JP2019208851A - 眼底画像処理装置および眼底画像処理プログラム - Google Patents

Abstract

【課題】眼底画像における動脈と静脈の検出結果を適切に取得することが可能な眼底画像処理装置および眼底画像処理プログラムを提供する。【解決手段】ＰＣのＣＰＵは、眼底画像撮影部によって撮影された眼底画像を取得する（Ｓ２）。ＣＰＵは、機械学習アルゴリズムによって訓練された数学モデルに眼底画像の少なくとも一部を入力することで、眼底画像の少なくとも一部に存在する動脈と静脈の検出結果を取得する（Ｓ３）。【選択図】図２

Description

本開示は、被検眼の眼底画像を処理する眼底画像処理装置、および、眼底画像処理装置において実行される眼底画像処理プログラムに関する。

眼底を観察することで、生体の動脈の静脈の状態を非侵襲で把握することが可能である。従来、眼底画像から得られた動脈と静脈（以下、まとめて「動静脈」という場合もある）の検出結果が、種々の診断等に利用されている。例えば、特許文献１に記載の眼底画像処理装置は、眼底画像に対して画像処理を行うことで、動静脈を検出する。詳細には、特許文献１に記載の眼底画像処理装置は、眼底画像における全画素の各々に対して、周囲の画素との輝度値差を算出することで、眼底における血管を検出する。次いで、検出した血管を構成する画素の輝度、および径の少なくともいずれかを用いて、血管が動脈および静脈のいずれであるかを判別する。

特開２０１４−１９３２２５号公報

本開示における技術の１つの側面について説明する。眼底画像に対する画像処理を用いて動静脈を検出する場合には、種々の問題が生じ得る。例えば、動脈と静脈が交差している場合、白内障等の影響で眼底画像が暗い場合、および、眼底に疾患が存在する場合等には、画像処理によって動静脈を検出することが困難な場合があり得る。

他の側面について説明する。眼底画像における広い領域から動静脈を検出する場合には、処理量を削減することが困難となり、検出に時間を要する。特に、それぞれの画素毎に処理を行う場合には、処理量が莫大な量となり易い。

本開示は、上記複数の側面の少なくともいずれかを解決し、眼底画像における動脈と静脈の検出結果を適切に取得することが可能な眼底画像処理装置および眼底画像処理プログラムを提供することである。

本開示における典型的な実施形態が提供する眼底画像処理装置は、被検眼の眼底画像を処理する眼底画像処理装置であって、前記眼底画像処理装置の制御部は、眼底画像撮影部によって撮影された前記眼底画像を取得し、機械学習アルゴリズムによって訓練された数学モデルに前記眼底画像の少なくとも一部を入力することで、前記眼底画像の少なくとも一部に存在する動脈と静脈の検出結果を取得する。

本開示における典型的な実施形態が提供する眼底画像処理プログラムは、被検眼の眼底画像を処理する眼底画像処理装置によって実行される眼底画像処理プログラムであって、前記眼底画像処理プログラムが前記眼底画像処理装置の制御部によって実行されることで、眼底画像撮影部によって撮影された前記眼底画像を取得する画像取得ステップと、機械学習アルゴリズムによって訓練された数学モデルに前記眼底画像の少なくとも一部を入力することで、前記眼底画像の少なくとも一部に存在する動脈と静脈の検出結果を取得する動静脈検出結果取得ステップと、を前記眼底画像処理装置に実行させる。

本開示に係る眼底画像処理装置および眼底画像処理プログラムによると、眼底画像における動脈と静脈の検出結果が適切に取得される。

眼底画像処理システム１００の概略構成を示すブロック図である。 眼底画像処理のフローチャートである。 関心領域２５が設定された眼底画像２０の一例を示す図である。 訓練データセット３０の一例を説明するための説明図である。

