医学图像处理装置、医学图像处理方法和程序制造方法及图纸

该图像处理装置包括：获取单元，其获取被检眼的断层图像；以及第一处理单元，其通过使用预先训练的模型来进行用于对所获取的断层图像中的多个视网膜层中的至少一个视网膜层进行检测的第一检测处理，该预先训练的模型是通过用被检眼的断层图像中示出的多个视网膜层中的至少一个视网膜层的数据进行训练而获得的。

【技术实现步骤摘要】
【国外来华专利技术】医学图像处理装置、医学图像处理方法和程序
本专利技术涉及一种医学图像处理装置、医学图像处理方法和程序。
技术介绍
诸如使用光学相干断层扫描(OCT)的装置(OCT装置)的用于眼睛的断层图像摄像装置可以三维地观察视网膜层内部的状态。断层图像摄像装置近年来引起了关注，因为断层图像摄像装置可用于更准确地进行诊断。作为OCT的形式，例如，存在组合了宽带光源和迈克尔逊干涉仪的TD-OCT(时域OCT)。这被构造为通过扫描参考臂的延迟来测量与信号臂的背散射光的干涉光，并获得关于深度分解的信息。然而，在这种TD-OCT中，难以快速获得图像。因此，作为用于更快地获得图像的方法，已知具有使用宽带光源并通过分光镜获得干涉图的技术的SD-OCT(光谱域OCT)。另外，已知具有使用快速波长扫频光源作为光源并通过单通道光电检测器测量光谱干涉的技术的SS-OCT(扫频源OCT)。在获得由OCT摄像的断层图像的情况下，当可以测量神经纤维层的厚度时，可以定量诊断诸如青光眼的疾病的进展以及治疗后的恢复状态。在专利文献1中公开了使用计算机从断层图像检测各视网膜层的边界并测量各层的厚度以定量地测量这些层的厚度的技术。[引用列表][专利文献]专利文献1：日本特开第2008-73099号公报
技术实现思路
[技术问题]然而，传统技术具有以下问题。由于在患病的眼睛中存在层的消失、出血以及白癜风和新血管的发生等，因此视网膜的形状变得不规则。因此，在通过利用视网膜的形状的规则性并进行视网膜层的边界检测来确定图像特征提取的结果的常规图像处理方法中，存在当自动进行视网膜层的边界检测时发生错误检测等的限制。因此，本专利技术的一个目的是提供一种无论疾病、部位等如何都能够进行视网膜层的边界检测的医学图像处理装置、医学图像处理方法和程序。[解决问题的方案]根据本专利技术的一个实施例的医学图像处理装置包括：获得单元，其被构造为获得被检眼的断层图像；以及第一处理单元，其被构造为通过使用学习模型来进行用于对所获得的断层图像中的多个视网膜层中的至少一个视网膜层进行检测的第一检测处理，该学习模型是由指示被检眼的断层图像中的多个视网膜层中的至少一个视网膜层的训练数据而获得的。另外，根据本专利技术的另一实施例的医学图像处理方法包括：获得被检眼的断层图像；以及通过使用学习模型来进行用于对所获得的断层图像中的多个视网膜层中的至少一个视网膜层进行检测的第一检测处理，该学习模型是由指示被检眼的断层图像中的多个视网膜层中的至少一个视网膜层的训练数据而获得的。根据下面参照附图对示例性示例的描述，本专利技术的进一步特征将变得显而易见。附图说明[图1]图1示出了根据示例1的图像处理系统的示意构造的示例。[图2A]图2A是用于描述眼睛的图。[图2B]图2B是用于描述断层图像的图。[图2C]图2C是用于描述眼底图像的图。[图3]图3是根据示例1的一系列处理的流程图。[图4A]图4A是用于描述学习图像的示例的图。[图4B]图4B是用于描述学习图像的示例的图。[图5A]图5A是用于描述学习图像的尺寸的示例的图。[图5B]图5B是用于描述学习图像的尺寸的示例的图。[图5C]图5C是用于描述学习图像的尺寸的示例的图。[图6]图6是用于描述根据示例1的机器学习模型的示例的图。[图7]图7示出了显示画面的示例。[图8]图8示出了根据示例2的图像处理系统的示意构造的示例。[图9A]图9A是根据示例2的一系列处理的流程图。[图9B]图9B是根据示例2的边界检测处理的流程图。[图10A]图10A是用于描述视网膜区域的检测的图。[图10B]图10B是用于描述视网膜区域的检测的图。[图11A]图11A是用于描述学习图像的尺寸的示例的图。[图11B]图11B是用于描述学习图像的尺寸的示例的图。[图11C]图11C是用于描述学习图像的尺寸的示例的图。[图12]图12是用于描述根据示例2的机器学习模型的示例的图。[图13A]图13A是用于描述根据示例2的视网膜层检测的图。[图13B]图13B是用于描述根据示例2的视网膜层检测的图。[图13C]图13C是用于描述根据示例2的视网膜层检测的图。[图13D]图13D是用于描述根据示例2的视网膜层检测的图。[图14A]图14A是用于描述学习模型中的输入和输出图像的示例的图。[图14B]图14B是用于描述学习模型中的输入和输出图像的示例的图。[图14C]图14C是用于描述学习模型中的输入和输出图像的示例的图。[图14D]图14D是用于描述学习模型中的输入和输出图像的示例的图。[图15]图15是根据示例4的图像处理系统的示意构造的示例。[图16A]图16A是根据示例4的一系列处理的流程图。[图16B]图16B是根据示例4的一系列处理的流程图。[图17]图17示出了根据示例5的图像处理系统的示意构造的示例。[图18A]图18A是根据示例5的一系列处理的流程图。[图18B]图18B是根据示例5的边界检测处理的流程图。[图19A]图19A是用于描述视网膜区域的补偿处理的图。[图19B]图19B是用于描述视网膜区域的补偿处理的图。[图19C]图19C是用于描述视网膜区域的补偿处理的图。[图19D]图19D是用于描述视网膜区域的补偿处理的图。[图20]图20是用于描述根据示例6的学习图像的示例的图。[图21A]图21A示出了多个OCTAEn-Face图像的示例。[图21B]图21B示出了多个辉度断层图像的示例。[图22A]图22A示出了根据示例7的用户界面的示例。[图22B]图22B示出了根据示例7的用户界面的示例。[图23]图23示出了根据示例7的用户界面的示例。[图24]图24示出了与术语的描述有关的区域标签图像的示例。[图25]图25示出了与术语的描述有关的神经网络的构造的示例。[图26]图26示出了与术语的描述有关的神经网络的构造的示例。[图27]图27示出了与术语的描述有关的区域标签图像的示例。[图28]图28示出了根据示例8的图像处理装置的构造的示例。[图29]图29是示出根据示例8的图像处理装置的处理流程的示例的流程本文档来自技高网...

