JP2011521682A - 皮質白内障診断のための自動混濁検出システム - Google Patents

Abstract

コンピュータシステムにより実行される、目の水晶体の像における混濁を検出する方法に関する。この方法は、水晶体の画像における対象領域を検出する段階と、アルゴリズムを使用して対象領域を処理して修正画像を生産する段階と、例えば、後嚢下白内障（ＰＳＣ）によって生じる混濁のような他のタイプの混濁に対して、皮質白内障と関連する混濁を強調する段階と、を含む。修正画像は、修正画像内の対象領域の少なくとも一つの領域の混濁の比率を測定することによって、皮質の混濁度を等級づけするために用いられ得る。

Description

本発明は、方法態様及び装置態様を有する自動の混濁検出システムに関する。本システムは、例えば皮質白内障診断を実行するため、皮質白内障（ｃｏｒｔｉｃａｌ ｃａｔａｒａｃｔｓ）（「皮質の混濁」）による混濁を等級付けした値（ｇｒａｄｉｎｇ ｖａｌｕｅ）を得るために用いることができる。

白内障（Ｃａｔａｒａｃｔｓ）は、世界的に失明の主原因である。世界的に失明の４７．８％が白内障によって生じると報告されており（非特許文献１）、４０歳以上の中国系のシンガポール人の３５％白内障があることが報告されている（非特許文献２）。白内障は、水晶体（ｃｒｙｓｔａｌｌｉｎｅ ｌｅｎｓ）の混濁（ｏｐａｃｉｔｙ）又は黒ずみ（ｄａｒｋｅｎｉｎｇ）による。いくらかの研究によれば（非特許文献３及び４）、最も一般的なタイプの白内障は、水晶体の外縁部皮質（又は末梢、ｐｅｒｉｐｈｅｒｙ）上において白色っぽいくさび状（ｗｅｄｇｅ−ｓｈａｐｅｄ）の混濁部又は縞状（ｓｔｒｅａｋｓ）として始まる皮質白内障であり、それらがゆっくり進行するにつれて、縞は中心部まで延びて、水晶体の中心を通過する光と干渉する。対照的に、嚢下白内障（ｓｕｂ−ｃａｐｓｕｌａｒ ｃａｔａｒａｃｔ）は、網膜へ向かう光の経路における水晶体の後ろ付近で、小さな不透明な領域として始まる。

レトロイルミネーション画像（Ｒｅｔｒｏ−ｉｌｌｕｍｉｎａｔｉｏｎ ｉｍａｇｅｓ）は、皮質白内障及び嚢下白内障を等級づけするために撮られる。従来、眼科医は、合理的な等級を決めるための一組の標準画像と観察される画像とを比較する。このプロセスは、「臨床的な等級づけ（ｃｌｉｎｉｃａｌ ｇｒａｄｉｎｇ）」又は「主観的な」等級づけシステム（ｓｕｂｊｅｃｔｉｖｅ ｇｒａｄｉｎｇ ｓｙｓｔｅｍ）と称される。より客観的に水晶体の混濁を分類するために、経験豊かな等級決定者（ｇｒａｄｅｒｓ）は、写真又はデジタル画像に基づいて、皮質の混濁のひどさ（すなわち、皮質白内障による混濁度）を最も反映する等級を割り当てる（非特許文献５）。このプロセスは、「等級決定者による等級づけ」又は「客観的な」等級づけシステム（ｏｂｊｅｃｔｉｖｅ ｇｒａｄｉｎｇ ｓｙｓｔｅｍ．）と称される。しかしながら、調査によれば、等級決定者の間で測定値が未だに同一ではなく、同じ等級決定者であっても時間によって、異なっていた（非特許文献５）。また、混濁の領域の測定は、時間がかかる。

等級づけの客観性を改善するため、自動の等級づけシステムの開発がなされてきた。皮質白内障及び後嚢下白内障（ＰＳＣ）のために、これまで使用されてきた方法は、むしろ基本的である。ニデックＥＡＳ−１０００ソフトウェアは、最大点から１２％として選択される包括的な閾値処理法（ｇｌｏｂａｌ ｔｈｒｅｓｈｏｌｄ ｐｒｉｎｃｉｐｌｅ）に基づいて混濁部を抽出する（非特許文献６）。混濁タイプの区別はなく、瞳孔検出（ｐｕｐｉｌ ｄｅｔｅｃｔｉｏｎ）は手動で行われる。自動検出が満足できないときは、ユーザは閾値を手動で選択できる。水晶体における不均一な照明のため、包括的閾値化（ｇｌｏｂａｌ ｔｈｒｅｓｈｏｌｄｉｎｇ）による混濁検出は、しばしば不正確である。

