメンテーションモデルと、を含み、少なくとも１つのセグメント化眼構造を生成することは、第１の予測セグメンテーションボリューム及び第２の第１の予測セグメンテーションボリュームの平均を計算することを含む。一実施形態では、第１の予測セグメンテーションボリューム及び第２の第１の予測セグメンテーションボリュームの平均を計算することは、第１の予測セグメンテーションボリューム及び第２の第１の予測されるセグメンテーションボリュームの加重平均を計算することを含む。
一実施形態では、少なくとも１つの眼構造は、前房、シュレム管及び収集チャネル、又は眼異常のうちの少なくとも１つを含む。
一実施形態では、プロセッサ３７１０及び／又は回路のセット３７５０のうちの１つ以上の回路は、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算するように構成されてもよい。一実施例として、プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、動作２４００、２７００、又は２８００のセットに関連する１つ以上の動作を実施することができる。
一実施形態では、プロセッサ３７１０及び／又は回路のセット３７５０のうちの１つ以上の回路は、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つの視覚表現を出力するように構成されてもよい。
一実施形態では、プロセッサ３７１０及び／又は回路のセット３７５０のうちの１つ以上の回路は、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することと、３Ｄボリュームレンダリングの視覚表現を出力することと、を行うように構成されてもよい。一実施例として、プロセッサ３７１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、動作１２００、又は１６００のセットに関連する１つ以上の動作を実施することができる。
装置３７００は、必要に応じて、個人用医療デバイス３７６０を更に含み得る。装置３７００は、少なくとも１つの臨床測定指標、又は他のデータを、個人用医療デバイス３７６０に提供するように構成されてもよい。個人用医療デバイス３７６０は、例えば、関連する医学的状態、例えば、緑内障のモニタリング及び／又は治療を容易にするために使用され得る、コンピュータ支援診断（ＣＡＤｘ）システム又は他のタイプの個人用医療デバイスであってもよい。いくつかの実施形態では、プロセッサ３６１０及び／又は回路３７５０のセットのうちの１つ以上の回路は、個人用医療デバイス３７６０を制御して、３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分、若しくはコンピュータモニタ、スマートフォンディスプレイ、タブレットディスプレイ、若しくは他のディスプレイ上の他のデータを表示するように更に構成されてもよい。
眼の超音波画像の取得
本明細書に記載される実施形態は、本明細書に記載される様々な技術により、眼の超音波画像にアクセスすることができる。図３は、眼の３Ｄ超音波撮像を取得するように構成された例示的な眼超音波スキャナ３００を示している。超音波スキャナ３００は、直線スキャン超音波スキャナ、ジンバルスキャン超音波スキャナ、フェーズドアレイ３Ｄ超音波スキャナ、フリーハンド３Ｄ超音波スキャナ、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）スキャナのうちの少なくとも１つを含み得る。超音波スキャナ３００は、装置３２５と動作可能に接続されてもよく、又は装置３２５にデータを送信するか、又は装置３２５からデータを受信するように構成されてもよい。装置３２５は、例えば、装置１００、装置３７００、コンピュータ３８００、若しくは本明細書に記載される他のシステム若しくは装置若しくは実施形態を含んでもよく、又は装置１００、装置３７００、若しくは本明細書に記載される他の実施形態が、動作可能に接続されるか、若しくは実質的に一体化されているか、若しくは本明細書に記載される命令、動作、方法、技術、又は他の実施形態を実行するように構成されている、コンピュータ若しくは医療システムに動作可能に接続されてもよく、若しくは実質的に一体化されてもよい。超音波スキャナ３００は、装置１００、又は装置３７００が実質的に一体化されているか、又は動作可能に接続されているコンピュータ又は他のシステム又は装置と動作可能に接続されてもよく、又は一体化されてもよい。超音波スキャナ３００は、動作２００又は本明細書に記載される任意の他の動作、方法、又は技術を実装することができるコンピュータ又は他のシステム又は装置と動作可能に接続されてもよい。
図３は、超音波スキャナ３００によってスキャンされている患者の頭部３２０を更に示している。超音波スキャナ３００は、本明細書に記載される様々な技術によって、３Ｄ超音波撮像を取得することができる。一実施例では、３Ｄ超音波撮像は、（ｙ，ｚ）方向に取得された患者に関連する眼の２Ｄ（ｙ，ｚ）超音波画像を含んでもよく、ここで、ｚは眼内の深さを指し、ｙは患者３１０の鼻に対して平行な垂直方向を指す。例示的に、ｘ軸は３０２で、ｙ軸は３０４で、及びｚ軸は３０６で示されている。この実施例では、デカルト（ｘ，ｙ，ｚ）データを取得するために、実施形態は、２Ｄ超音波（ｙ，ｚ）画像を取得し、ｘ軸に沿って（例えば、ｘに沿って）超音波スキャナ３００を機械的にスキャンすることができる。この実施例では、画像は、線形超音波トランスデューサ、例えば、超音波スキャナ３００を使用して取得され、ｘに沿って機械的にスキャンされる。一実施例では、実施形態は、２Ｄ（ｙ，ｚ）超音波画像を取得し、ｘに沿って超音波スキャナ３００を機械的にスキャンし、例えば、臨床的状況においてインビボで１千（１０００）のスキャンを含むボリュームを取得することができる。本明細書に記載される実施形態では、典型的なインビボスキャンは、例えば、１千（１０００）の２Ｄスキャン、又は例えば［９００，１１００］スキャンの範囲内のスキャンを含む。実施形態は、２Ｄ超音波（ｙ，ｚ）画像を取得することができ、微細なサンプリングを用いて、超音波スキャナ３００をｘに沿って低速で機械的にスキャンし、例えば、５０００～１００００スキャンを含むボリュームを、例えば、水浴中の死体眼から取得することができる。より多数のスキャン、例えば、５０００～１００００のスキャンを含むボリュームの取得は、ノイズ又はセグメントの眼構造を低減するように構成された深層学習モデルの訓練のための改善された訓練データセットを生成することを容易にする。別の実施例では、デカルト（ｘ，ｙ，ｚ）データを取得するために、実施形態は、２Ｄ超音波（ｘ，ｚ）画像を取得し、ｙに沿って超音波スキャナ３００を機械的にスキャンすることができる。この実施例では、画像は、線形超音波トランスデューサ、例えば、超音波スキャナ３００を使用して取得され、ｙに沿って機械的にスキャンされる。したがって、３Ｄ超音波撮像の一部分は、少なくとも１つの２Ｄ（ｙ，ｚ）超音波画像、又は少なくとも１つの２Ｄ（ｘ，ｚ）超音波画像を含んでもよい。
本明細書に記載される様々な実施形態では、超音波スキャナに対する眼の配向は、シミュレートされた空間的配合を容易にするために変更され得る。例えば、超音波スキャナ３００は、それぞれｘ又はｙに沿って機械的にスキャンされながら、ｘ又はｙで軸からわずかにずれて回転されてもよい。超音波スキャナ３００をわずかに軸からずらして回転させることは、超音波スキャナを機械スキャン軸から０～５度回転させることを含んでもよい。
別の実施形態では、３Ｄ超音波画像は、平面超音波トランスデューサを使用して直接三次元で取得されてもよい。別の実施形態では、２Ｄ ＵＢＭトランスデューサを含む２Ｄ超音波トランスデューサを機械的に回転させることにより、３Ｄ超音波画像を（θ，ｒ，ｚ）空間内で取得することができる。２Ｄ ＵＢＭトランスデューサを含む２Ｄ超音波トランスデューサを機械的に回転させることは、ｚ軸を中心に２Ｄ超音波トランスデューサを機械的に回転させることを含み得、ここで、ｚ軸は、光学軸と整列される。実施形態は、他の異なる画像取得技術を使用して取得された眼の３Ｄ超音波撮像又は２Ｄ超音波撮像を含む超音波撮像にアクセスすることができる。
実施形態は、３Ｄ超音波撮像を取得すること、３Ｄ超音波撮像のうちの少なくとも一部分を整列すること、若しくは３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減させることを含むが、これらに限定されない３Ｄ超音波撮像を前処理すること、３Ｄ超音波撮像で表される眼構造のセグメンテーション、３Ｄ超音波撮像で表される眼構造に関連する臨床測定指標の計算、若しくはヒトの眼の超音波画像の他の分析を含むが、これらに限定されない３Ｄ超音波撮像を処理すること、又は３Ｄ超音波撮像の３Ｄボリュームレンダリングを容易にするために、以下の技術、アプローチ、方法、動作、システム、装置、又は他の技術のうちの１つ以上、又は任意の組み合わせを用いてもよい。（Ａ）グラフィカルユーザインターフェース（ＧＵＩ）、（Ｂ）取得中の眼球運動の影響を低減するための画像アライメント、（Ｃ）対象の眼構造の固有の３Ｄ超音波図を与える伝達関数、（Ｄ）３Ｄ超音波からの径方向画像の抽出、（Ｅ）改善された３Ｄ超音波可視化のための高度なノイズ低減、（Ｆ）ボリューム若しくは虹彩角膜角度評価を含む、臨床測定指標の評価のために前房の深層学習セグメンテーション、（Ｇ）堅牢で自動化された３６０度の虹彩角膜角度測定値、（Ｈ）３Ｄ超音波における腫瘍の深層学習セグメンテーション、（Ｉ）シュレム管及び収集チャネルの３Ｄ超音波図を提供するための深層学習を含む処理、又は（Ｊ）定量的評価のためのシュレム管及び収集チャネルの深層学習セグメンテーション。
Ａ．グラフィカルユーザインターフェース
３Ｄ超音波撮像を含むヒトの眼の超音波画像の処理又は分析は、複数の作用を必要とし得るか、又は複雑なワークフローを伴う場合があり、これは、時間、費用資源、又は準最適臨床転帰につながる場合がある。実施形態は、例えば、３Ｄ超音波撮像で表される眼構造のセグメンテーションを含む、３Ｄ超音波撮像の前処理、処理、又は分析における改善されたワークフローを容易にする、直感的で特定の構造化されたグラフィカルユーザインターフェース（ＧＵＩ）を提供してもよく、それにより、本明細書に記載される実施形態が動作可能に接続されるか、実装されるか、実行されるか、又は別の方法で実質的に一体化される、コンピュータ、超音波装置若しくはシステム、医療用撮像システム、又は他のコンピュータ関連デバイスと本明細書に記載の実施形態を実質的に一体化し、及びそれらの性能を改善する。図４は、本明細書に記載される様々な実施形態による例示的なＧＵＩ ４００を示している。一実施形態では、装置１００は、ＧＵＩ ４００を実装するように構成されてもよく、１つ以上のプロセッサ１５０は、ＧＵＩ ４００から入力を受信するか、又はＧＵＩ ４００を表示するように構成されてもよい。ＧＵＩ ４００は、本明細書に記載されるプロセッサ、回路、動作、方法、装置、システム、又は他の実施形態の制御を容易にする。ＧＵＩ ４００は、異なる動作、回路、処理機能、表示若しくは可視化、又は３Ｄ超音波画像機能の分析がアクセス、制御、操作、又は表示され得る、異なるパネルを含む。ＧＵＩ ４００は、コンピュータモニタ、スマートフォンディスプレイ、タブレットディスプレイ、ヘッドアップディスプレイ、ビデオゴーグル、又は他のディスプレイ上に表示されてもよい。ＧＵＩ ４００は、マウス、キーボード、フットペダルコントローラ、タッチスクリーンディスプレイ、又は他の入力／出力デバイス若しくは入力／出力デバイスの組み合わせを介して相互作用されてもよい。ＧＵＩ ４００は、メインディスプレイ４１０を含む。ＧＵＩ ４００はまた、図５に示す２Ｄ視野パネル４１０、図６に示す３Ｄレンダリングパネル６１０、又は図７に示すセグメンテーションパネル７１０を含んでもよい。メインディスプレイ４１０は、リンク４１２、４１４、及び４１６を介して、それぞれ２Ｄレンダリングパネル５１０、３Ｄレンダリングパネル６１０、又はセグメンテーションパネル７１０へのアクセスを提供する。ＧＵＩ ４００は、装置１００、動作２００、装置３６００、コンピュータ３７００、又は任意の他の回路、プロセッサ、装置、システム、動作、又は本明細書に記載される他の実施形態の任意の組み合わせの制御を容易にするように構成されてもよい。
この例では、「２Ｄビュー」リンク４１２は、２Ｄ視野パネル５１０の表示を引き起こすメインディスプレイ４１０から選択されてもよい。図５は、メインディスプレイ４１０と同様であるが、追加の特徴及び要素を含む２Ｄ視野パネル５１０を示している。２Ｄ視野パネル５１０は、３つの２Ｄ視野サブ機能へのアクセスを提供する。この実施例では、２Ｄ視野パネル５１０は、２Ｄ超音波画像を可視化するためのリンク「スライス－２Ｄ」５２２、「カラーマップ」５２４、及び「配向」５２４を提供する。別の実施形態では、２Ｄ視野パネル５１０は、他の異なるサブ機能へのアクセス又はリンクを含んでもよい。
この実施例では、「３Ｄレンダリング」リンク４１４は、３Ｄレンダリングパネル６１０の表示を引き起こすメインディスプレイ４１０から選択されてもよい。図６は、メインディスプレイ４１０と同様であるが、追加の特徴及び要素を含む３Ｄレンダリングパネル６１０を示している。３Ｄレンダリングパネル６１０は、一実施形態では、３Ｄ撮像で表される毛様体プロセス若しくはシュレム管などの一次組織、又は他の光構造の識別を容易にする、この実施例では、「強度」プリセット、「グレースケール」プリセット、又は「テクスチャ」プリセットを含む、３つの利用可能なプリセット６３２へのアクセスを提供する。３Ｄレンダリングパネル６１０は、解像度メニュー６３４を介して、解像度が低から高に切り替え可能であることを提供する。画像が最初にロードされると、解像度はデフォルトとして低く設定される。しかしながら、ユーザは、例えば、解像度メニュー６３４を介して、３Ｄ超音波処置中を含む、ＧＵＩ ４００の動作中の任意の時点で解像度を中間に、又は高く変更することができる。加えて、３Ｄレンダリングパネル６１０は、配向制御６３６を通して、ｘ－ｙ軸、ｘ－ｚ軸、及びｙ－ｚ軸に関して３Ｄボリュームの臨床的に有用な断面図を提供することができる。
この実施例では、「セグメンテーション」リンク４１６は、セグメンテーションパネル７００の表示を引き起こすメインディスプレイ４１０から選択されてもよい。セグメンテーションパネル７００は、メインディスプレイ４１０と同様であるが、追加の特徴及び要素を含む。セグメンテーションパネル７００は、この実施例では、腫瘍、前房、毛様体プロセス、又はシュレム管などの特定の組織の可視化の選択を容易にする組織選択制御７４２を含む。セグメンテーションパネル７００はまた、評価制御７４４を含む。評価制御７４４は、例えば、装置１００、動作２００、装置３６００、コンピュータ３７００、又は本明細書に記載される任意の他の実施形態によって評価するための臨床評価指標の選択を容易にする。例えば、この実施例では、評価制御７４４は、前房ボリューム、腫瘍ボリューム、又は虹彩角膜角度測定指標のうちの少なくとも１つの選択を容易にするように構成された測定指標選択メニュー７４６を含む。別の実施例では、他の測定指標は、測定指標選択メニュー７４６を使用して選択可能であってもよい。例えば、測定指標選択メニュー７４６は、本明細書に記載される実施形態に従って、前房面積、シュレム管測定指標、又は他の腫瘍測定指標のうちの少なくとも１つの選択を容易にするように構成されてもよい。
ＧＵＩ ４００は、本明細書に記載の装置、システム、プロセッサ、回路、又はコンピュータ（例えば、装置１００、動作２００、装置３７００、又はコンピュータ３８００）の動作パラメータを変更するためにユーザインターフェースを介して入力を受信すること、及び入力の受信に応答して、装置、システム、プロセッサ、回路、又はコンピュータの動作パラメータを変更することを容易にする。例えば、一実施形態では、ＧＵＩ ４００は、１つ以上のプロセッサ１５０の動作パラメータを変更するためにユーザインターフェースを介して入力を受信すること、及び入力の受信に応答して、１つ又は２つ以上のプロセッサ１５０の動作パラメータを変更することを容易にし、ここで、動作パラメータは、眼の３Ｄ超音波撮像にアクセスすること、３Ｄ超音波撮像のうちの少なくとも一部分を整列すること、３Ｄ超音波撮像をノイズ低減すること、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成すること、少なくとも１つのセグメント化眼構造を生成すること、又は３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、若しくは少なくとも１つの臨床測定指標のうちの少なくとも１つを表示することのうちの少なくとも１つに関連する。
Ｂ．取得中の眼球運動の影響を低減するための画像アライメント
ｘ又はｙに沿ったデータ収集スキャン中、眼球運動は、取得された超音波画像、例えば、（ｙ，ｚ）画像又は（ｘ，ｚ）画像のミスアライメントを導入することができる。３Ｄ超音波撮像を含む超音波画像は、それぞれ、異なる量の臨床動作を提示する、麻酔を伴う又は伴わない、子供及び成人の仰臥位患者について取得され得る。麻酔下では、呼吸に起因して、大部分がｙ－ｚ平面内に小さい頭部運動が存在し得る。麻酔を伴わないではあるが、固定及びある程度の減衰を伴うと、更なる眼球運動が存在し得る。画像アライメントに対する既存のアプローチは、例えば、アライメント誤差の伝播によるドリフト、又は左から右の眼球動作によるフレームギャップ若しくは反復を含む、エラーが生じやすい場合がある。実施形態は、例えば、既存のアプローチと比較して、３Ｄ超音波撮像のうちの少なくとも一部分の改善されたアライメントを提供する、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、正規化された相互相関目的関数との３Ｄグレースケールアライメントを含む、改善された画像アライメントの様々な技術を提供する。実施形態は、ヒトの眼の超音波画像の画像アライメントを容易にするために、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術若しくは正規化された相互相関目的関数との３Ｄグレースケールアライメント、これらの単独の若しくは組み合わされた技術、又は他の技術のうちの１つ以上を用いてもよい。
ペアワイズアラインメント
図８は、動作８００の例示的なワークフロー図を示しており、この動作は、実行されると、プロセッサを制御して、ペアワイズアライメント技術を使用して３Ｄ超音波撮像のうちの少なくとも一部分を整列することを容易にするように実施される。動作８００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作８００は、８１０において、眼の３Ｄ超音波撮像にアクセスすることを含む。一実施形態では、３Ｄ超音波撮像は、８１２に示されるように、ｘで取得された複数の２Ｄ（ｙ，ｚ）画像又はスキャンを含んでもよい。例えば、３Ｄ超音波撮像のうちの少なくとも一部分は、２Ｄ（ｙ，ｚ）画像又はスキャンを含み得る。動作８００はまた、８２０において、２Ｄ（ｙ，ｚ）画像上に２Ｄ（ｙ，ｚ）画像ごと（例えば、画像ごと又はスキャンごと）で、正規化された相互相関を用いるグレースケール剛体画像位置合わせを使用した複数の２Ｄ（ｙ，ｚ）画像又はスキャンを整列することによって、ペアワイズアライメントされた画像のセット８３０を生成することを含む。一実施例では、スタックの中央から選択される２Ｄ（ｙ，ｚ）画像若しくはスキャン、又は複数の２Ｄ（ｙ，ｚ）画像若しくはスキャンの部分から始まり、スタックの２つの反対に配置された外端又は複数の２Ｄ（ｙ，ｚ）画像若しくはスキャンに対して、画像データは、正規化された相互相関を使用するグレースケール剛体画像レジストレーションを使用して、スライスごとに整列される。各方向において、より中央の２Ｄ（ｙ，ｚ）画像又はスライスは、次のフローティング２Ｄ（ｙ，ｚ）画像又はスライスを整列するための参照画像である。反復的に、複数の２Ｄ（ｙ，ｚ）画像又はスライスの各々について、整列された２Ｄ（ｙ，ｚ）画像又はスライスは、次の２Ｄ（ｙ，ｚ）画像又はスライスを整列するための参照画像である。実施形態は、２Ｄ（ｙ，ｚ）画像又はスライスと正規化された相互相関との間の距離を、モーションイベントの診断として記録するように構成されてもよい。一実施例では、変換は、３つのパラメータ（ｘ、ｙ、及び回転）に従う剛体である。一実施形態では、反復的に最適化されたコスト関数は、正規化された相互相関関数である。別の実施形態では、別の異なる関数が反復的に最適化されてもよい。別の実施形態では、３Ｄ超音波撮像は、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンを含んでもよい。当業者であれば、３Ｄ超音波撮像が、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンを含む場合、同様の技術を用いて、ペアワイズアライメントを使用してｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンを整列することができることを認識するであろう。
ペアワイズモデルアラインメント
実施形態は、３Ｄ超音波撮像のうちの少なくとも一部を整列するために、ペアワイズモデル技術を用いてもよい。ペアワイズモデルアライメント技術は、本明細書に記載されるようなペアワイズアライメント技術を使用して３Ｄ超音波撮像のうちの少なくとも一部分を整列することと、例えば、本明細書に記載される様々な技術による３Ｄ超音波撮像の整列された少なくとも一部分に表される前房をセグメント化する動作８００と、前房の幾何学的モデルにアクセスすることと、セグメント化前房を幾何学的モデルに位置合わせすることと、３Ｄ超音波撮像の整列された少なくとも一部分を、位置合わせされたセグメント化前房と更に整列することと、を含み得る。図９は、実行されると、プロセッサを制御して、ペアワイズモデルアライメント技術を使用して３Ｄ超音波撮像のうちの少なくとも一部分を整列することを容易にする動作を実施する、例示的な動作９００のワークフロー図を示している。動作９００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作９００は、動作８００と同様であるが、追加の詳細及び要素を含む。一実施形態では、動作９００は、９１０において、眼の３Ｄ超音波撮像にアクセスすることを含む。一実施形態では、３Ｄ超音波撮像は、９１２に示されるように、ｘで取得された複数の２Ｄ（ｙ，ｚ）画像又はスキャンを含んでもよい。別の実施形態では、３Ｄ超音波撮像は、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンを含んでもよい。動作９００はまた、９２０において、例えば、動作８００を含む、本明細書に記載される様々な技術によるペアワイズアライメント技術を使用して、又は正規化された相互相関を用いるグレースケール剛体画像を介して、スキャンごとに複数の２Ｄ（ｙ，ｚ）画像又はスキャンを整列することによって、ペアワイズアライメントされたセットを生成することを含む。動作９００はまた、９３０において、ペアワイズアライメントセット内に表される前房をセグメント化することによって、セグメント化前房を生成することを含み、ここで、セグメント化前房は、下部境界を含む。実施形態は、本明細書に記載される様々な技術に従って、セグメント化前房を生成することができる。例えば、実施形態は、例えば、動作２２００などの、本明細書に記載される様々な技術に従って、少なくとも１つの深層学習前房セグメンテーションモデルを使用して、セグメント化前房を生成することができる。動作９００はまた、９４０において、前房のモデルにアクセスすることを含み、ここで、前房のモデルは、前房の下部境界の表現、虹彩の表現、及びレンズの表現をモデル化する。一実施形態において、前房のモデルは、対称的な低次多項式、非対称の低次数多項式、又は高次多項式を含み、ここで、高次多項式は、対称的な低次多項式又は非対称の低次多項式よりも高次を有する。前房のモデルにアクセスすることは、電子データを取得すること、コンピュータファイルから読み取ること、コンピュータファイルを受信すること、コンピュータメモリから読み取ること、又は人間のマインドで実際に実施されない他のコンピュータ化された活動を含む。動作９００はまた、９５０において、セグメント化前房下部境界を下部境界のモデル表現と整列することによって、整列されたセグメント化前房下部境界を生成することを含む。一実施形態では、セグメント化前房下部境界を下部境界のモデル表現と整列することは、少なくとも正方形のアライメントを使用して、セグメント化前房下部境界を下部境界のモデル表現と整列することを含む。動作９００はまた、９６０において、整列されたセグメント化前房下部境界に基づいて、ペアワイズアライメントされた画像のセットを更に整列することを含む。
ペアワイズ直交アライメント
図１０は、実行されると、プロセッサを制御して、ペアワイズ直交アライメント技術を使用して３Ｄ超音波撮像のうちの少なくとも一部分を整列させることを容易にする動作を実施する、例示的な動作１０００のワークフロー図を示している。動作１０００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。一実施形態では、動作１０００は、１０１０において、眼の３Ｄ超音波撮像にアクセスすることを含む。一実施形態では、３Ｄ超音波撮像は、１０１２に示されるように、ｘで取得された複数の２Ｄ（ｙ，ｚ）画像又はスキャンを含んでもよい。動作１０００はまた、１０２０において、例えば、動作８００を含む、本明細書に記載される様々な技術によるペアワイズアライメント技術を使用して、又は正規化された相互相関を用いるグレースケール剛体画像を介して、スキャンごとに複数の２Ｄ（ｙ，ｚ）画像又はスキャンを整列させることによって、ペアワイズアライメントされたセットを生成することを含む。一実施例では、実施形態は、例えば、動作８００によることを含む、本明細書に記載される様々な技術に従って、ペアワイズアライメントされたセットを生成するように構成されてもよい。動作１０００はまた、１０３０において、複数の２Ｄ（ｙ，ｚ）画像に対して、ｙで直交して、又はｙでほぼ直交して取得された眼の直交（ｘ，ｚ）超音波画像のセットにアクセスすることを含み、ここで、直交（ｘ、ｚ）超音波画像のセットは、ｘで取得された複数の２Ｄ（ｙ，ｚ）画像又はスキャンよりも少数の部分を有し、直交（ｘ，ｚ）超音波画像のセットは、複数の２Ｄ（ｙ，ｚ）画像よりも速い速度で取得される。様々な実施形態では、眼の直交（ｘ，ｚ）超音波画像のセットは、元のスキャン軸に対して回転段階で超音波スキャナを回転させることによって取得され得る。動作１０００はまた、１０４０において、ペアワイズアライメントされたセットを直交（ｘ，ｚ）画像のセットに位置合わせすることを含む。一実施形態では、ペアワイズアライメントされたセットを、直交（ｘ，ｚ）画像のセットに位置合わせすることは、３つの自由パラメータを用いる剛体位置合わせを使用して、ペアワイズアライメントされたセットを、直交（ｘ，ｚ）画像のセットに位置合わせすることを含み、ここで、３つの自由パラメータは、（Δｘ，Δｙ，Δｚ）を含む。例えば、一実施形態では、我々は、ｙ－ｚスキャンボリューム（例えば、複数の２Ｄ（ｙ，ｚ）画像）の開始から終了まで進み、画像スライスのギャップ及び反復を可能にする範囲内で制約された３つの自由パラメータ（Δｘ，Δｙ，Δｚ）の剛体位置合わせを使用して、スキャンのストリップ（現在のプラス５）を直交画像データに位置合わせする。一実施形態では、この範囲は、例えば、１００ミクロンのマイクロメートルの桁である。すなわち、画像に、ボリューム内の５つの画像を加えた画像は、位置合わせされ、すなわち、ストリップを形成する。
別の実施形態では、３Ｄ超音波撮像は、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンを含んでもよく、動作１０００は、１０３０において、ｘにおいて直交して取得された眼の直交（ｙ，ｚ）超音波画像のセットを、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンにアクセスすることを含んでもよく、ここで、直交（ｙ，ｚ）超音波画像のセットは、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンよりも少ない部分を有し、直交（ｙ，ｚ）超音波画像のセットは、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンよりも速い速度で取得される。この実施形態では、動作１０００はまた、１０４０において、ペアワイズアライメントされたセットを直交（ｙ，ｚ）画像のセットに位置合わせすることを含む。一実施形態では、ペアワイズアライメントされたセットを、直交（ｙ，ｚ）画像のセットに位置合わせすることは、３つの自由パラメータを用いる剛体位置合わせを使用して、ペアワイズアライメントされたセットを、直交（ｙ，ｚ）画像のセットに位置合わせすることを含み、ここで、３つの自由パラメータは、（Δｘ，Δｙ，Δｚ）を含む。
完全直交アライメント
実施形態は、完全直交アライメント技術を使用して、３Ｄ超音波撮像のうちの少なくとも一部分を整列することができる。完全直交アライメント技術は、例えば、ｘで取得された（ｙ，ｚ）ボリュームを含む、眼の３Ｄ超音波撮像、及びｙで取得された（ｘ，ｚ）ボリュームを含む、眼の第２の異なる３Ｄ超音波撮像である、２つの完全直交ボリューム内の滑らかなＡライン動作軌道を含むことができ、その結果、２つの完全直交ボリューム間の一致を最適化してから、改善されたサンプリング、及び減少したノイズを有する、単一のボリュームが生成される。図１１は、実行されると、プロセッサを制御して、完全直交アライメント技術を使用して３Ｄ超音波撮像のうちの少なくとも一部分を整列するための動作を実施する、例示的な動作１１００のワークフロー図を示している。動作１１００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作１１００は、１１１０において、眼の第１の３Ｄ超音波撮像にアクセスすることを含む。一実施形態では、第１の３Ｄ超音波撮像は、１１１２に示されるように、ｘで取得された複数の２Ｄ（ｙ，ｚ）画像又はスキャンを含んでもよい。一実施形態では、動作１１００は、１１２０において、例えば、動作８００を含む本明細書に記載される様々な技術によるペアワイズアライメントを使用して、第１の３Ｄ超音波撮像に少なくとも部分的に基づいて、第１のペアワイズアライメントされた超音波画像のセットを生成することを含む。実施形態は、画像ごと又はスキャンごとに、正規化された相互相関を用いるグレースケールの剛体画像の位置合わせを使用してｘで取得された複数の２Ｄ（ｙ，ｚ）画像又はスキャンを整列させることによって、第１のペアワイズアライメントされたセットを生成することができる。動作１１００はまた、１１３０において、眼の第２の３Ｄ超音波撮像にアクセスすることを含む。例示的な第２の３Ｄ超音波撮像は、１１３２で示されている。一実施形態では、第２の３Ｄ超音波撮像は、１１３２に示されるように、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンを含んでもよい。動作１１００はまた、１１３４において、例えば、動作８００を含む本明細書に記載される様々な技術によるペアワイズアライメントを使用して、第２の３Ｄ超音波撮像に少なくとも部分的に基づいて、第２のペアワイズアライメントされた超音波画像のセットを生成することを含む。実施形態は、画像ごと又はスキャンごとに、正規化された相互相関を用いるグレースケールの剛体画像の位置合わせを使用してｙで取得された複数の２Ｄ（ｘ，ｚ）画像又はスキャンを整列されることによって、第２のペアワイズアライメントされたセットを生成することができる。動作１１００はまた、１１４０において、第１のペアワイズアライメントされた超音波画像のセットを、第２のペアワイズアライメントされた超音波画像のセットで位置合わせすることを含む。一実施形態では、第１のペアワイズアライメントされた超音波画像のセットを第２のペアワイズアライメントされた超音波画像のセットに位置合わせすることは、第１のペアワイズアライメントされた超音波画像セットに基づいて、第１の滑らかなＡライン動作軌道を計算することと、第２のペアワイズアライメントされた超音波画像セットに基づいて、第２の滑らかなＡライン動作軌道を計算することと、第１の滑らかなＡライン動作軌道及び第２の滑らかなＡライン動作軌道に基づいて、第１のペアワイズアライメントされた超音波画像セットを第２のペアワイズアライメントされた超音波画像セットに位置合わせすることと、を含む。
［／エンドセクションＢ］
Ｃ．毛様体及び対象の他の構造の固有の３Ｄ超音波図を与える伝達関数。
実施形態は、３Ｄ超音波撮像の選択的可視化を容易にすることができる。例えば毛様体、毛様体プロセス、虹彩、角膜、強膜、前房、又はシュレム管を含む局所的な解剖学的構造の選択的可視化は、緑内障の診断、分析、又は治療に望ましい。選択的可視化は、眼科医又は他の医療施術者が治療戦略をより良好に決定することができるように、毛様体、毛様体プロセス、虹彩、角膜、強膜、前房、又はシュレム管などの対象の特定の組織の視覚的強化を容易にする。実施形態は、３Ｄ超音波撮像に基づく眼の３Ｄボリュームレンダリングの改善された生成を介して、動作中の臨床的に重要な情報の改善された可視化を提供することによって、病変特異的治療戦略又は病変特異的治療の提供の開発を容易にする。実施形態は、本明細書に記載される様々な技術による３Ｄ超音波撮像を備えた深層学習眼構造セグメンテーションモデルを使用して、例えば、毛様体、毛様体プロセス、虹彩、角膜、強膜、前房、又はシュレム管を含む局所的な解剖学的構造を更に自動的にセグメント化することができ、表示された３Ｄボリュームレンダリングと並べて、又はオーバーレイしてディスプレイにセグメント化眼構造を表示することができる。例えば、図１５は、３Ｄボリュームレンダリング１５１０で表される眼に関連する１５２０において、セグメント化シュレム管に沿って表示される眼の３Ｄボリュームレンダリング１５１０を示している。セグメント化シュレム管が図１５の実施形態に示されているが、表示された３Ｄボリュームレンダリングと並べて、又はオーバーレイして本明細書に記載される様々な技術（例えば、動作２００、２２００、３０００、又は３５００）に従ってセグメント化された任意のセグメント化眼構造（例えば、シュレム管及び収集チャネル、前房、又は眼の異常、又は他の眼構造）を表示してもよい。
実施形態は、３Ｄ超音波撮像、例えば、本明細書に記載される様々な技術に従って取得された３Ｄ超音波ボリュームに基づいて３Ｄボリュームレンダリングを生成するためにレイキャスティングを用いることができる。レイキャスティングは、ボリュームを通じた光源の吸収、反射、及び屈折を説明することができる、計算的に高速で便利な３Ｄレンダリング方法である。レイキャスティングを用いる実施形態は、投影、シェーディング、表面分類、若しくは合成のうちの少なくとも１つを含む動作を実行してもよく、又はプロセッサ、回路、コンピュータ、装置、システム、又は命令を記憶し、若しくは投影、シェーディング、表面分類、若しくは合成のうちの少なくとも１つを含む動作を実行するように構成された他の実施形態を含んでもよい。図１２は、実行されると、プロセッサを制御して、本明細書に記載される実施形態による３Ｄボリュームレンダリングを生成するための動作を実施する、動作の例示的セット１２００のワークフロー図を示している。動作１２００は、少なくとも１つのプロセッサ１５０のうちのいずれかによって、又は動作２００、装置３７００の一部として、又はコンピュータ３８００によって、又は本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実装されてもよい。動作１２００は、１２１０において、３Ｄ超音波撮像にアクセスすることを含み、ここで、３Ｄ超音波撮像は、２Ｄ超音波画像の積層セットを含み得る。２Ｄ超音波画像の積層セットは、例えば、ｘで取得された複数の２Ｄ（ｙ，ｚ）画像若しくはスキャン、ｙで取得された複数の２Ｄ（ｘ，ｚ）画像若しくはスキャン、又は複数の２Ｄ放射状画像を含んでもよい。
動作１２００はまた、１２２０において、１２１０でアクセスされた２Ｄ超音波画像の積層セットをボリューム的にノイズ除去することを含む。一実施形態では、前処理操作として、１２１０でアクセスされる２Ｄ超音波画像の積層セットは、スペックルノイズを除去し、エッジの詳細を保存するために、ボリューム的にノイズ除去によって、１２２０で前処理される。一実施形態では、ボリューム的ノイズ除去は、１２１０でアクセスされる２Ｄ超音波画像の積層セットにガウスフィルタリング及び非線形拡散フィルタリングを適用することを含む。ガウスフィルタリングは、コントラストを低減し、１２１０でアクセスされる２Ｄ超音波画像の積層セット内に表される組織のエッジを軟化させるローパスフィルタは、低周波数を通過させるが、高周波及びノイズを減衰させる。図１３は、ボリューム的ノイズ除去の前の、例示的な元の３Ｄ超音波画像１３１０を示している。一実施形態では、１３２０に示される元の超音波画像１３１０におけるスペックルノイズを低減するために、３×３×３ ３Ｄガウスマスクが用いられる。この実施例では、非線形拡散フィルタリングが続いて適用され、非線形拡散濾過画像１３３０が得られる。非線形拡散フィルタは、高エネルギーのボクセルと低エネルギーのボクセルとの間のエネルギーが平坦化される拡散プロセスを使用して、隣接ボクセルのグレーレベル間の差を平滑化する。ガウスフィルタとは対照的に、エッジの近傍で拡散が低減又は防止されるので、エッジは透過しない。したがって、実施形態は、エッジの詳細な部分を保存する。
動作１２００はまた、投影１２３０を含む。１２３０において、光源は、その進行を中断する表面に進む光の光線を放射する。この時点で、上述の吸収、反射、及び屈折の任意の組み合わせが生じ得る。表面は、光線のすべて又は一部を１つ以上の方向に反射してもよい。表面はまた、光の一部を吸収し、投影された光の強度の損失をもたらし得る。表面が任意の色又は不透明性を有する場合、それは、色の一部を吸収しながら異なる方向に光の一部分を屈折させる。
動作１２００は、シェーディング１２４０及び分類１２５０を含む。シェーディング１２４０及び分類１２５０が図１２に平行に示されているが、当業者は、シェーディング１２４０及び分類１２５０が本明細書に記載される実施形態で直列に生じ得ることを理解するであろう。シェーディング１２４０及び分類１２５０では、サンプルボクセル位置ｖｉ＝（ｘｉ，ｙｊ，ｚｋ）における入力値ｆｓ（ｘｉ）のアレイを、シェーディング１２４０及び分類１２５０のための入力として別々に使用する。一実施形態では、シェーディング１２４０は、Ｐｈｏｎｇの反射モデル１２４４を用いることを含み得る。Ｐｈｏｎｇの反射モデル１２４４は、周囲背景照明、ランバート反射率、及び以下の式１による正反射の重み付けされた寄与に基づいて、合理的な計算コストで滑らかな表面の錯覚の生成を容易にする。
Figure 0007260884000001
式中、ｃｐ（ｒ）は、ボクセル位置ｒにおける出力色であり、ｃ（ｒ）は、平行光源の色である。ｋａ、ｋｄ、及びｋｓは、それぞれ、周囲反射係数、拡散反射係数、及び正反射係数を示している。ｋｒは、正反射の非線形調整に使用される指数である。Ｎは、正規化勾配であり、Ｌは、光源の方向に正規化されたベクトルであり、Ｈは、最大ハイライトの方向に正規化されたベクトルである。一実施形態では、ｋａ、ｋｄ、及びｋｓは、それぞれ、０．３、０．６、及び０．７に設定される。
一実施形態では、シェーディング１２４０は、任意選択的に、Ｐｈｏｎｇのモデル１２４４の前に実装される深さ強化１２４２を含んでもよい。本明細書で使用される深さ強化技術は、観察者から遠いボクセルが深さの錯覚を生じ得るという特性に基づいてもよい。実施形態は、微妙な色変調を用いて、強度深さキューを適用することによって、深さ情報を強化することができる。深さキューは、少なくとも１つの実施形態において、画像の深さ知覚を強調するために、シーン内の遠く離れた物体の色の調光を含む。距離色ブレンドプロセスは、以下の式２に記載される。
Figure 0007260884000002
式中、ｃｄは、ブレンドされた色であり、ｋｄ１及びｋｄ３は、色ブレンド効果のサイズを制御し、ｋｄ２は、非線形の深さに基づくシェーディングを可能にする。ｄｖは、ボリュームを通る分数距離であり、ｃｂは、背景色である。
入力値から不透明度への適切なマッピングは、レイキャスティング技術における表面分類において重要な役割を果たす。動作１２００の一実施形態では、分類１２５０は、閾値１２５２を含む。閾値１２５２は、図１４に示すように、背景領域を取り除くために、最初に単一の閾値を適用することを含む。閾値１４１０は、ノイズ除去された画像の強度プロファイルによって自動的に選択される。超音波画像は、比較的暗い領域を含んでもよく、これは、比較的暗い領域内に多数の背景ノイズプロファイル及びスペックルノイズプロファイルを含んでもよい。実施形態は、これらの不必要なパターン（例えば、多数のバックグラウンド及びスペックルノイズプロファイル）を自動的に推定し、それらを画像から直接切断する。実施形態は、入力データ（例えば、積層２Ｄ画像）内の最大ピクセル数を占めるグレー値を最初に検出することにより、これらの不要なパターンを自動的に推定し、それらを画像から直接切断する。一実施形態では、傾きがゼロに近づくまで、±３グレーレベルの勾配が連続的に計算される。実施形態は、最小値を閾値として指定してもよい。したがって、実施形態は、背景を除去するだけでなく、画像から残留スペックルノイズを除去し、それによって、既存のアプローチを改善する。一実施形態では、閾値は、ユーザ調節可能であってもよく、又は複数の予め設定された閾値から選択されてもよい。例えば、第１の閾値は、第１の眼構造と関連付けられてもよく、一方で、第２の異なる閾値は、第２の異なる眼構造と関連付けられてもよい。
分類１２５０は、以下の式３のような標準的な不透明度伝達関数（ＯＴＦ）を介してボクセル値をマッピングすることを更に含んでもよい。
Figure 0007260884000003
式中、ｖｉは、ボリュームサンプル値であり、ｋｏ１は、最大不透明度を制御し、指数ｋｏ２は、ボリューム内でコントラストを制御する。この実施例では、ＯＴＦを使用して、３Ｄレンダリングからどのボクセルが視認可能であるかを決定する。伝達関数が使用されない場合、これらの値は、全ボリュームの定数に設定される。
