JPWO2021142138A5 - - Google Patents
Download PDFInfo
- Publication number
- JPWO2021142138A5 JPWO2021142138A5 JP2022541961A JP2022541961A JPWO2021142138A5 JP WO2021142138 A5 JPWO2021142138 A5 JP WO2021142138A5 JP 2022541961 A JP2022541961 A JP 2022541961A JP 2022541961 A JP2022541961 A JP 2022541961A JP WO2021142138 A5 JPWO2021142138 A5 JP WO2021142138A5
- Authority
- JP
- Japan
- Prior art keywords
- target tissue
- tissue region
- images
- determining
- deformation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000001519 tissue Anatomy 0.000 claims description 168
- 238000000034 method Methods 0.000 claims description 80
- 238000005259 measurement Methods 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 20
- 239000012530 fluid Substances 0.000 claims description 16
- 230000010412 perfusion Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 210000000941 bile Anatomy 0.000 claims description 4
- 210000004369 blood Anatomy 0.000 claims description 4
- 239000008280 blood Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 229940088597 hormone Drugs 0.000 claims description 4
- 239000005556 hormone Substances 0.000 claims description 4
- 210000004251 human milk Anatomy 0.000 claims description 4
- 235000020256 human milk Nutrition 0.000 claims description 4
- 238000000338 in vitro Methods 0.000 claims description 4
- 238000001727 in vivo Methods 0.000 claims description 4
- 230000003211 malignant effect Effects 0.000 claims description 4
- 210000003097 mucus Anatomy 0.000 claims description 4
- 210000004915 pus Anatomy 0.000 claims description 4
- 210000003296 saliva Anatomy 0.000 claims description 4
- 210000000582 semen Anatomy 0.000 claims description 4
- 210000004872 soft tissue Anatomy 0.000 claims description 4
- 210000004243 sweat Anatomy 0.000 claims description 4
- 210000002700 urine Anatomy 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000001070 adhesive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000026058 directional locomotion Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
Description
本開示の付加的側面および利点は、本開示の例証的実施形態のみが示され、説明される、以下の詳細な説明から当業者に容易に明白な状態となるであろう。認識されるであろうように、本開示は、他の異なる実施形態が可能であり、そのいくつかの詳細は、全て本開示から逸脱することなく、種々の明白な点において修正が可能である。故に、図面および説明は、制限的ではなく、本質的に例証的と見なされるべきである。
本発明は、例えば、以下を提供する。
（項目１）
標的組織領域上に印加される推定力を決定するためのコンピュータ実装方法であって、前記方法は、
（ａ）前記標的組織領域の画像のセットを取得することと、
（ｂ）少なくとも前記画像のセットに基づいて、前記標的組織領域の灌流性質、空間測定値のセット、または両方を決定することと、
（ｃ）少なくとも前記空間測定値のセットに基づいて、前記標的組織領域の変形を決定することと、
（ｄ）少なくとも、前記標的組織領域の変形、前記標的組織領域の灌流性質、または両方に基づいて、前記標的組織領域の粘弾性性質を決定することと、
（ｅ）少なくとも前記標的組織領域の粘弾性性質に基づいて、前記標的組織領域上に印加される前記推定力を決定することと
を含む、方法。
（項目２）
前記画像のセットは、レーザスペックル画像、ＲＧＢ画像、ＲＧＢ深度画像、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目３）
前記レーザスペックル画像は、主観的レーザスペックル画像、客観的レーザスペックル画像、近接場レーザスペックル画像、またはそれらの任意の組み合わせである、前記項目のいずれかに記載の方法。
（項目４）
前記画像のセットは、前記標的組織領域に２つまたはそれを上回る異なる波長の光を放出する間に取得される、前記項目のいずれかに記載の方法。
（項目５）
前記画像のセットは、前記標的組織領域に約１０～約１，０００個の異なる波長の光を放出する間に取得される、前記項目のいずれかに記載の方法。
（項目６）
前記標的組織領域の画像のセットおよび前記標的組織領域の空間測定値のセットは、前記標的組織領域が前記変形を受けるにつれて、リアルタイムで同時に取得される、前記項目のいずれかに記載の方法。
（項目７）
前記標的組織領域の画像のセットは、試験管内で取得される、前記項目のいずれかに記載の方法。
（項目８）
前記標的組織領域の画像のセットは、生体内で取得される、前記項目のいずれかに記載の方法。
（項目９）
前記標的組織領域の画像のセットのうちの少なくとも１つは、前記標的組織領域が所定の力による既知の変形を受ける間に取得される、前記項目のいずれかに記載の方法。
（項目１０）
前記標的組織領域は、軟質組織領域である、前記項目のいずれかに記載の方法。
（項目１１）
前記標的組織領域の機械的性質、粘弾性性質、または両方を決定することが、機械学習アルゴリズムによって実施される、前記項目のいずれかに記載の方法。
（項目１２）
前記粘弾性性質は、粘着性性質、弾性性質、流体力学性質、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目１３）
深度センサから深度測定値を取得することをさらに含み、前記標的組織領域の変形はさらに、前記深度測定値に基づく、前記項目のいずれかに記載の方法。
（項目１４）
前記空間測定値は、１次元、２次元、または３次元である、前記項目のいずれかに記載の方法。
（項目１５）
前記深度センサは、立体カメラ、ビデオカメラ、飛行時間センサ、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目１６）
前記標的組織領域の変形は、１次元変形、２次元変形、３次元変形、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目１７）
前記標的組織領域に印加される前記推定力を決定することが、機械学習アルゴリズムによって実施される、前記項目のいずれかに記載の方法。
（項目１８）
前記力は、人間オペレータによって印加され、前記方法はさらに、前記標的組織領域上に印加される前記決定された推定力に基づいて、前記オペレータにフィードバックを提供することを含む、前記項目のいずれかに記載の方法。
（項目１９）
前記フィードバックは、視覚フィードバック、聴覚フィードバック、触覚フィードバック、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目２０）
