JP2021503092A - ガボール光干渉断層血管撮影法を実行するためのシステムおよび方法 - Google Patents

Abstract

Ｅｎ−ｆａｃｅ（正面）画像を迅速に生成するための光干渉断層撮影血管撮影を実行するためのシステムおよび方法を開示する。１つの例示的な実施形態においては、スペクトル領域または掃引光源ＯＣＴシステムを使用して得られた差分合成波形が、組織表面の推定表面深さに従って計算されたガボールフィルタで畳み込まれる。ガボールと差分合成波形の合成積は、高速フーリエ変換やｋ空間リサンプリングを実行する必要なく、正面画像を生成するために処理される。別の例示的な実施形態では、２つの合成波形がガボールフィルタで其々に畳み込まれた上、二つのガボールと差分合成波形の合成積振幅の差分が求められ、そのもとに正面画像を生成する。この際も高速フーリエ変換およびｋ空間リサンプリングを実行しない。本明細書に開示される例示的なＯＣＴＡ方法は、従来のＯＣＴＡアルゴリズムと比較してより速いデータ処理速度を達成することが示されている。【選択図】図１Ａ

Description

本開示は、光干渉断層血管撮影に関する。

１９９０年代に提案された光干渉断層法（ＯＣＴ）技術は、医療診断及び治療における新興イメージングモダリティである。ＯＣＴは、光学干渉を使用して表面下の組織構造の深度分解画像を生成する光学撮影技術である。空間的コヒーレント光源より照射された光は、参照アームの光とサンプルのプローブ光に分割される。試料内の構造からの散乱光が収集され、参照ビームと結合され生じる干渉が検出および処理されて、試料の深度プロファイルが検出される。ＯＣＴは、数種類の実装方法がある。一般に、ＯＣＴシステムは時間領域ＯＣＴ（ＴＤ−ＯＣＴ）または周波数領域ＯＣＴのいずれかに分類される。後者の周波数領域ＯＣＴは、スペクトラルドメインＯＣＴ（ＳＤ−ＯＣＴ）または波長掃引型ＯＣＴ（ＳＳ−ＯＣＴ）として実装される。非侵襲性、高解像度および高画像化速度の観点から、ＯＣＴは、網膜、脳、心臓及び皮膚といった種々の組織の微細構造の画像化に加えて、光干渉断層法に基づく微小血管の検出も可能であり、医療画像診断で重要な役割を果たしている。血流情報を抽出する最初のアルゴリズムは、移動する散乱粒子の軸速度成分を計算する光学ドップラー断層撮影（ＯＤＴ）またはカラードップラーＯＣＴ（ＣＤＯＣＴ）である。

微小血管の形態学的なＯＣＴ画像化は、集合的に呼ばれる光干渉断層血管撮影（ＯＣＴＡ）として開発された。一般に、現在利用可能なＯＣＴＡアルゴリズムは、処理モードに応じて２つのカテゴリに分類できる。１つは、ドップラー分散位相分解（ＤＶＰＲ）、強度ベースの修正ドップラー分散（ＩＢＤＶ）、光学マイクロ血管撮影（ＯＭＡＧ）などのライン間モードである。ライン間モードの場合、血流情報は、各位置の干渉縞の１フレームから抽出された。ＤＶＰＲとＩＢＤＶの場合、小さなウィンドウの統計情報は、高いＡライン密度を必要とする微小血管系を対比するために計算された。ＯＭＡＧでは、干渉縞を変調するために参照アームでピエゾステージが使用され、ＯＣＴセットアップの複雑化が見られた。

２番目の処理モードはフレーム間である。これは、位相分散ＯＣＴ（ＰＶＯＣＴ）、スペックル分散ＯＣＴ（ＳＶＯＣＴ）、相関マッピングＯＣＴ（ｃｍＯＣＴ）など、各位置の構造画像のマルチフレームから血流情報を抽出する。スペクトル振幅相関血管撮影法（ＳＳＡＤＡ）と対数スケール強度の差分標準偏差（ＤＳＤＬＩ）、および超高感度光マイクロ血管撮影法（ＵＨＳ−ＯＭＡＧ）。このモードでは、フレーム間の間隔がＡ走査の間隔よりも長い為、微小血管の検出のための感度を向上させることが可能である。しかしながらこの比較的長いフレーム間隔のため体動アーチファクトも顕著にみられる。微小血管の検出のための感度はＰＶＯＣＴ、ＳＶＯＣＴ、ｃｍＯＣＴ、ＳＳＡＤＡ、およびＤＳＤＬＩは、空間領域の位相または強度画像から統計情報を計算することにより、血管コントラストを取得する。ＰＶＯＣＴは、２つのフレーム間の位相差の分散を計算する。ＳＶＯＣＴとＤＳＤＬＩは、強度の分散と２つのフレーム間の差分強度をそれぞれ計算する。ｃｍＯＣＴとＳＳＡＤＡの両方が非相関係数を計算するが、ＳＳＡＤＡでは微小血管画像の画質を改善するために、フルスペクトルが４つの部分帯域に分割される。ＵＨＳ−ＯＭＡＧの場合、ＯＭＡＧアルゴリズムは低速スキャン方向で実行され、血流信号は振幅信号と位相信号の両方から計算されるため、感度が向上する。近年のＯＣＴは、パラレルイメージングや高面積化が普及し、データ量が飛躍的に増加し、ＧＰＵをデータ処理に利用した場合でもリアルタイムイメージングにおいての課題が生じている。

光干渉断層撮影血管撮影を実行し、ｅｎ−ｆａｃｅ（正面）画像を迅速に生成するためのシステムおよび方法を開示する。１つの例として、スペクトル領域または波長掃引型ＯＣＴシステムを使用して得られた差分合成波形を、ガボールフィルタを用いてそれとの合成積を求める。ガボールフィルタは、組織表面の推定表面深度に従って計算される。ガボールと合成波形の合成積より正面画像が生成される。この際、高速フーリエ変換及びｋ空間リサンプリングを実行する必要はない。別の例では、２つの合成波形を別々にガボールフィルタで畳みこみ、ガボール・合成波形合成積振幅の差分を求め、これによって正面画像を生成する。この際も、高速フーリエ変換及びｋ空間リサンプリングを実行する必要はない。上記の方法は、本開示で従来のＯＣＴＡアルゴリズムと比較してより速く処理が可能であることが示されている。

従って、本開示ではＯＣＴを介して正面血管撮影画像を生成する方法が提供され、この方法は以下を含む。スペクトル領域または波長掃引型ＯＣＴシステムを使用して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出する。第１の合成波形フレームおよび第２の合成波形フレームを減算により処理して、差分合成波形フレームを生成する。

ガボールフィルタと差分合成波形フレームの畳み込みを実行し、ガボールと差分合成波形の合成積フレームを取得する。ガボールフィルタは、組織表面の推定深度に基づいて画素毎に計算される。そしてガボールと差分合成波形の合成積フレームを処理して正面血管撮影画像を生成する。ガボールと差分合成波形の合成積フレームは、高速フーリエ変換とｋ空間リサンプリングを実行せずに処理される。
別の態様では、ＯＣＴを介して正面血管撮影画像を生成するためのシステムが提供され、このシステムは以下を含む。

スペクトル領域または掃引光源光干渉断層計システム；そして制御および処理回路は、ＯＣＴシステムに結合され、プロセッサおよびメモリを備え、プロセッサは、以下のステップを実行するためにメモリに格納された命令を実行するように構成される。
ＯＣＴシステムを制御して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出するステップ。
第１の合成波形フレームおよび第２の合成波形フレームを減算により処理して、差分合成波形フレームを生成する。
ガボールフィルタと差分合成波形フレームの畳み込みを実行し、ガボールと差分合成波形の合成積フレームを取得する。ガボールフィルタは、組織表面の推定深度に基づいて画素毎に計算される。そして
ガボールと差分合成波形の合成積フレームを処理して正面血管撮影画像を生成する。ガボール差分合成波形合積分フレームは、高速フーリエ変換とｋ空間リサンプリングを実行せずに処理される。

別の態様では、ＯＣＴを介して正面血管撮影画像を生成する方法が提供され、この方法は以下を含む。
スペクトル領域または波長掃引型ＯＣＴシステムを使用して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出する。
ガボールフィルタと第１の合成波形フレームおよび第２の合成波形フレームの畳み込みを実行することにより、第１のガボールと差分合成波形の合成積フレームと第２のガボールと差分合成波形の合成積フレームをそれぞれ組織表面の推定深度に基づき、画素毎に取得する。
第１のガボールと差分合成波形の合成積フレームおよび第２のガボールと差分合成波形の合成積フレームを処理してその振幅を取得し、それにより第１のガボールと差分合成波形の合成積振幅フレームおよび第２のガボールと差分合成波形の合成積振幅フレームをそれぞれ得る。
第１のガボールと差分合成波形の合成積振幅フレームおよび第２のガボールと差分合成波形の合成積振幅フレームを減算により処理して、差分を求める。そして
差分を処理して正面血管撮影画像を生成する。ガボールと差分合成波形の合成積振幅フレームは、高速フーリエ変換とｋ空間リサンプリングを実行せず処理される。

別の態様では、ＯＣＴを介して正面血管撮影画像を生成するためのシステムが提供され、このシステムは以下を含む。
スペクトル領域または掃引光源光干渉断層計システム；そして
制御および処理回路は、ＯＣＴシステムに動作可能に結合され、プロセッサおよびメモリを備え、プロセッサは、以下のステップを実行するためにメモリに格納された命令を実行するように構成される。
ＯＣＴを制御して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出する。
ガボールフィルタと第１の合成波形フレームおよび第２の合成波形フレームの畳み込みを実行することにより、第１のガボールと差分合成波形の合成積フレームと第２のガボールと差分合成波形の合成積フレームを組織表面の推定深度に基づき、画素毎にそれぞれ取得する。

第１のガボールと差分合成波形の合成積フレームおよび第２のガボールと差分合成波形の合成積フレームを処理してその振幅を取得し、それにより第１のガボールと差分合成波形の合成積振幅フレームおよび第２のガボールと差分合成波形の合成積振幅フレームをそれぞれ得る。

第１のガボールと差分合成波形の合成積振幅フレームおよび第２のガボールと差分合成波形の合成積振幅フレームを減算により処理して、差分を生成する。そして
差分合成積振幅フレームを処理して、正面血管撮影画像を生成する。ガボール畳み込み差分合成波形振幅フレームは、高速フーリエ変換とｋ空間リサンプリングを実行せず処理される。

別の態様では、スペクトル分散ＯＣＴのノイズ抑制を行う方法を開示する。第一のスペクトル分散ＯＣＴの正面画像は、第一の合成波形フレームによって生成され、第２のスペクトル用い以下の通り処理を行う。
第１スペクトル分散ＯＣＴの正面画像を第１合成波形フレームと第２合成波形フレームの平均強度投影で除算することにより、第２スペクトル分散ＯＣＴの正面画像を得る。そして
第一、第二のスペクトル分散ＯＣＴの正面画像の対数を正規化し結合することによりテクスチャノイズ抑圧されたスペクトル分散ＯＣＴ画像を取得する。

別の態様では、正面画像のスペクトル分散ＯＣＴのテクスチャノイズ抑制を実行するためのシステムを開示する、このシステムは、
スペクトル領域または掃引光源光干渉断層計システム；そして
制御および処理回路は、ＯＣＴシステムに結合され、プロセッサおよびメモリを備え、プロセッサは、以下のステップを実行するためにメモリに格納された命令を実行するように構成される。
ＯＣＴシステムを制御して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出する。
最初のスペクトル分散ＯＣＴを生成するために第１の合成波形フレームと第２合成波形フレームを処理し正面画像そこを、
第１スペクトル分散ＯＣＴ正面画像を第１合成波形フレームと第２合成波形フレームの平均の平均強度投影で除算することにより、第２スペクトル分散ＯＣＴ正面画像を得る。そして
最初のスペクトル分散ＯＣＴの対数の正規加算することによりテクスチャノイズ抑圧スペクトル分散光コヒーレンス断層画像を取得する正面画像と第２のスペクトル分散ＯＣＴの正規正面画像を表示する。