ソフトウェアのアップグレード版（非特許文献７）は、検出される最大半径の９５％の環として自動的に瞳孔を検出する。２回目の改善は、コントラストをもとにした閾値化による混濁の検出である。しかしながら、混濁部の密度が、非常に高いときは、混濁領域のコントラストがもはや高くないために、このコントラストによる閾値化は、満足できない。ソフトウェアは、異なる種類の白内障の間ではなく半手動プロセスにおける他の混濁部に起因する白内障による混濁の間に区別することを可能にする。

WHO, "視力の欠陥の程度及び原因 (Magnitude and Causes of Visual Impairment)"、[online]、2002年、インターネット(http://www.who.int/mediacentre/factsheets/fs282/en/index.html) T. Y. Wong, S. C. Loon, S. M. Saw, "The Epidemiology of Age Related Eye Diseases in Asia", Br. J. Ophthalmol., 2006,Vol. 90, pp. 506-511 P. Mitchell, R.G. Cumming, K. Attebo, J. Panchapakesan, "Prevalence of Cataract in Australia: the Blue Mountains Eye Study", Ophthalmology, 1997,Vol. 104, pp.581-588 S.K. Seah, T. Y. Wong, PJ. Foster, T.P. Ng, G.J. Johnson, "Prevalence of Lens Opacity in Chinese Residents of Singapore: the Tanjong Pagar Survey, Ophthalmology", Vol. 109, pp. 2058-2064, 2002 B. E. K. Klein, R. Klein, K. L. P. Linton, Y. L. Magli, M. W. Neider, " Assessment of Cataracts from Photographs in the Beaver Dam Eye Study," Ophthalmology, 1990, Vol. 97, No. 11 , pp. 1428-1433 前眼部解析システムEAS-1000の使用者マニュアル、ニデック社、日本、1991 A Gershenzon, L.D Robman, "New Software for Lens Retro-illumination Digital Image Aanalysis," Australian and New Zealand Journal of Ophthalmology, 1999, Vol. 27, pp. 170-172

本発明の目的は、皮質白内障を発見するための自動システムを提供することである。

一般的な用語で、本発明は、コンピュータシステムが水晶体の画像において、皮質白内障による混濁を特定することを提案する。本発明は、
（ａ）水晶体の画像における対象領域を選択する段階と、
（ｂ）少なくとも一つの他のタイプの白内障によって生じる混濁のような他のタイプの混濁に対して、皮質白内障に関連する混濁を強調する皮質の混濁強調アルゴリズムを使用して、前記対象領域を処理して修正画像を生産する段階と、を備える。

結果は、修正画像において、対象領域の少なくとも一つの領域の皮質の混濁の比率（ｐｒｏｐｏｒｔｉｏｎ ｏｆ ｏｐａｃｉｔｙ）を測定することによって、皮質の混濁の程度を等級づけする際に使うことができる。

システムの実施形態が自動であるので、好ましい実施形態は、より客観的に皮質白内障を診断することを可能にすると同時に、臨床医師の作業負荷を低減させる。

対象領域（ＲＯＩ）検出が、好ましくは画像内のエッジ（すなわち異なる強度を有する領域の境界）とそのエッジを含む凸包の生成との検出する工程と、楕円を凸包にフィットさせる工程とを含む。瞳孔内のエッジは凸包上にあることは稀で、もしそうでなければ、楕円フィットの間、考慮されない。これは、酷い白内障に対して強力な結果と成り得る。

エッジの検出は、キャニーエッジ検出アルゴリズム及びラプラシアンエッジ検出アルゴリズムを使用して実行され得る。両方の形のエッジ検出により抽出されないエッジは考慮されない。