前記視覚フィードバックは、前記推定力に対応する色分けされた視覚フィードバック、表示された値、マップ、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目２１）
前記推定力と前記フィードバックとの間の関係は、線形、非線形、または指数関数的である、前記項目のいずれかに記載の方法。
（項目２２）
前記力は、自律型デバイスまたは半自律型デバイスによって印加され、前記方法はさらに、前記変形された組織によって印加された前記力に基づいて、前記自律型デバイスまたは半自律型デバイスに制御フィードバックを提供することを含む、前記項目のいずれかに記載の方法。
（項目２３）
前記自律型デバイスまたは半自律型デバイスは、前記制御フィードバックに基づいてその治療を改変する、前記項目のいずれかに記載の方法。
（項目２４）
少なくとも、（ｉ）前記画像のセット、（ｉｉ）前記空間測定値、（ｉｉｉ）前記標的組織領域の粘弾性性質、（ｉｖ）前記標的組織領域の変形、またはそれらの任意の組み合わせに基づいて、前記標的組織内の流体流率を決定することをさらに含む、前記項目のいずれかに記載の方法。
（項目２５）
前記流体は、血液、汗、精液、唾液、膿、尿、空気、粘液、母乳、胆汁、ホルモン、またはそれらの任意の組み合わせである、前記項目のいずれかに記載の方法。
（項目２６）
前記標的組織内の前記流体流率は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載の方法。
（項目２７）
前記流体流率は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載の方法。
（項目２８）
少なくとも、（ｉ）前記画像のセット、（ｉｉ）前記空間測定値、（ｉｉｉ）前記標的組織領域の粘弾性性質、（ｉｖ）前記標的組織領域の変形、またはそれらの任意の組み合わせに基づいて、前記標的組織の識別を決定することをさらに含む、前記項目のいずれかに記載の方法。
（項目２９）
前記標的組織の識別は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載の方法。
（項目３０）
前記標的組織の識別は、前記標的組織が癌性、良性、悪性、または健康であることの識別である、前記項目のいずれかに記載の方法。
（項目３１）
コンピュータ実装システムであって、前記コンピュータ実装システムは、デジタル処理デバイスを備え、前記デジタル処理デバイスは、少なくとも１つのプロセッサと、実行可能命令を実施するように構成されるオペレーティングシステムと、メモリと、標的組織領域上に印加された推定力を決定するためのアプリケーションを生成するために、デジタル処理デバイスによって実行可能な命令を含むコンピュータプログラムとを備え、前記アプリケーションは、
（ａ）前記標的組織領域の画像のセットを取得するモジュールと、
（ｂ）少なくとも前記画像のセットに基づいて、前記標的組織領域の灌流性質、空間測定値のセット、または両方を決定するモジュールと、
（ｃ）少なくとも前記空間測定値のセットに基づいて、前記標的組織領域の変形を決定するモジュールと、
（ｄ）少なくとも、前記標的組織領域の変形、前記標的組織領域の灌流性質、または両方に基づいて、前記標的組織領域の粘弾性性質を決定するモジュールと、
（ｅ）少なくとも前記標的組織領域の粘弾性性質に基づいて、前記標的組織領域上に印加される前記推定力を決定するモジュールと
を備える、コンピュータ実装システム。
（項目３２）
前記画像のセットは、レーザスペックル画像、ＲＧＢ画像、ＲＧＢ深度画像、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載のシステム。
（項目３３）
前記レーザスペックル画像は、主観的レーザスペックル画像、客観的レーザスペックル画像、近接場レーザスペックル画像、またはそれらの任意の組み合わせである、前記項目のいずれかに記載のシステム。
（項目３４）
前記画像のセットは、前記標的組織領域に２つまたはそれを上回る異なる波長の光を放出する間に取得される、前記項目のいずれかに記載のシステム。
（項目３５）
前記画像のセットは、前記標的組織領域に約１０～約１，０００個の異なる波長の光を放出する間に取得される、前記項目のいずれかに記載のシステム。
（項目３６）
前記標的組織領域の画像のセットおよび前記標的組織領域の空間測定値のセットは、前記標的組織領域が前記変形を受けるにつれて、リアルタイムで同時に取得される、前記項目のいずれかに記載のシステム。
（項目３７）
前記標的組織領域の画像のセットは、試験管内で取得される、前記項目のいずれかに記載のシステム。
（項目３８）
前記標的組織領域の画像のセットは、生体内で取得される、前記項目のいずれかに記載のシステム。
（項目３９）
前記標的組織領域の画像のセットのうちの少なくとも１つは、前記標的組織領域が所定の力による既知の変形を受ける間に取得される、前記項目のいずれかに記載のシステム。
（項目４０）
前記標的組織領域は、軟質組織領域である、前記項目のいずれかに記載のシステム。
（項目４１）
前記標的組織領域の機械的性質、粘弾性性質、または両方を決定することが、機械学習アルゴリズムによって実施される、前記項目のいずれかに記載のシステム。
（項目４２）
前記粘弾性性質は、粘着性性質、弾性性質、流体力学性質、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載のシステム。
（項目４３）
前記アプリケーションはさらに、深度センサから深度測定値を取得するモジュールを備え、前記標的組織領域の変形はさらに、前記深度測定値に基づく、前記項目のいずれかに記載のシステム。
（項目４４）
前記空間測定値は、１次元、２次元、または３次元である、前記項目のいずれかに記載のシステム。
（項目４５）
前記深度センサは、立体カメラ、ビデオカメラ、飛行時間センサ、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載のシステム。
（項目４６）
前記標的組織領域の変形は、１次元変形、２次元変形、３次元変形、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載のシステム。
（項目４７）
前記標的組織領域に印加される前記推定力を決定することが、機械学習アルゴリズムによって実施される、前記項目のいずれかに記載のシステム。
（項目４８）
前記力は、人間オペレータによって印加され、前記アプリケーションはさらに、前記標的組織領域上に印加される前記決定された推定力に基づいて、前記オペレータにフィードバックを提供するモジュールを備える、前記項目のいずれかに記載のシステム。
（項目４９）
前記フィードバックは、視覚フィードバック、聴覚フィードバック、触覚フィードバック、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載のシステム。
（項目５０）
前記視覚フィードバックは、前記推定力に対応する色分けされた視覚フィードバック、表示された値、マップ、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載のシステム。
（項目５１）
前記推定力と前記フィードバックとの間の関係は、線形、非線形、または指数関数的である、前記項目のいずれかに記載のシステム。
（項目５２）
前記力は、自律型デバイスまたは半自律型デバイスによって印加され、前記アプリケーションはさらに、前記変形された組織によって印加された前記力に基づいて、前記自律型デバイスまたは半自律型デバイスに制御フィードバックを提供するモジュールを備える、前記項目のいずれかに記載のシステム。
（項目５３）
前記自律型デバイスまたは半自律型デバイスは、前記制御フィードバックに基づいてその治療を改変する、前記項目のいずれかに記載のシステム。
（項目５４）
前記アプリケーションはさらに、少なくとも、（ｉ）前記画像のセット、（ｉｉ）前記空間測定値、（ｉｉｉ）前記標的組織領域の粘弾性性質、（ｉｖ）前記標的組織領域の変形、またはそれらの任意の組み合わせに基づいて、前記標的組織内の流体流率を決定するモジュールを備える、前記項目のいずれかに記載のシステム。
（項目５５）
前記流体は、血液、汗、精液、唾液、膿、尿、空気、粘液、母乳、胆汁、ホルモン、またはそれらの任意の組み合わせである、前記項目のいずれかに記載のシステム。
（項目５６）
前記標的組織内の前記流体流率は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載のシステム。
（項目５７）
前記流体流率は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載のシステム。
（項目５８）
前記アプリケーションはさらに、少なくとも、（ｉ）前記画像のセット、（ｉｉ）前記空間測定値、（ｉｉｉ）前記標的組織領域の粘弾性性質、（ｉｖ）前記標的組織領域の変形、またはそれらの任意の組み合わせに基づいて、前記標的組織の識別を決定するモジュールを備える、前記項目のいずれかに記載のシステム。