本発明の機能的記載及びその利点は、以下説明および図面を参照することによって明確に理解される。

態様は以下の図を参照しながら、凡例として説明する。
図１Ａは、スペクトルドメインＯＣＴ（ＳＤＯＣＴ）を使用して光干渉断層撮影血管撮影を実行するための例示的なシステムを示す。 図１Ｂは、掃引光源ＯＣＴ（ＳＳＯＣＴ）を使用して光干渉断層撮影血管撮影を実行するための例示的なシステムを示す。 図２は、ガボールＯＣＴ血管撮影法（ＧＯＣＴＡ）を実行する例示的な方法を説明するフローチャートを示す。右側のフローチャートは撮像組織表面の表面深度算出方法の一例であり、網膜表面の位置を特定するためＡスキャンを３回計算されている。これによりＢスキャンにしよされるガボールフィルタのパラメータをフローチャート左側で算出する。 図３は、人間の目の断面構造図である。いくつかの例示的な形態では、破線のボックスによって覆われた領域内の網膜表面の曲率は、前後（ＡＰ）の直径によって概算することができる。 図４Ａ〜４Ｃは、複数のＡ−スキャンに基づいて表面の計算ステップを示したものである。 図５Ａ〜５Ｃは、サブスペクトル帯域、サブサンプリング、及び畳み込み処理軽減の例示的な方法を示す。 図６Ａおよび６Ｂは、（Ａ）指または掌紋および（Ｂ）皮膚病変のテクスチャノイズの例示的な原因を示す。「ＲＢＣ」は赤血球の略称である。 図７Ａおよび７Ｂは、（Ａ）任意のテクスチャノイズ除去を伴うＡＧＯＣＴＡ、及び（Ｂ）テクスチャノイズ除去を伴うＳＶＯＣＴのためのデータ処理ステップの例示的な方法を示すフローチャートである。橙色のステップは、テクスチャノイズの除去方法を示す。Ａｂｓ、Ａｍｐ、ＮＯＲＭは絶対値、振幅、正規化を計算するための演算子で、ＨｉｌｂｅｒｔとＭＩＰはそれぞれヒルベルト変換と平均強度投影である。 図８Ａ−８Ｏは、視神経乳頭領域の微小血管画像を比較したものである。（ａ）式１を使用して計算された構造面。図３において、黒丸でマークされた３つの角は、ＦＦＴによって計算された。（ｂ）商用システムから出力された画像。（ｃ）（ｄ）−（ｇ）の破線の長方形でマークされた局所領域の動的血流信号（赤）と背景（青）のマスク。（ｄ）−（ｇ）は、ＧＯＣＴＡ、ＳＶＯＣＴ、ＵＨＳ−ＯＭＡＧ、ＳＳＡＤＡによってそれぞれ取得された微小血管画像である。（ｈ）、（ｊ）、（ｌ）、（ｎ）はそれぞれ、（ｄ）−（ｇ）の破線の白い長方形でマークされ拡大された領域である。（ｉ）、（ｋ）、（ｍ）、（ｏ）は、マスク（ｃ）でカバーされる強度値のヒストグラムである。赤と青は、それぞれ動的フロー信号と背景を表する。（ｂ）と（ｄ）−（ｇ）はスケールバーを共有する。 図９Ａ−９Ｏは、中心窩領域の微小血管画像を比較したものである。（ａ）式１を使用して計算された構造面。図３において、黒丸でマークされた３つのコーナーは、ＦＦＴによって計算された。（ｂ）商用システムから出力された画像。（ｃ）（ｄ）−（ｇ）の破線の長方形でマークされた局所領域の動的血流信号（赤）と背景（青）のマスク。（ｄ）−（ｇ）は、ＧＯＣＴＡ、ＳＶＯＣＴ、ＵＨＳ−ＯＭＡＧ、ＳＳＡＤＡによってそれぞれ取得された微小血管画像である。（ｈ）、（ｊ）、（ｌ）、（ｎ）はそれぞれ、（ｄ）−（ｇ）の破線の白い長方形でマークされ拡大された領域である。（ｉ）、（ｋ）、（ｍ）、（ｏ）は、マスク（ｃ）でカバーされる強度値のヒストグラムである。赤と青は、それぞれ動的フロー信号と背景を表する。（ｂ）と（ｄ）−（ｇ）はスケールバーを共有する。 図１０Ａは、同じ位置からの各２回のＢスキャンのデータ処理時間を比較する表である。 図１０Ｂは、ＣＰＵおよびＧＰＵによる３Ｄ（６０８×２０４８×３０４）データセット全体のデータ処理時間を比較する表である。 図１１Ａ―Ｈは健康なボランティアの網膜スキャンの結果を示す。この際の撮影範囲は６×６ｍｍであり、視神経頭領域および中心窩の領域の両方でスキャンを実行した。（ａ）および（ｂ）は、ここで説明するＧＯＣＴＡ法の実装例を使用して取得した表面データである。（ｃ）及び（ｄ）は、視神経乳頭領域と中心窩の領域の微小血管画像である。（ｅ）と（ｆ）は最適化された微小血管画像である。（ｇ）と（ｈ）は、それぞれ（ｅ）から（ｃ）、（ｆ）から（ｄ）を差し引いて得られた差分画像である。（ｃ）−（ｈ）同じスケールバーを共有する。 図１２Ａ−１２Ｔは本発明であるＧＯＣＴＡ方法のを使用し得られた表面データ（赤色の曲線）である。（ａ）−（ｊ）は、０ｍｍ、０．７ｍｍ、１．３ｍｍ、２．０ｍｍ、２．６ｍｍ、３．３ｍｍ、４．０ｍｍ、４．６ｍｍ、５．３ｍｍの位置にある光神経頭領域の表面データを含む断面構造画像であるおよび６．０ｍｍ。（ｋ）−（ｔ）は、０ｍｍ、０．７ｍｍ、１．３ｍｍ、２．０ｍｍ、２．６ｍｍ、３．３ｍｍ、４．０ｍｍ、４．６ｍｍ、５．３ｍｍ、６．０の位置における中心窩領域の表面データを含む断面構造画像である。 図１３Ａ−１３Ｑはサブスペクトルバンドおよびサブサンプリングバンドにおける視神経乳頭領域画像である。（ａ）−（ｐ）は、異なるスペクトルバンドと異なるサンプリングバンドを持つ正面画像である。（ａ１）−（ｐ１）は、（ａ）−（ｐ）の破線の長方形でマークされ拡大された画像である。（ａ２）−（ｐ２）は、マスク（ｑ）でカバーされた（ａ１）−（ｐ１）の画素強度のヒストグラムで、赤と青はそれぞれ動的信号と静的信号を表する。（ａ）−（ｐ）同じスケールバーを共有する。 図１４Ａ〜１４Ｑは、中心窩領域上のサブスペクトルバンドおよびサブサンプリングバンドの微小血管画像を示す。（ａ）−（ｐ）は、異なるスペクトルバンドと異なるサンプリングバンドを持つ正面画像である。（ａ１）−（ｐ１）は、（ａ）−（ｐ）の破線の長方形でマークされた領域のズームされたローカル画像である。（ａ２）−（ｐ２）は、マスク（ｑ）でカバーされた（ａ１）−（ｐ１）の画素強度のヒストグラムで、赤と青はそれぞれ動的信号と静的信号を表する。（ａ）−（ｐ）同じスケールバーを共有する。 図１５Ａおよび１５Ｂは、全帯域と比較して１／４スペクトル帯域および１／２サンプリング帯域による「失われた」微小血管情報を示す。（ａ）および（ｂ）に示される「失われた」微小血管情報は、図２を差し引くことによって得られる。図１３による図１３（ａ）。図５（ｊ）および図５。図６による図６（ａ）。６（ｊ）、それぞれ。 図１６Ａ−１６Ｊは、１／４スペクトルバンドと１／２サンプリング帯域にＧＯＣＴＡ、ＳＶＯＣＴとＯＭＡＧにより得られた微小血管画像を示す。（ａ）、（ｂ）、および（ｄ）は、それぞれＧＯＣＴＡ、ＳＶＯＣＴ、およびＯＭＡＧによって取得された視神経乳頭領域画像である。（ｃ）と（ｅ）は、（ａ）から（ｂ）と（ａ）から（ｄ）を差し引いた差分画像である。（ｆ）、（ｇ）、および（ｉ）は、ＧＯＣＴＡ、ＳＶＯＣＴ、およびＯＭＡＧによって取得された中心窩領域の画像である。（ｈ）および（ｊ）は、（ｆ）を（ｇ）で減算し、（ｆ）を（ｉ）で減算した差分画像である。 図１７は、ＣＰＵとＧＰＵを用い、同じ位置のＢスキャンをＧＯＣＴＡ法でデータ処理した際の時間をグラフ化したものである。合計は、２つのＡスキャンの合計エネルギーの計算である。転送は、ホストメモリからＧＰＵメモリにデータを転送するプロセスである。準備は、畳み込み演算の準備するためのステップである。ＧＰＵ処理では、図に表示するには小さすぎるため、２つのＢスキャンの減算時間は準備時間に含まれている。 図１８は、サブスペクトル帯域およびサブサンプリング帯域の３Ｄデータ処理時間を示す表である。 図１９Ａ−１９Ｉはファントム実験の画像である。（ａ）断面構造画像。（ｂ）−（ｄ）（ａ）の赤い破線でマークされた深さ（６６０μｍ）でｃｍＯＣＴ、ＳＶＯＣＴ、ＡＧＯＣＴＡによってそれぞれ取得された正面フロー画像。３つすべての画像の深度範囲は同じ３００μｍであったた。（ｅ）−（ｇ）は、（ｂ）−（ｄ）のマークされた領域（破線の長方形：動的信号、実線の長方形：静的信号）のヒストグラムである。ヒストグラムでは、動的信号と静的信号がそれぞれ赤と青としてマークされた。（ｂ）−（ｄ）は同じスケールバーを共有した。 図２０Ａ−２０Ｋは、健康なボランティアの手のひらの局所領域の微小血管画像を示している。（ａ）ボランティアの手の写真。マークされた領域（６×６ｍｍ）が撮影された。（ｂ）推定された表面曲率。（ｃ）血流シグナル（赤）と背景（青）のマスク。（Ｄ）−（Ｆ）はｃｍＯＣＴ、ＳＶＯＣＴとＡＧＯＣＴＡ、それぞれによって算出された正面微小血管画像。これらの３つの画像は、皮膚表面から５５０〜８５０μｍの深度で撮影された。ｃｍＯＣＴにおいては、３×３画素の相関ウィンドウサイズを使用。（ｇ）−（ｉ）はマスク（ｃ）内の強度値のヒストグラムで、動的信号と静的信号はそれぞれ赤と青としてマークされている。（ｃ）−（ｆ）は同じスケールバーを共有する。 図２１Ａ−２１Ｌは計算された表面データを示す。（ａ）−（ｌ）は、０．５ｍｍ、１．０ｍｍ、１．５ｍｍ、２．０ｍｍ、２．５ｍｍ、３．０ｍｍ、３．５ｍｍ、４．０ｍｍ、４．５ｍｍ、５．０ｍｍ、５．５ｍｍ、６．０ｍｍの断面画像である。赤い曲線は推定表面である。 図２２は、同じ位置の２つのＢスキャンデータのＣＰＵ上の処理時間の比較をグラフ化したものである。ｃｍＯＣＴとＳＶＯＣＴにおいては、高速フーリエ変換（ＦＦＴ）と平均強度投影（ＭＩＰ）を実行した。ＡＧＯＣＴ方法における、ヒルベルト変換及び振幅計算に要した時間は、標準偏差（ＳＴＤ）に含まれる。 図２３は、同じ位置の２つのＢスキャンデータのＧＰＵ上の処理時間の比較である。「転送」はＧＰＵメモリにホストメモリからのデータ転送を示す。 図２４は、３Ｄデータ全体のデータ処理時間を比較したものである。上の時間軸はｃｍＯＣＴで、下の時間軸はＳＶＯＣＴとＡＧＯＣＴＡである。 図２５Ａ−２５Ｖは結果は健常である人の手のひらのをスキャンしテクスチャノイズ除去した際のデータである。（ａ）手のひらの写真及び撮影領域のマーク。（ｂ）−（ｄ）は、ＡＧＯＣＴＡによって取得された３つの深度における正面構造イメージである（平均２つのガボールフィルタ処理されたフリンジの平均値）。（ｅ）−（ｇ）および（ｎ）−（ｐ）は、３つの深度範囲内の通常のＡＧＯＣＴＡおよびＳＶＯＣＴによって取得されたものである。（ｈ）−（ｊ）および（ｑ）−（ｓ）は、ＡＧＯＣＴＡおよびＳＶＯＣＴによって取得され、テクスチャノイズを除去したものである。（ｋ）−（ｍ）および（ｔ）−（ｖ）は、ＡＧＯＣＴＡおよびＳＶＯＣＴの最適化された画像と通常の画像の差分画像である。すべての画像は同じスケールバーを共有する。 図２６Ａ−２６Ｊは、ＨＨＴ（遺伝性出血性末梢血管拡張症）患者の皮膚病変の微小血管画像。（ａ）病変の写真。マークされた領域（６×６ｍｍ）がスキャンされた。（ｂ）推定された表面曲率。（ｃ）（ｆ）−（ｈ）の黄色の破線の長方形でマークされた局所領域の動的血流信号と背景のマスク。（ｄ）ＡＧＯＣＴＡによって取得された正面構造イメージ。（Ｅ）−（ｆ）は、正面（皮膚表面下に６５０〜９５０ミクロンの深さ範囲で）微小血管の画像は、それぞれ、正規ＳＶＯＣＴとＡＧＯＣＴＡによって取得したものである。（ｇ）３×３画素の相関ウィンドウを用いてｃｍＯＣＴによって取得された微小血管画像。（ｈ）−（ｉ）は、ＳＶＯＣＴとＡＧＯＣＴＡによってテクスチャノイズを削除して取得されたものである。（ｊ）−（ｌ）は、マスク（ｃ）でカバーされる強度値のヒストグラムで、動的信号と静的信号がそれぞれ赤と青としてマークされている。（ｄ）−（ｈ）同じスケールバーを共有する。 図２７は、サブスペクトルバンドとサブサンプリングバンドの３Ｄデータ処理時間のグラフである。 図２８Ａ−２８Ｍはサブスペクトルとサブサンプリングバンド上のＡＧＯＣＴＡ微小血管画像。（ａ）−（ｌ）は、異なるスペクトルバンドと異なるサンプリングバンドを持つ正面画像である。（ａ１）−（ｌ１）は、（ａ）−（ｌ）の破線の長方形でマークされ拡大された局所領域画像である。（ａ２）−（ｌ２）は、マスク（ｍ）でカバーされた（ａ１）−（ｌ１）の画素強度のヒストグラムで、赤と青はそれぞれ動的信号と静的信号を表する。（ａ）−（ｌ）同じスケールバーを共有する。 図２９Ａ−２９Ｊは健康なボランティアの頭皮の微小血管画像である。（Ａ）頭皮の写真及びスキャンされた局所領域（６×６ミリメートル）。（ｂ）−（ｄ）は、３つの異なる深度範囲内の構造画像である。（ｅ）−（ｊ）は、３つの異なる深度範囲内でＡＧＯＣＴＡによって取得された微小血管画像で、１／２スペクトルバンドと１／２サンプリングバンドのフリンジが使用されている。ただし、（ｅ）−（ｇ）および（ｈ）−（ｊ）には、テクスチャアーチファクトの除去はしていない。（ｂ）−（ｊ）は同じスケールバーを共有する。 図３０Ａ〜３０Ｉは、網膜画像化の場合におけるＧＯＣＴＡアルゴリズムの異なる例の実装を使用して得られた画像を示す。図から分かるように、「飛ばし畳み込み演算」法および／またはスペクトルサブバンド法を使用すると、画質が維持される。

本開示の様々な実施形態および態様は、以下で論じられる詳細を参照して説明される。以下の説明および図面は、本開示の例示であり、本開示は限定解釈されるべきではない。本開示の様々な実施形態の完全な理解を提供するために、多数の特定の詳細が説明される。しかしながら、特定の例では、本開示の実施形態の簡潔な説明を提供するために、当業者において周知または従来の詳細は説明されていない。

本明細書で使用される場合、「含む」、「備える」、「〜から成る」、及び「含有する」という用語は、包括的かつ制限のないものとして解釈されるべきであり、排他的ではない。具体的には、本明細書および特許請求の範囲で使用される場合、「含む」、「備える」、「〜から成る」、及び「含有する」という用語およびそれらの変形は、指定された特徴、過程、または部品、成分、構成要素が含まれることを意味する。これらの用語は、他の機能、過程、または部品、成分、構成要素の存在を除外するように解釈されるべきではない。本明細書で使用される場合、「例示的」という用語は、「例、インスタンス、または例示として役立つ」ことを意味し、本明細書で開示される他の構成よりも好ましいまたは有利であると解釈されるべきではない。

本明細書で使用される場合、「約」および「およそ」という用語は、特性、パラメータ、および寸法の変動など、値の範囲の上限および下限に存在し得る変動をカバーすることを意味する。特に明記しない限り、「約」および「およそ」という用語は、プラスまたはマイナス２５パーセント以下を意味する。

別段の指定がない限り、指定された範囲または群は、そのすべての構成要素を個別に参照し、そこに含まれるすべての可能な部分範囲または部分群を参照する。そして、別段の指定がない限り、本開示は、ありとあらゆる特定の構成要素およびサブ範囲またはサブグループの組み合わせに関連し、それらを明示的に組み込む。