他のタイプの混濁、特に後嚢下白内障（ＰＳＣ）によって、生じる特定の混濁に対して、皮質白内障に関連する混濁を強調するアルゴリズムは、
（ａ）前記対象領域において一般的に半径方向に延在するエッジを抽出する識別アルゴリズムと、
（ｂ）前記対象領域において一般的に半径方向に延在する混濁の中心部を抽出する識別アルゴリズムと、
（ｃ）前記対象領域において一般的に円周方向に延在するエッジを抽出する識別アルゴリズムと、
（ｄ）前記対象領域において一般的に円周方向に延在する混濁の中心部を抽出する識別アルゴリズムとのうち、少なくとも一つの識別アルゴリズムを含む。

任意に、（ａ）の識別アルゴリズムから（ｄ）の識別アルゴリズムが、複数回実行される。（ａ）及び（ｂ）の識別アルゴリズムにより特定されるエッジ及び混濁の中心部が結合されるが、（ｃ）及び（ｄ）の前記アルゴリズムにより特定されたエッジ及び混濁中心部の推定された効果を減らすように、アルゴリズムの結果が結合される。例えば、（ｃ）又は（ｄ）の識別アルゴリズムの結果が、予想される混濁を表す補償データを生成するために用いられることができる。（ａ）及び／又は（ｂ）の識別アルゴリズムにより得られたデータから減算することによって、画像の範囲内で特定された混濁を減らすために、補償データが用いられ得る。

（ｂ）及び（ｄ）の識別アルゴリズムの一実施例は、軸方向又は円周方向の一つにおいて、細長い形状である選択要素を使用したローカル閾値処理（local thresholding）である。

好ましくは、（ａ）から（ｄ）の少なくとも一つの識別アルゴリズムが、デカルト空間からＲＯＩから得られた原点に関連した極座標系へ最初に変換された画像を用いて実行され、その後、デカルト空間へ、再転換される。この場合、（ｂ）及び／又は（ｄ）の識別アルゴリズムは、極座標系の画像における軸方向又は前記円周方向に配列される選択要素を使用したローカル閾値処理を含む。さらに、（ａ）及び／又は（ｃ）の識別アルゴリズムは、極座標系の画像における垂直方向又は水平方向におけるエッジを特定するために用いられ得るソーベル・アルゴリズムのようなアルゴリズムを含むことができる。

（ａ）及び／又は（ｂ）の識別アルゴリズムにより特定された半径方向のエッジ及び混濁の中心部が、それらが（ｃ）及び／又は（ｄ）の識別アルゴリズムからのデータに基づいて除去されない場合には、前記領域成長法において使用されるシードを得るために使われ、これらのシードと関連した混濁に対応する領域を生成する。

任意に、一つ以上のフィルタ作業が、皮質白内障を表さないデータを表している特徴を取り除くか、又は弱めるために実行され得る。（例えば、丸い形状のような所定形状又は例えば対象領域のすぐ近くの中心のような特定の位置を有するような、実施例により特定された斑点又は領域）

本発明は、方法又は方法を実行するように調整される装置、或いは方法を実行するコンピュータシステムによって実行可能なプログラム命令を有するコンピュータ・プログラム製品（例えば有形の記録媒体）として表されることもできる。更に、方法を実行するように調整されるプロセッサは、水晶体の写真を撮るためのカメラに組み込まれることができる。以下、本発明の実施形態が、以下の図面に関連する例のためだけに例示されている。

本発明の実施形態に係る自動の等級づけシステムのフロー図である。 図１のプロセスを図式的に例示する図である。 図１におけるＲＯＩ検出ステップのサブステップのフロー図である。 図１の実施形態によるＲＯＩ検出を例示する図である。 異なるタイプの白内障に起因する２種類の混濁を例示する図である。 図１の実施形態の皮質の混濁を強調するプロセスのステップを示す図である。 典型的画像がどのように図６のプロセスにおいて、修正されるかを図式的に示す図である。 （ａ）もとの画像と（ｂ）図６のプロセスとの結果を比較する図である。 （ａ）測定グリッドと（ｂ）図８（ｂ）のそれのような水晶体のイメージの上にこのような測定グリッドを重ねて表示した結果とを例示する図である。 本実施形態によって実行される自動的な皮質の混濁領域検出と等級決定者による皮質の混濁領域検出の比較図である。

図１及び図２を参照すると、水晶体における画像から皮質の混濁を抽出して、それを等級づけする本実施形態に係るソフトウェアシステムのステップが例示されている。図１は、これらのステップのフロー図である。図２は、プロセスの各ステップの結果を表す画像と関連してそのステップを図式的に示している。図１及び図２における対応するステップは、同一参照番号により示されている。