既存のアプローチを更に改善すると、動作１２００は、３Ｄボリュームレンダリングのために、勾配ベースのＯＴＦ不透明度強化１２５４を用いてもよく、これは、ボクセルの勾配の大きさによって各ボクセルの不透明度をスケーリングして、境界を強化し、一定密度の透明な面積を作製してもよい。実施形態は、各ボリューム又はボクセルの密度を選択的に強調するために、３Ｄボリュームレンダリングのための勾配ベースのＯＴＦ不透明度強化１２５４を用いる。一実施形態では、ピクセル勾配又はボクセル勾配は、ｘ、ｙ、及びｚ方向における離散勾配演算子を使用して自動的に計算され、入力画像の不透明度は、以下の式４のようにスケーリングされた勾配の大きさによってスケーリングされる。
Figure 0007260884000004
 式中、αｉは、入力不透明度であり、∇ｆｓは、サンプルボクセル位置におけるボリュームの勾配であり、αｇは、出力不透明度を示している。指数ｋｇ３の動力の使用は、データセットを最良に強調するために非線形同調を可能にする。
勾配ベースのＯＴＦ不透明度強化１２５４によるエッジ強化の後、動作１２００は、任意選択的に、物体のエッジによって提供される視覚的キューに基づいて、特徴強化１２５６を含んでもよい。複数のオブジェクトを含む３Ｄシーンでは、相対深さ情報は、複数の物体のエッジを引くことによって伝達され得る。一実施形態では、オブジェクトエッジは、以下の式５に記載されるように、勾配が視野方向（Ｖ）に対して垂直に近づくボクセルの不透明度を増加させることによって強調される。
Figure 0007260884000005
式中、ｋｆ１及びｋｆ２は、それぞれ非線形同調のスケーリング及び量を制御し、ｋｆ３は、曲線の鮮鋭度を決定する。エッジボクセルの不透明度が増加すると、放射が合成１２６０で蓄積されるため、エッジボクセルは、より濃くなる傾向がある。
動作１２００はまた、１２６０において、再サンプリング及び合成を含む。区分的な伝達関数からの各ボクセルに関連する色及び不透明度の合成は、線形補間によって計算される。一実施形態では、ボクセルからの放射は、その色にその不透明度を乗じたものとして定義され、周囲ボクセルの不透明度によって減衰される。結果的に、再サンプリングされた色及び不透明度は、以下の式６のように、２Ｄ画像のスタックを前後順に合成することによって、背景とマージされて、各ボクセルに対して特定の色を生成する。
Figure 0007260884000006
式中、ｃ（ｒ）及びα（ｒ）は、現在の場所の色及び不透明度を示しており、Ｍは、光線上の離散点であり、Ｉは、出力画像である。詳細な組織情報を提供するために、実施形態は、光源及び光角度を決定することができる。一実施形態では、光源の色は、ＲＧＢチャネル（Ｒ：０．６６７、Ｇ：０．６６７、及びＢ：０．６６７）で指定され、光源は、左上から伝播される。再サンプリング及び合成画像に基づいて、実施形態は、１２７０でレンダリングする３Ｄボリュームを生成する。実施形態は、コンピュータモニタ、スマートフォンディスプレイ、タブレットコンピュータディスプレイ、又は本明細書に記載される様々な技術による他の電子ディスプレイ上に、３Ｄボリュームレンダリングを更に任意選択的に表示してもよい。実施形態は、任意選択的に、例えば、３Ｄボリュームレンダリングのｘ－ｙ－、ｘ－ｚ、又はｙ－ｚスライスを含む、３Ｄボリュームレンダリングから２Ｄ画像スライスを抽出し、任意選択的に、抽出された２Ｄ画像スライスを表示することができる。
動作１２００又は生成された３Ｄボリュームレンダリングに基づいて、実施形態は、眼に局所的な様々な解剖学的構造、例えば毛様体、毛様体プロセス、虹彩、角膜、強膜、前房、又はシュレム管及び収集チャネル、又は眼異常を選択的に視覚化することを容易にする。本明細書に記載される実施形態による選択的可視化は、医療施術者が治療戦略をより容易に決定することができるように、対象とする特定の組織の強化を容易にする。例えば、眼科医は、少なくとも、実施形態による選択的可視化が、本明細書に記載される実施形態の実装中、例えば、臨床眼処置中、又は臨床眼処置の準備中に、臨床的に重要な情報を明らかにすることを容易にするので、実施形態を介して、改善された病変特異的治療を提供することができる。図１５は、本明細書に記載される実施形態によって容易にされる３Ｄ超音波撮像の選択的可視化の一実施例を示している。図１５は、本明細書に記載される様々な技術に従って生成された前房の画像１５１０、及び本明細書に記載される様々な技術による、セグメント化シュレム管の画像１５２０を示している。既存のアプローチと比較して、実施形態は、周囲組織からの局所構造（例えば、シュレム管）の改善された仕様又はセグメンテーションを容易にする。別の実施形態では、他の３Ｄボリュームレンダリング技術が用いられてもよい。
図１６は、実行されると、プロセッサを制御して、眼の３Ｄ撮像の３Ｄボリュームレンダリングを生成することを容易にする動作を実施する、動作の例示的セット１６００のワークフロー図を示している。動作１６００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作１６００は、１６１０において、眼の３Ｄ超音波撮像にアクセスすることを含み、３Ｄ超音波撮像は、二次元（two-dimensional、２Ｄ）超音波画像の積層セットを含み、２Ｄ超音波画像のセットは、三次元（３Ｄ）ボリュームを画定し、２Ｄ超音波画像のセットの各部分は、複数のピクセルを含み、ピクセルは、関連する強度値を有し、３Ｄボリュームは、複数のボクセルを含み、ボクセルは、関連する色値、関連する不透明度値、又は関連する強度のうちの少なくとも１つを有する。
動作１６００はまた、１６２０において、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像をノイズ除去することを含む。一実施形態では、３Ｄ超音波撮像をノイズ除去することは、ガウスフィルタノイズ低減技術、非線形拡散フィルタリングノイズ低減技術、回転フレーム平均ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は少なくとも１つの深層学習ノイズ低減モデルであって、少なくとも１つの深層学習ノイズ低減モデルが、深層学習ノイズ低減モデル訓練セットで訓練される、少なくとも１つの深層学習ノイズ低減モデルのうちの少なくとも１つを使用して３Ｄ超音波撮像をノイズ除去することを含む。
動作１６００はまた、１６３０において、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像を投影することを含む。例えば、実施形態は、動作１２００のように３Ｄ超音波撮像を投射してもよい。
動作１６００はまた、１６４０において、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像をシェーディングすることを含む。一実施形態では、３Ｄ超音波撮像をシェーディングすることは、Ｐｈｏｎｇの反射モデル又は深さ強化シェーディング技術のうちの少なくとも１つを使用して、３Ｄ超音波撮像をシェーディングすることを含む。例えば、実施形態は、動作１２００にあるように３Ｄ超音波撮像をシェーディングすることができる。
動作１６００はまた、１６５０において、本明細書に記載される様々な技術に従って、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化技術を使用して、３Ｄ超音波撮像を表面分類することを含む。一実施形態では、３Ｄ超音波撮像を、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化技術を用いて表面分類することは、複数のボクセルのうちの少なくとも１つの密度を選択的に強調することを含む。
一実施形態では、３Ｄ超音波撮像を表面分類することは、３Ｄ超音波撮像の強度プロファイルに基づいて３Ｄ超音波撮像を閾値化することを含む。一実施形態では、３Ｄ超音波撮像を閾値化することは、３Ｄ超音波撮像で表される背景領域を取り除くために、単一の閾値を適用することを含む。閾値は、ノイズ除去された３Ｄ超音波撮像の強度プロファイルによって自動的に選択されてもよい。３Ｄ超音波撮像は、比較的暗い領域を含んでもよく、これは、比較的暗い領域内に多数の背景ノイズプロファイル及びスペックルノイズプロファイルを含んでもよい。実施形態は、これらの不必要なパターン（例えば、多数のバックグラウンド及びスペックルノイズプロファイル）を自動的に推定し、それらを３Ｄ超音波撮像から直接切断する。実施形態は、入力データ（例えば、積層２Ｄ画像）内の最大ピクセル数を占めるグレー値を最初に検出することにより、これらの不要なパターンを自動的に推定し、それらを３Ｄ超音波撮像から直接切断する。一実施形態では、傾きがゼロに近づくまで、±３グレーレベルの勾配が連続的に計算される。実施形態は、最小値を閾値として指定してもよい。一実施形態では、閾値は、ユーザ調節可能であってもよく、又は複数の予め設定された閾値から選択されてもよい。例えば、第１の閾値は、第１の眼構造と関連付けられてもよく、一方で、第２の異なる閾値は、第２の異なる眼構造と関連付けられてもよい。
一実施形態では、３Ｄ超音波撮像を表面分類することは、特徴強化技術を用いて３Ｄ超音波撮像を表面分類することを更に含む。一実施形態では、特徴強化技術を使用して３Ｄ超音波撮像を表面分類することは、ボクセルに関連する不透明度を増加させることを含み、ボクセルの場所におけるボリュームの勾配は、視野方向（Ｖ）に対して垂直に近づく。例えば、実施形態は、動作１２００におけるように３Ｄ超音波撮像を表面分類することができる。
動作１６００は、１６６０において、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像を再サンプリング及び合成することによって３Ｄボリュームレンダリングを生成することを更に含む。一実施形態では、３Ｄ超音波撮像を再サンプリング及び合成することは、線形補間を使用して、各ボクセルに関連する色及び不透明度を合成することを含む。一実施形態では、３Ｄ超音波撮像を再サンプリング及び合成することは、前後順で線形補間を使用して、各ボクセルに関連する色及び不透明度を合成することを含む。
Ｄ．３Ｄ超音波からの放射状画像の抽出
実施形態は、３Ｄ超音波撮像から放射状画像を抽出することを容易にし得る。３Ｄ超音波撮像は、最も一般的には（ｘ，ｙ，ｚ）様式で取得される。しかしながら、例えば、半径方向対称性（例えば、シュレム管、前房）を示す３Ｄ超音波撮像で表されるいくつかの眼構造の深層学習セグメンテーションを含むいくつかの後処理工程は、（θ，ｒ，ｚ）画像スタックでサンプリングされた超音波データを用いてより良好に実施される。実施形態は、本明細書に記載される様々な技術に従って、（ｘ，ｙ，ｚ）３Ｄ超音波撮像及びコントラストａ（θ，ｒ，ｚ）画像スタックから放射状画像平面を抽出することができる。一実施形態では、２Ｄ超音波（ｙ，ｚ）画像を取得し、ｘに沿ってスキャンして、３Ｄ超音波ボリューム（例えば、３Ｄ超音波撮像）を生成する。この実施形態では、３Ｄ超音波ボリュームは、３Ｄ超音波ボリュームに関連するｘ，ｙ，ｚ間隔情報を使用して等方性ボリュームに変換される。Ｚ軸に対して垂直なｘ－ｙ平面は、等方性ボリュームの中心に設定される。ｘ－ｙ平面を特定の角度間隔だけ反時計回りに回転させ、新しいスライスの座標を、式ｘ１＝ｒｃｏｓθ，ｙ１＝ｒｓｉｎθを使用して抽出することができる。この実施例では、θで二次三線サンプリングを用いてもよい。一実施形態では、０．５°の間隔で、θで二次三線サンプリングを用いる。別の実施形態では、他の間隔又はサンプリング技術が用いられてもよい。実施形態は、等方性ボリュームからの補間を使用して、新たな放射状スライスを抽出することができる。当業者であれば、ｙ軸に沿ったスキャンによって取得された２Ｄ超音波（ｘ，ｚ）画像のスタックから放射状画像を抽出するために、同様のアプローチが適用され得ることを理解するであろう。
図１７は、本明細書に記載される技術による２Ｄ画像１７１０の３Ｄ超音波取得スタックから抽出された回転フレームを示している。回転フレーム又は放射状スライス１７２０～１７２６は、本明細書に記載される様々な技術に従って、画像１７１０の３Ｄ超音波取得２Ｄスタックから抽出される。画像１７１０の３Ｄ超音波取得２Ｄスタックを再フォーマットすることによって、実施形態は、本明細書に記載される様々な技術による更なる処理のために、回転フレーム又は放射状スライス１７２０～１７２６を得ることができる。
図１８は、実行されると、プロセッサを制御して、３Ｄ超音波撮像からの放射状画像の抽出を容易にする動作を実施する、動作１８００の例示的なセットのフローチャートである。動作１８００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。一実施形態では、動作１８００は、１８１０において、（ｘ，ｙ，ｚ）画像のセットにアクセスすることを含む。一実施例では、（ｘ，ｙ，ｚ）画像のセットは、本明細書に記載される様々な技術に従って取得される、本明細書に記載されるような３Ｄ超音波撮像を含んでもよい。動作１８００はまた、１８２０において、（ｘ，ｙ，ｚ）画像のセットを等方性ボリュームに変換することを含む。（ｘ，ｙ，ｚ）画像のセットを等方性ボリュームに変換することは、（ｘ，ｙ，ｚ）画像のセットを、（ｘ，ｙ，ｚ）画像のセットに関連する間隔情報に基づいて等方性ボリュームに変換することを含んでもよい。動作１８００はまた、１８３０において、ｚ軸に対して垂直なｘ－ｙ平面を画定することを含み、ここで、ｚ軸に対して垂直なｘ－ｙ平面は、等方性ボリュームの中心に設定される。動作１８００はまた、１８４０において、角度間隔だけｘ－ｙ平面を回転させることによって、放射状スライスを画定することを含む。一実施形態では、角度間隔は、０．５度であってもよい。別の実施形態では、別の角度間隔は、例えば、１度、２度、又は３度を用いられてもよい。動作１８００はまた、１８５０において、放射状スライスの座標を抽出することを含む。一実施形態では、放射状スライスの座標を抽出することは、ｘ１＝ｒｃｏｓθ，ｙ１＝ｒｓｉｎθに従って、放射状スライスの座標を抽出することを含む。スライスは、等方性ボリュームからの補間を使用して抽出され得る。
Ｅ．改善された３Ｄ超音波可視化のための高度なノイズ低減
眼の超音波画像は、スペックルノイズにさらされ得る。スペックルノイズを低減するために、本明細書に記載される実施形態は、本明細書に記載される様々な技術を使用してノイズを低減することができる。実施形態は、ノイズ低減濾過技術を使用してノイズを低減することができ、又は３Ｄ超音波撮像若しくは３Ｄ超音波撮像の一部分を、低ノイズ画像を生成するように構成された深層学習ノイズ低減モデルに提供することによってノイズを低減することができる。実施形態は、深層学習ノイズ低減モデルを訓練してもよく、又は深層学習ノイズ低減モデルを訓練する際に使用するための深層学習ノイズ低減モデル訓練セットを生成してもよい。
実施形態は、回転フレーム平均化を使用して、３Ｄ超音波撮像におけるノイズを低減することができる。既存の超音波ノイズ低減アプローチ、スペックルノイズを低減する方向に沿ったスライスごとのデータを平均することができ、これは、対象の小さい円形構造、例えば、シュレム管をぼかしてもよく、したがって準最適である。実施形態は、本明細書に記載される様々な技術、例えば、動作１８００に従って、回転フレーム又は放射状フレームを取得し、回転フレーム又は放射状フレームを平均して、スペックルノイズを低減する一方で、小さい円形構造、例えばシュレム管を維持することができる。例えば、実施形態は、０度、０．５度、及び１度の回転フレーム又は放射状フレームを平均して、０．５度の新しいノイズフリー回転又は放射状フレームを作成してもよい。小さい円形構造は、これらのすべての回転又は放射状の画像において類似しているため、回転フレーム平均は、より小さい円形構造を歪まない。実施形態は、エッジ保持フィルタを使用して、画像をノイズ低減することができる。実施形態は、異方性拡散フィルタ、又は非局所的平均フィルタを使用して、３Ｄ超音波撮像におけるノイズを低減することができる。
実施形態は、例えば、畳み込みニューラルネットワーク、又は敵対的生成ネットワークを含む、深層学習ノイズ低減モデルを使用してノイズを低減することができる。一実施形態では、深層学習ノイズ低減モデルは、ワッサースタイン距離及び知覚損失によって最適化された、敵対的生成ネットワーク（generative adversarial network、ＧＡＮ）を含む。深層学習ノイズ低減モデルを訓練するために、実施形態は、本明細書に記載される様々な技術に従って、画像のペア、例えば、低ノイズ理想画像及びノイズの多い画像を用いてもよい。実施形態は、深層学習ノイズ低減モデルを訓練するのに好適な低ノイズ３Ｄ超音波データセットを生成することを容易にし得る。一実施形態では、深層学習ノイズ低減モデル訓練データセットは、３Ｄ超音波スキャナ、例えば、超音波スキャナ３００を使用して複数の死体眼をスキャンすることによって生成されてもよい。実施形態は、眼の複数の３Ｄ超音波撮像にアクセスすることができ、ここで、眼の複数の３Ｄ超音波撮像の各部分は、ｘにおける高密度サンプリングを使用して取得される。例えば、実施形態は、複数の死体眼の部分を非常に低速で（すなわち、典型的なインビボ臨床眼の超音波検査よりも遅い速度で）スキャンし、ｘで非常に微細なサンプリングを用いて画像を取得し、例えば、９０００回のスキャンを有するボリュームを生成することができる。この実施例では、可撓性の水チャンバを使用するときに既存のアプローチが経験し得るモーションアーチファクトを回避するために、水浴中でスキャンが行われる。この実施例では、次いで、中心重み付け画像フレーム平均フィルタを取得した画像に適用して、低ノイズ３Ｄ超音波画像を生成する。この実施例では、ｘ軸に沿ったスキャンが記載されているが、実施形態は、同様の技術を使用してｙに沿ったスキャンを介して、深層学習ノイズ低減モデル訓練データセットを生成することができる。
一実施形態では、中央重み付け画像フレーム平均化フィルタを適用する前に、実施形態は、より少ない数のノイズの多いフレームを抽出することによってノイズの多い画像セットを生成することができる。例えば、実施形態は、９フレームを平均化することにより、９０００フレームスキャンから、９個（９）の均等にサンプリングされた１千（１０００）のフレームのノイズの多いボリュームを抽出することができる。一実施例では、複数のフレームの平均化は、「ｎ」フレームを合計し、次いで得られた和を「ｎ」で除することを含む。次いで、実施形態は、ノイズの多い画像セット及び低ノイズ画像を使用して、深層学習ノイズ低減モデルを訓練することができる。別の実施形態では、実施形態は、不均等にサンプリングされたフレームボリュームを抽出することができる。この実施例では、９個（９）の均等に又は不均等にサンプリングされた１千（１０００）フレームボリュームが記載されているが、当業者であれば、別の異なる数のフレームボリュームを有する他の数の同等又は不均等にサンプリングされたフレームボリュームが抽出され得ることを理解するであろう。例えば、実施形態は、９０００フレームスキャンから１０個の（１０）均等にサンプリングされた９００（９００）フレームボリュームを抽出することができる。
実施形態は、深層学習ノイズ低減モデル訓練データセットを生成することを容易にすることができ、深層学習ノイズ低減モデル訓練データセットは、眼の複数の３Ｄ超音波撮像（例えば、３Ｄボリューム）を含み、眼の複数の３Ｄ超音波撮像の各々は、シミュレートされた空間的配合を使用して取得される。空間的配合撮像は、物体の多数の超音波画像が異なる方向から得られ、次いで単一の配合画像に組み合わされる技術である。例えば、一実施形態では、深層学習ノイズ低減モデル訓練データセットを生成することは、ｘに沿って３Ｄ超音波スキャナを使用して、複数の死体眼の各々をスキャンする一方で、３Ｄ超音波スキャナに対する眼の配向をわずかに変更することを含んでもよい。例えば、ｘに沿ってスキャンする間、３Ｄ超音波スキャナは、スキャン軸からわずかな量、例えば、０～５度回転されてもよい。一実施例では、次いで、シミュレートされた空間配合を使用して取得した画像に中央重み付け画像フレーム平均フィルタを適用して、低ノイズ３Ｄ超音波画像を生成することができる。中央重み付け画像フレーム平均化フィルタを適用する前に、実施形態は、本明細書に記載されるノイズ画像のサブサンプリングセットを抽出することができる。この実施例では、実施形態は、低ノイズシミュレート空間配合画像を使用して、深層学習ノイズ低減モデルを訓練し、ノイズの多い画像のサブサンプリングセットを訓練してもよい。この実施例では、ｘ軸に沿ったスキャンが記載されているが、実施形態は、同様の技術を使用してｙに沿ったスキャンを介して、深層学習ノイズ低減モデル訓練データセットを生成することができる。
図１９は、実行されると、プロセッサを制御して、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減するための動作を実施する、動作の例示的セット１９００のワークフロー図を示している。動作１９００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作１９００は、１９１０において、眼の３Ｄ超音波撮像にアクセスすることを含む。この実施例では、眼の３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標で表される。動作１９００は、１９２０において、３Ｄ超音波デカルト（ｘ，ｙ，ｚ）座標撮像を３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームに変換させることを含む。動作１９００は、１９３０において、ノイズ低減を平均化する回転フレーム、異方性拡散フィルタ、又は非局所的平均フィルタのうちの少なくとも１つを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することを含む。別の実施形態では、１９３０における３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することは、別の異なるノイズ低減フィルタリング技術を使用して３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することを含んでもよい。動作１９００は、１９４０ノイズにおいて、本明細書に記載される様々な技術に従って訓練された深層学習ノイズ低減モデルを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することを含む。一実施形態では、動作１９００は、任意選択的に、１９３０における回転フレーム平均ノイズ低減、異方性拡散フィルタ、又は非局所的平均フィルタのうちの少なくとも１つを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをスキップノイズ低減してもよく、任意選択的に、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームを、深層学習ノイズ低減モデルに直接提供してもよい。
図２０は、実行されると、プロセッサを制御して、深層学習ノイズ低減モデル訓練セットを生成するための動作を実施する、動作の例示的なセット２０００を示している。動作２０００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作２０００は、２０１０において、眼の複数の３Ｄ超音波撮像にアクセスすることを含む。一実施例では、眼の３Ｄ超音波撮像の各々は、デカルト（ｘ，ｙ，ｚ）座標で表される。動作２０００は、３Ｄ超音波デカルト（ｘ，ｙ，ｚ）座標撮像を３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームに変換させることを含むことができる。動作２０００は、２０２０において、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することを含み、ここで、サブサンプリングされたノイズの多いセットは、眼の複数の３Ｄ超音波撮像よりも少ない部分を含む。動作２０００は、２０３０において、回転フレーム平均化を使用して、眼の複数の３Ｄ超音波撮像の各部分をノイズ低減することにより、３Ｄ超音波撮像のノイズ低減セットを生成することを含む。
一実施形態では、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することは、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の同様にサンプリングされたノイズの多いセット、又は眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の不均等にサンプリングされたノイズの多いセットを抽出することを含む。
一実施形態では、眼の複数の３Ｄ超音波撮像の各部分は、ｘにおける高密度サンプリングを使用して取得される。一実施例では、眼の複数の３Ｄ超音波撮像の各部分は、複数の死体眼の部分を非常に低速で、例えば、典型的なインビボ臨床眼の超音波検査よりも遅い速度でスキャンし、ｘで非常に微細なサンプリングを用いて、例えば、９０００回のスキャンを有するボリュームを生成することによって取得されてもよい。この実施例では、可撓性の水チャンバを使用するときに既存のアプローチが経験し得るモーションアーチファクトを回避するために、水浴中でスキャンが行われる。別の実施例では、眼の複数の３Ｄ超音波撮像の各部分は、ｙにおける高密度サンプリングを使用して取得される。
一実施形態では、眼の複数の３Ｄ超音波撮像の各部分は、本明細書に記載される様々な技術によるシミュレートされた空間的配合を使用して取得される。
Ｆ．前房の深層学習セグメンテーション
実施形態は、３Ｄ超音波画像で表される少なくとも１つの眼構造の自動化されたセグメンテーションを容易にし、これは緑内障又は他の眼の病理の改善された評価を容易にする。実施形態は、少なくとも１つの眼構造のセグメンテーションを介して、セグメント化眼構造に関連する臨床測定指標の改善された定量化を介することを含む、少なくとも１つの眼構造の改善された評価を更に容易にする。例えば、前房の改善されたセグメンテーションは、虹彩角膜角度、前房の面積、又は前房のボリュームのより正確な計算を容易にすることができ、これにより、時間の経過に伴う前房のボリュームの変化の改善された追跡を更に容易にすることができ、緑内障の改善された評価を容易にすることができ、又は改善された治療計画を容易にすることができる。
実施形態は、３Ｄ超音波画像で表される眼構造をセグメント化するために、少なくとも１つの深層学習眼構造セグメンテーションモデルを用いることができる。本明細書で使用するとき、深層学習眼構造セグメンテーションモデルは、一実施例では、畳み込みニューラルネットワーク（ＣＮＮ）を含み得る。ＣＮＮは、複数の構築ブロック、例えば、畳み込み層、プール層、活性化層、損失層などを含んでもよい。各畳み込み層は、入力画像又はボリュームから階層的特徴を抽出することを学習する、共有パラメータを有するフィルタを含む。アクティブ化層は、入力（例えば、３Ｄ超音波撮像）と出力（例えば、予測されたセグメンテーションボリューム、ノイズ低減撮像）との間のＣＮＮモデル複合関係を助ける非線形性を導入する。プール層は、最も関連する特徴を保持しながら、次元性の低減を提供する。畳み込み、活性化、及びプール層のスタックを通して、出力の推定値が予測される。端部の損失層は、グラウンドトゥルース（例えば、眼構造のグラウンドトゥルースラベル）と予測出力（例えば、眼構造の予測セグメンテーションボリューム）との間の損失／偏差を計算する。この損失は、逆伝搬を使用して最小化され、入力と出力との間のマッピングネットワークが確立される。医療用画像のセグメンテーションのために、完全な畳み込みネットワークが使用されてもよい。完全な畳み込みネットワークの一実施例は、Ｕ－ネットである。実施形態は、例えば、前房、シュレム管若しくは収集チャネル、眼異常（例えば、腫瘍、嚢腫、黒色腫、又は母斑）、又は他の眼構造を含む、３Ｄボリュームからの眼構造のセグメンテーションのための完全畳み込みネットワークアーキテクチャを用いることができる。本明細書に記載されるような深層学習眼構造セグメンテーションモデルは、入力として３Ｄ超音波画像ボリュームを受け入れるように構成されてもよく、又は例えば、デカルト（ｙ，ｚ）画像、若しくはラジアル（ｒ，ｚ）画像を含む、入力として少なくとも１つの２Ｄ超音波画像を受け入れるように構成されてもよい。本明細書に記載されるような深層学習眼構造セグメンテーションモデルは、フレーム単位で予測セグメンテーションボリュームを生成するように構成されてもよく、又は３Ｄボリュームの予測セグメンテーションボリュームを生成するように構成されてもよい。
実施形態によって用いられ得る例示的なＣＮＮアーキテクチャ２１００を図２１に示す。畳み込み、活性化、及びプール層のカスケードを通じて、ＣＮＮ、例えば、本明細書に記載されるような深層学習眼構造セグメンテーションモデルは、眼構造のセグメンテーションを予測する。本明細書に記載される実施形態では、深層学習眼構造セグメンテーションモデルは、確率勾配降下、ＲＭＳｐｒｏｐ、Ａｄａｇｒａｄ、Ａｄａｄｅｌｔａ、又はＡｄａｍ損失関数最適化技術を使用して、深層学習眼構造セグメンテーションモデルに関連する損失機能を低減するように最適化される。一実施形態では、損失関数Ｌは、以下のように定義される：
Figure 0007260884000007
別の実施形態では、別の異なる損失機能が用いられてもよい。本明細書に記載されるような、ＣＮＮ、例えば、深層学習眼構造セグメンテーションモデルは、既存のセグメンテーションアプローチと比較して、局所的情報を取得し、全体的な空間的情報を用いて、眼構造の改善された意味的セグメンテーションを学習することを容易にする。
実施形態は、本明細書に記載される様々な技術に従って、深層学習眼構造セグメンテーションモデル、例えば、深層学習前房セグメンテーションモデルを訓練することができる。一実施例では、前房訓練セットは、それぞれ、デカルト（ｘ，ｙ，ｚ）座標に画定された２０個の（２０）異方性３Ｄ超音波画像ボリュームと、異方性超音波画像ボリュームの各々に関連する前房グラウンドトゥルースと、を含んでもよい。関連する前房グラウンドトゥルースは、例えば、専門家のヒト眼科医によって、本明細書に記載される技術の実装又は実行と同時に、又はその前に画定されてもよい。一実施形態では、デカルト（ｘ，ｙ，ｚ）座標で画定された２０個の（２０）異方性３Ｄ超音波画像ボリュームの各々は、３８４×１，１１０×９９８の寸法を有する。別の実施形態では、デカルト（ｘ，ｙ，ｚ）座標で画定された異方性３Ｄ超音波画像ボリュームの各々は、他の異なる寸法を有してもよい。実施形態は、少なくとも１つの深層学習眼構造セグメンテーションモデル、例えば、デカルト（ｘ，ｙ，ｚ）画像データ入力、又はラジアル（θ，ｒ，ｚ）画像データ入力を使用して、少なくとも１つの深層学習眼構造セグメンテーションモデルを訓練することができる。
深層学習眼構造セグメンテーションモデルの実施形態は、デカルトスライスによるセグメンテーション、又は放射状スライスによるセグメンテーションの技術のうちのいずれかに従って、３Ｄ超音波撮像で表される前房をセグメント化することができる。
アプローチ１：デカルトスライスによるセグメンテーション
実施形態は、例えば、デカルトスライスによるセグメンテーションを介して３Ｄ超音波撮像で表される前房を含む眼構造のセグメント化を容易にし得る。一実施形態では、実施形態は、２Ｄ（ｙ，ｚ）画像を、異方性３Ｄ超音波ボリュームから抽出し、デカルト２Ｄ（ｙ，ｚ）画像を入力として受け入れるように構成された深層学習前房セグメンテーションモデルに、２Ｄ（ｙ，ｚ）画像を提供することができる。実施形態は、例えば、本明細書に記載されるようなＣＮＮを入力として、デカルト２Ｄ（ｙ，ｚ）画像を受け入れるように構成された第１の深層学習前房セグメンテーションモデルを訓練することができ、訓練された第１の深層学習前房セグメンテーションモデルを保存することができる。例えば、２０個の（２０）眼ボリュームの訓練セットから、実施形態は、合計約２万個の（２００００）２Ｄ（ｙ，ｚ）画像について、眼ボリューム当たり約１千個の（１０００）２Ｄ（ｙ，ｚ）画像を取得してもよい。一実施例では、２０個の眼ボリュームの訓練セットの各部分は、訓練セットの各部分に関連するグラウンドトゥルースラベルを有し、ここで、グラウンドトゥルースラベルは、様々な実施形態によって既知であってもよく、又はアクセスされてもよい。一実施形態では、グラウンドトゥルースラベルは、専門家の眼科医によって注釈を付けられる。
アプローチ２：放射状スライスによるセグメンテーション
実施形態は、例えば、放射状スライスによるセグメンテーションを介して３Ｄ超音波画像で表される前房を含む眼構造のセグメント化を容易にし得る。実施形態は、入力としてラジアル（θ，ｒ，ｚ）画像データを受け入れるように構成された第２の深層学習前房セグメンテーションモデルを介して眼構造をセグメント化することができる。実施形態は、入力として、ラジアル（θ，ｒ，ｚ）画像データを受け入れるように構成された第２の深層学習前房セグメンテーションモデルを訓練し、訓練された第２の深層学習前房セグメンテーションモデルを保存することができる。一実施例では、実施形態は、セクションＤ：３Ｄ超音波からの放射状画像の抽出、例えば、動作１８００で記載されているアプローチを含む、本明細書に記載されている様々な技術に従って、アプローチ１に関して本明細書に記載される２０個の（２０）眼ボリュームの訓練セットの各訓練用の眼ボリュームを再サンプリングする。実施形態は、入力としてラジアル（θ，ｒ，ｚ）画像データを受け入れるように構成された第２の深層学習前房セグメンテーションモデルを訓練するために使用され得る、２Ｄのラジアル（ｒ，ｚ）画像を抽出するために、２０個の（２０）眼ボリュームの訓練セットの各訓練用の眼ボリュームを再サンプリングすることができる。一実施例では、３６０個の放射状画像（例えば、１８０／角度間隔（０．５））の画像が、２０個の（２０）眼ボリュームの訓練セットの各々から抽出され、２０個の眼ボリュームにわたって７，２００個の画像が与えられる。
評価
実施形態は、３Ｄ超音波撮像で表される眼構造をセグメント化する精度について、本明細書に記載される深層学習眼構造セグメンテーションモデルを含む、深層学習モデルを評価することができる。例えば、実施形態は、５個の（５）眼ボリュームに関連する３Ｄ超音波撮像を含む前房試験データセット、及び５個の（５）眼ボリュームの各々に関連する既知のグラウンドトゥルースを使用して、入力としてデカルト２Ｄ（ｙ，ｚ）画像を受け入れるように構成された第１の深層学習前房セグメンテーションモデルと、前房をセグメント化する精度のために、入力としてラジアル（θ，ｒ，ｚ）画像データを受け入れるように構成された第２の深層学習前房セグメンテーションモデルとを評価してもよく、ここで、５個の（５）眼ボリュームの各々は、異なる患者にそれぞれ関連付けられる。一実施形態では、グラウンドトゥルースラベルは、本明細書に記載される実施形態の実行前に、専門家の眼科医によって注釈を付けられる。この実施例では、５個の（５）眼ボリュームの試験セットが記載されているが、様々な実施形態では、試験セットは、別の異なる数の眼ボリューム、例えば４個、又は１０個の眼ボリュームを有してもよい。精度について本明細書に記載される深層学習眼構造セグメンテーションモデルを評価することは、深層学習眼構造セグメンテーションモデル、例えば、予測セグメンテーションボリュームの出力を、入力に関連する既知のグラウンドトゥルースと比較することを含むことができる。実施形態は、深層学習前房セグメンテーションモデルを評価することに関して記載したのと同様の技術を使用して、眼異常試験データセットを用いて、第１の深層学習眼異常セグメンテーションモデル、又は第２の深層学習眼異常セグメンテーションモデルを評価することができる。実施形態は、深層学習前房セグメンテーションモデルを評価することに関して記載したのと同様の技術を使用して、シュレム管試験データセットを用いて、第１の深層学習シュレム管セグメンテーションモデル、又は第２の深層学習シュレム管セグメンテーションモデルを評価することができる。
本明細書に記載される実施形態は、実行されると、プロセッサを制御して、例えば、深層学習ノイズ低減モデル又は深層学習眼構造セグメンテーションモデルを含む、深層学習モデルを訓練するための動作を実施する、動作を含み得る。様々な実施形態において、深層学習モデルは、訓練され、画像の訓練セット及び画像の試験セットを使用して試験される。訓練セット及び試験セットの各部分に関連するグラウンドトゥルースラベルは、様々な実施形態によって既知であってもよく、又はアクセスされてもよい。深層学習モデルを訓練することは、損失関数が最小化を停止するまで、精度の閾値レベルが達成されるまで、閾値時間が深層学習モデルを訓練するために費やされるまで、計算リソースの閾値量が深層学習モデルの訓練に費やされるまで、又はユーザが訓練を終了するまで、深層学習モデルを訓練することを含んでもよい。他の訓練終了条件が用いられてもよい。深層学習モデルを訓練することはまた、第１のクラスを第２のクラスと区別する（例えば、眼構造、背景、又はノイズ、ノイズなし）際に、どの深層学習モデル動作パラメータが最も識別力があるかを決定することを含み得る。深層学習モデルを訓練することはまた、深層学習モデルアーキテクチャの外部であるが、その学習行動に関連する設定を決定することを含んでもよい。
図２２は、実行されると、プロセッサを制御して、少なくとも１つの深層学習眼構造セグメンテーションモデルを介してセグメント化眼構造を生成するための動作を実施する、動作の例示的なセット２２００のワークフロー図を示している。この実施例では、眼構造は前房である。動作２２００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作２２００は、２２１０において、眼の第１の三次元（３Ｄ）超音波撮像にアクセスすることを含み、ここで、眼は、前房（ＡＣ）を含み、第１の３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標における異方性３Ｄボリュームを画定する。
動作２２００はまた、２２３０において、第１の３Ｄ超音波撮像からデカルト二次元（２Ｄ）超音波画像の第１のセットを抽出することを含み、ここで、デカルト２Ｄ超音波画像の第１のセットの部分は、（ｙ，ｚ）座標で表される。
動作２２００はまた、２２３２において、前房の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習ＡＣセグメンテーションモデルに、デカルト２Ｄ超音波画像の第１のセットを提供することを含む。一実施形態では、第１の深層学習ＡＣセグメンテーションモデルは、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームから抽出された２Ｄ（ｙ，ｚ）画像のセットで訓練され、ここで、複数の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、関連するＡＣグラウンドトゥルースを有する。一実施形態では、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームの部分は、ｘ軸で３８４ピクセル、ｙ軸で１１００ピクセル、及びｚ軸で９９８ピクセルの寸法を有する。
一実施形態では、第１の深層学習ＡＣセグメンテーションモデルは、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む。一実施形態では、第１の深層学習ＡＣセグメンテーションモデルは、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減するように最適化される。
動作２２００はまた、２２３４において、第１の深層学習ＡＣセグメンテーションモデルから、ＡＣの異方性予測セグメンテーションボリュームを受け入れることを含み、ここで、異方性予測セグメンテーションボリュームは、（ｘ，ｙ，ｚ）座標で表される。
動作２２００はまた、２２４０において、第１の３Ｄ超音波撮像をラジアル（θ，ｒ，ｚ）座標に変換することによって、第２の異なる３Ｄ超音波撮像を生成することを含み、ここで、第２の３Ｄ超音波撮像は、ラジアル（θ，ｒ，ｚ）座標で等方性３Ｄボリュームを画定する。動作２２００はまた、２２４２において、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することを含み、ここで、放射状２Ｄ超音波画像のセットの部分は、（ｒ，ｚ）座標で表される。一実施形態では、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することは、本明細書に記載される様々な技術に従って、３Ｄ超音波画像の第２の異なるセットから０．５の角度間隔で３６０（ｒ，ｚ）画像を抽出することを含む。実施形態は、例えば、動作１８００などの本明細書に記載される様々な技術に従って、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出してもよい。
動作２２００はまた、２２４４において、ＡＣの異方性予測セグメンテーションボリュームを生成するように構成された第２の異なる深層学習ＡＣセグメンテーションモデルに、放射状２Ｄ超音波画像のセットを提供することを含む。一実施形態では、第２の深層学習ＡＣセグメンテーションモデルは、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって生成された、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから抽出された放射状２Ｄ（ｒ，ｚ）画像のセットについて訓練される。
一実施形態では、第２の深層学習ＡＣセグメンテーションモデルは、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む。一実施形態では、第２の深層学習ＡＣセグメンテーションモデルは、確率勾配低下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減するように最適化され、動作１８００はまた、１８４６において、第２の深層学習ＡＣセグメンテーションモデルから、ＡＣの第１の等方性予測セグメンテーションボリュームを受け入れることを含み、ここで、第１の等方性予測セグメンテーションボリュームは、（θ，ｒ，ｚ）座標で表される。