本明細書で使用される場合、「程度の」という用語は、量またはパラメータと併せて使用される場合、述べられた量またはパラメータの約１０分の１から１０倍にわたる範囲を指す。上記した種々なる従来のＯＣＴＡ法は、血流情報は空間領域より取得される。ただし、臨床で最も有用な表示規格である正面画像を再構成するために、上記のＳＤＯＣＴシステムはすべて、ｋ空間リサンプリング、分散補償、フーリエ変換（ＦＦＴ）、最大（または平均）強度投影（ＭＩＰ）を含む多数の複雑な処理ステップを必要とする。これらの処理手順は長時間を要し、ＧＰＵを使用していてもリアルタイムで画像化することが難しい。

例えば網膜画像などの臨床応用のために、本発明者らは、ＯＣＴＡ画像は正面画像が典型的に初期の臨床意思決定に使用されると考え、微小血管異常の領域を特定した上、その領域における網膜の断面などの深度情報を解像することが好ましい。従って、スキャン時に迅速ＯＣＴＡ正面画像表示を行うと、網膜の病変スクリーニングをしたり、関心のある小さな領域に詳細な検査を集中させたりするのに役立つと考えられる。そのようなシナリオでは、迅速なＯＣＴＡ正面画像は、即時フィードバックと再走査を可能にすることができる。このような機能は、モーションアーチファクトがＯＣＴＡ画像を劣化させる、あまり協力的ではない患者にも役立つ場合がありる。したがって、本発明者らは、リアルタイムＯＣＴＡイメージングおよびビデオ表示の臨床的有用性を強化することになる迅速ＯＣＴＡ方法を開発するために、現在のＯＣＴＡ検出および処理方法を改善することを求めた。

既存のＯＣＴＡアルゴリズムの殆どは高計算量手順の後、最終過程において、深度解像された画像に対して、強度投影が深度方向に行われ、高計算量手順において集約された奥行き情報が廃棄される。対して、本開示の様々な実施形態例の光干渉断層血管撮影ＯＣＴＡアルゴリズムは血流情報を干渉縞を直接抽出し実行時間を短縮する。よってリアルタイムＯＣＴＡ映像表示を容易にする。以下に提供される例に示されるように、本明細書に開示される方法の様々な実装例は、リアルタイムの臨床用途に適した画質を維持しながら、データ処理時間を大幅に短縮することが示されている。

図１Ａを参照すると、スペクトル領域ＯＣＴ（ＳＤＯＣＴ）に基づいてＯＣＴＡを実行するための例示的なシステムが示されている。システムは、限定されないが、広帯域源１７０、ラインアレイ検出器１９４、ビームスプリッタ１８０、サンプルアーム１８２、参照アーム１８６、およびスペクトル分散光ファイバ１９２システムは、一つのサンプル（例：組織）に対してサンプルアームにおいて複数のビーム走査デバイス（例：モーター制御ガルボミラー）から成る場合もあり、これは１９０で示される。

ビームスプリッタ１８０が広帯域光源１７０より励起された光を参照アーム１８４及びサンプルアーム１８６に分割し、及び二つのアームからの反射光が干渉される。ここで図に示す例示的な実施形態では、光ファイバに基く実装である図示し、反射光はビームスプリッタ１８０を用いて干渉される。他の例示的な実装形態（例えば、自由空間光学実装形態など）では、異なるビームスプリッタを使用することができる。干渉された光は、分散光学系１９２（例：分散回折格子）を使用して分散される。分散光学系１９２は、空間的干渉の異なるスペクトル成分に分散し、その空間的分散スペクトルを光検出器アレイ１９４（例えば、ラインカメラを使用して検出する。ＯＣＴ技術の当業者によって理解されるように、検出されたスペクトルがフーリエ軸スキャンライン（Ａライン）の変換であり、それによって組織の反射率が深さの関数として反映される。

広帯域光源１７２、検出器アレイ１９４、走査システムが図に示した例の実施形態に示されるように動作制御及び処理ハードウェア１００に結合されている。図１Ａに示した通り、制御及び処理ハードウェア１００はプロセッサ１１０、メモリ１１５、システムバス１０５、一つ以上の入力／出力装置１２０、および、通信インタフェースなどの任意の追加複数の装置１図３５は、表示装置１２５、外部記憶装置１３０、及びデータ収集インタフェース１４０を含むことができる。一例の実装においては、ディスプレイ１２５は、ＯＣＴＡの正面ビデオ及び／又は画像及び／又はシステムの動作を制御するための入力を提供する事により、ユーザインターフェースに用いることができる。図６に示すように。図１Ａに示されるように、ディスプレイは、制御および処理デバイス１６５に（例えば、埋め込みディスプレイとして）直接統合されてもよく、または外部デバイス（例えば、外部モニタ）として提供されてもよい。

下記の方法はのプロセッサ１１０説明及び／又はメモリ１１５に示すようを介して実現することができる。図１Ａに示すように、画像処理モジュール１６０として表される実行可能な命令は、制御および処理ハードウェア１００によって処理されて、以下に説明する例示的な方法に従って正面ＯＣＴＡ画像および／またはビデオを生成する。制御および処理ハードウェア１００は、例えば、図２および／または図２および３に示される方法の１つまたは複数を実行するための命令を含み、実行することができる。図７Ａおよび７Ｂ、または本明細書に記載の他の方法、またはそれらの変形。そのような実行可能命令は、メモリ１１５及び／又は他の内部記憶装置に、格納されていてもよい。たとえば、１つまたは複数の走査ミラー（たとえば、ガルバノコントローラ）の走査動作を制御するために、追加の制御モジュールを設けることができる。

本明細書に記載される方法は、部分的にプロセッサ１１０内のハードウェアロジックを介して実現することができ、そして部分的にメモリ１１５に格納された命令を用いて実行することも可能である。いくつかの実施形態は、プロセッサ１１０を使用してメモリ１１５に格納された追加の指示なしに１５実装することができる。いくつかの実施形態においては、複数のマイクロプロセッサによりメモリ１１５に格納されている命令を実行する。したがって、本開示は、ハードウェアおよび／またはソフトウェアの特定の構成に限定されない。

図に示されている例示的なシステムは、所与の実装で使用され得る構成要素に限定されることを意図している。例えば、システムは、１つ以上の追加のプロセッサを含み得る。さらに、制御および処理ハードウェア１００の１つまたは複数の構成要素は、処理デバイスにインタフェースされる外部コンポーネントとして提供されてもよい。さらに、バス１０５は、すべてのコンポーネントとの間の単一の接続として示され、バス１０５が構成要素の２つ以上をリンクする１つ以上の回路、デバイス、または通信チャネルを表すことができると理解される。例えば、バス１０５は、マザーボードを含むことができる。制御および処理ハードウェア１００は、示されているものよりもはるかに多いまたは少ない構成要素を含み得る。

本開示のいくつかの態様は、少なくとも部分的にソフトウェアで具体化することができ、コンピューティングシステム上で実行されると、他の点では一般的なコンピューティングシステムを、本明細書で開示する方法を実行できる専用コンピューティングシステムに変換する。すなわち、技法は、マイクロプロセッサなどのそのプロセッサがＲＯＭ、揮発性ＲＡＭ、不揮発性メモリ、キャッシュ、磁気ディスク、光学ディスク、またはリモートストレージデバイスなどのメモリに含まれる命令のシーケンスを実行することに応答して、コンピュータシステムまたは他のデータ処理システムで実行され得る。さらに、命令は、コンパイルおよびリンクされたバージョンの形で、データネットワークを介してコンピューティングデバイスにダウンロードすることができる。あるいは、上述したような処理を実行するためのロジックは、追加のコンピュータ及び／又は機械で実施することができる。例として可読媒体、大規模集積回路（ＬＳＩ）、特定用途向け集積回路（ＡＳＩＣ）のような、又は電気的に消去可能なプログラマブル読み取り専用メモリ（ＥＥＰＲＯＭ）やフィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのファームウェアが挙げられる。

コンピュータ可読記憶媒体を使用して、データ処理システムによって実行されたときにシステムにさまざまな方法を実行させるソフトウェアおよびデータを格納することができる。実行可能なソフトウェアおよびデータは、例えば、ＲＯＭ、揮発性ＲＡＭ、不揮発性メモリおよび／またはキャッシュを含む様々な場所に格納され得る。このソフトウェアおよび／またはデータの一部は、これらのストレージデバイスのいずれかに保存できる。本明細書で使用される場合、「コンピュータ可読材料」および「コンピュータ可読記憶媒体」という語句は、一時的な伝搬信号を除いて、すべてのコンピュータ可読媒体を指す。

図１Ｂは、波長掃引型ＯＣＴ（ＳＳＯＣＴ）に基づいてＯＣＴＡを実行するためのシステムの代替の例示的な実装を示す。例示的なシステムは、波長可変レーザ１７２、検出器１９６、増幅器１９８、ビームスプリッタ１８０、サンプルアーム１８２、および基準アームを含むがこれらに限定されない掃引光源ＯＣＴシステムを含む。システムは、一つのサンプル（例：組織）に対してサンプルアームにおいて複数のビーム走査デバイス（例：モーター制御ガルボミラー）から成る場合もあり、１９０で示される。そのような実施に使用される調整可能なレーザは、画質を改善するために無動レーザであってよいことが理解される。

調整可能レーザ１７２は、レーザから発する光の光波長を調整または「掃引」するために使用され、結果として得られる干渉パターンは、調整可能レーザの波長掃引に対応し、各Ａラインの時間依存信号として検出される。検出された信号のスペクトル分析（フーリエ変換による）を使用して、サンプルの反射率の深さプロファイルを生成できる。調整可能なレーザ１７２の動作を走査動作と同期させるために、１つまたは複数の追加の制御モジュールを設けることができる。

図２を参照すると、正面画像および／またはビデオの迅速な生成のためにＯＣＴＡを実行する例示的な方法が示されている。この図に示される例示的な方法は、本開示では、ガボール−ＯＣＴＡ、またはＧＯＣＴＡと呼ばれる。ＳＤＯＣＴを使用する１つの実装例では、サンプルから後方散乱され、参照ミラーによって反射された光の間の干渉縞が分光計カメラによって検出される。２００で示されるように収集された合成波形フレーム（スペクトルフリンジ）の３次元（３Ｄ）データセットが取得される（たとえば、ｘおよびｙガルボミラーを使用したスキャン）。干渉（参照ビームの自己相関）の直接成分（ＤＣ）は、サンプルアームをブロックすることで測定でき、サンプルビームの自己相関は無視可能である。ＤＣ成分を差し引いた後、キャプチャした信号は次のように簡略化できる。

ここで、ｘ及びｙは、走査方向を表す（２つのガルボの例など）。λは波長、及びＳ（λ）光源のパワースペクトル密度であり、Ｒ_{（ｘ，ｚ，ｙ）}とＲ_ｒはそれぞれサンプルの散乱係数及び参照ミラーの反射率である。γ_ｓとγ_ｒは、サンプルおよび参照アームの入力パワーであり、ｎは屈折率であり、ｚは深度を表し、Φ_{（ｘ、ｙ）}そしてΦ_ｄｉｓ（λ）はサンプルアームと参照アームとの間の初期相と分散の不整合である。

移動する粒子の場合、縞の振幅と周波数は時間とともに変化する。しかしながら、ステップ２０５及び２１０に示されている通り、同じ位置から取得された２つの連続するＢスキャンの場合、移動する粒子に対応する成分の振幅または周波数は異なる。２つのＢスキャンを差し引くと、静的な組織に対応する成分を除去でき、結果として生じる信号は、移動する粒子に由来する。図２の２１５に示される差分合成波形フレーム１４２。図２は、で表すことができる。

ここで、Ｉ（ｘ、λ、ｙ_１）、及びＩ（ｘ、λ、ｙ_２）は、同じ位置からの２つの連続したＢスキャンである。
図６に示すように、図３は、人間の目は、光学系として、近傍の光神経ヘッドと、中心窩付近の網膜上に湾曲した像面を有している。正視性の人間の成人の眼の前後（ＡＰ）の直径は約２２〜２４ｍｍで、性別と年齢層の間で比較的不変である。横断直径は軌道の幅に応じて変化するが、中心窩と視神経乳頭の近くの領域の曲率は、ＡＰ直径で近似できる。従って、本開示のいくつかの例示的な実施形態においてＡＰの直径において２１〜２３ｍｍまたは２１．５〜２２．５ｍｍの範囲内（又は曲率半径１０．５〜１１．５ｍｍ、もしくは１０．７５〜１１．２５ｍｍの範囲内）人間の目のおおよその寸法として用いられる。

図２に示す例示的なＧＯＣＴＡ方法によれば、図２に示されるように、網膜の配向は、組織表面の深さに対応する深さ選択性を有するガボールフィルタのその後の生成のために決定される。一実施例では、網膜の方向の評価は、球関数に基づき以下のように表すことができる。

ここで、（Ｘ_０、Ｙ_０、Ｚ_０）及びＲは、中心位置及び半径は、それぞれ、Ｚ_Ｓは、構造画像における網膜表面の深さである。この例示的な方法では、中心位置（ｘ_０、ｙ_０、ｚ_０）を計算するために、少なくとも３つの表面点（ｘ、ｙ、ｚ_ｓ）必要である。一実施例では、図２の２２０に示されるように、表面点ＦＦＴは、図３の２２０に示されるように、表面の深さを決定するために（例：画像フレームの四隅で）少なくとも３つのＡスキャンを処理することにより決定され得る。網膜表面ｚ_ｓ（ｘ、ｙ）は、式を使用して表面ポイントをフィッティングすることにより決定できる。これにより、図２のステップ２２５に示した通り、図３の破線のボックスによってマークされた領域を近似する。

人間の網膜表面の曲率は複雑になる可能性があるため、Ａスキャンの分散セット（対象となる組織表面全体に均一に分布）を使用し、Ａスキャンの表面位置を２Ｄ ３次補間することにより、推定表面データの精度を向上できることに注意してください。この方法は、３つのコーナーサーフェス位置を使用して球関数を解く前の例の方法よりも正確な表面深度推定を提供しる。
測定された干渉縞内で、さまざまな深さのサンプル情報がさまざまな周波数成分によって変調される。ガボールフィルタは線形フィルタであるため、特定の周波数範囲内の周波数成分は、畳み込みによって直接取得できる。これは、空間領域でガウス関数を乗算することと同じである。たとえば、以下のガウス関数ｇ（ｚ）を使用して、以下の深度範囲内のサンプル情報を抽出できる。