（項目５９）
前記標的組織の識別は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載のシステム。
（項目６０）
前記標的組織の識別は、前記標的組織が癌性、良性、悪性、または健康であることの識別である、前記項目のいずれかに記載のシステム。
（項目６１）
標的組織領域上に印加された推定力を決定するためのアプリケーションを生成するために、プロセッサによって実行可能な命令を含むコンピュータプログラムを用いてエンコードされる非一過性コンピュータ可読記憶媒体であって、前記アプリケーションは、
（ａ）前記標的組織領域の画像のセットを取得するモジュールと、
（ｂ）少なくとも前記画像のセットに基づいて、前記標的組織領域の灌流性質、空間測定値のセット、または両方を決定するモジュールと、
（ｃ）少なくとも前記空間測定値のセットに基づいて、前記標的組織領域の変形を決定するモジュールと、
（ｄ）少なくとも、前記標的組織領域の変形、前記標的組織領域の灌流性質、または両方に基づいて、前記標的組織領域の粘弾性性質を決定するモジュールと、
（ｅ）少なくとも前記標的組織領域の粘弾性性質に基づいて、前記標的組織領域上に印加される前記推定力を決定するモジュールと
を備える、非一過性コンピュータ可読記憶媒体。
（項目６２）
前記画像のセットは、レーザスペックル画像、ＲＧＢ画像、ＲＧＢ深度画像、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の媒体。
（項目６３）
前記レーザスペックル画像は、主観的レーザスペックル画像、客観的レーザスペックル画像、近接場レーザスペックル画像、またはそれらの任意の組み合わせである、前記項目のいずれかに記載の媒体。
（項目６４）
前記画像のセットは、前記標的組織領域に２つまたはそれを上回る異なる波長の光を放出する間に取得される、前記項目のいずれかに記載の媒体。
（項目６５）
前記画像のセットは、前記標的組織領域に約１０～約１，０００個の異なる波長の光を放出する間に取得される、前記項目のいずれかに記載の媒体。
（項目６６）
前記標的組織領域の画像のセットおよび前記標的組織領域の空間測定値のセットは、前記標的組織領域が前記変形を受けるにつれて、リアルタイムで同時に取得される、前記項目のいずれかに記載の媒体。
（項目６７）
前記標的組織領域の画像のセットは、試験管内で取得される、前記項目のいずれかに記載の媒体。
（項目６８）
前記標的組織領域の画像のセットは、生体内で取得される、前記項目のいずれかに記載の媒体。
（項目６９）
前記標的組織領域の画像のセットのうちの少なくとも１つは、前記標的組織領域が所定の力による既知の変形を受ける間に取得される、前記項目のいずれかに記載の媒体。
（項目７０）
前記標的組織領域は、軟質組織領域である、前記項目のいずれかに記載の媒体。
（項目７１）
前記標的組織領域の機械的性質、粘弾性性質、または両方を決定することが、機械学習アルゴリズムによって実施される、前記項目のいずれかに記載の媒体。
（項目７２）
前記粘弾性性質は、粘着性性質、弾性性質、流体力学性質、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の媒体。
（項目７３）
前記アプリケーションはさらに、深度センサから深度測定値を取得するモジュールを備え、前記標的組織領域の変形はさらに、前記深度測定値に基づく、前記項目のいずれかに記載の媒体。
（項目７４）
前記空間測定値は、１次元、２次元、または３次元である、前記項目のいずれかに記載の媒体。
（項目７５）
前記深度センサは、立体カメラ、ビデオカメラ、飛行時間センサ、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の媒体。
（項目７６）
前記標的組織領域の変形は、１次元変形、２次元変形、３次元変形、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の媒体。
（項目７７）
前記標的組織領域に印加される前記推定力を決定することが、機械学習アルゴリズムによって実施される、前記項目のいずれかに記載の媒体。
（項目７８）
前記力は、人間オペレータによって印加され、前記アプリケーションはさらに、前記標的組織領域上に印加される前記決定された推定力に基づいて、前記オペレータにフィードバックを提供するモジュールを備える、前記項目のいずれかに記載の媒体。
（項目７９）
前記フィードバックは、視覚フィードバック、聴覚フィードバック、触覚フィードバック、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の媒体。
（項目８０）
前記視覚フィードバックは、前記推定力に対応する色分けされた視覚フィードバック、表示された値、マップ、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の媒体。
（項目８１）
前記推定力と前記フィードバックとの間の関係は、線形、非線形、または指数関数的である、前記項目のいずれかに記載の媒体。
（項目８２）
前記力は、自律型デバイスまたは半自律型デバイスによって印加され、前記アプリケーションはさらに、前記変形された組織によって印加された前記力に基づいて、前記自律型デバイスまたは半自律型デバイスに制御フィードバックを提供するモジュールを備える、前記項目のいずれかに記載の媒体。
（項目８３）
前記自律型デバイスまたは半自律型デバイスは、前記制御フィードバックに基づいてその治療を改変する、前記項目のいずれかに記載の媒体。
（項目８４）
前記アプリケーションはさらに、少なくとも、（ｉ）前記画像のセット、（ｉｉ）前記空間測定値、（ｉｉｉ）前記標的組織領域の粘弾性性質、（ｉｖ）前記標的組織領域の変形、またはそれらの任意の組み合わせに基づいて、前記標的組織内の流体流率を決定するモジュールを備える、前記項目のいずれかに記載の媒体。
（項目８５）
前記流体は、血液、汗、精液、唾液、膿、尿、空気、粘液、母乳、胆汁、ホルモン、またはそれらの任意の組み合わせである、前記項目のいずれかに記載の媒体。
（項目８６）
前記標的組織内の前記流体流率は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載の媒体。
（項目８７）
前記流体流率は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載の媒体。
（項目８８）
前記アプリケーションはさらに、少なくとも、（ｉ）前記画像のセット、（ｉｉ）前記空間測定値、（ｉｉｉ）前記標的組織領域の粘弾性性質、（ｉｖ）前記標的組織領域の変形、またはそれらの任意の組み合わせに基づいて、前記標的組織の識別を決定するモジュールを備える、前記項目のいずれかに記載の媒体。
（項目８９）
前記標的組織の識別は、機械学習アルゴリズムによって決定される、前記項目のいずれかに記載の媒体。
（項目９０）
前記標的組織の識別は、前記標的組織が癌性、良性、悪性、または健康であることの識別である、前記項目のいずれかに記載の方法。
（項目９１）
標的組織領域の弾性性質を決定するようにニューラルネットワークを訓練するためのコンピュータ実装方法であって、前記方法は、
（ａ）画像のセットの複数のセットを含む第１の訓練セットを発生させることであって、画像の各セットは、静置状態の前記標的組織領域の第１のスペックル画像と、既知の力によって変形されている前記標的組織領域の第２のスペックル画像とを含む、ことと、
（ｂ）第１の段階において、前記第１の訓練セットを使用して前記ニューラルネットワークを訓練することと、
（ｃ）前記第１の訓練セットと、前記訓練の第１の段階の後にその弾性性質値が不正確に決定された前記画像のセットのセットとを含む第２の訓練セットを発生させることと、
（ｄ）第２の段階において、前記第２の訓練セットを使用して前記ニューラルネットワークを訓練することと
を含む、コンピュータ実装方法。
（項目９２）
前記画像のセットは、主観的な画像のセット、客観的な画像のセット、近接場の画像のセット、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目９３）
前記画像のセットは、前記標的組織領域に少なくとも１０個の異なる波長の光を放出する間に取得される、前記項目のいずれかに記載の方法。
（項目９４）
前記画像のセットは、前記標的組織領域に約１０～約１，０００個の異なる波長の光を放出する間に取得される、前記項目のいずれかに記載の方法。
（項目９５）
前記粘弾性性質は、粘着性性質、弾性性質、流体力学性質、またはそれらの任意の組み合わせを含む、前記項目のいずれかに記載の方法。
（項目９６）
前記空間測定値は、１次元、２次元、または３次元である、前記項目のいずれかに記載の方法。
（項目９７）
組織変形を追跡する方法であって、
（ａ）スカラーオプティカルフロー読取値を取得することであって、前記スカラーオプティカルフロー読取値は、１つまたはそれを上回るレーザスペックル信号に対応する、ことと、
（ｂ）前記スカラーオプティカルフロー読取値を使用し、組織領域に関するピクセル毎の運動規模推定値を決定することと、
