JP2005508215A - 糖尿病性網膜症の患者をスクリーニングするためのシステムおよび方法 - Google Patents
糖尿病性網膜症の患者をスクリーニングするためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2005508215A JP2005508215A JP2003524431A JP2003524431A JP2005508215A JP 2005508215 A JP2005508215 A JP 2005508215A JP 2003524431 A JP2003524431 A JP 2003524431A JP 2003524431 A JP2003524431 A JP 2003524431A JP 2005508215 A JP2005508215 A JP 2005508215A
- Authority
- JP
- Japan
- Prior art keywords
- image
- retinal
- images
- retinopathy
- diabetic retinopathy
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
- A61B3/1241—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes specially adapted for observation of ocular blood flow, e.g. by fluorescein angiography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
Abstract
本発明は、糖尿病性網膜症の初期に発生する病変、すなわち点状出血または微細動脈瘤、しみ状出血、線条出血、脂質滲出物および神経線維層梗塞の検出を通して網膜画像を自動的に等級分けする強力な技法を含む。本発明はさらに、適切に識別されたフィールド内の視神経を抽出する方法、および血管を追跡し識別する（血管の直径、蛇行および分枝角度を測定する）方法を含む。本発明は、網膜障害なし、微細動脈瘤のみ、微細動脈瘤＋病変からなる３つのレベルを識別することが好ましい。このうち最後の２つのレベルは、この病気の最も初期に検出可能な形態である。本発明の方法は、網膜症を等級分けする際の困難を克服するのに特に適している。この困難は、画像間の変動、背景に対する一部の病変の低いコントラスト、および同じ画像の異なるカドラント間の変動につながる同じ画像内の不均一な照明およびフレアに由来する。このシステムは、専門家による画像のマーキングおよび網膜症の等級分けを利用して、画像品質の評価、病変の検出および網膜症の等級分けを向上させることができる。
Description
【技術分野】
【０００１】
糖尿病性網膜症の患者をスクリーニングするためのシステムおよび方法
【背景技術】
【０００２】
糖尿病性網膜症の診断は一般に、熟練の医療従事者（通常は眼科医）による眼底の直接診査、または専用のカメラを使用して撮影した眼底写真の評価によって実施される。直接に行うにせよ、または写真を見て行うにせよ、このような診査は時間のかかる不正確なプロセスであり、その結果に関して、診断の専門家の意見はしばしば一致せず、この病気のごく初期には特にそうである。加えて、このような診断の費用は高く、このような高い費用および熟練した人員の不足により、診断はしばしば望ましい間隔よりも長い間隔で実施される。
【発明の開示】
【発明が解決しようとする課題】
【０００３】
糖尿病の合併症の１つに、糖尿病性網膜症として知られる視力の緩やかな低下がある。時が経つにつれて大部分の糖尿病患者が視力の一部を失ってこの状態になることが知られており、現在の医療技術では、この病気を特徴づける網膜の病変をレーザ光で処理する治療法がとられている。しかし、糖尿病性網膜症の診断には、訓練を積んだ専門医が網膜（または網膜の写真）を定期的に診査し、小さな病変およびその変化を認知することが必要である。専門医の数に比べ糖尿病患者の数ははるかに多く、糖尿病患者は定期的に診査を受けなければならないので、糖尿病性網膜症をスクリーニングし治療しようとする健康管理システムには困難および欠陥が生じている。本発明は、コンピュータによって実現される、糖尿病性網膜症の病期を識別するための網膜写真の効率的なスクリーニング解析を提供する。
【課題を解決するための手段】
【０００４】
本発明は、糖尿病性網膜症の初期に発生する病変、すなわち点状出血または微細動脈瘤、しみ状出血、線条出血および脂質滲出物の検出を通して網膜画像を自動的に等級分けする強力な技法を含む。本発明はさらに、神経線維層梗塞を検出する方法、適切に識別されたフィールド内の視神経を抽出する方法、および血管を追跡し識別する（血管の直径、蛇行および分枝角度を測定する）方法を含む。本発明は、網膜障害なし、微細動脈瘤のみ、微細動脈瘤＋病変からなる３つのレベルを識別することが好ましい。このうち最後の２つのレベルは、この病気の最も初期に検出可能な形態である。ただしこの方法は、この病気の進行期に生じる病変の検出によって７レベルまで拡張することができ、この方法を利用し、正常な血管構造（管径、蛇行および分枝角度）の変化を評価することによって、網膜障害が発達するリスクを評価することができる。
【０００５】
本発明の方法は、網膜症を等級分けする際の困難を克服するのに特に適している。この困難は、画像間の変動、背景に対する一部の病変の低いコントラスト、および同じ画像の異なるカドラント間の変動につながる同じ画像内の不均一な照明およびフレアに由来する。
【０００６】
本発明で実現されるエキスパート判断システムは、撮影したそれぞれの眼に対する低レベル検出器の（病変検出）結果に基づいて、網膜症の等級を判定する。個々の検出器ならびに散瞳画像および非散瞳画像に関してこのシステムを、カメラ・タイプ、画像タイプ、患者特性および眼底特性に基づく別個のパラメータを使用して調整することができる。
【０００７】
データ・アーカイブは、すべての患者データ、画像、デモグラフィックスおよびレポートの中央リポジトリの働きをする、データ管理システムの中核部分である。このアーカイブはインターネット経由で記憶と検索のためにアクセス可能であり、時間の経過に伴う増大に対応するためスケーラブルに設計される。集中型データ管理アーキテクチャの利点には以下のものが含まれる。（１）履歴データが得られた場所とは無関係に、眼科医または網膜専門医が比較のため、現在の研究および以前の研究にアクセスできる。（２）中央データ貯蔵部が、正常な血管の変化、既存の糖尿病性病変の変化および新しい糖尿病性病変の発生に関する、個人または集団の経時的な病気の進行を評価する客観的かつ定量的な手段を提供する。このデータベースは、将来にリスク予測アルゴリズムを開発するための回帰および連続研究を発展させる基礎を提供する。（３）アーカイブを走査するアルゴリズムは、血管の蛇行、分枝角度および管径の変化の定量的尺度を生み出す。これらは血管疾患のマーカとして識別されたものであり、経時的に追跡することができる。やはりこれも、主に初期、網膜症の発達前または発達後のリスク予測を強化する。人間による等級分けによってこれらのパラメータを評価することはできないことに留意されたい。（４）大規模なデータ・ウェアハウスのデータ・マイニングによって、スクリーニングの習熟（proficiency）および患者コンプライアンスを調べることができ、また、さまざまな集団の傾向に対する貴重な洞察、および患者集団（例えばそれぞれの診療所の同様の患者）間の治療の効果を観察し経時的に追跡するための比較を得ることができる。
【発明を実施するための最良の形態】
【０００８】
本発明によれば、撮影者をガイドする小さなルーピング・プロセスを使用してそれぞれの画像品質の最適化を支援する撮影者への即時フィードバックを用いて画像をローカルに取得し、画像をローカルに解析し、画像をＣＤ−ＲＯＭおよび磁気記憶装置にローカルに記憶する。スクリーニングは、印刷されたリポートによってシステムからすぐに報告される。１つの眼に対して有意な数の写真を解析できないため（現在は３度の撮影でも不十分である）、または許容される網膜症の病変／レベルの数／タイプのしきい値よりも高いためにスクリーニングから「除外」された眼は、再検討のために遠隔の専門眼科医に送られる。専門医は、等級分けおよび勧告とともに再検討の結果を報告する。患者は、診査の予約をとるように、または写真は十分だが、勧告の間隔でスクリーニングを繰り返すようにアドバイスされる。この報告は、スクリーニングおよび照会の成功およびしきい値に関するデータ・マイニングのためにデータベースに保持される。
【０００９】
本発明の実施において、画像は以下の１つの方法で得ることができる。
【００１０】
（ａ）35mm Ektachrome（商標）スライドから、グリーン・ラッテン・フィルタ（green Wratten filter）を使用して少なくとも1024×1024×深さ8ビットでディジタル化した単色30°画像。
【００１１】
（ｂ）少なくとも2メガ×2メガ゛×深さ32ビットの解像度のカラー写真が可能なディジタル・カメラを用いた眼底カメラを使用したディジタル・オンライン・システムを用いて眼を撮影する。
【００１２】
（ｃ）535nmノッチ・フィルタ、605nmノッチ・フィルタなどを含む間に置かれた１つまたは複数のフィルタ、および単色1024×1024×深さ8ビットが可能なディジタル・カメラを用いた眼底カメラを使用したディジタル・オンライン・システムを用いて眼を撮影する。
【００１３】
本発明は、35°フィールドからなる５枚の写真を１眼あたりに撮影するプロトコルを使用することが好ましい。
【００１４】
本発明はさらに、病気のバッチ処理および病歴の追跡、ならびにリスク指標の識別を可能にする、（画像に名前をつけること、ならびに他のデモグラフィック・データおよび臨床データを提供することを含む）患者のカタログ化を提供する。患者のカタログ化が重要であることははっきりしている。ディジタル写真をファイルに保持しておくことは診療所にとって効率的である。画像は例えば、画像管理データベースに保持することができ、これに、それぞれの写真セットに対する補助的な患者データおよび医師のメモを記録しておくこともできる。
【００１５】
本発明の画像管理システムは、医療専門家が、病気の改善を追跡し、どの患者クラスのどの因子が病気の悪化速度を決定しているのかをより正確に決定することを可能にする。悪化速度によって患者の再診察および再検査の頻度が決まる。
【００１６】
本発明のシステムは、同じ患者の画像および対応するフィールドの位置を自動的に決定することを可能にする画像ファイル命名規則を使用する。すべての画像の命名体系は次のとおりである。：PatientID-Camera type.Eye-Field-Field of view.?Image type.Processing
【００１７】
・EyeはLまたはRである。
・Fieldは1から5までの数である。
・PatientIDはシステムによって生成される英数字式の識別子である。
・Camera typeは、非散瞳カメラでは１、散瞳カメラでは２である。
・Field of viewは、カメラによって撮影したそれぞれの画像の網膜の角度である（すなわち30°または35°または45°）。
・Image typeは、画像タイプに対する数値であり、ディジタル直接カラー画像では１、Ektachromeスライドからディジタル化した単色画像では２、ノッチ・フィルタのピーク（例えば535nmピーク・フィルタでは535）の後の単色画像では３である。
【００１８】
Processingは、画像タイプを指示するコードである。：RAW（オリジナル写真）、GRA（存在する病変を指示する等級分けされた画像）
【００１９】
本発明の方法は、撮影者が適切な網膜画像を捕獲するのを支援するソフトウェア・システムを含む。使用時、撮影者は眼を撮影し、撮影中のフィールドを指示する。これらの画像が捕獲されると、それぞれの写真に識別子が付けられる。現行のシステムでは、ODフィールド＃ｌ：網膜中心窩を中心とし、その眼に応じてフィールドの右または左に視神経円板を有する；ODフィールド＃２：視神経円板の左下（上鼻（superonasal））；ODフィールド＃３：視神経円板の左上（下鼻（inferonasal））；ODフィールド＃４：視神経円板の右上隅、網膜中心窩の上隅（下側頭（inferotemporal））；およびODフィールド＃５：視神経円板の右下隅、網膜中心窩の下隅（上側頭（superotemporal））が利用されている。ただしこれらに限定されるわけではない。OSフィールドは左右が正反対である。これらの５枚の写真は、網膜中心窩の撮影されたいくつかの写真を有するこれらの45度画像間のある重なりを与え、写真および診査を必要とする網膜のすべての必要領域を網羅する。撮影者がフィールド＃１の網膜中心窩をマークする場合、本発明を改良できることが知られている。それぞれの写真について、
・これらの必要な要素、視神経円板および血管、ならびにそれらの写真上の位置などを調べる。