ここで、δｚおよびΔｚはそれぞれ深度と深度範囲である。屈折率と丸い光路を考慮すると、上記のガウス関数にＦＦＴを実行することにより以下のフィルタが求められる。

ここでｋとｋｏは波数と中心波数であり、Φｏは初期位相である。波長に基づくガボールフィルタＧ（ｘ、ｋ、ｙ）は、で逆リサンプリングを実行して計算される。差分合成波形画像フレームの画素における近似網膜表面に基づいてガボールフィルタを計算するこのステップは、図２のステップ２３０に示されている。δｚとΔｚの値を変更することにより、異なる深度で異なる深度範囲内の正面微小血管画像を取得できる。

ガボールフィルタを使用して差分合成波形フレームに畳み込みを実行することにより、新しい差分フレームが得られる。これを、以降、ガボール・差分合成波形合積分フレームと呼ぶ。このステップは、図２のステップ２３５に示されており、次のように計算される。

ＧＯＣＴＡ信号はステップ２４０に示した通り、ガボール差分合成波形合積分フレームＩ’’（ｘ、λ、ｙ）の標準偏差（ＳＴＤ）を計算することにより求めることができる。

ここで、ＭはＣＣＤの画素数、Ｉ’’_ｍｅａｎ（ｘ、ｙ）はフィルタされた干渉縞の各Ａスキャンの平均値である。スペクトル縞の３Ｄデータセットの各位置のＧＯＣＴＡ信号を計算することにより、正面微小血管画像を直接取得できる。

本明細書に開示される例示的な実施形態の多くは、ガボール・差分合成波形合積分の標準偏差を計算することによる正面信号の生成を伴うが、標準偏差は、以下に使用できる多くの演算の一例に過ぎないことが理解される。従って、いくつかの例示的な実装形態では、正面血管撮影画像の所与の画素は、ガボール・差分合成波形合積分フレームのそれぞれの画素について、スペクトル標準偏差に基づいて測定値を計算することによって生成される。他の例の実施形態では、正面血管撮影画像の所与の画素は、ガボール・差分合成波形合積分フレームのそれぞれの画素について、スペクトル統計的分散を定量化する尺度を計算することによって生成される。統計的測定の非限定的な例には、絶対偏差の中央値と絶対偏差の平均が含まれる。いくつかの例示的な実装形態では、分散の尺度は、高次のべき乗／分散の根、またはそれらの組み合わせであり得る。

この例示的な実施形態では、ガボールフィルタパラメータは、計算単純化し、デジタルフィルタリングにおける畳み込みに必要な時間を短縮する為に多数のゼロに対して選択されてもよい。例として、３５０μｍの深さ範囲内の微小血管画像（以下の例の１つの実装例では、ＯＣＴの全範囲の深さの１０％）の球状にフィットした網膜表面を分析および比較のために計算できる。この実装例では、ガボールフィルター（式４）の非ゼロセグメント長は１６画素のみであることがわかり（使用されているシステム例の詳細については、以下の例のセクションを参照）、計算複雑性が大幅に減少している。

図２から容易に理解できるように、本明細書に開示される例示的なＧＯＣＴＡ方法は、上記の従来の方法とは対照的に、（ｚ方向の）深さ分解構造画像を計算するステップを回避する。したがって、本システムおよび方法は、臨床医のための第一線正面ディスプレイとしてプレビューＯＣＴＡ画像を計算するのに潜在的に有用であり得、忙しい臨床環境における疾患スクリーニングおよび診断の効率を改善し得る。

以下の実施例に示すように、ＧＯＣＴＡ法およびその変形により、従来の方法と比較して画像処理時間が大幅に短縮される可能性がある。実際、リサンプリング、分散補償、およびＦＦＴの必要性を未然に防ぐことにより、本例の処理方法は、ＳＶＯＣＴ、ＵＨＳ−ＯＭＡＧ、およびＳＳＡＤＡと比較して、それぞれ６、４、および２０倍のデータ処理速度を達成することが示されている。

いくつかの例示的な実装形態では、本明細書で開示されるガボール光干渉断層血管撮影法（ＧＯＣＴＡ）法を使用して、標準的な眼科用ＳＤＯＣＴシステムを使用してヒト網膜の微小血管系の画像および／またはビデオを提供することができる。現在のＧＯＣＴＡ法は、広領域スキャン、超高スペクトル解像度、または大量のデータが生成される並列高速Ａライン速度アプリケーションで使用されるＳＤＯＣＴシステムに適している。リアルタイムイメージングの処理時間を改善するために、現在のＧＯＣＴＡ法をグラフィックスプロセッシングユニット（ＧＰＵ）に実装して、データ処理速度をさらに向上させることもできる。

ＧＯＣＴＡ方法の前述の説明は、ＳＤＯＣＴシステムを使用する実装に関して提供されたが、前述の例示的な実施形態は、代替的に、ＳＳＯＣＴシステムを使用して実装されてもよいことが理解されよう。上記のように、そのようなシステムは図１Ｂに示されている。そのような実施に使用される調整可能なレーザは、画質を改善するために無動レーザであってもよいことが理解される。

図２に示される例示的なＧＯＣＴＡ方法の制限は、ｚ方向における構造画像の位置合わせがモーションアーチファクト除去のために実行され得ないことであることを留意すべきである。しかしながら、ｘおよびｙ方向に基づく正面画像の位置合わせは依然として適用され得る。臨床使用では、ＧＯＣＴＡ法を使用して正面の画像やビデオ（例：プレビュー画像またはビデオ）を提供でき、３Ｄ合成波形データセットの後続の処理をオプションで使用して、深度プロファイル情報を抽出できる。

レンズシステムの曲率は、評価された網膜の向きの精度に影響を与える可能性がありるが、わずかな曲率の場合、ガボールフィルタの深度範囲はＯＣＴ範囲全体のごく一部であるため、ＧＯＣＴＡメソッドで取得された画像は影響を受けません。曲率が大きい場合、各画素での相対的なシフト距離はミラーをスキャンすることで取得でき、評価された網膜の向きはソフトウェアで補正できる。

上記のように、いくつかの例示的な実施形態では、図２のステップ２２０および２２５に示される表面計算方法、および結果として得られる表面データの精度は、前述の方法で使用されるものと比較して改善することができる。図４Ａ〜４Ｃは、改善された表面データおよび精度を達成するための例示的な実装を示す。図４Ａ〜４Ｃに示すように、スペクトル干渉縞の３Ｄデータセット（図４Ａ）が取得された後、均一に分散された一連のＡスキャン（例：９ｘ９以下、または３０Ａスキャン以下、または１００Ａスキャン以下）でＦＦＴが実行された組織の表面情報を計算し、結果を図４Ｂに示す。次に、図４Ｃに示すように、表面データに対して２Ｄ三次補間を実行して、サンプルの表面全体を推定した。より複雑な表面曲率の場合、均一に分散されたＡスキャンの数を増やして、表面データの精度をさらに向上させることができる。組織表面の表面深さの特徴付けは、表面プロファイル検出システムなどであるがこれに限定されない別のモダリティ（例：構造化光）を使用して実行できることが理解されよう。

上記のＧＯＣＴＡメソッドの例では、移動する散乱体がＯＣＴによって取得されたスペクトル干渉縞の周波数または振幅を変化させるため、同じ位置からの２つのＢスキャンのガボール畳み込み差分干渉縞の標準偏差がＧＯＣＴＡ信号として微小血管のコントラストを向上させる為選択された。しかしながら、発明者らは、人間の眼の撮影の場合、後方散乱強度が網膜テクスチャパターンによって変調され、その結果、血管情報を抽出するための感度が低下することを発見した。その結果、後方散乱強度が弱い局所領域の一部の血管情報が失われる可能性がある。

この問題に対処するために、差分縞の標準偏差を２つのＡスキャンの総エネルギーで割ったところ、結果として得られた改善されたＧＯＣＴＡ信号は次のように表すことができる。

ここで、ｘとｙは、それぞれ高速スキャン方向と低速スキャン方向の画素インデックスである。ＤＩ（ｘ、λ、ｙ_１）そしてＤＩ（ｘ、λ、ｙ_２）は、同じ位置からＳＤＯＣＴにより得られた２つのＢスキャンであり、λは波長であり、ＤＩ’’は同じ位置から取得した２つのフレームの差動縞のガボールフィルタ出力である。上記のように、上記の方程式の標準偏差計算は、スペクトル統計分散の１つまたは多くの異なる尺度として代わりに計算され、オプションで高次パワーまたはルートまたはそれらの組み合わせを含みる。

さらに、ＳＤＯＣＴのレーザのスペクトル密度関数はガウス関数であるため、スペクトルの中心部分は、強度が強いため、サンプル情報の大部分を運ぶことを留意すべきである。したがって、いくつかの例示的な実施形態では、画像品質を大幅に低下させることなく、計算の複雑さを低減するために、ＯＣＴシステムによって得られるスペクトル縞の帯域幅を短くすることができ、それにより、より高いデータ処理速度が達成される。さらに、ＧＯＴＣＡで２つのフリンジの合計エネルギーに対する差分縞の標準偏差が微小血管系のコントラスト向上の為に使用されたが、各画素は移動散乱の情報を運び、その結果、スペクトル縞は次のようにスペクトル的にサブサンプリングでき、データ処理速度をさらに向上させる。

図５Ａ〜Ｂは、サブスペクトル帯域サンプリング、およびスペクトル帯域（「サブサンプリング帯域」）内のサブサンプリングを実行する例示的な方法を概略的に示す。図５Ａでは、差分合成波形のスペクトルサブセットが処理される。例えば、様々な非限定的な例示的実施形態によれば、差分合成波形のスペクトルサブセットは、全帯域の四分の一または半分であり得る。図５Ｂは、差分合成波形のサブサンプリングを示し、２つのスペクトル画素毎に１つがサンプリングされ、３つのスペクトル画素毎に１つがサンプリングされる非限定的な場合を示す。図５Ａに示されるサブスペクトル帯域サンプリングの場合、ガボールフィルタを短くする必要がないことを留意すべきである。しかしながら、図５Ｂに示される例示的な実施形態では、スペクトル分解能がこの方法によって変更されるため、合成波形とガボールフィルタの両方がサブサンプリングされる。

従来の畳み込みを実行する場合、各画素は畳み込みの計算中にＮ_ｇ回使用される（Ｎ_ｇはガボールフィルターカーネルのサイズ）。ただし、各画素を繰り返し使用してもＧＯＣＴＡ信号に追加の差分情報が提供されないため、畳み込み中に画素が使用される回数を減らし、データ処理の計算量をさらに減らすことが可能である。畳み込みを実行する従来の方法は、畳み込みの連続するステップ間でガボールフィルタを１画素シフトすることを含みる。対照的に、いくつかの例示的な実施形態では、ガボールフィルタは、畳み込みを実行するときに、連続するステップ間（もしくは少なくとも１つの連続するステップ間）でガボールフィルタのカーネルよりも小さい複数の画素だけシフトされ、合成波形においてｎ＜Ｎ_ｇ−１画素は、畳み込みのステップ間で飛ばされる。

図５Ｃは、その「飛ばし畳み込み」方法の１つの例および非限定的な実装を示し、ガボールフィルタは、畳み込みプロセス（Ｎ_ｇ−１中間畳み込みステップをスキップする）の間、各ステップについてＮ_ｇ画素だけシフトされ、各画素は、畳み込み中に一度だけ使用される。従来の畳み込みを使用する方法と比較すると、この本実施例の実装は、画質を損なうことなく画像処理速度を大幅に向上させることができる。図６に示すように。以下に提供される例では、図３０Ａ〜３０Ｉにおいて、飛ばし畳み込み方法は先行するサブスペクトル帯域方法と組み合わせることが可能である。

いくつかの例示的な実施形態では、前述の例示的なＧＯＣＴＡ方法は、２つの合成波形によるガボールフィルタの畳み込み、およびその後のガボール・合成波形合積分の振幅の減算を含む方法に従って適合される。この修正されたＯＣＴＡ法は、今後振幅ガボールＯＣＴＡ（ＡＧＯＣＴＡ）と呼ばれる。この方法はＳＳＯＣＴシステムに有利に適用できる。処理方法は、一般的なＳＳＯＣＴシステムで一般的に使用される皮膚画像化アルゴリズム（ｃｍＯＣＴおよびＳＶＯＣＴ）よりも高速なデータ処理速度で再構成された正面微小血管画像を実現しながら、掃引光源レーザによって引き起こされるタイミング起因の位相エラーを低減しる。

図７Ａは、例示的なＡＧＯＣＴＡ方法の例示的な実施を示すフローチャートを提供する。ステップ３００に示すように、合成波形フレーム（スペクトルフリンジ）の３Ｄデータセットが取得され（例：ＳＳＯＣＴシステムを使用）、各位置が少なくとも２回スキャンされ、３０５および３１０に示すように合成波形フレームが提供される。Ｃｈｏｍａらによると、得られた合成波形フレームは、次のように表される。

ここで、ｋは波長、及びＳ（ｋ）光源のパワースペクトル密度であり、ＲｓとＲｒはそれぞれサンプルの散乱係数及び参照ミラーの反射率である。γ_ｓとγ_ｒは、サンプルおよび参照アームの入力パワーであり。Φｏは初期位相である。前の例のＧＯＣＴＡ方法のように、空間データの特定の深度範囲内の周波数成分は、表面データが必要なガボールフィルタとの畳み込みによって取得できる。

再び図４Ａ−４Ｃを参照すると、組織の表面を推定計算するために、ｘｙ平面上に均一に分布しているＡスキャンのサブセット（たとえば５×５）に対してＦＦＴを実行することができる。続いて、表面位置の行列を２Ｄ三次補間して、表面全体を推定できる。この計算は、図７Ａのステップ３１５に示されている。上記の網膜表面よりも複雑な表面曲率を持つ組織の場合、より高密度のＡスキャンは、表面プロファイルのより正確な計算を行うのに役立つ。したがって、表面プロファイル（深さ）の特性評価に必要な計算の複雑さと全体の処理時間の間に両立性がある。
表面情報を取得すると、３２０に示すように、ガボールフィルタを取得できる。

ここで、ｋｏは中心波数、ｚ_ｓは表面位置、Δｚは深さの範囲、ｎはサンプルの屈折率、δｚは表面下のフィルタの深さを表し、Φｏは初期位相である。

次に、３２５と３３０に示すように、サブバンドのフリンジが特定の深度範囲に対応して、同じ位置からの２つの合成波形フレームをガボールフィルタで畳み込み、血流信号を計算できる。

ここで、Ｉ（ｋ）とＧ（ｋ）の間の符号は畳み込みの演算子である。
次に、２つのフレームの振幅を計算するために、３３５、３４０、３４５、および３５０に示すように、ヒルベルト変換および振幅操作がガボール畳み込み合成波形フレームに対して実行される。３５５に示すように、２つのフレームの振幅を差し引くことにより、ガボール畳み込み差分合成波形フレームが取得され、次のように表される。