動作２２００はまた、２２５０において、異方性予測セグメンテーションボリュームを、（θ，ｒ，ｚ）で表される第２の異なる等方性予測セグメンテーションボリュームに変換することを含む。動作２２００はまた、２２６０において、第１の等方性予測セグメンテーションボリューム及び第２の等方性予測セグメンテーションボリュームの加重平均を計算することによって、組み合わされた等方性予測セグメンテーションボリュームを生成することを含む。動作２２００はまた、２２７０において、組み合わされた等方性予測セグメンテーションボリュームに基づいてセグメント化ＡＣを生成することを含む。動作２２００は、２２９０において、セグメント化ＡＣを表示することを任意選択的に含んでもよい。
図２３は、実行されると、プロセッサを制御して、少なくとも１つの深層学習眼構造セグメンテーションモデルを訓練するための動作を実施する、動作の例示的なセット２３００のワークフロー図を示している。動作２３００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。この実施例では、眼構造は、前房（ＡＣ）である。動作２３００は、２３１０において、前房訓練セットにアクセスすることを含み、ここで、前房訓練セットは、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分は、関連する前房グラウンドトゥルースを有する。
動作２３００はまた、２３２０において、前房訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することを含む。
動作２３００はまた、２３３０において、訓練用の２Ｄ（ｙ，ｚ）画像のセットで第１の深層学習ＡＣセグメンテーションモデルを訓練することを含む。一実施形態では、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習ＡＣセグメンテーションモデルを訓練することは、少なくとも第１の深層学習ＡＣセグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減することを含む。実施形態は、本明細書に記載される様々な試験又は評価技術に従って、第１の深層学習ＡＣセグメンテーションモデルを更に試験することができる。
動作２３００はまた、２３４０において、複数の異方性デカルト３Ｄ超音波ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波眼ボリュームを生成することを含む。実施形態は、例えば、動作１８００を含む、本明細書に記載される様々な技術に従って、複数の異方性デカルト３Ｄ超音波ボリュームをラジアル（θ，ｒ，ｚ）に変換することができる。
動作２３００はまた、２３５０において、複数の等方性放射状３Ｄ超音波眼ボリュームから訓練用の２Ｄ（ｒ，ｚ）画像のセットを抽出することを含む。実施形態は、例えば、動作１８００を含む、本明細書に記載される様々な技術に従って、訓練用の２Ｄ（ｒ，ｚ）画像のセットを抽出することができる。
動作２３００はまた、２３６０において、訓練用の２Ｄ（ｒ，ｚ）画像のセットで第２の深層学習ＡＣセグメンテーションモデルを訓練することを含む。一実施形態では、訓練用の２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習ＡＣセグメンテーションモデルを訓練することは、少なくとも第２の深層学習ＡＣセグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減することを含む。実施形態は、本明細書に記載される様々な試験又は評価技術に従って、第２の深層学習ＡＣセグメンテーションモデルを更に試験することができる。
Ｇ．堅牢で自動化された３６０度の虹彩角膜角度測定値
実施形態は、本明細書に記載される様々な技術に従って、堅牢で自動化された３６０度の虹彩角膜角度測定値を生成することを容易にすることができる。図２４は、実行されると、プロセッサを制御して、虹彩角膜角度を計算するための動作を実施する、動作の例示的なセット２４００を示している。動作２４００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作２４００は、２４１０において、眼の３Ｄ超音波撮像にアクセスすることを含む。動作２４００はまた、２４２０において、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像から回転又は放射状ビューデータを取得すること、例えば、動作１８００に従って、３Ｄ超音波撮像からラジアル（θ，ｒ，ｚ）画像を抽出することを含む。いくつかの状況では、ｚ軸は、３Ｄ超音波撮像で表される眼の光軸とずれていてもよい。実施形態は、光軸に対するｚ軸のミスアライメントを補正することができる。したがって、様々な実施形態では、３Ｄ超音波撮像から回転ビューデータを取得することは、３Ｄ超音波撮像における傾きを補正することを含み得る。例えば、３Ｄ超音波撮像から回転ビューデータを取得することは、瞳孔を中心として、光軸に沿って３Ｄ超音波撮像を多重平面的に再フォーマットすることを含み得る。生データのボリューム（例えば、３Ｄ超音波撮像）は、例えば、眼、又は図２５の２５１０に示されるような３Ｄ超音波撮像を取得するために使用される超音波スキャナのミスアライメントによって、傾いている場合があり、このような傾きが補正されていない場合、回転ビューの傾きをもたらす場合がある。図２５は、２５１０において、傾いた回転図を示している。この実施例では、光軸２５１２は、ｚ軸２５１４とずれている。実施形態は、眼の光軸に対して垂直である幾何学的平面を見つけ、次いで、光軸に対して垂直な平面の平面幾何学的形状に基づいてボリュームを再サンプリングし（例えば、ラジアル（θ，ｒ，ｚ）画像を抽出する）、したがって、２５２０に示される光軸２５１２と再サンプリングされたボリュームのｚ軸２５１４との一致をもたらすことを容易にする。図２４に戻ると、動作２４００はまた、２４３０において、例えば、本明細書に記載されるように、少なくとも１つの深層学習眼構造セグメンテーションモデル、例えば、少なくとも１つの深層学習前房セグメンテーションモデルを使用して、再サンプリングされた回転ビューデータごとに、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像で表されるセグメント化前房を生成することを含む。例えば、実施形態は、ＡＣの等方性予測セグメンテーションボリュームを生成するように構成された、傾き補正された再サンプリングされた回転ビュー（例えば、ラジアル（θ，ｒ，ｚ）画像）を、第２の異なる深層学習ＡＣセグメンテーションモデルに提供し、第２の異なる深層学習ＡＣセグメンテーションモデルから、ＡＣの等方性予測セグメンテーションボリュームを受け入れることができる。各再サンプリングされた回転ビューに対して、前チャンバをセグメント化することにより、各再サンプリングされた回転ビューに対して、前房のバイナリマスクを生成することが容易になる。実施形態は、２４３０において、セグメント化前房に基づいて、バイナリマスクを生成することができる。動作２４００はまた、２４４０において、例えば、図２６に示される技術又は動作２７００を含む、本明細書に記載される様々な技術に従って、少なくとも部分的に、バイナリマスクに基づいて、虹彩角膜角度を計算することを含む。傾きを補正することによって、実施形態は、より正確なセグメント化前房又は他の眼構造を生成することを容易にし、これは、臨床測定指標の改善された計算、又はセグメント化眼構造の改善された可視化を容易にすることができる。
図２６は、本明細書に記載される実施形態による、虹彩角膜角度を計算するための１つの例示的な技術を示している。図２６は、眼の２Ｄ放射状ビュー超音波画像２６１０、例えば、眼の３Ｄ超音波撮像の一部分を示しており、ここで、この部分は、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像から抽出された２Ｄ放射状画像を含む。２Ｄ放射状ビュー超音波画像２６１０は、複数のピクセルを含み、複数のピクセルの各部分は、関連するグレースケール強度値を有する。対象の領域（region of interest、ＲＯＩ）２６１４が示される。実施形態は、内側角膜適合曲線２６１２を画定する。内側角膜適合曲線２６１２は、四次の多項式によって適合されてもよい。内側角膜適合曲線２６１２は、複数のピクセルを含んでもよく、ここで、複数のピクセルの各部分は、２Ｄ放射状ビュー超音波画像２６１０の対応するピクセルのグレースケール強度値に対応する関連するグレースケール強度値を有する。実施形態は、内側角膜適合曲線２６１２を計算するように構成されてもよく、又は実施形態は、眼科医によって画定される内側角膜適合曲線にアクセスしてもよい。ＲＯＩ ２６１４のコントラストを向上させた拡大図２６２０～２６５０が更に示されている。
２６２０において、青色線２６２４及び橙色線２６２２が示されている。青色線２６２４及び橙色線２６２２は、適合曲線２６１２上の２つの点から外側角膜までの正接０．１ｍｍの法線である［これは、この平均青色線２６２４及び橙色線２６２２が各々０．１ｍｍの長さであるか？を意味するかは不明である］。これら２つの点は、内側境界から選択される。垂直線は、外側境界に向かって面するように引かれる。青色線２６２４上の２Ｄ放射状ビュー超音波画像２６１０のピクセルに関連するグレースケール強度値の合計は、Ｓ（ｉ）として計算され、橙色線２６２２上の２Ｄ放射状ビュー超音波画像２６１０のピクセルに関連するグレースケール強度値の合計は、Ｓ（ｉ＋１）として計算され、ここで、ｉは、内側角膜適合曲線２６１２の線に沿った指標点である。
実施形態は、本明細書に記載されている様々な技術により、シュワルベ線を特定することができる。２６３０において、シュワルベ線の場所は、点２６３２（緑色点）で示される。実施形態は、内側角膜適合線上のＳ（ｉ）－Ｓ（ｉ＋１）が予め設定された閾値よりも大きい場所を決定することによって、シュワルベ線の場所を決定する。予め設定された閾値は、分析される画像の強度レベルに基づいて、ユーザによって決定されてもよい。本発明の閾値は、ボリュームに依存する。一実施例では、例示的な本発明の閾値は２である。一実施例では、実施形態は、図２６に示すように、前房の左側のＳ（ｉ）－Ｓ（ｉ＋１）を計算してもよい。別の実施例では、実施形態は、Ｓ（ｉ）－Ｓ（ｉ－１）を決定することによって、前房の右側のシュワルベ線の場所を決定してもよい。強膜岬２６３４（黒点）は、適合曲線２６１２に沿って、シュワルベ線点２６３２の１ｍｍ後方の点を決定することによって配置される。
２６４０において、前房マスクの最も左側の点は、左頂部２６４２（黄色点）として示される。茶色点２６４３及び青色点２６４４は、それぞれ適合曲線２６１２上の強膜岬２６３４から２５０μｍ及び５００μｍに位置する点である。実施形態は、それぞれ虹彩２６４７上の茶色点２６４３及び青色点２６４４に対して垂直に対向する、紫色点２６４８及び橙色点２６４６の場所を決定する。
実施形態は、茶色点２６４３と紫色点２６４８との間の距離を計算することによって、ＡＯＤ ２５０を計算することができる。実施形態は、青色点２６４４と橙色点２６４６との間の距離を計算することによって、ＡＯＤ ５００を計算することができる。実施形態は、頂点２６４２、茶色点２６４３及び紫色点２６４８に基づいて、小柱虹彩角度（ＴＩＡ）２５０を計算してもよい。実施形態は、頂点２６４２、青色点２６４４及び橙色点２６４６に基づいて、ＴＩＡ ５００を計算してもよい。２５５０は、黒色線２６５１及び緑色線２６５３の内角２６５５としてＴＩＡ ５００を示している。ＴＩＡ ２５０は、頂点２６４２、茶色点２６４３及び紫色点２６４８に基づいて同様に計算され得る。
図２７は、虹彩角膜角度を計算するための例示的な動作２７００のワークフロー図である。動作２７００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作２７００は、２７１０において、眼、及び２Ｄ放射状ビューに関連するセグメント化前房の２Ｄ放射状ビュー超音波画像にアクセスすることを含む。
動作２７００はまた、２７２０において、セグメント化前房の頂点を検出することを含む。
動作２７００はまた、２７３０において、セグメント化前房に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することを含む。
動作２７００はまた、２７４０において、内側角膜適合曲線に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表されるシュワルベ線の場所を決定することを含む。
動作２７００はまた、２７５０において、シュワルベ線の場所に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表される強膜岬を位置決めすることを含む。
動作２７００はまた、２７６０において、強膜岬、内側角膜適合曲線、及び３Ｄ超音波撮像のうちの少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することを含む。
動作２７００はまた、２７７０において、セグメント化前房の頂点及びＡＯＤ ２５０又はＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することを含む。
動作２７００は、２７８０において、ＴＩＡに基づいて、虹彩角膜角度を計算することを更に含む。
図２８は、眼の２Ｄ放射状ビュー超音波画像、例えば、眼の３Ｄ超音波撮像のうちの一部分で表される強膜岬の場所を決定するための例示的な動作２８００のワークフロー図であり、ここで、この部分は、本明細書に記載される様々な技術に従って、３Ｄ超音波撮像から抽出された２Ｄ放射状画像を含む。２Ｄ放射状画像は、複数のピクセルを含んでもよく、ピクセルは、関連するグレースケール強度値を有する。動作２８００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作２８００は、２８１０において、眼、及び２Ｄ放射状ビューに関連するセグメント化前房の２Ｄ放射状ビュー超音波画像にアクセスすることを含む。動作２８００は、２８２０において、２Ｄ放射状ビュー及びセグメント化前房に基づいて、内側角膜適合曲線を画定することを含む。例示的な内側角膜適合曲線を、２６１２で図２６に示す。内側角膜適合曲線は、例えば、四次を有する多項式（例えば、四次多項式）であってもよい。
動作２８００はまた、２８３０において、内側角膜適合曲線上の第１の点を選択することを含む。動作２８００は、２８４０において、内側角膜適合曲線上の第２の異なる点を選択することを含む。例示的な第１の点は、図２６の２６２４で示されている。例示的な第２の点は、図２６の２６２２で示されている。一実施例では、頂点で開始し、次いで、内側角膜境界に沿った点を反復的に通過して、シュワルベ線を見つけることができる。
動作２８００はまた、２８５０において、第１の点における内側角膜適合曲線の接線に対して垂直な第１の線に沿ったピクセルグレースケール強度値の第１の合計Ｓ（ｉ）を計算することを含み、ここで、ｉは、適合曲線上の第１の点の指標である。一実施形態では、第１の線は、第１の点から外側角膜に向かって０．１ｍｍ延在している。
動作２８００はまた、２８６０において、第２の点における内側角膜適合曲線の接線に対して垂直な第２の線に沿ったピクセルグレースケール強度値の第２の合計Ｓ（ｉ＋１）を計算することを含み、ここで、ｉは、適合曲線上の第１の点の指標である。一実施形態では、第２の線は、第１の点から外側角膜に向かって０．１ｍｍ延在している。
動作２８００はまた、２８７０において、２Ｄ放射状ビューに表されるシュワルベ線の場所を決定することを含む。一実施形態では、シュワルベ線の場所を決定することは、内側角膜適合線Ｓ（ｉ）－Ｓ（ｉ＋１）が予め設定された閾値よりも大きい場所を見つけることを含む。一実施形態では、予め設定された閾値は、２Ｄ放射状ビュー超音波画像の強度レベルに基づくグレースケールピクセル強度レベル閾値である。シュワルベ線の例示的な場所は、図２６の２６３２に示されている。
動作２８００はまた、２８８０において、２Ｄ放射状ビューに表される強膜岬の場所を決定することを含む。一実施形態では、強膜岬の場所を決定することは、シュワルベ線の場所に対して１ｍｍ後方に、内側角膜適合曲線上の点を位置決めすることを含む。強膜岬の例示的な場所は、図２６の２６３４に示されている。
他の実施形態では、例えば、角度開口配列虹彩角膜角度計算技術、又は角度開口最小角膜角度計算技術を含む他の技術を用いて、虹彩角膜角度を計算することができる。
実施形態は、セグメント化眼構造に関連する臨床測定指標を表示することを容易にし得る。例えば、実施形態は、実行されると、プロセッサを制御して、３６０度のヒートマップを介してセグメント化前房に関連する虹彩角膜角度を表示することを容易にする動作を実施する、動作を含んでもよい。図２９は、３６０度のヒートマップを介して、セグメント化前房に関連する虹彩角膜角度を表示するように構成された３６０度の虹彩角膜角度マップ２９１０を示している。一実施形態では、３６０度の虹彩角膜角度マップ２９１０は、例えば、セグメント化前房を含み得る眼又は眼の一部分の３Ｄボリュームレンダリング２９１６の周囲に円周方向に配置された３６０度のヒートマップ２９１２を含む。３６０度のヒートマップ２９１２は、２９２０において光軸の周りを中心とすることができる。３６０度のヒートマップ２９１２上の第１の点２９３０で示された虹彩角膜角度値は、３Ｄボリュームレンダリング２９１６上の対応する点２９３２における虹彩角膜角度を視覚的に表す。一実施形態では、３６０度の虹彩角膜角度マップ２９１０はまた、眼科医又は他の施術者が、セグメント化前房の様々な点に関連する虹彩角膜角度を迅速かつ直感的に見ることを容易にする表記２９１４を含む。例えば、表記２９１４は、第１の色又は第１のグレースケールレベルを表示するヒートマップの一部分が、第１の虹彩角膜角度値と関連付けられてもよく、一方で、第２の異なる色又は第２の異なるグレースケールレベルを表示するヒートマップの第２の異なる部分が、第２の異なる虹彩角膜角度値と関連付けられてもよいことを示してもよい。様々な実施例では、本明細書に記載される様々な技術（例えば、動作２００、２４００、２７００）に従って計算された虹彩角膜角度は、装置１００、装置３７００、コンピュータ３８００によって、又は本明細書に記載される任意の他の実施形態若しくは技術を介して、若しくは虹彩角膜角度マップ２９１０を介して表示されてもよい。
Ｈ．３Ｄ超音波における腫瘍の深層学習セグメンテーション
超音波画像で表される眼腫瘍又は他の眼異常の正確なセグメンテーションは、眼科学において問題である。眼における腫瘍又は他の眼異常のサイズ、成長、又は場所は、介入処置に影響を及ぼし得る。腫瘍又は他の眼異常のサイズ、成長、又は場所に関連するパラメータを得るには、眼内の腫瘍又は他の眼異常領域の適切な可視化及び堅牢なセグメンテーションを必要とする。腫瘍又は他の眼異常の改善されたセグメンテーションは、潜在的に危険な病変の成長のモニタリングを容易にする。
実施形態は、例えば、虹彩、毛様体、虹彩様体、結膜、強膜及び脈絡膜領域などの異なる眼組織の腫瘍、母斑、黒色腫、又は嚢腫を含む、眼異常を示す眼に関連する複数の眼ボリュームを含み、複数の眼ボリュームの部分の各々について、関連する眼異常グラウンドトゥルースを更に含む、３Ｄ超音波眼異常データセットで訓練された深層学習眼異常セグメンテーションモデルを用いる。一実施形態では、少なくとも１つの深層学習眼異常セグメンテーションモデルは、虹彩、毛様体、虹彩様体、結膜、強膜及び脈絡膜領域などの異なる眼組織の腫瘍、母斑、黒色腫、又は嚢腫のうちの少なくとも１つを示す６０個（６０）眼ボリュームを含む、３Ｄ超音波眼異常訓練データセットについて訓練される。本明細書に記載される実施形態では、３Ｄ超音波画像で表される眼異常をセグメント化するために、上記のセクションＦに記載されたものと同様のアーキテクチャを有する深層学習眼の異常セグメンテーションモデルが用いられる。
前景－背景クラスの不均衡問題は、眼の３Ｄ超音波撮像で表される腫瘍又は他の眼異常のセグメンテーションにおいて問題である。例えば、眼ボリューム内の腫瘍は、前房のサイズに対して非常に小さい領域を占め得る。３Ｄ超音波撮像で表される眼腫瘍をセグメント化するとき、３Ｄ超音波撮像で表されるボリュームの大部分は、背景であり、一方で、相対的に少量のボリュームが前景と見なされる。したがって、前景－背景クラスの不均衡の問題は、前房セグメンテーションの場合よりも腫瘍セグメンテーションにおいてより深刻である。実施形態は、クラス不均衡問題に対する改善された制御を容易にするＤＩＣＥ係数に基づく損失関数を採用し、これは更に、少なくとも、ＤＩＣＥ係数に基づいて損失関数を使用する深層学習眼構造セグメンテーションモデルが、訓練中の小さな眼異常領域を正確に予測しないときにペナルティが課されるので、３Ｄ超音波撮像で表される眼異常領域の予測における改善された堅牢性及び改善された精度を更に容易にする。実施形態は、予測全体を考慮し得る既存のアプローチとは対照的に、腫瘍領域の重複に関して予測を考慮する。したがって、ボリュームが小さい腫瘍領域を有する場合、全体的な予測は、誤解を招く可能性がある。一実施形態では、モデルは、小腫瘍を検出しない場合に、ペナルティが課される。
図３０は、実行されると、プロセッサを制御して、少なくとも１つの深層学習眼構造セグメンテーションモデル、例えば、少なくとも１つの深層学習眼異常セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される眼異常をセグメント化するための動作を実行する、動作３０００の例示的なセットのワークフロー図である。動作３０００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作３０００は、３０１０において、眼の第１の三次元（３Ｄ）超音波撮像にアクセスすることを含み、ここで、眼は、眼異常を含み、第１の３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標における異方性３Ｄボリュームを画定する。
動作３０００はまた、３０３０において、第１の３Ｄ超音波撮像からデカルト二次元（２Ｄ）超音波画像の第１のセットを抽出することを含み、ここで、デカルト２Ｄ超音波画像の第１のセットの部分は、（ｙ，ｚ）座標で表される。
動作３０００はまた、３０３２において、眼異常の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習眼異常セグメンテーションモデルに、デカルト２Ｄ超音波画像の第１のセットを提供することを含む。一実施形態では、第１の深層学習眼異常セグメンテーションモデルは、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームから抽出された２Ｄ（ｙ，ｚ）画像のセットで訓練され、ここで、複数の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、眼異常を示し、複数の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、関連する眼異常グラウンドトゥルースを有する。一実施形態では、第１の深層学習眼異常セグメンテーションモデルは、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む。
動作３０００はまた、３０３４において、第１の深層学習眼異常セグメンテーションモデルから、眼異常の異方性予測セグメント化ボリュームを受け入れることを含み、ここで、異方性予測セグメント化ボリュームは、（ｘ，ｙ，ｚ）座標で表される。
動作３０００はまた、３０４０において、第１の３Ｄ超音波撮像をラジアル（θ，ｒ，ｚ）座標に変換することによって、第２の異なる３Ｄ超音波撮像を生成することを含み、ここで、第２の３Ｄ超音波撮像は、ラジアル（θ，ｒ，ｚ）座標で等方性３Ｄボリュームを画定する。
動作３０００はまた、３０４２において、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することを含み、ここで、放射状２Ｄ超音波画像のセットの部分は、（ｒ，ｚ）座標で表される。一実施形態では、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することは、第２の異なる３Ｄ超音波撮像から、３６０個の（３６０）２Ｄ（ｒ，ｚ）画像を０．５の角度間隔で抽出することを含む。
動作３０００はまた、３０４４において、眼異常の異方性予測セグメンテーションボリュームを生成するように構成された第２の異なる深層学習眼異常セグメンテーションモデルに、放射状２Ｄ超音波画像のセットを提供することを含む。一実施形態では、第２の深層学習眼異常セグメンテーションモデルは、複数の異方性デカルト３Ｄ－ＵＢＭボリュームをラジアル（θ，ｒ，ｚ）に変換することによって生成された、複数の等方性放射状３Ｄ－ＵＢＭ眼ボリュームから抽出されたラジアル２Ｄ（ｒ，ｚ）画像のセットについて訓練される。一実施形態では、第２の深層学習眼異常セグメンテーションモデルは、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む。一実施形態では、第２の深層学習眼異常セグメンテーションモデルは、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減するように最適化される。
動作３０００はまた、３０４６において、第２の深層学習セグメンテーションモデルから、眼異常の第１の等方性予測セグメント化ボリュームを受け入れることを含み、ここで、第１の等方性予測セグメント化ボリュームは、（θ，ｒ，ｚ）座標で表される。
動作３０００はまた、３０５０において、異方性予測セグメンテーションボリュームを、（θ，ｒ，ｚ）で表される第２の異なる等方性予測セグメンテーションボリュームに変換することを含む。
動作３０００はまた、３０６０において、第１の等方性予測セグメンテーションボリューム及び第２の等方性予測セグメンテーションボリュームの加重平均を計算することによって、組み合わされた等方性予測セグメンテーションボリュームを生成することを含む。
動作３０００はまた、３０７０において、組み合わされた等方性予測セグメンテーションボリュームに基づいてセグメント化眼異常を生成することを含む。
一実施形態では、動作３０００はまた、３０８０において、セグメント化眼異常を任意選択的に表示することを含んでもよい。
実施形態は、本明細書に記載される様々な技術に従って、深層学習眼異常セグメンテーションモデルを訓練することができる。図３１は、実行されると、プロセッサを制御して、少なくとも１つの深層学習眼構造セグメンテーションモデルを訓練することを容易にする動作を実施する、動作の例示的なセット３１００のワークフロー図である。動作３１００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。この実施例では、眼構造は、眼異常を含む。動作３１００は、３１１０において、眼異常訓練セットにアクセスすることを含み、ここで、眼異常訓練セットは、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波眼ボリュームを含み、複数の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、関連する眼異常のグラウンドトゥルースを有する。一実施例では、眼異常訓練は、（ｘ，ｙ，ｚ）座標で表される６０個の（６０）異方性デカルト３Ｄ超音波眼ボリュームを含み、ここで、（ｘ，ｙ，ｚ）座標で表される６０個の（６０）異方性デカルト３Ｄ超音波眼ボリュームの各々は、虹彩、毛様体、虹彩様体、結膜、強膜及び脈絡膜領域などの異なる眼組織の腫瘍、母斑、黒色腫、又は嚢腫虹彩のうちの少なくとも１つを実証する眼に関連する。実施形態は、（ｘ，ｙ，ｚ）で表される６０個の（６０）異方性デカルト３Ｄ超音波ボリュームの各々に関連する既知のグラウンドトゥルースラベルに更にアクセスすることができる。
動作３１００はまた、３１２０において、眼異常訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することを含む。
動作３１００はまた、３１３０において、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連するグラウンドトゥルースラベルを有する第１の深層学習眼異常セグメンテーションモデルを訓練することを含む。一実施形態では、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習眼異常セグメンテーションモデルを訓練することは、少なくとも第１の深層学習眼異常セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減することを含む。
動作３１００はまた、３１４０において、複数の異方性デカルト３Ｄ超音波ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波眼ボリュームを生成することを含む。実施形態は、本明細書に記載される様々な技術に従って、複数の異方性を変換することができる。
動作３１００はまた、３１５０において、複数の等方性放射状３Ｄ超音波眼ボリュームから訓練用の２Ｄ（ｒ，ｚ）画像のセットを抽出することを含む。実施形態は、本明細書に記載される様々な技術に従って、訓練用の２Ｄ（ｒ，ｚ）画像のセットを抽出することができる。
動作３１００はまた、３１６０において、訓練用のセット２Ｄ（ｒ，ｚ）画像及び関連するグラウンドトゥルースを有する第２の深層学習眼異常セグメンテーションモデルを訓練することを含む。一実施形態では、訓練用の２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習眼異常セグメンテーションモデルを訓練することは、少なくとも第２の深層学習眼異常セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減することを含む。
Ｉ．シュレム管の３Ｄ超音波ビューを提供するための深層学習を含む処理
シュレム管及び収集チャネルの可視化は、緑内障治療において非常に重要である。しばしば、シュレム管及び収集チャネルは、ほぼ折り畳まれており、それらを画像化することは困難である。これは、眼圧が低い場合、又は小柱メッシュの抵抗が大きい場合に生じ、圧力低下につながる場合がある。したがって、シュレム管又は収集チャネルの拡張された３Ｄ超音波画像データが必要とされている。実施形態は、外因性流体様物質を注入された眼の３Ｄ超音波撮像にアクセスすることができ、ここで、外因性流体様物質は、眼圧を上昇させ、シュレム管及び収集チャネルを拡張する。実施形態はまた、可視化を更に高めるために、ナノ気泡を含有するゲル状物質を注入した眼の３Ｄ超音波撮像にアクセスすることができる。直径１００～３００μｍ程度まで拡張し、任意選択的に、ナノ気泡を含有するゲル状物質の注入を用いて、本明細書に記載される実施形態による３Ｄ超音波を用いる可視化は、既存のアプローチと比較してはるかに改善される。実施形態は、眼内薬剤、例えば、眼圧を上昇させ、シュレム管及び収集チャネルを拡張するための外因性流体様物質、又は本明細書に記載されるようなナノ気泡を含有するゲル状物質を注入される眼の３Ｄ超音波撮像にアクセスすることができる。
実施形態は、シュレム管及び収集チャネルの可視化を向上させるための方法、動作、システム、装置、及び他の技術を提供する。実施形態は、適切な３Ｄ構造を維持しながら、超音波画像におけるノイズの低減を容易にする。シュレム管は、ほぼ円周方向に前房を囲んでいるため、実施形態は、本明細書に記載の様々な技術に従って、図１６（図７）に示されるように、３Ｄ超音波撮像から２Ｄ「放射状」画像面を抽出し、（θ，ｒ，ｚ）画像スタックを作成してもよい。θにおける二次三線サンプリングは、微細であり、典型的には０．５度であり、３６０ ２Ｄ放射状画像のスタックを与える。当業者であれば、本明細書に記載されるように、データが（ｘ，ｙ，ｚ）座標で取得される場合、ｘにおける微細なサンプリングは、ほぼ等方性画像ボリューム及び正確な再サンプリングを提供するために行われるべきであることを理解するであろう。この３Ｄデータセットでは、シュレム管は、ｒ及びｚのほぼ固定位置でθに沿って配向されたおおよそ円筒形の管である。これにより、画像ぼけの懸念が低減された状態でθを通じて画像を処理することができる。
実施形態は、抽出された２Ｄ放射状画像におけるノイズを低減するために、少なくとも１つのフィルタを適用してもよく、これは、θに沿って改善された相関を有利に利用する。実施形態は、フィルタサイズの寸法（５、３、３）の中央カーネル、又はフィルタサイズの寸法（７、３、３）の中心加重線形フィルタを用いることができる。他のフィルタ、又は他の異なる寸法を有するフィルタが用いられてもよい。
実施形態は、可視化を支援するために、シュレム管を包含する３Ｄ領域への深層学習ノイズ低減を用いることができる。ローカル領域で動作するため、神経ネットワークパラメータは、シュレム管のために最適化され得る。実施形態は、例えば、本明細書に記載されるような深層学習ノイズ低減モデルを含む、セクションＥに記載されるようなノイズ低減技術を用いることができる。放射状に抽出された画像フレームは同様であるため、実施形態は、深層学習シュレム管ノイズ低減モデルを含む、深層学習ノイズ低減モデルを完全に訓練するのに十分な数の訓練例を生成する。３Ｄ超音波撮像のノイズ低減処理が完了すると、実施形態は、シュレム管強化画像セットに基づいて、本明細書に記載される様々な技術を用いて、シュレム管又は収集チャネルの高品質の３Ｄ可視化を生成することができる。
図３３は、実行されると、プロセッサを制御して、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減するための動作を実施する、動作の例示的セット３３００のワークフロー図を示している。動作３３００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作３３００は、３３１０において、デカルト（ｘ，ｙ，ｚ）座標で表される眼の３Ｄ超音波撮像にアクセスすることを含み、ここで、眼は、シュレム管及び収集チャネルを拡張する眼内造影剤を注入されている。
動作３３００はまた、３３２０において、デカルト（ｘ，ｙ，ｚ）座標で表される眼の３Ｄ超音波撮像を３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームに変換させることを含む。
動作３３００はまた、３３３０において、ノイズ低減技術を平均化する回転フレーム、異方性拡散フィルタ、非局所的平均フィルタ、又は中央核及び中央加重線形フィルタノイズ低減技術のうちの少なくとも１つを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することを含む。一実施形態では、中央カーネルは、（５、３、３）の寸法を有し、中心加重線形フィルタは、（７、３、３）の寸法を有する。
一実施形態では、動作３３００はまた、３３４０において、シュレム管深層学習ノイズ低減モデル訓練セットについて訓練された深層学習ノイズ低減モデルを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することを含む。一実施形態では、深層学習ノイズ低減モデルは、ワッサースタイン距離及び知覚損失によって最適化された、敵対的生成ネットワークを含む。
図３４は、実行されると、プロセッサを制御して、シュレム管深層学習ノイズ低減モデル訓練セットを生成するための動作を実施する、動作の例示的なセット３４００のワークフロー図を示している。動作３４００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作３４００は、３４１０において、眼の複数の３Ｄ超音波撮像にアクセスすることを含み、眼のうちの少なくとも１つは、シュレム管及び収集チャネルを拡張する眼内造影剤を注入されている。一実施形態では、眼の複数の３Ｄ超音波撮像の各部分は、ｘにおける高密度サンプリングを使用して取得される。一実施形態では、眼の複数の３Ｄ超音波撮像の各部分は、シミュレートされた空間的配合を使用して取得される。
動作３４００は、３４２０において、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することを含み、ここで、サブサンプリングされたノイズの多いセットは、眼の複数の３Ｄ超音波撮像よりも少ない部分を含む。一実施形態では、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することは、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の同様にサンプリングされたノイズの多いセット、又は眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の不均等にサンプリングされたノイズの多いセットを抽出することを含む。
動作３４００はまた、３４３０において、回転フレーム平均化を使用して、眼の複数の３Ｄ超音波撮像の各部分をノイズ低減することにより、３Ｄ超音波撮像のノイズ低減セットを生成することを含む。別の実施形態では、複数の３Ｄ超音波撮像の各部分をノイズ低減することにより、３Ｄ超音波撮像のノイズ低減セットを生成することは、別の異なるノイズ低減技術を使用して、眼の複数の３Ｄ超音波撮像の各部分をノイズ低減することを含んでもよい。
Ｊ．定量的評価のためのシュレム管及び収集チャネルのセグメンテーション
実施形態は、本明細書に記載される様々な技術に従って、シュレム管及び収集チャネルのために拡張された３Ｄ超音波撮像ボリュームを用いる。実施形態は、本明細書に記載されるような高度な機械学習アプローチを使用して、シュレム管及び接続ダクトのセグメンテーションを生成する。実施形態は、一実施例では、死体眼の２５個のシュレム管強化画像ボリュームを含み得る、シュレム管訓練データを使用して、深層学習眼構造セグメンテーションモデル、例えば、深層学習シュレム管セグメンテーションモデルを訓練することができる。一実施例では、死体眼に眼内薬剤又は流体を注入して、シュレム管及び収集チャネルを拡張する。実施形態は、本明細書に記載される様々な技術による、ｘの高密度サンプリングを有する死体眼の超音波画像を取得する。実施形態は、例えば、セクションＥに記載されるような技術を含む、本明細書に記載される様々な技術に従って、スキャンされた死体眼からの低ノイズ画像ボリュームを生成する。低ノイズ画像ボリュームは、例えばセクションＩに記載されているような、本明細書に記載されている様々な技術に従って、シュレム管及び接続ダクトについて更に強化され得る。一実施形態では、シュレム管訓練セットを生成するために、低ノイズ画像ボリューム内に表されるシュレム管及び接続ダクトは、相互作用的にセグメント化されて、３つのラベルを有するラベルボリューム（背景、シュレム管、及び収集チャネル）を生成する。次いで、実施形態は、典型的なインビボ取得を含む画像フレームのサブセットと同じ空間にラベルボリュームをもたらすことができる。実施形態は、例えば、セクションＩに記載されている技術を含む、本明細書に記載される様々な技術による強化処理に従って、サブサンプルボリュームからシュレム管及び収集チャネルをセグメント化するために、２Ｄ ＣＮＮ又は３Ｄ ＣＮＮを訓練することができる。
実施形態は、本明細書に記載される様々な技術に従って、３Ｄ超音波画像のセットに基づいて、セグメント化シュレム管又は収集チャネルを生成するために、深層学習シュレム管セグメンテーションモデルを用いる。訓練された深層学習シュレム管セグメンテーションモデルは、眼内薬剤を注入された眼のインビボ３Ｄ超音波撮像に適用されて、シュレム管及び接続管の膨張を容易にする。セグメンテーションは、シュレム管の３６０度の接続性及び十分な数の接続ダクトへの接続性を実証するために、３Ｄで可視化され得る。シュレム管及び収集チャネルに関連する臨床測定指標の定量化は、シュレム管の断面積、主収集チャネルの数、収集チャネルのボリューム、又はシュレム管若しくは収集チャネルに関連する他の臨床測定指標の計算を含んでもよい。
シュレム管セグメンテーションは、「シュレム管及び収集チャネル」で、眼に膨張剤を注入するだけで、上述と同様である可能性があり、セグメンテーションモデルは、シュレム管訓練データについて訓練される。
図３５は、実行されると、プロセッサを制御して、少なくとも１つの深層学習眼構造セグメンテーションモデルを介してセグメント化眼構造を生成するための動作を実施する、動作の例示的なセット３５００のワークフロー図である。この実施例では、眼構造は、シュレム管を含む。動作３５００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。一実施形態では、眼構造は、シュレム管及び収集チャネルを含んでもよい。動作３５００は、３５１０において、眼の第１の三次元（３Ｄ）超音波撮像にアクセスすることを含み、ここで、眼は、シュレム管を含み、第１の３Ｄ超音波撮像は、デカルト（ｘ，ｙ，ｚ）座標における異方性３Ｄボリュームを画定する。一実施形態では、眼は、動作３５００の実行の前又はそれと同時に、シュレム管又は収集チャネルを拡張する眼内造影剤を注入されている。
動作３５００はまた、３５３０において、第１の３Ｄ超音波撮像からデカルト二次元（２Ｄ）超音波画像の第１のセットを抽出することを含み、ここで、デカルト２Ｄ超音波画像の第１のセットの部分は、（ｙ，ｚ）座標で表される。
動作３５００はまた、３５３２において、シュレム管又は収集チャネルの異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習シュレム管セグメンテーションモデルに、デカルト２Ｄ超音波画像の第１のセットを提供することを含む。一実施形態では、第１の深層学習シュレム管セグメンテーションモデルは、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームから抽出された２Ｄ（ｙ，ｚ）画像のセットで訓練され、ここで、複数の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、関連するシュレム管グラウンドトゥルースを有し、複数の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、シュレム管又は収集チャネルを拡張する眼内造影剤を注入された眼を表す。一実施形態では、（ｘ，ｙ，ｚ）で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームの部分は、ｘ軸で３８４ピクセル、ｙ軸で１１００ピクセル、及びｚ軸で９９８ピクセルの寸法を有する。