＜概要＞
本開示で例示する眼底画像処理装置の制御部は、眼底画像撮影部によって撮影された眼底画像を取得する。制御部は、機械学習アルゴリズムによって訓練された数学モデルに眼底画像の少なくとも一部を入力することで、眼底画像の少なくとも一部に存在する動脈と静脈の検出結果を取得する。この場合、例えば、動脈と静脈が交差している眼底画像、白内障等の影響で明るさが不足している眼底画像、および、疾患が存在する眼底画像等の少なくともいずれかを訓練データとして数学モデルが訓練されることで、種々の眼底画像に対しても適切に動静脈の検出結果が得られる。

数学モデルに入力される眼底画像には、種々の眼底画像撮影部によって撮影された画像を用いることができる。例えば、眼底カメラによって撮影された画像、レーザ走査型検眼装置（ＳＬＯ）によって撮影された画像、ＯＣＴ装置によって取得された画像等の少なくともいずれかが、数学モデルに入力されてもよい。

数学モデルは、過去に撮影された被検眼の眼底画像を入力用訓練データとし、且つ、入力用訓練データの眼底画像における動脈と静脈を示すデータを出力用訓練データとして訓練されていてもよい。数学モデルに１つの眼底画像が入力されることで、動脈と静脈の検出結果が取得されてもよい。この場合、例えば、まず血管を検出してその後に血管を動脈と静脈に分類する方法、および、１つの眼底画像から抽出した複数の部位の各々を数学モデルに入力する方法等を用いる場合に比べて、簡易な処理で適切に動静脈が検出される。

数学モデルを訓練するために用いられる入力用訓練データと出力用訓練データの態様は、適宜選択できる。例えば、前述したように、眼底カメラによって撮影された被検眼のカラー眼底画像が、入力用訓練データとされてもよい。また、ＳＬＯによって撮影された被検眼の眼底画像が、入力用訓練データとされてもよい。また、入力用訓練データの眼底画像における動脈と静脈の位置が、眼底画像上で作業者によって指定される（例えば、動脈および静脈の各々を示すラベルが眼底画像上で付与される）ことで、出力用訓練データが作成されてもよい。

制御部は、取得した眼底画像の領域内の一部に関心領域を設定してもよい。制御部は、数学モデルに関心領域の画像を入力することで、関心領域に存在する動脈と静脈の検出結果を取得してもよい。この場合、取得した眼底画像の全体を数学モデルに入力する場合に比べて少ない演算処理で動静脈の検出結果が取得される。

制御部は、眼底画像の領域内のうち、乳頭を中心とする領域を関心領域として設定してもよい。乳頭には、動脈および静脈を含む複数の血管が出入りする。従って、乳頭を中心とする領域を関心領域として設定することで、動脈および静脈の適切な情報（例えば、動脈および静脈の各々の径の情報等）が効率よく取得される。なお、従来の画像処理を用いた動静脈の検出処理では、広範囲の眼底画像の大局的な情報（例えば、種々の部位の位置関係等）が必要となるため、関心領域の情報のみを用いて正確に動静脈を検出することは困難であった。これに対し、数学モデルを用いる場合には、それぞれの画素を中心とする局所的な領域に基づく検出処理が行われるため、関心領域の画像を用いた効率の良い検出処理が可能である。

ただし、関心領域を変更することも可能である。例えば、本開示における関心領域は、乳頭を中心とする環状の領域である。しかし、関心領域の形状を環状以外の形状（例えば、円形状、矩形状等）としてもよい。また、関心領域の位置を変更してもよい。例えば、中心窩を中心として関心領域が設定されてもよい。詳細には、関心領域が中心窩を中心として設定されることで、中心窩無灌流領域周囲の血管密度等が算出されてもよい。この場合、眼底画像としてＯＣＴアンジオ画像（例えば、ＯＣＴモーションコントラスト画像）が用いられることで、血管密度がより正確に算出される。