ここで、ＡｍｐとＨｉｌｂｅｒｔは振幅演算子とＨｉｌｂｅｒｔ変換である。最後に、３６０で示すように、血流信号を対比するために、以下のように、ガボール畳み込み差分合成波形フレームの標準偏差が計算される。

ここで、Ｍは各Ａスキャンの画素係数、Ｉ’’_ｍｅａｎは干渉縞の平均値である。スペクトル縞の３Ｄデータセットで各Ａスキャンの標準偏差を計算することにより、正面微小血管画像が得られる。
本明細書に開示される例示的な実施形態の多くは、ガボール畳み込み差分合成波形フレームの標準偏差を計算することによる正面信号の生成を伴うが、標準偏差は、正面の画像を生成するために使用できる。

したがって、いくつかの例示的な実装形態では、正面の血管造影画像の所与の画素は、ガボール畳み込み差分スペクトル干渉図形振幅フレームの各画素について、スペクトル標準偏差に基づいて測定値を計算することによって生成される。他の例の実施形態では、正面血管造影画像の所与の画素は、ガボール畳み込み差分スペクトル干渉図形振幅フレームのそれぞれの画素について、スペクトル統計的分散を定量化する尺度を計算することによって生成される。

統計的尺度の非限定的な例には、中央絶対偏差および平均絶対偏差が含まれる。いくつかの例示的な実装形態では、分散の尺度は、高次のべき乗／分散の根、またはそれらの組み合わせであり得る。ＧＯＣＴＡ法の文脈で上述したように、後方散乱強度は、画像化された組織のテクスチャパターンによって変調され得る。例えば、図６Ａに示すように、指や掌紋、病変などのような組織に対して、テクスチャパターンの変調が起こり得る。

皮膚の画像化では、図６Ａおよび６Ｂに示すように、皮膚表面５００（指と掌紋）の高さまたは皮膚の散乱係数（皮膚病変）が急激に変化し、その結果、同じ血管５０５の皮膚のテクスチャパターンによって、後方散乱強度が変調される。変調された強度を使用して血流信号を計算することにより、得られた微小血管画像は、血管の不連続として現れたテクスチャパターンによっても変調される。

たとえば、図６Ａを参照すると、位置１と位置２での赤血球（ＲＢＣ、５１０）による後方散乱強度がそれぞれＩ１とＩ２であるとすると、位置１でのＲＢＣの深度が位置２よりも小さいため、Ｉ１はＩ２よりも強くなる。毛細血管では、赤血球は単列をなして移動し、その間の距離はさまざまであるため、完全なＢスキャンに必要な時間が経過すると、特定の「全か無か」の現象が発生する可能性がある。位置には赤血球からの後方散乱信号があるが、他の位置には無い。ＳＶＯＣＴ法を例にとると、同じ血管の２つの位置で得られるＳＴＤはそれぞれＩ１／２とＩ２／２（Ｉ１＞Ｉ２）であり、血管が不連続になる。したがって、変調された強度信号を使用して得られた微小血管画像は、血管の不連続として現れる皮膚のテクスチャパターンによっても変調される。図６Ｂに示すように、特に散乱または吸収係数が増加した皮膚病変５１５を有する患者では、病変５１５は血管造影画像処理に強いテクスチャ効果を課し、再び血管の不連続を引き起こす可能性がある。

例示的な一実施形態では、前述のＡＧＯＣＴＡ方法は、以下のようにテクスチャ変調効果を低減するように適合されてもよい。再び図７Ａを参照すると、ステップ３６５、３７０、３７５および３８０に示されるように、取得されたＡＧＯＣＴＡ画像を２つの絶対ガボールフィルタリングされた干渉縞平均値で除算することにより、テクスチャパターンが逆である新しいＡＧＯＣＴＡ画像が得られる。次に、ステップ３８５、３９０、３９２、３９４、３９６および３９８で示されるように、正規化された新しいＡＧＯＣＴＡ画像と元のＡＧＯＣＴＡ画像の正規化された対数スケールを合計することにより、テクスチャノイズの除去または低減を伴う正面画像を取得できる。これは、次のように表される。

ここで、Ｎｏｒｍ（３９２、３９４）とＡｂｓ（３６５、３７０）は、それぞれ正規化演算子と絶対演算子である。

以下の例では、前述のテクスチャノイズを抑制する方法が、健康なボランティアの手のひらと遺伝性出血性毛細血管拡張症（ＨＨＴ）患者の皮膚病変で実証されている。

図１に示すように、前述のテクスチャノイズ抑制方法は、ＳＶＯＣＴイメージングにも使用することができる。７Ｂ。中に示す方法。ＳＶＯＣＴ法の変更である７Ｂでは、ＦＦＴによって構造画像が取得された後、元の正面ＳＶＯＣＴ画像を計算するために、４００と４０５に示すように、ＳＴＤ画像と平均構造画像の両方に対して同じＭＩＰウィンドウが実行された。と構造画像に直面している。４１０に示すように、ＳＶＯＣＴ画像を構造画像で分割することにより、テクスチャパターンも反転した新しいＳＶＯＣＴＡ画像が取得される。前回のようにＡＧＯＣＴＡテクスチャノイズ低減方法は、最終ＳＶＯＣＴＡ画像とテクスチャノイズ抑制され正規化された新しいＳＶＯＣＴ画像と原ＡＧＯＣＴＡ画像の正規化対数スケールを合計したステップ４１５、４２０、４２５、４３０及び４３５で示されるように。

以下の例示では、空間ドメインで実行される他の２つのＳＳＯＣＴ血流イメージングアルゴリズム、ＳＶＯＣＴおよびｃｍＯＣＴと比較して、上記のＡＧＯＣＴＡメソッドの例がより速いデータ処理速度を提供することが示されている。この利点は主に、スペクトル領域から直接血流信号を計算するためであると理解されている。ＡＧＯＣＴＡメソッドの１つの制限は、深さ解決情報の欠如です。ただし、ほとんどの臨床医は正面の微小血管画像に慣れているため、このような制限は有害ではない可能性がある。例えば、上述のＧＯＣＴＡ法の場合のように、診療所の医師の診断効率を向上させるために、プレビュー画像および／またはビデオを計算するためにＡＧＯＣＴＡ法を使用することができる。このワークフローは、たとえば非協力的な患者の場合に有益である。

上記のＧＯＣＴＡ法の例と比較すると、この例のＡＧＯＣＴＡ法のデータ処理時間は、ガボールフィルタの畳み込みがＧＯＣＴＡの同じ位置からの２つのＡスキャンの差分スペクトル縞で実行されたため、ほぼ２倍であることが分かった。ＡＧＯＣＴＡでは、２つのＡスキャンで個別に畳み込みが実行され、２つのフィルタされたフリンジの差分振幅プロットが標準偏差の計算に使用された。

ＡＧＯＣＴＡ方法の前述の説明は、ＳＳＯＣＴシステムを使用する実装に関して提供されたが、前述の例示的な実施形態は、代わりに、ＳＤＯＣＴシステムを使用して実装されてもよいことが理解されよう。上記のように、そのようなシステムは図１Ｂに示されている。

以下の例に示す実験結果は、提案された方法が、大幅に長い処理時間を必要とする従来のＯＣＴＡアルゴリズムと比較して、同様の画質（ＳＮＲおよびＣＮＲ）を提供できることを示している。ｃｍＯＣＴの場合、ＳＮＲとＣＮＲは、相関ウィンドウサイズを大きくすることで改善できるが、データ処理速度と横方向の解像度が大幅に低下する。

本発明の例示的な実施形態の多くは、ヒトの網膜および皮膚に対して本ＯＣＴＡ方法（ＧＯＣＴＡおよびＡＧＯＣＴＡ）を実行することに関して開示されたが、これらの例示的な実施形態は、単に本方法の例示的な用途として提供されることを理解されたい。他の例示的な実施形態では、本例示的な実施形態を使用して、それに限定されないが、脳組織、心臓組織、筋肉、呼吸器および膀胱または尿管等の胃腸組織、腹部器官など、それに関連する血管を有する任意の組織表面でＯＣＴＡイメージングを実行することができる。

本明細書に開示されているシステムおよび方法の臨床応用には、微小血管の撮影が含まれるが、これらに限定されない。機能的神経画像などの皮質神経血管結合評価、網膜病変に対する治療効果の観察、臓器移植後における微小血管系の灌流状態評価、腫瘍性および非腫瘍性疾患における血管新生の観察等が挙げられる。

［実施例］
以下の実施例は、当業者が本開示の実施形態を理解し、実施することを可能にするために提示される。それらは、本開示の範囲に対する制限と見なされるべきではなく、単にその例示および代表であると見なされるべきである。

例：目の血管撮影用ＧＯＣＴＡ法の利用
上述の実装例ＧＯＣＴＡの方法を実施した上で、データセットの検出に基づいての健康な人間の目使用商用ＳＤＯＣＴのシステム性能を検証する（ＡｎｇｉｏＶｕｅ、ＯｐｔｏＶｕｅ社）。このシステムは、中心波長８４０ｎｍで動作し、軸方向の分解能と横方向の分解能はそれぞれ〜５μｍと〜１５μｍであった。Ａスキャン速度は１秒あたり７０，０００Ａスキャンである。この例では、スキャン範囲は３×３ｍｍで、各位置を２回スキャンした。

網膜ＯＣＴスキャンが実行された１０人の健康なボランティアで。２つの局所領域（視神経乳頭領域および中心窩領域）の例示的なデータが、図３および４に示されている。それぞれ８Ａ−８Ｏおよび９Ａ−９Ｏ。スキャン範囲は３×３ｍｍで、６０８×３０４Ａスキャンであった。ＳＶＯＣＴ、ＵＨＳ−ＯＭＡＧおよびＳＶＯＣＴアルゴリズムを同じデータセットで実行して、比較のための微小血管画像を計算し、正面画像は、ガボールフィルタで得られた結果と同じ、深度範囲内の平均投影を使用して得られた。正面微小血管画像はすべて、網膜表面から０〜３５０μｍの深度内で計算された。正面微小血管画像の信号対雑音比（ＳＮＲ）とコントラスト対雑音比（ＣＮＲ）も定量的比較のために計算され、ＳＮＲとＣＮＲは、次のように表される。

ここで、／Ｉｄｙ、及び／Ｉｂｇはそれぞれ動的フロー領域とバックグラウンド領域内の平均値を表し、σｂｇはバックグラウンド領域内の標準偏差である。

比較のために微小血管およびバックグラウンドシグナルを定量的に評価するために、図２に示されるように、マークされた領域を２重に閾値化して、動的シグナル（赤）およびバックグラウンド（青）のマスクを得た。図８Ｃこれは、異なるサイズの容器を含みる。結果は、比較可能なＳＮＲとＣＮＲで示されているように、ＧＯＴＣＡメソッドが他の３つのアルゴリズムと比較して、視神経乳頭と中心窩領域の両方の近くで同等の画質を提供できることを示している。商用ＳＳＡＤＡアルゴリズムからの出力画像は、２つの方向（ｘとｙ）で複製された光学走査を使用し、これら２つのデータセットに後処理を適用してモーションアーチファクトを抑制しる。ＳＮＲとＣＮＲは、健康なボランティアからの１０人のボランティア全員のデータセットで測定および計算され、ＧＯＣＴＡ、ＳＶＯＣＴ、ＵＨＳ−ＯＭＡＧおよびＳＳＡＤＡのＳＮＲとＣＮＲの平均と標準偏差は、２５±２、２３±２、２３±２である。２２±１および１４±２、９±２、１１±３、９±２。結果は、提案されたＧＯＣＴＡメソッドが同等の画質を提供できることを示している。

結果が示すように、ＧＯＣＴＡによって取得されたＳＮＲとＣＮＲは、他の３つのアルゴリズムよりもわずかに高くなっている。理論に制限されるつもりはありませんが、この改善の理由は、提案されたアルゴリズムが広範囲の周波数成分（空間領域のδｚ−Δｚ／２よりδｚ＋Δｚ／２の深度範囲内のサンプル情報）を使用して血流情報を計算するためであると考えられる。これは、同じ深さのサンプル情報のみが使用され、最大（平均）投影を実行して正面の微小血管画像を生成する他の３つのアルゴリズムと比較してより堅牢である。

例：ＧＯＣＴＡとその他のアルゴリズムのデータ処理時間の比較
図８Ｂおよび９Ｂに示されるようなＳＳＡＤＡ画像の商用システム出力は、図８Ｆおよび９Ｆに基づいており、モーションアーチファクトの修正、サブ領域レジストレーション、および追加のコントラスト強調がデータセットをｘ−ｙ方向走査する際に適用されることを留意すべきである。定性的にも定量的にも、ＧＯＣＴＡ画像の品質は、ＳＳＡＤＡの一方向スキャンの結果と比較して、少なくとも同等（またはおそらく優れている）であることが示された。商用システムでのこれらの後続のデータ処理技術は独自仕様であるため、計算の複雑さと時間については比較しなかった。原則として、これらはすべての正面データセットに適用された場合、同等になる。

現在のＧＯＣＴＡメソッドの主な利点は、処理速度です。データセットは、ＭａｔＬａｂ（登録商標）で公開されたＳＶＯＣＴ、ＵＨＳ−ＯＭＡＧ、およびＳＳＡＤＡアルゴリズムを使用して、同じコンピュータ上で処理された。商用ＳＳＡＤＡ画像の後処理に使用されるデータセットを取得するために、ｘ方向とｙ方向の両方のスキャンが実行され、ＳＳＡＤＡアルゴリズムを繰り返す必要があり、数値処理時間が２倍になりた。データ処理はラップトップで実行された（ＣＰＵ：ｉ７−４７２０ＨＱ、メモリ：１６Ｇ、ＧＰＵ：ＮＶＩＤＩＡ Ｇｅｆｏｒｃｅ（ＧＴＸ ９７０Ｍ）、オペレーティングシステム：Ｗｉｎｄｏｗｓ８．１）。同じ位置からの各２Ｂスキャンのデータ処理時間を計算し、結果を図１０Ａに示した。

テストおよび比較された計算方法のうち、ＧＯＣＴＡおよびＡＧＯＣＴＡ法のみが、ＦＦＴを実行する必要なしに、正面微小血管画像を直接提供することができた。ＳＶＯＣＴ、ＵＨＳ−ＯＭＡＧ、およびＳＳＡＤＡでは、ｋ空間リサンプリング、分散補償、およびＦＦＴのステップは計算コストが高く、それぞれＧＯＣＴＡより６、４、および２０倍遅くなる。ＧＯＣＴＡはリサンプリング、分散補償、ＦＦＴを必要としないため、総処理時間は劇的に減少する。