一実施形態では、第１の深層学習シュレム管セグメンテーションモデルは、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む。一実施形態では、第１の深層学習シュレム管セグメンテーションモデルは、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減するように最適化される。
動作３５００はまた、３５３４において、第１の深層学習シュレム管セグメンテーションモデルから、シュレム管の異方性予測セグメント化ボリュームを受け入れることを含み、ここで、異方性予測セグメント化ボリュームは、（ｘ，ｙ，ｚ）座標で表される。
動作３５００はまた、３５４０において、第１の３Ｄ超音波撮像をラジアル（θ，ｒ，ｚ）座標に変換することによって、第２の異なる３Ｄ超音波撮像を生成することを含み、ここで、第２の３Ｄ超音波撮像は、ラジアル（θ，ｒ，ｚ）座標で等方性３Ｄボリュームを画定する。動作３５００はまた、３５４２において、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することを含み、ここで、放射状２Ｄ超音波画像のセットの部分は、（ｒ，ｚ）座標で表される。一実施形態では、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することは、本明細書に記載される様々な技術に従って、３Ｄ超音波画像の第２の異なるセットから０．５の角度間隔で３６０（ｒ，ｚ）画像を抽出することを含む。実施形態は、例えば、動作１８００などの本明細書に記載される様々な技術に従って、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出してもよい。
動作３５００はまた、３５４４において、シュレム管の異方性予測セグメンテーションボリュームを生成するように構成された第２の異なる深層学習シュレム管セグメンテーションモデルに、放射状２Ｄ超音波画像のセットを提供することを含む。一実施形態では、第２の深層学習シュレム管セグメンテーションモデルは、複数の異方性デカルト３Ｄ－ＵＢＭボリュームをラジアル（θ，ｒ，ｚ）に変換することによって生成された、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから抽出された２Ｄ（ｒ，ｚ）画像のセットについて訓練される。
一実施形態では、第２の深層学習シュレム管セグメンテーションモデルは、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む。一実施形態では、第２の深層学習シュレム管セグメンテーションモデルは、確率勾配低下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減するように最適化され、動作３５００はまた、３５４６において、第２の深層学習シュレム管セグメンテーションモデルから、シュレム管の第１の等方性予測セグメンテーションボリュームを受け入れることを含み、ここで、第１の等方性予測セグメンテーションボリュームは、（θ，ｒ，ｚ）座標で表される。
動作３５００はまた、３５５０において、異方性予測セグメンテーションボリュームを、（θ，ｒ，ｚ）で表される第２の異なる等方性予測セグメンテーションボリュームに変換することを含む。動作３５００はまた、３５６０において、第１の等方性予測セグメンテーションボリューム及び第２の等方性予測セグメンテーションボリュームの加重平均を計算することによって、組み合わされた等方性予測セグメンテーションボリュームを生成することを含む。動作３５００はまた、３５７０において、組み合わされた等方性予測セグメンテーションボリュームに基づいてセグメント化シュレム管を生成することを含む。動作３５００は、３５９０において、セグメント化シュレム管を表示することを任意選択的に含んでもよい。
図３６は、実行されると、プロセッサを制御して、少なくとも１つの深層学習眼構造セグメンテーションモデルを訓練するための動作を実施する、動作の例示的なセット３６００のワークフロー図である。この実施例では、眼構造は、シュレム管又は収集チャネルを含む。動作３６００は、動作２００の一部として実装されてもよく、又は装置１００、装置３７００の１つ以上のプロセッサ１５０によって、若しくはコンピュータ３８００、若しくは本明細書に記載される任意の他のシステム、装置、若しくは実施形態によって実行されてもよい。動作３６００は、３６１０において、シュレム管訓練セットにアクセスすることを含み、ここで、シュレム管訓練セットは、（ｘ，ｙ，ｚ）座標で表される複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の訓練用の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、関連するシュレム管グラウンドトゥルースを有し、複数の訓練用の異方性デカルト３Ｄ超音波眼ボリュームの各部分は、シュレム管又は収集チャネルを拡張する眼内造影剤を注入された眼を表す。一実施形態では、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分は、３Ｄ超音波生物顕微鏡（3D ultrasound biomicroscopy、３Ｄ－ＵＢＭ）撮像を使用して取得される。
動作３６００はまた、３６２０において、シュレム管訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することを含む。
動作３６００はまた、３６３０において、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連する前房グラウンドトゥルースを有する前房の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習シュレム管セグメンテーションモデルを訓練することを含む。一実施形態では、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習シュレム管セグメンテーションモデルを訓練することは、少なくとも第１の深層学習シュレム管セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減することを含む。
動作３６００はまた、３６４０において、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波撮像眼ボリュームを生成することを含む。
動作３６００はまた、３６５０において、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを抽出することを含む。
動作３６００は、３６５０において、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセット及び関連する前房グラウンドトゥルースを有するシュレム管の等方性予測セグメンテーションボリュームを生成するように構成された第２の深層学習シュレム管セグメンテーションモデルを訓練することを更に含む。一実施形態では、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習シュレム管セグメンテーションモデルを訓練することは、少なくとも第２の深層学習シュレム管セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減することを含む。
図３８は、本明細書に示される例示的な方法が動作することができ、及び例示的な方法、装置、回路、動作、又は論理を実装することができる、例示的なコンピュータ３８００を示している。異なる実施例では、コンピュータ９００は、眼超音波システム若しくは装置、若しくは個人用医療システムの一部であってもよく、又は眼超音波システム若しくは装置、若しくは個人用医療システムに動作可能に接続可能であってもよい。
コンピュータ３８００は、プロセッサ３８０２と、メモリ３８０４と、バス３８０８によって動作可能に接続された入力／出力（Ｉ／Ｏ）ポート３８１０と、を含む。一実施例では、コンピュータ３８００は、本明細書に記載される様々な技術に従って生成された３Ｄボリュームレンダリング、ノイズ低減超音波画像、画像位置合わせ超音波画像に少なくとも部分的に基づいて眼構造をセグメント化する、眼構造に関連する臨床測定指標を計算する、又は本明細書に記載の様々な技術に従って、眼の３Ｄボリュームレンダリングを生成する、動作又は方法を実施する論理又は回路３８３０のセットを含み得る。したがって、回路のセット３８３０は、ハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせとしてコンピュータ３８００内に実装されることに拘わらず、本明細書に記載される様々な技術に従って生成された３Ｄボリュームレンダリング、ノイズ低減超音波画像、画像位置合わせ超音波画像に少なくとも部分的に基づいて眼構造をセグメント化する、眼構造に関連する臨床測定指標を計算する、又は本明細書に記載の様々な技術に従って、眼の３Ｄボリュームレンダリングを生成するための手段（例えば、ハードウェア、ファームウェア、回路）を提供することができる。異なる実施例では、回路３８３０のセットは、コンピュータ３８００に恒久的及び／又は取り外し可能に取り付けられてもよい。
プロセッサ３８０２は、デュアルマイクロプロセッサ及び他のマルチプロセッサアーキテクチャを含む、種々の様々なプロセッサであり得る。プロセッサ３８０２は、本明細書で特許請求及び説明される方法の工程を実施するように構成されてもよい。メモリ３８０４は、揮発性メモリ及び／又は不揮発性メモリを含み得る。ディスク３８０６は、例えば、入力／出力インターフェース（例えば、カード、デバイス）３８１８及び入力／出力ポート３８１０を介してコンピュータ３８００に動作可能に接続されてもよい。ディスク３８０６としては、磁気ディスクドライブ、テープドライブ、Ｚｉｐライブ、フラッシュメモリカード、又はメモリスティックのようなデバイスを含むことができるが、これらに限定されない。更に、ディスク３８０６は、ＣＤ－ＲＯＭ又はデジタルビデオＲＯＭドライブ（ＤＶＤ ＲＯＭ）などの光学ドライブを含んでもよい。メモリ３８０４は、例えば、プロセス３８１４又はデータ３８１７を記憶することができる。データ３８１７は、一実施形態では、緑内障を実証する組織の３Ｄ超音波画像を含む、超音波画像を含んでもよい。ディスク３８０６又はメモリ９０４は、コンピュータ３８００のリソースを制御及び割り当てる、オペレーティングシステムを記憶することができる。
バス３８０８は、単一の内部バス相互接続アーキテクチャ又は他のバス又はメッシュアーキテクチャとすることができる。単一のバスが図示されているが、コンピュータ３８００は、図示されていない他のバス（例えば、ＰＣＩＥ、ＳＡＴＡ、Ｉｎｆｉｎｉｂａｎｄ、１３９４、ＵＳＢ、イーサネット（登録商標））を使用して、様々なデバイス、回路、論理、及び周辺装置と通信することができることを理解されたい。
コンピュータ３８００は、Ｉ／Ｏインターフェース３８１８及び入力／出力ポート３８１０を介して、入力／出力デバイスと相互作用することができる。入力／出力デバイスとしては、超音波システム、デジタル全スライドスキャナ、ＣＴシステム、ＭＲＩシステム、光学顕微鏡、キーボード、マイクロフォン、ポインティング及び選択デバイス、カメラ、ビデオカード、ディスプレイ、ディスク３８０６、ネットワークデバイス３８２０、又は他のデバイスを含むことができるが、これらに限定されない。入力／出力ポート３８１０は、シリアルポート、パラレルポート、又はＵＳＢポートを含むことができるが、これらに限定されない。
コンピュータ３８００は、ネットワーク環境内で動作することができ、したがって、Ｉ／Ｏインターフェース３８１８又はＩ／Ｏポート３８１０を介してネットワークデバイス３８２０に接続されてもよい。ネットワークデバイス３８２０を介して、コンピュータ３８００は、ネットワークと相互作用することができる。ネットワークを通じて、コンピュータ３８００は、遠隔コンピュータに論理的に接続されてもよい。コンピュータ３８００が相互作用し得るネットワークとしては、ローカルエリアネットワーク（local area network、ＬＡＮ）、ワイドエリアネットワーク（wide area network、ＷＡＮ）、又はクラウドを含む他のネットワークが含まれるが、これらに限定されない。
実施例１は、実行されると、プロセッサを制御して動作を実施するためのプロセッサを制御する命令を記憶するように構成されている、メモリと、入力／出力（Ｉ／Ｏ）インターフェースと、１つ以上のプロセッサと、メモリ、Ｉ／Ｏインターフェース、及び１つ以上のプロセッサを接続する、インターフェースであって、１つ以上のプロセッサが、眼の三次元（３Ｄ）超音波撮像にアクセスすることと、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成することと、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することと、を行うように構成されている、インターフェースと、を含む、装置を含む。
実施例２は、１つ以上のプロセッサが、３Ｄ超音波撮像のうちの少なくとも一部分を整列して、３Ｄ超音波撮像のミスアライメントを低減するように構成されており、３Ｄ超音波撮像のうちの少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、３Ｄ超音波撮像のうちの少なくとも一部分を整列することを含む、実施例１の任意の変形例の主題を含む。
実施例３は、１つ以上のプロセッサが、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減するように構成されており、３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は少なくとも１つの深層学習ノイズ低減モデルであって、少なくとも１つの深層学習ノイズ低減モデルが、深層学習ノイズ低減モデル訓練セットで訓練される、少なくとも１つの深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、３Ｄ超音波撮像をノイズ低減することを含む、実施例１又は２の任意の変形例の主題を含む。
実施例４は、１つ以上のプロセッサが、少なくとも１つの深層学習ノイズ低減モデルを訓練するように構成されている、実施例１～３のいずれかの任意の変形例の主題を含む。
実施例５は、１つ以上のプロセッサが、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成するように更に構成されており、深層学習ノイズ低減モデルを訓練することが、少なくとも１つの深層学習ノイズ低減モデル訓練セットを用いて、少なくとも１つの深層学習ノイズ低減モデルを訓練することを含む、実施例１～４のいずれかの任意の変形例の主題を含む。
実施例６は、少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成することが、眼の３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化ノイズ低減訓練セットを生成することを含み、眼のうちの少なくとも１つが、シュレム管又は収集チャネルを拡張する眼内造影剤を注入されている、実施例１～５のいずれかの任意の変形例の主題を含む。
実施例７は、少なくとも１つの深層学習眼構造セグメンテーションモデルが、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む、実施例１～６のいずれかの任意の変形例の主題を含む。
実施例８は、少なくとも１つの深層学習眼構造セグメンテーションモデルが、第１の深層学習眼構造セグメンテーションモデルと、第２の深層学習眼構造セグメンテーションモデルと、を含み、少なくとも１つのセグメント化眼構造を生成することが、第１の予測セグメンテーションボリューム及び第２の予測セグメンテーションボリュームの加重平均を計算することを更に含む、実施例７の任意の変形例の主題を含む。
実施例９は、少なくとも１つの眼構造が、前房を含み、少なくとも１つの深層学習眼構造セグメンテーションモデルが、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む、実施例１～８のいずれかの任意の変形例の主題を含む。
実施例１０は、少なくとも１つの臨床測定指標が、虹彩角膜角度、前房のボリューム、又は前房の面積のうちの少なくとも１つを含む、実施例１～９のいずれかの任意の変形例の主題を含む。
実施例１１は、少なくとも１つの臨床測定指標が、虹彩角膜角度を含み、少なくとも１つのセグメント化眼構造が、セグメント化前房を含み、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することが、セグメント化前房の頂点を検出することと、セグメント化前房に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することと、内側角膜適合曲線に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表されるシュワルベ線の場所を決定することと、シュワルベ線の場所に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表される強膜岬を位置決めすることと、強膜岬、内側角膜適合曲線、及び３Ｄ超音波撮像のうちの少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、セグメント化前房の頂点及びＡＯＤ ２５０又はＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む、実施例１～１０のいずれかの任意の変形例の主題を含む。
実施例１２は、少なくとも１つの眼構造が、少なくとも１つの眼異常を含み、少なくとも１つの深層学習眼構造セグメンテーションモデルが、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む、実施例１～１１のいずれかの任意の変形例の主題を含む。
実施例１３は、少なくとも１つの臨床測定指標が、眼異常の場所、眼異常のボリューム、眼異常の面積、又は眼異常の長さのうちの少なくとも１つを含む、実施例１～１２のいずれかの任意の変形例の主題を含む。
実施例１４は、少なくとも１つの眼異常が、腫瘍、嚢腫、黒色腫、又は母斑を含む、実施例１～１３のいずれかの任意の変形例の主題を含む。
実施例１５は、少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、少なくとも１つの深層学習眼構造セグメンテーションモデルが、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む、実施例１～４のいずれかの任意の変形例の主題を含む。
実施例１６は、少なくとも１つの臨床測定指標が、シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む、実施例１～１５のいずれかの任意の変形例の主題を含む。
実施例１７は、３Ｄ超音波撮像が、線形スキャン超音波取得技術、ジンバルスキャン超音波取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される、実施例１～１６のいずれかの任意の変形例の主題を含む。
実施例１８は、３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、１つ以上のプロセッサが、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換するように構成されており、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像が、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する、実施例１～１７のいずれかの任意の変形例の主題を含む。
実施例１９は、３Ｄ超音波撮像を、デカルト（ｘ，ｙ，ｚ）座標から（θ，ｒ，ｚ）座標に変換することが、（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像のｚ軸に対する（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される眼の光学軸の傾きを補正することを更に含む、実施例１～１８のいずれかの任意の変形例の主題を含む。
実施例２０は、１つ以上のプロセッサが、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成するように構成されており、１つ以上のプロセッサが、３Ｄボリュームレンダリングを表示するように更に構成されている、実施例１～１９のいずれかの任意の変形例の主題を含む。
実施例２１は、１つ以上のプロセッサが、１つ以上のプロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、入力を受信したことに応答して、１つ以上のプロセッサの動作パラメータを変更することと、を行うように構成されており、動作パラメータが、眼の３Ｄ超音波撮像にアクセスすること、３Ｄ超音波撮像のうちの少なくとも一部分を整列すること、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減すること、少なくとも１つのセグメント化眼構造を生成すること、３Ｄ超音波撮像で表される眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、若しくは３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する、実施例１～２０のいずれかの任意の変形例の主題を含む。
実施例２２は、１つ以上のプロセッサが、少なくとも１つの深層学習眼セグメンテーションモデルを訓練するように構成されている、実施例１～２１のいずれかの任意の変形例の主題を含む。
実施例２３は、１つ以上のプロセッサが、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成するように構成されており、少なくとも１つの深層学習眼セグメンテーション訓練セットが、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む、実施例１～２２のいずれかの任意の変形例の主題を含む。別の実施例は、実施例１～２３に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。別の実施例は、メモリと、プロセッサと、実施例１～２３に記載された動作のうちのいずれかを実施するように構成された１つ以上の回路と、を含む、装置を含む。
実施例２４は、実行されると、プロセッサを制御して動作を実施するコンピュータ実行可能命令を記憶する、非一時的コンピュータ可読記憶デバイスであって、動作が、眼の三次元（３Ｄ）超音波撮像にアクセスすることと、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成することと、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することと、を含む、非一時的コンピュータ可読記憶デバイスを含む。
実施例２５は、動作が、３Ｄ超音波撮像のうちの少なくとも一部分を整列して、３Ｄ超音波撮像のミスアライメントを低減することを含み、３Ｄ超音波撮像のうちの少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、３Ｄ超音波撮像のうちの少なくとも一部分を整列することを含む、実施例２４の任意の変形例の主題を含む。
実施例２６は、動作が、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含み、３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、３Ｄ超音波撮像をノイズ低減することを含む、実施例２４又は２５の任意の変形例の主題を含む。
実施例２７は、動作が、深層学習ノイズ低減モデルを訓練することを含む、実施例２４～２６のいずれかの任意の変形例の主題を含む。
実施例２８は、動作が、深層学習ノイズ低減モデル訓練セットを生成することを含み、深層学習ノイズ低減モデルを訓練することが、深層学習ノイズ低減モデル訓練セットを用いて、深層学習ノイズ低減モデルを訓練することを含む、実施例２４～２７のいずれかの任意の変形例の主題を含む。
実施例２９は、少なくとも１つの眼構造が、シュレム管及び収集ダクトを含み、深層学習ノイズ低減モデル訓練セットを生成することが、眼のノイズ低減３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化訓練セットを生成することを含み、眼が、眼内造影剤を注入されている、実施例２４～２８のいずれかの任意の変形例の主題を含む。
実施例３０は、少なくとも１つの深層学習眼構造セグメンテーションモデルが、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む、実施例２４～２９のいずれかの任意の変形例の主題を含む。
実施例３１は、少なくとも１つの深層学習眼構造セグメンテーションモデルが、第１の深層学習眼構造セグメンテーションモデルと、第２の深層学習眼構造セグメンテーションモデルと、を含み、少なくとも１つのセグメント化眼構造を生成することが、第１の予測セグメンテーションボリューム及び第２の第１の予測セグメンテーションボリュームの加重平均を計算することを含む、実施例２４～３０のいずれかの任意の変形例の主題を含む。
実施例３２は、少なくとも１つの眼構造が、前房を含み、少なくとも１つの深層学習眼構造セグメンテーションモデルが、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む、実施例２４～３１のいずれかの任意の変形例の主題を含む。
実施例３３は、少なくとも１つの臨床測定指標が、虹彩角膜角度、前房のボリューム、又は前房の面積のうちの少なくとも１つを含む、実施例２４～３２のいずれかの任意の変形例の主題を含む。
実施例３４は、少なくとも１つの臨床測定指標が、虹彩角膜角度を含み、少なくとも１つのセグメント化眼構造が、セグメント化前房を含み、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することが、セグメント化前房の頂点を検出することと、セグメント化前房に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することと、内側角膜適合曲線に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表されるシュワルベ線の場所を決定することと、シュワルベ線の場所に基づいて、３Ｄ超音波撮像のうちの少なくとも一部分で表される強膜岬を位置決めすることと、強膜岬、内側角膜適合曲線、及び３Ｄ超音波撮像のうちの少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、セグメント化前房の頂点及びＡＯＤ ２５０又はＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む、実施例２４～３３のいずれかの任意の変形例の主題を含む。
実施例３５は、少なくとも１つの眼構造が、少なくとも１つの眼異常を含み、少なくとも１つの深層学習眼構造セグメンテーションモデルが、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む、実施例２４～３４のいずれかの任意の変形例の主題を含む。
実施例３６は、少なくとも１つの臨床測定指標が、眼異常の場所、眼異常のボリューム、眼異常の面積、又は眼異常の長さのうちの少なくとも１つを含む、実施例２４～３５のいずれかの任意の変形例の主題を含む。
実施例３７は、少なくとも１つの眼異常が、腫瘍、嚢腫、黒色腫、又は母斑を含む、実施例２４～３６のいずれかの任意の変形例の主題を含む。
実施例３８は、少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、少なくとも１つの深層学習眼構造セグメンテーションモデルが、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む、実施例２４～３７のいずれかの任意の変形例の主題を含む。
実施例３９は、少なくとも１つの臨床測定指標が、シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む、実施例２４～３８のいずれかの任意の変形例の主題を含む。
実施例４０は、３Ｄ超音波撮像が、線形スキャン超音波取得技術、ジンバルスキャン超音波取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される、実施例２４～３９のいずれかの任意の変形例の主題を含む。
実施例４１は、３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、動作が、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換することを更に含み、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像が、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する、実施例２４～４０のいずれかの任意の変形例の主題を含む。
実施例４２は、３Ｄ超音波撮像を、デカルト（ｘ，ｙ，ｚ）座標から（θ，ｒ，ｚ）座標に変換することが、（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像のｚ軸に対する（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される眼の光学軸の傾きを補正することを更に含む、実施例２４～４１のいずれかの任意の変形例の主題を含む。
実施例４３は、動作が、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することと、３Ｄボリュームレンダリングを表示することと、を含む、実施例２４～４２のいずれかの任意の変形例の主題を含む。
実施例４４は、動作が、プロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、入力を受信したことに応答して、プロセッサの動作パラメータを変更することと、を含み、動作パラメータが、眼の３Ｄ超音波撮像にアクセスすること、３Ｄ超音波撮像のうちの少なくとも一部分を整列すること、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減すること、少なくとも１つのセグメント化眼構造を生成すること、３Ｄ超音波撮像で表される眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は３Ｄボリュームレンダリング、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、若しくは３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する、実施例２４～４３のいずれかの任意の変形例の主題を含む。
実施例４５は、動作が、少なくとも１つの深層学習眼セグメンテーションモデルを訓練することを更に含む、実施例２４～４５のいずれかの任意の変形例の主題を含む。
実施例４６は、動作が、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成することを更に含み、少なくとも１つの深層学習眼セグメンテーション訓練セットが、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む、実施例２４～４５のいずれかの任意の変形の主題を含む。別の実施例は、実施例２４～４６に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。別の実施例は、メモリと、プロセッサと、実施例２４～４６に記載された動作のうちのいずれかを実施するように構成された１つ以上の回路と、を含む、装置を含む。
実施例４７は、三次元（３Ｄ）超音波撮像で表される眼構造のセグメンテーションを容易にする装置を含む。装置は、プロセッサと、眼の３Ｄ超音波撮像データを記憶するように構成されている、メモリと、を含む。３Ｄ超音波撮像データは、入力／出力（Ｉ／Ｏ）インターフェースと、回路のセットと、プロセッサ、メモリ、Ｉ／Ｏインターフェース、及び回路のセットを接続する、インターフェースと、を含む。回路のセットは、眼の三次元（３Ｄ）超音波撮像にアクセスすることと、３Ｄ超音波撮像を前処理することと、３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することと、少なくとも１つのセグメント化眼構造に基づいて、少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、少なくとも１つのセグメント化眼構造、少なくとも１つの臨床測定指標、３Ｄ超音波撮像、又は３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つの視覚表現を出力することと、を行うように構成されている。
実施例４８は、３Ｄ超音波撮像を前処理することが、３Ｄ超音波撮像のうちの少なくとも一部分を整列して、３Ｄ超音波撮像のミスアライメントを低減することを含む、実施例４７に従属する。３Ｄ超音波撮像のうちの少なくとも一部分を整列することは、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、３Ｄ超音波撮像のうちの少なくとも一部分を整列することを含む。
実施例４９は、３Ｄ超音波撮像を前処理することが、３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含む、実施例４７に従属する。３Ｄ超音波撮像をノイズ低減することは、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、３Ｄ超音波撮像をノイズ低減することを含む。
実施例５０は、少なくとも１つの深層学習眼構造セグメンテーションモデルが、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、デカルト（ｘ，ｙ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、（θ，ｒ，ｚ）座標における３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む、実施例４７に従属する。
実施例５１は、少なくとも１つの深層学習眼構造セグメンテーションモデルが、第１の深層学習眼構造セグメンテーションモデルと、第２の深層学習眼構造セグメンテーションモデルと、を含み、少なくとも１つのセグメント化眼構造を生成することが、第１の予測セグメンテーションボリューム及び第２の第１の予測セグメンテーションボリュームの平均を計算することを含む、実施例５０に従属する。
実施例５２は、第１の予測セグメンテーションボリューム及び第２の第１の予測セグメンテーションボリュームの平均を計算することが、第１の予測セグメンテーションボリューム及び第２の第１の予測されるセグメンテーションボリュームの加重平均を計算することを含む、実施例５１に依存する。
実施例５３は、１つ以上の回路が、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することと、３Ｄボリュームレンダリングの視覚表現を出力することと、を行うように更に構成されている、実施例４７に依存する。
実施例５４は、少なくとも１つの眼構造が、前房、シュレム管及び収集チャネル、又は眼異常のうちの少なくとも１つを含む、実施例４７に依存する。
本明細書の例は、装置、超音波撮像システム又は装置、超音波画像処理及び分析システム又は装置、個人用医療システム、ＣＡＤｘシステム、プロセッサ、システム、回路、方法、方法の行為、工程又はブロックを実施するための手段、マシン（例えば、メモリを含むプロセッサ、特定用途向け集積回路（application-specific integrated circuit、ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（field programmable gate array、ＦＰＧＡ）など）によって実施されると、マシンに、記載される実施形態及び実施例に従って、眼の超音波画像を処理若しくは分析するための方法若しくは動作、又は装置若しくはシステムの行為を実施させる、実行可能命令を含む、少なくとも１つの機械可読媒体などの主題を含むことができる。
「一実施形態（one embodiment）」、「一実施形態（an embodiment）」、「一実施例（one example）」、及び「一実施例（an example）」への言及は、そのように記載される実施形態又は実施例が、特定の機能、構造、特徴、特性、要素、又は制限を含むことができるが、すべての実施形態又は実施例が、その特定の機能、構造、特徴、特性、要素又は制限を必ずしも含むわけではないことを示している。更に、語句「一実施形態では」の繰り返し使用は、必ずしも同じ実施形態を指すものではないが、これは可能である。
本明細書で使用するとき、「コンピュータ可読記憶デバイス」とは、命令又はデータを記憶するデバイスを指す。「コンピュータ可読記憶デバイス」は、伝播信号を指すものではない。コンピュータ可読記憶デバイスは、非揮発性媒体及び揮発性媒体を含むが、これらに限定されない形態をとることができる。不揮発性媒体は、例えば、光ディスク、磁気ディスク、テープ、及び他の媒体を含み得る。揮発性媒体は、例えば、半導体メモリ、ダイナミックメモリ、及び他の媒体を含み得る。コンピュータ可読記憶デバイスの一般的な形態は、フロッピー（登録商標）ディスク、可撓性ディスク、ハードディスク、磁気テープ、他の磁気媒体、特定用途向け集積回路（ＡＳＩＣ）、コンパクトディスク（compact disk、ＣＤ）、他の光学媒体、ランダムアクセスメモリ（random access memory、ＲＡＭ）、読み取り専用メモリ（read only memory、ＲＯＭ）、メモリチップ又はカード、メモリスティック、及びコンピュータ、プロセッサ、又は他の電子デバイスを読み取ることができる他の媒体を含み得る。
本明細書で使用するとき、「回路」は、機能若しくはアクションを実施するため、又は別の論理、方法、若しくはシステムからの機能若しくはアクションを引き起こすための、ハードウェア、ファームウェア、マシン上で実行されるソフトウェア、又は各々の組み合わせを含むが、これらに限定されない。回路は、ソフトウェア制御マイクロプロセッサ、別個の論理（例えば、ＡＳＩＣ）、アナログ回路、デジタル回路、プログラムされた論理デバイス、命令を含むメモリデバイス、及び他の物理デバイスを含み得る。回路は、１つ以上のゲート、ゲートの組み合わせ、又は他の回路構成要素を含み得る。複数の論理回路が説明される場合、複数の論理回路を１つの物理回路に組み込むことが可能であり得る。同様に、単一の論理回路が説明される場合、複数の物理回路間にその単一の論理回路を分配することが可能であり得る。
用語「含む（include）」又は「含む（including）」は、発明を実施するための形態又は特許請求の範囲において用いられる限り、その用語は、特許請求の範囲の移行語として使用されるときに解釈されるので、用語「含む（comprising）」と同様の方法で包含されることが意図される。
本明細書及び以下の特許請求の範囲を通して、文脈がそうでないことを必要としない限り、「含む（comprise）」及び「含む（include）」及び「含む（comprising）」及び「含む（including）」などの変形は、包含の観点から理解され、排除されないことを理解されたい。例えば、そのような用語が、記載された整数又は整数群を指すために使用される場合、そのような用語は、任意の他の整数又は整数群の排除を意味しない。
「又は」という用語が、発明を実施するための形態又は特許請求の範囲（例えば、Ａ又はＢ）で使用される限り、「Ａ又はＢ又は両方」を意味することが意図される。出願人が「Ａ又はＢのみであるが、両方ではない」を示すことを意図する場合、「Ａ又はＢのみであるが、両方ではない」という用語が使用される。したがって、本明細書における用語「又は」の使用は、包括的であり、排他的な使用ではない。Ｂｒｙａｎ Ａ．Ｇａｒｎｅｒ，Ａ Ｄｉｃｔｉｏｎａｒｙ ｏｆ Ｍｏｄｅｒｎ Ｌｅｇａｌ Ｕｓａｇｅ ６２４（２ｄ．Ｅｄ．１９９５）を参照。
例示的なシステム、方法、及び他の実施形態が実施例を説明することによって例示され、かつ実施例がかなり詳細に説明されているが、添付の特許請求の範囲をそのような詳細に制限するか、又はいかなる方法でも限定することは、出願人の意図ではない。当然ながら、本明細書に記載されるシステム、方法、及び他の実施形態を説明する目的のために、構成要素又は方法論のあらゆる考えられる組み合わせを説明することは不可能である。したがって、本発明は、具体的な詳細、代表的な装置、及び示され説明された例示的な実施例に限定されるものではない。したがって、本出願は、添付の特許請求の範囲内に含まれる変更、修正、及び変形を包含することを意図する。
以下の実施例は、非一時的コンピュータ可読記憶デバイスの形式で記載されるが、本開示は、そのような実施例の各々を、プロセッサ、メモリなどを含むデバイスのシステムとして完全に企図し、そのようなすべての実施例は、本開示の範囲内に入るものとして企図される。
実施例Ｂ１は、実行されると、プロセッサを制御して動作を実施する命令を記憶する、非一時的コンピュータ可読記憶デバイスであって、動作が、眼の３Ｄ超音波撮像にアクセスすることであって、３Ｄ超音波撮像が複数の２Ｄ超音波画像を含む、アクセスすることと、２Ｄ超音波画像ごとに２Ｄ超音波画像上に、正規化された相互相関を用いるペアワイズグレースケールの剛体画像の位置合わせを使用して、複数の２Ｄ超音波画像を整列させることによって、ペアワイズアライメントされた超音波画像のセットを生成することと、を含む、非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｂ２は、実施例Ｂ１の任意の変形例の主題を含み、動作は、ペアワイズアライメントされた画像のセット内に表される前房をセグメント化することによって、セグメント化前房を生成することであって、セグメント化前房が下部境界を含む、生成することと、前房のモデルにアクセスすることであって、前房のモデルが、前房の下部境界のモデル、虹彩のモデル、及びレンズのモデルを含む、アクセスすることと、セグメント化前房下部境界を下部境界のモデルと整列させることによって、整列されたセグメント化前房下部境界を生成することと、整列されたセグメント化前房下部境界に基づいて、ペアワイズアライメントされた超音波画像のセットを整列させることと、を含む。