【技术保护点】
1.一种医学图像处理装置，包括：/n获得单元，其被构造为获得被检眼的断层图像；以及/n第一处理单元，其被构造为通过使用学习模型来进行用于对所获得的断层图像中的多个视网膜层中的至少一个视网膜层进行检测的第一检测处理，该学习模型是通过指示被检眼的断层图像中的多个视网膜层中的至少一个视网膜层的训练数据而获得的。/n

【技术特征摘要】
【国外来华专利技术】20180814 JP 2018-152632;20181210 JP 2018-230612;201.一种医学图像处理装置，包括：
获得单元，其被构造为获得被检眼的断层图像；以及
第一处理单元，其被构造为通过使用学习模型来进行用于对所获得的断层图像中的多个视网膜层中的至少一个视网膜层进行检测的第一检测处理，该学习模型是通过指示被检眼的断层图像中的多个视网膜层中的至少一个视网膜层的训练数据而获得的。


2.根据权利要求1所述的医学图像处理装置，所述医学图像处理装置还包括：第二处理单元，其被构造为不使用通过机器学习而获得的学习模型，来进行用于对所获得的断层图像中的多个视网膜层中的至少一个视网膜层进行检测的第二检测处理。


3.根据权利要求2所述的医学图像处理装置，其中，第二检测处理是对除通过进行第一检测处理而检测到的所述至少一个视网膜层以外的至少一个视网膜层进行检测的处理。


4.根据权利要求2或3所述的医学图像处理装置，其中，第一检测处理是将所获得的断层图像中的视网膜区域检测为所述至少一个视网膜层的处理，并且
第二检测处理是对通过进行第一检测处理而检测到的视网膜区域中的至少一个视网膜层进行检测的处理。


