JP2019209136A

JP2019209136A - 情報処理装置、情報処理方法及びプログラム

Info

Publication number: JP2019209136A
Application number: JP2019097162A
Authority: JP
Inventors: 裕之今村; Hiroyuki Imamura; 律也富田; Ritsuya Tomita
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2018-05-31
Filing date: 2019-05-23
Publication date: 2019-12-12
Anticipated expiration: 2039-05-23
Also published as: JP7374615B2

Abstract

【課題】３次元の血管領域等の所望の領域を精度よく得る。【解決手段】情報処理装置は、眼底の３次元モーションコントラストデータを取得する取得手段と、３次元モーションコントラストデータを高画質化する高画質化手段と、高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出する算出手段と、を備える。【選択図】図１

Description

本明細書の開示は、情報処理装置、情報処理方法及びプログラムに関する。

光干渉断層計（ＯＣＴ；ＯｐｔｉｃａｌＣｏｈｅｒｅｎｃｅＴｏｍｏｇｒａｐｈｙ）を用いて非侵襲に眼底血管を描出するＯＣＴＡｎｇｉｏｇｒａｐｈｙ（以下、ＯＣＴＡと表記）が知られている。ＯＣＴＡでは測定光で同一位置を複数回走査（クラスタ走査）し、複数のＯＣＴ断層画像を取得する。この複数のＯＣＴ断層画像（クラスタ）に基づいて赤血球の変位と測定光との相互作用により得られるモーションコントラストデータがＯＣＴＡ画像として画像化される。

特許文献１では３次元モーションコントラストデータを処理して３次元的に血管計測結果を得ることが開示されている。

特開２０１７−７７４１３号公報

しかしながら、例えば、モーションコントラストデータに含まれるノイズによっては３次元の血管領域を精度よく得ることが難しいために、血管計測結果の精度が低下することがあった。

本明細書の開示の目的の一つは、３次元の血管領域等の所望の領域を精度よく得ることである。

なお、前記目的に限らず、後述する発明を実施するための形態に示す各構成により導かれる作用効果であって、従来の技術によっては得られない作用効果を奏することも本明細書の開示の他の目的の１つとして位置付けることができる。

本明細書に開示の情報処理装置の一つは、眼底の３次元モーションコントラストデータを取得する取得手段と、前記３次元モーションコントラストデータを高画質化する高画質化手段と、前記高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出する算出手段と、を備える。

本明細書の開示の一つによれば、３次元の血管領域等の所望の領域を精度よく得ることができる。

第１の実施形態に係る画像処理装置の構成の一例を示すブロック図である。第１の実施形態及び第２の実施形態に係る画像処理システムの一例を示す図である。第１の実施形態に係る画像処理システムの処理手順の一例を示すフローチャートである。第１の実施形態及び第２の実施形態におけるＯＣＴＡ撮影の走査方法の一例を説明する図である。第１の実施形態のＳ３０７で実行される処理の一例を説明する図である。第１の実施形態のＳ３０８で実行される処理の一例を説明する図である。第１の実施形態において表示手段に表示する撮影画面の一例を説明する図である。第１の実施形態のＳ３０４における画像処理内容の一例及びＳ３０５において表示手段に表示するレポート画面の一例を説明する図である。第１の実施形態及び第２の実施形態において表示手段に表示する計測操作画面の一例と、第２の実施形態のＳ１２１０において表示する計測レポート画面の一例を説明する図である。第１の実施形態及び第２の実施形態において特定された血管領域をユーザが手動修正する場合の操作手順の一例と実行される画像処理内容の一例を説明する図である。第２の実施形態に係る画像処理装置の構成の一例を示すブロック図である。第２の実施形態に係る画像処理システムの処理手順の一例を示すフローチャートである。第２の実施形態のＳ１２０５で実行される高画質化処理の一例を説明する図である。第２の実施形態のＳ１２０８で実行される計測処理の一例を説明する図である。変形例１６に係る機械学習モデルとして用いられるニューラルネットワークの構成の一例を示す。変形例１６に係る機械学習モデルとして用いられるニューラルネットワークの構成の一例を示す。変形例１１に係るユーザーインターフェースの一例を示す。

［第１の実施形態］
本実施形態に係る画像処理装置は、網膜外層に脈絡膜新生血管（ＣＮＶ）を含む被検眼から３次元の合成モーションコントラスト画像を取得し、３次元の血管強調フィルタを適用して２値化することで例えばＣＮＶを含む血管領域を３次元で特定する。さらに特定したＣＮＶ領域の体積を算出し、正確に計測する場合について説明する。

以下、図面を参照しながら、本実施形態に係る画像処理装置を備える画像処理システムについて説明する。

図２は、本実施形態に係る画像処理装置１０１を備える画像処理システム１０の構成を示す図である。図２に示すように、画像処理システム１０は、画像処理装置１０１が、インタフェースを介して断層画像撮影装置１００（ＯＣＴとも言う）、外部記憶部１０２、入力部１０３、表示部１０４と接続されることにより構成されている。

断層画像撮影装置１００は、眼部の断層画像を撮影する装置である。本実施形態においては、断層画像撮影装置１００としてＳＤ−ＯＣＴを用いるものとする。これに限らず、例えばＳＳ−ＯＣＴを用いて構成しても良い。

図２（ａ）において、測定光学系１００−１は前眼部像、被検眼のＳＬＯ眼底像、断層画像を取得するための光学系である。ステージ部１００−２は、測定光学系１００−１を前後左右に移動可能にする。ベース部１００−３は、後述の分光器を内蔵している。

画像処理装置１０１は、ステージ部１００−２の制御、アラインメント動作の制御、断層画像の再構成などを実行するコンピュータである。外部記憶部１０２は、断層撮像用のプログラム、患者情報、撮影データ、過去検査の画像データや計測データなどを記憶する。

入力部１０３はコンピュータへの指示を行い、具体的にはキーボードとマウスから構成される。表示部１０４は、例えばモニタからなる。

（断層画像撮影装置の構成）
本実施形態の断層画像撮影装置１００における測定光学系及び分光器の構成について図２（ｂ）を用いて説明する。

まず、測定光学系１００−１の内部について説明する。被検眼２００に対向して対物レンズ２０１が設置され、その光軸上に第１ダイクロイックミラー２０２及び第２ダイクロイックミラー２０３が配置されている。これらのダイクロイックミラーによってＯＣＴ光学系の光路２５０、ＳＬＯ光学系と固視灯用の光路２５１、及び前眼観察用の光路２５２とに波長帯域ごとに分岐される。

ＳＬＯ光学系と固視灯用の光路２５１は、ＳＬＯ走査手段２０４、レンズ２０５及び２０６、ミラー２０７、第３ダイクロイックミラー２０８、ＡＰＤ（ＡｖａｌａｎｃｈｅＰｈｏｔｏｄｉｏｄｅ）２０９、ＳＬＯ光源２１０、固視灯２１１を有している。

ミラー２０７は、穴あきミラーや中空のミラーが蒸着されたプリズムであり、ＳＬＯ光源２１０による照明光と、被検眼からの戻り光とを分離する。第３ダイクロイックミラー２０８はＳＬＯ光源２１０の光路と固視灯２１１の光路とに波長帯域ごとに分離する。

ＳＬＯ走査手段２０４は、ＳＬＯ光源２１０から発せられた光を被検眼２００上で走査するものであり、Ｘ方向に走査するＸスキャナ、Ｙ方向に走査するＹスキャナから構成されている。本実施形態では、Ｘスキャナは高速走査を行う必要があるためポリゴンミラーで、Ｙスキャナはガルバノミラーによって構成されている。

レンズ２０５はＳＬＯ光学系及び固視灯２１１の焦点合わせのため、不図示のモータによって駆動される。ＳＬＯ光源２１０は７８０ｎｍ付近の波長の光を発生する。ＡＰＤ２０９は、被検眼からの戻り光を検出する。固視灯２１１は可視光を発生して被検者の固視を促すものである。

ＳＬＯ光源２１０から発せられた光は、第３ダイクロイックミラー２０８で反射され、ミラー２０７を通過し、レンズ２０６及び２０５を通ってＳＬＯ走査手段２０４によって被検眼２００上で走査される。被検眼２００からの戻り光は、照明光と同じ経路を戻った後、ミラー２０７によって反射され、ＡＰＤ２０９へと導かれ、ＳＬＯ眼底像が得られる。

固視灯２１１から発せられた光は、第３ダイクロイックミラー２０８、ミラー２０７を透過し、レンズ２０６及び２０５を通り、ＳＬＯ走査手段２０４によって被検眼２００上の任意の位置に所定の形状を作り、被検者の固視を促す。

前眼観察用の光路２５２には、レンズ２１２及び２１３、スプリットプリズム２１４、赤外光を検知する前眼部観察用のＣＣＤ２１５が配置されている。このＣＣＤ２１５は、不図示の前眼部観察用照射光の波長、具体的には９７０ｎｍ付近に感度を持つものである。スプリットプリズム２１４は、被検眼２００の瞳孔と共役な位置に配置されており、被検眼２００に対する測定光学系１００−１のＺ軸方向（光軸方向）の距離を、前眼部のスプリット像として検出できる。

ＯＣＴ光学系の光路２５０は前述の通りＯＣＴ光学系を構成しており、被検眼２００の断層画像を撮影するためのものである。より具体的には、断層画像を形成するための干渉信号を得るものである。ＸＹスキャナ２１６は光を被検眼２００上で走査するためのものであり、図２（ｂ）では１枚のミラーとして図示されているが、実際はＸＹ２軸方向の走査を行うガルバノミラーである。

レンズ２１７及び２１８のうち、レンズ２１７については光カプラー２１９に接続されているファイバー２２４から出射するＯＣＴ光源２２０からの光を、被検眼２００に焦点合わせするために不図示のモータによって駆動される。この焦点合わせによって、被検眼２００からの戻り光は同時にファイバー２２４の先端に、スポット状に結像されて入射されることとなる。次に、ＯＣＴ光源２２０からの光路と参照光学系、分光器の構成について説明する。２２０はＯＣＴ光源、２２１は参照ミラー、２２２は分散補償硝子、２２３はレンズ、２１９は光カプラー、２２４から２２７は光カプラーに接続されて一体化しているシングルモードの光ファイバー、２３０は分光器である。

これらの構成によってマイケルソン干渉計を構成している。ＯＣＴ光源２２０から出射された光は、光ファイバー２２５を通じ、光カプラー２１９を介して光ファイバー２２４側の測定光と、光ファイバー２２６側の参照光とに分割される。測定光は前述のＯＣＴ光学系光路を通じ、観察対象である被検眼２００に照射され、被検眼２００による反射や散乱により同じ光路を通じて光カプラー２１９に到達する。

一方、参照光は光ファイバー２２６、レンズ２２３、測定光と参照光の波長分散を合わせるために挿入された分散補償ガラス２２２を介して参照ミラー２２１に到達し反射される。そして同じ光路を戻り、光カプラー２１９に到達する。
光カプラー２１９によって、測定光と参照光は合波され干渉光となる。

ここで、測定光の光路長と参照光の光路長がほぼ同一となったときに干渉を生じる。参照ミラー２２１は、不図示のモータおよび駆動機構によって光軸方向に調整可能に保持され、測定光の光路長に参照光の光路長を合わせることが可能である。干渉光は光ファイバー２２７を介して分光器２３０に導かれる。

また、偏光調整部２２８、２２９は、各々光ファイバー２２４、２２６中に設けられ、偏光調整を行う。これらの偏光調整部は光ファイバーをループ状に引きまわした部分を幾つか持っている。このループ状の部分をファイバーの長手方向を中心として回転させることでファイバーに捩じりを加え、測定光と参照光の偏光状態を各々調整して合わせることができる。

分光器２３０はレンズ２３２、２３４、回折格子２３３、ラインセンサ２３１から構成される。光ファイバー２２７から出射された干渉光はレンズ２３４を介して平行光となった後、回折格子２３３で分光され、レンズ２３２によってラインセンサ２３１に結像される。

次に、ＯＣＴ光源２２０の周辺について説明する。ＯＣＴ光源２２０は、代表的な低コヒーレント光源であるＳＬＤ（ＳｕｐｅｒＬｕｍｉｎｅｓｃｅｎｔＤｉｏｄｅ）である。中心波長は８５５ｎｍ、波長バンド幅は約１００ｎｍである。ここで、バンド幅は、得られる断層画像の光軸方向の分解能に影響するため、重要なパラメータである。

光源の種類は、ここではＳＬＤを選択したが、低コヒーレント光が出射できればよく、ＡＳＥ（ＡｍｐｌｉｆｉｅｄＳｐｏｎｔａｎｅｏｕｓＥｍｉｓｓｉｏｎ）等を用いることができる。中心波長は眼を測定することを鑑みると近赤外光が適する。また、中心波長は得られる断層画像の横方向の分解能に影響するため、なるべく短波長であることが望ましい。双方の理由から中心波長は８５５ｎｍとした。

本実施形態では干渉計としてマイケルソン干渉計を用いたが、マッハツェンダー干渉計を用いても良い。測定光と参照光との光量差に応じて、光量差が大きい場合にはマッハツェンダー干渉計を、光量差が比較的小さい場合にはマイケルソン干渉計を用いることが望ましい。

（画像処理装置の構成）
本実施形態の画像処理装置（情報処理装置）１０１の構成について図１を用いて説明する。

画像処理装置１０１は断層画像撮影装置１００に接続されたパーソナルコンピュータ（ＰＣ）であり、画像取得部１０１−０１、記憶部１０１−０２、撮影制御部１０１−０３、画像処理部１０１−０４、表示制御部１０１−０５を備える。また、画像処理装置１０１は演算処理装置ＣＰＵが画像取得部１０１−０１、撮影制御部１０１−０３、画像処理部１０１−０４および表示制御部１０１−０５を実現するソフトウェアモジュールを実行することで機能を実現する。当該ソフトウェアモジュールは例えば記憶部１０１−０２に記憶されている。本発明はこれに限定されず、例えば画像処理部１０１−０４をＡＳＩＣ等の専用のハードウェアで実現してもよいし、表示制御部１０１−０５をＣＰＵとは異なるＧＰＵ等の専用プロセッサを用いて実現してもよい。また断層画像撮影装置１００と画像処理装置１０１との接続はネットワークを介した構成であってもよい。なお、ＣＰＵ等のプロセッサは複数であってもよいし、プロセッサが実行するプログラムを記憶するメモリは１つであってもよいし複数であってもよい。