また、制御部は、ユーザによって入力された指示に応じて、眼底画像に対する関心領域の位置および大きさの少なくともいずれかを設定してもよい。この場合、ユーザは、関心領域を任意に設定することができる。また、制御部は、眼底画像に対する画像処理等を行うことで、眼底の所定位置（例えば乳頭等）を検出し、検出した所定位置に基づいて関心領域を自動的に設定してもよい。また、制御部は、眼底の所定部位の大きさを検出し、検出した大きさに基づいて関心領域の大きさを決定してもよい。例えば、制御部は、略円形である乳頭の径を検出し、検出した乳頭の径のＮ倍（Ｎは任意に設定できるが、例えば「３」等）を、関心領域の径に決定してもよい。また、過去に撮影された被検眼の眼底画像を入力用訓練データとし、且つ、入力用訓練データの眼底画像における所定位置（例えば乳頭の位置等）または所定領域（例えば乳頭を中心とする環状の領域）を示すデータを出力用訓練データとして訓練された数学モデルが用いられてもよい。この場合、眼底画像が数学モデルに入力されることで、関心領域が設定されてもよい。

制御部は、検出結果に基づいて、動脈および静脈の少なくとも一方に関するデータを算出してもよい。この場合、ユーザは、より良好に診断等を行うことができる。算出するデータは適宜選択できる。例えば、動脈の径の平均値および標準偏差、静脈の径の平均値および標準偏差、動脈および静脈を含む血管の径の平均値および標準偏差、動脈の輝度の平均値および標準偏差、静脈の輝度の平均値および標準偏差、動脈および静脈を含む血管の輝度の平均値および標準偏差等の少なくともいずれかが、血管のデータとして算出されてもよい。

制御部は、検出された動脈の径と静脈の径の比（以下、「動静脈径比」という）を算出してもよい。この場合、ユーザは、動静脈径比を参照することで、動脈硬化等の各種診断をより適切に行うことができる。

＜実施形態＞
（システム構成）
以下、本開示における典型的な実施形態の１つについて、図面を参照して説明する。一例として、本実施形態では、パーソナルコンピュータ（以下、「ＰＣ」という）１が、眼底画像撮影装置１１から被検眼の眼底画像のデータ（以下、単に「眼底画像」という）を取得し、取得した眼科画像に対して各種処理を行う。つまり、本実施形態では、ＰＣ１が眼底画像処理装置として機能する。しかし、眼底画像処理装置として機能するデバイスは、ＰＣ１に限定されない。例えば、眼底画像撮影装置１１が眼底画像処理装置として機能してもよい。タブレット端末またはスマートフォン等の携帯端末が、眼底画像処理装置として機能してもよい。ネットワークを介して眼底画像撮影装置１１から眼底画像を取得可能なサーバが、眼底画像処理装置として機能してもよい。また、複数のデバイスの制御部（例えば、ＰＣ１のＣＰＵ３と、眼底画像撮影装置１１のＣＰＵ１３）が協働して各種画像処理を行ってもよい。

図１に示すように、本実施形態で例示する眼底画像処理システム１００は、ＰＣ１と眼底画像撮影装置１１を備える。ＰＣ１は、各種制御処理を行う制御ユニット２を備える。制御ユニット２は、制御を司るコントローラであるＣＰＵ３と、プログラムおよびデータ等を記憶することが可能な記憶装置４を含む。記憶装置４には、後述する眼底画像処理を実行するための眼底画像処理プログラムが記憶されている。ＰＣ１は、操作部７およびモニタ８に接続されている。操作部７は、ユーザが各種指示をＰＣ１に入力するために、ユーザによって操作される。操作部７には、例えば、キーボード、マウス、タッチパネル等の少なくともいずれかを使用できる。なお、操作部７と共に、または操作部７に代えて、各種指示を入力するためのマイク等が使用されてもよい。モニタ８は、各種画像を表示することが可能な表示部の一例である。

ＰＣ１は、眼底画像撮影装置１１との間で各種データ（例えば眼底画像のデータ）のやり取りを行うことができる。ＰＣ１が眼底画像撮影装置１１との間でデータのやり取りを行う方法は、適宜選択できる。例えば、ＰＣ１は、有線通信、無線通信、着脱可能な記憶媒体（例えばＵＳＢメモリ）等の少なくともいずれかによって、眼底画像撮影装置１１との間でデータのやり取りを行ってもよい。