ＭａｔｌａｂのＧＰＵベースの並列計算ライブラリを使用して、３Ｄ（６０８×２０４８×３０４）データセット全体のデータ処理時間も測定し、結果を図１０Ｂに示す。これらの結果は、Ｍａｔｌａｂプログラミング環境の外で追加のＧＰＵアルゴリズム最適化が可能であるため、単なる例示ですが、現在の比較は、全体的な計算のさまざまなコンポーネントをさまざまな程度にＧＰＵで高速化できることを示している。各Ｂモード画像データセットが利用可能になると、取得した干渉縞がフレームごとにＧＰＵに転送された（２０４８×３０４）と想定して、データ処理をＧＰＵでシミュレートした。このような実装によれば、最初に表面プロファイルの検出が行われ、組織表面（たとえば、網膜表面の場合は球形）の必要な近似、およびＧＯＣＴＡメソッド、およびその他の処理アルゴリズムが取得される。比較のために実行された。表面プロファイリングに３つのＡスキャンのみを使用する場合、これらの３つのＡスキャンの処理時間は、全体の処理時間に対して無視可能である。

また、ｋ空間リサンプリング、数値分散補償、および画像配置の手順には、スプラインフィッティングなどのアルゴリズムを使用した行列振幅と行列インデックスの調整の両方が必要であり、ＧＰＵベースの並列計算Ｍａｔｌａｂライブラリはすぐには利用できなかった。したがって、これらの方法は現在の分析ではＣＰＵオペレーションとして保持されていたが、Ｍａｔｌａｂ環境以外でもさらに改善できる可能性がある。それにもかかわらず、ＧＯＣＴＡの全体的な計算の複雑さはＳＶＯＣＴ、ＯＭＡＧ、およびＳＳＡＤＡよりも単純であったため、上記の分析は、ＧＯＣＴＡ法の方がＧＰＵアクセラレーションでの計算が実際に高速であることを示している。この作業では、３次スプライン補間を使用してｋ空間リサンプリングを実行した。

例：ＧＯＣＴＡ法を使用した視神経乳頭及び中心窩撮影感度の向上とテクスチャノイズの低減
改良された表面特性評価（Ａラインのセットのほぼ均一な分布を使用）とテクスチャノイズの低減を含む修正ＧＯＣＴＡ法を使用した感度の向上を確認するために、健康なボランティアので２つの局所領域（データ処理と比較のため神経頭領域と中心窩領域）をスキャンした（６ｘ６ｍｍ^２）。結果を図１１Ａ〜１１Ｈに示す。図１１Ｅ〜１１Ｆの最適化された画像を通常の画像１１Ｃ〜１１Ｄで差し引くことにより、図１１Ｄの差分画像が得られる。１１Ｇ−１１Ｈが取得され、改良されたＧＯＣＴＡ法（テクスチャーの削除を含む）によって抽出されたより多い微小血管情報が示された。結果は、改良されたＧＯＣＴＡ法がさらに高い感度を達成できることを示した。

提案された表面計算方法の性能を評価するために、計算された表面データは、０ｍｍ、０．７ｍｍ、１．３ｍｍ、２．０ｍｍ、２．６ｍｍ、３．３ｍｍ、４．０の位置の断面構造画像にプロットされた（赤い曲線）図１２Ａ〜１２Ｔに示されるように、ｍｍ、４．６ｍｍ、５．３ｍｍおよび６．０ｍｍ。曲率の高い一部の局所領域（黄色の矢印でマークされている）を除いて、表面データが構造画像とよく一致していることがわかりる。正面の微小血管画像を計算するためにＧＯＣＴＡメソッドで使用された大きな深度範囲のため、黄色の矢印でマークされた位置の深度シフトをカバーできる。

例：サブスペクトルバンドとサブサンプリングバンド上の微小血管画像の取得
サブスペクトルバンドとサブサンプリングバンドのパフォーマンスを調査するために、健康なボランティアの網膜で、視神経頭領域と中心窩領域の両方の局所領域（３×３ｍｍ２）をスキャンした。異なるスペクトルバンドと異なるサンプリングバンドを持つ正面の微小血管画像が計算され、図１３Ａ〜１３Ｑ（視神経頭領域）および図１４Ａ〜１４Ｑ（中心窩領域）に示されている。これらの画像を比較すると、スペクトルバンドとサンプリングバンドの減少に伴って画質が低下していることがわかり、１／４スペクトルバンドと１／２サブサンプリングバンドの画像のＳＮＲとＣＮＲは、完全なスペクトルバンドサンプリングバンドのものとほぼ同等の値であった。

微小血管情報の損失を推定するために、全スペクトルおよびサンプリングバンドの画像を１／４スペクトルバンドおよび１／２サンプリングバンドの画像で差し引き、結果を図１５Ａおよび１５Ｂに示した。図１５Ａおよび１５Ｂは、それぞれ、光神経頭領域および中心窩領域の差分画像を示す。ＧＯＣＴＡ法では、スペクトル縞の１／４スペクトルバンドと１／２サンプリングバンドを使用して、画質を大幅に低下させることなく、正面の微小血管画像を計算できることが分かった。

上記のように、通常のＧＯＣＴＡの画質とデータ処理時間を、ＳＶＯＣＴ、ＯＭＡＧ、ＳＳＡＤＡなどの他の３つのアルゴリズムと比較した。公正な比較を行うために、１／４スペクトルバンドと１／２サンプリングバンドの干渉縞に対してＳＶＯＣＴとＯＭＡＧを実行し、微小血管画像を計算した。サブバンドの干渉縞には２５６画素しかなく、４つに分割するのが難しいため、ＳＳＡＤＡは比較のために実行されなかった。結果を図１６Ａ〜１６Ｊに示した。差分微小血管画像図１６Ｃ、１６Ｅ、１６Ｈ、１６Ｊは、ＳＶＯＣＴおよびＯＭＡＧ画像によるＧＯＣＴＡ画像を差し引くことで取得され、これらの差分画像から、強化されたＧＯＣＴＡ法（追加のＡスキャンラインとテクスチャ除去を使用）が、血管情報を抽出するためのより高い感度を提供したことが分かる。

ＣＰＵとＧＰＵの両方の処理を使用するＧＯＣＴＡメソッドのデータ処理時間も分析した。ＭａｔＬａｂ（登録商標）のＧＯＣＴＡを使用して、ラップトップ（ＣＰＵ：ｉ７−４７２０ＨＱ、メモリ：１６Ｇ、ＧＰＵ：ＮＶＩＤＩＡ Ｇｅｆｏｒｃｅ（ＧＴＸ ９７０Ｍ）、オペレーティングシステム：Ｗｉｎｄｏｗｓ ８．１）でさまざまなスペクトルバンドとさまざまなサンプリングバンドに対してデータ処理を実行した。同じ位置からの２つのＢスキャンでのＧＯＣＴＡの各ステップのデータ処理時間を図４に示した。表面計算の時間は、全体の時間を低速走査方向の走査ステップで割ることによって得られた。ＧＰＵでデータ処理時間を測定する場合、表面計算もＣＰＵで実行された。ＧＰＵ処理には並列処理機能があるため、各ステップの時間は非常に短くなりた。ＧＰＵでの時間測定の精度を向上させるために、２つのＢスキャンの１００ペアでこのステップを実行し、平均値を計算することにより、各ステップの処理時間を測定した。１／４スペクトルバンドと１／２サンプリングバンドを使用することで、データ処理速度がＣＰＵとＧＰＵでそれぞれ約８倍と４倍向上したことがわかった。

それぞれＣＰＵおよびＧＰＵプロセッサ上の３Ｄデータセットの処理時間も測定され、結果を図１８に示した。１／４スペクトルバンドと１／２サンプリングバンドを使用することで、データ処理速度がＣＰＵとＧＰＵでそれぞれ約９倍と４倍向上したことが分かった。

例：皮膚血管撮影におけるＡＧＯＣＴＡ法の使用
この例では、皮膚画像化実験が商用ＳＳＯＣＴシステム（ＶｉｖｏＳｉｇｈｔ、Ｍｉｃｈｅｌｓｏｎ Ｄｉａｇｎｏｓｔｉｃｓ、ケント、英国）で実行された。光源（Ａｘｓｕｎ Ｔｅｃｈｎｏｌｏｇｉｅｓ、米国）の中心波長は１３０５μｍで、２０ｋＨｚの走査速度で動作した。このシステムの軸方向および横方向の分解能は、それぞれ１０μｍおよび７．５μｍであった。スキャン中に、各位置が２回スキャンされ、６×６ｍｍ２を超える２４０×１３００Ａスキャンが取得された。

ＡＧＯＣＴＡメソッドの実装例のパフォーマンスは、ファントム実験を使用してテストされ、結果をｃｍＯＣＴおよびｓｖＯＣＴと比較した。ファントムは、図１９Ａに示されているような構造である半牛乳（５％脂肪分）と半シリカゲルから構成されていた。図１９Ｂ〜１９Ｄは、それぞれｃｍＯＣＴ、ＳＶＯＣＴ、ＡＧＯＣＴＡによって取得された正規化正面画像です。ｃｍＯＣＴおよびＳＶＯＣＴでは、正面の動的フロー画像を計算するために平均強度投影（ＭＩＰ）が実行された。この場合、カバースリップの平面であるため、表面データは計算されなかった。ｃｍＯＣＴの相関値は、次のように表される。

ここで、ｉとｊは画素序数、ＭとＰは相関ウィンドウサイズであり、この作業ではどちらも３に設定されている。Ｉ_２Ｎ−１とＩ_２Ｎは、同じ位置からの強度ベースの構造画像の２つのフレームであり、相関ウィンドウの平均値です。得られた断面相関画像のすべてに、対応する構造画像を掛けて、背景ノイズを抑制した。

信号対ノイズ比（ＳＮＲ）とコントラスト対ノイズ比（ＣＮＲ）は、定量的な比較のために計算された。破線の長方形（動的信号）と実線の長方形（静的信号）でマークされた領域は、ＳＮＲとＣＮＲの計算に使用され、図１９Ｅ〜１９Ｇに示す３つのアルゴリズムの比較ヒストグラムが使用された。これらの３つのアルゴリズムによって取得されたＳＮＲとＣＮＲは類似していた。

例：健康なボランティアの手のひらでのＡＧＯＣＴＡ画像取得の結果
健康なボランティアの手のひらの局所領域もスキャンされ、同じデータセットに対してｃｍＯＣＴ、ＳＶＯＣＴ、ＡＧＯＣＴＡアルゴリズムをそれぞれ実行することにより、顔面の微小血管画像が計算された。この領域では、テクスチャノイズが見つからなかったため、定期的なＡＧＯＣＴＡおよびＳＶＯＣＴを実行して、正面の微小血管画像を計算した。その結果を図２０Ａ〜Ｉに示す。図２０Ａは、マークされた領域（６×６ｍｍ）がスキャンされたボランティアの手のひらの写真を示す。図２０Ｂは、計算された表面データである。正面の微小血管画像を閾値処理することにより、図２０Ｃに示すように、血流信号および背景のマスクが得られ、赤および青はそれぞれ血流および背景信号を表した。図２０Ｄ〜２０Ｆは、それぞれｃｍＯＣＴ、ＳＶＯＣＴおよびＡＧＯＣＴＡによって得られた微小血管画像を示す。ｃｍＯＣＴでは、相関ウィンドウのサイズは３×３画素で、得られた断面相関係数画像に強度ベースの構造画像を掛けて、背景ノイズを抑制した。図２０Ｄにおいて破線の楕円でマークされた領域に示されるように、相関ウィンドウは、横方向の解像度を減少させ、その結果、小さな血管の不連続性をもたらした。図２０Ｇ〜Ｉに示されるようなヒストグラムを用いて、マスクの図２０Ｃによってカバーされる強度値を使用して、定量的比較のためのＳＮＲおよびＣＮＲを計算した。これらの３つのアルゴリズムは、同様のＳＮＲとＣＮＲを提供した。

推定表面の精度を検証するために、均一に分布した１２枚の断面画像に対してＦＦＴを実行し、０．５ｍｍ、１．０ｍｍ、１．５ｍｍ、２．０ｍｍ、２．５ｍｍ、３．０ｍｍ、３．５ｍｍ、４．０ｍｍの位置の構造画像を計算した。４．５ｍｍ、５．０ｍｍ、５．５ｍｍ、および６．０ｍｍの低速スキャン方向での結果を図２１Ａ〜Ｌに示す。赤い曲線は推定表面データを示している。一部の局所的な高周波成分（白い矢印でマークされている）を除いて、得られた曲線は皮膚の表面とよく一致していることが分かった。ｘｙ平面に均一に分布する元の表面データを計算するために使用される行列のサイズを大きくすることにより、表面データの精度を向上させることができる。

例：ＡＧＯＣＴＡと他のアルゴリズムのデータ処理時間の比較
ＧＯＣＴＡ法と同様に、ＡＧＯＣＴＡ法の主な利点はデータ処理速度です。データ処理は、ラップトップ（ＣＰＵ：ｉ７−４７２０ＨＱ、メモリ：１６Ｇ、ＧＰＵ：ＮＶＩＤＩＡ Ｇｅｆｏｒｃｅ（ＧＴＸ ９７０Ｍ）、オペレーティングシステム：Ｗｉｎｄｏｗｓ ８．１）上で、公開されたｃｍＯＣＴ、ＳＶＯＣＴ、および提案されたＡＧＯＣＴＡ（ＭａｔＬａｂ（登録商標））を使用して実行された。比較を説得力のあるものにするために、データ処理時間は、それぞれＣＰＵとＧＰＵの同じ位置からの２つのＢスキャンに対して測定された。結果を図２２および図２３にそれぞれ示した。データ処理中に、正面の微小血管画像は、ＯＣＴ距離の合計深度の１０％の深度範囲内で計算され、その結果、１６画素の長さの畳み込みカーネルが生成された。図２２では、各フレームの表面データは、ｃｍＯＣＴおよびＳＶＯＣＴの両方で以下のステップによって計算された。 ２）各Ａラインの最初のゼロ以外の値の位置にインデックスを付ける。３）４次多項式フィッティングを実行して、曲線を滑らかにしる。公平な比較を行うために、ＡＧＯＣＴＡ法の表面計算時間は、表面全体の計算時間を低速走査方向の走査ステップ数で割ることによって得られた。ＡＧＯＣＴＡメソッドを使用すると、データ処理速度は、ｃｍＯＣＴおよびＳＶＯＣＴと比較して、ＣＰＵでそれぞれ１８７および２倍近く向上した。