画像取得部１０１−０１は断層画像撮影装置１００により撮影されたＳＬＯ眼底像や断層画像の信号データを取得する。また画像取得部１０１−０１は断層画像生成部１０１―１１及びモーションコントラストデータ生成部１０１−１２を有する。断層画像生成部１０１―１１は断層画像撮影装置１００により撮影された断層画像の信号データ（干渉信号）を取得して信号処理により断層画像を生成し、生成した断層画像を記憶部１０１−０２に格納する。

撮影制御部１０１−０３は、断層画像撮影装置１００に対する撮影制御を行う。撮影制御には、断層画像撮影装置１００に対して撮影パラメータの設定に関して指示することや、撮影の開始もしくは終了に関して指示することも含まれる。

画像処理部１０１−０４は、位置合わせ部１０１−４１、合成部１０１−４２、補正部１０１−４３、画像特徴取得部１０１−４４、投影部１０１−４５、解析部１０１−４６を有する。先に述べた画像取得部１０１−０１は、本発明に係る取得手段の一例である。また、合成部１０１−４２は、モーションコントラストデータ生成部１０１−１２により生成された複数のモーションコントラストデータを位置合わせ部１０１−４１により得られた位置合わせパラメータに基づいて合成し、合成モーションコントラスト画像を生成する。ここで、合成部１０１−４２は、３次元モーションコントラストデータを高画質化する高画質化手段の一例である。なお、本実施形態においても、高画質化手段による処理として、合成部１０１−４２による処理の他に、例えば、後述する第２の実施形態における機械学習による高画質化処理を適用することが可能である。また、補正部１０１−４３はモーションコントラスト画像内に生じるプロジェクションアーチファクトを２次元もしくは３次元的に抑制する処理を行う（プロジェクションアーチファクトについてはＳ３０４で説明する）。例えば、補正部１０１−４３は合成された３次元モーションコントラストデータにおけるプロジェクションアーチファクトを低減する処理を行う。すなわち、補正部１０１−４３は、合成された３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理を行う処理手段の一例に相当する。画像特徴取得部１０１−４４は断層画像から網膜や脈絡膜の層境界、中心窩や視神経乳頭中心の位置を取得する。投影部１０１−４５は画像特徴取得部１０１−４４が取得した層境界の位置に基づく深度範囲でモーションコントラスト画像を投影し、正面モーションコントラスト画像を生成する。解析部１０１−４６は強調部１０１−４６１・抽出部１０１−４６２・計測部１０１−４６３を有し、３次元もしくは正面モーションコントラスト画像から血管領域の抽出や計測処理を行う。強調部１０１−４６１は血管強調処理を実行する。また、抽出部１０１−４６２は血管強調画像に基づいて血管領域を抽出する。さらに、計測部１０１−４６３は抽出された該血管領域や該血管領域を細線化することで取得した血管中心線データを用いて血管密度等の計測値を算出する。すなわち、本実施形態に係る画像処理装置は、高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域を抽出することができる。なお、抽出部１０１−４６２は、３次元の血管領域を抽出する抽出手段の一例である。また、本実施形態に係る画像処理装置は、高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出することができる。なお、３次元の血管領域に関する情報は、例えば、高画質化された３次元モーションコントラストデータにおける３次元の血管領域の位置情報等である。ただし、３次元の血管領域に関する情報は、高画質化された３次元モーションコントラストデータから血管計測値を算出可能な情報であれば何でもよい。

外部記憶部１０２は、被検眼の情報（患者の氏名、年齢、性別など）と、撮影した画像（断層画像及びＳＬＯ画像・ＯＣＴＡ画像）や合成画像、撮影パラメータ、血管領域や血管中心線の位置データ、計測値、操作者が設定したパラメータを関連付けて保持している。入力部１０３は、例えば、マウス、キーボード、タッチ操作画面などであり、操作者は、入力部１０３を介して、画像処理装置１０１や断層画像撮影装置１００へ指示を行う。

次に、図３を参照して本実施形態の画像処理装置１０１の処理手順を示す。図３は、本実施形態における本システム全体の動作処理の流れを示すフローチャートである。

＜ステップ３０１＞
操作者は入力部１０３を操作することにより、断層画像撮影装置１００に対して指示するＯＣＴＡ画像の撮影条件を設定する。なお、個々のＯＣＴＡ撮影に関する撮影条件としては以下の３）に示すような設定項目があり、これらの設定項目を基準検査と同一の値に設定した上で、Ｓ３０２において基準検査と同一撮像条件のＯＣＴＡ撮影を所定の回数だけ繰り返し実行する。図４は走査パターンの一例を示す図である。図４では主走査方向が水平（ｘ軸）方向で、副走査（ｙ軸）方向の各位置（ｙｉ；１≦ｉ≦ｎ）においてｒ回連続でＢスキャンを行うＯＣＴＡ撮影の例を示している。

具体的には
１）検査セットの選択もしくは登録
２）選択した検査セットにおけるスキャンモードの選択もしくは追加
３）スキャンモードに対応する撮影パラメータ設定
の手順からなり、本実施形態では以下のように設定してＳ３０２において適宜休憩を挟みながら（同一撮像条件の）ＯＣＴＡ撮影を所定の回数だけ繰り返し実行する。

１）ＭａｃｕｌａｒＤｉｓｅａｓｅ検査セットを登録
２）ＯＣＴＡスキャンモードを選択
３）以下の撮影パラメータを設定
３−１）走査パターン：ＳｍａｌｌＳｑｕａｒｅ
３−２）走査領域サイズ：３ｘ３ｍｍ
３−３）主走査方向：水平方向
３−４）走査間隔：０．０１ｍｍ
３−５）固視灯位置：中心窩
３−６）１クラスタあたりのＢスキャン数：４
３−７）コヒーレンスゲート位置：硝子体側
３−８）既定表示レポート種別：単検査用レポート
なお、検査セットとは検査目的別に設定した（スキャンモードを含む）撮像手順や、各スキャンモードで取得したＯＣＴ画像やＯＣＴＡ画像の既定の表示法を指す。また、上記の数値は例示であり他の数値であってもよい。ここで、ＯＣＴＡにおいて同一位置で複数回走査することをクラスタ走査と呼ぶ。なお、異なるクラスタ間の断層画像を用いて脱相関は計算しない。また、瞬き等で再走査を行う単位はクラスタ単位である。

黄斑疾患眼向けの設定がなされたＯＣＴＡスキャンモードを含む検査セットが「ＭａｃｕｌａｒＤｉｓｅａｓｅ」という名前で登録される。登録された検査セットは外部記憶部１０２に記憶される。

本実施形態においては、図７の撮影画面７１０に示すように、検査セットとして「ＭａｕｃｕｌａｒＤｉｓｅａｓｅ」（７１１）、スキャンモードとして「ＯＣＴＡ」モード７１２を選択する。

＜ステップ３０２＞
操作者は入力部１０３を操作して図７に示す撮影画面７１０中の撮影開始（Ｃａｐｔｕｒｅ）ボタン７１３を押下することにより、Ｓ３０１で指定した撮影条件による繰り返しＯＣＴＡ撮影を開始する。

撮影制御部１０１−０３は断層画像撮影装置１００に対してＳ３０１で操作者が指示した設定に基づいて繰り返しＯＣＴＡ撮影を実施することを指示し、断層画像撮影装置１００が対応するＯＣＴ断層画像を取得する。

なお、本実施形態では、本ステップにおける繰り返し撮像回数を３回とする。これに限らず、繰り返し撮像回数は任意の回数に設定してよい。また、本発明は繰り返し撮影間の撮影時間間隔が各繰り返し撮影内の断層像の撮影時間間隔よりも長い場合に限定されるものではなく、両者が略同一である場合も本発明に含まれる。

また断層画像撮影装置１００はＳＬＯ画像の取得も行い、ＳＬＯ動画像に基づく追尾処理を実行する。本実施形態において繰り返しＯＣＴＡ撮影における追尾処理に用いる基準ＳＬＯ画像は１回目の繰り返しＯＣＴＡ撮影において設定した基準ＳＬＯ画像とし、全ての繰り返しＯＣＴＡ撮影において共通の基準ＳＬＯ画像を用いる。

またＯＣＴＡ繰り返し撮影中は、Ｓ３０１で設定した撮影条件に加えて
・左右眼の選択
・追尾処理の実行有無
についても同じ設定値を用いる（変更しない）ものとする。

＜ステップ３０３＞
画像取得部１０１−０１及び画像処理部１０１−０４は、Ｓ３０２で取得されたＯＣＴ断層画像に基づいてモーションコントラスト画像（モーションコントラストデータ）を生成する。具体的には、画像処理部１０１−０４は、繰り返しＯＣＴＡ撮影に基づいて、複数の３次元モーションコントラストデータを取得する。すなわち、画像処理部１０１−０４は、眼底の３次元モーションコントラストデータを複数取得する取得手段の一例に相当する。

まず断層画像生成部１０１−１１は画像取得部１０１−０１が取得した干渉信号に対して波数変換及び高速フーリエ変換（ＦＦＴ）、絶対値変換（振幅の取得）を行うことで１クラスタ分の断層画像を生成する。

次に位置合わせ部１０１−４１は同一クラスタに属する断層画像同士を位置合わせし、重ねあわせ処理を行う。画像特徴取得部１０１−４４が該重ね合わせ断層画像から層境界データを取得する。本実施形態では、層境界の取得法として可変形状モデルを用いるが、任意の公知の層境界取得手法を用いてよい。なお層境界の取得処理は必須ではなく、例えばモーションコントラスト画像の生成を３次元のみで行い、深度方向に投影した２次元のモーションコントラスト画像を生成しない場合には層境界の取得処理は省略できる。モーションコントラストデータ生成部１０１−１２が同一クラスタ内の隣接する断層画像間でモーションコントラストを算出する。本実施形態では、モーションコントラストとして脱相関値Ｍｘｙを以下の式（１）に基づき求める。

ここで、Ａｘｙは断層画像データＡの位置（ｘ，ｙ）における（ＦＦＴ処理後の複素数データの）振幅、Ｂｘｙは断層データＢの同一位置（ｘ，ｙ）における振幅を示している。０≦Ｍｘｙ≦１であり、両振幅値の差異が大きいほど１に近い値をとる。式（１）のような脱相関演算処理を（同一クラスタに属する）任意の隣接する断層画像間で行い、得られた（１クラスタあたりの断層画像数−１）個のモーションコントラスト値の平均を画素値として持つ画像を最終的なモーションコントラスト画像として生成する。

なお、ここではＦＦＴ処理後の複素数データの振幅に基づいてモーションコントラストを計算したが、モーションコントラストの計算法は上記に限定されない。例えば複素数データの位相情報に基づいてモーションコントラストを計算してもよいし、振幅と位相の両方の情報に基づいてモーションコントラストを計算してもよい。あるいは、複素数データの実部や虚部に基づいてモーションコントラストを計算してもよい。

また、本実施形態では、モーションコントラストとして脱相関値を計算したが、モーションコントラストの計算法はこれに限定されない。例えば二つの値の差分に基づいてモーションコントラストを計算しても良いし、二つの値の比に基づいてモーションコントラストを計算してもよい。

さらに、上記では取得された複数の脱相関値の平均値を求めることで最終的なモーションコントラスト画像を得ているが、本発明はこれに限定されない。例えば取得された複数の脱相関値の中央値、あるいは最大値を画素値として持つ画像を最終的なモーションコントラスト画像として生成しても良い。

＜ステップ３０４＞
画像処理部１０１−０４は、繰り返しＯＣＴＡ撮影を通して得られた複数の３次元モーションコントラスト画像群（図８（ａ））を３次元的に位置合わせし、加算平均することで図８（ｂ）に示すように、高画質な（例えば、高コントラストな）モーションコントラスト画像の一例である合成モーションコントラスト画像を生成する。すなわち、画像処理部１０１−０４は、複数の３次元モーションコントラストデータを合成することにより、３次元モーションコントラストを高画質化する高画質化手段の一例に相当する。ここで、本実施形態においても、高画質化手段による処理として、画像処理部１０１−０４による処理の他に、例えば、後述する第２の実施形態における機械学習による高画質化処理を適用することが可能である。

なお、合成処理は単純加算平均に限定されない。例えば各モーションコントラスト画像の輝度値に対して任意の重みづけをした上で平均した値でもよいし、中央値をはじめとする任意の統計値を算出してもよい。また、位置合わせ処理を２次元的に行う場合も本発明に含まれる。

また、合成部１０１−４２が合成処理に不適なモーションコントラスト画像が含まれているか否かを判定した上で、不適と判定したモーションコントラスト画像を除いて合成処理を行うよう構成してもよい。例えば、各モーションコントラスト画像に対して評価値（例えば脱相関値の平均値や、ｆＳＮＲ）が所定の範囲外である場合に、合成処理に不適と判定すればよい。

本実施形態では、合成部１０１−４２がモーションコントラスト画像を３次元的に合成した後、補正部１０１−４３がモーションコントラスト画像内に生じるプロジェクションアーチファクトを３次元的に抑制する処理を行う。

ここで、プロジェクションアーチファクトは網膜表層血管内のモーションコントラストが深層側（網膜深層や網膜外層・脈絡膜）に映り込み、実際には血管の存在しない深層側の領域に高い脱相関値が生じる現象を指す。図８（ｃ）に、３次元ＯＣＴ断層画像上に３次元モーションコントラストデータを重畳表示した例を示す。網膜表層血管領域に対応する高い脱相関値を持つ領域８０１の深層側（視細胞層）に、高い脱相関値を持つ領域８０２が生じている。本来視細胞層に血管は存在しないにもかかわらず、網膜表層で生じている血管領域の明滅が視細胞層に血管影の明滅として映り込み、視細胞層の輝度値が変化することでアーチファクト８０２が生じる。