・コントラスト：例えばCanon CR6上で背景を血管と比較する（コントラストの低下はカメラを遠くへまたは近くへ動かし過ぎることによって生じる）。これには、撮影者がいくつかの明るいアラインメント点の位置を合わせることが役立つ。
・フォーカス：中央の血管の周辺解像度を調べることによって焦点のずれた画像を検出する。
・アラインメント（瞳孔の上／下／右／左）：瞳孔に対するミスアラインメントは、写真のフィールド内の縁のフレア（コントラストの低下）を生み出す。これは、フィールドの縁ならびに中心のコントラストを評価して、フレアを検出し（いくつかの例画像からなるデータベースと比較し、撮影し、決定し）、縁のフレアが検出された場合に再アラインメントを実施するよう撮影者に告げることを必要とする。
【００２０】
検討した任意のパラメータに関して写真が不適当であると判定された場合には、どのフィールドおよび眼を撮影し直すのか、および画像をどのように改善するのかについての命令を含む、それぞれの要素に対する命令セットが撮影者にすぐに提示される。これによって、個人にとって取得される画像の品質が向上するだけでなく、一般に、未熟な撮影者による網膜写真のより迅速な改善が達成される。
【００２１】
網膜症の等級分け
本発明の網膜症の等級分けは、ディジタル化された単色画像から病変を検出し、定量化する画像処理／コンピュータ・ビジョン・ソフトウェアに基づく。このディジタル化された単色画像は、画素密度1280×1024のディジタル単色カメラを用いてオンラインで撮影し、または同様の１チャネル画素密度を有する３原色カラー・カメラからグリーン・チャネルを利用して撮影し、または非散瞳カメラから撮影した30°または50°のスライド・フィルム画像から同様の解像度でディジタル化したものである。本発明の好ましい実施形態のコンピュータ・ソース・コードを含む付録CD-ROMを参照されたい。
【００２２】
定量化：（それぞれのフィールドに対して）数／フィールド、総面積／評価したフィールド面積、サイズに対する数のヒストグラム、それぞれのフィールドの密度に対する数のヒストグラム。
【００２３】
スクリーニングによって３つレベルに等級分けする：１）病変（出血、脂質滲出物または神経線維層梗塞）なし、２）微細動脈瘤（点状出血）のみ、３）他の出血、滲出物または梗塞を伴う点状出血。
【００２４】
網膜の以下の病変および解剖学的特徴に対する別個のデテクタがある。
【００２５】
Ａ．出血：点状、しみ状、線条
Ｂ．脂質滲出物
Ｃ．神経線維層梗塞
Ｄ．視神経乳頭
Ｅ．血管（動脈、静脈）：１次、２次、３次分枝の検出
【００２６】
それに対するデテクタが追求されている、より進んだ網膜症等級のこの他の病変には以下のものがある。
【００２７】
Ａ．網膜内微小血管異常（IRMA）
Ｂ．静脈ループ
Ｃ．乳頭上（epi-papillary）新生血管形成
Ｄ．網膜上（epi-retinal）新生血管形成
Ｅ．硝子体下（sub-hyaloid）出血
Ｆ．網膜上（epi-retinal）線維症
Ｇ．網膜剥離
【００２８】
等級を決定する方法には以下のものが含まれる。
【００２９】
１．幾何学的技法
２．病変の位置、サイズを得るための画像処理
３．照合フィルタ。楕円形のものを見つける。生物学的コードを使用
４．形態学的フィルタ。成長−収縮法
５．血管の除去
−すべての接合部を見つける
−接合部から発する血管を見つけ、追跡する
【００３０】
関心領域の抽出
フィルムからディジタル化した画像について、網膜を含む部分を抽出する。ディジタル画像とディジタル化した画像の両方について、フレアなどによって生じた不良コントラスト部分を除去する。本発明の１つの改良は、画像フレアに起因する有用なデータを含まない写真のある部分を除去することにある。
【００３１】
図１に示した２つの異なる眼底画像のヒストグラムは、背景と網膜のグレイ値の間にはかなりの隔たりがあることを示している。残念ながらこの隔たりは幅広い値範囲で生じる。網膜の縁のフレア、画像化におけるアーチファクトなど、単純な技法の使用を厳しく制限する他の因子がある。
【００３２】
これらの血管境界を使用して、１次、２次および３次血管を決定する。適応しきい値を使用して血管の位置を決定する。そのセッティングは画像のコントラストに基づく。これには、画像中の網膜の位置を決定し、そのコントラストを測定することが必要である。網膜を背景から区別するため、発明者らは、ISODATAクラスタ化技法を使用して、まず最初にしきい値を定義し、次いでその値で２値化した。ISODATAアルゴリズムは、画像の濃度ヒストグラムに基づく反復法である。このヒストグラムを、前景画素と背景画素の２つの部分に分割し、最初のしきい値を仮定する。次いで、前景画素の平均値および背景画素の平均値を計算し、これらの２つの平均値の中間を新しいしきい値とする。新しいしきい値推定値に基づいてこのプロセスを、しきい値が変化しなくなるまで繰り返す。
【００３３】
画像の一部に深い影が存在するために、これが網膜全体の画定につながらないことがしばしばある（図４）。この障害を克服する１つの方向は、凸閉包を使用する方法である。まず最初に最も大きな対象を見つけ、次いで、予め設定したある距離（ｄ）以下のユークリッド距離を有する２つの輪郭点のすべての組合せを直線で結ぶ。このような線の上に背景画素がある場合には、その画素をオリジナルの対象に加える。この操作はさらに、幅がｄ画素よりもせまいすべての穴を閉じる。
【００３４】
代替の方法は、セグメント化された網膜の内部の穴を閉じる必要が生じる凸閉包を使用しない方法である。そのために、ISODATA技法を使用して２値画像を生成し、最も大きな対象以外のものをすべて除去する。次いで、２値画像を反転させ、画像の境界と隣接しない、すなわち背景の一部でないすべての対象を除去する。次いでこの２値画像を再び反転させる。
【００３５】
網膜の位置を決定した後、網膜マスクの縁をインセット（inset）して内側境界を画定する（図５）。1k画像に対する適切なインセット距離は100画素である。この操作を実施するのは、網膜コントラストの測定に網膜の縁が含まれることを避けるためである。網膜の縁はしばしば深い影または明るいフレアを引き起こす。
【００３６】
インセット後の網膜マスクのヒストグラムを使用して、濃度ヒストグラムを作成する画像領域を画定する。このヒストグラムから標準偏差を計算し、それを画像コントラストの尺度として使用する。血管を得る際に利用する順位付けを得る必要があった。さまざまな順位を使用した。順位＝０．２５、０．５（メジアン・フィルタ）、０．７５に対する結果を図６に示す。この図で、オリジナル画像は、処理時間を短縮するために走査した画像をサブサンプリングしたものである。このサブサンプリングのファクタは４とした。サブサンプリングは簡単な線形法によって実施した。双一次サンプリングのような他の技法によって結果が改善される可能性もあり、これについては後に検討する。この技法の有効性を見るために、見つかった血管をオリジナル画像（ファクタ４でサブサンプリングした走査画像）から除去した。オリジナル画像および除去の結果を図７に示す。対象のフォーム・ファクタおよび総面積によって分離されうる多くの誤警報があることが分かる。
【００３７】
背景からの血管床の識別は、密度、サイズおよび形状に基づいて実施される。そのアルゴリズムは、順位付けフィルタに基づく適応しきい値を利用する。そのルーチンは、その近傍の画素値に対するその画素の値に基づいて、所与の画素に値０（背景）または１（対象）を割り当てる。近傍のすべての画素をグレイ値に基づいて順位づけし、中心画素の値に一定のオフセットを追加し、結果を、近傍のｉ番目の要素の値と比較する。それがより低い場合、すなわち中心画素がその周囲よりも実質的に暗い場合には、中心画素に値１を割り当て、そうでなければ値０を与える。この適応しきい値の演算に重要な相互に関係する３つのパラメータは、オフセット、カーネル・サイズおよび計数しきい値（ｉ）である。カーネル・サイズとオフセットはともに、所与の画像に対し画像全体にわたって一定の定数である。発明者らは、円形カーネルと矩形カーネルの両方を試験した。予測されるとおり、円形カーネルはより少ないアーチファクトを与えた。最終的には直径１７画素の円形フィルタに落ち着いた。使用するオフセットは１５とした。計数しきい値は、所与の画像に対しては一定に保たれるが、画像間では画像コントラストに応じて変化させる。
【００３８】
計数しきい値の設定には網膜画像の標準偏差を使用する。計数しきい値が画像コントラストによってどのように変化するのかを評価するため、２５の画像のそれぞれのヒストグラムの標準偏差を計算し、それぞれの画像を適応しきい値でコンボルブ（convolve）し、視覚的に判断して最もよいセグメント化が達成されるまで計数しきい値を変化させた。この２つの間の関係を、直線に当てはめることによってモデル化した（ｙ＝２３４．３４−１．６０７ｘ、ｒ＝０．８８、図３）。
【００３９】
識別され、点状出血だけを暗い構造として残すために画像から除去された血管。本発明は、視神経乳頭のような非常に明るい対象を除去して、残りの画像のより明瞭なグレイ値分布（ヒストグラム）を得ることができる。この処理の多くはグレイ値に依存し、これらの技法は、k平均、修正勾配、符号解析、形態アルゴリズムのような専門アルゴリズムとともに、より信頼性の高い病変の抽出につながる適応セグメント化を実行することを可能にする。
【００４０】
本発明は、ノイズを除去し、出血の構造を破壊せず、または画像中にアーチファクトを生じない特別な構成の平滑化フィルタを適用する。
【００４１】
さまざまな検出器によって検出された病変は周知の構造のエキスパート・システムに供給される。エキスパート・システムは、専門眼科医との協議によって構築された規則から構築されている。これは、解釈のために専門眼科医が使用する推論を具体化したものである。専門家が問い合わせ、規則にコード化される特徴には以下のようなものがある。
【００４２】
１．血管断片を検出する画像の高速走査
２．共線形断片および分枝を主要な血管に接続する形態学的処理（領域を拡大し次いで収縮させる）
３．中線を見つけるために開発された骨格化アルゴリズム
４．処理の有効性を見るために、見つかった血管をオリジナル画像から除去すること
【００４３】
本発明は経路探索技法を使用する。経路を見つけるため、所与の終点に対応するグレイ値画像中の位置から出発し、平均グレイ値が最大である方向を探索する。最初の探索方向は、骨格および終点の接続性を調べ、最初の方向（d）を反対方向に設定することによって決定される。現在の画素（x, y）および現在の方向（d）が与えられると、次の画素に対する３つの候補点、すなわち方向（d-1）、（d）および（d+1）モジュール８の近傍の点が得られる。そのうちのどれをとるのかを決定するため、３本の直線、すなわち（d）方向の直線、（d）方向と（d+1）方向の間の直線、および（d）方向と（d-1）方向の間の第３の直線を検討する。これらのそれぞれの線に沿って、＜val＞画素の長さにわたって平均値を計算する。次の画素は、最大の平均を有する方向と一致する候補点である。新しい（d）の値として見つけられた方向を使用して新しい画素でこのプロセスを繰り返す。このプロセスは第１に、画像境界までの候補画素の距離が予め設定された値よりも小さい場合に停止する。このプロセスはさらに、候補方向の平均値の最大が指定された値＜minval＞よりも小さい場合に停止する。次に、このプロセスは、出力ビットプレーン中に設定された画素が得られた場合に停止する。このため、システムは眼の外側の背景を使用する。最後にプロセスは、見つかった画素の数が予め設定された値と同じになった場合に停止される。
【００４４】
あるいは、規則的な間隔で生成された曲線に垂直な勾配の検討を使用して、その曲線を却下することもできる。
【００４５】
勾配
【数１】
【００４６】
デテクタの方法論
動脈から静脈を分離し、血管の分枝パターン、血管の蛇行、血管径の変動を測定する。網膜中心窩の位置に対して病変の位置を局所化できるように、視神経円板および網膜中心窩の位置を求める。
【００４７】
一般原理：３つの可能なスコアを返す関数として試験をコード化する。
【００４８】
1(SUCCESS), 0(Indeterminate or DONT_KNOW), or -1(FAIL)
このセットアップは後に、関数の出力に重みを掛け合わせ、結合して信頼（confidence）スコアを生成するのに使用される。
【００４９】
先に論じたとおり、適応しきい値およびノイズ除去に続いて、対象のサイズおよびフォーム・ファクタに基づいて血管のセグメント化を達成する。却下された対象は実際に出血として分類される。サイズは、点状出血（DH）をしみ状出血（BH）から区別するのに使用される。しみ状出血は点状出血よりも大きい。
【００５０】
適応セグメント化
大きな画像セグメント上でＫ平均法を実行して（画像全体で4×4または8×8セグメント）、背景と、血管、点状ヘムのような暗い領域と、脂質滲出物のような明るい領域の、３つの領域を生成する。これは、局所的な陰影および変動を考慮した画像の粗いセグメント化を与える。領域の平均のグレイ値は後に、より細かいセグメント化のための重要な値として使用される。
【００５１】
ヘムに対する技法