図２３では、ＧＰＵベースの並列計算ライブラリがデータ処理のためにＭａｔｌａｂで使用され、時間を測定した。表面計算のステップでは、ｃｍＯＣＴとＳＶＯＣＴのＧＰＵで画像フィルタリングのみが実行され、ＡＧＯＣＴＡメソッドの場合、ステップ全体がＣＰＵで実行された。データ処理速度は、ＧＯＣではｃｍＯＣＴとＳＶＯＣＴに比べてそれぞれ３８倍と１．５倍向上した。データ処理時間も、ＣＰＵとＧＰＵの両方で３Ｄデータセット全体について測定された。結果を図４に示した。２４．ここで、各Ｂモード画像データセットがＣＰＵとＧＰＵの両方で利用可能になると、取得された干渉縞をフレーム（１０２４×１３６５）ごとに計算して、リアルタイムイメージングモードでデータ処理をシミュレーションした。ＣＰＵとＧＰＵの両方で、ＡＧＯＣＴＡが最速のデータ処理速度であることが分かった。

例：皮膚画像のテクスチャノイズ除去
上に開示したテクスチャノイズ除去方法の機能を確認するために、健康なボランティアの左手のひらの右後部領域をスキャンした。ＳＶＯＣＴとＡＧＯＣＴＡが干渉縞データに対して実行され、それぞれ正面の微小血管画像が計算された。この場合、３つの異なる深度範囲内の画像を計算するために深度範囲が変更され（１８０μｍ）、結果が図２５Ａ−２５Ｖに示された。テクスチャパターンを削除した後、より多くの血流信号（差分画像に示されている）が抽出され、血管の画像の品質が向上することが分かった。

例：ＡＧＯＣＴＡ法による遺伝性出血性末梢血管拡張症（ＨＨＴ）患者の病変部の撮影
ボランティアのイメージングに加えて、現在のＡＧＯＣＴＡメソッドは、より大きな臨床研究の一環として、病変のイメージングでＨＨＴ患者に採用された。病院研究倫理委員会の承認は、局所ベータ遮断薬治療の前後にこれらの患者で得られた。図２６Ａ〜２６Ｊに示されるように、ＡＧＯＣＴＡ法が微小血管を治療前に可視化するための臨床シナリオで実行され得る。図２６（ｅ）および（ｈ）はＳＶＯＣＴＡによって得られ、図２６（ｆ）および（ｉ）はＡＧＯＣＴＡ法によって得られ、テクスチャノイズは（ｅ）および（ｆ）で除去された。これらの４つの画像を比較すると、本方法は、皮膚病変のテクスチャノイズを除去し、より良い微小血管画像を提供することがで示された。図２６（ｇ）〜（ｉ）を比較すると、ＡＧＯＣＴＡ法は、特に破線の白い円でマークされた領域に対して、わずかに優れたコントラストを示すことがわかった。図２６（ｊ）〜（ｌ）は、ＳＮＲおよびＣＮＲ比較のためマスクである図２６（ｃ）によって処理された強度値のヒストグラムである。

例：サブスペクトルバンドとサブサンプリングバンド上におけるＡＧＯＣＴＡの結果
前述のＧＯＣＴＡ法と同様に、スペクトル干渉縞のサブバンドに対してＡＧＯＣＴＡ法も実行してデータ処理速度を加速し、健康なボランティアの手のひらの局所領域（６×６ｍｍ^２）をスキャンして処理して、パフォーマンス。データ処理時間と微小血管画像およびサブバンドの画像を、それぞれ図２７と図２８Ａ〜２８Ｍに示している。図２８（ａ）〜（ｌ）において破線の白い長方形でマークされた領域における強度値の統計は、定量的比較のために計算され、１／２サブサンプリング帯域および１／２サブサンプリング帯域の画像がスペクトルバンドはフルバンド画像に匹敵する事が分かった。同時に、図２７に示すように、データ処理時間はＣＰＵで約６倍、ＧＰＵで約４倍に短縮された。

例：健康なボランティアの頭皮の微小血管画像
ＡＧＯＣＴＡメソッドでテクスチャアーチファクトを除去するパフォーマンスをさらにテストするために、健康なボランティアで頭皮の局所領域（６×６ｍｍ^２）をスキャンした。スキャンする前に、頭皮の局所領域を剃って毛を取り除いた。得られた微小血管画像を図２９Ｅ〜２９Ｊに示した。図２９（ｅ）〜（ｇ）を図２９（ｈ）〜（ｊ）と比較すると、提案された方法によって、毛包によって引き起こされたテクスチャのアーチファクト（黄色の破線の円でマーク）が削除されたことが分かった。結果は、毛髪移植の前または最中に、オプションのテクスチャ除去を伴うＡＧＯＣＴＡ法を実行して、毛細血管が豊富な毛包を選択することにより、またより適切な毛包を移植プロセス中に微小血管を傷つけず選択することにより、新しい毛ドナー部位の生存の可能性を改善できることを示した。

例：サブスペクトルバンドサンプリング及び畳み込み演算回避の画質への影響
図３０Ａ〜３０Ｉは、網膜イメージングの例示的なケースにおいて、ＧＯＣＴＡアルゴリズムの異なる例示的な実装を使用して得られた画像を示す。図からわかるように、「飛ばし畳み込み」法やスペクトルサブバンド法、あるいはその両方を使用すると、画質が維持される。上記の特定の実施形態は、例として示されており、これらの実施形態は、様々な修正および代替形態の影響を受けやすい可能性がある。請求項は、開示された特定の形態に限定されるものではなく、本開示の範囲内に含まれるすべての修正、等価物、および代替物を含むものである。

Claims (80)