補正部１０１−４３は、３次元の合成モーションコントラスト画像上に生じたプロジェクションアーチファクト８０２を抑制する処理を実行する。任意の公知のプロジェクションアーチファクト抑制手法を用いてよいが、本実施形態では、Ｓｔｅｐ−ｄｏｗｎＥｘｐｏｎｅｎｔｉａｌＦｉｌｔｅｒｉｎｇを用いる。Ｓｔｅｐ−ｄｏｗｎＥｘｐｏｎｅｎｔｉａｌＦｉｌｔｅｒｉｎｇでは、３次元モーションコントラスト画像上の各Ａスキャンデータに対して式（２）で表される処理を実行することにより、プロジェクションアーチファクトを抑制する。

ここで、γは負の値を持つ減衰係数、Ｄ（ｘ，ｙ，ｚ）はプロジェクションアーチファクト抑制処理前の脱相関値、Ｄ_Ｅ（ｘ，ｙ，ｚ）は該抑制処理後の脱相関値を表す。

図８（ｄ）にプロジェクションアーチファクト抑制処理後の３次元合成モーションコントラストデータ（灰色）を断層画像上に重畳表示した例を示す。プロジェクションアーチファクト抑制処理前（図８（ｃ））に視細胞層上に見られたアーチファクトが、該抑制処理によって除去されたことがわかる。

次に、投影部１０１−４５はＳ３０３で画像特徴取得部１０１−４４が取得した層境界の位置に基づく深度範囲でモーションコントラスト画像を投影し、正面モーションコントラスト画像を生成する。任意の深度範囲で投影してよいが、本実施形態においては網膜表層及び網膜外層の深度範囲で２種類の正面合成モーションコントラスト画像を生成する。また、投影法としては最大値投影（ＭＩＰ；ＭａｘｉｍｕｍＩｎｔｅｎｓｉｔｙＰｒｏｊｅｃｔｉｏｎ）・平均値投影（ＡＩＰ；ＡｖｅｒａｇｅＩｎｔｅｎｓｉｔｙＰｒｏｊｅｃｔｉｏｎ）のいずれかを選択でき、本実施形態では最大値投影で投影するものとする。

最後に、画像処理装置１０１は取得した画像群（ＳＬＯ画像や断層画像）と該画像群の撮影条件データや、生成した３次元及び正面モーションコントラスト画像と付随する生成条件データを検査日時、被検眼を同定する情報と関連付けて外部記憶部１０２へ保存する。

＜ステップ３０５＞
表示制御部１０１−０５は、Ｓ３０３で生成した断層画像や、Ｓ３０４で合成した３次元及び正面モーションコントラスト画像、撮影条件や合成条件に関する情報を表示部１０４に表示させる。

図８（ｅ）にレポート画面８０３の例を示す。本実施形態では、ＳＬＯ画像及び断層画像、Ｓ３０４で合成及び投影することにより生成した異なる深度範囲の正面モーションコントラスト画像、対応する正面ＯＣＴ画像を表示する。図８（ｅ）では上段に網膜表層、下段に網膜外層を各々投影深度範囲として生成した正面モーションコントラスト画像を表示しており、網膜外層の正面モーションコントラスト画像８０８には脈絡膜毛細血管（ＣＮＶ）が描出されている。

なお、表示部１０４に表示するモーションコントラスト画像は正面モーションコントラスト画像に限定されるものではなく、３次元的にレンダリングした３次元モーションコントラスト画像を表示してもよい。

正面モーションコントラスト画像の投影範囲はリストボックスに表示された既定の深度範囲セット（８０５及び８０９）から操作者が選択することで変更できる。また、投影範囲の指定に用いる層境界の種類とオフセット位置を８０６や８１０のようなユーザーインターフェースから変更したり、断層像上に重畳された層境界データ（８０７及び８１１）を入力部１０３から操作して移動させたりすることで投影範囲を変更できる。

さらに、画像投影法やプロジェクションアーチファクト抑制処理の有無を例えばコンテキストメニューのようなユーザーインターフェースから選択することにより変更してもよい。例えば、プロジェクションアーチファクト抑制処理後のモーションコントラスト画像を３次元画像として表示部１０４に表示してもよい。

＜ステップ３０６＞
操作者が入力部１０３を用いてＯＣＴＡ計測処理の開始を指示する。

本実施形態では、図８（ｅ）のレポート画面８０３のモーションコントラスト画像上をダブルクリックすることで、図９（ａ）のようなＯＣＴＡ計測画面に移行する。モーションコントラスト画像が拡大表示され、解析部１０１−４６が計測処理を開始する。

計測処理の種類として任意の計測処理を行ってよく、本実施形態では図９（ａ）のＤｅｎｓｉｔｙＡｎａｌｙｓｉｓ９０３もしくはＴｏｏｌｓボタン９０４を選択して表示される項目９０５に示す解析の種類と、必要に応じて解析の次元数に関する項目９１２を選択することにより、所望の計測の種類を指定する。

例えばＴｏｏｌｓボタン９０４を選択して表示される項目９０５からＡｒｅａ／Ｖｏｌｕｍｅを選択した状態で血管領域もしくは無血管領域のうちの１点をユーザが入力部１０３を用いて選択することにより、解析の種類として血管もしくは無血管領域の面積を指定できる。ここで、３ＤＡｎａｌｙｓｉｓの項目も選択している場合には、解析の種類として血管もしくは無血管領域の体積を指定できる。あるいは、ＤｅｎｓｉｔｙＡｎａｌｙｓｉｓ９０３のＡｒｅａＤｅｎｓｉｔｙ（もしくはＳｋｅｌｅｔｏｎＤｅｎｓｉｔｙ）を選択することで、解析の種類として２次元のＶＡＤ（もしくはＶＬＤ）を指定できる。ここで、３ＤＡｎａｌｙｓｉｓの項目も選択している場合には、解析の種類として３次元のＶＡＤ（もしくはＶＬＤ）を指定できる。なおＡｒｅａＤｅｎｓｉｔｙ、ＳｋｅｌｅｔｏｎＤｅｎｓｉｔｙは後述するＶＡＤ、ＶＬＤと各々同義である。また、３次元のＡｒｅａＤｅｎｓｉｔｙ（ＶＡＤ）はＶｏｌｕｍｅＤｅｎｓｉｔｙ（ＶＶＤ）と言い換えてもよい。

ここで、３次元画像処理による計測は大きく、以下のように大別できる。
１）３次元で強調し、２次元で特定した血管領域もしくは血管中心線データに対する２次元計測（投影強調画像を２値化した画像上の２次元位置に基づく計測）
２）３次元で強調及び特定した血管領域もしくは血管中心線データに対する２次元計測（投影２値画像上の２次元位置に基づく計測、所定の条件をみたすＡスキャン群に対する計測）
３）３次元で強調及び特定された血管領域もしくは血管中心線データに対する３次元計測（３次元２値画像上の３次元位置に基づく計測）

１）及び２）の例として、投影画像上で上記無血管領域の面積や血管密度、血管領域の面積や径、長さ、曲率を計測したり、投影画像を生成せずに所定の条件を満たすＡスキャン群の本数や水平方向の距離、水平方向の面積等を用いて２次元計測値を算出したりすることが挙げられる。計測内容は正面モーションコントラスト画像に対する計測と同様であるものの、正面モーションコントラスト画像を強調・特定して計測する場合よりも血管抽出能が向上するため計測精度が向上する。

また、３）の例として
３−１）血管の体積計測
３−２）任意方向の断面画像もしくは曲断面画像上の計測（血管の径もしくは断面積計測も含む）
３−３）血管の長さや曲率計測
が挙げられる。

本実施形態では、上記の３）に示した計測を行う。すなわち、本実施形態では、３次元で血管強調及び血管領域の特定処理を実行した後、３次元モーションコントラストデータから網膜表層の深度範囲で３次元の血管密度（ＶＡＤ）、網膜外層の深度範囲で血管領域の体積を各々計測する。このように、深さ方向に投影した２次元モーションコントラストデータから血管密度等を算出するのではなく、３次元モーションコントラストデータから直接血管密度等を算出するため、血管が深さ方向に重なっている部分も正確に評価することが可能となる。

ここで、ＶＡＤはＶｅｓｓｅｌＡｒｅａＤｅｎｓｉｔｙの略であり、計測対象に含まれる血管領域の割合で定義される血管密度（単位：％）である。また、ＶＬＤはＶｅｓｓｅｌＬｅｎｇｔｈＤｅｎｓｉｔｙの略であり、２次元の場合は単位面積あたりに含まれる血管の長さの総和（単位：ｍｍ^−１）として、また３次元の場合は単位体積あたりに含まれる血管の長さの総和（単位：ｍｍ^−２）として定義される血管密度である。すなわち、血管密度にはＶＡＤとＶＬＤとが含まれる。

血管密度は血管の閉塞範囲や血管網の疎密の程度を定量化するための指標であり、ＶＡＤが最もよく用いられている。ただし、ＶＡＤでは計測値に占める大血管領域の寄与分が大きくなるため、糖尿病網膜症のように毛細血管の病態に注目して計測したい場合には（より毛細血管の閉塞に敏感な指標として）ＶＬＤが用いられる。

これに限らず、例えば血管構造の複雑さを定量化するＦｒａｃｔａｌＤｉｍｅｎｓｉｏｎや、血管径の分布（血管の瘤や狭窄の分布）を表すＶｅｓｓｅｌＤｉａｍｅｔｅｒＩｎｄｅｘを計測してもよい。

次に、解析部１０１−４６は計測処理の前処理を行う。任意の公知の画像処理を前処理として適用できるが、本実施形態では、前処理として画像拡大及びモルフォロジー演算（トップハットフィルタ処理）を行う。トップハットフィルタを適用することにより、背景成分の輝度ムラを軽減できる。具体的には、合成モーションコントラスト画像の画素サイズが約３μｍになるように３次元Ｂｉｃｕｂｉｃ補間を用いて画像拡大し、球形の構造要素を用いてトップハットフィルタ処理を行うものとする。

＜ステップ３０７＞
解析部１０１−４６が血管領域の特定処理を行う。本実施形態では、強調部１０１−４６１が３次元ヘシアンフィルタ及び３次元エッジ選択鮮鋭化に基づく血管強調処理を行う。次に抽出部１０１−４６２が２種類の血管強調画像を用いて２値化処理を行い、整形処理を行うことで血管領域を特定する。

血管領域特定処理の詳細はＳ５１０〜Ｓ５６０で説明する。

＜ステップ３０８＞
計測部１０１−４６３が、操作者により指定された計測対象領域に関する情報に基づいて単検査の画像に対する血管密度の計測を行う。引き続いて表示制御部１０１−０５が、計測結果を表示部１０４に表示する。より具体的には、計測部１０１−４６３は、加算平均された複数の３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、３次元空間における血管密度等を算出する。すなわち、計測部１０１−４６３は、合成された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、３次元空間における血管密度を算出する算出手段の一例に相当する。より具体的には計測部１０１−４６３はプロジェクションアーチファクトを低減する処理が実行された後に血管密度の算出を行う。すなわち、算出手段の一例である計測部１０１−４６３は、処理手段によりプロジェクションアーチファクトが低減された後の合成された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、３次元空間における血管密度を算出する。

血管密度としてはＶＡＤとＶＬＤの２種類の指標があり、本実施形態ではＶＡＤを計算する場合の手順を例に説明する。なお、ＶＬＤを計算する場合の手順についても後述する。

操作者が入力部１０３から血管領域もしくは血管中心線データを手動修正するよう指示を入力した場合には、解析部１０１−４６が操作者から入力部１０３を介して指定された位置情報に基づいて血管領域もしくは血管中心線データを手動修正し、計測値を再計算する。

網膜表層におけるＶＡＤ計測、網膜外層における脈絡膜新生血管の体積計測についてはＳ８１０〜Ｓ８２０、網膜表層におけるＶＬＤ計測、網膜外層における脈絡膜新生血管の総血管長計測についてはＳ８３０〜Ｓ８５０で各々説明する。

＜ステップ３０９＞
解析部１０１−４６は、Ｓ３０７で特定した血管領域や血管中心線のデータを手動修正するか否かの指示を外部から取得する。この指示は例えば入力部１０３を介して操作者により入力される。手動修正処理が指示された場合はＳ３０８へ、手動修正処理が指示されなかった場合はＳ３１０へと処理を進める。

＜ステップ３１０＞
表示制御部１０１−０５は、Ｓ３０８で実施した計測結果に関するレポートを表示部１０４に表示する。

本実施形態では、単検査（Ｓｉｎｇｌｅ）計測レポートの上段に網膜表層において計測したＶＡＤマップとＶＡＤセクタマップを重畳表示し、下段に網膜外層深層において特定した脈絡膜新生血管領域の２値画像や計測した体積値を表示する。これにより異なる深度位置の血管病態を一覧して把握できる。また、網膜外層におけるＣＮＶの３次元的な位置を特定したり、存在量を正確に定量化したりできる。

また各計測対象画像に関して、略同一位置における断層画像数やＯＣＴＡ重ね合わせ処理の実施条件に関する情報、ＯＣＴ断層画像もしくはモーションコントラスト画像の評価値（画質指標）に関する情報を表示部１０４に表示させてもよい。

なお、本実施形態では異なる深度範囲として網膜表層及び網膜外層の画像及び計測値を表示したが、これに限らず例えば網膜表層・網膜深層・網膜外層・脈絡膜の４種類の深度範囲の画像及び計測値を表示してもよい。

またモーションコントラスト画像や特定された血管領域もしくは血管中心線の２値画像は正面画像として投影表示することに限定されるものではなく、３次元的にレンダリングして３次元画像として表示してもよい。

あるいは、異なる指標の計測結果を並置して表示してもよい。例えば、上段にＶＡＤマップの時系列表示、下段にＶＬＤマップ（もしくは無血管領域のサイズや形状値）を表示してもよい。

また、同様に投影方法（ＭＩＰ／ＡＩＰ）やプロジェクションアーチファクト抑制処理についても例えばコンテキストメニューから選択するなどの方法により変更してもよい。

＜ステップ３１１＞
画像処理装置１０１はＳ３０１からＳ３１１に至る一連の処理を終了するか否かの指示を外部から取得する。この指示は入力部１０３を介して操作者により入力される。処理終了の指示を取得した場合は処理を終了する。一方、処理継続の指示を取得した場合にはＳ３０２に処理を戻し、次の被検眼に対する処理（または同一被検眼に対する再処理）を行う。