以下のテストのうち任意の２つが失敗に終わった場合、すなわち（test1()+test2()+...==-2）０の場合。N×N領域のグレイ値を順位付けし、次いでそれらをMタイルに分割する（M=5の場合には５分の１間隔となる）。最下位のの画素をRED（赤）に着色する。
【００５２】
・ヘムの理想的なプロファイルは、中央の低いグレイ値の周囲により大きな値の同心環があるクレータ形なので、点状ヘムでは、RED部分が中央よりにあるはずである。
・脂質滲出物は、反転画像のヘムと同じ特性を有するマウンドのようになる。
【００５３】
１．完全なスタンプの中心4×4はREDを持たない。
【００５４】
２．XMIN、YMIN、XMAX、YMAXを完全なスタンプのコーナとし、（ymin、xmin1、xmax1）をREDの最初のivalとし、（ymax、xmin2、xmax2）を最後のivalとする。これらはREDの実際のコーナを形成する。画像の周囲のセグメントおよびフレア領域に形成された三角形の場合の場合と同様に、ＲＥＤの任意の縁が完全なスタンプのコーナにあるかどうかを調べる。領域アレイXMIN=lesionpost->supp.x1、...を有するので、試験は以下のようになる。
【００５５】
【００５６】
３．それが血管であるかどうかを調べるため、スタンプの全長にわたってそれが延びているかどうかを見る。
【００５７】
４．スタンプの総サイズが＞60×60の場合、FAILを返す。
【００５８】
５．REDのフォーム・ファクタは、血管および三角形に対して台形を排除し、円形の対象を可能にする0.9から1.1の間になければならない。
【００５９】
綿状梗塞および脂質滲出物に対する技法
CWSおよびEXは、まず最初に画像グレイ値を反転させて滲出物が背景よりも暗くなるようにし、次いで、出血のセグメント化に使用した同じ適応フィルタを適用することによって、眼底画像の背景から区別される。メジアン・フィルタでノイズを除去した後、残りの対象をCWSとEXに分離する。これはサイズおよび勾配に基づいて実施される。固定された定数よりも小さな対象およびより鋭い勾配を有する対象はEXとして分類される。残りの対象はCWSとして分類される。明らかに、勾配は、オリジナルのグレイ値画像に関して評価される。
【００６０】
改良
血管に接触している対象を検出する方法を開発した。この方法は、対象のそれぞれの画素を、背景までの最短距離（最も近い背景画素までの距離）の推定値に置き換える距離変換を使用する。マップの生成のスピードを上げるため、発明者らは擬似ユークリッド距離を使用した。最も近い近傍までの距離は５、対角線までは７、桂馬跳び（knight move）は11である。次に、ある値、例えば50でしきい値分けすると、対象の最も近い縁から10画素以上離れた画素が捕獲される。このようにして異常に太い血管を検出することができる。
【００６１】
この方法の改良は絶対的な厚さに注目するのではなしに、厚さの変化に注目する。ここでは、細い血管から太い血管へ、次いで再び細い血管への突然の変化を探す。これを実施するため、距離変換を使用して２値血管画像の骨格を見つける。骨格が対象境界の中間にあり、オリジナルの対象と同じ連結性を有する位相的収縮（topological retraction）である太さ１画素の連結された１組の弧として定義される点において、その距離変換は中心軸変換と異なる。したがって、中心軸とは違い連結性は維持される。それは、適用される方法がヒルディッチ（Hilditch）骨格とは異なり、距離骨格が、街区（city block）距離ではなしに擬似ユークリッド距離を使用して計算される（最も近い近傍へは１、対角線では２、桂馬跳びでは３）。次に、この骨格を距離マップを有するマスクとして使用して、骨格から対象の縁までの距離を得る。
【００６２】
レベル１
Clesion (Dot, Blot etc)をIndicationFilter <DarkonLight/LightonDark> を用いてフィルタリングし実行する（グレイスケールを画像空間中に小さなしみを有する２値に変換する）
【００６３】
ノイズを平滑化するためにフィルタリングし、血管床を生成する。このフィルタリングの使用は変更可能であり、相対的なメリットを測定する特定のカメラからの画像に実施される実験の使用によって決定される。
【００６４】
中心に3×3クロスを有し、それぞれの末端に長さ２画素の「手」を有する８隣接「腕」を有するフィルタを実行する。中心のグレイ値（加重和）を「手」の和と比較する。どれよりも暗い場合に、中心3×3にヒットがマークされる。手は、minSizeから出発してmaxSizeまで中心からStepSizeだけ移動する。２つ以上の病変サイズをピックアップするために複数のパスを追加した。未完成の照合フィルタである。−多くの誤警報。minSizeおよびmaxSize ODDを用いてstepSizeを呼び出す。EVEN.は以下のようになる。
【００６５】
最後のステップはPruneBySize...である
【００６６】
ＣＲａを対象リストに変換し、単純な幾何学的規則を適用して、リスト中の対象の枝刈りをする。リストはCIArrayに保持し管理する。その定義を参照されたい。最小および最大しきい値を使用して、対象に対して考慮する色範囲を指定する。例えば赤および緑は１から２までである。対象を構成する画素数ならびに対象の最小および最大範囲によって枝刈りを可能にする。xおよびy範囲の限界規則のAND/ORの指定、パスした対象を埋めるのか否かの指定を可能にする。
【００６７】
レベル２
対象空間での処理。＜CObjetsManipulation::PruneBySize＞の呼出しを開始する。PruneBySizeはすべての病変に対して共通の関数であり、別個のボディを持たない。
【００６８】
BOOL CLesion::GeometricFilter (BOOL bUseDlg)
【００６９】
CRaを凝集画素群またはリスト対象に変換し、単純な幾何学的規則を適用して、対象を構成する画素数ならびに対象の最小および最大範囲によって、画像中の対象の枝刈りをする。
【００７０】
第１および第２のモーメント（面積，重心，最適合致楕円の長軸および短軸）を計算する。
【００７１】
試験１：面積＞minPix
試験２：xExtentおよびyExtentを最小および最大しきい値と比較し、またはそれらの一方だけが最小制約条件を満たすかどうかを調べる。この制約条件に対するAND/ORの指定、すなわちxおよびy範囲の限界規則に一方の寸法が拘束されるのか、または両方の寸法が拘束されるのかの指定を可能にする。
【００７２】
レベル３
画像空間および対象空間エビデンスをエキスパート規則の助けを借りて改良する。
【００７３】
CLesion::SignatureFilter (BOOL bUseDlg)
【００７４】
cf5またはraw符号に基づく処理を可能にするために02/28/97に修正。CDialogManagerおよびiniファイルの大規模なオーバホールも実施した。１病変あたり３つの新しいストリングセクション（stringsection）をiniに追加し、１つを消去した。すなわちL3[lesion]Dlgを、L3[lesion]CommonDlg、L3[lesion]Cf5DlgおよびL3[lesion]RawDlgに置き換えた。最初のＤｌｇは、ユーザが、cf5またはraw（BOOL,m_param10）および両方の方法に共通のその他のパラメータを使用したいかどうかを判定する。第２のダイアログは、m_param10の値、および以前に選択された特定の方法に固有のパラメータに対する問合せに基づいて選択される。
【００７５】
CLesion::SignatureFilterBasedOnRaw
【００７６】
固定された名称を有する診断ファイルを現行の結果ディレクトリに作成するために1/17/97に修正された解析関数に対する、（cf5を使用する）オリジナルのタイプまたは（rawを使用する）新しいタイプの２つのタイプの異なる処理を可能にするために2/27/97に分割された関数。このファイルは、最終解析用の黄色で埋められたパスした対象を含む。ファイルはそれぞれのパスで上書きされる。単一の画像のバッチ処理のあいだ有効である。
【００７７】
プロセス
【数２】
【００７８】
デフォルト構成子が、現時点でサイズ＝５にハードコードされているSIGNATURESTATISTICSのアレイを生成する。これらのうち、指数０は、スタンプのCRegionarrayパラメータの統計値のための代替物であり、指数1〜4は、R/G/Y/Bスタンプ（領域アレイ中の島）の統計値を保持する。検証では、それぞれの色の統計値が意味を持つことを保証する必要がある。アレイ中のNULLストラクト（struct）はそこでチェックされる。
【数３】
【００７９】
１．（符号の<RED if dot/blot,YELLOW lipid/cwool(OIS),BLUE lipid/cwool(Kaiser)>部分を参照する）CStampAanalysisを例示化する。
【００８０】
２．統計値を初期化する。
【００８１】
typedef struct_SIGNATURESTATS
{
shortnObjects；所与のスタンプ（CIArray）中の（特定の色の）の対象の数
doubleaveSize；平均サイズ
doublesizeSD;モーダル・サイズ
doubledispersion；中心によって正規化された面積の重心x, y
doublelargestArea；最も大きな対象中の画素
CRectlargestRect；最も大きな対象のｒｅｃｔ
}SIGNATURESTATS;
SIGNATURESTATS m_ss.SetSize(5);SignatureStatistics構造のアレイ
Initializ:m_ss[0].nObjects,.largestArea,.aveSize,.sizeSD,.dispersion,.largestRect.left,.largestRect.right,.largestRect.top,.largestRect.bottom
（これはスタンプRectと一致する。他の数は使用されない）
GetSignatureStatistics
【００８２】
符号解析用エキスパート・システムの設計を支援するために030497に追加された関数。SIGNATURESTATSの定義はCScreenerAppにある。劣悪な（damned）システムの正確さが十分になるまで、またはそれ以上向上しなくなるまでパラメータを追加する。単一の関数にあまりに多くの冗長な処理が必要となる場合には、複数の階層的関数に分割することができる。いずれにせよ、単一のSIGNATURESTATS構造を維持する。
【数４】
【００８３】
３．符号解析を実行する
中核のカラー対象の８隣接物を調べて、次のカラー・バンドへの移行を計数し記録する。言い換えると、下記の理想的なケースからの偏差を求める。
【００８４】
44444444
43333334
43222234
43211234
43211234
43222234
43333334
44444444
【００８５】
「隣り」および「ほぼ取り囲む」といったことは計算が難しいので、これをリスト対象を用いて実行することはできない。この関数は、規則での使用を可能にする、それぞれのバンドからの次のバンド例えば（7, 6, 3）への移行の０から８のスケールの作業測定基準を提供する。関数はregionarayのコア・カラー領域内に出発点を必要とする。さらに凹形の対象の効果を決定する。
【００８６】
局所的なコントラストがそれほど高くなく、sanjayが、070998に追加されたこの規則を使用したい場合には、無条件でFAILとなる。
【数５】
【００８７】
最大の対象が出血である場合には無条件でFAILとなる。
【数６】
【００８８】
最大の対象が小さすぎる場合には無条件でFAILとなる。
【数７】
【００８９】
あまりに多くのクラッタがある場合には無条件でFAILとなる。
【数８】
【００９０】
形状がゆがんでいる場合には無条件でFAILとなる。
【数９】
【００９１】
InvestigateNeighborhoodが「良好な」｛a, b, c｝勾配を与える場合にはSUCCEEDとなる。
【数１０】
【００９２】
４．パスしたそれぞれの病変の後
【数１１】
【００９３】
５．処理したそれぞれの画像（すべての病変）の後、ポストプロッセシング（等級分け）のためにmdbに書き込む。
【数１２】
【００９４】
６．患者バッチに対するmdbを更新した後、データベースからのすべてのフィールド結果（７／眼）を一体化して、１から３の等級を生成する。
【００９５】
重症度の定量化およびニューラル・ネットを使用した一般化
ニューラル・ネットは、画像から抽出した特徴に基づいてセグメント化を改良する。
【００９６】
＊病変の数および病変のサイズのヒストグラム
＊病変のタイプ
最もよい種類の照合フィルタは古典的なニューラル・ネットワークである。
［ａ］それぞれの病変に対して、病変のサイズに適合するサイズの入力層を選択する。
［ｂ］標的の領域上で訓練する。
［ｃ］偏った偽陽性検査の間に識別された候補領域に適用する。