実施形態への入力は、暗い境界に囲まれており、瞳孔であるほぼ円形の明るい領域を含む光学画像１である。混濁は、この瞳孔の暗い領域により示される。

（ｉ）ＲＯＩ検出（ステップ１０）

本実施形態に係る方法の第一段階（ステップ１０）は、ＲＯＩ検出であり、そのサブステップが図３に図示されている。第１のサブステップ１１では、原画像１が、ラプラシアンエッジ‐検出フィルタによりフィルタ処理されて、閾値処理が行われ、ラプラシアンエッジ（Ｌａｐｌａｃｉａｎ ｅｄｇｅｓ）が得られる（公知のアルゴリズム）。

２番目のサブステップ１２において、キャニーエッジ検出（他の周知のアルゴリズム）が原画像に適用され、最も強いエッジが検出される。３番目のサブステップ１３では、両方のエッジ検出部によって、共通であるエッジが、選択される。それは、任意の外部の反射ノイズの効果が除去されることを意味する。水晶体内の検出された任意のエッジは、凸包上のエッジだけを引き抜くフィルタ・サブステップ１４によって、除去される。これは、画像におけるエッジを形成している酷い白内障による混濁の課題を解決する。

これらのエッジ画像を使用して、第５のステップ１５では、ガウス―ニュートン方法によってフィットされた非線形最小二乗が適用され、最適にフィットされた楕円を定める４つのパラメータを抽出する。これは、エッジ画像（ｘ_ｉ、ｙ_ｉ）のセットを楕円方程式に最適にフィットする４つのパラメータを決定する反復的な方法である。

ＲＯＩの検出１０の結果の一実施形態は、図４に示される。図４は、図３に図示されるサブステップの後に原画像１０がどのように修正されるかを示している。図３及び図４において互いに対応するステップは、同一の参照番号により示される。示されているように、楕円フィットの結果が瞳孔の輪郭に密接に対応する。

（ｉｉ）皮質の混濁検出（ステップ２０）

皮質の混濁部は、水晶体で一般的に発見される白内障の混濁部の３つの主なタイプの１つである。皮質白内障間の主な差が観察されており、残りの白内障タイプは、皮質白内障のスポークのような性質であると共に水晶体のエッジに位置するものである。例えば、図５を参照すると、グレースケールの画像は、皮質白内障による瞳孔のエッジの近くの暗い領域と、ＰＳＣによる中心混濁領域とを含む。

実施形態のステップ２０は、放射エッジ（ｒａｄｉａｌ ｅｄｇｅ）検出及び領域成長法（ｒｅｇｉｏｎ ｇｒｏｗｉｎｇ）を使用して、皮質白内障の混濁を強調する。サブステップが図６に示されており、ステップの結果は、図式的に図７に示されている。

第１のサブステップ２２で、原画像１０は、極座標系に変換される。皮質の混濁部のスポークのような性質が与えられ、極座標系の画像は容易に処理され、半径方向の皮質のエッジと角度方向（円周方向）の不適切なＰＳＣエッジ（ｒｅｊｅｃｔｉｎｇ ＰＳＣ ｅｄｇｅｓ）を抽出する。

サブステップ２３−２１３は、２３−２５、２６−２８、２１０−２１１及び２１２−２１３の４つの組である。ステップの任意の組の何れか、他の組の前か後に実行されることができ、又は、複数の組が、平行に実行されることができる。

サブステップ２３−２５において、我々は、半径方向（半径方向の混濁）において、相関性を有すると共に皮質白内障の中心部を表す混濁を評価する。「半径方向の相関性」という用語は、半径方向の特定の角度範囲において長さ方向を有するという意味、又は長さ方向と半径方向と間における少なくとも統計的有意性が特定のレベルである統計的な相関性があるという意味として理解されることができる。

詳しくは、サブステップ２３において、我々は、半径方向の混濁を得るために広い長方形要素を有するローカル閾値を使用して画像を処理する。広い要素は、各画素とその水平に隣接する画素との間における比較を提供するように選択される。広い要素は、スポークのような皮質の混濁部の中心の近くの画素に対して、理想的にはそれらより低い強度値を有する。長方形要素の範囲内で、画素の強度と画素の平均強度の間の差が閾値より少ない場合には、全方法は、各画素周辺で長方形要素を定めて、その画素の強度を暗い値にセットすることよって達成される。長方形がエッジに重なるエッジの近くの画像を扱う際に、このような画素は、極座標プロットにおいて対向するエッジの画素と隣接しているとみなされる。