さらに、図５（ａ）に示すフローチャートを参照しながら、Ｓ３０７で実行される処理の詳細について説明する。

＜ステップ５１０＞
強調部１０１−４６１は、ステップ３０６の前処理を実施されたモーションコントラスト画像に対してヘッセ行列の固有値に基づく血管強調フィルタ処理を行う。このような強調フィルタはヘシアンフィルタと総称され、例えばＶｅｓｓｅｌｎｅｓｓｆｉｌｔｅｒやＭｕｌｔｉ−ｓｃａｌｅｌｉｎｅｆｉｌｔｅｒが挙げられる。本実施形態ではＭｕｌｔｉ−ｓｃａｌｅｌｉｎｅｆｉｌｔｅｒを用いるが、任意の公知の血管強調フィルタを用いてよい。

ヘシアンフィルタは強調したい血管の径に適したサイズで画像を平滑化した上で、該平滑化画像の各画素において輝度値の２次微分値を要素として持つヘッセ行列を算出し、該行列の固有値の大小関係に基づいて局所構造を強調する。ヘッセ行列は式（３）で与えられるような正方行列であり、該行列の各要素は例えば式（４）に示すような画像の輝度値Ｉを平滑化した画像の輝度値Ｉｓの２次微分値で表される。ヘシアンフィルタでは、このようなヘッセ行列の「固有値（λ１、λ２、λ３）の１つが０に近く、その他が負かつ絶対値が大きい」場合に線状構造とみなして強調する。これはモーションコントラスト画像上の血管領域が持つ特徴、すなわち「走行方向では輝度変化が小さく、走行方向に直交する方向では輝度値が大きく低下する」が成り立つ画素を線状構造とみなして強調することに相当する。

３次元ヘシアンフィルタを用いると、深度方向に屈曲した血管に関しても「血管走行方向の輝度変化が小さく、血管走行方向に直交する２方向の輝度が大きく低下する」という性質が成り立つため、良好に血管強調できるという利点がある。眼底血管の中には、深度方向に屈曲した血管として例えば
・脈絡膜側から網膜内に侵入する脈絡膜新生血管（ＣＮＶ）
・視神経乳頭部の血管
・網膜表層毛細血管と網膜深層毛細血管との接続部
が挙げられる。

上記血管に対して正面モーションコントラスト画像上で２次元のヘシアンフィルタを適用すると、２次元平面内では「該平面内での血管走行方向の輝度変化が小さく、血管走行方向に直交する方向の輝度が大きく低下する」という性質が成り立たないため十分強調されず、血管領域として特定できないという課題がある。３次元ヘシアンフィルタを用いることにより、上記血管についても良好に強調でき、血管検出能が向上する。

またモーションコントラスト画像には毛細血管から細動静脈まで様々な径の血管が含まれることから、複数のスケールでガウスフィルタにより平滑化した画像に対してヘッセ行列を用いて線強調画像を生成する。次に式（５）に示すようにガウスフィルタの平滑化パラメータσの二乗を補正係数として乗じた上で最大値演算により合成し、該合成画像Ｉｈｅｓｓｉａｎをヘシアンフィルタの出力とする。

ヘシアンフィルタはノイズに強く、血管の連続性が向上するという利点がある。一方で実際には事前に画像に含まれる血管の最大径が不明の場合が多いため、特に平滑化パラメータが画像中の血管の最大径に対して大きすぎる場合に強調された血管領域が太くなりやすいという欠点がある。

そこで、本実施形態ではＳ５３０で述べる別の血管強調手法で血管領域を強調した画像と演算することにより、血管領域が太くなりすぎることを防止する。

＜ステップ５２０＞
抽出部１０１−４６２は、Ｓ５１０で生成した３次元ヘシアンフィルタによる血管強調画像（以下、３次元ヘシアン強調画像と表記）を２値化する。

本実施形態では、３次元ヘシアン強調画像の輝度統計値（平均値や中央値等）を閾値として２値化する。大血管の高輝度領域の影響を受けて閾値が高くなって毛細血管の抽出不足が生じたり、閾値が低すぎて無血管領域を血管として誤検出したりするのを避けるために、２値化する際の閾値に上限値や下限値を設定してよい。あるいは、例えばロバスト推定法のように輝度統計値を算出する際に所定の輝度レンジ外にある輝度値の寄与が低くなるように算出した指標値に基づいて閾値を決定してもよい。また任意の公知の閾値決定法を用いてよい。

あるいは、本発明は閾値処理に限定されるものではなく、任意の公知のセグメンテーション法によって２値化してよい。

本実施形態では、合成モーションコントラスト画像をヘシアンフィルタで強調しているため、単独のモーションコントラスト画像をヘシアンフィルタで強調する場合に比べて２値化した血管領域の連続性がさらに向上する。

さらに、本発明は３次元血管強調画像を３次元データとして２値化することに限定されるものではない。例えば、３次元血管強調画像を所定の投影深度範囲で投影した正面血管強調画像を２値化する場合も本発明に含まれる。正面血管強調画像を２値化する場合も、任意の公知の閾値決定法を用いてよい。また該正面血管強調画像を２値化する際の閾値に上限値や下限値を設定してよい。あるいは、該正面血管強調画像の２値化は閾値処理に限定されるものではなく、任意の公知のセグメンテーション法を用いて２値化してよい。

＜ステップ５３０＞
強調部１０１−４６１は、Ｓ３０６で生成したトップハットフィルタ適用後の合成モーションコントラスト画像に対して３次元エッジ選択鮮鋭化処理を行う。

ここで、エッジ選択鮮鋭化処理とは画像のエッジ部分に重みを大きく設定した上で重みづけ鮮鋭化処理を行うことを指す。本実施形態では、前記合成モーションコントラスト画像に対して３次元のＳｏｂｅｌフィルタを適用した画像を重みとして３次元のアンシャープマスク処理を行うことにより、エッジ選択鮮鋭化処理を実施する。

小さなフィルタサイズで鮮鋭化処理を実施すると、細い血管のエッジが強調され２値化した際により正確に血管領域を特定できる（血管領域が太くなる現象を防止できる）。一方で特に同一撮影位置での断層像数が少ないモーションコントラスト画像の場合にはノイズが多いため、特に血管内のノイズも一緒に強調してしまう恐れがある。そこで、エッジ選択鮮鋭化を行うことによってノイズの強調を抑制する。

＜ステップ５４０＞
抽出部１０１−４６２は、Ｓ５３０で生成したエッジ選択鮮鋭化処理を適用した鮮鋭化画像を２値化する。任意の公知の２値化法を用いてよいが、本実施形態では該３次元鮮鋭化画像上の各３次元局所領域内で算出した輝度統計値（平均値もしくは中央値）を閾値として２値化する。

ただし、視神経乳頭部の大血管領域においては設定される閾値が高すぎて２値画像上の血管領域内に多数の穴が空くため、上記閾値の上限値を設定することにより特に視神経乳頭部において閾値が高くなりすぎるのを防止する。

また、Ｓ５２０の場合と同様に該３次元局所領域が無血管領域中にある場合には閾値が低すぎて無血管領域の一部を血管として誤検出する場合が生じる。そこで、上記閾値の下限値を設定することにより誤検出を抑制する。

なお、Ｓ５２０の場合と同様に合成モーションコントラスト画像をエッジ選択鮮鋭化しているため、単独のモーションコントラスト画像をエッジ選択鮮鋭化する場合に比べて２値化した場合のノイズ状の誤検出領域をより減らすことができる。

さらに、本発明は３次元鮮鋭化画像を３次元データとして２値化することに限定されるものではない。例えば、３次元鮮鋭化画像を所定の投影深度範囲で投影した正面鮮鋭化画像を２値化する場合も本発明に含まれる。正面鮮鋭化画像を２値化する場合も、任意の公知の閾値決定法を用いてよい。また該正面鮮鋭化画像を２値化する際の閾値に上限値や下限値を設定してよい。あるいは、該正面鮮鋭化画像の２値化は閾値処理に限定されるものではなく、任意の公知のセグメンテーション法を用いて２値化してよい。

＜ステップ５５０＞
抽出部１０１−４６２は、Ｓ５２０で生成した３次元ヘシアン強調画像の２値画像の輝度値と、Ｓ５４０で生成した３次元エッジ選択鮮鋭化画像の２値画像の輝度値の双方が０より大きい場合に血管候補領域として抽出する。当該演算処理により、ヘシアン強調画像に見られる血管径を過大評価している領域と、エッジ選択鮮鋭化画像上に見られるノイズ領域がともに抑制され、血管の境界位置が正確かつ血管の連続性が良好な２値画像を取得できる。

また双方の２値画像とも合成モーションコントラスト画像に基づく２値画像であることから、単独のモーションコントラスト画像に基づく２値画像に比べて２値化した場合のノイズ状の誤検出領域が減少するとともに、特に毛細血管領域の連続性が向上する。

＜ステップ５６０＞
抽出部１０１−４６２は、血管領域の整形処理として２値画像の３次元オープニング処理（収縮処理後に膨張処理を行うこと）及び３次元クロージング処理（膨張処理後に収縮処理を行うこと）を実施する。なお、整形処理はこれに限らず例えば２値画像をラベリングした場合の各ラベルの体積に基づく小領域除去を行ってもよい。

なお、様々な径の血管が含まれるモーションコントラスト画像において血管強調する際のスケールを適応的に決定する方法はＳ５１０〜Ｓ５６０に述べた方法に限定されない。例えば、図５（ｂ）のＳ６１０〜Ｓ６５０に示すように、３次元ヘシアン強調画像の輝度値と３次元エッジ選択鮮鋭化による血管強調画像の輝度値を乗じる演算を適用した画像に対する輝度統計値（例えば平均値）を閾値として２値化することによって血管領域を特定してもよい。該閾値には下限値や上限値を設定できる。

あるいは、図５（ｃ）のＳ７１０〜Ｓ７４０に示すように、固視位置や深度範囲等に基づく各画素の３次元位置に応じてヘシアンフィルタ適用時の平滑化パラメータσの範囲を適応的に変えてヘシアンフィルタを適用し、２値化することで血管強調してもよい。例えば、乳頭部網膜表層ではσ＝１〜１０、黄斑部網膜表層ではσ＝１〜８、黄斑部網膜深層ではσ＝１〜６のように設定できる。

また、２値化処理は閾値処理に限定されるものではなく任意の公知のセグメンテーション手法を用いてよい。

さらに、図６（ａ）に示すフローチャートを参照しながら、Ｓ３０８で実行される処理の詳細について説明する。

＜ステップ８１０＞
操作者は、入力部１０３を介して計測処理における関心領域を設定する。すなわち、血管密度を算出する３次元空間は、ユーザにより指定される。本実施形態では計測内容として
１）網膜表層におけるＶＡＤマップ及びＶＡＤセクタマップ
２）網膜外層における脈絡膜新生血管の体積
を算出する。

従って、関心領域として網膜表層においては（ｉ）画像全体（ｉｉ）固視灯位置を中心とするセクタ領域（直径１ｍｍの内円と直径３ｍｍの外円で規定される環状領域内をＳｕｐｅｒｉｏｒ・Ｉｎｆｅｒｉｏｒ・Ｎａｓａｌ・Ｔｅｍｐｏｒａｌの４つの扇形に分割した領域及び該内円領域）を選択する。ただし、本実施形態でいう画像全体は深度方向に関して図９（ａ）の９１０で設定されるような層境界を用いて規定される有限の範囲に限定される。また、本実施形態でいうセクタ領域は「水平方向に関して上記のような扇形の分割領域及び内円領域、深度方向に関して図９（ａ）の９１０で設定されるような層境界で規定される３次元領域」を指す。前者は図９（ａ）のＤｅｎｓｉｔｙＭａｐ／Ｓｅｃｔｏｒ９０２の項目の中からＭａｐ、次元数に関して３ＤＡｎａｌｙｓｉｓチェックボックス９１２を選択することによって、また後者はＤｅｎｓｉｔｙＭａｐ／Ｓｅｃｔｏｒ９０２の項目の中からＳｅｃｔｏｒ、次元数に関して３ＤＡｎａｌｙｓｉｓチェックボックスを選択することによって自動で設定される。また網膜外層においては網膜外層に相当する層境界（ＯＰＬ／ＯＮＬ境界と、ブルッフ膜境界を該境界深層側に２０μｍ移動させた位置で囲まれる範囲）を指定する。関心領域の指定は眼底表面の２次元方向はセクタの移動により指定可能であり、眼底の深さ方向は表示されているＥｎ−Ｆａｃｅ画像の深さ範囲の指定により指定することができる。なお、３次元モーションコントラストデータが表示されて状態で３次元モーションコントラストデータに対して直接関心領域を指定することとしてもよい。

なお、これに限らず例えば操作者が図９（ａ）の９０４に示すようなボタンを指定した上で関心領域を手動設定してもよい。該ボタン９０４を押した場合に表示される設定画面９０５から計測の種類（ここではＤｅｎｓｉｔｙ）を選択し、入力部１０３を介して図１０（ｂ）の灰色線部１００１に示すような関心領域を設定してＯＫボタンを押下する。

深度方向に関して、本実施形態では網膜表層に関しては図９（ａ）の９１０に示すような層境界を用いて規定される深度範囲とする。また網膜外層については外網状層（ＯＰＬ）−外顆粒層（ＯＮＬ）境界とブルッフ膜（ＢＭ）で規定される深度範囲とする。該領域内に示された数値は該領域内で計測した値（この場合は図９（ａ）のＤｅｎｓｉｔｙＡｎａｌｙｓｉｓの項目９０３でＡｒｅａＤｅｎｓｉｔｙが選択されているため、ＶＡＤ値）を示している。なお、関心領域は３次元領域に限られるものではなく、投影画像上で２次元領域を設定して該２次元領域内で計測値を算出してもよい。