実施例Ｂ３は、セグメント化前房を生成することが、少なくとも１つの深層学習前房セグメンテーションモデルを使用して、セグメント化前房を生成することを含む、実施例Ｂ１又はＢ２の任意の変形例の主題を含む。
実施例Ｂ４は、前房のモデルが、対称的な低次多項式、非対称の低次数多項式、又は高次多項式を含み、高次多項式が、対称的な低次多項式又は非対称の低次多項式よりも高次を有する、実施例Ｂ１～Ｂ３の任意の変形例の主題を含む。
実施例Ｂ５は、セグメント化前房下部境界を下部境界のモデルと整列することは、少なくとも正方形のアライメントを使用して、セグメント化前房下部境界を下部境界のモデルと整列することを含む、実施例Ｂ１～Ｂ４の任意の変形例の主題を含む。
実施例Ｂ６は、３Ｄ超音波撮像が、ｘで取得された複数の２Ｄ（ｙ，ｚ）超音波画像を含み、動作が、眼の直交（ｘ，ｚ）超音波画像のセットにアクセスすることであって、直交（ｘ，ｚ）超音波画像のセットが、ｘで取得された複数の２Ｄ（ｙ，ｚ）に直交してｙで取得され、直交（ｘ，ｚ）超音波画像のセットが、複数の２Ｄ（ｙ，ｚ）超音波画像よりも少ない部分を有し、直交（ｘ，ｚ）超音波画像のセットが、複数の２Ｄ（ｙ，ｚ）超音波画像よりも速い速度で取得される、アクセスすることと、ペアワイズアライメントされた超音波画像のセットを、直交（ｘ，ｚ）超音波画像のセットに位置合わせすることと、を更に含む、実施例Ｂ１の任意の変形例の主題を含む。
実施例Ｂ７は、ペアワイズアライメントされた画像のセットを、直交（ｘ，ｚ）超音波画像のセットに位置合わせすることは、３つの自由パラメータを用いる剛体位置合わせを使用して、ペアワイズアライメントされた画像のセットを、直交（ｘ，ｚ）超音波画像のセットに位置合わせすることを含み、ここで、３つの自由パラメータは、（Δｘ，Δｙ，Δｚ）を含む、実施例Ｂ１～Ｂ６（請求項Ｂ６に記載の非一時的コンピュータ可読記憶デバイス）の任意の変形例の主題を含む。
実施例Ｂ８は、３Ｄ超音波撮像が、ｘで取得された複数の２Ｄ（ｙ，ｚ）超音波画像を含み、動作は、眼の第２の３Ｄ超音波撮像にアクセスすることであって、第２の３Ｄ超音波撮像が、ｙで取得された複数の２Ｄ（ｘ，ｚ）超音波画像を含む、アクセスすることと、２Ｄ超音波画像ごとに２Ｄ超音波画像上に、正規化された相互相関を用いるペアワイズグレースケールの剛体画像の位置合わせを使用して、複数の２Ｄ（ｘ，ｚ）超音波画像を整列させることによって、第２のペアワイズアライメントされた超音波画像のセットを生成することと、ペアワイズアライメントされた超音波画像のセットを、第２のペアワイズアライメントされた超音波画像のセットに位置合わせすることと、を更に含む、実施例Ｂ１～Ｂ７の任意の変形例の主題を含む。
実施例Ｂ９は、実施例Ｂ１～Ｂ８に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｂ１０は、メモリと、実施例Ｂ１～Ｂ１０に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｃ１は、実行されると、プロセッサを制御して眼の三次元（３Ｄ）ボリュームレンダリングを生成するための動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、眼の３Ｄ超音波撮像にアクセスすることであって、３Ｄ超音波撮像が、二次元（２Ｄ）超音波画像の積層セットを含み、２Ｄ超音波画像のセットが、三次元（３Ｄ）ボリュームを画定し、２Ｄ超音波画像のセットの各部分が、複数のピクセルを含み、ピクセルが、関連する強度値を有し、３Ｄボリュームが、複数のボクセルを含み、ボクセルが、関連する色値、関連する不透明度値、又は関連する強度のうちの少なくとも１つを有する、アクセスすることと、３Ｄ超音波撮像をノイズ除去することと、３Ｄ超音波撮像を投影することと、３Ｄ超音波撮像をシェーディングすることと、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化技術を使用して、３Ｄ超音波撮像を表面分類することと、３Ｄ超音波撮像を再サンプリング及び合成することによって３Ｄボリュームレンダリングを生成することと、を含む。
実施例Ｃ２は、３Ｄ超音波撮像をノイズ除去することが、ガウスフィルタノイズ低減技術、非線形拡散フィルタリングノイズ低減技術、回転フレーム平均ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は少なくとも１つの深層学習ノイズ低減モデルであって、少なくとも１つの深層学習ノイズ低減モデルが、深層学習ノイズ低減モデル訓練セットで訓練される、少なくとも１つの深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、３Ｄ超音波撮像をノイズ除去することを含む、実施例Ｃ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｃ３は、３Ｄ超音波撮像をシェーディングすることが、Ｐｈｏｎｇの反射モデル又は深さ強化シェーディング技術のうちの少なくとも１つを使用して、３Ｄ超音波撮像をシェーディングすることを含む、実施例Ｃ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｃ４は、３Ｄ超音波撮像を、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化技術を用いて表面分類することが、複数のボクセルのうちの少なくとも１つの密度を選択的に強調することを含む、実施例Ｃ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｃ５は、３Ｄ超音波撮像を表面分類することが、３Ｄ超音波撮像の強度プロファイルに基づいて３Ｄ超音波撮像を閾値化することを含む、実施例Ｃ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｃ６は、３Ｄ超音波撮像を表面分類することが、特徴強化技術を用いて３Ｄ超音波撮像を表面分類することを更に含む、実施例Ｃ５に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｃ７は、特徴強化技術を使用して３Ｄ超音波撮像を表面分類することが、複数のボクセルのうちの少なくとも１つに関連する不透明度を増加させることを含み、複数のボクセルのうちの少なくとも１つの場所における３Ｄボリュームの勾配が、視野方向（Ｖ）に対して垂直に近づく、実施例Ｃ６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｃ８は、３Ｄ超音波撮像を再サンプリング及び合成することが、線形補間を使用して、複数のボクセルのうちの少なくとも１つに関連する色、及び複数のボクセルのうちの少なくとも１つに関連する不透明度を合成することを含む、実施例Ｃ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｃ９は、実施例Ｃ１～Ｃ８に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｃ１０は、メモリと、実施例Ｃ１～Ｃ８に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｄ１は、実行されると、プロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、眼の三次元（３Ｄ）超音波撮像にアクセスすることであって、３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標中の３Ｄボリュームを画定し、３Ｄ超音波撮像が、ｘで取得された複数の２Ｄ（ｙ，ｚ）画像を含む、アクセスすることと、３Ｄボリュームを、（θ，ｒ，ｚ）座標における等方性ボリュームに変換することと、等方性ボリュームのｚ軸に対して垂直なｘ－ｙ平面を画定することであって、ｘ－ｙ平面が等方性ボリュームの中心に設定される、画定することと、第１の角度間隔だけｘ－ｙ平面を回転させることと、等方性ボリュームからの補間を使用して、回転したｘ－ｙ平面のｘ－ｙ座標に基づいて放射状画像を抽出することであって、放射状画像が（θ，ｒ，ｚ）に記載される、抽出することと、を含む。
実施例Ｄ２は、等方性ボリュームからの補間を使用して、回転したｘ－ｙ平面のｘ－ｙ座標に基づいて放射状画像を抽出することが、二次三線サンプリングを使用して、ｘ１＝ｒｃｏｓθ，ｙ１＝ｒｓｉｎθに従って、放射状画像の座標を抽出することを含む、実施例Ｄ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｄ３は、第１の角度間隔が０．５度である、実施例Ｄ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｄ４は、動作が、（θ，ｒ，ｚ）座標中の等方性ボリュームのｚ軸に対する（θ，ｒ，ｚ）座標中の等方性ボリュームで表される眼の光軸の傾きを補正することを更に含む、実施例Ｄ１の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｄ５は、実施例Ｄ１～Ｄ４に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｄ６は、メモリと、実施例Ｄ１～Ｄ４に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｅ１は、実行されると、プロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、デカルト（ｘ，ｙ，ｚ）座標で表される眼の３Ｄ超音波撮像にアクセスすることと、デカルト（ｘ，ｙ，ｚ）座標で表される眼の３Ｄ超音波撮像を３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームに変換させることと、ノイズ低減技術を平均化する回転フレーム、異方性拡散フィルタ、非局所的平均フィルタ、又は中央核及び中央加重線形フィルタノイズ低減技術のうちの少なくとも１つを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することと、を含む。
実施例Ｅ２は、実施例Ｅ１に記載の非一時的コンピュータ可読記憶デバイスを含み、動作は、深層学習ノイズ低減モデル訓練セットで訓練された深層学習ノイズ低減モデルを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することを更に含む。
実施例Ｅ３は、深層学習ノイズ低減モデルが、ワッサースタイン距離及び知覚損失によって最適化された、敵対的生成ネットワークを含む、実施例Ｅ２に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｅ４は、実施例Ｅ１～Ｅ３に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｅ５は、メモリと、実施例Ｅ１～Ｅ３に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｅ６は、実行されると、プロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、深層学習ノイズ低減モデル訓練セットを生成することを含む。
実施例Ｅ７は、深層学習ノイズ低減モデル訓練セットを生成することが、眼の複数の３Ｄ超音波撮像にアクセスすることと、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することであって、サブサンプリングされたノイズの多いセットが眼の複数の３Ｄ超音波撮像よりも少ない部分を含む、抽出することと、回転フレーム平均化を使用して、眼の複数の３Ｄ超音波撮像の各部分をノイズ低減することにより、３Ｄ超音波撮像のノイズ低減セットを生成することと、を含む、実施例Ｅ６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｅ８は、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することが、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の同様にサンプリングされたノイズの多いセット、又は眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の不均等にサンプリングされたノイズの多いセットを抽出することを含む、実施例Ｅ７に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｅ９は、眼の複数の３Ｄ超音波撮像の各部分が、ｘにおける高密度サンプリングを使用して取得される、実施例Ｅ７に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｅ１０は、眼の複数の３Ｄ超音波撮像の各部分が、シミュレートされた空間的配合を使用して取得される、実施例Ｅ７に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｅ１１は、実施例Ｅ６～Ｅ９に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｅ１２は、実施例Ｅ６～Ｅ８及びＥ１０に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｅ１３は、メモリと、実施例Ｅ６～Ｅ９に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｅ１４は、メモリと、実施例Ｅ６～Ｅ８及びＥ１０に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｉ１は、実行されると、プロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、デカルト（ｘ，ｙ，ｚ）座標で表される眼の３Ｄ超音波撮像にアクセスすることであって、眼がシュレム管及び収集チャネルを拡張する眼内造影剤を注入されている、アクセスすることと、デカルト（ｘ，ｙ，ｚ）座標で表される眼の３Ｄ超音波撮像を３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームに変換させることと、ノイズ低減技術を平均化する回転フレーム、異方性拡散フィルタ、非局所的平均フィルタ、又は中央核及び中央加重線形フィルタノイズ低減技術のうちの少なくとも１つを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することと、を含む。
実施例Ｉ２は、中央カーネルが、（５、３、３）の寸法を有し、中心加重線形フィルタが、（７、３、３）の寸法を有する、実施例Ｉ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｉ３は、実施例Ｉ１に記載の非一時的コンピュータ可読記憶デバイスを含み、動作は、シュレム管深層学習ノイズ低減モデル訓練セットについて訓練された深層学習ノイズ低減モデルを使用して、３Ｄラジアル（θ，ｒ，ｚ）座標ボリュームをノイズ低減することを更に含む。
実施例Ｉ４は、深層学習ノイズ低減モデルが、ワッサースタイン距離及び知覚損失によって最適化された、敵対的生成ネットワークを含む、実施例Ｉ３に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｉ５は、実施例Ｉ１～Ｉ４に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｉ６は、メモリと、実施例Ｉ１～Ｉ４に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｉ７は、実行されると、プロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、シュレム管深層学習ノイズ低減モデル訓練セットを生成することを含む。
実施例Ｉ８は、シュレム管深層学習ノイズ低減モデル訓練セットを生成することが、眼の複数の３Ｄ超音波撮像にアクセスすることであって、眼のうちの少なくとも１つがシュレム管及び収集チャネルを拡張する眼内造影剤を注入されている、アクセスすることと、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することであって、サブサンプリングされたノイズの多いセットが眼の複数の３Ｄ超音波撮像よりも少ない部分を含む、抽出することと、回転フレーム平均化を使用して、眼の複数の３Ｄ超音波撮像の各部分をノイズ低減することにより、３Ｄ超音波撮像のノイズ低減セットを生成することと、を含む、実施例Ｉ７に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｉ９は、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像のサブサンプリングされたノイズの多いセットを抽出することが、眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の同様にサンプリングされたノイズの多いセット、又は眼の複数の３Ｄ超音波撮像から３Ｄ超音波撮像の不均等にサンプリングされたノイズの多いセットを抽出することを含む、実施例Ｉ８に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｉ１０は、眼の複数の３Ｄ超音波撮像の各部分が、ｘにおける高密度サンプリングを使用して取得される、実施例Ｉ８に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｉ１１は、眼の複数の３Ｄ超音波撮像の各部分が、シミュレートされた空間的配合を使用して取得される、実施例Ｉ８に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｉ１２は、実施例Ｉ７～Ｉ１０に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｉ１３は、実施例Ｉ７～Ｉ９及びＩ１１に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｉ１４は、メモリと、実施例Ｉ７～Ｉ１０に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｉ１５は、メモリと、実施例Ｉ７～Ｉ９及びＩ１１に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｆ１は、実行されると、少なくとも１つのプロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、眼の第１の三次元（３Ｄ）超音波撮像にアクセスすることであって、第１の３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標における異方性３Ｄボリュームを画定する、アクセスすることと、第１の３Ｄ超音波撮像からデカルト二次元（２Ｄ）超音波画像の第１のセットを抽出することであって、デカルト２Ｄ超音波画像の第１のセットの部分が、（ｙ，ｚ）座標で表される、抽出することと、第１の３Ｄ超音波撮像で表される前房の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習前房（ＡＣ）セグメンテーションモデルに、デカルト２Ｄ超音波画像の第１のセットを提供することと、第１の深層学習ＡＣセグメンテーションモデルから、ＡＣの異方性予測セグメンテーションボリュームを受け入れることであって、異方性予測セグメンテーションボリュームが、（ｘ，ｙ，ｚ）座標で表される、受け入れることと、第１の３Ｄ超音波撮像をラジアル（θ，ｒ，ｚ）座標に変換することによって、第２の異なる３Ｄ超音波撮像を生成することであって、第２の３Ｄ超音波撮像が、ラジアル（θ，ｒ，ｚ）座標で等方性３Ｄボリュームを画定する、生成することと、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することであって、放射状２Ｄ超音波画像のセットの部分が、（ｒ，ｚ）座標で表される、抽出することと、第２の異なる３Ｄ超音波撮像で表されるＡＣの異方性予測セグメンテーションボリュームを生成するように構成された第２の異なる深層学習ＡＣセグメンテーションモデルに、放射状２Ｄ超音波画像のセットを提供することと、第２の深層学習ＡＣセグメンテーションモデルから、ＡＣの第１の等方性予測セグメンテーションボリュームを受け入れることであって、第１の等方性予測セグメンテーションボリュームが、（θ，ｒ，ｚ）座標で表される、受け入れることと、異方性予測セグメンテーションボリュームを、（θ，ｒ，ｚ）で表される第２の異なる等方性予測セグメンテーションボリュームに変換することと、第１の等方性予測セグメンテーションボリューム及び第２の等方性予測セグメンテーションボリュームの加重平均を計算することによって、組み合わされた等方性予測セグメンテーションボリュームを生成することと、組み合わされた等方性予測セグメンテーションボリュームに基づいてセグメント化ＡＣを生成することと、を含む。
実施例Ｆ２は、第１の３Ｄ超音波撮像が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）を使用して取得される、実施例Ｆ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ３は、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することが、第２の異なる３Ｄ超音波撮像から、３６０個の（ｒ，ｚ）画像を０．５の角度間隔で抽出することを含む、実施例Ｆ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ４は、第１の深層学習ＡＣセグメンテーションモデルが、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームから抽出された２Ｄ（ｙ，ｚ）画像のセットで訓練され、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連するＡＣグラウンドトゥルースを有する、実施例Ｆ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ５は、第２の深層学習ＡＣセグメンテーションモデルが、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって生成された、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから抽出されたラジアル２Ｄ（ｒ，ｚ）画像のセットについて訓練される、実施例Ｆ４に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ６は、第１の深層学習ＡＣセグメンテーションモデルが、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む、実施例Ｆ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ７は、第１の深層学習ＡＣセグメンテーションモデルが、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減するように最適化される、実施例Ｆ６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ８は、第２の深層学習ＡＣセグメンテーションモデルが、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む、実施例Ｆ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ９は、第２の深層学習ＡＣセグメンテーションモデルが、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減するように最適化される、実施例Ｆ８に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ１０は、実施例Ｆ１に記載の非一時的コンピュータ可読記憶デバイスを含み、動作は、第１の深層学習ＡＣセグメンテーションモデル又は第２の深層学習ＡＣセグメンテーションモデルのうちの少なくとも１つを訓練することを更に含み、第１の深層学習ＡＣセグメンテーションモデル又は第２の深層学習ＡＣセグメンテーションモデルのうちの少なくとも１つを訓練することは、前房訓練セットにアクセスすることであって、前房訓練セットが、（ｘ，ｙ，ｚ）座標で表される複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連する前房グラウンドトゥルースを有する、アクセスすることと、前房訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することと、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連する前房グラウンドトゥルースで第１の深層学習ＡＣセグメンテーションモデルを訓練することと、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波撮像眼ボリュームを生成することと、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを抽出することと、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセット及び関連する前房グラウンドトゥルースで第２の深層学習ＡＣセグメンテーションモデルを訓練することと、を含む。
実施例Ｆ１１は、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習ＡＣセグメンテーションモデルを訓練することが、少なくとも第１の深層学習ＡＣセグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｆ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ１２は、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習ＡＣセグメンテーションモデルを訓練することが、少なくとも第２の深層学習ＡＣセグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｆ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ１３は、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｆ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ１４は、実施例Ｆ１～１３に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｆ１５は、メモリと、実施例Ｆ１～１３に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｆ１６は、実行されると、少なくとも１つのプロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、前房訓練セットにアクセスすることであって、前房訓練セットが、（ｘ，ｙ，ｚ）座標で表される複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連する前房グラウンドトゥルースを有する、アクセスすることと、前房訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することと、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連する前房グラウンドトゥルースで、前房の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習ＡＣセグメンテーションモデルを訓練することと、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波撮像眼ボリュームを生成することと、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを抽出することと、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセット及び関連する前房グラウンドトゥルースで、ＡＣの等方性予測セグメンテーションボリュームを生成するように構成された第２の深層学習ＡＣセグメンテーションモデルを訓練することと、を含む。
実施例Ｆ１７は、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習ＡＣセグメンテーションモデルを訓練することが、少なくとも第１の深層学習ＡＣセグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｆ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ１８は、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習ＡＣセグメンテーションモデルを訓練することが、少なくとも第２の深層学習ＡＣセグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習ＡＣセグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｆ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ１９は、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｆ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｆ２０は、実施例Ｆ１６～１９に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｆ２１は、メモリと、実施例Ｆ１６～１９に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｇ１は、実行されると、プロセッサを制御して超音波撮像で表される強膜岬の場所を決定するための動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、眼、及び２Ｄ放射状ビューに関連するセグメント化前房の２Ｄ放射状ビュー超音波画像にアクセスすることであって、２Ｄ放射状ビュー超音波画像が、複数のピクセルを含み、ピクセルが、関連するグレースケール強度値有する、アクセスすることと、２Ｄ放射状ビュー及びセグメント化前房に基づいて、内側角膜適合曲線を画定することと、内側角膜適合曲線上の第１の点ｉを選択することと、内側角膜適合曲線上の第２の異なる点ｉ＋１を選択することと、第１の点ｉにおける内側角膜適合曲線の接線に対して垂直な第１の線に沿ったピクセルグレースケール強度値の第１の合計Ｓ（ｉ）を計算することと、第２の点ｉ＋１における内側角膜適合曲線の接線に対して垂直な第２の線に沿ったピクセルグレースケール強度値の第２の合計Ｓ（ｉ＋１）を計算することと、２Ｄ放射状ビューに表されるシュワルベ線の場所を決定することであって、シュワルベ線の場所を決定することが、内側角膜適合線Ｓ（ｉ）－Ｓ（ｉ＋１）が予め設定された閾値よりも大きい場所を見つけることを含む、決定することと、２Ｄ放射状ビューに表される強膜岬の場所を決定することであって、強膜岬の場所を決定することが、シュワルベ線の場所に対して第１の距離だけ後方に、内側角膜適合曲線上の点を位置決めすることを含む、決定することと、を含む。
実施例Ｇ２は、第１の線が、第１の点から外側角膜に向かって０．１ｍｍ延在しており、第２の線が、第２の点から外側角膜に向かって０．１ｍｍ延在している、請求項Ｇ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｇ３は、予め設定された閾値が、２Ｄ放射状ビュー超音波画像又は３Ｄ画像全体の強度レベルに基づくグレースケールピクセル強度レベル閾値である、請求項Ｇ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｇ４は、第１の距離が１ｍｍである、請求項Ｇ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｇ５は、実施例Ｇ１～４に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｇ６は、メモリと、実施例Ｇ１～４に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｈ１は、実行されると、少なくとも１つのプロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、患者に関連する対象の領域（ＲＯＩ）の第１の三次元（３Ｄ）超音波撮像にアクセスすることであって、ＲＯＩがヒトの眼の眼異常を含み、第１の３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標における異方性３Ｄボリュームを画定する、アクセスすることと、第１の３Ｄ超音波撮像からデカルト二次元（２Ｄ）超音波画像の第１のセットを抽出することであって、デカルト２Ｄ超音波画像の第１のセットの部分が、（ｙ，ｚ）座標で表される、抽出することと、眼異常の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習眼異常セグメンテーションモデルに、デカルト２Ｄ超音波画像の第１のセットを提供することと、第１の深層学習眼異常セグメンテーションモデルから、眼異常の異方性予測セグメンテーションボリュームを受け入れることであって、異方性予測セグメンテーションボリュームが、（ｘ，ｙ，ｚ）座標で表される、受け入れることと、第１の３Ｄ超音波撮像をラジアル（θ，ｒ，ｚ）座標に変換することによって、第２の異なる３Ｄ超音波撮像を生成することであって、第２の３Ｄ超音波撮像が、ラジアル（θ，ｒ，ｚ）座標で等方性３Ｄボリュームを画定する、生成することと、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することであって、放射状２Ｄ超音波画像のセットの部分が、（ｒ，ｚ）座標で表される、抽出することと、眼異常の異方性予測セグメンテーションボリュームを生成するように構成された第２の異なる深層学習眼異常セグメンテーションモデルに、放射状２Ｄ超音波画像のセットを提供することと、第２の深層学習眼異常セグメンテーションモデルから、眼異常の第１の等方性予測セグメンテーションボリュームを受け入れることであって、第１の等方性予測セグメンテーションボリュームが、（θ，ｒ，ｚ）座標で表される、受け入れることと、異方性予測セグメンテーションボリュームを、（θ，ｒ，ｚ）で表される第２の異なる等方性予測セグメンテーションボリュームに変換することと、第１の等方性予測セグメンテーションボリューム及び第２の等方性予測セグメンテーションボリュームの加重平均を計算することによって、組み合わされた等方性予測セグメンテーションボリュームを生成することと、組み合わされた等方性予測セグメンテーションボリュームに基づいてセグメント化眼異常を生成することと、を含む。
実施例Ｈ２は、第１の３Ｄ超音波撮像が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｈ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ３は、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することが、第２の異なる３Ｄ超音波撮像から、３６０個の（ｒ，ｚ）画像を０．５の角度間隔で抽出することを含む、実施例Ｈ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ４は、第１の深層学習眼異常セグメンテーションモデルが、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームから抽出された２Ｄ（ｙ，ｚ）画像のセットで訓練され、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、患者にそれぞれ関連付けられており、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連する眼異常グラウンドトゥルースを有する、実施例Ｈ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ５は、第２の深層学習眼異常セグメンテーションモデルが、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって生成された、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから抽出されたラジアル２Ｄ（ｒ，ｚ）画像のセットについて訓練される、実施例Ｈ４に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ６は、第１の深層学習眼異常セグメンテーションモデルが、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む、実施例Ｈ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ７は、第１の深層学習眼異常セグメンテーションモデルが、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減するように最適化される、実施例Ｈ６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ８は、第２の深層学習眼異常セグメンテーションモデルが、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む、実施例Ｈ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ９は、第２の深層学習眼異常セグメンテーションモデルが、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減するように最適化される、実施例Ｈ８に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ１０は、実施例Ｈ１に記載の非一時的コンピュータ可読記憶デバイスを含み、動作は、第１の深層学習眼異常セグメンテーションモデル又は第２の深層学習眼異常セグメンテーションモデルのうちの少なくとも１つを訓練することを更に含み、第１の深層学習眼異常セグメンテーションモデル又は第２の深層学習眼異常セグメンテーションモデルのうちの少なくとも１つを訓練することは、眼異常訓練セットにアクセスすることであって、眼異常訓練セットが、（ｘ，ｙ，ｚ）座標で表される複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、患者にそれぞれ関連付けられており、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連する眼異常グラウンドトゥルースを有する、アクセスすることと、眼異常訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することと、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連する眼異常グラウンドトゥルースで第１の深層学習眼異常セグメンテーションモデルを訓練することと、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波撮像眼ボリュームを生成することと、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを抽出することと、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセット及び関連する眼異常グラウンドトゥルースで第２の深層学習眼異常セグメンテーションモデルを訓練することと、を含む。