［ｄ］単一のパス中に２種類以上の病変を識別し、または単一のエンティティとして画像を見る考え得る理由がない。
［ｅ］「全体論的」関係、またはビットマップ中の「明確に」定義された特性を有する小さな対象である「エンティティ」を認識する必要がないので、病変の存在および数を分類する問題は基本的に読者の論述とは異なる。（大きな対象はこの段階では関連はなく、発明者らは相互参照を必要とする特徴についておそらく注釈することができる）。
【００９７】
分割する画像の領域に対するペナルティ関数を受け入れるために修正されたエンティティ（動的プログラミング・ベースのセグメント化）；ペナルティ関数を初期化する（出発ＰＡＲＣＥＬの前に環状の領域の色で示す）；禁止ゾーンを画定する（ペナルティ＝１）。
【００９８】
画像およびフィールドの指示を与えられた病変の抽出
知的エージェント
網膜専門医によってマークされた画像からパラメータを学習するアルゴリズム。パラメータを画像タイプに関連づける。
【００９９】
これは、１つのJAZZで、１０人の患者に対する以下の事項を得るのに役立つ：オリジナル、エキスパート（点／しみ状、脂質、線条、綿状斑）、４つの比較および中間結果。
【０１００】
実現問題
さまざまな表現によってさまざまな種類の処理に対する効率的なアルゴリズムを書くことが可能になるように領域および線を表すいくつかの多型データ構造。例えば、ランレングス符号化された２値画像の表現は、面積のような統計学的特性の高速決定を可能にし、アレイ表現は、形態学的処理のためにランダム・セルにより迅速にアクセスすることを可能にする。認識および解釈のために効率的に検索するのための画像符号化方法。
【０１０１】
システムの物理的実現は以下の形態をとると想像される。
【０１０２】
I）SQL基本画像データベース
II）SQLによる検証されたエキスパート知識ベースへのアクセス
III）それぞれの領域を見つけるためのLISP中のスクリプトのデータベース：すべてのタイプの知識に対する規則
IV）LISP中の推論エンジン：OTTO、OPS5など
V）Cの低レベル・ルーチン：フィルタ；分割する画像の領域に対するペナルティ関数を受け入れるために修正されたエンティティ（動的プログラミング・ベースのセグメント化）；ペナルティ関数を初期化する（出発PARCELの前に環状の領域の色で示す）；禁止ゾーンを画定する（ペナルティ＝１）。
【０１０３】
連続画像の比較
経時的に生じる病的変化のリスク予測を向上させる連続画像の比較は、特徴差の重ね合せおよび比較によって、ならびに病変の数および位置のデータベースでの比較によって提供される（新しい病変を検出し、あるいは当該解剖学的特徴、例えば網膜中心窩に向かってのそれらの移動を検出する）。
【０１０４】
以上、特定の実施形態に関して本発明を説明してきたが、本発明は開示の実施形態だけに限定されないことを理解されたい。本発明は、添付の請求項の趣旨および範囲に含まれるさまざまな変更および均等物構造を包含する。
【図面の簡単な説明】
【０１０５】
【図１】２つの眼底画像のヒストグラムを示す図である。
【図２】最初の眼底画像および網膜抽出処理の結果を示す図である。
【図３】コアレセント・フィルタ（coalescent filter）［Bhasin and Meystel 94］によって網膜画像を処理して血管を得た結果を示す図である。
【図４】写真上で網膜の位置を決定する際の問題を図式的に示す図である。
【図５】インセットを示す図である。
【図６】（ａ）は、サブサンプリングしたオリジナルの網膜画像を示す図である。（ｂ）は、血管を除去した後の（ａ）の画像を示す図である。
【図７】ピックアップを向上させるために幾何形状を使用して網膜を探索した結果を示す図である。
【図８】本発明の方法の全体フロー図である。
【図９】本発明の画像処理方法のフロー図である。
【図１０】本発明の撮影者支援方法のフロー図である。
【図１１】本発明の（経時的な）連続研究法のフロー図である。
【０００１】
糖尿病性網膜症の患者をスクリーニングするためのシステムおよび方法
【背景技術】
【０００２】
糖尿病性網膜症の診断は一般に、熟練の医療従事者（通常は眼科医）による眼底の直接診査、または専用のカメラを使用して撮影した眼底写真の評価によって実施される。直接に行うにせよ、または写真を見て行うにせよ、このような診査は時間のかかる不正確なプロセスであり、その結果に関して、診断の専門家の意見はしばしば一致せず、この病気のごく初期には特にそうである。加えて、このような診断の費用は高く、このような高い費用および熟練した人員の不足により、診断はしばしば望ましい間隔よりも長い間隔で実施される。
【発明の開示】
【発明が解決しようとする課題】
【０００３】
糖尿病の合併症の１つに、糖尿病性網膜症として知られる視力の緩やかな低下がある。時が経つにつれて大部分の糖尿病患者が視力の一部を失ってこの状態になることが知られており、現在の医療技術では、この病気を特徴づける網膜の病変をレーザ光で処理する治療法がとられている。しかし、糖尿病性網膜症の診断には、訓練を積んだ専門医が網膜（または網膜の写真）を定期的に診査し、小さな病変およびその変化を認知することが必要である。専門医の数に比べ糖尿病患者の数ははるかに多く、糖尿病患者は定期的に診査を受けなければならないので、糖尿病性網膜症をスクリーニングし治療しようとする健康管理システムには困難および欠陥が生じている。本発明は、コンピュータによって実現される、糖尿病性網膜症の病期を識別するための網膜写真の効率的なスクリーニング解析を提供する。
【課題を解決するための手段】
【０００４】
本発明は、糖尿病性網膜症の初期に発生する病変、すなわち点状出血または微細動脈瘤、しみ状出血、線条出血および脂質滲出物の検出を通して網膜画像を自動的に等級分けする強力な技法を含む。本発明はさらに、神経線維層梗塞を検出する方法、適切に識別されたフィールド内の視神経を抽出する方法、および血管を追跡し識別する（血管の直径、蛇行および分枝角度を測定する）方法を含む。本発明は、網膜障害なし、微細動脈瘤のみ、微細動脈瘤＋病変からなる３つのレベルを識別することが好ましい。このうち最後の２つのレベルは、この病気の最も初期に検出可能な形態である。ただしこの方法は、この病気の進行期に生じる病変の検出によって７レベルまで拡張することができ、この方法を利用し、正常な血管構造（管径、蛇行および分枝角度）の変化を評価することによって、網膜障害が発達するリスクを評価することができる。
【０００５】
本発明の方法は、網膜症を等級分けする際の困難を克服するのに特に適している。この困難は、画像間の変動、背景に対する一部の病変の低いコントラスト、および同じ画像の異なるカドラント間の変動につながる同じ画像内の不均一な照明およびフレアに由来する。
【０００６】
本発明で実現されるエキスパート判断システムは、撮影したそれぞれの眼に対する低レベル検出器の（病変検出）結果に基づいて、網膜症の等級を判定する。個々の検出器ならびに散瞳画像および非散瞳画像に関してこのシステムを、カメラ・タイプ、画像タイプ、患者特性および眼底特性に基づく別個のパラメータを使用して調整することができる。
【０００７】
データ・アーカイブは、すべての患者データ、画像、デモグラフィックスおよびレポートの中央リポジトリの働きをする、データ管理システムの中核部分である。このアーカイブはインターネット経由で記憶と検索のためにアクセス可能であり、時間の経過に伴う増大に対応するためスケーラブルに設計される。集中型データ管理アーキテクチャの利点には以下のものが含まれる。（１）履歴データが得られた場所とは無関係に、眼科医または網膜専門医が比較のため、現在の研究および以前の研究にアクセスできる。（２）中央データ貯蔵部が、正常な血管の変化、既存の糖尿病性病変の変化および新しい糖尿病性病変の発生に関する、個人または集団の経時的な病気の進行を評価する客観的かつ定量的な手段を提供する。このデータベースは、将来にリスク予測アルゴリズムを開発するための回帰および連続研究を発展させる基礎を提供する。（３）アーカイブを走査するアルゴリズムは、血管の蛇行、分枝角度および管径の変化の定量的尺度を生み出す。これらは血管疾患のマーカとして識別されたものであり、経時的に追跡することができる。やはりこれも、主に初期、網膜症の発達前または発達後のリスク予測を強化する。人間による等級分けによってこれらのパラメータを評価することはできないことに留意されたい。（４）大規模なデータ・ウェアハウスのデータ・マイニングによって、スクリーニングの習熟（proficiency）および患者コンプライアンスを調べることができ、また、さまざまな集団の傾向に対する貴重な洞察、および患者集団（例えばそれぞれの診療所の同様の患者）間の治療の効果を観察し経時的に追跡するための比較を得ることができる。
【発明を実施するための最良の形態】
【０００８】
本発明によれば、撮影者をガイドする小さなルーピング・プロセスを使用してそれぞれの画像品質の最適化を支援する撮影者への即時フィードバックを用いて画像をローカルに取得し、画像をローカルに解析し、画像をＣＤ−ＲＯＭおよび磁気記憶装置にローカルに記憶する。スクリーニングは、印刷されたリポートによってシステムからすぐに報告される。１つの眼に対して有意な数の写真を解析できないため（現在は３度の撮影でも不十分である）、または許容される網膜症の病変／レベルの数／タイプのしきい値よりも高いためにスクリーニングから「除外」された眼は、再検討のために遠隔の専門眼科医に送られる。専門医は、等級分けおよび勧告とともに再検討の結果を報告する。患者は、診査の予約をとるように、または写真は十分だが、勧告の間隔でスクリーニングを繰り返すようにアドバイスされる。この報告は、スクリーニングおよび照会の成功およびしきい値に関するデータ・マイニングのためにデータベースに保持される。
【０００９】
本発明の実施において、画像は以下の１つの方法で得ることができる。
【００１０】
（ａ）35mm Ektachrome（商標）スライドから、グリーン・ラッテン・フィルタ（green Wratten filter）を使用して少なくとも1024×1024×深さ8ビットでディジタル化した単色30°画像。
【００１１】
（ｂ）少なくとも2メガ×2メガ゛×深さ32ビットの解像度のカラー写真が可能なディジタル・カメラを用いた眼底カメラを使用したディジタル・オンライン・システムを用いて眼を撮影する。
【００１２】
（ｃ）535nmノッチ・フィルタ、605nmノッチ・フィルタなどを含む間に置かれた１つまたは複数のフィルタ、および単色1024×1024×深さ8ビットが可能なディジタル・カメラを用いた眼底カメラを使用したディジタル・オンライン・システムを用いて眼を撮影する。
【００１３】
本発明は、35°フィールドからなる５枚の写真を１眼あたりに撮影するプロトコルを使用することが好ましい。
【００１４】
本発明はさらに、病気のバッチ処理および病歴の追跡、ならびにリスク指標の識別を可能にする、（画像に名前をつけること、ならびに他のデモグラフィック・データおよび臨床データを提供することを含む）患者のカタログ化を提供する。患者のカタログ化が重要であることははっきりしている。ディジタル写真をファイルに保持しておくことは診療所にとって効率的である。画像は例えば、画像管理データベースに保持することができ、これに、それぞれの写真セットに対する補助的な患者データおよび医師のメモを記録しておくこともできる。
【００１５】
本発明の画像管理システムは、医療専門家が、病気の改善を追跡し、どの患者クラスのどの因子が病気の悪化速度を決定しているのかをより正確に決定することを可能にする。悪化速度によって患者の再診察および再検査の頻度が決まる。
【００１６】
本発明のシステムは、同じ患者の画像および対応するフィールドの位置を自動的に決定することを可能にする画像ファイル命名規則を使用する。すべての画像の命名体系は次のとおりである。：PatientID-Camera type.Eye-Field-Field of view.?Image type.Processing
【００１７】
・EyeはLまたはRである。
・Fieldは1から5までの数である。
・PatientIDはシステムによって生成される英数字式の識別子である。
・Camera typeは、非散瞳カメラでは１、散瞳カメラでは２である。
・Field of viewは、カメラによって撮影したそれぞれの画像の網膜の角度である（すなわち30°または35°または45°）。
・Image typeは、画像タイプに対する数値であり、ディジタル直接カラー画像では１、Ektachromeスライドからディジタル化した単色画像では２、ノッチ・フィルタのピーク（例えば535nmピーク・フィルタでは535）の後の単色画像では３である。
【００１８】
Processingは、画像タイプを指示するコードである。：RAW（オリジナル写真）、GRA（存在する病変を指示する等級分けされた画像）
【００１９】