＜ステップ８２０＞
計測部１０１−４６３は、Ｓ３０７で得られた血管領域の２値画像に基づいて計測処理を行う。本実施形態では、Ｓ３０７で特定された該血管領域の２値画像を網膜表層の範囲で投影することなく、３次元のデータの各画素位置において当該画素を中心とした近傍領域内に占める非０画素（白画素）の割合を当該画素における血管密度（ＶＡＤ）として算出する。さらに、各画素で算出した血管密度（ＶＡＤ）の値を持つ画像（ＶＡＤマップ）を生成する。

なお、該投影２値画像上の（Ｓ８１０で設定した）各セクタ領域における非０画素（白画素）の割合を当該セクタにおける血管密度（ＶＡＤ）として算出してもよい。さらに、各セクタ領域で算出した血管密度（ＶＡＤ）の値を持つマップ（ＶＡＤセクタマップ）を生成してもよい。

また、網膜外層では、Ｓ８１０で設定した網膜外層に相当する関心領域内における非０画素（白画素）の体積を算出する。なお、本発明は体積の算出に限定されるものではなく、例えば網膜外層に相当する関心領域内で脈絡膜新生血管領域を強調もしくは２値化した画像を投影し、該投影強調画像を２値化した画像、もしくは投影した２値画像上で脈絡膜新生血管領域の面積を算出してもよい。

上記では特定された３次元血管領域に基づいて網膜表層で３次元のＶＡＤを、網膜外層で体積を計測する場合の手順を例に説明したが、３次元の血管中心線に基づいて網膜表層で３次元のＶＬＤを、網膜外層で総血管長を計測する場合には、上記Ｓ８１０〜８２０の代わりに図６（ｂ）に示すＳ８３０〜８５０を実行する。

＜ステップ８３０＞
計測部１０１−４６３は、Ｓ３０７で生成した血管領域の２値画像を３次元細線化処理することにより、血管の中心線に相当する線幅１画素の２値画像（以下、スケルトン画像と表記）を生成する。

＜ステップ８４０＞
操作者は、入力部１０３を介してＳ８１０と場合と同様の関心領域を設定する。本実施形態では計測内容としてＶＬＤマップとＶＬＤセクタマップを算出するものとする。なお、ＶＬＤもしくはＶＬＤセクタマップをモーションコントラスト画像上に重畳表示したくない場合は、図９（ａ）のＤｅｎｓｉｔｙＭａｐ／Ｓｅｃｔｏｒ９０２のＭａｐもしくはＳｅｃｔｏｒの項目のチェックボックスを非選択に設定すればよい。

＜ステップ８５０＞
計測部１０１−４６３はＳ８３０で得られたスケルトン画像に基づいて計測処理を行う。すなわち、網膜表層において特定された３次元スケルトンから計測する。本実施形態では、該スケルトン画像の各画素位置において当該画素を中心とした近傍領域における単位体積当たりの非０画素（白画素）の長さの総和［ｍｍ^−２］を当該画素における血管密度（ＶＬＤ）として算出する。さらに、各画素で算出した血管密度（ＶＬＤ）の値を持つ画像（ＶＬＤマップ）を生成する。

また、該スケルトン画像上の（Ｓ８４０で設定した）各セクタ領域における単位体積当たりの非０画素（白画素）の長さの総和［ｍｍ^−２］を当該セクタにおける血管密度（ＶＬＤ）として算出する。さらに、各セクタ領域で算出した血管密度（ＶＬＤ）の値を持つマップ（ＶＬＤセクタマップ）を生成する。

さらに、網膜外層では、Ｓ８１０で設定した網膜外層に相当する関心領域内における非０画素（白画素）の長さの総和を算出する。なお、本発明は３次元的な血管の長さの算出に限定されるものではなく、例えば網膜外層に相当する関心領域内でスケルトン画像を投影し、該投影２値画像上で血管の長さの総和を算出してもよい。

以上述べた構成によれば、画像処理装置１０１は網膜外層に脈絡膜新生血管（ＣＮＶ）を含む被検眼から３次元の合成モーションコントラスト画像を取得し、３次元の血管強調フィルタを適用して２値化することでＣＮＶを含む血管領域を３次元で特定する。さらに特定したＣＮＶ領域の体積を算出し、正確に計測する。

これにより、ＯＣＴ断層画像の信号強度や画質の影響を抑制しながら３次元の血管領域等の所望の領域を強調もしくは特定し、正確に計測できる。

また、血管密度を算出する対象のデータは合成された３次元モーションコントラストデータであるため、１つの３次元モーションコントラストデータに比べてノイズが低減されている。従って、本実施形態によれば、合成された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、精度の良い血管密度等の指標を算出することが可能となる。また、上記血管密度等を算出する場合に精度を低下させる要因となるプロジェクションアーチファクトが除去された後に、血管密度等を算出するため、血管密度を精度よく算出することができる。

（変形例１）
上述した実施形態において、血管計測値の算出を、高画質化された３次元モーションコントラストデータを所定の深さ範囲で投影した２次元モーションコントラストデータから行うこととしてもよい。

例えば、ユーザはユーザーインターフェースを介して、血管計測を２次元で行うか３次元で行うかを選択し、画像処理装置１０１（計測部１０１−４６３）はユーザによる選択を受付ける。そして、計測部１０１−４６３はユーザの選択に応じて２次元モーションコントラストデータまたは３次元モーションコントラストデータのいずれかから血管計測を行う。すなわち、計測部１０１−４６３は、高画質化された３次元モーションコントラストデータを深さ方向に投影することで得られた２次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、２次元領域における血管計測値を算出することとしてもよい。

なお、計測部１０１−４６３は算出した血管計測値に対して、２次元モーションコントラストデータから算出したものか３次元モーションコントラストデータから算出したものかを識別可能な識別情報を対応付けることとしてもよい。すなわち、計測部１０１−４６３は、算出した血管計測値に対して、３次元空間上で算出した血管計測値であることを示す情報を対応付ける。具体的には、計測部１０１−４６３は、算出した血管計測値（例えば血管密度や血管領域の径、長さ、面積、体積）に対して、３次元の計測値であるか２次元の計測値であるかを識別可能な識別情報を対応付ける。

（変形例２）
上述した実施形態や変形例において、表示制御部１０１−０５は、表示部１０４に算出された血管計測値等を時系列に沿って複数表示させることとしてもよい。このようにすれば、例えば異なる日に算出された血管密度をユーザは一覧することが可能となり被検者の状態の変化を簡単に把握することが可能となる。

時系列に沿って複数の血管計測値を表示する場合、２次元モーションコントラストデータから算出された血管計測値と３次元モーションコントラストデータから算出された血管計測値が混在してしまうと、被検者の経過を正確に把握することができなくなってしまう。そこで、表示制御部１０１−０５は、変形例１で上述した識別情報に基づいて２次元モーションコントラストデータから算出された血管計測値と３次元モーションコントラストデータから算出された血管計測値が混在しないように時系列に沿った複数の血管計測値を表示部１０４に表示させる。表示制御部１０１−０５は、２次元モーションコントラストデータから算出された血管計測値と３次元モーションコントラストデータから算出された血管計測値のうち、識別情報に基づいて例えば３次元モーションコントラストデータから算出された血管計測値のみを時系列に沿って表示部１０４に表示させる。すなわち、表示制御手段は、算出手段により算出された血管計測値を時系列に沿って複数表示させる場合、識別情報に基づいて、３次元空間における血管計測値と２次元領域における血管計測値とが混在しないように表示部に表示させる。

（変形例３）
上述した実施形態や各変形例においては、深度方向に屈曲した血管に対して３次元モーションコントラスト画像を用いて３次元的に血管強調もしくはセグメンテーションして計測を行う場合の対象症例として脈絡膜新生血管の場合について説明したが、本発明はこれに限られるものではない。

例えば、視神経乳頭部の動静脈及び毛細血管に対してＳ３０７に示した手順で強調・セグメンテーションし、解析部１０１−４６が特定された血管領域の径や断面積、長さ、曲率、血管密度等を計測してもよい。

あるいは網膜の表層毛細血管及び深層毛細血管をＳ３０７に示した手順で強調・セグメンテーションし、深度方向に走行する（接合部の）毛細血管領域の色を変えて表示したり、解析部１０１−４６が該接合部の毛細血管の本数を計測したりしてもよい。

（変形例４）
上述した実施形態や各変形例においては、３次元モーションコントラスト画像に対して３次元での強調処理及び特定処理を行って得られた画像に対して計測する場合について説明したが、本発明はこれに限定されない。

例えば該３次元強調処理した画像を所定の深度範囲で投影して得られる正面強調画像に対して任意の公知のセグメンテーション法を用いて２値化処理を行い、該２次元の２値領域に関する計測（面積や円形度、血管密度等）を行う場合も本発明に含まれる。なお、Ｓ５２０やＳ５４０、Ｓ８２０で説明したように、３次元セグメンテーション処理により特定した３次元の血管領域を所定の深度範囲で投影した画像に対して計測（面積や円形度、２次元の血管密度等）を行う場合も本発明に含まれる。

（変形例５）
上述した実施形態や各変形例においては、３次元モーションコントラスト画像に対して３次元での強調処理及び特定処理を行って得られた画像を所定の深度範囲で投影して生成した正面画像上で計測する場合について説明したが、本発明はこれに限定されない。

例えば、特定された３次元血管領域に対して任意方向の断面（ＭＰＲ；ＭｕｌｔｉＰｌａｎａｒＲｅｃｏｎｓｔｒｕｃｔｉｏｎ）もしくは任意形状の曲断面を設定し、該断面もしくは該曲断面における血管領域の面積や直径、領域数等を計測してもよい。

（変形例６）
上述した実施形態や各変形例においては、正面画像におけるセクタ単位の血管密度計測を黄斑部に対して行ったが、本発明はこれに限定されない。例えば、視神経乳頭部に対してセクタ状の関心領域を設定し、該関心領域内で計測値を算出する場合も本発明に含まれる。

また、本発明では３次元的な関心領域としてスラブ（ｓｌａｂ；２つの層境界曲面間で囲まれる３次元領域）単位で血管体積計測を行う場合について説明したが、計測の際に用いる関心領域の設定法はこれに限定されない。例えば、３次元のグリッド（立方体領域もしくは四角柱領域）領域や３次元のセクタ領域（２次元のセクタ領域を深度方向に拡張して得られる領域）を３次元の関心領域として設定し、該３次元関心領域単位で計測してもよい。あるいは、該スラブ領域と該３次元グリッドもしくは３次元セクタを組み合わせて得られる３次元関心領域単位で計測する場合も本発明に含まれる。

なお、該３次元関心領域単位で計測した計測値は所定の深度範囲ごとに（深度方向に計測値が１つの場合は計測値をそのまま、深度方向に複数ある場合は平均値投影もしくは最大値投影して）２次元マップとして表示するか、３次元マップとして表示してよい。

（変形例７）
上述した実施形態や各変形例において、解析部１０１−４６が３次元血管領域に対して算出する計測値の例は、血管体積や血管長、血管曲率、断面積や血管径に限定されない。例えば
・３次元の血管密度（３次元関心領域内に占める血管領域に属する画素の割合、または「単位体積あたりの総血管長」のセクタ内での平均）
・ＶｅｓｓｅｌＣｒｏｓｓＳｅｃｔｉｏｎＩｎｄｅｘ（単位血管長あたりの血管断面積）
・３次元のＦｒａｃｔａｌＤｉｍｅｎｓｉｏｎ
を算出してもよい。

（変形例８）
上述した実施形態や各変形例においては、単検査での血管領域特定及び計測結果の表示法として正面モーションコントラスト画像上に計測マップを重畳表示する場合について説明したが、本発明はこれに限定されるものではない。例えば血管強調画像、特定された血管領域の２値画像、スケルトン画像のうちの少なくとも１つを図９（ｂ）の９０６や９０８に表示させてもよい。あるいは、９０６や９０８にモーションコントラスト画像を表示しておき、その上に血管強調画像、特定された血管領域の２値画像、スケルトン画像の少なくとも１つを色もしくは透明度を適宜調整した上で重畳表示するよう構成する場合も本発明に含まれる。あるいは、正面断層画像もしくはＢスキャン断層画像上に血管強調画像、特定された血管領域の２値画像、スケルトン画像のうちの少なくとも１つを色もしくは透明度を適宜調整した上で重畳表示してもよい。適宜９０６や９０８に断層画像の位置を示す線を表示しておき、該線を操作者が入力部１０３を用いて移動させることにより、対応する断層画像上の強調画像、血管領域の２値画像、スケルトンのうちの少なくとも１つを表示させるよう構成してもよい。

（変形例９）
上述した実施形態や各変形例において、Ｓ３０９で操作者が入力部１０３から血管領域もしくは血管中心線データを手動修正するよう指示を入力した場合に、以下のような手順で手動修正してもよい。

例えば、図１０（ａ）に示すような合成モーションコントラスト画像に対して同図（ｃ）に示すような過抽出領域を含む２値画像が得られた場合に、操作者が入力部１０３を経由して指定した位置の白画素を解析部１０１−４６が削除する。追加・移動・削除手順として、例えば「ｄ」キーを押しながらマウスで指定した位置の白画素を削除する、「ａ」キーを押しながらマウスで指定した位置に白画素を追加する、「ｓ」キーを押しながらマウスで指定した白画素をドラッグして移動させる等の方法がある。あるいは、同図（ｄ）に示すようにモーションコントラスト画像に基づく画像上に手動修正対象である２値画像（血管領域もしくは血管中心線）の色や透明度を適宜調整して重畳表示し、過抽出もしくは抽出不足の領域が判別しやすい状態にしておく。同図（ｄ）の矩形領域１００２内を拡大した画像を同図（ｅ）に示す。灰色が過抽出した領域で、白色が元のモーションコントラスト画像の脱相関値を示す。該過抽出（もしくは抽出不足）の領域を操作者が入力部１０３を用いて指定することにより、正確かつ効率的に２値画像上の血管もしく血管中心線領域を手動修正するよう構成してもよい。なお、２値画像の手動修正処理は正面画像に限定されない。例えば図９（ａ）の右側に示すような任意のスライス位置のＢスキャン断層像上にモーションコントラストデータや血管領域の２値データもしくは血管中心線領域を色や透明度の調整後に重畳する。このように過抽出もしくは抽出不足の領域が判別しやすい状態にした上で、操作者が手動修正（追加・移動・削除）する２値データの３次元位置（ｘ，ｙ，ｚ座標）を、入力部１０３を用いて指定して手動修正してもよい。さらに、手動修正した２次元もしくは３次元の２値データを表示部１０４に表示したり、外部記憶部１０２に保存したりしてもよい。