サブステップ２４において、我々は、デカルトの座標系に画像を再度変換させる。サブステップ２５において、我々は、大部分がノイズである非常に小さな斑点（ｓｍａｌｌ ｓｐｅｃｋｓ）を除去するために、サイズ‐フィルタを使用する。

サブステップ２６−２８では、皮質白内障の外方部分を表すために、半径方向エッジを得る。サブステップ２６において、我々は、垂直方向のソーベルエッジ検出（Ｖｅｒｔｉｃａｌ Ｓｏｂｅｌ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ）を極座標系の像に適用して、半径方向のエッジを検出する。サブステップ２７において、我々は、その画像をデカルトの座標系に更に変換させる。サブステップ２８において、我々は、大部分がノイズである非常に小さな斑点を除去するために、サイズ‐フィルタを使用する。

サブステップ２９において、ステップ２５及び２８で得られた画像は、規則に従って（画像２５及び画像２８）マージ（ｍｅｒｇｅ）される。このように、画像２５及び画像２８においてそれが白い場合、マージされた画像においても、それは白い画素となる。

サブステップ２１０〜２１５は瞳孔の中心の近くの角度方向（すなわち半径方向でない）の混濁を特定する。その混濁は、ＰＳＣに起因するようである。ステップ２１０において、ローカル閾値処理は、高い長方形要素で実行され、角度方向の混濁を得る。ステップ２１２において、水平方向のソーベルエッジ検出（Ｈｏｒｉｚｏｎｔａｌ Ｓｏｂｅｌ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ）が、原画像に適用される。ステップ２１１及び２１３において、我々は、デカルトの空間に再度変換する。サブステップ２１４において、我々は、得る外方部分を用いて円周のエッジの中心部と外側部とをマージして、ＰＳＣ混濁に起因している角度方向の混濁を得る。

ステップ２１５において、我々は、水晶体のエッジの近くの皮質の混濁に起因し得る角混濁を取り除くために、空間フィルタを適用する。空間フィルタは、水晶体原点から半径の固定比率以下の重心（ｃｅｎｔｒｉｏｄｓ）までの距離を有する混濁クラスタを除去することにより達成される。

ステップ２１６において、我々は、ステップ２９及び２１５で得られた画像をマージする。画素が、画像２９において白く、画像２１５において黒い場合には、マージされた画像において、画素は白い。このように、我々は、皮質白内障のすべての可能性があるエッジ及び中心を保持するが、ＰＳＣを排除する。

ステップ２１７において、我々は、皮質の混濁の中で成長している領域に対して、シード（ｓｅｅｄｓ）として残留する混濁を得るためにフィルタ処理する。空間フィルタは、ＰＳＣに属するだろうである水晶体の中心の近くに位置する混濁部を取り除く。

ステップ２１８において、我々は、前に得られたシードによって、皮質の混濁を成長させる。ここで適用された領域成長法は、クラスタとちょうど隣接している画素から成長させ、クラスタの円周を形成する。円周部の中の各画素は、クラスタの重心に対して、画素自体の方向において、それに最も近いクラスタ内の一定の固定された画素数と比較される。画素強度がクラスタ内の画素の平均値に対して一定の閾値の内にある場合だけ、それがクラスタの一部と考えられる。領域成長は、成長基準によって判断して、新たな画素が無いときに終了する。

最後に、ステップ２１９において、我々は、領域成長した領域に対してサイズ・フィルタを適用して（ステップ２１５と関連して前述したように）可能性のある非常に広範囲の副産物を除去する。非常に広範囲の副産物は、不正確に特定されたエッジを有する皮質の混濁の珍しい障害（ｒａｒｅ ｉｎｃｉｄｅｎｔｓ）に起因する。オリジナル皮質のシードの数に対する領域成長した画素の数の比率が例外的に大きい場合には、成長した領域は、無効にされる。