本発明の方法は、撮影者が適切な網膜画像を捕獲するのを支援するソフトウェア・システムを含む。使用時、撮影者は眼を撮影し、撮影中のフィールドを指示する。これらの画像が捕獲されると、それぞれの写真に識別子が付けられる。現行のシステムでは、ODフィールド＃ｌ：網膜中心窩を中心とし、その眼に応じてフィールドの右または左に視神経円板を有する；ODフィールド＃２：視神経円板の左下（上鼻（superonasal））；ODフィールド＃３：視神経円板の左上（下鼻（inferonasal））；ODフィールド＃４：視神経円板の右上隅、網膜中心窩の上隅（下側頭（inferotemporal））；およびODフィールド＃５：視神経円板の右下隅、網膜中心窩の下隅（上側頭（superotemporal））が利用されている。ただしこれらに限定されるわけではない。OSフィールドは左右が正反対である。これらの５枚の写真は、網膜中心窩の撮影されたいくつかの写真を有するこれらの45度画像間のある重なりを与え、写真および診査を必要とする網膜のすべての必要領域を網羅する。撮影者がフィールド＃１の網膜中心窩をマークする場合、本発明を改良できることが知られている。それぞれの写真について、
・これらの必要な要素、視神経円板および血管、ならびにそれらの写真上の位置などを調べる。
・コントラスト：例えばCanon CR6上で背景を血管と比較する（コントラストの低下はカメラを遠くへまたは近くへ動かし過ぎることによって生じる）。これには、撮影者がいくつかの明るいアラインメント点の位置を合わせることが役立つ。
・フォーカス：中央の血管の周辺解像度を調べることによって焦点のずれた画像を検出する。
・アラインメント（瞳孔の上／下／右／左）：瞳孔に対するミスアラインメントは、写真のフィールド内の縁のフレア（コントラストの低下）を生み出す。これは、フィールドの縁ならびに中心のコントラストを評価して、フレアを検出し（いくつかの例画像からなるデータベースと比較し、撮影し、決定し）、縁のフレアが検出された場合に再アラインメントを実施するよう撮影者に告げることを必要とする。
【００２０】
検討した任意のパラメータに関して写真が不適当であると判定された場合には、どのフィールドおよび眼を撮影し直すのか、および画像をどのように改善するのかについての命令を含む、それぞれの要素に対する命令セットが撮影者にすぐに提示される。これによって、個人にとって取得される画像の品質が向上するだけでなく、一般に、未熟な撮影者による網膜写真のより迅速な改善が達成される。
【００２１】
網膜症の等級分け
本発明の網膜症の等級分けは、ディジタル化された単色画像から病変を検出し、定量化する画像処理／コンピュータ・ビジョン・ソフトウェアに基づく。このディジタル化された単色画像は、画素密度1280×1024のディジタル単色カメラを用いてオンラインで撮影し、または同様の１チャネル画素密度を有する３原色カラー・カメラからグリーン・チャネルを利用して撮影し、または非散瞳カメラから撮影した30°または50°のスライド・フィルム画像から同様の解像度でディジタル化したものである。本発明の好ましい実施形態のコンピュータ・ソース・コードを含む付録CD-ROMを参照されたい。
【００２２】
定量化：（それぞれのフィールドに対して）数／フィールド、総面積／評価したフィールド面積、サイズに対する数のヒストグラム、それぞれのフィールドの密度に対する数のヒストグラム。
【００２３】
スクリーニングによって３つレベルに等級分けする：１）病変（出血、脂質滲出物または神経線維層梗塞）なし、２）微細動脈瘤（点状出血）のみ、３）他の出血、滲出物または梗塞を伴う点状出血。
【００２４】
網膜の以下の病変および解剖学的特徴に対する別個のデテクタがある。
【００２５】
Ａ．出血：点状、しみ状、線条
Ｂ．脂質滲出物
Ｃ．神経線維層梗塞
Ｄ．視神経乳頭
Ｅ．血管（動脈、静脈）：１次、２次、３次分枝の検出
【００２６】
それに対するデテクタが追求されている、より進んだ網膜症等級のこの他の病変には以下のものがある。
【００２７】
Ａ．網膜内微小血管異常（IRMA）
Ｂ．静脈ループ
Ｃ．乳頭上（epi-papillary）新生血管形成
Ｄ．網膜上（epi-retinal）新生血管形成
Ｅ．硝子体下（sub-hyaloid）出血
Ｆ．網膜上（epi-retinal）線維症
Ｇ．網膜剥離
【００２８】
等級を決定する方法には以下のものが含まれる。
【００２９】
１．幾何学的技法
２．病変の位置、サイズを得るための画像処理
３．照合フィルタ。楕円形のものを見つける。生物学的コードを使用
４．形態学的フィルタ。成長−収縮法
５．血管の除去
−すべての接合部を見つける
−接合部から発する血管を見つけ、追跡する
【００３０】
関心領域の抽出
フィルムからディジタル化した画像について、網膜を含む部分を抽出する。ディジタル画像とディジタル化した画像の両方について、フレアなどによって生じた不良コントラスト部分を除去する。本発明の１つの改良は、画像フレアに起因する有用なデータを含まない写真のある部分を除去することにある。
【００３１】
図１に示した２つの異なる眼底画像のヒストグラムは、背景と網膜のグレイ値の間にはかなりの隔たりがあることを示している。残念ながらこの隔たりは幅広い値範囲で生じる。網膜の縁のフレア、画像化におけるアーチファクトなど、単純な技法の使用を厳しく制限する他の因子がある。
【００３２】
これらの血管境界を使用して、１次、２次および３次血管を決定する。適応しきい値を使用して血管の位置を決定する。そのセッティングは画像のコントラストに基づく。これには、画像中の網膜の位置を決定し、そのコントラストを測定することが必要である。網膜を背景から区別するため、発明者らは、ISODATAクラスタ化技法を使用して、まず最初にしきい値を定義し、次いでその値で２値化した。ISODATAアルゴリズムは、画像の濃度ヒストグラムに基づく反復法である。このヒストグラムを、前景画素と背景画素の２つの部分に分割し、最初のしきい値を仮定する。次いで、前景画素の平均値および背景画素の平均値を計算し、これらの２つの平均値の中間を新しいしきい値とする。新しいしきい値推定値に基づいてこのプロセスを、しきい値が変化しなくなるまで繰り返す。
【００３３】
画像の一部に深い影が存在するために、これが網膜全体の画定につながらないことがしばしばある（図４）。この障害を克服する１つの方向は、凸閉包を使用する方法である。まず最初に最も大きな対象を見つけ、次いで、予め設定したある距離（ｄ）以下のユークリッド距離を有する２つの輪郭点のすべての組合せを直線で結ぶ。このような線の上に背景画素がある場合には、その画素をオリジナルの対象に加える。この操作はさらに、幅がｄ画素よりもせまいすべての穴を閉じる。
【００３４】
代替の方法は、セグメント化された網膜の内部の穴を閉じる必要が生じる凸閉包を使用しない方法である。そのために、ISODATA技法を使用して２値画像を生成し、最も大きな対象以外のものをすべて除去する。次いで、２値画像を反転させ、画像の境界と隣接しない、すなわち背景の一部でないすべての対象を除去する。次いでこの２値画像を再び反転させる。
【００３５】
網膜の位置を決定した後、網膜マスクの縁をインセット（inset）して内側境界を画定する（図５）。1k画像に対する適切なインセット距離は100画素である。この操作を実施するのは、網膜コントラストの測定に網膜の縁が含まれることを避けるためである。網膜の縁はしばしば深い影または明るいフレアを引き起こす。
【００３６】
インセット後の網膜マスクのヒストグラムを使用して、濃度ヒストグラムを作成する画像領域を画定する。このヒストグラムから標準偏差を計算し、それを画像コントラストの尺度として使用する。血管を得る際に利用する順位付けを得る必要があった。さまざまな順位を使用した。順位＝０．２５、０．５（メジアン・フィルタ）、０．７５に対する結果を図６に示す。この図で、オリジナル画像は、処理時間を短縮するために走査した画像をサブサンプリングしたものである。このサブサンプリングのファクタは４とした。サブサンプリングは簡単な線形法によって実施した。双一次サンプリングのような他の技法によって結果が改善される可能性もあり、これについては後に検討する。この技法の有効性を見るために、見つかった血管をオリジナル画像（ファクタ４でサブサンプリングした走査画像）から除去した。オリジナル画像および除去の結果を図７に示す。対象のフォーム・ファクタおよび総面積によって分離されうる多くの誤警報があることが分かる。
【００３７】
背景からの血管床の識別は、密度、サイズおよび形状に基づいて実施される。そのアルゴリズムは、順位付けフィルタに基づく適応しきい値を利用する。そのルーチンは、その近傍の画素値に対するその画素の値に基づいて、所与の画素に値０（背景）または１（対象）を割り当てる。近傍のすべての画素をグレイ値に基づいて順位づけし、中心画素の値に一定のオフセットを追加し、結果を、近傍のｉ番目の要素の値と比較する。それがより低い場合、すなわち中心画素がその周囲よりも実質的に暗い場合には、中心画素に値１を割り当て、そうでなければ値０を与える。この適応しきい値の演算に重要な相互に関係する３つのパラメータは、オフセット、カーネル・サイズおよび計数しきい値（ｉ）である。カーネル・サイズとオフセットはともに、所与の画像に対し画像全体にわたって一定の定数である。発明者らは、円形カーネルと矩形カーネルの両方を試験した。予測されるとおり、円形カーネルはより少ないアーチファクトを与えた。最終的には直径１７画素の円形フィルタに落ち着いた。使用するオフセットは１５とした。計数しきい値は、所与の画像に対しては一定に保たれるが、画像間では画像コントラストに応じて変化させる。
【００３８】
計数しきい値の設定には網膜画像の標準偏差を使用する。計数しきい値が画像コントラストによってどのように変化するのかを評価するため、２５の画像のそれぞれのヒストグラムの標準偏差を計算し、それぞれの画像を適応しきい値でコンボルブ（convolve）し、視覚的に判断して最もよいセグメント化が達成されるまで計数しきい値を変化させた。この２つの間の関係を、直線に当てはめることによってモデル化した（ｙ＝２３４．３４−１．６０７ｘ、ｒ＝０．８８、図３）。
【００３９】
識別され、点状出血だけを暗い構造として残すために画像から除去された血管。本発明は、視神経乳頭のような非常に明るい対象を除去して、残りの画像のより明瞭なグレイ値分布（ヒストグラム）を得ることができる。この処理の多くはグレイ値に依存し、これらの技法は、k平均、修正勾配、符号解析、形態アルゴリズムのような専門アルゴリズムとともに、より信頼性の高い病変の抽出につながる適応セグメント化を実行することを可能にする。
【００４０】
本発明は、ノイズを除去し、出血の構造を破壊せず、または画像中にアーチファクトを生じない特別な構成の平滑化フィルタを適用する。
【００４１】
さまざまな検出器によって検出された病変は周知の構造のエキスパート・システムに供給される。エキスパート・システムは、専門眼科医との協議によって構築された規則から構築されている。これは、解釈のために専門眼科医が使用する推論を具体化したものである。専門家が問い合わせ、規則にコード化される特徴には以下のようなものがある。
【００４２】
１．血管断片を検出する画像の高速走査
２．共線形断片および分枝を主要な血管に接続する形態学的処理（領域を拡大し次いで収縮させる）
３．中線を見つけるために開発された骨格化アルゴリズム
４．処理の有効性を見るために、見つかった血管をオリジナル画像から除去すること
【００４３】
本発明は経路探索技法を使用する。経路を見つけるため、所与の終点に対応するグレイ値画像中の位置から出発し、平均グレイ値が最大である方向を探索する。最初の探索方向は、骨格および終点の接続性を調べ、最初の方向（d）を反対方向に設定することによって決定される。現在の画素（x, y）および現在の方向（d）が与えられると、次の画素に対する３つの候補点、すなわち方向（d-1）、（d）および（d+1）モジュール８の近傍の点が得られる。そのうちのどれをとるのかを決定するため、３本の直線、すなわち（d）方向の直線、（d）方向と（d+1）方向の間の直線、および（d）方向と（d-1）方向の間の第３の直線を検討する。これらのそれぞれの線に沿って、＜val＞画素の長さにわたって平均値を計算する。次の画素は、最大の平均を有する方向と一致する候補点である。新しい（d）の値として見つけられた方向を使用して新しい画素でこのプロセスを繰り返す。このプロセスは第１に、画像境界までの候補画素の距離が予め設定された値よりも小さい場合に停止する。このプロセスはさらに、候補方向の平均値の最大が指定された値＜minval＞よりも小さい場合に停止する。次に、このプロセスは、出力ビットプレーン中に設定された画素が得られた場合に停止する。このため、システムは眼の外側の背景を使用する。最後にプロセスは、見つかった画素の数が予め設定された値と同じになった場合に停止される。
【００４４】
あるいは、規則的な間隔で生成された曲線に垂直な勾配の検討を使用して、その曲線を却下することもできる。
【００４５】
勾配
【数１】
デテクタの方法論
動脈から静脈を分離し、血管の分枝パターン、血管の蛇行、血管径の変動を測定する。網膜中心窩の位置に対して病変の位置を局所化できるように、視神経円板および網膜中心窩の位置を求める。
【００４７】
一般原理：３つの可能なスコアを返す関数として試験をコード化する。
【００４８】