さらに、２値画像（血管領域の２値画像もしくはスケルトン画像）が手動修正済であることを示す情報もしくは手動修正位置に関する情報を該２値画像と関連付けて外部記憶部１０２に保存しておき、Ｓ８７０で血管特定結果及び計測結果を表示部１０４に表示する際に該手動修正済であることを示す情報もしくは手動修正位置に関する情報を表示部１０４に表示してもよい。

（変形例１０）
上述した実施形態や各変形例において、画像処理装置１０１が略同一走査位置で取得した断層画像の枚数が所定値未満のモーションコントラスト画像もしくは所定値未満相当の合成モーションコントラスト画像に対する血管領域の特定もしくは計測に関する指示を受け付けた場合に、表示部１０４に警告表示を行うよう構成してもよい。

また、上述した実施形態や各変形例においては、合成部１０１−４２が繰り返しＯＣＴＡ撮影終了時に合成モーションコントラスト画像を生成する場合について説明したが、合成モーションコントラスト画像の生成手順はこれに限定されない。例えば図８（ｅ）のレポート画面８０３上に合成モーションコントラスト画像生成指示ボタン８１２を配置しておく。ＯＣＴＡ撮影完了後（撮影日より後の日でもよい）に操作者が明示的に該生成指示ボタン８１２を押下した場合に合成部１０１−４２が合成モーションコントラスト画像を生成するよう画像処理装置１０１を構成してもよい。操作者が明示的に合成画像生成指示ボタン８１２を押下して合成画像を生成する場合、図８（ｅ）に示すようなレポート画面８０３上に合成モーションコントラスト画像８０４や合成条件データ、検査画像リスト上に合成画像に関する項目を表示させる。

また、操作者が明示的に該生成指示ボタン８１２を押下する場合は、表示制御部１０１−０５が以下の処理を行う。すなわち、合成対象画像選択画面を表示させ、操作者が入力部１０３を操作して合成対象画像群を指定し、許容ボタンを押下した場合に合成部１０１−４２が合成モーションコントラスト画像を生成し、表示部１０４に表示させる。なお、生成済の合成モーションコントラスト画像を選択して合成する場合も本発明に含まれる。

また操作者が合成画像生成指示ボタン８１２を押下した場合、３次元モーションコントラスト画像を投影した２次元画像同士を合成することにより２次元合成画像を生成してもよいし、３次元合成画像を生成後に投影することで２次元合成画像を生成してもよい。

また、上述した様々な実施形態及び変形例においては、３次元モーションコントラストデータを合成することを前提としていたが、１つの３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理及び血管密度等の血管計測値を算出する処理（または血管領域を抽出する処理）を施してもよい。

また、上述した様々な実施形態及び変形例において、補正部１０１−４３は、高画質化された３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理を行う処理手段の一例に相当する。ただし、処理手段による処理を実行する上で、高画質化処理は必須ではない。すなわち、処理手段は、眼底の３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理を行えば何でもよい。そして、抽出手段は、処理手段によりプロジェクションアーチファクトが低減された後の３次元モーションコントラストデータの少なくとも一部における３次元の血管領域を抽出してもよい。これにより、精度良く３次元の血管領域を得ることができる。また、算出手段は、処理手段によりプロジェクションアーチファクトが低減された後の３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出してもよい。

また、上述した実施形態や各変形例においては、高画質化した３次元モーションコントラストデータから取得した３次元血管領域に基づき、網膜外層において脈絡膜新生血管の体積を計測したが、これに限らず網膜外層において３次元血管密度（ＶＡＤもしくはＶＬＤ）を算出してもよい。新生血管は面内方向だけでなく深度方向にも走行しやすいため、３次元で血管密度を算出するメリットがあると考えられる。３次元ＶＡＤの場合は細線化処理が不要で簡便に３次元血管密度を算出でき、３次元ＶＬＤの場合は血管のセグメンテーションの良否の影響をより受けにくくできる。

［第２の実施形態］
本実施形態に係る画像処理装置は、取得した被検眼の３次元モーションコントラスト画像に対して機械学習による高画質化処理を適用し、３次元の血管領域を特定する。該３次元血管領域に基づいて、正面画像を生成することなく２次元の血管計測値として網膜の表層における２次元の血管密度、網膜外層における脈絡膜新生血管（ＣＮＶ）の面積等を算出する場合について説明する。すなわち、本実施形態に係る画像処理装置は、高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域を抽出することができる。なお、抽出部１０１−４６２は、３次元の血管領域を抽出する抽出手段の一例である。また、本実施形態に係る画像処理装置は、高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出することができる。なお、３次元の血管領域に関する情報は、例えば、高画質化された３次元モーションコントラストデータにおける３次元の血管領域の位置情報等である。ただし、３次元の血管領域に関する情報は、高画質化された３次元モーションコントラストデータから血管計測値を算出可能な情報であれば何でもよい。

以下、図面を参照しながら、本実施形態に係る画像処理装置を備える画像処理システムについて説明する。本実施形態に係る画像処理装置１０１を備える画像処理システム１０の構成を図１１に示す。画像処理部１０１−０４に高画質化部１０１−４７を備える点が第１の実施形態と異なっている。ここで、高画質化部１０１−４７は、３次元モーションコントラストデータを高画質化する高画質化手段の一例である。なお、本実施形態においても、高画質化手段として、高画質化部１０１−４７の他に、例えば、後述する第１の実施形態における合成部１０１−４２を適用することが可能である。次に、本実施形態における画像処理フローを図１２に示す。なお、本実施形態の画像処理フローのうちＳ１２０７、Ｓ１２０９、Ｓ１２１１については第１の実施形態の場合と同様であるので説明を省略する。

＜ステップ１２０１＞
操作者は入力部１０３を操作することにより、断層画像撮影装置１００に対して指示するＯＣＴＡ画像の撮影条件を設定する。

撮影条件のうちほとんどは第１の実施形態と同様であり、繰り返しＯＣＴＡ撮影を行わない、すなわち、本ステップで取得するクラスタ数が１である点が第１の実施形態と異なる。すなわち、
１）ＭａｃｕｌａｒＤｉｓｅａｓｅ検査セットを登録
２）ＯＣＴＡスキャンモードを選択
３）以下の撮影パラメータを設定
３−１）走査パターン：ＳｍａｌｌＳｑｕａｒｅ
３−２）走査領域サイズ：３ｘ３ｍｍ
３−３）主走査方向：水平方向
３−４）走査間隔：０．０１ｍｍ
３−５）固視灯位置：中心窩
３−６）１クラスタあたりのＢスキャン数：４
３−７）コヒーレンスゲート位置：硝子体側
３−８）既定表示レポート種別：単検査用レポート
を撮影条件として設定する。

＜ステップ１２０２＞
操作者は入力部１０３を操作して図７に示す撮影画面７１０中の撮影開始（Ｃａｐｔｕｒｅ）ボタン７１３を押下することにより、Ｓ１２０１で指定した撮影条件によるＯＣＴＡ撮影を開始する。撮影制御部１０１−０３は断層画像撮影装置１００に対してＳ１２０１で操作者が指示した設定に基づいてＯＣＴＡ撮影を実施することを指示し、断層画像撮影装置１００が対応するＯＣＴ断層画像を取得する。また、断層画像撮影装置１００はＳＬＯ画像の取得も行い、ＳＬＯ動画像に基づく追尾処理を実行する。

＜ステップ１２０３＞
画像取得部１０１−０１及び画像処理部１０１−０４は、Ｓ１２０２で取得されたＯＣＴ断層画像に基づいてモーションコントラスト画像（モーションコントラストデータ）を生成する。第１の実施形態のＳ３０３と同様の手順でモーションコントラスト画像を生成した後、第１の実施形態のＳ３０４と同様の手順で補正部１０１−４３が、モーションコントラスト画像上に生じたプロジェクションアーチファクト８０２を抑制する処理を実行する。

＜ステップ１２０４＞
表示制御部１０１−０５は、Ｓ１２０３で生成した断層画像や、３次元及び正面モーションコントラスト画像、撮影条件に関する情報を表示部１０４に表示させる。

＜ステップ１２０５＞
高画質化部１０１−４７は、少ない枚数の断層画像から生成した低画質なモーションコントラスト画像を機械学習モデルに入力することにより、多数枚の断層画像から生成した場合と同等の高画質な（低ノイズかつ高コントラストな）モーションコントラスト画像を生成する。ここで機械学習モデルとは、処理対象として想定される所定の撮影条件で取得された低画質な画像である入力データと、入力データに対応する高画質画像である出力データのペア群で構成された教師データを用いて機械学習を行うことにより生成した関数のことを指す。

なお、所定の撮影条件には撮影部位、撮影方式、撮影画角、及び画像サイズ等が含まれる。

また、本実施形態では、ユーザが図９（ａ）のレポート画面右上に示すボタン９１１（Ｄｅｎｏｉｓｅボタン）を押下することにより、高画質化部１０１−４７がモーションコントラスト画像に対する高画質化処理を実施するものとする。

本実施形態において教師データとして用いる入力データは断層画像数の少ない単一クラスタから生成された低画質モーションコントラスト画像とし、（教師データとして用いる）出力データは位置合わせ済の複数のモーションコントラストデータを加算平均して得られた高画質モーションコントラスト画像とする。なお、教師データとして用いる出力データはこれに限らず、例えば、多数枚の断層画像で構成される単一クラスタから生成された高画質なモーションコントラスト画像でもよい。また、教師データとして用いる出力データは、入力画像より高解像度な（高倍率な）モーションコントラスト画像を入力画像と同解像度（同倍率）にすることによって得られた高画質なモーションコントラスト画像でもよい。なお、機械学習モデルのトレーニングに用いる入力画像と出力画像のペアは上記に限られるものではなく、任意の公知の画像の組み合わせを用いてよい。例えば撮影装置１０や他の装置で取得したモーションコントラスト画像に第一のノイズ成分を付加した画像を入力画像とし、該（撮影装置１０や他の装置で取得した）モーションコントラスト画像に（第一のノイズ成分とは異なる）第二のノイズ成分を付加した画像を出力画像として機械学習モデルのトレーニングに用いてもよい。すなわち、高画質化部１０１−４７は、眼底の３次元のモーションコントラストデータを含む学習データを学習して得た高画質化用の学習済モデルを用いて、入力画像として入力された３次元モーションコントラストデータを高画質化するものであれば何でもよい。

本実施形態に係る高画質化部１０１−４７における機械学習モデルの構成例を図１３に示す。該機械学習モデルは畳み込みニューラルネットワーク（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｗｕｒａｌＮｅｔｗｏｒｋ；ＣＮＮ）であり、入力値群を加工して出力する処理を担う複数の層群によって構成される。なお前記構成に含まれる層の種類として、畳み込み（Ｃｏｎｖｏｌｕｔｉｏｎ）層、ダウンサンプリング（Ｄｏｗｎｓａｍｐｌｉｎｇ）層、アップサンプリング（Ｕｐｓａｍｐｌｉｎｇ）層、合成（Ｍｅｒｇｅｒ）層がある。畳み込み層は、設定されたフィルタのカーネルサイズ、フィルタの数、ストライドの値、ダイレーションの値等のパラメータに従い、入力値群に対して畳み込み処理を行う層である。なお、入力される画像の次元数に応じて、前記フィルタのカーネルサイズの次元数も変更してもよい。ダウンサンプリング層は、入力値群を間引いたり、合成したりすることによって、出力値群の数を入力値群の数よりも少なくする処理である。具体的には、例えば、ＭａｘＰｏｏｌｉｎｇ処理がある。アップサンプリング層は、入力値群を複製したり、入力値群から補間した値を追加したりすることによって、出力値群の数を入力値群の数よりも多くする処理である。具体的には、例えば、線形補間処理がある。合成層は、ある層の出力値群や画像を構成する画素値群といった値群を、複数のソースから入力し、それらを連結したり、加算したりして合成する処理を行う層である。このような構成では、入力画像１３０１を構成する画素値群が畳み込み処理ブロックを経て出力された値群と、入力画像１３０１を構成する画素値群が、合成層で合成される。その後、合成された画素値群は最後の畳み込み層で高画質画像１３０２に成形される。なお、図示はしないが、ＣＮＮの構成の変更例として、例えば、畳み込み層の後にバッチ正規化（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ）層や、正規化線形関数（ＲｅｃｔｉｆｉｅｒＬｉｎｅａｒＵｎｉｔ）を用いた活性化層を組み込む等をしても良い。

なお、図１３では説明を簡単にするため処理対象画像を２次元画像として説明しているが、本発明はこれに限定されない。例えば、３次元の低画質モーションコントラスト画像を高画質化部１０１−４７に入力して３次元の高画質モーションコントラスト画像を出力する場合も本発明に含まれる。

＜ステップ１２０６＞
操作者が入力部１０３を用いてＯＣＴＡ計測処理の開始を指示する。

本実施形態では、レポート画面のモーションコントラスト画像上をダブルクリックすることで、ＯＣＴＡ計測画面に移行する。モーションコントラスト画像が拡大表示され、解析部１０１−４６が計測処理を開始する。

計測処理の種類として任意の計測処理を行ってよく、本実施形態では、図９（ａ）のＤｅｎｓｉｔｙＡｎａｌｙｓｉｓ９０３もしくはＴｏｏｌｓボタン９０４を選択して表示される項目９０５に示す解析の種類と、必要に応じて解析の次元数に関する項目９１２を選択することにより、所望の計測の種類を指定する。

本実施形態では、３次元で強調及び特定した血管領域もしくは血管中心線データに対して２次元の計測値を算出する場合について説明する。具体的には、網膜の表層において２次元血管密度（ＶＡＤ）、網膜外層において血管の面積を計測するものとする。