検出の一実施例は、図８に図示される。システムは、皮質白内障に影響されるが、ＰＳＣのような他のタイプの混濁には影響されないことに注意されたい。

本発明は、上記の技術に限定されず、他の実施例において、ステップ２０の皮質の混濁を検出するため、他の技術が用いられ得ることに注意されたい。このような適切な技術は、以下の任意の一つ以上を含むことができる。

１．シードとしての極小値（ｌｏｃａｌ ｍｉｎｉｍｕｍ）を有する領域成長法
２．ローカル閾値処理
３．クラスタ化処理
４．レベルセット法
５．テクスチャー分析、
６．ウェーブレット、及び
７．グレープベース法。

（ｉｉ）グリッド測定（３０）

ステップ２０において検出される皮質の混濁に基づいて、ステップ３０では、実施形態に対して、皮質白内障の自動等級づけを実行し、その後にウィスコンシンの白内障等級づけプロトコルを適用する（非特許文献５）。図９（ａ）に示すように、水晶体画像を１７つの部分に分ける測定グリッドが用いられる。グリッドは、半径２ｍｍを有する中心円、半径５ｍｍを有する内側円、そして、８ｍｍの半径を有する外側円の３つの同心の円により形成される。内側円内の領域は領域Ｃと呼ばれ、内側円と中心円との間の領域は領域Ｂと呼ばれ、中心円と外側円との間の領域は領域Ａと呼ばれる。１０：３０、１２：００、１：３０、３：００、４：３０、６：００、７：３０及び９：００の等間隔の半径線は、中心円と内側円との間の領域、内側円と外側円との間の領域をそれぞれ８つのサブフィールドに分離する。

ステップ３０において、外側円は、図９（ｂ）に示すようにＲＯＩの境界に合わせられ、ＲＯＩがグリッドでおおわれる。図９（ａ）の領域Ａ、Ｂ及びＣの各々における検出された皮質の混濁のパーセンテージ面積（すなわちステップ２０の出力）が算出される。
皮質の混濁の総パーセンテージ面積は、以下の方程式に従って算出される（非特許文献５）。

（ｉｖ）等級づけ結果の取得（４０）

皮質白内障の等級づけは、以下の表の説明に従って、割り当てられる。

（実験の結果）
自動の混濁検出システムの実施形態は、人口ベースの研究から得られるレトロイルミネーション画像を使用してテストされた。シンガポール・マレー眼科研究（Ｔｈｅ Ｓｉｎｇａｐｏｒｅ Ｍａｌａｙ Ｅｙｅ Ｓｔｕｄｙ：ＳｉＭＥＳ）。シャインプルークレトロイルミネーションカメラ（Ａ Ｓｃｈｅｉｍｐｆｌｕｇ ｒｅｔｒｏ−ｉｌｌｕｍｉｎａｔｉｏｎ ｃａｍｅｒａ）、ニデックＥＡＳ−１０００、が拡張瞳孔による水晶体を撮影するために用いられた。レトロイルミネーション画像は、グレースケール像として捕えられ、ＥＡＳ―１０００ソフトウェアからエクスポートされた。それらは、６４０＊４００画素のサイズでビットマップのフォーマットで保存された。我々の自動の瞳孔検出アルゴリズムは、６０７個の画像を用いてテストされた。

６０７個の画像がテストされ、成功率は９８．２％である。ＲＯＩは、１１個の画像に対してだけ不正確に検出されたが、それは、反射するノイズの重い存在（ｈｅａｖｙ ｐｒｅｓｅｎｃｅ）に起因した。

我々の皮質の混濁検出の丈夫さを試験するために、等級決定者の等級づけ結果を有する４６６個の画像が選択された。比較は、同じプロトコルに従い、等級決定者によって、等級づけされた総面積で実行された。図１０は、比較結果を示す。平均絶対誤差（ｍｅａｎ ａｂｓｏｌｕｔｅ ｅｒｒｏｒ）は、３．１５％である。

等級決定者のそれを用いて、皮質白内障の自動化された等級の間の比較も行われた。
その結果を表２に示す。成功率は、８５．６％であり、我々は、その成功率から自動等級づけに対する見込みがあると思う。

そして、２つの従来技術システムは、表３にまとめられている。

Claims (16)