1(SUCCESS), 0(Indeterminate or DONT_KNOW), or -1(FAIL)
このセットアップは後に、関数の出力に重みを掛け合わせ、結合して信頼（confidence）スコアを生成するのに使用される。
【００４９】
先に論じたとおり、適応しきい値およびノイズ除去に続いて、対象のサイズおよびフォーム・ファクタに基づいて血管のセグメント化を達成する。却下された対象は実際に出血として分類される。サイズは、点状出血（DH）をしみ状出血（BH）から区別するのに使用される。しみ状出血は点状出血よりも大きい。
【００５０】
適応セグメント化
大きな画像セグメント上でＫ平均法を実行して（画像全体で4×4または8×8セグメント）、背景と、血管、点状ヘムのような暗い領域と、脂質滲出物のような明るい領域の、３つの領域を生成する。これは、局所的な陰影および変動を考慮した画像の粗いセグメント化を与える。領域の平均のグレイ値は後に、より細かいセグメント化のための重要な値として使用される。
【００５１】
ヘムに対する技法
以下のテストのうち任意の２つが失敗に終わった場合、すなわち（test1()+test2()+...==-2）０の場合。N×N領域のグレイ値を順位付けし、次いでそれらをMタイルに分割する（M=5の場合には５分の１間隔となる）。最下位のの画素をRED（赤）に着色する。
【００５２】
・ヘムの理想的なプロファイルは、中央の低いグレイ値の周囲により大きな値の同心環があるクレータ形なので、点状ヘムでは、RED部分が中央よりにあるはずである。
・脂質滲出物は、反転画像のヘムと同じ特性を有するマウンドのようになる。
【００５３】
１．完全なスタンプの中心4×4はREDを持たない。
【００５４】
２．XMIN、YMIN、XMAX、YMAXを完全なスタンプのコーナとし、（ymin、xmin1、xmax1）をREDの最初のivalとし、（ymax、xmin2、xmax2）を最後のivalとする。これらはREDの実際のコーナを形成する。画像の周囲のセグメントおよびフレア領域に形成された三角形の場合の場合と同様に、ＲＥＤの任意の縁が完全なスタンプのコーナにあるかどうかを調べる。領域アレイXMIN=lesionpost->supp.x1、...を有するので、試験は以下のようになる。
【００５５】
３．それが血管であるかどうかを調べるため、スタンプの全長にわたってそれが延びているかどうかを見る。
４．スタンプの総サイズが＞60×60の場合、FAILを返す。
【００５８】
５．REDのフォーム・ファクタは、血管および三角形に対して台形を排除し、円形の対象を可能にする0.9から1.1の間になければならない。
【００５９】
綿状梗塞および脂質滲出物に対する技法
CWSおよびEXは、まず最初に画像グレイ値を反転させて滲出物が背景よりも暗くなるようにし、次いで、出血のセグメント化に使用した同じ適応フィルタを適用することによって、眼底画像の背景から区別される。メジアン・フィルタでノイズを除去した後、残りの対象をCWSとEXに分離する。これはサイズおよび勾配に基づいて実施される。固定された定数よりも小さな対象およびより鋭い勾配を有する対象はEXとして分類される。残りの対象はCWSとして分類される。明らかに、勾配は、オリジナルのグレイ値画像に関して評価される。
【００６０】
改良
血管に接触している対象を検出する方法を開発した。この方法は、対象のそれぞれの画素を、背景までの最短距離（最も近い背景画素までの距離）の推定値に置き換える距離変換を使用する。マップの生成のスピードを上げるため、発明者らは擬似ユークリッド距離を使用した。最も近い近傍までの距離は５、対角線までは７、桂馬跳び（knight move）は11である。次に、ある値、例えば50でしきい値分けすると、対象の最も近い縁から10画素以上離れた画素が捕獲される。このようにして異常に太い血管を検出することができる。
【００６１】
この方法の改良は絶対的な厚さに注目するのではなしに、厚さの変化に注目する。ここでは、細い血管から太い血管へ、次いで再び細い血管への突然の変化を探す。これを実施するため、距離変換を使用して２値血管画像の骨格を見つける。骨格が対象境界の中間にあり、オリジナルの対象と同じ連結性を有する位相的収縮（topological retraction）である太さ１画素の連結された１組の弧として定義される点において、その距離変換は中心軸変換と異なる。したがって、中心軸とは違い連結性は維持される。それは、適用される方法がヒルディッチ（Hilditch）骨格とは異なり、距離骨格が、街区（city block）距離ではなしに擬似ユークリッド距離を使用して計算される（最も近い近傍へは１、対角線では２、桂馬跳びでは３）。次に、この骨格を距離マップを有するマスクとして使用して、骨格から対象の縁までの距離を得る。
【００６２】
レベル１
Clesion (Dot, Blot etc)をIndicationFilter <DarkonLight/LightonDark> を用いてフィルタリングし実行する（グレイスケールを画像空間中に小さなしみを有する２値に変換する）
【００６３】
ノイズを平滑化するためにフィルタリングし、血管床を生成する。このフィルタリングの使用は変更可能であり、相対的なメリットを測定する特定のカメラからの画像に実施される実験の使用によって決定される。
【００６４】
中心に3×3クロスを有し、それぞれの末端に長さ２画素の「手」を有する８隣接「腕」を有するフィルタを実行する。中心のグレイ値（加重和）を「手」の和と比較する。どれよりも暗い場合に、中心3×3にヒットがマークされる。手は、minSizeから出発してmaxSizeまで中心からStepSizeだけ移動する。２つ以上の病変サイズをピックアップするために複数のパスを追加した。未完成の照合フィルタである。−多くの誤警報。minSizeおよびmaxSize ODDを用いてstepSizeを呼び出す。EVEN.は以下のようになる。
【００６５】
【００６６】
ＣＲａを対象リストに変換し、単純な幾何学的規則を適用して、リスト中の対象の枝刈りをする。リストはCIArrayに保持し管理する。その定義を参照されたい。最小および最大しきい値を使用して、対象に対して考慮する色範囲を指定する。例えば赤および緑は１から２までである。対象を構成する画素数ならびに対象の最小および最大範囲によって枝刈りを可能にする。xおよびy範囲の限界規則のAND/ORの指定、パスした対象を埋めるのか否かの指定を可能にする。
【００６７】
レベル２
対象空間での処理。＜CObjetsManipulation::PruneBySize＞の呼出しを開始する。PruneBySizeはすべての病変に対して共通の関数であり、別個のボディを持たない。
【００６８】
BOOL CLesion::GeometricFilter (BOOL bUseDlg)
【００６９】
CRaを凝集画素群またはリスト対象に変換し、単純な幾何学的規則を適用して、対象を構成する画素数ならびに対象の最小および最大範囲によって、画像中の対象の枝刈りをする。
【００７０】
第１および第２のモーメント（面積，重心，最適合致楕円の長軸および短軸）を計算する。
【００７１】
試験１：面積＞minPix
試験２：xExtentおよびyExtentを最小および最大しきい値と比較し、またはそれらの一方だけが最小制約条件を満たすかどうかを調べる。この制約条件に対するAND/ORの指定、すなわちxおよびy範囲の限界規則に一方の寸法が拘束されるのか、または両方の寸法が拘束されるのかの指定を可能にする。
【００７２】
レベル３
画像空間および対象空間エビデンスをエキスパート規則の助けを借りて改良する。
【００７３】
CLesion::SignatureFilter (BOOL bUseDlg)
【００７４】
cf5またはraw符号に基づく処理を可能にするために02/28/97に修正。CDialogManagerおよびiniファイルの大規模なオーバホールも実施した。１病変あたり３つの新しいストリングセクション（stringsection）をiniに追加し、１つを消去した。すなわちL3[lesion]Dlgを、L3[lesion]CommonDlg、L3[lesion]Cf5DlgおよびL3[lesion]RawDlgに置き換えた。最初のＤｌｇは、ユーザが、cf5またはraw（BOOL,m_param10）および両方の方法に共通のその他のパラメータを使用したいかどうかを判定する。第２のダイアログは、m_param10の値、および以前に選択された特定の方法に固有のパラメータに対する問合せに基づいて選択される。
【００７５】
CLesion::SignatureFilterBasedOnRaw
【００７６】
固定された名称を有する診断ファイルを現行の結果ディレクトリに作成するために1/17/97に修正された解析関数に対する、（cf5を使用する）オリジナルのタイプまたは（rawを使用する）新しいタイプの２つのタイプの異なる処理を可能にするために2/27/97に分割された関数。このファイルは、最終解析用の黄色で埋められたパスした対象を含む。ファイルはそれぞれのパスで上書きされる。単一の画像のバッチ処理のあいだ有効である。
【００７７】
プロセス
【数２】
デフォルト構成子が、現時点でサイズ＝５にハードコードされているSIGNATURESTATISTICSのアレイを生成する。これらのうち、指数０は、スタンプのCRegionarrayパラメータの統計値のための代替物であり、指数1〜4は、R/G/Y/Bスタンプ（領域アレイ中の島）の統計値を保持する。検証では、それぞれの色の統計値が意味を持つことを保証する必要がある。アレイ中のNULLストラクト（struct）はそこでチェックされる。
【数３】
１．（符号の<RED if dot/blot,YELLOW lipid/cwool(OIS),BLUE lipid/cwool(Kaiser)>部分を参照する）CStampAanalysisを例示化する。
【００８０】
２．統計値を初期化する。
【００８１】
typedef struct_SIGNATURESTATS
{
shortnObjects；所与のスタンプ（CIArray）中の（特定の色の）の対象の数
doubleaveSize；平均サイズ
doublesizeSD;モーダル・サイズ
doubledispersion；中心によって正規化された面積の重心x, y
doublelargestArea；最も大きな対象中の画素
CRectlargestRect；最も大きな対象のｒｅｃｔ
}SIGNATURESTATS;
SIGNATURESTATS m_ss.SetSize(5);SignatureStatistics構造のアレイ
Initializ:m_ss[0].nObjects,.largestArea,.aveSize,.sizeSD,.dispersion,.largestRect.left,.largestRect.right,.largestRect.top,.largestRect.bottom
（これはスタンプRectと一致する。他の数は使用されない）
GetSignatureStatistics
【００８２】
符号解析用エキスパート・システムの設計を支援するために030497に追加された関数。SIGNATURESTATSの定義はCScreenerAppにある。劣悪な（damned）システムの正確さが十分になるまで、またはそれ以上向上しなくなるまでパラメータを追加する。単一の関数にあまりに多くの冗長な処理が必要となる場合には、複数の階層的関数に分割することができる。いずれにせよ、単一のSIGNATURESTATS構造を維持する。
【数４】
３．符号解析を実行する
中核のカラー対象の８隣接物を調べて、次のカラー・バンドへの移行を計数し記録する。言い換えると、下記の理想的なケースからの偏差を求める。
【００８４】
44444444
43333334
43222234
43211234
43211234
43222234
43333334
44444444
【００８５】
「隣り」および「ほぼ取り囲む」といったことは計算が難しいので、これをリスト対象を用いて実行することはできない。この関数は、規則での使用を可能にする、それぞれのバンドからの次のバンド例えば（7, 6, 3）への移行の０から８のスケールの作業測定基準を提供する。関数はregionarayのコア・カラー領域内に出発点を必要とする。さらに凹形の対象の効果を決定する。
【００８６】
局所的なコントラストがそれほど高くなく、sanjayが、070998に追加されたこの規則を使用したい場合には、無条件でFAILとなる。
【数５】
最大の対象が出血である場合には無条件でFAILとなる。
【数６】
最大の対象が小さすぎる場合には無条件でFAILとなる。
【数７】
あまりに多くのクラッタがある場合には無条件でFAILとなる。
【数８】
形状がゆがんでいる場合には無条件でFAILとなる。
【数９】
InvestigateNeighborhoodが「良好な」｛a, b, c｝勾配を与える場合にはSUCCEEDとなる。
【数１０】
４．パスしたそれぞれの病変の後
【数１１】
５．処理したそれぞれの画像（すべての病変）の後、ポストプロッセシング（等級分け）のためにmdbに書き込む。