網膜や脈絡膜の血管は（他の器官と異なり）層構造に沿って走行するため、２次元の計測値として算出されることが多い。しかし、２次元のモーションコントラスト画像、特に正面モーションコントラスト画像を用いて血管を強調する画像処理を適用した場合には血管以外の線状構造も強調されてしまい、結果的に血管として誤検出される場合がある。例えば嚢胞領域の境界（エッジ）は２次元画像上では曲線状であるため血管領域として誤検出されやすいものの、３次元画像上では曲面状であるため誤検出されにくい。本実施形態のように、血管領域を３次元的に検出した上で２次元の計測値として算出することにより、他構造物の誤検出を減らしつつ、ユーザが理解しやすい２次元の計測値として算出できる。

次に、解析部１０１−４６は計測処理の前処理を行う。任意の公知の画像処理を前処理として適用できるが、本実施形態では、第１実施形態と同様に前処理として画像拡大及びモルフォロジー演算（トップハットフィルタ処理）を行う。

＜ステップ１２０８＞
計測部１０１−４６３が、操作者により指定された計測対象領域に関する情報に基づいて単検査の画像に対する血管密度の計測を行う。引き続いて表示制御部１０１−０５が、計測結果を表示部１０４に表示する。より具体的には、計測部１０１−４６３は、補正部１０１−４３によりプロジェクションアーチファクトが低減され、高画質化部１０１−４７により高画質化処理された後の３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、３次元的に取得された血管領域に対して２次元の血管計測値を算出する。具体的には、網膜の表層における２次元血管密度、網膜の外層における新生血管領域の面積を算出する。すなわち、計測部１０１−４６３は、高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、２次元空間における血管計測値を算出する算出手段の一例に相当する。

２次元の血管密度としてはＶＡＤとＶＬＤの２種類の指標があり、本実施形態では、ＶＡＤを計算する場合の手順を例に説明する。なお、ＶＬＤを計算する場合の手順についても後述する。

網膜表層における２次元ＶＡＤ計測、網膜外層における脈絡膜新生血管の面積計測についてはＳ８１０〜Ｓ８２０、網膜表層における２次元ＶＬＤ計測、網膜外層における脈絡膜新生血管の水平方向に関する総血管長計測についてはＳ８３０〜Ｓ８５０で各々説明する。

＜ステップ１２１０＞
表示制御部１０１−０５は、Ｓ１２０８で実施した計測結果に関するレポートを表示部１０４に表示する。

本実施形態では、図９（ｂ）に示す単検査（Ｓｉｎｇｌｅ）計測レポートの上段に網膜表層において計測したＶＡＤマップとＶＡＤセクタマップを重畳表示し、下段に網膜外層において特定した脈絡膜新生血管領域の２値画像や計測した面積値を表示する。これにより異なる深度位置の血管病態を一覧して把握できる。また、網膜外層におけるＣＮＶの位置を特定したり、正確に定量化したりできる。

さらに、図６（ａ）に示すフローチャートを参照しながら、Ｓ１２０８で実行される処理の詳細について説明する。

＜ステップ８１０＞
操作者は、入力部１０３を介して計測処理における関心領域を設定する。すなわち、血管密度を算出する対象領域は、ユーザにより指定される。本実施形態では、計測内容として
１）網膜の表層における２次元ＶＡＤマップ及び２次元ＶＡＤセクタマップ
２）網膜外層における脈絡膜新生血管（ＣＮＶ）の面積
を算出する。

従って、網膜表層の関心領域として面内方向に関しては（ｉ）画像全体（ｉｉ）固視灯位置を中心とするセクタ領域（直径１ｍｍの内円と直径３ｍｍの外円で規定される環状領域内をＳｕｐｅｒｉｏｒ・Ｉｎｆｅｒｉｏｒ・Ｎａｓａｌ・Ｔｅｍｐｏｒａｌの４つの扇形に分割した領域及び該内円領域）とする。また、深度方向に関しては第１実施形態のＳ８１０の場合と同様の深度範囲とする。深度方向の深度範囲が図９（ａ）の層境界９１０で指定されているため、図９（ａ）のＤｅｎｓｉｔｙＭａｐ／Ｓｅｃｔｏｒ９０２の項目の中からＭａｐ及びＳｅｃｔｏｒ、ＤｅｎｓｉｔｙＡｎａｌｙｓｉｓ９０３の項目の中からＡｒｅａＤｅｎｓｉｔｙを各々選択することによって自動で設定される。眼底表面の２次元方向はセクタの移動により指定可能であり、眼底の深さ方向は表示されているＥｎ−Ｆａｃｅ画像の深さ範囲の指定により指定することができる。また網膜外層においては網膜外層に相当する層境界（ＯＰＬ／ＯＮＬ境界と、ブルッフ膜境界を該境界深層側に２０μｍ移動させた位置で囲まれる範囲）を指定する。面内方向の関心領域の指定は画像全体としてもよいし、操作者が関心領域を手動設定してもよい。例えば図９（ａ）の９０４に示すようなボタン９０４を押した場合に表示される設定画面９０５から計測の種類（ここではＡｒｅａ／Ｖｏｌｕｍｅ）を選択した上で、入力部１０３を介して関心領域を設定してもよい。なお、３次元モーションコントラストデータが表示されて状態で３次元モーションコントラストデータに対して直接関心領域を指定することとしてもよい。

＜ステップ８２０＞
計測部１０１−４６３は、Ｓ１２０７で得られた血管領域の２値画像に基づいて計測処理を行う。本実施形態では、Ｓ１２０７で特定された３次元血管領域の２値画像に対して投影画像を生成することなく所定の条件を満たすＡスキャン群に関する演算処理もしくは（Ａスキャン方向に）直交する方向での計測を行うことで、２次元計測値を算出する。

例えば２次元ＶＡＤを算出する場合には計測部１０１−４６３が３次元血管領域の２値画像に対して以下のような処理を行う。すなわち、まず各Ａスキャンを中心に近傍のＡスキャンを含めた単位Ａスキャン群Ａｇを考える。（単位Ａスキャン群Ａｇは任意の本数のＡスキャンで規定できるが、本実施形態では９本とする）単位Ａスキャン群に含まれる各Ａスキャンの中にＳ８１０で指定された３次元の関心領域が規定する深度範囲（図１４（ａ）の表層側曲面Ｂｕと深層側曲面Ｂｌ）内に血管領域Ｖ１に属する画素（非０画素、すなわち図１４（ａ）の白画素）が１画素でも含まれるようなＡスキャンの本数を数える。上記のような（所定深度範囲内に非０画素を含む）Ａスキャンの本数を単位Ａスキャン群の本数（本実施形態では９）で除算して１００を乗算することにより、当該Ａスキャンが持つＸ−Ｙ座標における２次元ＶＡＤの値（単位：％）を算出できる。例えば単位Ａスキャン群の中に上記条件を満たすＡスキャンが１本だけであれば、当該Ａスキャンの位置で算出される２次元ＶＡＤの値は（１／９）×１００％≒１１．１１％と算出する。本実施形態では、網膜表層で２次元ＶＡＤを算出するので、網膜表層における計測では表層側曲面Ｂｕとして内境界膜境界で規定される曲面、深層側曲面Ｂｌとして神経節細胞層（ＧＣＬ）−内網状層（ＩＰＬ）境界で規定される曲面を指定する。なおこれに限らず、任意の深度範囲、例えば網膜深層を計測対象の深度範囲として指定してよい。さらに、各Ｘ−Ｙ位置で算出した２次元血管密度（ＶＡＤ）の値を持つ画像（２次元ＶＡＤマップ）を生成する。

また３次元血管領域の２値画像上のＳ８１０で設定した各３次元セクタ領域（図１４（ｃ）の円柱状領域Ｃや部分円環柱状領域（Ｓ／Ｉ／Ｎ／Ｔ））において、表層側曲面Ｂｕと深層側曲面Ｂｌの深度範囲内に血管領域に属する画素（図１４（ｃ）の白画素）が１画素でも含まれるようなＡスキャンＡｗの本数を算出する。該算出したＡｗの本数を該３次元セクタ領域に属するＡスキャンの本数で除算し、１００を乗算した値を当該セクタにおける２次元血管密度（ＶＡＤ）として算出する。さらに、各セクタ領域で算出した２次元血管密度（ＶＡＤ）の値を持つマップ（２次元ＶＡＤセクタマップ）を生成する。

また網膜外層では、Ｓ８１０で設定した網膜外層に相当する関心領域内におけるＡスキャン群に含まれる各Ａスキャンの中にＳ８１０で指定した関心領域が規定する深度範囲（図１４（ａ）の表層側曲面Ｂｕと深層側曲面Ｂｌ）において血管領域に属する画素（図１４（ａ）の白画素）が１画素でも含まれるようなＡスキャンの本数を数える。該所定深度範囲内に非０画素を含むＡスキャンの本数に対してＡスキャン１本が占める面内方向の面積（単位：ｍｍ^２）を乗算することで、３次元血管領域の（所定深度範囲における）面内方向に占める面積を算出できる。なお、本発明の２次元血管計測値の算出法は上記に限定されるものではない。例えば網膜外層に相当する関心領域内で脈絡膜新生血管領域を強調した画像を投影して２値化することで生成した正面２値画像、もしくは３次元で２値化した画像を投影することで生成した正面２値画像上で脈絡膜新生血管領域の面積を算出してもよい。

上記では特定された３次元血管領域に基づいて網膜表層で２次元ＶＡＤを、網膜外層で血管面積を計測する場合の手順を例に説明したが、３次元の血管中心線に基づいて網膜表層で２次元ＶＬＤを、網膜外層で２次元血管長を計測する場合には、上記Ｓ８１０〜８２０の代わりに図６（ｂ）に示すＳ８３０〜８５０を実行する。

＜ステップ８３０＞
計測部１０１−４６３は、Ｓ１２０７で生成した血管領域の２値画像を３次元細線化処理することにより、血管の中心線に相当する線幅１画素の２値画像（以下、スケルトン画像と表記）を生成する。

＜ステップ８４０＞
操作者は、入力部１０３を介してＳ８２０と場合と同様の関心領域を設定する。本実施形態では計測内容として２次元ＶＬＤマップと２次元ＶＬＤセクタマップを算出するものとする。なお、ＶＬＤマップもしくはＶＬＤセクタマップをモーションコントラスト画像上に重畳表示したくない場合は、図９（ａ）のＤｅｎｓｉｔｙＭａｐ／Ｓｅｃｔｏｒ９０２のＭａｐもしくはＳｅｃｔｏｒの項目のチェックボックスを非選択に設定すればよい。

＜ステップ８５０＞
計測部１０１−４６３はＳ８３０で得られたスケルトン画像に基づいて計測処理を行う。すなわち、網膜表層において特定された３次元スケルトンから計測する。本実施形態では、該３次元スケルトン画像の各Ａスキャン位置に対してＳ８２０と同様に当該Ａスキャンを中心として近傍のＡスキャンを含めた単位Ａスキャン群Ａｇを考える。（単位Ａスキャン群Ａｇは任意の本数のＡスキャンで規定できるが、本実施形態では９本とする）単位Ａスキャン群に含まれる各Ａスキャンの中にＳ８４０で指定された３次元の関心領域が規定する深度範囲（図１４（ｂ）の表層側曲面Ｂｕと深層側曲面Ｂｌ）内に血管領域に属する画素（図１４（ｂ）の白画素）が１画素でも含まれるようなＡスキャンの本数を算出する。算出した該Ａスキャンの本数に対して、１本のＡスキャンが占める（該Ａスキャンに直交する方向の）サイズ（単位：ｍｍ）を乗算し、単位Ａスキャン群が該Ａスキャン群に直交する方向に占める面積（単位：ｍｍ^２）で除算することにより２次元ＶＬＤを算出する。（単位：ｍｍ^−１）さらに、各Ｘ−Ｙ位置で算出した血管密度（２次元ＶＬＤ）の値を持つ画像（２次元ＶＬＤマップ）を生成する。

また３次元スケルトン画像上のＳ８４０で設定した各３次元セクタ領域（図１４（ｃ）の円柱状領域Ｃや部分円環柱状領域（Ｓ／Ｉ／Ｎ／Ｔ））において、表層側曲面Ｂｕと深層側曲面Ｂｌの深度範囲内に３次元スケルトン領域Ｖ２に属する画素が１画素でも含まれるようなＡスキャンＡｗの本数を算出する。該算出したＡｗの本数に対して１本のＡスキャンが占める（該Ａスキャンに直交する方向の）サイズ（単位：ｍｍ）を乗算し、該３次元セクタ領域に属するＡスキャン群が占める（該Ａスキャン群に直交する方向の）面積（単位：ｍｍ^２）で除算した値を当該セクタにおける２次元ＶＬＤ（単位：ｍｍ^−１）として算出する。さらに、各セクタ領域で算出した２次元ＶＬＤの値を持つマップ（２次元ＶＬＤセクタマップ）を生成する。

また網膜外層では、Ｓ８４０で設定した網膜外層に相当する関心領域内におけるＡスキャン群に含まれる各Ａスキャンの中にＳ８４０で指定した関心領域が規定する深度範囲（図１４（ｂ）の表層側曲面Ｂｕと深層側曲面Ｂｌ）において３次元スケルトン領域に属する画素（図１４（ｂ）の白画素）が１画素でも含まれるようなＡスキャンの本数を数える。該所定深度範囲内に非０画素を含むＡスキャンの本数に対してＡスキャン１本が占める面内方向の長さ（単位：ｍｍ）を乗算することで、血管領域の（所定深度範囲における）面内方向の長さの和を算出できる。なお、本発明の２次元血管計測値の算出法は上記に限定されるものではない。例えば網膜外層に相当する関心領域内で脈絡膜新生血管領域を強調した画像を投影して２値化し、細線化することで生成した正面２値画像、もしくは３次元で２値化し、細線化した画像を投影することで生成した正面２値画像上で脈絡膜新生血管領域の長さを算出してもよい。

以上述べた構成によれば、画像処理装置１０１は、取得した被検眼の３次元モーションコントラスト画像に対して機械学習による高画質化処理を適用し、３次元血管領域を特定する。該３次元血管領域に基づいて、正面画像を生成することなく２次元の血管計測値として網膜の表層における２次元の血管密度、網膜外層における脈絡膜新生血管（ＣＮＶ）の面積を算出する。これにより、ＯＣＴ断層画像の信号強度や画質の影響を抑制しながら３次元の血管領域等の所望の領域を強調もしくは特定し、正確に計測できる。