実施例Ｈ１１は、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習眼異常セグメンテーションモデルを訓練することが、少なくとも第１の深層学習眼異常セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｈ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ１２は、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習眼異常セグメンテーションモデルを訓練することが、少なくとも第２の深層学習眼異常セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｈ１１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ１３は、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｈ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ１４は、実施例Ｈ１～１３に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｈ１５は、メモリと、実施例Ｈ１～１３に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｈ１６は、実行されると、少なくとも１つのプロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、眼異常訓練セットにアクセスすることであって、眼異常訓練セットが、（ｘ，ｙ，ｚ）座標で表される複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、それぞれ患者に関連付けられており、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連する眼異常グラウンドトゥルースを有する、アクセスすることと、眼異常訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することと、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連する眼異常グラウンドトゥルースで、眼異常の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習眼異常セグメンテーションモデルを訓練することと、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波撮像眼ボリュームを生成することと、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを抽出することと、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセット及び関連する眼異常グラウンドトゥルースで、眼異常の等方性予測セグメンテーションボリュームを生成するように構成された第２の深層学習眼異常セグメンテーションモデルを訓練することと、を含む。
実施例Ｈ１７は、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習眼異常セグメンテーションモデルを訓練することが、少なくとも第１の深層学習眼異常セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｈ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ１８は、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習眼異常セグメンテーションモデルを訓練することが、少なくとも第２の深層学習眼異常セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習眼異常セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｈ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ１９は、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｈ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｈ２０は、実施例Ｈ１６～１９に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｈ２１は、メモリと、実施例Ｈ１６～１９に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｊ１は、実行されると、少なくとも１つのプロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、眼の第１の三次元（３Ｄ）超音波撮像にアクセスすることであって、第１の３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標における異方性３Ｄボリュームを画定し、眼がシュレム管及び収集チャネルを拡張する眼内造影剤を注入されている、アクセスすることと、第１の３Ｄ超音波撮像からデカルト二次元（２Ｄ）超音波画像の第１のセットを抽出することであって、デカルト２Ｄ超音波画像の第１のセットの部分が、（ｙ，ｚ）座標で表される、抽出することと、第１の３Ｄ超音波撮像で表されるシュレム管の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習シュレム管セグメンテーションモデルに、デカルト２Ｄ超音波画像の第１のセットを提供することと、第１の深層学習シュレム管セグメンテーションモデルから、シュレム管の異方性予測セグメンテーションボリュームを受け入れることであって、異方性予測セグメンテーションボリュームが、（ｘ，ｙ，ｚ）座標で表される、受け入れることと、第１の３Ｄ超音波撮像をラジアル（θ，ｒ，ｚ）座標に変換することによって、第２の異なる３Ｄ超音波撮像を生成することであって、第２の３Ｄ超音波撮像が、ラジアル（θ，ｒ，ｚ）座標で等方性３Ｄボリュームを画定する、生成することと、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することであって、放射状２Ｄ超音波画像のセットの部分が、（ｒ，ｚ）座標で表される、抽出することと、第２の異なる３Ｄ超音波撮像で表されるシュレム管の異方性予測セグメンテーションボリュームを生成するように構成された第２の異なる深層学習シュレム管セグメンテーションモデルに、放射状２Ｄ超音波画像のセットを提供することと、第２の深層学習シュレム管セグメンテーションモデルから、シュレム管の第１の等方性予測セグメンテーションボリュームを受け入れることであって、第１の等方性予測セグメンテーションボリュームが、（θ，ｒ，ｚ）座標で表される、受け入れることと、異方性予測セグメンテーションボリュームを、（θ，ｒ，ｚ）で表される第２の異なる等方性予測セグメンテーションボリュームに変換することと、第１の等方性予測セグメンテーションボリューム及び第２の等方性予測セグメンテーションボリュームの加重平均を計算することによって、組み合わされた等方性予測セグメンテーションボリュームを生成することと、組み合わされた等方性予測セグメンテーションボリュームに基づいてセグメント化シュレム管を生成することと、を含む。
実施例Ｊ２は、第１の３Ｄ超音波撮像が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｊ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ３は、第２の異なる３Ｄ超音波撮像から放射状２Ｄ超音波画像のセットを抽出することが、第２の異なる３Ｄ超音波撮像から、３６０個の（ｒ，ｚ）画像を０．５の角度間隔で抽出することを含む、実施例Ｊ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ４は、第１の深層学習シュレム管セグメンテーションモデルが、（ｘ，ｙ，ｚ）座標で表される複数の異方性デカルト３Ｄ超音波撮像眼ボリュームから抽出された２Ｄ（ｙ，ｚ）画像のセットで訓練され、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、シュレム管グラウンドトゥルースにそれぞれ関連付けられており、複数の異方性デカルト３Ｄ超音波眼ボリュームの各部分が、シュレム管又は収集チャネルを拡張する眼内造影剤を注入された眼を表す、実施例Ｊ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ５は、第２の深層学習シュレム管セグメンテーションモデルが、複数の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって生成された、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから抽出されたラジアル２Ｄ（ｒ，ｚ）画像のセットについて訓練される、実施例Ｊ４に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ６は、第１の深層学習シュレム管セグメンテーションモデルが、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む、実施例Ｊ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ７は、第１の深層学習シュレム管セグメンテーションモデルが、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減するように最適化される、実施例Ｊ６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ８は、第２の深層学習シュレム管セグメンテーションモデルが、完全な畳み込みネットワークアーキテクチャを有する畳み込みニューラルネットワーク（ＣＮＮ）を含む、実施例Ｊ１に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ９は、第２の深層学習シュレム管セグメンテーションモデルが、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減するように最適化される、実施例Ｊ８に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ１０は、実施例Ｊ１に記載の非一時的コンピュータ可読記憶デバイスを含み、動作は、第１の深層学習シュレム管セグメンテーションモデル又は第２の深層学習シュレム管セグメンテーションモデルのうちの少なくとも１つを訓練することを更に含み、第１の深層学習シュレム管セグメンテーションモデル又は第２の深層学習シュレム管セグメンテーションモデルのうちの少なくとも１つを訓練することは、シュレム管訓練セットにアクセスすることであって、シュレム管訓練セットが、（ｘ，ｙ，ｚ）座標で表される複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連するシュレム管グラウンドトゥルースを有し、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、シュレム管及び収集チャネルを拡張する眼内造影剤を注入された眼を表す、アクセスすることと、シュレム管訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することと、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連する前房グラウンドトゥルースで第１の深層学習シュレム管セグメンテーションモデルを訓練することと、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波撮像眼ボリュームを生成することと、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを抽出することと、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセット及び関連する前房グラウンドトゥルースで第２の深層学習シュレム管セグメンテーションモデルを訓練することと、を含む。
実施例Ｊ１１は、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習シュレム管セグメンテーションモデルを訓練することが、少なくとも第１の深層学習シュレム管セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｊ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ１２は、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習シュレム管セグメンテーションモデルを訓練することが、少なくとも第２の深層学習シュレム管セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｊ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ１３は、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｊ１０に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ１４は、実施例Ｊ１～１３に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｊ１５は、メモリと、実施例Ｊ１～１３に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
実施例Ｊ１６は、実行されると、少なくとも１つのプロセッサを制御して動作を実施する命令を記憶する非一時的コンピュータ可読記憶デバイスを含み、動作は、シュレム管訓練セットにアクセスすることであって、シュレム管訓練セットが、（ｘ，ｙ，ｚ）座標で表される複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームを含み、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、関連するシュレム管グラウンドトゥルースを有し、複数の訓練用の異方性デカルト３Ｄ超音波眼ボリュームの各部分が、シュレム管及び収集チャネルを拡張する眼内造影剤を注入された眼を表す、アクセスすることと、シュレム管訓練セットから訓練用の２Ｄ（ｙ，ｚ）画像のセットを抽出することと、訓練用の２Ｄ（ｙ，ｚ）画像のセット及び関連する前房グラウンドトゥルースで、前房の異方性予測セグメンテーションボリュームを生成するように構成された第１の深層学習シュレム管セグメンテーションモデルを訓練することと、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームをラジアル（θ，ｒ，ｚ）座標に変換することによって、複数の等方性放射状３Ｄ超音波撮像眼ボリュームを生成することと、複数の等方性放射状３Ｄ超音波撮像眼ボリュームから訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを抽出することと、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセット及び関連するシュレム管グラウンドトゥルースで、シュレム管の等方性予測セグメンテーションボリュームを生成するように構成された第２の深層学習シュレム管セグメンテーションモデルを訓練することと、を含む。
実施例Ｊ１７は、訓練用の２Ｄ（ｙ，ｚ）画像のセットを用いて第１の深層学習シュレム管セグメンテーションモデルを訓練することが、少なくとも第１の深層学習シュレム管セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第１の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｊ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ１８は、訓練用の放射状２Ｄ（ｒ，ｚ）画像のセットを用いて第２の深層学習シュレム管セグメンテーションモデルを訓練することが、少なくとも第２の深層学習シュレム管セグメンテーションモデルを最適化して、確率勾配降下損失関数最適化技術、ＲＭＳｐｒｏｐ損失関数最適化技術、Ａｄａｇｒａｄ損失関数最適化技術、Ａｄａｄｅｌｔａ損失関数最適化技術、又はＡｄａｍ損失関数最適化技術のうちの少なくとも１つを使用して、第２の深層学習シュレム管セグメンテーションモデルに関連する損失関数を低減することを含む、実施例Ｊ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ１９は、複数の訓練用の異方性デカルト３Ｄ超音波撮像眼ボリュームの各部分が、３Ｄ超音波生物顕微鏡（３Ｄ－ＵＢＭ）撮像を使用して取得される、実施例Ｊ１６に記載の非一時的コンピュータ可読記憶デバイスを含む。
実施例Ｊ２０は、実施例Ｊ１６～１９に記載された動作のうちのいずれかを実施するためにプロセッサによって実行される命令を記憶する機械可読記憶デバイスを含む。
実施例Ｊ２１は、メモリと、実施例Ｊ１６～１９に記載された動作のうちのいずれかを実施するように構成された１つ以上のプロセッサと、を含む、装置を含む。
以下に、出願当初の特許請求の範囲に記載の事項を、そのまま、付記しておく。
［Ｃ１］
装置であって、
実行されると、プロセッサを制御して動作を実施する命令を記憶するように構成されている、メモリと、
入力／出力（Ｉ／Ｏ）インターフェースと、
１つ以上のプロセッサと、
前記メモリ、前記Ｉ／Ｏインターフェース、及び前記１つ以上のプロセッサを接続する、インターフェースであって、前記１つ以上のプロセッサが、
眼の三次元（３Ｄ）超音波撮像にアクセスすることと、
前記３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、前記少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、前記３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成することと、
前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、
前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、又は前記３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することと、を行うように構成されている、インターフェースと、を含む、装置。
［Ｃ２］
前記１つ以上のプロセッサが、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列して、前記３Ｄ超音波撮像のミスアライメントを低減するように構成されており、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することを含む、Ｃ１に記載の装置。
［Ｃ３］
前記１つ以上のプロセッサが、前記３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減するように構成されており、前記３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は少なくとも１つの深層学習ノイズ低減モデルであって、前記少なくとも１つの深層学習ノイズ低減モデルが、深層学習ノイズ低減モデル訓練セットで訓練される、少なくとも１つの深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像をノイズ低減することを含む、Ｃ１に記載の装置。
［Ｃ４］
前記１つ以上のプロセッサが、前記少なくとも１つの深層学習ノイズ低減モデルを訓練するように構成されている、Ｃ３に記載の装置。
［Ｃ５］
前記１つ以上のプロセッサが、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成するように更に構成されており、前記深層学習ノイズ低減モデルを訓練することが、前記少なくとも１つの深層学習ノイズ低減モデル訓練セットを用いて、前記少なくとも１つの深層学習ノイズ低減モデルを訓練することを含む、Ｃ４に記載の装置。
［Ｃ６］
前記少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、前記少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成することが、眼の３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化ノイズ低減訓練セットを生成することを含み、前記眼のうちの少なくとも１つが、シュレム管又は収集チャネルを拡張する眼内造影剤を注入されている、Ｃ５に記載の装置。
［Ｃ７］
前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、
デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は
（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む、Ｃ１に記載の装置。
［Ｃ８］
前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前記第１の深層学習眼構造セグメンテーションモデルと、前記第２の深層学習眼構造セグメンテーションモデルと、を含み、前記少なくとも１つのセグメント化眼構造を生成することが、前記第１の予測セグメンテーションボリューム及び前記第２の予測セグメンテーションボリュームの加重平均を計算することを更に含む、Ｃ７に記載の装置。
［Ｃ９］
前記少なくとも１つの眼構造が、前房を含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む、Ｃ７に記載の装置。
［Ｃ１０］
前記少なくとも１つの臨床測定指標が、虹彩角膜角度、前記前房のボリューム、又は前記前房の面積のうちの少なくとも１つを含む、Ｃ９に記載の装置。
［Ｃ１１］
前記少なくとも１つの臨床測定指標が、虹彩角膜角度を含み、前記少なくとも１つのセグメント化眼構造が、セグメント化前房を含み、前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する前記少なくとも１つの臨床測定指標を計算することが、
前記セグメント化前房の頂点を検出することと、
前記セグメント化前房に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することと、
前記内側角膜適合曲線に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表されるシュワルベ線の場所を決定することと、
前記シュワルベ線の場所に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される強膜岬を位置決めすることと、
前記強膜岬、前記内側角膜適合曲線、及び前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、
前記セグメント化前房の頂点及び前記ＡＯＤ ２５０又は前記ＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、
前記ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む、Ｃ１０に記載の装置。
［Ｃ１２］
前記少なくとも１つの眼構造が、少なくとも１つの眼異常を含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む、Ｃ７に記載の装置。
［Ｃ１３］
前記少なくとも１つの臨床測定指標が、前記眼異常の場所、前記眼異常のボリューム、前記眼異常の面積、又は前記眼異常の長さのうちの少なくとも１つを含む、Ｃ１２に記載の装置。
［Ｃ１４］
前記少なくとも１つの眼異常が、腫瘍、嚢腫、黒色腫、又は母斑を含む、Ｃ１２に記載の装置。
［Ｃ１５］
前記少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む、Ｃ７に記載の装置。
［Ｃ１６］
前記少なくとも１つの臨床測定指標が、前記シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む、Ｃ１５に記載の装置。
［Ｃ１７］
前記３Ｄ超音波撮像が、線形スキャン超音波取得技術、ジンバルスキャン超音波取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される、Ｃ１に記載の装置。
［Ｃ１８］
前記３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、前記１つ以上のプロセッサが、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換するように構成されており、前記（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像が、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する、Ｃ１に記載の装置。
［Ｃ１９］
前記３Ｄ超音波撮像を、デカルト（ｘ，ｙ，ｚ）座標から（θ，ｒ，ｚ）座標に変換することが、（θ，ｒ，ｚ）に記載されている前記３Ｄ超音波撮像のｚ軸に対する前記（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される前記眼の光学軸の傾きを補正することを更に含む、Ｃ１８に記載の装置。
［Ｃ２０］
前記１つ以上のプロセッサが、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、前記３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成するように構成されており、前記１つ以上のプロセッサが、前記３Ｄボリュームレンダリングを表示するように更に構成されている、Ｃ１に記載の装置。
［Ｃ２１］
前記１つ以上のプロセッサが、前記１つ以上のプロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、前記入力を受信したことに応答して、前記１つ以上のプロセッサの前記動作パラメータを変更することと、を行うように構成されており、前記動作パラメータが、前記眼の３Ｄ超音波撮像にアクセスすること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列すること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分をノイズ低減すること、前記少なくとも１つのセグメント化眼構造を生成すること、前記３Ｄ超音波撮像で表される前記眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は３Ｄボリュームレンダリング、前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、若しくは前記３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する、Ｃ１に記載の装置。
［Ｃ２２］
前記１つ以上のプロセッサが、前記少なくとも１つの深層学習眼セグメンテーションモデルを訓練するように構成されている、Ｃ１に記載の装置。
［Ｃ２３］
前記１つ以上のプロセッサが、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成するように構成されており、前記少なくとも１つの深層学習眼セグメンテーション訓練セットが、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む、Ｃ２２に記載の装置。
［Ｃ２４］
実行されると、プロセッサを制御して動作を実施するコンピュータ実行可能命令を記憶する、非一時的コンピュータ可読記憶デバイスであって、前記動作が、
眼の三次元（３Ｄ）超音波撮像にアクセスすることと、
前記３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、前記３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成することと、
前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、
前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、又は前記３Ｄ超音波撮像のうちの前記少なくとも一部分のうちの少なくとも１つを表示することと、を含む、非一時的コンピュータ可読記憶デバイス。
［Ｃ２５］
前記動作が、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列して、前記３Ｄ超音波撮像のミスアライメントを低減することを含み、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することを含む、Ｃ２４に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ２６］
前記動作が、前記３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含み、前記３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像をノイズ低減することを含む、Ｃ２４に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ２７］
前記動作が、前記深層学習ノイズ低減モデルを訓練することを含む、Ｃ２６に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ２８］
前記動作が、深層学習ノイズ低減モデル訓練セットを生成することを含み、前記深層学習ノイズ低減モデルを訓練することが、前記深層学習ノイズ低減モデル訓練セットを用いて前記深層学習ノイズ低減モデルを訓練することを含む、Ｃ２７に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ２９］
前記少なくとも１つの眼構造が、シュレム管及び収集ダクトを含み、前記深層学習ノイズ低減モデル訓練セットを生成することが、眼のノイズ低減３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化訓練セットを生成することを含み、前記眼が、眼内造影剤を注入されている、Ｃ２８に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３０］
前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、
デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は
（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む、Ｃ２４に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３１］
前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前記第１の深層学習眼構造セグメンテーションモデルと、前記第２の深層学習眼構造セグメンテーションモデルと、を含み、前記少なくとも１つのセグメント化眼構造を生成することが、前記第１の予測セグメンテーションボリューム及び前記第２の第１の予測セグメンテーションボリュームの加重平均を計算することを含む、Ｃ３０に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３２］
前記少なくとも１つの眼構造が、前房を含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む、Ｃ３０に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３３］
前記少なくとも１つの臨床測定指標が、虹彩角膜角度、前記前房のボリューム、又は前記前房の面積のうちの少なくとも１つを含む、Ｃ３２に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３４］
前記少なくとも１つの臨床測定指標が、虹彩角膜角度を含み、前記少なくとも１つのセグメント化眼構造が、セグメント化前房を含み、前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する前記少なくとも１つの臨床測定指標を計算することが、
前記セグメント化前房の頂点を検出することと、
前記セグメント化前房に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することと、
前記内側角膜適合曲線に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表されるシュワルベ線の場所を決定することと、
前記シュワルベ線の場所に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される強膜岬を位置決めすることと、
前記強膜岬、前記内側角膜適合曲線、及び前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、
前記セグメント化前房の頂点及び前記ＡＯＤ ２５０又は前記ＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、
前記ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む、Ｃ３３に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３５］
前記少なくとも１つの眼構造が、少なくとも１つの眼異常を含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む、Ｃ３０に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３６］
前記少なくとも１つの臨床測定指標が、前記眼異常の場所、前記眼異常のボリューム、前記眼異常の面積、又は前記眼異常の長さのうちの少なくとも１つを含む、Ｃ３５に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３７］
前記少なくとも１つの眼異常が、腫瘍、嚢腫、黒色腫、又は母斑を含む、Ｃ３５に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３８］
前記少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む、Ｃ３０に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ３９］
前記少なくとも１つの臨床測定指標が、前記シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む、Ｃ３８に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４０］
前記３Ｄ超音波撮像が、線形スキャン超音波取得技術、ジンバルスキャン超音波取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される、Ｃ２４に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４１］
前記３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、前記動作が、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換することを更に含み、前記（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像が、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する、Ｃ２４に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４２］
前記３Ｄ超音波撮像を、デカルト（ｘ，ｙ，ｚ）座標から（θ，ｒ，ｚ）座標に変換することが、前記（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像のｚ軸に対する前記（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像に表される前記眼の光学軸の傾きを補正することを更に含む、Ｃ４１に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４３］
前記動作が、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、前記３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することと、
前記３Ｄボリュームレンダリングを表示することと、を含む、Ｃ２９に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４４］
前記動作が、プロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、前記入力を受信したことに応答して、前記プロセッサの前記動作パラメータを変更することと、を含み、前記動作パラメータが、前記眼の３Ｄ超音波撮像にアクセスすること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列すること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分をノイズ低減すること、前記少なくとも１つのセグメント化眼構造を生成すること、前記３Ｄ超音波撮像で表される前記眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は前記３Ｄボリュームレンダリング、前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、若しくは前記３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する、Ｃ２４に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４５］
前記動作が、前記少なくとも１つの深層学習眼セグメンテーションモデルを訓練することを更に含む、Ｃ２４に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４６］
前記動作が、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成することを更に含み、前記少なくとも１つの深層学習眼セグメンテーション訓練セットが、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む、Ｃ４５に記載の非一時的コンピュータ可読記憶デバイス。
［Ｃ４７］
三次元（３Ｄ）超音波撮像で表される眼構造のセグメンテーションを容易にする装置であって、前記装置が、
プロセッサと、
眼の３Ｄ超音波撮像データを記憶するように構成されているメモリであって、前記３Ｄ超音波撮像データが、ａを含む、メモリと、
入力／出力（Ｉ／Ｏ）インターフェースと、
回路のセットと、
前記プロセッサ、前記メモリ、前記Ｉ／Ｏインターフェース、及び前記回路のセットを接続する、インターフェースであって、前記回路のセットが、
眼の三次元（３Ｄ）超音波撮像にアクセスすることと、
前記３Ｄ超音波撮像を前処理することと、
前記３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、前記３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することと、
前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、
前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、又は前記３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つの視覚表現を出力することと、を行うように構成されている、インターフェースと、を含む、装置。
［Ｃ４８］
前記３Ｄ超音波撮像を前処理することが、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列して、前記３Ｄ超音波撮像のミスアライメントを低減することを含み、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することを含む、Ｃ４７に記載の装置。
［Ｃ４９］
前記３Ｄ超音波撮像を前処理することが、前記３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含み、前記３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像をノイズ低減することを含む、Ｃ４７に記載の装置。
［Ｃ５０］
前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、
デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は
（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む、Ｃ４７に記載の装置。
［Ｃ５１］
前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前記第１の深層学習眼構造セグメンテーションモデルと、前記第２の深層学習眼構造セグメンテーションモデルと、を含み、前記少なくとも１つのセグメント化眼構造を生成することが、前記第１の予測セグメンテーションボリューム及び前記第２の第１の予測セグメンテーションボリュームの平均を計算することを含む、Ｃ５０に記載の装置。
［Ｃ５２］
前記第１の予測セグメンテーションボリューム及び前記第２の第１の予測セグメンテーションボリュームの平均を計算することが、前記第１の予測セグメンテーションボリューム及び前記第２の第１の予測されるセグメンテーションボリュームの加重平均を計算することを含む、Ｃ５１に記載の装置。
［Ｃ５３］
前記１つ以上の回路が、
勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、前記３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することと、
前記３Ｄボリュームレンダリングの視覚表現を出力することと、を行うように更に構成されている、Ｃ４７に記載の装置。
［Ｃ５４］
前記少なくとも１つの眼構造が、前房、シュレム管及び収集チャネル、又は眼異常のうちの少なくとも１つを含む、Ｃ４７に記載の装置。