（ｃ）時間および空間にわたる前記ピクセル毎の運動規模推定値を積分し、前記組織領域の変形を追跡することであって、前記１つまたはそれを上回るレーザスペックル信号は、前記組織領域の変形と関連付けられる、ことと
を含む、方法。
（項目９８）
（ｉ）前記ピクセル毎の運動推定値と（ｉｉ）前記組織領域の深度またはＲＧＢ－Ｄデータを組み合わせ、ピクセル毎の変位マップを発生させることをさらに含む、項目９７に記載の方法。
（項目９９）
前記ピクセル毎の運動規模推定値は、無方向運動推定値を含む、項目９７に記載の方法。
（参照による組み込み）
Additional aspects and advantages of the present disclosure will become readily apparent to those skilled in the art from the following detailed description, in which only illustrative embodiments of the present disclosure are shown and described. As will be appreciated, this disclosure is capable of other different embodiments and its several details may be modified in various obvious respects, all without departing from this disclosure. . Accordingly, the drawings and description are to be regarded as illustrative in nature rather than restrictive.
The present invention provides, for example, the following.
(Item 1)
A computer-implemented method for determining an estimated force to be applied on a target tissue region, the method comprising:
(a) obtaining a set of images of the target tissue region;
(b) determining perfusion properties, a set of spatial measurements, or both of the target tissue region based on at least the set of images;
(c) determining a deformation of the target tissue region based at least on the set of spatial measurements;
(d) determining viscoelastic properties of the target tissue region based at least on deformation of the target tissue region, perfusion properties of the target tissue region, or both;
(e) determining the estimated force to be applied on the target tissue region based at least on viscoelastic properties of the target tissue region;
including methods.
(Item 2)
A method according to any of the preceding items, wherein the set of images includes laser speckle images, RGB images, RGB depth images, or any combination thereof.
(Item 3)
The method of any of the preceding items, wherein the laser speckle image is a subjective laser speckle image, an objective laser speckle image, a near-field laser speckle image, or any combination thereof.
(Item 4)
A method according to any of the preceding items, wherein the set of images is acquired while emitting two or more different wavelengths of light at the target tissue region.
(Item 5)
A method according to any of the preceding items, wherein the set of images is acquired while emitting from about 10 to about 1,000 different wavelengths of light at the target tissue region.
(Item 6)
A method according to any of the preceding items, wherein the set of images of the target tissue region and the set of spatial measurements of the target tissue region are acquired simultaneously in real time as the target tissue region undergoes the deformation.
(Item 7)
A method according to any of the preceding items, wherein the set of images of the target tissue region are acquired in vitro.
(Item 8)
A method according to any of the preceding items, wherein the set of images of the target tissue region are acquired in vivo.
(Item 9)
A method according to any of the preceding items, wherein at least one of the set of images of the target tissue region is acquired while the target tissue region is subjected to a known deformation by a predetermined force.
(Item 10)
A method according to any of the preceding items, wherein the target tissue region is a soft tissue region.
(Item 11)
A method according to any of the preceding items, wherein determining mechanical properties, viscoelastic properties, or both of the target tissue region is performed by a machine learning algorithm.
(Item 12)
A method according to any of the preceding items, wherein the viscoelastic properties include adhesive properties, elastic properties, hydrodynamic properties, or any combination thereof.
(Item 13)
12. A method according to any of the preceding items, further comprising obtaining depth measurements from a depth sensor, and wherein the deformation of the target tissue region is further based on the depth measurements.