眼底画像撮影装置１１には、被検眼の眼底の画像を撮影する種々の装置を用いることができる。一例として、本実施形態で使用される眼底画像撮影装置１１は、可視光を用いて眼底のカラー画像を撮影することが可能な眼底カメラである。従って、後述する動静脈の検出処理が、カラーの眼底画像に基づいて適切に行われる。しかし、眼底カメラ以外の装置（例えば、ＯＣＴ装置、レーザ走査型検眼鏡（ＳＬＯ）等の少なくともいずれか）が用いられてもよい。眼底画像は、眼底を被検眼の正面側から撮影した二次元正面画像でもよいし、眼底の三次元画像でもよい。

眼底画像撮影装置１１は、各種制御処理を行う制御ユニット１２と、眼底画像撮影部１６を備える。制御ユニット１２は、制御を司るコントローラであるＣＰＵ１３と、プログラムおよびデータ等を記憶することが可能な記憶装置１４を備える。眼底画像撮影部１６は、被検眼の眼底画像を撮影するための光学部材等を備える。

（眼底画像処理）
以下、本実施形態の眼底画像処理について詳細に説明する。本実施形態の眼底画像処理では、機械学習アルゴリズムによって訓練された数学モデルが用いられることで、眼底画像に存在する動脈と静脈の検出結果が取得される。眼底画像処理は、記憶装置４に記憶された眼底画像処理プログラムに従って、ＣＰＵ３によって実行される。

図２に示すように、ＣＰＵ３は、眼底画像処理を開始すると、被検眼の眼底画像を取得する（Ｓ１）。本実施形態では、ＣＰＵ３は、眼底画像撮影装置１１の眼底画像撮影部１６によって撮影された眼底画像（本実施形態では、眼底のカラー正面画像）を、眼底画像撮影装置１１から取得する。しかし、眼底画像の取得方法は適宜変更できる。例えば、眼底画像撮影装置１１が眼底画像処理を実行する場合には、眼底画像撮影装置１１のＣＰＵ１３は、記憶装置１４に記憶されている眼底画像を取得してもよい。

次いで、ＣＰＵ３は、Ｓ１で取得した眼底画像の領域内の一部に関心領域を設定する（Ｓ２）。図３に、関心領域２５が設定された眼底画像２０の一例を示す。図３に示すように、本実施形態の眼底画像２０は、眼底のカラー正面画像であり、被検眼の視神経乳頭（以下、「乳頭」という）２１、黄斑２２、および眼底血管２３が表れている。本実施形態では、ＣＰＵ３は、眼底画像２０の領域内のうち、乳頭２１を中心とする領域（詳細には、乳頭２１を中心とする環状の領域）を関心領域２５として設定する。図３で例示する関心領域２５は、破線で示す２つの同心円に囲まれた領域である。乳頭２１には、動脈および静脈が出入りする。従って、乳頭２１を中心とする領域を関心領域２５として設定することで、動脈および静脈の適切な情報が効率よく取得される。

なお、ＣＰＵ３は、眼底画像２０に対する画像処理を行うことで乳頭２１の位置を検出し、検出した乳頭２１の位置に基づいて関心領域２５を自動的に設定する。ただし、関心領域２５の具体的な設定方法を変更することも可能である。例えば、ＣＰＵ３は、機械学習アルゴリズムによって訓練された数学モデルを用いて、関心領域２５を自動的に設定してもよい。また、関心領域２５の位置を変更することも可能である。例えば、中心窩（黄斑２２の中心）を中心として関心領域２５が設定されてもよい。関心領域２５の形状を変更することも可能である。また、本実施形態では、関心領域２５の大きさは予め定められている。しかし、ＣＰＵ３は、眼底における所定の部位の大きさに基づいて、関心領域２５の大きさを決定してもよい。例えば、ＣＰＵ３は、略円形である乳頭２１の径を検出し、検出した径のＮ倍（例えば３倍等）を、関心領域２５の径として決定してもよい。Ｎの値は、予め定められていてもよいし、ユーザによって入力される指示に応じて設定されてもよい。この場合、所定の部位（本実施形態では乳頭２１）の大きさに応じて、関心領域２５の大きさが適切に決定される。また、ＣＰＵ３は、ユーザが操作部７等を介して入力した指示に応じて、眼底画像２０における関心領域２５の位置および大きさの少なくともいずれかを設定してもよい。