Claims (50)

  1. 装置であって、
    実行されると、プロセッサを制御して動作を実施する命令を記憶するように構成されている、メモリと、
    入力／出力（Ｉ／Ｏ）インターフェースと、
    １つ以上のプロセッサと、
    前記メモリ、前記Ｉ／Ｏインターフェース、及び前記１つ以上のプロセッサを接続する、インターフェースであって、前記１つ以上のプロセッサが、
    眼の三次元（３Ｄ）超音波撮像にアクセスすることと、
    デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第１の予測セグメンテーションボリュームを生成するように構成された第１の深層学習眼構造セグメンテーションモデルを使用して、前記３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することと、
    （θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデルを使用して、前記３Ｄ超音波撮像で表される前記少なくとも１つの眼構造をセグメント化することと、
    前記第１の予測セグメンテーションボリューム及び前記第２の予測セグメンテーションボリュームの加重平均を計算することと、
    によって、少なくとも１つのセグメント化眼構造を生成することと、
    前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、
    前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、又は前記３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つを表示することと、を行うように構成されている、インターフェースと、を含む、装置。
  2. 前記１つ以上のプロセッサが、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列して、前記３Ｄ超音波撮像のミスアライメントを低減するように構成されており、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することを含む、請求項１に記載の装置。
  3. 前記１つ以上のプロセッサが、前記３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減するように構成されており、前記３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は少なくとも１つの深層学習ノイズ低減モデルであって、前記少なくとも１つの深層学習ノイズ低減モデルが、深層学習ノイズ低減モデル訓練セットで訓練される、少なくとも１つの深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像をノイズ低減することを含む、請求項１に記載の装置。
  4. 前記１つ以上のプロセッサが、前記少なくとも１つの深層学習ノイズ低減モデルを訓練するように構成されている、請求項３に記載の装置。
  5. 前記１つ以上のプロセッサが、少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成するように更に構成されており、前記深層学習ノイズ低減モデルを訓練することが、前記少なくとも１つの深層学習ノイズ低減モデル訓練セットを用いて、前記少なくとも１つの深層学習ノイズ低減モデルを訓練することを含む、請求項４に記載の装置。
  6. 前記少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、前記少なくとも１つの深層学習ノイズ低減モデル訓練セットを生成することが、眼の３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化ノイズ低減訓練セットを生成することを含み、前記眼のうちの少なくとも１つが、シュレム管又は収集チャネルを拡張する眼内造影剤を注入されている、請求項５に記載の装置。
  7. 前記少なくとも１つの眼構造が、前房を含み、前記第１の深層学習眼構造セグメンテーションモデル又は前記第２の深層学習眼構造セグメンテーションモデルのうちの１つが、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む、請求項１に記載の装置。
  8. 前記少なくとも１つの臨床測定指標が、虹彩角膜角度、前記前房のボリューム、又は前記前房の面積のうちの少なくとも１つを含む、請求項７に記載の装置。
  9. 前記少なくとも１つの臨床測定指標が、虹彩角膜角度を含み、前記少なくとも１つのセグメント化眼構造が、セグメント化前房を含み、前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する前記少なくとも１つの臨床測定指標を計算することが、
    前記セグメント化前房の頂点を検出することと、
    前記セグメント化前房に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することと、
    前記内側角膜適合曲線に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表されるシュワルベ線の場所を決定することと、
    前記シュワルベ線の場所に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される強膜岬を位置決めすることと、
    前記強膜岬、前記内側角膜適合曲線、及び前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、
    前記セグメント化前房の頂点及び前記ＡＯＤ ２５０又は前記ＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、
    前記ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む、請求項８に記載の装置。
  10. 前記少なくとも１つの眼構造が、少なくとも１つの眼異常を含み、前記第１の深層学習眼構造セグメンテーションモデル又は前記第２の深層学習眼構造セグメンテーションモデルのうちの１つが、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む、請求項１に記載の装置。
  11. 前記少なくとも１つの臨床測定指標が、前記眼異常の場所、前記眼異常のボリューム、前記眼異常の面積、又は前記眼異常の長さのうちの少なくとも１つを含む、請求項１０に記載の装置。
  12. 前記少なくとも１つの眼異常が、腫瘍、嚢腫、黒色腫、又は母斑を含む、請求項１０に記載の装置。
  13. 前記少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、前記第１の深層学習眼構造セグメンテーションモデル又は前記第２の深層学習眼構造セグメンテーションモデルのうちの１つが、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む、請求項１に記載の装置。
  14. 前記少なくとも１つの臨床測定指標が、前記シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む、請求項１３に記載の装置。
  15. 前記３Ｄ超音波撮像が、線形スキャン超音波取得技術、ジンバルスキャン超音波取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される、請求項１に記載の装置。
  16. 前記３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、前記１つ以上のプロセッサが、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換するように構成されており、前記（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像が、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する、請求項１に記載の装置。
  17. 前記３Ｄ超音波撮像を、デカルト（ｘ，ｙ，ｚ）座標から（θ，ｒ，ｚ）座標に変換することが、（θ，ｒ，ｚ）に記載されている前記３Ｄ超音波撮像のｚ軸に対する前記（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像で表される前記眼の光学軸の傾きを補正することを更に含む、請求項１６に記載の装置。
  18. 前記１つ以上のプロセッサが、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、前記３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成するように構成されており、前記１つ以上のプロセッサが、前記３Ｄボリュームレンダリングを表示するように更に構成されている、請求項１に記載の装置。
  19. 前記１つ以上のプロセッサが、前記１つ以上のプロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、前記入力を受信したことに応答して、前記１つ以上のプロセッサの前記動作パラメータを変更することと、を行うように構成されており、前記動作パラメータが、前記眼の３Ｄ超音波撮像にアクセスすること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列すること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分をノイズ低減すること、前記少なくとも１つのセグメント化眼構造を生成すること、前記３Ｄ超音波撮像で表される前記眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は３Ｄボリュームレンダリング、前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、若しくは前記３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する、請求項１に記載の装置。
  20. 前記１つ以上のプロセッサが、前記第１の深層学習眼構造セグメンテーションモデル又は前記第２の深層学習眼セグメンテーションモデルのうちの１つを訓練するように構成されている、請求項１に記載の装置。
  21. 前記１つ以上のプロセッサが、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成するように構成されており、前記少なくとも１つの深層学習眼セグメンテーション訓練セットが、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む、請求項２０に記載の装置。
  22. 実行されると、プロセッサを制御して動作を実施するコンピュータ実行可能命令を記憶する、非一時的コンピュータ可読記憶デバイスであって、前記動作が、
    眼の三次元（３Ｄ）超音波撮像にアクセスすることと、ここにおいて、前記３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を含み、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像が、デカルト（ｘ，ｙ，ｚ）座標に異方性ボリュームを画定し、前記動作が、前記デカルト（ｘ，ｙ，ｚ）座標に記載されている３Ｄ超音波撮像を、（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像に変換することであって、前記（θ，ｒ，ｚ）座標に記載されている３Ｄ超音波撮像が、（θ，ｒ，ｚ）座標に等方性ボリュームを画定する、変換することと、前記（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像のｚ軸に対する前記（θ，ｒ，ｚ）に記載されている３Ｄ超音波撮像に表される前記眼の光学軸の傾きを補正して、補正された３Ｄ超音波撮像を生成することと、を更に含む、
    前記３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、前記３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することによって、少なくとも１つのセグメント化眼構造を生成することと、
    前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、
    前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、又は前記３Ｄ超音波撮像のうちの前記少なくとも一部分のうちの少なくとも１つを表示することと、を含む、非一時的コンピュータ可読記憶デバイス。
  23. 前記動作が、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列して、前記３Ｄ超音波撮像のミスアライメントを低減することを含み、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することを含む、請求項２２に記載の非一時的コンピュータ可読記憶デバイス。
  24. 前記動作が、前記３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含み、前記３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像をノイズ低減することを含む、請求項２２に記載の非一時的コンピュータ可読記憶デバイス。
  25. 前記動作が、前記深層学習ノイズ低減モデルを訓練することを含む、請求項２４に記載の非一時的コンピュータ可読記憶デバイス。
  26. 前記動作が、深層学習ノイズ低減モデル訓練セットを生成することを含み、前記深層学習ノイズ低減モデルを訓練することが、前記深層学習ノイズ低減モデル訓練セットを用いて前記深層学習ノイズ低減モデルを訓練することを含む、請求項２５に記載の非一時的コンピュータ可読記憶デバイス。
  27. 前記少なくとも１つの眼構造が、シュレム管及び収集ダクトを含み、前記深層学習ノイズ低減モデル訓練セットを生成することが、眼のノイズ低減３Ｄ超音波撮像の少なくとも１つのセットを含むシュレム管強化訓練セットを生成することを含み、前記眼が、眼内造影剤を注入されている、請求項２６に記載の非一時的コンピュータ可読記憶デバイス。
  28. 前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、
    デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は
    （θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含む、請求項２２に記載の非一時的コンピュータ可読記憶デバイス。
  29. 前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前記第１の深層学習眼構造セグメンテーションモデルと、前記第２の深層学習眼構造セグメンテーションモデルと、を含み、前記少なくとも１つのセグメント化眼構造を生成することが、前記第１の予測セグメンテーションボリューム及び前記第２の予測セグメンテーションボリュームの加重平均を計算することを含む、請求項２８に記載の非一時的コンピュータ可読記憶デバイス。
  30. 前記少なくとも１つの眼構造が、前房を含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含む、請求項２８に記載の非一時的コンピュータ可読記憶デバイス。
  31. 前記少なくとも１つの臨床測定指標が、虹彩角膜角度、前記前房のボリューム、又は前記前房の面積のうちの少なくとも１つを含む、請求項３０に記載の非一時的コンピュータ可読記憶デバイス。
  32. 前記少なくとも１つの臨床測定指標が、虹彩角膜角度を含み、前記少なくとも１つのセグメント化眼構造が、セグメント化前房を含み、前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する前記少なくとも１つの臨床測定指標を計算することが、
    前記セグメント化前房の頂点を検出することと、
    前記セグメント化前房に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することと、
    前記内側角膜適合曲線に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表されるシュワルベ線の場所を決定することと、
    前記シュワルベ線の場所に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される強膜岬を位置決めすることと、
    前記強膜岬、前記内側角膜適合曲線、及び前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、
    前記セグメント化前房の頂点及び前記ＡＯＤ ２５０又は前記ＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、
    前記ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む、請求項３１に記載の非一時的コンピュータ可読記憶デバイス。
  33. 前記少なくとも１つの眼構造が、少なくとも１つの眼異常を含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、眼異常訓練セットで訓練された少なくとも１つの深層学習眼異常セグメンテーションモデルを含む、請求項２８に記載の非一時的コンピュータ可読記憶デバイス。
  34. 前記少なくとも１つの臨床測定指標が、前記眼異常の場所、前記眼異常のボリューム、前記眼異常の面積、又は前記眼異常の長さのうちの少なくとも１つを含む、請求項３３に記載の非一時的コンピュータ可読記憶デバイス。
  35. 前記少なくとも１つの眼異常が、腫瘍、嚢腫、黒色腫、又は母斑を含む、請求項３３に記載の非一時的コンピュータ可読記憶デバイス。
  36. 前記少なくとも１つの眼構造が、シュレム管及び収集チャネルを含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、シュレム管訓練セットで訓練された少なくとも１つの深層学習シュレム管セグメンテーションモデルを含む、請求項２８に記載の非一時的コンピュータ可読記憶デバイス。
  37. 前記少なくとも１つの臨床測定指標が、前記シュレム管の断面積、収集チャネルの数、又は収集チャネルのボリュームのうちの少なくとも１つを含む、請求項３６に記載の非一時的コンピュータ可読記憶デバイス。
  38. 前記３Ｄ超音波撮像が、線形スキャン超音波取得技術、ジンバルスキャン超音波取得技術、フェーズドアレイ３Ｄ超音波取得技術、フリーハンド３Ｄ超音波取得技術、又は３Ｄ超音波生物顕微鏡（ＵＢＭ）取得技術のうちの少なくとも１つを使用して取得される、請求項２２に記載の非一時的コンピュータ可読記憶デバイス。
  39. 前記動作が、勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、前記３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することと、
    前記３Ｄボリュームレンダリングを表示することと、を含む、請求項２７に記載の非一時的コンピュータ可読記憶デバイス。
  40. 前記動作が、プロセッサの動作パラメータを変更するためのユーザインターフェースを介して入力を受信することと、前記入力を受信したことに応答して、前記プロセッサの前記動作パラメータを変更することと、を含み、前記動作パラメータが、前記眼の３Ｄ超音波撮像にアクセスすること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列すること、前記３Ｄ超音波撮像のうちの前記少なくとも一部分をノイズ低減すること、前記少なくとも１つのセグメント化眼構造を生成すること、前記３Ｄ超音波撮像で表される前記眼の光軸の傾きを補正すること、３Ｄボリュームレンダリングを生成すること、又は前記３Ｄボリュームレンダリング、前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、若しくは前記３Ｄ超音波撮像の一部分のうちの少なくとも１つを表示すること、のうちの少なくとも１つに関連する、請求項２２に記載の非一時的コンピュータ可読記憶デバイス。
  41. 前記動作が、前記少なくとも１つの深層学習眼セグメンテーションモデルを訓練することを更に含む、請求項２２に記載の非一時的コンピュータ可読記憶デバイス。
  42. 前記動作が、少なくとも１つの深層学習眼セグメンテーションモデル訓練セットを生成することを更に含み、前記少なくとも１つの深層学習眼セグメンテーション訓練セットが、前房訓練セット、眼異常訓練セット、又はシュレム管訓練セットを含む、請求項４１に記載の非一時的コンピュータ可読記憶デバイス。
  43. 三次元（３Ｄ）超音波撮像で表される眼構造のセグメンテーションを容易にする装置であって、前記装置が、
    プロセッサと、
    眼の３Ｄ超音波撮像データを記憶するように構成されているメモリであって、前記３Ｄ超音波撮像データが、ａを含む、メモリと、
    入力／出力（Ｉ／Ｏ）インターフェースと、
    回路のセットと、
    前記プロセッサ、前記メモリ、前記Ｉ／Ｏインターフェース、及び前記回路のセットを接続する、インターフェースであって、前記回路のセットが、
    眼の三次元（３Ｄ）超音波撮像にアクセスすることと、
    前記３Ｄ超音波撮像を前処理することと、
    前記３Ｄ超音波撮像のうちの少なくとも一部分に基づいて、少なくとも１つの眼構造の予測セグメンテーションボリュームを生成するように構成された少なくとも１つの深層学習眼構造セグメンテーションモデルを使用して、前記３Ｄ超音波撮像で表される少なくとも１つの眼構造をセグメント化することと、
    前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する少なくとも１つの臨床測定指標を計算することと、
    前記少なくとも１つのセグメント化眼構造、前記少なくとも１つの臨床測定指標、前記３Ｄ超音波撮像、又は前記３Ｄ超音波撮像のうちの少なくとも一部分のうちの少なくとも１つの視覚表現を出力することと、を行うように構成されている、インターフェースと、
    ここにおいて、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、
    デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、デカルト（ｘ，ｙ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも1つの眼構造の第１の予測セグメンテーションボリュームを生成するように構成されている、第１の深層学習眼構造セグメンテーションモデル、又は
    （θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの少なくとも一部分を入力として受け入れるように構成されており、かつ、（θ，ｒ，ｚ）座標における前記３Ｄ超音波撮像のうちの前記少なくとも一部分に基づいて、前記少なくとも１つの眼構造の第２の予測セグメンテーションボリュームを生成するように構成されている、第２の異なる深層学習眼構造セグメンテーションモデル、のうちの少なくとも１つを含み、
    ここにおいて、前記少なくとも１つの眼構造が、前房を含み、前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前房訓練セットで訓練された少なくとも１つの深層学習前房セグメンテーションモデルを含み、
    ここにおいて、前記少なくとも１つの臨床測定指標が、虹彩角膜角度、前記前房のボリューム、又は前記前房の面積のうちの少なくとも１つを含み、
    ここにおいて、前記少なくとも１つの臨床測定指標が、虹彩角膜角度を含み、前記少なくとも１つのセグメント化眼構造が、セグメント化前房を含み、前記少なくとも１つのセグメント化眼構造に基づいて、前記少なくとも１つのセグメント化眼構造に関連する前記少なくとも１つの臨床測定指標を計算することが、
    前記セグメント化前房の頂点を検出することと、
    前記セグメント化前房に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される角膜境界に、内側角膜適合曲線を適合することと、
    前記内側角膜適合曲線に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表されるシュワルベ線の場所を決定することと、
    前記シュワルベ線の場所に基づいて、前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される強膜岬を位置決めすることと、
    前記強膜岬、前記内側角膜適合曲線、及び前記３Ｄ超音波撮像のうちの前記少なくとも一部分で表される虹彩に基づいて、角度開口距離２５０μｍ（ＡＯＤ ２５０）又はＡＯＤ ５００μｍ（ＡＯＤ ５００）のうちの少なくとも１つを計算することと、
    前記セグメント化前房の頂点及び前記ＡＯＤ ２５０又は前記ＡＯＤ ５００に基づいて、小柱虹彩角度（ＴＩＡ）を計算することと、
    前記ＴＩＡに基づいて、虹彩角膜角度を計算することと、を含む、
    を含む、装置。
  44. 前記３Ｄ超音波撮像を前処理することが、前記３Ｄ超音波撮像のうちの少なくとも一部分を整列して、前記３Ｄ超音波撮像のミスアライメントを低減することを含み、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することが、ペアワイズアライメント技術、ペアワイズモデルアライメント技術、ペアワイズ直交アライメント技術、完全直交アライメント技術、又は正規化された相互相関目的関数技術を用いる３Ｄグレースケールアライメントのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像のうちの前記少なくとも一部分を整列することを含む、請求項４３に記載の装置。
  45. 前記３Ｄ超音波撮像を前処理することが、前記３Ｄ超音波撮像のうちの少なくとも一部分をノイズ低減することを含み、前記３Ｄ超音波撮像をノイズ低減することが、回転フレーム平均化ノイズ低減技術、エッジ保存フィルタノイズ低減技術、中央核及び中心加重線形フィルタノイズ低減技術、又は深層学習ノイズ低減モデルのうちの少なくとも１つを使用して、前記３Ｄ超音波撮像をノイズ低減することを含む、請求項４３に記載の装置。
  46. 前記少なくとも１つの深層学習眼構造セグメンテーションモデルが、前記第１の深層学習眼構造セグメンテーションモデルと、前記第２の深層学習眼構造セグメンテーションモデルと、を含み、前記少なくとも１つのセグメント化眼構造を生成することが、前記第１の予測セグメンテーションボリューム及び前記第２の予測セグメンテーションボリュームの平均を計算することを含む、請求項４３に記載の装置。
  47. 前記第１の予測セグメンテーションボリューム及び前記第２の予測セグメンテーションボリュームの平均を計算することが、前記第１の予測セグメンテーションボリューム及び前記第２の予測セグメンテーションボリュームの加重平均を計算することを含む、請求項４６に記載の装置。
  48. 前記１つ以上の回路が、
    勾配ベースの光学伝達関数（ＯＴＦ）不透明度強化レイキャスティングアプローチを使用して、前記３Ｄ超音波撮像に基づいて３Ｄボリュームレンダリングを生成することと、
    前記３Ｄボリュームレンダリングの視覚表現を出力することと、を行うように更に構成されている、請求項４３に記載の装置。
  49. 前記少なくとも１つの眼構造が、前房、シュレム管及び収集チャネル、又は眼異常のうちの少なくとも１つを含む、請求項４３に記載の装置。
  50. 前記１つ以上のプロセッサが、セグメント化されている眼構造の種類に基づいて、前記加重平均を計算する際に使用される重みを決定するように構成されている、請求項１に記載の装置。
JP2021572258A 2019-02-21 2020-02-20 三次元（３ｄ）超音波画像の処理 Active JP7260884B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962808435P 2019-02-21 2019-02-21
US62/808,435 2019-02-21
PCT/US2020/018958 WO2020172359A1 (en) 2019-02-21 2020-02-20 Processing three-dimensional (3d) ultrasound images