1. 光干渉断層撮影法（ＯＣＴ）を介して正面（正面）血管画像を生成する方法であり、
   スペクトル領域または掃引光源ＯＣＴシステムを使用して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出する。
   第１の合成波形フレームおよび第２の合成波形フレームを減算により処理して、差分合成波形フレームを生成する。
   ガボールフィルタと差分合成波形フレームの畳み込みを実行し、ガボール差分合成波形合積分フレームを取得する。ガボールフィルタは、組織表面の推定深度に基づいて画素ごとに計算される。そして
   ガボール差分合成波形合積分フレームを処理して正面血管撮影画像を生成する。ガボール差分合成波形合積分フレームは、高速フーリエ変換とｋ空間リサンプリングを実行せずに処理される。
2. 正面血管撮影画像中の所与の画素をガボール差分合成波形合積分フレームの各画素について、計算によって生成され、測定値はスペクトルの統計的分散を定量化する事を特徴とする請求項１に記載の方法。
3. 正面血管撮影画像中の所与の画素をガボール差分合成波形合積分フレームの各画素について、計算することによって生成されるが、スペクトルの標準偏差に基づいて測定する事を特徴とする請求項１に記載の方法。
4. 差分合成波形フレームの所与の横断画素について、組織表面の推定深度が、組織表面の空間的特徴から得られる事を特徴とする、請求項１から３のいずれか一項に記載の方法。
5. 組織表面の空間的特徴が以下によって検出される事を特徴とする、請求項４記載の方法：
   組織表面の異なる位置を介して複数のＡスキャンを実行し、それぞれの合成波形を検出する。
   合成波形を処理して、位置でのそれぞれの表面深さ値を決定する。そして
   組織の表面の空間特性を取得するために、表面の深さの値を関数形式に適合させる。
6. 組織表面が網膜表面であり、機能的形態が球体である、請求項５に記載の方法。
7. 球体が約２１〜２３ｍｍの直径を有する、請求項６に記載の方法。
8. 前記複数のＡスキャンが１０未満のＡスキャンを含む、請求項５から７のいずれか一項に記載の方法。
9. 前記複数のＡスキャンが４未満のＡスキャンを含む、請求項５から７のいずれか一項に記載の方法。
10. Ａスキャンの少なくともサブセットが組織表面の周辺領域の近位に向けられる、請求項９に記載の方法。
11. 組織表面が皮膚であり、前記機能的な形態は、多項式である請求項５に記載の方法。
12. 前記複数のＡスキャンが１００未満のＡスキャンを含む、請求項１１に記載の方法。
13. 複数のＡ−スキャンが３０未満Ａ−スキャンを含む、請求項１１に記載の方法。
14. 組織表面の空間的特徴検出が表面プロファイリングシステムを使用して実行される、請求項４に記載の方法。
15. 複数の正面の血管造影画像を計算し、複数の正面の血管造影画像に基づいてビデオ表示をビデオとして生成することをさらに含む、請求項１から１４のいずれか一項に記載の方法。
16. 処理の少なくとも一部がグラフィックス処理ユニット（ＧＰＵ）を使用して実行される、請求項１から１５のいずれか一項に記載の方法。
17. 差分合成波形フレームの少なくとも１つの画素について、畳み込みを実行するときに差分合成波形のサブバンドが選択および使用され、それにより計算時間を短縮する、請求項１〜１６のいずれか一項に記載の方法。
18. 差分合成波形フレームの少なくとも１つの画素について、畳み込みを実行するときに差分合成波形およびガボールフィルタがサブサンプリングされ、それにより、関連する計算時間が短縮される、請求項１〜１６のいずれかに記載の方法。
19. 差分合成波形フレームの少なくとも１つの画素について、差分合成波形のサブバンドが選択され、差分合成波形のサブバンドの両方が選択される、請求項１〜１６のいずれか一項に記載の方法。合成波形とガボールフィルタはサブサンプリングされ、畳み込みの実行時に使用されるため、畳み込みに関連する計算時間が短縮される。
20. 畳み込みを実行するとき、差分合成波形フレームのいくつかの画素が連続するステップ間でスキップされ、画素の数がガボールフィルタのカーネルよりも少ない、請求項１〜１６のいずれか一項に記載の方法。
21. 前記畳み込みは、差分合成波形フレームの各画素が一度だけ使用されるように実行される、請求項１〜１６のいずれか一項に記載の方法。
22. 正面血管撮影画像が第１の正面血管撮影画像である、請求項１〜２１のいずれか一項に記載の方法。
    第１の合成波形フレームおよび第２の合成波形フレームの絶対値を計算し、それによって第１の絶対合成波形フレームおよび第２の絶対合成波形フレームを得る。
    第１の絶対合成波形フレームと第２の絶対合成波形フレームのスペクトル画素全体の合計を計算し、それにより合計された絶対合成波形フレームを得る。
    最初の正面血管撮影画像を合計された絶対合成波形フレームで割ることによって、テクスチャノイズが抑制された正面血管撮影画像を取得する。
23. ＯＣＴを介して正面血管撮影画像を生成するシステム。
    スペクトル領域または掃引光源光干渉断層計システム；そして
    制御および処理回路は、ＯＣＴシステムに動作可能に結合され、プロセッサおよびメモリを備え、プロセッサは、以下のステップを実行するためにメモリに格納された命令を実行するように構成される。
    ＯＣＴシステムを制御して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出するステップ。
    第１の合成波形フレームおよび第２の合成波形フレームを減算により処理して、差分合成波形フレームを生成する。
    ガボールフィルタと差分合成波形フレームの畳み込みを実行し、ガボール差分合成波形合積分フレームを取得する。ガボールフィルタは、組織表面の推定深度に基づいて画素ごとに計算される。そして
    ガボール差分合成波形合積分フレームを処理して正面血管撮影画像を生成する。ガボール差分合成波形合積分フレームは、高速フーリエ変換とｋ空間リサンプリングを実行せずに処理される。
24. システム制御及び処理回路は、所与の画素ように構成されている、請求項２３に記載ＥＮ面血管撮影画像をガボール差分合成波形合積分フレーム、Ａを定量化する尺度の各画素について、計算することによって生成されるスペクトル統計分散。
25. 制御及び処理回路は、所与の画素ように構成されている、請求項２３に係る２５のシステムエン、ガボール・畳み込み差分合成波形フレームの各画素について、計算することにより、顔の血管撮影画像が生成されるが、Ａに基づく測定するスペクトル標準偏差。
26. 制御および処理回路が、差分合成波形フレームの所与の横方向画素についての組織表面の推定深度が、以下の空間特性から得られるように構成される、請求項２３〜２５のいずれか一項に記載のシステム。組織表面。
27. 制御および処理回路が、組織表面の空間的特徴が以下によって決定されるように構成される、請求項２６に記載のシステム。
    組織表面の異なる位置を介して複数のＡスキャンを実行し、それぞれの合成波形を検出する。
    合成波形を処理して、位置でのそれぞれの表面深さ値を決定する。そして
    組織の表面の空間特性を取得するために、表面の深さの値を関数形式に適合させる。
28. 前記制御および処理回路は、前記機能的形態が網膜表面を特徴付けるための球体であるように構成される、請求項２７に記載のシステム。
29. 前記制御および処理回路は、前記球体が約２１〜２３ｍｍの直径を有するように構成される、請求項２８に記載のシステム。
30. 前記制御および処理回路は、前記複数のＡスキャンが１０未満のＡスキャンを含むように構成される、請求項２７〜２９のいずれか一項に記載のシステム。
31. 前記制御および処理回路は、前記複数のＡスキャンが４未満のＡスキャンを含むように構成される、請求項２７〜２９のいずれか一項に記載のシステム。
32. 制御及び処理回路が機能的形態が多項式であるように構成されている、請求項２７に記載のシステム。
33. 前記制御および処理回路は、前記複数のＡスキャンが１００未満のＡスキャンを含むように構成される、請求項３２に記載のシステム。
34. 制御及び処理回路は、Ａスキャン複数の３０未満Ａ−スキャンを含むように構成されている、請求項３２に記載のシステム。
35. さらに構成する請求項２６に記載のシステム：
    表面形状検出システム。
    ここで、制御および処理回路は、組織表面の空間的特徴付けが表面プロファイル検出システムを使用して実行されるように構成される。
36. 請求項のいずれかに記載の系２３制御及び処理回路は、ＥＮ顔アンギオ複数の計算するように構成されている請求項３５に画像、およびビデオのような専用の顔血管撮影複数の画像に基づいて映像表示を生成する。
37. 制御および処理回路が、グラフィックス処理ユニットを使用して実行される処理の少なくとも一部として構成される、請求項２３〜３６のいずれか一項に記載のシステム。
38. 制御および処理回路が、差分合成波形フレームの少なくとも１つの画素について、差分合成波形のサブバンドが選択され、使用されるように構成される、請求項２３〜３７のいずれか一項に記載のシステム。畳み込みを実行することにより、畳み込みに関連する計算時間を短縮する。
39. 制御および処理回路は、差分合成波形フレームの少なくとも１つの画素について、差分合成波形およびガボールフィルタがサブサンプリングされて、実行時に使用される、請求項２３〜３７のいずれか一項に記載のシステム。畳み込み。これにより、畳み込みに関連する計算時間が短縮される。
40. 制御および処理回路は、差分合成波形フレームの少なくとも１つの画素について、差分合成波形のサブバンドが選択されるように構成され、そして、請求項２３〜３７のいずれか一項に記載のシステム。差分合成波形のサブバンドとガボールフィルタの両方がサブサンプリングされ、畳み込みを実行するときに使用されるため、畳み込みに関連する計算時間が短縮される。
41. 制御および処理回路は、畳み込みを実行するときに、差分スペクトル干渉縞フレームのいくつかの画素が連続するステップ間でスキップされるように構成され、画素の数は、である、請求項２３〜３７のいずれかに記載のシステム。ガボールフィルタのカーネルよりも小さい。
42. 制御および処理回路が、差分合成波形フレームの各画素が一度だけ使用されるように畳み込みが実行されるように構成される、請求項２３〜３７のいずれか一項に記載のシステム。
43. 正面血管撮影画像が第１の正面血管撮影画像であり、制御および処理回路が、以下を含む追加の操作を実行するように構成される、請求項２３〜４２のいずれか一項に記載のシステム。
    第１の合成波形フレームおよび第２の合成波形フレームの絶対値を計算し、それによって第１の絶対合成波形フレームおよび第２の絶対合成波形フレームを得る。
    第１の絶対合成波形フレームと第２の絶対合成波形フレームのスペクトル画素全体の合計を計算し、それにより合計された絶対合成波形フレームを得る。そして
    最初の正面血管撮影画像を合計された絶対合成波形フレームで割ることによって、テクスチャノイズが抑制された正面血管撮影画像を取得する。
44. 光干渉断層撮影によって正面血管撮影画像を生成する方法であって、
    スペクトル領域または掃引光源ＯＣＴシステムを使用して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出する。
    ガボールフィルタと第１の合成波形フレームおよび第２の合成波形フレームの畳み込みを実行することにより、第１のガボール畳み込み合成波形フレームと第２のガボール畳み込み合成波形フレームをそれぞれ取得する。組織表面の推定深度に基づく、画素ごとのベース。
    第１のガボール畳み込み合成波形フレームおよび第２のガボール畳み込み合成波形フレームを処理してその振幅を取得し、それにより第１のガボール畳み込み合成波形振幅フレームおよび第２のガボール畳み込み合成波形振幅フレームをそれぞれ得る。
    第１のガボール畳み込み合成波形振幅フレームおよび第２のガボール畳み込み合成波形振幅フレームを減算により処理して、ガボール畳み込み差分合成波形振幅フレームを生成する。そして
    ガボール畳み込み差分合成波形振幅フレームを処理して、正面血管撮影画像を生成する。ガボール畳み込み差分合成波形振幅フレームは、高速フーリエ変換とｋ空間リサンプリングを実行しない場合に処理される。
45. 所与の画素を特徴とする請求項４４に記載の方法４５正面血管撮影画像がガボール畳み込み差分合成波形振幅フレーム、スペクトルの統計的分散を定量化する尺度の各画素について、計算することによって生成される。
46. 所与の画素を特徴とする請求項４４に記載の方法４６正面血管撮影画像がスペクトル標準偏差に基づく差動ガボール畳み込み合成波形振幅フレーム、メジャーの各画素について、計算することによって生成される。
47. ガボール畳み込み差分合成波形形振幅フレームの所与の横断画素に対する組織表面の推定深度が、組織表面の空間的特徴から得られる、請求項４４〜４６のいずれか一項に記載の方法。
48. 組織表面の空間的特徴が以下によって決定される、請求項４７記載の方法：
    組織表面の異なる位置を介して複数のＡスキャンを実行し、それぞれの合成波形を検出する。
    合成波形を処理して、位置でのそれぞれの表面深さ値を決定する。そして
    組織の表面の空間特性を取得するために、表面の深さの値を関数形式に適合させる。
49. 前記複数のＡスキャンが４つ未満のＡスキャンを含む、請求項４８に記載の方法。
50. Ａ−スキャンの少なくとも一部が請求項４９に記載の方法５０れる組織表面の周辺領域の近位に向かいる。
51. 組織表面が皮膚であることを特徴とする請求項４８に記載の方法において、前記機能的な形態は、多項式である。
52. 前記複数のＡスキャンが１００未満のＡスキャンを含む、請求項５１に記載の方法。
53. Ａ−スキャン複数の３０未満Ａ−スキャンを含む、請求項５１に記載の方法。
54. 組織表面の空間的特徴付けが、表面プロファイル検出システムを使用して実行される、請求項４７記載の方法。
55. 方法はさらに、顔アンギオＥＮ複数の計算含む、請求項５４〜４４のいずれか一項に記載の画像、およびビデオのような専用の顔血管撮影複数の画像に基づいて映像表示を生成する。
56. 前記処理の少なくとも一部は、グラフィックス処理ユニットを使用して実行される、請求項４４〜５５のいずれか一項に記載の方法。
57. 前記第１の合成波形フレームおよび前記第２の合成波形フレームの少なくとも１つの画素について、各それぞれの合成波形のサブバンドが選択され、畳み込みを実行するときに使用される、請求項４４〜５６のいずれか一項に記載の方法。これにより、畳み込みに関連する計算時間を短縮する。
58. 前記第１の合成波形フレームおよび前記第２の合成波形フレームの少なくとも１つの画素について、それぞれの合成波形およびガボールフィルタは、畳み込みを実行するときにサブサンプリングされて採用され、それにより、畳み込みに関連する計算時間を短縮する。
59. 少なくとも１つの第１合成波形フレームの画素と第二合成波形のフレーム、各合成波形のサブバンドのために選択される、請求項４４〜５６のいずれか一項に記載の方法、前記サブをそれぞれの合成波形のバンドとガボールフィルタはサブコンボリューションを実行するときにサブサンプリングされて使用されるため、コンボリューションに関連する計算時間が短縮される。
60. 正面血管撮影画像が第１の正面血管撮影画像である、請求項４４〜５９のいずれか一項に記載の方法。
    第１のガボール畳み込み合成波形フレームおよび第２のガボール畳み込み合成波形フレームの絶対値を計算し、それにより第１の絶対ガボール畳み込み合成波形フレームおよび第２の絶対ガボール畳み込み合成波形フレームを得る。
    第１の絶対ガボール畳み込み合成波形フレームと第２の絶対ガボール畳み込み合成波形フレームのスペクトル画素全体の合計を計算し、それによって合計絶対ガボール畳み込み合成波形フレームを得る。
    第１の正面血管撮影画像を、合計された絶対ガボール畳み込み合成波形フレームで割ることにより、第２の正面血管撮影画像を生成する。そして
    次の合計を計算して、テクスチャノイズが抑制された正面血管撮影画像を取得する。
    ２番目の正面血管撮影画像の正規化；そして
    最初の正面血管撮影画像の対数の正規化。
61. 光干渉断層計を介して正面血管撮影画像を生成するシステム。
    スペクトル領域または掃引光源光干渉断層計システム；そして
    制御および処理回路は、ＯＣＴシステムに動作可能に結合され、プロセッサおよびメモリを備え、プロセッサは、以下のステップを実行するためにメモリに格納された命令を実行するように構成される。
    ＯＣＴシステムを制御して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出するステップ。
    ガボールフィルタと第１の合成波形フレームおよび第２の合成波形フレームとの畳み込みを実行することにより、第１のガボール畳み込み合成波形フレームと第２のガボール畳み込み合成波形フレームをそれぞれ取得する。組織表面の推定深度に基づく、画素ごとのベース。
    第１のガボール畳み込み合成波形フレームおよび第２のガボール畳み込み合成波形フレームを処理してその振幅を取得し、それにより第１のガボール畳み込み合成波形振幅フレームおよび第２のガボール畳み込み合成波形振幅フレームをそれぞれ得る。
    第１のガボール畳み込み合成波形振幅フレームおよび第２のガボール畳み込み合成波形振幅フレームを減算により処理して、ガボール畳み込み差分合成波形振幅フレームを生成する。そして
    ガボール畳み込み差分合成波形振幅フレームを処理して、正面血管撮影画像を生成する。ガボール畳み込み差分合成波形振幅フレームは、高速フーリエ変換とｋ空間リサンプリングを実行しない場合に処理される。
62. 制御及び処理回路は、所与の画素ように構成されている、請求項６１に係る６２システムエン差動ガボール畳み込み合成波形振幅フレーム、測定定量の各画素について、計算することにより、顔の血管撮影画像を生成するスペクトル統計的分散。
63. 制御及び処理回路は、所与の画素ように構成されている、請求項６１に係る６３システムエン差動ガボール畳み込み合成波形振幅フレームの各画素について、計算することにより、顔の血管撮影画像が生成されるが、上ベース測定するスペクトル標準偏差。
64. 制御および処理回路が、ガボール畳み込み差分合成波形形振幅フレームの所与の横方向画素について、組織表面の推定深さが以下から得られるように構成される、請求項６１〜６３のいずれか一項に記載のシステム。組織表面の空間特性。
65. 制御および処理回路が、組織表面の空間的特徴が以下によって決定されるように構成される、請求項６４に記載のシステム。
    組織表面の異なる位置を介して複数のＡスキャンを実行し、それぞれの合成波形を検出する。
    合成波形を処理して、位置でのそれぞれの表面深さ値を決定する。そして
    組織の表面の空間特性を取得するために、表面の深さの値を関数形式に適合させる。
66. 前記制御および処理回路は、前記複数のＡスキャンが４つ未満のＡスキャンを含むように構成される、請求項６５に記載のシステム。
67. 制御及び処理回路が機能的形態が多項式であるように構成されている、請求項６５に記載のシステム。
68. 前記制御および処理回路は、前記複数のＡスキャンが１００個未満のＡスキャンを含むように構成される、請求項６７に記載のシステム。
69. 制御及び処理回路は、Ａスキャン複数の３０未満Ａ−スキャンを含むように構成されている、請求項６７に記載のシステム。
70. 表面形状検出システムをさらに含み、制御および処理回路は、組織表面の空間的特徴付けが表面プロファイル検出システムを使用して実行されるように構成される。請求項６４に記載のシステム。
71. 制御及び処理回路のいずれか一項に記載のシステムは、顔アンギオＥＮ複数の計算するように構成されている画像を、およびビデオなどの顔の血管撮影画像ＥＮ複数に基づいて映像表示を生成する、請求項６１〜７０のいずれか一項に記載のシステム。
72. 前記制御および処理回路は、前記処理の少なくとも一部がグラフィックス処理ユニットを使用して実行されるように構成される、請求項６１〜７１のいずれか一項に記載のシステム。
73. 前記制御および処理回路は、前記第１の合成波形フレームおよび前記第２の合成波形フレームの少なくとも１つの画素について、それぞれのスペクトルのサブバンドがなるように構成される、請求項６１〜７２のいずれか一項に記載のシステム。合成波形は、畳み込みを実行するときに選択され、採用されるため、畳み込みに関連する計算時間が短縮される。
74. 前記制御および処理回路は、前記第１の合成波形フレームおよび前記第２の合成波形フレームの少なくとも１つの画素について、それぞれの合成波形およびガボールフィルタがそのように構成される、請求項６１〜７２のいずれか一項に記載のシステム。
    畳み込みを実行するときにサブサンプリングされて使用されるため、畳み込みに関連する計算時間が短縮される。
75. 前記制御および処理回路は、前記第１の合成波形フレームおよび前記第２の合成波形フレームの少なくとも１つの画素について、それぞれのスペクトルのサブバンドがなるように構成される、請求項６１〜７２のいずれか一項に記載のシステム。
    合成波形が選択され、それぞれの合成波形のサブバンドとガボールフィルタがサブサンプリングされて畳み込みを実行するときに使用され、それによって畳み込みに関連する計算時間が短縮される。
76. 制御および処理回路は、畳み込みを実行するとき、それぞれの合成波形フレームのいくつかの画素が連続するステップ間でスキップされるように構成され、画素の数は、ガボールフィルタのカーネルよりも小さい請求項６１〜７２のいずれかに記載のシステム。
77. 制御および処理回路が、それぞれの合成波形フレームの各画素が一度だけ使用されるように畳み込みが実行されるように構成される、請求項６１〜７２のいずれか一項に記載のシステム。
78. 正面血管撮影画像が第１の正面血管撮影画像であり、制御および処理回路が、以下を含む追加の操作を実行するように構成される、請求項６１〜７７のいずれか一項に記載のシステム。
    第１のガボール畳み込み合成波形フレームおよび第２のガボール畳み込み合成波形フレームの絶対値を計算し、それにより第１の絶対ガボール畳み込み合成波形フレームおよび第２の絶対ガボール畳み込み合成波形フレームを得る。
    第１の絶対ガボール畳み込み合成波形フレームと第２の絶対ガボール畳み込み合成波形フレームのスペクトル画素全体の合計を計算し、それによって合計絶対ガボール畳み込み合成波形フレームを得る。
    第１の正面血管撮影画像を、合計された絶対ガボール畳み込み合成波形フレームで割ることにより、第２の正面血管撮影画像を生成する。
    次の合計を計算して、テクスチャノイズが抑制された正面血管撮影画像を取得する。
    ２番目の正面血管撮影画像の正規化。
    最初の正面血管撮影画像の対数の正規化。
79. 第１のスペクトル分散ＯＣＴ顔画像のテクスチャノイズ抑制を実行する方法であって、第１のスペクトル分散ＯＣＴ顔画像は、第１の合成波形フレームおよび第２の合成波形フレームに基づいて生成され、方法は、
    第１のスペクトル分散ＯＣＴ顔画像を第１の合成波形フレームと第２の合成波形フレームの平均の平均強度投影で除算することにより、第２のスペクトル分散ＯＣＴ顔画像を得る。そして
    顔画像の第１スペクトル分散光干渉断層法の対数の正規化と顔画像の第２スペクトル分散光干渉断層法の正規化を合計することにより、テクスチャノイズが抑制されたスペクトル分散光干渉断層画像を取得する、方法。
80. 顔画像のスペクトル分散ＯＣＴのテクスチャノイズ抑制を実行するシステムであって、
    前記システムは、
    スペクトル領域または掃引光源光干渉断層計システムと
    制御および処理回路を備え、
    前記制御および処理回路は、ＯＣＴシステムに動作可能に結合され、プロセッサおよびメモリを備え、プロセッサは、以下のステップを実行するためにメモリに格納された命令を実行するように構成され、
    前記プロセッサは、以下のステップを実行するように構成される。
    ＯＣＴシステムを制御して、組織表面を含む空間領域を走査し、少なくとも第１の合成波形フレームおよび第２の合成波形フレームを検出する。
    最初のスペクトル分散ＯＣＴを生成するために第１の合成波形フレームと第２合成波形フレームを処理正面画像そこを、
    第１のスペクトル分散ＯＣＴ顔画像を第１の合成波形フレームと第２の合成波形フレームの平均の平均強度投影で除算することにより、第２のスペクトル分散ＯＣＴ顔画像を得る。
    顔画像の第１スペクトル分散光干渉断層法の対数の正規化と顔画像の第２スペクトル分散光干渉断層法の正規化を合計することにより、テクスチャノイズが抑制されたスペクトル分散光干渉断層画像を取得する。