【数１２】
６．患者バッチに対するmdbを更新した後、データベースからのすべてのフィールド結果（７／眼）を一体化して、１から３の等級を生成する。
【００９５】
重症度の定量化およびニューラル・ネットを使用した一般化
ニューラル・ネットは、画像から抽出した特徴に基づいてセグメント化を改良する。
【００９６】
＊病変の数および病変のサイズのヒストグラム
＊病変のタイプ
最もよい種類の照合フィルタは古典的なニューラル・ネットワークである。
［ａ］それぞれの病変に対して、病変のサイズに適合するサイズの入力層を選択する。
［ｂ］標的の領域上で訓練する。
［ｃ］偏った偽陽性検査の間に識別された候補領域に適用する。
［ｄ］単一のパス中に２種類以上の病変を識別し、または単一のエンティティとして画像を見る考え得る理由がない。
［ｅ］「全体論的」関係、またはビットマップ中の「明確に」定義された特性を有する小さな対象である「エンティティ」を認識する必要がないので、病変の存在および数を分類する問題は基本的に読者の論述とは異なる。（大きな対象はこの段階では関連はなく、発明者らは相互参照を必要とする特徴についておそらく注釈することができる）。
【００９７】
分割する画像の領域に対するペナルティ関数を受け入れるために修正されたエンティティ（動的プログラミング・ベースのセグメント化）；ペナルティ関数を初期化する（出発ＰＡＲＣＥＬの前に環状の領域の色で示す）；禁止ゾーンを画定する（ペナルティ＝１）。
【００９８】
画像およびフィールドの指示を与えられた病変の抽出
知的エージェント
網膜専門医によってマークされた画像からパラメータを学習するアルゴリズム。パラメータを画像タイプに関連づける。
【００９９】
これは、１つのJAZZで、１０人の患者に対する以下の事項を得るのに役立つ：オリジナル、エキスパート（点／しみ状、脂質、線条、綿状斑）、４つの比較および中間結果。
【０１００】
実現問題
さまざまな表現によってさまざまな種類の処理に対する効率的なアルゴリズムを書くことが可能になるように領域および線を表すいくつかの多型データ構造。例えば、ランレングス符号化された２値画像の表現は、面積のような統計学的特性の高速決定を可能にし、アレイ表現は、形態学的処理のためにランダム・セルにより迅速にアクセスすることを可能にする。認識および解釈のために効率的に検索するのための画像符号化方法。
【０１０１】
システムの物理的実現は以下の形態をとると想像される。
【０１０２】
I）SQL基本画像データベース
II）SQLによる検証されたエキスパート知識ベースへのアクセス
III）それぞれの領域を見つけるためのLISP中のスクリプトのデータベース：すべてのタイプの知識に対する規則
IV）LISP中の推論エンジン：OTTO、OPS5など
V）Cの低レベル・ルーチン：フィルタ；分割する画像の領域に対するペナルティ関数を受け入れるために修正されたエンティティ（動的プログラミング・ベースのセグメント化）；ペナルティ関数を初期化する（出発PARCELの前に環状の領域の色で示す）；禁止ゾーンを画定する（ペナルティ＝１）。
【０１０３】
連続画像の比較
経時的に生じる病的変化のリスク予測を向上させる連続画像の比較は、特徴差の重ね合せおよび比較によって、ならびに病変の数および位置のデータベースでの比較によって提供される（新しい病変を検出し、あるいは当該解剖学的特徴、例えば網膜中心窩に向かってのそれらの移動を検出する）。
【０１０４】
以上、特定の実施形態に関して本発明を説明してきたが、本発明は開示の実施形態だけに限定されないことを理解されたい。本発明は、添付の請求項の趣旨および範囲に含まれるさまざまな変更および均等物構造を包含する。
【図面の簡単な説明】
【０１０５】
【図１】２つの眼底画像のヒストグラムを示す図である。
【図２】最初の眼底画像および網膜抽出処理の結果を示す図である。
【図３】コアレセント・フィルタ（coalescent filter）［Bhasin and Meystel 94］によって網膜画像を処理して血管を得た結果を示す図である。
【図４】写真上で網膜の位置を決定する際の問題を図式的に示す図である。
【図５】インセットを示す図である。
【図６】（ａ）は、サブサンプリングしたオリジナルの網膜画像を示す図である。（ｂ）は、血管を除去した後の（ａ）の画像を示す図である。
【図７】ピックアップを向上させるために幾何形状を使用して網膜を探索した結果を示す図である。
【図８】本発明の方法の全体フロー図である。
【図９】本発明の画像処理方法のフロー図である。
【図１０】本発明の撮影者支援方法のフロー図である。
【図１１】本発明の（経時的な）連続研究法のフロー図である。
Claims (15)
- コンピュータによって実現される網膜写真のスクリーニングによって、糖尿病性網膜症を診断する方法であって、
（Ａ）ヒトの網膜の１つまたは複数の画像を受け取り、この網膜画像をディジタル・コンピュータのメモリに記憶するステップと、
（Ｂ）記憶された前記オリジナル画像を処理して、点状出血、微細動脈瘤、しみ状出血、線条出血および脂質滲出物からなるグループから選択された糖尿病性網膜症を指示する特徴の存在を識別するステップと、
（Ｃ）糖尿病性網膜症を指示する前記特徴の存在の有無および性質を報告するステップと
を含む方法。 - 識別可能な必須要素、コントラスト、フォーカス、アラインメントおよび完全性からなるグループから選択された少なくとも１つの画像品質基準に関して許容しうるとみなされる記憶された画像を、処理すべき画像として選択するステップをさらに含む、請求項１に記載の方法。
- 受け取った前記網膜画像が、ヒトの網膜から網膜カメラによって記録したものである、請求項１に記載の方法。
- （Ｄ）記憶された前記網膜画像を、識別可能な必須要素、コントラスト、フォーカス、アラインメントおよび完全性からなるグループから選択された少なくとも１つの画像品質基準に関して判断するステップと、
（Ｅ）ステップ（Ｄ）の選択された前記画像品質基準での前記判断が許容しえない場合に、別の網膜画像を記録するようオペレータに促すステップと
をさらに含む、請求項３に記載の方法。 - 所定の１つまたは複数の間隔で前記網膜写真を撮影し、１つまたは複数の前記間隔にわたって前記網膜写真を比較して、糖尿病性網膜症を指示する前記特徴の発達を判断する、請求項１に記載の方法。
- 患者の識別、画像化した眼及びフィールド、並びに適用した処理を示す索引付け規則を使用して、前記オリジナル写真を前記ディジタル・コンピュータの前記メモリに記憶する、請求項１に記載の方法。
- 所定の基準に基づいて１つまたは複数の画像を選択し、それらを専門家による診査に送る、請求項１に記載の方法。
- 送られた前記画像と請求項１のステップ（Ｃ）の網膜症を指示する報告された前記特徴とを前記専門家に提供する、請求項７に記載の方法。
- 前記専門家による診査結果をネットワークを使用して送り、これを、送られた前記画像に関して記憶する、請求項７に記載の方法。
- プロセッサとメモリとを含むコンピュータを備えた糖尿病性網膜症診断システムであって、前記プロセッサが、
（Ａ）ヒトの網膜の１つまたは複数の画像を受け取り、この網膜画像を前記コンピュータ・メモリに記憶し、
（Ｂ）記憶された前記オリジナル画像を処理して、点状出血、微細動脈瘤、しみ状出血、線条出血および脂質滲出物からなるグループから選択された糖尿病性網膜症を指示する特徴の存在を識別し、
（Ｃ）糖尿病性網膜症を指示する前記特徴の存在の有無および性質を報告する
ようにプログラムされたシステム。 - 前記コンピュータに動作可能に結合された、ヒトの網膜から画像を捕獲するための網膜カメラをさらに備えた、請求項１０に記載のシステム。
- ネットワークを使用して前記コンピュータに動作可能に結合された少なくとも１台の追加のコンピュータをさらに備えた、請求項１０に記載の方法。
- 専門家による診査のために前記ネットワークを介して送る１つまたは複数の記憶された網膜画像を所定の基準に基づいて選択する、請求項１２に記載の方法。
- 送られた前記画像と請求項１０のステップ（Ｃ）の網膜症を指示する報告された前記特徴とを前記専門家に提供する、請求項１３に記載の方法。
- 前記専門家による診査結果を前記ネットワークを使用して送り、これを、送られた前記画像に関して記憶する、請求項１３に記載の方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US31595301P | 2001-08-30 | 2001-08-30 | |
| PCT/US2002/027586 WO2003020112A2 (en) | 2001-08-30 | 2002-08-30 | System and method for screening patients for diabetic retinopathy |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2005508215A true JP2005508215A (ja) | 2005-03-31 |
Family
ID=23226811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003524431A Pending JP2005508215A (ja) | 2001-08-30 | 2002-08-30 | 糖尿病性網膜症の患者をスクリーニングするためのシステムおよび方法 |
Country Status (6)
| Country | Link |
|---|---|
| EP (1) | EP1427338A2 (ja) |
| JP (1) | JP2005508215A (ja) |
| AU (1) | AU2002327575A1 (ja) |
| CA (1) | CA2458815A1 (ja) |
| IL (1) | IL160645A0 (ja) |
| WO (1) | WO2003020112A2 (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006334044A (ja) * | 2005-06-01 | 2006-12-14 | Kowa Co | 眼科測定装置 |
| JP2007097634A (ja) * | 2005-09-30 | 2007-04-19 | Gifu Univ | 画像解析システム、及び画像解析プログラム |
| WO2008062528A1 (fr) * | 2006-11-24 | 2008-05-29 | Nidek Co., Ltd. | Analyseur d'image de fond d'œil |
| JP2009189586A (ja) * | 2008-02-14 | 2009-08-27 | Nec Corp | 眼底画像解析方法およびその装置とプログラム |
| JP2011516200A (ja) * | 2008-04-08 | 2011-05-26 | ナショナル ユニヴァーシティー オブ シンガポール | 網膜画像分析システム及び方法 |
| JP2012505705A (ja) * | 2008-10-15 | 2012-03-08 | オプティブランド リミティド，リミティド ライアビリティ カンパニー | 眼の特徴の画像を得る方法と装置 |
| TWI549649B (zh) * | 2013-09-24 | 2016-09-21 | 廣達電腦股份有限公司 | 頭戴式系統 |
| JP2018027273A (ja) * | 2016-08-19 | 2018-02-22 | 学校法人自治医科大学 | 糖尿病網膜症の病期判定支援システムおよび糖尿病網膜症の病期の判定を支援する方法 |
| JP2018509975A (ja) * | 2015-03-23 | 2018-04-12 | ノバルティス アーゲー | レーザ光凝固の最適化のためのシステム、装置、および方法 |
| JP2021164663A (ja) * | 2020-09-15 | 2021-10-14 | 株式会社トプコン | 医用画像処理方法及び医用画像処理装置 |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003082082A2 (de) | 2002-03-28 | 2003-10-09 | Heidelberg Engineering Optische Messsysteme Gmbh | Verfahren zur untersuchung des augenhintergrundes |
| GB0902280D0 (en) * | 2009-02-12 | 2009-03-25 | Univ Aberdeen | Disease determination |
| US20110129133A1 (en) | 2009-12-02 | 2011-06-02 | Ramos Joao Diogo De Oliveira E | Methods and systems for detection of retinal changes |