Publications (2)

Publication Number Publication Date
JP2022523272A JP2022523272A (ja) 2022-04-21
JP7260884B2 true JP7260884B2 (ja) 2023-04-19

Family

ID=69941471

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021572258A Active JP7260884B2 (ja) 2019-02-21 2020-02-20 三次元（３ｄ）超音波画像の処理

Country Status (6)

Country Link
US (1) US12026887B2 (ja)
EP (1) EP3928290A1 (ja)
JP (1) JP7260884B2 (ja)
AU (1) AU2020226648B2 (ja)
CA (1) CA3131154A1 (ja)
WO (1) WO2020172359A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3683767A1 (en) * 2019-01-15 2020-07-22 Koninklijke Philips N.V. Image analysis method and device
EP3996035A1 (en) * 2020-11-05 2022-05-11 Leica Microsystems CMS GmbH Methods and systems for training convolutional neural networks
CN116309584B (zh) * 2023-05-22 2023-07-28 泰安光明爱尔眼科医院有限公司 一种用于白内障区域识别的图像处理系统
CN116912305B (zh) * 2023-09-13 2023-11-24 四川大学华西医院 基于深度学习的脑部ct图像三维重建方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179652A1 (en) 1999-12-10 2010-07-15 Yamamoto Ronald K Treatment of ocular disease
WO2017216800A1 (en) 2016-06-16 2017-12-21 Hadasit Medical Research Services And Development Ltd. Device and method for determination of pupil size in a subject having closed eyelids
WO2018064248A1 (en) 2016-09-30 2018-04-05 University Hospitals Cleveland Medical Center Apparatus and method for constructing a virtual 3d model from a 2d ultrasound video
JP2018527112A (ja) 2015-09-17 2018-09-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 外部の動きからのラングスライディングの区別
WO2018210978A1 (en) 2017-05-19 2018-11-22 Retinai Medical Gmbh Reducing noise in an image

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660622B2 (en) 2009-03-10 2014-02-25 Blackberry Limited Roller assembly for a mobile communication device
RU2016138608A (ru) * 2016-09-29 2018-03-30 Мэджик Лип, Инк. Нейронная сеть для сегментации изображения глаза и оценки качества изображения
US11357400B2 (en) * 2017-12-11 2022-06-14 Universitat Politecnica De Catalunya Image processing method for glaucoma detection and computer program products thereof
EP3503038A1 (en) * 2017-12-22 2019-06-26 Promaton Holding B.V. Automated 3d root shape prediction using deep learning methods
US11776092B2 (en) * 2019-11-01 2023-10-03 Lg Electronics Inc. Color restoration method and apparatus

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100179652A1 (en) 1999-12-10 2010-07-15 Yamamoto Ronald K Treatment of ocular disease
JP2018527112A (ja) 2015-09-17 2018-09-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 外部の動きからのラングスライディングの区別
WO2017216800A1 (en) 2016-06-16 2017-12-21 Hadasit Medical Research Services And Development Ltd. Device and method for determination of pupil size in a subject having closed eyelids
WO2018064248A1 (en) 2016-09-30 2018-04-05 University Hospitals Cleveland Medical Center Apparatus and method for constructing a virtual 3d model from a 2d ultrasound video
WO2018210978A1 (en) 2017-05-19 2018-11-22 Retinai Medical Gmbh Reducing noise in an image

Also Published As

Publication number Publication date
EP3928290A1 (en) 2021-12-29
AU2020226648B2 (en) 2023-03-02
JP2022523272A (ja) 2022-04-21
CA3131154A1 (en) 2020-08-27
AU2020226648A1 (en) 2021-10-07
US20210383548A1 (en) 2021-12-09
US12026887B2 (en) 2024-07-02
WO2020172359A1 (en) 2020-08-27

Similar Documents

Publication Publication Date Title
JP7260884B2 (ja) 三次元（３ｄ）超音波画像の処理
US8622548B2 (en) 3D retinal disruptions detection using optical coherence tomography
US9418423B2 (en) Motion correction and normalization of features in 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
US11854199B2 (en) Methods and systems for ocular imaging, diagnosis and prognosis
US20130181976A1 (en) User interface for efficiently displaying relevant oct imaging data
US9918680B2 (en) Automated analysis of the optic nerve head via optical coherence tomography measurements, methods and representations
Huang et al. Stability analysis of fractal dimension in retinal vasculature
Garcia-Marin et al. Patch-based CNN for corneal segmentation of AS-OCT images: Effect of the number of classes and image quality upon performance
Yao et al. 3D colonic polyp segmentation using dynamic deformable surfaces
Pawar et al. Detection and Segmentation of Kidney from Ultrasound Image Using GVF
Syga et al. Fully automated detection of lamina cribrosa in optical coherence tomography: Framework and illustrative examples
NASRULLOH 3D Segmentation & Measurement of Macular Holes
JP2023055202A (ja) 医療診断装置、及び、篩状板の３次元データ及び画像を用いた病態評価方法
Pchelkina et al. An Algorithm for Automatic Image Segmentation Using the Sobel Method for an Optical Coherence Tomography
Wang Estimation of papilledema severity using spectral-domain optical coherence tomography
Wang Deep Learning Based Multimodal Retinal Image Processing
Chakraborty A lightweight, novel feature extraction and classification system for the early detection of diabetic retinopathy
EP4252179A1 (en) Quality maps for optical coherence tomography angiography
Hu Multimodal 3-D segmentation of optic nerve head structures from spectral domain OCT volumes and color fundus photographs

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211021

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20220111

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220111

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220909

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220927

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221209

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230228

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230329

R150 Certificate of patent or registration of utility model

Ref document number: 7260884

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150