(Item 14)
A method according to any of the preceding items, wherein the spatial measurements are one-dimensional, two-dimensional, or three-dimensional.
(Item 15)
A method according to any of the preceding items, wherein the depth sensor comprises a stereoscopic camera, a video camera, a time-of-flight sensor, or any combination thereof.
(Item 16)
A method according to any of the preceding items, wherein deforming the target tissue region includes one-dimensional deformation, two-dimensional deformation, three-dimensional deformation, or any combination thereof.
(Item 17)
A method according to any of the preceding items, wherein determining the estimated force applied to the target tissue region is performed by a machine learning algorithm.
(Item 18)
Any of the preceding items, wherein the force is applied by a human operator, and the method further comprises providing feedback to the operator based on the determined estimated force applied on the target tissue area. The method described in.
(Item 19)
A method according to any of the preceding items, wherein the feedback includes visual feedback, auditory feedback, haptic feedback, or any combination thereof.
(Item 20)
A method according to any of the preceding items, wherein the visual feedback includes color-coded visual feedback corresponding to the estimated force, a displayed value, a map, or any combination thereof.
(Item 21)
A method according to any of the preceding items, wherein the relationship between the estimating force and the feedback is linear, nonlinear, or exponential.
(Item 22)
The force is applied by an autonomous or semi-autonomous device, and the method further provides control feedback to the autonomous or semi-autonomous device based on the force applied by the deformed tissue. A method according to any of the preceding items, comprising:
(Item 23)
A method according to any of the preceding items, wherein the autonomous or semi-autonomous device modifies its treatment based on the control feedback.
(Item 24)
at least based on (i) said set of images, (ii) said spatial measurements, (iii) viscoelastic properties of said target tissue region, (iv) deformation of said target tissue region, or any combination thereof; A method according to any of the preceding items, further comprising determining a fluid flow rate within the target tissue.
(Item 25)
A method according to any of the preceding items, wherein the fluid is blood, sweat, semen, saliva, pus, urine, air, mucus, breast milk, bile, hormones, or any combination thereof.
(Item 26)
A method according to any of the preceding items, wherein the fluid flow rate within the target tissue is determined by a machine learning algorithm.
(Item 27)
A method according to any of the preceding items, wherein the fluid flow rate is determined by a machine learning algorithm.
(Item 28)
at least based on (i) said set of images, (ii) said spatial measurements, (iii) viscoelastic properties of said target tissue region, (iv) deformation of said target tissue region, or any combination thereof; A method according to any of the preceding items, further comprising determining an identity of the target tissue.
(Item 29)
A method according to any of the preceding items, wherein the identification of the target tissue is determined by a machine learning algorithm.
(Item 30)
The method of any of the preceding items, wherein identifying the target tissue is identifying the target tissue as cancerous, benign, malignant, or healthy.
(Item 31)
A computer-implemented system, the computer-implemented system comprising a digital processing device, the digital processing device comprising at least one processor, an operating system configured to execute executable instructions, a memory, and a target computer. a computer program comprising instructions executable by a digital processing device to generate an application for determining an estimated force applied on a tissue region, the application comprising:
(a) a module for acquiring a set of images of the target tissue region;
(b) a module for determining perfusion properties, a set of spatial measurements, or both of the target tissue region based at least on the set of images;
(c) a module for determining a deformation of the target tissue region based at least on the set of spatial measurements;
(d) a module for determining viscoelastic properties of the target tissue region based at least on deformation of the target tissue region, perfusion properties of the target tissue region, or both;
(e) a module for determining the estimated force to be applied on the target tissue region based at least on viscoelastic properties of the target tissue region;
A computer-implemented system comprising:
(Item 32)
A system according to any of the preceding items, wherein the set of images includes laser speckle images, RGB images, RGB depth images, or any combination thereof.
(Item 33)
The system of any of the preceding items, wherein the laser speckle image is a subjective laser speckle image, an objective laser speckle image, a near-field laser speckle image, or any combination thereof.
(Item 34)
The system of any of the preceding items, wherein the set of images is acquired while emitting two or more different wavelengths of light at the target tissue area.
(Item 35)
The system of any of the preceding items, wherein the set of images is acquired while emitting from about 10 to about 1,000 different wavelengths of light at the target tissue region.
(Item 36)
A system according to any of the preceding items, wherein the set of images of the target tissue region and the set of spatial measurements of the target tissue region are acquired simultaneously in real time as the target tissue region undergoes the deformation.
(Item 37)
A system according to any of the preceding items, wherein the set of images of the target tissue region are acquired in vitro.
(Item 38)
A system according to any of the preceding items, wherein the set of images of the target tissue region are acquired in vivo.
(Item 39)
A system according to any of the preceding items, wherein at least one of the set of images of the target tissue region is acquired while the target tissue region is subjected to a known deformation by a predetermined force.
(Item 40)
A system according to any of the preceding items, wherein the target tissue region is a soft tissue region.
(Item 41)
The system of any of the preceding items, wherein determining mechanical properties, viscoelastic properties, or both of the target tissue region is performed by a machine learning algorithm.
(Item 42)
A system according to any of the preceding items, wherein the viscoelastic properties include cohesive properties, elastic properties, hydrodynamic properties, or any combination thereof.
(Item 43)
A system according to any of the preceding items, wherein the application further comprises a module for obtaining depth measurements from a depth sensor, and wherein the deformation of the target tissue region is further based on the depth measurements.
(Item 44)
A system according to any of the preceding items, wherein the spatial measurements are one-dimensional, two-dimensional, or three-dimensional.
(Item 45)
A system according to any of the preceding items, wherein the depth sensor includes a stereoscopic camera, a video camera, a time-of-flight sensor, or any combination thereof.
(Item 46)
The system of any of the preceding items, wherein the deformation of the target tissue region includes one-dimensional deformation, two-dimensional deformation, three-dimensional deformation, or any combination thereof.
(Item 47)
A system according to any of the preceding items, wherein determining the estimated force applied to the target tissue region is performed by a machine learning algorithm.
(Item 48)
Any of the preceding items, wherein the force is applied by a human operator, and the application further comprises a module for providing feedback to the operator based on the determined estimated force applied on the target tissue area. system described in.
(Item 49)
A system according to any of the preceding items, wherein the feedback includes visual feedback, auditory feedback, haptic feedback, or any combination thereof.