5.根据权利要求2至4中任一项所述的医学图像处理装置，其中，第一检测处理是对从被检眼的内限制膜与神经纤维层之间的边界到感光体内节段-外节段连接处、视网膜色素上皮和布鲁赫膜中的一个的层进行检测的处理，并且
第二检测处理是对通过第一检测处理检测到的层之间的至少一个视网膜层进行检测的处理。


6.根据权利要求2至5中任一项所述的医学图像处理装置，其中，第二处理单元在第一处理单元进行第一检测处理之后进行第二检测处理。


7.根据权利要求2所述的医学图像处理装置，所述医学图像处理装置还包括：显示控制单元，其被构造为控制显示单元，
其中，第一检测处理和第二检测处理是检测同一视网膜层的处理，并且
显示控制单元在显示单元上显示第一检测处理和第二检测处理的处理结果。


8.根据权利要求7所述的医学图像处理装置，其中，显示控制单元在显示单元上显示第一检测处理和第二检测处理的处理结果之间的不匹配部分。


9.根据权利要求7或8所述的医学图像处理装置，其中，第一检测处理和第二检测处理是对从被检眼的内限制膜与神经纤维层之间的边界到感光体内节段-外节段连接处、视网膜色素上皮和布鲁赫膜中的一个的层进行检测的处理，并且
第二处理单元还根据操作者的指令进行第三检测处理，该第三检测处理对通过第一检测处理和第二检测处理中的任何一个检测到的层之间的至少一个视网膜层进行检测。


10.根据权利要求2至9中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：选择单元，其被构造为基于与所获得的断层图像有关的摄像条件来进行对第一检测处理和第二检测处理中的至少一个的选择。


11.根据权利要求2至10中任一项所述的医学图像处理装置，其中，在使用不同的训练数据进行了机器学习的多个学习模型当中，第一处理单元通过使用学习模型进行第一检测处理，通过使用同与所获得的断层图像有关的摄像条件相对应的训练数据对该学习模型进行了机器学习。


12.根据权利要求10或11所述的医学图像处理装置，其中，摄像条件包括摄像部位、摄像系统、摄像区域、摄像视角和图像分辨率中的至少一项。


13.根据权利要求2至12中任一项所述的医学图像处理装置，其中，基于第一检测处理和第二检测处理的结果，对被检眼的形状特征进行测量。


14.根据权利要求1至13中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：校正单元，其被构造为基于视网膜层中的医学特征来校正由第一处理单元检测到的视网膜层的结构。


15.根据权利要求1至14中任一项所述的医学图像处理装置，其中，第一处理单元通过使用学习模型来检测针对输入图像的各摄像部位预先定义的边界。


16.根据权利要求1至15中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：生成单元，其被构造为生成与被检眼的三维断层图像的至少一部分的深度范围相对应的正面图像，该深度范围是基于检测到的至少一个视网膜层而确定的。


17.根据权利要求16所述的医学图像处理装置，其中，生成单元通过使用与三维断层图像相对应的三维运动对比度数据来生成与所确定的深度范围相对应的运动对比度正面图像。


18.根据权利要求1至15中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：生成单元，其被构造为通过使用用于改善图像质量的学习模型，从所获得的断层图像生成与所获得的断层图像相比图像质量改善的断层图像，
其中，第一处理单元对所生成的断层图像进行第一检测处理。


19.根据权利要求1至18中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：修改单元，其被构造为根据操作者的指令来修改关于第一处理单元检测到的视网膜层的信息，
其中，修改后的关于视网膜层的信息用于关于第一处理单元使用的学习模型的增量学习。


20.根据权利要求1至19中任一项所述的医学图像处理装置，所述医学图像处理装置还包括：诊断结果生成单元，其被构造为通过使用用于诊断结果生成的学习模型，从通过进...

【专利技术属性】
技术研发人员：岩濑好彦，沟部秀谦，富田律也，
申请(专利权)人：佳能株式会社，
类型：发明
国别省市：日本;JP