次いで、ＣＰＵ３は、機械学習アルゴリズムによって訓練された数学モデルに眼底画像２０の少なくとも一部（本実施形態では、関心領域２５の画像）を入力することで、動脈と静脈の検出結果を取得する（Ｓ３）。本実施形態における動静脈の検出結果の取得方法について、詳細に説明する。機械学習アルゴリズムとしては、例えば、ニューラルネットワーク、ランダムフォレスト、ブースティング、サポートベクターマシン（ＳＶＭ）等が一般的に知られている。

ニューラルネットワークは、生物の神経細胞ネットワークの挙動を模倣する手法である。ニューラルネットワークには、例えば、フィードフォワード（順伝播型）ニューラルネットワーク、ＲＢＦネットワーク（放射基底関数）、スパイキングニューラルネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク（リカレントニューラルネット、フィードバックニューラルネット等）、確率的ニューラルネット（ボルツマンマシン、ベイシアンネットワーク等）等がある。

ランダムフォレストは、ランダムサンプリングされた訓練データに基づいて学習を行って、多数の決定木を生成する方法である。ランダムフォレストを用いる場合、予め識別器として学習しておいた複数の決定木の分岐を辿り、各決定木から得られる結果の平均（あるいは多数決）を取る。

ブースティングは、複数の弱識別器を組み合わせることで強識別器を生成する手法である。単純で弱い識別器を逐次的に学習させることで、強識別器を構築する。

ＳＶＭは、線形入力素子を利用して２クラスのパターン識別器を構成する手法である。ＳＶＭは、例えば、訓練データから、各データ点との距離が最大となるマージン最大化超平面を求めるという基準（超平面分離定理）で、線形入力素子のパラメータを学習する。

本実施形態では、機械学習アルゴリズムとして多層型のニューラルネットワークが用いられている。ニューラルネットワークは、データを入力するための入力層と、予測したいデータを生成するための出力層と、入力層と出力層の間の１つ以上の隠れ層を含む。各層には、複数のノード（ユニットとも言われる）が配置される。詳細には、本実施形態では、多層型ニューラルネットワークの一種である畳み込みニューラルネットワーク（ＣＮＮ）が用いられている。

数学モデルは、例えば、入力データと出力データの関係を予測するためのデータ構造を指す。数学モデルは、訓練データセットを用いて訓練されることで構築される。訓練データセットは、入力用訓練データと出力用訓練データのセットである。数学モデルは、ある入力用訓練データが入力された時に、それに対応する出力用訓練データが出力されるように訓練される。例えば、訓練によって、各入力と出力の相関データ（例えば、重み）が更新される。

図４を参照して、本実施形態の数学モデルを構築するために用いられる訓練データセット３０について説明する。本実施形態では、入力用訓練データ３１として、過去に撮影された複数の被検眼の眼底画像２０Ｐが用いられる。また、出力用訓練データ３２として、入力用訓練データ３１の眼底画像２０Ｐにおける動脈２３Ａと静脈２３Ｖを示すデータが用いられる。本実施形態では、入力用訓練データ３１の眼底画像２０Ｐ上で、動脈２３Ａおよび静脈２３Ｖの各々を示すラベルを作業者が付与することで、出力用訓練データ３２が作成される。図４に示す例では、動脈２３Ａが実線、静脈２３Ｖが点線で示されている。なお、図４に示す例では、入力用訓練データ３１は、関心領域２５Ｐよりも広範囲の眼底画像２０Ｐである。また、出力用訓練データ３２は、関心領域２５Ｐ内の動脈２３Ａおよび静脈２３Ｖに加えて、関心領域２５Ｐ以外の動脈２３Ａおよび静脈２３Ｖも示す。従って、例えば、眼底画像２０に設定される関心領域２５の位置が変更される場合等であっても、動静脈が適切に検出される。しかし、入力用訓練データ３１は関心領域２５Ｐの画像であってもよいし、出力用訓練データ３２は関心領域２５Ｐ内の動静脈を示してもよい。