(Item 50)
A system according to any of the preceding items, wherein the visual feedback includes color-coded visual feedback corresponding to the estimated force, a displayed value, a map, or any combination thereof.
(Item 51)
A system according to any of the preceding items, wherein the relationship between the estimated force and the feedback is linear, nonlinear, or exponential.
(Item 52)
The force is applied by an autonomous or semi-autonomous device, and the application further provides control feedback to the autonomous or semi-autonomous device based on the force applied by the deformed tissue. A system according to any of the preceding items, comprising a module for.
(Item 53)
A system according to any of the preceding items, wherein the autonomous or semi-autonomous device modifies its treatment based on the control feedback.
(Item 54)
The application further includes at least: (i) the set of images, (ii) the spatial measurements, (iii) viscoelastic properties of the target tissue region, (iv) deformation of the target tissue region, or any of the foregoing. A system according to any of the preceding items, comprising a module that determines a fluid flow rate within the target tissue based on the combination.
(Item 55)
The system of any of the preceding items, wherein the fluid is blood, sweat, semen, saliva, pus, urine, air, mucus, breast milk, bile, hormones, or any combination thereof.
(Item 56)
A system according to any of the preceding items, wherein the fluid flow rate within the target tissue is determined by a machine learning algorithm.
(Item 57)
A system according to any of the preceding items, wherein the fluid flow rate is determined by a machine learning algorithm.
(Item 58)
The application further includes at least: (i) the set of images, (ii) the spatial measurements, (iii) viscoelastic properties of the target tissue region, (iv) deformation of the target tissue region, or any of the foregoing. A system according to any of the preceding items, comprising a module that determines the identity of the target tissue based on the combination.
(Item 59)
A system according to any of the preceding items, wherein the identification of the target tissue is determined by a machine learning algorithm.
(Item 60)
The system according to any of the preceding items, wherein the identification of the target tissue is an identification of the target tissue as cancerous, benign, malignant, or healthy.
(Item 61)
A non-transitory computer-readable storage medium encoded with a computer program containing instructions executable by a processor to generate an application for determining an estimated force applied on a target tissue region, comprising: The application is
(a) a module for acquiring a set of images of the target tissue region;
(b) a module for determining perfusion properties, a set of spatial measurements, or both of the target tissue region based at least on the set of images;
(c) a module for determining a deformation of the target tissue region based at least on the set of spatial measurements;
(d) a module for determining viscoelastic properties of the target tissue region based at least on deformation of the target tissue region, perfusion properties of the target tissue region, or both;
(e) a module for determining the estimated force to be applied on the target tissue region based at least on viscoelastic properties of the target tissue region;
A non-transitory computer-readable storage medium comprising:
(Item 62)
The medium of any preceding item, wherein the set of images includes a laser speckle image, an RGB image, an RGB depth image, or any combination thereof.
(Item 63)
The medium of any of the preceding items, wherein the laser speckle image is a subjective laser speckle image, an objective laser speckle image, a near-field laser speckle image, or any combination thereof.
(Item 64)
The medium of any of the preceding items, wherein the set of images is acquired while emitting two or more different wavelengths of light at the target tissue area.
(Item 65)
The medium of any of the preceding items, wherein the set of images is acquired while emitting from about 10 to about 1,000 different wavelengths of light at the target tissue region.
(Item 66)
The medium of any of the preceding items, wherein the set of images of the target tissue region and the set of spatial measurements of the target tissue region are acquired simultaneously in real time as the target tissue region undergoes the deformation.
(Item 67)
The medium of any of the preceding items, wherein the set of images of the target tissue region are acquired in vitro.
(Item 68)
The medium of any of the preceding items, wherein the set of images of the target tissue region is acquired in vivo.
(Item 69)
The medium of any of the preceding items, wherein at least one of the set of images of the target tissue region is acquired while the target tissue region is subjected to a known deformation by a predetermined force.
(Item 70)
The medium of any of the preceding items, wherein the target tissue region is a soft tissue region.
(Item 71)
The medium of any of the preceding items, wherein determining mechanical properties, viscoelastic properties, or both of the target tissue region is performed by a machine learning algorithm.
(Item 72)
A medium according to any of the preceding items, wherein the viscoelastic properties include adhesive properties, elastic properties, hydrodynamic properties, or any combination thereof.
(Item 73)
The medium of any preceding item, the application further comprising a module for obtaining depth measurements from a depth sensor, and wherein the deformation of the target tissue region is further based on the depth measurements.
(Item 74)
The medium according to any of the preceding items, wherein the spatial measurements are one-dimensional, two-dimensional, or three-dimensional.
(Item 75)
A medium according to any of the preceding items, wherein the depth sensor includes a stereoscopic camera, a video camera, a time-of-flight sensor, or any combination thereof.
(Item 76)
The medium of any of the preceding items, wherein the deformation of the target tissue region includes one-dimensional deformation, two-dimensional deformation, three-dimensional deformation, or any combination thereof.
(Item 77)
The medium of any of the preceding items, wherein determining the estimated force to be applied to the target tissue region is performed by a machine learning algorithm.
(Item 78)
Any of the preceding items, wherein the force is applied by a human operator, and the application further comprises a module for providing feedback to the operator based on the determined estimated force applied on the target tissue area. Media described in.
(Item 79)
A medium according to any of the preceding items, wherein the feedback includes visual feedback, auditory feedback, haptic feedback, or any combination thereof.
(Item 80)
The medium of any preceding item, wherein the visual feedback includes color-coded visual feedback corresponding to the estimated force, a displayed value, a map, or any combination thereof.
(Item 81)
The medium of any of the preceding items, wherein the relationship between the estimating force and the feedback is linear, nonlinear, or exponential.
(Item 82)
The force is applied by an autonomous or semi-autonomous device, and the application further provides control feedback to the autonomous or semi-autonomous device based on the force applied by the deformed tissue. A medium according to any of the preceding items, comprising a module for.
(Item 83)
100. The medium of any of the preceding items, wherein the autonomous or semi-autonomous device modifies its treatment based on the control feedback.
(Item 84)
The application further includes at least: (i) the set of images, (ii) the spatial measurements, (iii) viscoelastic properties of the target tissue region, (iv) deformation of the target tissue region, or any of the foregoing. A medium according to any of the preceding items, comprising a module that determines a fluid flow rate in the target tissue based on the combination.
(Item 85)
A medium according to any of the preceding items, wherein the fluid is blood, sweat, semen, saliva, pus, urine, air, mucus, breast milk, bile, hormones, or any combination thereof.