| US9357916B2 (en) * | 2012-05-10 | 2016-06-07 | Carl Zeiss Meditec, Inc. | Analysis and visualization of OCT angiography data |
| WO2014124470A1 (en) * | 2013-02-11 | 2014-08-14 | Lifelens, Llc | System, method and device for automatic noninvasive screening for diabetes and pre-diabetes |
| EP3061063A4 (en) | 2013-10-22 | 2017-10-11 | Eyenuk, Inc. | Systems and methods for automated analysis of retinal images |
| US20170100030A1 (en) * | 2014-06-03 | 2017-04-13 | Socialeyes Corporation | Systems and methods for retinopathy workflow, evaluation and grading using mobile devices |
| US10169872B2 (en) | 2016-11-02 | 2019-01-01 | International Business Machines Corporation | Classification of severity of pathological condition using hybrid image representation |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6198532B1 (en) * | 1991-02-22 | 2001-03-06 | Applied Spectral Imaging Ltd. | Spectral bio-imaging of the eye |
| US5940802A (en) * | 1997-03-17 | 1999-08-17 | The Board Of Regents Of The University Of Oklahoma | Digital disease management system |
-
2002
- 2002-08-30 WO PCT/US2002/027586 patent/WO2003020112A2/en active Application Filing
- 2002-08-30 CA CA002458815A patent/CA2458815A1/en not_active Abandoned
- 2002-08-30 EP EP02763573A patent/EP1427338A2/en not_active Withdrawn
- 2002-08-30 JP JP2003524431A patent/JP2005508215A/ja active Pending
- 2002-08-30 IL IL16064502A patent/IL160645A0/xx unknown
- 2002-08-30 AU AU2002327575A patent/AU2002327575A1/en not_active Abandoned
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006334044A (ja) * | 2005-06-01 | 2006-12-14 | Kowa Co | 眼科測定装置 |
| JP2007097634A (ja) * | 2005-09-30 | 2007-04-19 | Gifu Univ | 画像解析システム、及び画像解析プログラム |
| WO2008062528A1 (fr) * | 2006-11-24 | 2008-05-29 | Nidek Co., Ltd. | Analyseur d'image de fond d'œil |
| JP2009189586A (ja) * | 2008-02-14 | 2009-08-27 | Nec Corp | 眼底画像解析方法およびその装置とプログラム |
| JP2011516200A (ja) * | 2008-04-08 | 2011-05-26 | ナショナル ユニヴァーシティー オブ シンガポール | 網膜画像分析システム及び方法 |
| US8687862B2 (en) | 2008-04-08 | 2014-04-01 | National University Of Singapore | Retinal image analysis systems and methods |
| JP2012505705A (ja) * | 2008-10-15 | 2012-03-08 | オプティブランド リミティド，リミティド ライアビリティ カンパニー | 眼の特徴の画像を得る方法と装置 |
| TWI549649B (zh) * | 2013-09-24 | 2016-09-21 | 廣達電腦股份有限公司 | 頭戴式系統 |
| US9763620B2 (en) | 2013-09-24 | 2017-09-19 | Quanta Computer Inc. | Head mounted system |
| JP2018509975A (ja) * | 2015-03-23 | 2018-04-12 | ノバルティス アーゲー | レーザ光凝固の最適化のためのシステム、装置、および方法 |
| JP2018027273A (ja) * | 2016-08-19 | 2018-02-22 | 学校法人自治医科大学 | 糖尿病網膜症の病期判定支援システムおよび糖尿病網膜症の病期の判定を支援する方法 |
| JP2021164663A (ja) * | 2020-09-15 | 2021-10-14 | 株式会社トプコン | 医用画像処理方法及び医用画像処理装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP1427338A2 (en) | 2004-06-16 |
| CA2458815A1 (en) | 2003-03-13 |
| WO2003020112A9 (en) | 2004-05-06 |
| IL160645A0 (en) | 2004-07-25 |
| AU2002327575A1 (en) | 2003-03-18 |
| WO2003020112A2 (en) | 2003-03-13 |
| WO2003020112A3 (en) | 2003-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Veena et al. | A novel optic disc and optic cup segmentation technique to diagnose glaucoma using deep learning convolutional neural network over retinal fundus images | |
| Ramasamy et al. | Detection of diabetic retinopathy using a fusion of textural and ridgelet features of retinal images and sequential minimal optimization classifier | |
| JP2005508215A (ja) | 糖尿病性網膜症の患者をスクリーニングするためのシステムおよび方法 | |
| Sánchez et al. | Retinal image analysis to detect and quantify lesions associated with diabetic retinopathy | |
| US9089288B2 (en) | Apparatus and method for non-invasive diabetic retinopathy detection and monitoring | |
| Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
| Xiao et al. | Major automatic diabetic retinopathy screening systems and related core algorithms: a review | |
| Kumar et al. | Automated detection of eye related diseases using digital image processing | |
| Hassan et al. | Exploiting the transferability of deep learning systems across multi-modal retinal scans for extracting retinopathy lesions | |
| Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
| Guergueb et al. | A Review of Deep Learning Techniques for Glaucoma Detection | |
| WO2000051080A9 (en) | Computer system for analyzing images and detecting early signs of abnormalities | |
| Bhardwaj et al. | Two-tier grading system for npdr severities of diabetic retinopathy in retinal fundus images | |
| George et al. | A two-stage CNN model for the classification and severity analysis of retinal and choroidal diseases in OCT images | |
| Subramanian et al. | Diagnosis of Keratoconus with Corneal Features Obtained through LBP, LDP, LOOP and CSO | |
| Umamageswari et al. | Identifying Diabetics Retinopathy using Deep Learning based Classification | |
| Ghebrechristos et al. | RetiNet—feature extractor for learning patterns of diabetic retinopathy and age-related macular degeneration from publicly available datasets | |
| Azeroual et al. | Convolutional Neural Network for Segmentation and Classification of Glaucoma. | |
| Heyi et al. | Development of a retinal image segmentation algorithm for the identifying prevalence markers of diabetic retinopathy using a neural network | |
| Naramala et al. | Enhancing Diabetic Retinopathy Detection Through Machine Learning with Restricted Boltzmann Machines | |
| Odstrčilík | Analysis of retinal image data to support glaucoma diagnosis | |
| David et al. | Retinal microaneurysms detection for diabetic retinopathy screening in fundus imagery | |
| Network et al. | 10 RetinalAlexU-Net | |
| Gokulradhai et al. | GLAUCOMA PREDICTION IN RETINAL IMAGE USING VESSEL SEGMENTATION WITH DIFFERENT CLASSIFICATION ANALYTICAL MODEL | |
| Ogundokun et al. | Inception V3 Based Approach for the Recognition of Age-related macular degeneration Disease |