複数の訓練データセット３０には、動脈と静脈が交差している部分のデータも含まれる。従って、構築された数学モデルが用いられることで、動脈と静脈が交差している部分においても適切に動静脈の検出結果が得られる。さらに複数の訓練データセット３０には、白内障等の影響で明るさが不足している眼底画像２０Ｐについての訓練データセット３０、および、疾患等が存在する眼底の画像２０Ｐについての訓練データセット３０も含まれる。よって、暗い眼底画像２０、または、疾患が存在する眼底の画像２０であっても、動静脈の検出結果が適切に得られる。

ＣＰＵ３は、構築された数学モデルに眼底画像２０（図２参照）の少なくとも一部（本実施形態では、関心領域２５の画像）を入力する。その結果、入力された画像に含まれる動静脈の検出結果が出力される。本実施形態では、入力された画像の各画素が、動脈、静脈、およびそれ以外の組織の３つのいずれかに分類されることで、動静脈の検出結果が出力される。つまり、数学モデルに１つの画像が入力されることで、容易に検出結果が得られる。従って、血管を検出した後で、検出した血管を動脈と静脈に分類する場合に比べて、簡易な処理で適切に動静脈が検出される。また、眼底画像から抽出した複数の部位（パッチ）の各々を数学モデルに入力する場合よりも、処理量が削減されやすい。

前述したように、本実施形態では、眼底画像２０における関心領域２５の画像が数学モデルに入力される。従って、眼底画像２０の全体が数学モデルに入力される場合に比べて、少ない演算処理で動静脈の検出結果が取得される。

また、本実施形態では、数学モデルに１つの眼底画像２０（関心領域２５の画像）が入力されると、入力された画像の一部の領域から他の領域に順に演算処理が行われる。ＣＰＵ３は、演算処理が完了した領域の検出結果を、モニタ８に順次表示する。また、ＣＰＵ３は、演算処理が完了した領域の検出結果を用いて、後述するデータ算出処理（Ｓ４）および動静脈径比算出処理（Ｓ５）を順次実行し、結果をモニタ８に順次表示する。Ｓ４およびＳ５の処理が実行されている間も、残りの領域に対する演算処理が行われる。よって、より効率よく処理が行われる。なお、本実施形態では、入力された画像のうち、優先度が高い領域から低い領域へ向けて順に（例えば、関心領域２５の内側から外側へ向けて順に）演算処理が行われる。よって、ユーザは、優先度が高い領域の処理結果を、より早い段階で把握することができる。

次いで、ＣＰＵ３は、検出された動脈および静脈の少なくとも一方に関するデータを算出する（Ｓ４）。詳細には、本実施形態では、ＣＰＵ３は、動脈の径の平均値および標準偏差、静脈の径の平均値および標準偏差、動脈および静脈を含む血管の径の平均値および標準偏差、動脈の輝度の平均値および標準偏差、静脈の輝度の平均値および標準偏差、動脈および静脈を含む血管の輝度の平均値および標準偏差を算出する。

次いで、ＣＰＵ３は、動脈の径と静脈の径の比である動静脈径比を算出する（Ｓ５）。ユーザは、動静脈径比を参照することで、動脈硬化等の各種診断をより適切に行うことができる。なお、動静脈径比の具体的な算出方法は、適宜選択できる。例えば、ＣＰＵ３は、乳頭２１から上方に延びる動脈と静脈の径の比と、乳頭２１から下方に延びる動脈と静脈の径の比を、別々に算出してもよい。眼底の血管には、乳頭２１から上方と下方の各々に動脈と静脈が並走しやすいという特性がある。従って、上方と下方の各々の動静脈径比を算出することで、並走していない動脈と静脈から動静脈径比が算出される可能性が低下する。その結果、より有用な結果が得られる。