(Item 86)
The medium of any of the preceding items, wherein the fluid flow rate within the target tissue is determined by a machine learning algorithm.
(Item 87)
A medium according to any of the preceding items, wherein the fluid flow rate is determined by a machine learning algorithm.
(Item 88)
The application further includes at least: (i) the set of images, (ii) the spatial measurements, (iii) viscoelastic properties of the target tissue region, (iv) deformation of the target tissue region, or any of the foregoing. A medium according to any of the preceding items, comprising a module that determines the identity of the target tissue based on the combination.
(Item 89)
The medium of any of the preceding items, wherein the identification of the target tissue is determined by a machine learning algorithm.
(Item 90)
The method of any of the preceding items, wherein identifying the target tissue is identifying the target tissue as cancerous, benign, malignant, or healthy.
(Item 91)
A computer-implemented method for training a neural network to determine elastic properties of a target tissue region, the method comprising:
(a) generating a first training set comprising a plurality of sets of images, each set of images comprising a first speckle image of the target tissue region at rest; a second speckle image of the target tissue region being deformed by a force;
(b) in a first step, training the neural network using the first training set;
(c) generating a second training set comprising said first training set and said set of images whose elasticity property values were inaccurately determined after said first stage of training; ,
(d) in a second step, training the neural network using the second training set;
computer-implemented methods, including;
(Item 92)
A method according to any of the preceding items, wherein the set of images comprises a set of subjective images, a set of objective images, a set of near-field images, or any combination thereof.
(Item 93)
A method according to any of the preceding items, wherein the set of images is acquired while emitting at least 10 different wavelengths of light at the target tissue region.
(Item 94)
A method according to any of the preceding items, wherein the set of images is acquired while emitting from about 10 to about 1,000 different wavelengths of light at the target tissue region.
(Item 95)
A method according to any of the preceding items, wherein the viscoelastic properties include adhesive properties, elastic properties, hydrodynamic properties, or any combination thereof.
(Item 96)
A method according to any of the preceding items, wherein the spatial measurements are one-dimensional, two-dimensional, or three-dimensional.
(Item 97)
A method for tracking tissue deformation, the method comprising:
(a) obtaining a scalar optical flow reading, the scalar optical flow reading corresponding to one or more laser speckle signals;
(b) using the scalar optical flow readings to determine a pixel-by-pixel motion magnitude estimate for the tissue region;
(c) integrating the pixel-by-pixel motion magnitude estimates over time and space to track deformation of the tissue region, wherein the one or more laser speckle signals are configured to detect deformation of the tissue region; associated with
including methods.
(Item 98)
98. The method of item 97, further comprising combining (i) the pixel-by-pixel motion estimate and (ii) depth or RGB-D data of the tissue region to generate a pixel-by-pixel displacement map.
(Item 99)
98. The method of item 97, wherein the pixel-by-pixel motion magnitude estimates include non-directional motion estimates.
(Inclusion by reference)
Claims (31)
（ａ）前記標的組織領域の画像のセットを取得することと、
（ｂ）前記画像のセットに少なくとも基づいて、前記標的組織領域の灌流性質、空間測定値のセット、または両方を決定することと、
（ｃ）前記空間測定値のセットに少なくとも基づいて、前記標的組織領域の変形を決定することと、
（ｄ）前記標的組織領域の変形、前記標的組織領域の灌流性質、または両方に少なくとも基づいて、前記標的組織領域の粘弾性性質を決定することと、
（ｅ）前記標的組織領域の粘弾性性質に少なくとも基づいて、前記標的組織領域上に印加される前記推定力を決定することと
を含む、方法。 A computer-implemented method for determining an estimated force to be applied on a target tissue region, the method comprising:
(a) obtaining a set of images of the target tissue region;
(b) determining perfusion properties, a set of spatial measurements, or both of the target tissue region based at least on the set of images;
(c) determining a deformation of the target tissue region based at least on the set of spatial measurements;
(d) determining viscoelastic properties of the target tissue region based at least on deformation of the target tissue region, perfusion properties of the target tissue region, or both;
(e) determining the estimated force to be applied on the target tissue region based at least on viscoelastic properties of the target tissue region.
（ａ）前記標的組織領域の画像のセットを取得するモジュールと、
（ｂ）前記画像のセットに少なくとも基づいて、前記標的組織領域の灌流性質、空間測定値のセット、または両方を決定するモジュールと、
（ｃ）前記空間測定値のセットに少なくとも基づいて、前記標的組織領域の変形を決定するモジュールと、
（ｄ）前記標的組織領域の変形、前記標的組織領域の灌流性質、または両方に少なくとも基づいて、前記標的組織領域の粘弾性性質を決定するモジュールと、
（ｅ）前記標的組織領域の粘弾性性質に少なくとも基づいて、前記標的組織領域上に印加される前記推定力を決定するモジュールと
を備える、コンピュータ実装システム。 A computer-implemented system, the computer-implemented system comprising a digital processing device, the digital processing device comprising at least one processor, an operating system configured to execute executable instructions, a memory, and a target computer. a computer program comprising instructions executable by a digital processing device to generate an application for determining an estimated force applied on a tissue region, the application comprising:
(a) a module for acquiring a set of images of the target tissue region;
(b) a module for determining perfusion properties, a set of spatial measurements, or both of the target tissue region based at least on the set of images;
(c) a module for determining a deformation of the target tissue region based at least on the set of spatial measurements;
(d) a module for determining viscoelastic properties of the target tissue region based at least on deformation of the target tissue region, perfusion properties of the target tissue region, or both;
(e) a module for determining the estimated force to be applied on the target tissue region based at least on viscoelastic properties of the target tissue region.