1. （ａ）水晶体の画像における対象領域を選択する段階と、
   （ｂ）他のタイプの混濁に対して皮質白内障に関連する混濁を強調する皮質の混濁強調アルゴリズムを使用して、修正画像を生成するために前記対象領域を処理する段階と、
   を備える、コンピュータシステムにより実行される皮質白内障を等級づけする方法。
2. 前記対象領域（ＲＯＩ）の検出が、
   前記画像内でエッジを検出する工程と、
   前記エッジを含む凸包の生成する工程と、
   楕円を前記凸包にフィットさせる工程と含む、請求項１に記載の方法。
3. 前記エッジの検出は、少なくとも２つの異なるエッジ検出アルゴリズムにより実行され、
   複数の前記エッジ検出アルゴリズムにより検出されないエッジは考慮されない、請求項２に記載の方法。
4. 前記皮質の混濁強調アルゴリズムが、
   （ａ）前記対象領域において一般的に半径方向に延在するエッジを抽出する識別アルゴリズムと、
   （ｂ）前記対象領域において一般的に半径方向に延在する混濁の中心部を抽出する識別アルゴリズムと、
   （ｃ）前記対象領域において一般的に円周方向に延在するエッジを抽出する識別アルゴリズムと、
   （ｄ）前記対象領域において一般的に円周方向に延在する混濁の中心部を抽出する識別アルゴリズムとのうち、少なくとも一つの識別アルゴリズムを含む、請求項１〜３の何れか一項に記載の方法。
5. 前記識別アルゴリズムが複数あり、
   前記皮質の混濁強調アルゴリズムが、前記識別アルゴリズムによって得られた結果を組み合わせることを含む、請求項４に記載の方法。
6. 前記（ａ）の識別アルゴリズム及び／又は前記（ｂ）の識別アルゴリズムにより特定される結果は、建設的に結合されるが、前記（ｃ）の識別アルゴリズム及び／又は前記（ｄ）の識別アルゴリズムにより特定された結果によって減少される、請求項５に記載の方法。
7. 軸方向又は前記円周方向に配列される選択要素を使用したローカル閾値処理である前記（ｂ）の識別アルゴリズム又は前記（ｄ）の識別アルゴリズムのうち少なくとも一つの識別アルゴリズムを含む、請求項４〜６の何れか一項に記載の方法。
8. 少なくとも一つの前記識別アルゴリズムが、デカルト空間から前記対象領域から得られる原点に対する極座標系へ最初に変換された目の前記画像を用いて実行される、請求項４〜６の何れか一項に記載の方法。
9. 少なくとも一つの前記（ｂ）の識別アルゴリズムと、少なくとも一つの前記（ｄ）の識別アルゴリズムとが、
   前記極座標系の画像の垂直方向又は水平方向のそれぞれにおいて配列されたそれぞれの選択要素を用いたローカル処理を含む、請求項８に記載の方法。
10. 少なくとも一つの前記（ａ）の識別アルゴリズム、又は少なくとも一つの前記（ｃ）の識別アルゴリズムが、
    前記極座標系の画像のエッジを特定するためのソーベル・アルゴリズムを含む、請求項８に記載の方法。
11. 前記（ａ）の識別アルゴリズム及び／又は前記（ｂ）の識別アルゴリズムにより特定されると共に前記（ｃ）の識別アルゴリズム又は前記（ｄ）の識別アルゴリズムからのデータに基づいて除去されない結果に対して、領域成長法が適用される、請求項４〜１０の何れか一項に記載の方法。
12. 前記識別アルゴリズムによって得られた前記エッジ及び前記混濁の中心部が、前記領域成長法において使用されるシードを得るために用いられる、請求項１１に記載の方法。
13. サイズ、形状又は位置に基づく一つ以上の基準に従って、皮質白内障を表さないデータを表している特徴を取り除くか又は弱めるフィルタ処理を含む、請求項１１又は１２に記載の方法。
14. 請求項１〜１３の何れか一項に記載の方法による皮質の混濁を検出する段階と、
    前記修正画像内の前記対象領域の少なくとも一つの領域において混濁の比率を測定することによって、皮質の混濁の程度を等級づけする段階と、
    を備える目の画像の皮質の混濁を等級づけする方法。
15. 請求項１〜１４の何れか一項の方法を実行するために構成されたプロセッサを有するコンピュータシステム。
16. コンピュータによって、読み込み可能であると共に請求項１〜１４の何れか一項の方法を実行するコンピュータシステムのプロセッサによって、操作可能な指示を含む、コンピュータ・プログラム製品。