上記実施形態で開示された技術は一例に過ぎない。従って、上記実施形態で例示された技術を変更することも可能である。まず、上記実施形態で例示された複数の技術のうちの一部のみを実行することも可能である。例えば、上記実施形態で例示した方法で構築した数学モデルを使用せずに、関心領域２５の画像を数学モデルに入力する処理のみを実行してもよい。逆に、関心領域２５の画像を数学モデルに入力する処理を実行せずに（つまり、眼底画像２０の全体を数学モデルに入力し）、上記実施形態で例示した方法で構築した数学モデルを使用して動静脈の検出結果が取得されてもよい。

なお、図２のＳ１で眼底画像を取得する処理は、「画像取得ステップ」の一例である。図２のＳ３で動静脈の検出結果を取得する処理は、「動静脈検出結果取得ステップ」の一例である。

１ ＰＣ
３ ＣＰＵ
１１ 眼底画像撮影装置
１６ 眼底画像撮影部
２０ 眼底画像
２１ 乳頭
２３ 眼底血管
２３Ａ 動脈
２３Ｖ 静脈
２５ 関心領域
３０ 訓練データセット
３１ 入力用訓練データ
３２ 出力用訓練データ
１００ 眼底画像処理システム

Claims (7)

1. 被検眼の眼底画像を処理する眼底画像処理装置であって、
   前記眼底画像処理装置の制御部は、
   眼底画像撮影部によって撮影された前記眼底画像を取得し、
   機械学習アルゴリズムによって訓練された数学モデルに前記眼底画像の少なくとも一部を入力することで、前記眼底画像の少なくとも一部に存在する動脈と静脈の検出結果を取得することを特徴とする眼底画像処理装置。
2. 請求項１に記載の眼底画像処理装置であって、
   前記数学モデルは、過去に撮影された被検眼の眼底画像を入力用訓練データとし、且つ、前記入力用訓練データの前記眼底画像における動脈と静脈を示すデータを出力用訓練データとして訓練されており、
   前記数学モデルに１つの前記眼底画像が入力されることで、動脈と静脈の検出結果が取得されることを特徴とする眼底画像処理装置。
3. 請求項１または２に記載の眼底画像処理装置であって、
   前記制御部は、
   取得した前記眼底画像の領域内の一部に関心領域を設定し、
   前記数学モデルに前記関心領域の画像を入力することで、前記関心領域に存在する動脈と静脈の検出結果を取得することを特徴とする眼底画像処理装置。
4. 請求項１から３のいずれかに記載の眼底画像処理装置であって、
   前記制御部は、
   前記眼底画像の領域内のうち、乳頭を中心とする領域を前記関心領域として設定することを特徴とする眼底画像処理装置。
5. 請求項１から４のいずれかに記載の眼底画像処理装置であって、
   前記制御部は、
   前記検出結果に基づいて、検出された動脈および静脈の少なくとも一方に関するデータを算出することを特徴とする眼底画像処理装置。
6. 請求項１から５のいずれかに記載の眼底画像処理装置であって、
   前記制御部は、
   検出された動脈の径と静脈の径の比を算出することを特徴とする眼底画像処理装置。
7. 被検眼の眼底画像を処理する眼底画像処理装置によって実行される眼底画像処理プログラムであって、
   前記眼底画像処理プログラムが前記眼底画像処理装置の制御部によって実行されることで、
   眼底画像撮影部によって撮影された前記眼底画像を取得する画像取得ステップと、
   機械学習アルゴリズムによって訓練された数学モデルに前記眼底画像の少なくとも一部を入力することで、前記眼底画像の少なくとも一部に存在する動脈と静脈の検出結果を取得する動静脈検出結果取得ステップと、
   を前記眼底画像処理装置に実行させることを特徴とする眼底画像処理プログラム。
   
   

Images