（ａ）前記標的組織領域の画像のセットを取得するモジュールと、
（ｂ）前記画像のセットに少なくとも基づいて、前記標的組織領域の灌流性質、空間測定値のセット、または両方を決定するモジュールと、
（ｃ）前記空間測定値のセットに少なくとも基づいて、前記標的組織領域の変形を決定するモジュールと、
（ｄ）前記標的組織領域の変形、前記標的組織領域の灌流性質、または両方に少なくとも基づいて、前記標的組織領域の粘弾性性質を決定するモジュールと、
（ｅ）前記標的組織領域の粘弾性性質に少なくとも基づいて、前記標的組織領域上に印加される前記推定力を決定するモジュールと
を備える、非一過性コンピュータ可読記憶媒体。
A non-transitory computer-readable storage medium encoded with a computer program containing instructions executable by a processor to generate an application for determining an estimated force applied on a target tissue region, comprising: The application is
(a) a module for acquiring a set of images of the target tissue region;
(b) a module for determining perfusion properties, a set of spatial measurements, or both of the target tissue region based at least on the set of images;
(c) a module for determining a deformation of the target tissue region based at least on the set of spatial measurements;
(d) a module for determining viscoelastic properties of the target tissue region based at least on deformation of the target tissue region, perfusion properties of the target tissue region, or both;
(e) a module for determining the estimated force to be applied on the target tissue region based at least on viscoelastic properties of the target tissue region.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202062958501P | 2020-01-08 | 2020-01-08 | |
| US62/958,501 | 2020-01-08 | ||
| PCT/US2021/012524 WO2021142138A1 (en) | 2020-01-08 | 2021-01-07 | Laser speckle force feedback estimation |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023509772A JP2023509772A (en) | 2023-03-09 |
| JPWO2021142138A5 true JPWO2021142138A5 (en) | 2024-01-09 |
Family
ID=76788882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022541961A Pending JP2023509772A (en) | 2020-01-08 | 2021-01-07 | Estimation of laser speckle force feedback |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20220409065A1 (en) |
| EP (1) | EP4087474A4 (en) |
| JP (1) | JP2023509772A (en) |
| KR (1) | KR20220125804A (en) |
| CN (1) | CN115243610A (en) |
| CA (1) | CA3164149A1 (en) |
| IL (1) | IL294553A (en) |
| WO (1) | WO2021142138A1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023049401A1 (en) * | 2021-09-24 | 2023-03-30 | Activ Surgical, Inc. | Systems and methods for perfusion quantification |
| WO2024030827A2 (en) * | 2022-08-02 | 2024-02-08 | The Regents Of The University Of California | Systems and methods of non-contact force sensing |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009140660A2 (en) * | 2008-05-16 | 2009-11-19 | Drexel University | System and method for evaluating tissue |
| CN104382650B (en) * | 2008-05-28 | 2017-04-12 | 泰克尼恩研究和发展基金有限公司 | Ultrasound guided robot for flexible needle steering |
| WO2011153268A2 (en) * | 2010-06-01 | 2011-12-08 | The Trustees Of Columbia University In The City Of New York | Devices, methods, and systems for measuring elastic properties of biological tissues |
| US8668647B2 (en) * | 2010-10-15 | 2014-03-11 | The University Of British Columbia | Bandpass sampling for elastography |
| US9138148B2 (en) * | 2011-04-13 | 2015-09-22 | St. Jude Medical, Inc. | High speed elastographic property mapping of lumens utilizing micropalpation delivered from an OCT-equipped catheter tip |
| GB201415649D0 (en) * | 2014-09-04 | 2014-10-22 | Univ Heriot Watt | A membrane sensor for dynamic instrumented palpatation of soft materials |
| WO2017039774A2 (en) * | 2015-06-11 | 2017-03-09 | University Of Florida Research Foundation, Incorporated | Monodisperse, ir-absorbing nanoparticles and related methods and devices |
| TWI568408B (en) * | 2015-12-23 | 2017-02-01 | 財團法人工業技術研究院 | Intraocular pressure detecting device and detecting method thereof |
| WO2017139774A1 (en) * | 2016-02-12 | 2017-08-17 | The General Hospital Corporation | Laser speckle micro-rheology in characterization of biomechanical properties of tissues |
| CN108613979B (en) * | 2018-03-12 | 2020-08-11 | 华中科技大学鄂州工业技术研究院 | Laser speckle image processing device and method for viscoelasticity quantitative detection |
| CN115379791A (en) * | 2020-02-14 | 2022-11-22 | 艾科缇弗外科公司 | System and method for processing laser speckle signals |
-
2021
- 2021-01-07 CA CA3164149A patent/CA3164149A1/en active Pending
- 2021-01-07 KR KR1020227027278A patent/KR20220125804A/en unknown
- 2021-01-07 WO PCT/US2021/012524 patent/WO2021142138A1/en unknown
- 2021-01-07 EP EP21738084.9A patent/EP4087474A4/en active Pending
- 2021-01-07 CN CN202180019070.XA patent/CN115243610A/en active Pending
- 2021-01-07 IL IL294553A patent/IL294553A/en unknown
- 2021-01-07 JP JP2022541961A patent/JP2023509772A/en active Pending
-
2022
- 2022-07-06 US US17/810,988 patent/US20220409065A1/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11551361B2 (en) | Method and system of computer-aided detection using multiple images from different views of a region of interest to improve detection accuracy | |
| CN109589170B (en) | Left atrial appendage closure guidance in medical imaging | |
| JP7184489B2 (en) | Systems and methods for generating 3D images based on fluorescent illumination | |
| JP2019534727A5 (en) | ||
| JP2017525497A5 (en) | ||
| US20160310107A1 (en) | Method and System for Automatic Estimation of Shear Modulus and Viscosity from Shear Wave Imaging | |
| JP7071240B2 (en) | Inspection support equipment, methods and programs | |
| CN115379791A (en) | System and method for processing laser speckle signals | |
| JP7023196B2 (en) | Inspection support equipment, methods and programs | |
| JP7198950B2 (en) | Optical coherence tomography for robotic neurosurgery | |
| JP2022549669A (en) | System and method for analyzing medical images based on spatio-temporal data | |
| JPWO2018110558A1 (en) | Image processing apparatus, image processing method, and program | |
| CN108369268B (en) | System and method for medical device tracking | |
| US11972560B2 (en) | Machine learning device, image diagnosis support device, machine learning method and image diagnosis support method | |
| JP6934734B2 (en) | Image processing device, control method and program of image processing device | |
| JPWO2021142138A5 (en) | ||
| EP3314572B1 (en) | Edge detection on images with correlated noise | |
| US11406264B2 (en) | Non-invasive measurement of intraocular pressure | |
| KR20240128966A (en) | Method for determining the location of a target area, electronic equipment and media | |
| US20220160260A1 (en) | System and method for measuring biomedical signal | |
| Chatterjee et al. | Human-Centered and AI-driven Generation of 6-DoF Extended Reality | |
| JPWO2020138136A1 (en) | Image processing equipment, image processing methods and programs | |
| CA3032978A1 (en) | Saliency mapping of imagery during artificially intelligent image classification | |
| US20220084206A1 (en) | Information processing apparatus, information processing method, and non-transitory storage medium | |
| Zhou et al. | Real-time surface deformation recovery from stereo videos |