（変形例１１）
上述した様々な実施形態及び変形例における画面遷移における高画質化処理の実行について、図９（ａ）と（ｂ）を用いて説明を行う。図９（ａ）は、図９（ｂ）におけるＯＣＴＡ画像を拡大表示した画面例である。図９（ａ）においても、図９（ｂ）と同様にボタン９１１を表示する。図９（ｂ）から図９（ａ）への画面遷移は、例えば、ＯＣＴＡ画像をダブルクリックすることで遷移し、図９（ａ）から図９（ｂ）へは閉じるボタン（不図示）で遷移する。なお、画面遷移に関しては、ここで示した方法に限らず、不図示のユーザーインターフェースを用いてもよい。

画面遷移の際に高画質化処理の実行が指定されている場合（ボタン９１１がアクティブ）、画面遷移時においてもその状態を保つ。すなわち、図９（ｂ）の画面で高画質画像を表示している状態で図９（ａ）の画面に遷移する場合、図９（ａ）の画面においても高画質画像を表示する。そして、ボタン９１１はアクティブ状態にする。図９（ａ）から図９（ｂ）へ遷移する場合にも同様である。図９（ａ）において、ボタン９１１を指定して低画質画像に表示を切り替えることもできる。

画面遷移に関して、ここで示した画面に限らず、経過観察用の表示画面、又はパノラマ用の表示画面など同じ撮影データを表示する画面への遷移であれば、高画質画像の表示状態を保ったまま遷移を行う。すなわち、遷移後の表示画面において、遷移前の表示画面におけるボタン９１１の状態に対応する画像が表示される。例えば、遷移前の表示画面におけるボタン９１１がアクティブ状態であれば、遷移後の表示画面において高画質画像が表示される。また、例えば、遷移前の表示画面におけるボタン９１１のアクティブ状態が解除されていれば、遷移後の表示画面において低画質画像が表示される。なお、経過観察用の表示画面におけるボタン９１１がアクティブ状態になると、経過観察用の表示画面に並べて表示される異なる日時（異なる検査日）で得た複数の画像が高画質画像に切り換わるようにしてもよい。すなわち、経過観察用の表示画面におけるボタン９１１がアクティブ状態になると、異なる日時で得た複数の画像に対して一括で反映されるように構成してもよい。

なお、経過観察用の表示画面の例を、図１７に示す。検者からの指示に応じてタブ３８０１が選択されると、図１７のように、経過観察用の表示画面が表示される。このとき、計測対象領域の深度範囲を、リストボックスに表示された既定の深度範囲セット（３８０２及び３８０３）から検者が選択することで変更できる。例えば、リストボックス３８０２では網膜表層が選択され、また、リストボックス３８０３では網膜深層が選択されている。上側の表示領域には網膜表層のモーションコントラスト画像の解析結果が表示され、また、下側の表示領域には網膜深層のモーションコントラスト画像の解析結果が表示されている。すなわち、深度範囲が選択されると、異なる日時の複数の画像について、選択された深度範囲の複数のモーションコントラスト画像の解析結果の並列表示に一括して変更される。

このとき、解析結果の表示を非選択状態にすると、異なる日時の複数のモーションコントラスト画像の並列表示に一括して変更されてもよい。そして、検者からの指示に応じてボタン９１１が指定されると、複数のモーションコントラスト画像の表示が複数の高画質画像の表示に一括して変更される。

また、解析結果の表示が選択状態である場合には、検者からの指示に応じてボタン９１１が指定されると、複数のモーションコントラスト画像の解析結果の表示が複数の高画質画像の解析結果の表示に一括して変更される。ここで、解析結果の表示は、解析結果を任意の透明度により画像に重畳表示させたものであってもよい。このとき、解析結果の表示への変更は、例えば、表示されている画像に対して任意の透明度により解析結果を重畳させた状態に変更したものであってもよい。また、解析結果の表示への変更は、例えば、解析結果と画像とを任意の透明度によりブレンド処理して得た画像（例えば、２次元マップ）の表示への変更であってもよい。

また、深度範囲の指定に用いる層境界の種類とオフセット位置をそれぞれ、３８０５，３８０６のようなユーザーインターフェースから一括して変更することができる。なお、断層画像も一緒に表示させ、断層画像上に重畳された層境界データを検者からの指示に応じて移動させることにより、異なる日時の複数のモーションコントラスト画像の深度範囲を一括して変更されてもよい。このとき、異なる日時の複数の断層画像を並べて表示し、１つの断層画像上で上記移動が行われると、他の断層画像上でも同様に層境界データが移動されてもよい。

また、画像投影法やプロジェクションアーチファクト抑制処理の有無を、例えば、コンテキストメニューのようなユーザーインターフェースから選択することにより変更してもよい。

また、選択ボタン３８０７を選択して選択画面を表示させ、該選択画面上に表示された画像リストから選択された画像が表示されてもよい。なお、図１７の上部に表示されている矢印３８０４は現在選択されている検査であることを示す印であり、基準検査（Ｂａｓｅｌｉｎｅ）はＦｏｌｌｏｗ−ｕｐ撮影の際に選択した検査（図１７の一番左側の画像）である。もちろん、基準検査を示すマークを表示部に表示させてもよい。

また、「ＳｈｏｗＤｉｆｆｅｒｅｎｃｅ」チェックボックス３８０８が指定された場合には、基準画像上に基準画像に対する計測値分布（マップもしくはセクタマップ）を表示する。さらに、この場合には、それ以外の検査日に対応する領域に基準画像に対して算出した計測値分布と当該領域に表示される画像に対して算出した計測分布との差分計測値マップを表示する。計測結果としては、レポート画面上にトレンドグラフ（経時変化計測によって得られた各検査日の画像に対する計測値のグラフ）を表示させてもよい。すなわち、異なる日時の複数の画像に対応する複数の解析結果の時系列データ（例えば、時系列グラフ）が表示されてもよい。このとき、表示されている複数の画像に対応する複数の日時以外の日時に関する解析結果についても、表示されている複数の画像に対応する複数の解析結果と判別可能な状態で（例えば、時系列グラフ上の各点の色が画像の表示の有無で異なる）時系列データとして表示させてもよい。また、該トレンドグラフの回帰直線（曲線）や対応する数式をレポート画面に表示させてもよい。

本変形例においては、モーションコントラスト画像に関して説明を行ったが、これに限らない。本変形例に係る表示、高画質化、及び画像解析等の処理に関する画像は、断層画像でもよい。さらには、断層画像だけではなく、ＳＬＯ画像、眼底写真、又は蛍光眼底写真など、異なる画像であっても構わない。その場合、高画質化処理を実行するためのユーザーインターフェースは、種類の異なる複数の画像に対して高画質化処理の実行を指示するもの、種類の異なる複数の画像から任意の画像を選択して高画質化処理の実行を指示するものがあってもよい。

このような構成により、本変形例に係る高画質化部１０１−４７が処理した画像を表示制御部１０１−０５が表示部１０４に表示することができる。このとき、上述したように、高画質画像の表示、解析結果の表示、表示される正面画像の深度範囲等に関する複数の条件のうち少なくとも１つが選択された状態である場合には、表示画面が遷移されても、選択された状態が維持されてもよい。

また、上述したように、複数の条件のうち少なくとも１つが選択された状態である場合には、他の条件が選択された状態に変更されても、該少なくとも１つが選択された状態が維持されてもよい。例えば、表示制御部１０１−０５は、解析結果の表示が選択状態である場合に、検者からの指示に応じて（例えば、ボタン９１１が指定されると）、低画質画像の解析結果の表示を高画質画像の解析結果の表示に変更してもよい。また、表示制御部１０１−０５は、解析結果の表示が選択状態である場合に、検者からの指示に応じて（例えば、ボタン９１１の指定が解除されると）、高画質画像の解析結果の表示を低画質画像の解析結果の表示に変更してもよい。

また、表示制御部１０１−０５は、高画質画像の表示が非選択状態である場合に、検者からの指示に応じて（例えば、解析結果の表示の指定が解除されると）、低画質画像の解析結果の表示を低画質画像の表示に変更してもよい。また、表示制御部１０１−０５は、高画質画像の表示が非選択状態である場合に、検者からの指示に応じて（例えば、解析結果の表示が指定されると）、低画質画像の表示を低画質画像の解析結果の表示に変更してもよい。また、表示制御部１０１−０５は、高画質画像の表示が選択状態である場合に、検者からの指示に応じて（例えば、解析結果の表示の指定が解除されると）、高画質画像の解析結果の表示を高画質画像の表示に変更してもよい。また、表示制御部１０１−０５は、高画質画像の表示が選択状態である場合に、検者からの指示に応じて（例えば、解析結果の表示が指定されると）、高画質画像の表示を高画質画像の解析結果の表示に変更してもよい。

また、高画質画像の表示が非選択状態で且つ第１の種類の解析結果の表示が選択状態である場合を考える。この場合には、表示制御部１０１−０５は、検者からの指示に応じて（例えば、第２の種類の解析結果の表示が指定されると）、低画質画像の第１の種類の解析結果の表示を低画質画像の第２の種類の解析結果の表示に変更してもよい。また、高画質画像の表示が選択状態で且つ第１の種類の解析結果の表示が選択状態である場合を考える。この場合には、表示制御部１０１−０５は、検者からの指示に応じて（例えば、第２の種類の解析結果の表示が指定されると）、高画質画像の第１の種類の解析結果の表示を高画質画像の第２の種類の解析結果の表示に変更してもよい。

なお、経過観察用の表示画面においては、上述したように、これらの表示の変更が、異なる日時で得た複数の画像に対して一括で反映されるように構成してもよい。ここで、解析結果の表示は、解析結果を任意の透明度により画像に重畳表示させたものであってもよい。このとき、解析結果の表示への変更は、例えば、表示されている画像に対して任意の透明度により解析結果を重畳させた状態に変更したものであってもよい。また、解析結果の表示への変更は、例えば、解析結果と画像とを任意の透明度によりブレンド処理して得た画像（例えば、２次元マップ）の表示への変更であってもよい。

（変形例１２）
上述した様々な実施形態及び変形例において、表示制御部１０１−０５は、高画質化部１０１−４７によって生成された高画質画像と入力画像のうち、検者からの指示に応じて選択された画像を表示部１０４に表示させることができる。また、表示制御部１０１−０５は、検者からの指示に応じて、表示部１０４上の表示を撮影画像（入力画像）から高画質画像に切り替えてもよい。すなわち、表示制御部１０１−０５は、検者からの指示に応じて、低画質画像の表示を高画質画像の表示に変更してもよい。また、表示制御部１０１−０５は、検者からの指示に応じて、高画質画像の表示を低画質画像の表示に変更してもよい。

さらに、高画質化部１０１−４７が、高画質化エンジン（高画質化用の学習済モデル）による高画質化処理の開始（高画質化エンジンへの画像の入力）を検者からの指示に応じて実行し、表示制御部１０１−０５が、高画質化部１０１−４７によって生成された高画質画像を表示部１０４に表示させてもよい。これに対し、撮影装置（断層画像撮影装置１００）によって入力画像が撮影されると、高画質化エンジンが自動的に入力画像に基づいて高画質画像を生成し、表示制御部１０１−０５が、検者からの指示に応じて高画質画像を表示部１０４に表示させてもよい。ここで、高画質化エンジンとは、上述した画質向上処理（高画質化処理）を行う学習済モデルを含む。

なお、これらの処理は解析結果の出力についても同様に行うことができる。すなわち、表示制御部１０１−０５は、検者からの指示に応じて、低画質画像の解析結果の表示を高画質画像の解析結果の表示に変更してもよい。また、表示制御部１０１−０５は、検者からの指示に応じて、高画質画像の解析結果の表示を低画質画像の解析結果の表示に変更してもよい。もちろん、表示制御部１０１−０５は、検者からの指示に応じて、低画質画像の解析結果の表示を低画質画像の表示に変更してもよい。また、表示制御部１０１−０５は、検者からの指示に応じて、低画質画像の表示を低画質画像の解析結果の表示に変更してもよい。また、表示制御部１０１−０５は、検者からの指示に応じて、高画質画像の解析結果の表示を高画質画像の表示に変更してもよい。また、表示制御部１０１−０５は、検者からの指示に応じて、高画質画像の表示を高画質画像の解析結果の表示に変更してもよい。

また、表示制御部１０１−０５は、検者からの指示に応じて、低画質画像の解析結果の表示を低画質画像の他の種類の解析結果の表示に変更してもよい。また、表示制御部１０１−０５は、検者からの指示に応じて、高画質画像の解析結果の表示を高画質画像の他の種類の解析結果の表示に変更してもよい。

ここで、高画質画像の解析結果の表示は、高画質画像の解析結果を任意の透明度により高画質画像に重畳表示させたものであってもよい。また、低画質画像の解析結果の表示は、低画質画像の解析結果を任意の透明度により低画質画像に重畳表示させたものであってもよい。このとき、解析結果の表示への変更は、例えば、表示されている画像に対して任意の透明度により解析結果を重畳させた状態に変更したものであってもよい。また、解析結果の表示への変更は、例えば、解析結果と画像とを任意の透明度によりブレンド処理して得た画像（例えば、２次元マップ）の表示への変更であってもよい。

（変形例１３）
上述した様々な実施形態及び変形例におけるレポート画面において、所望の層の層厚や各種の血管密度等の解析結果を表示させてもよい。また、視神経乳頭部、黄斑部、血管領域、神経線維束、硝子体領域、黄斑領域、脈絡膜領域、強膜領域、篩状板領域、網膜層境界、網膜層境界端部、視細胞、血球、血管壁、血管内壁境界、血管外側境界、神経節細胞、角膜領域、隅角領域、シュレム管等の少なくとも１つを含む注目部位に関するパラメータの値（分布）を解析結果として表示させてもよい。このとき、例えば、各種のアーチファクトの低減処理が適用された医用画像を解析することで、精度の良い解析結果を表示させることができる。なお、アーチファクトは、例えば、血管領域等による光吸収により生じる偽像領域や、プロジェクションアーチファクト、被検眼の状態（動きや瞬き等）によって測定光の主走査方向に生じる正面画像における帯状のアーチファクト等であってもよい。また、アーチファクトは、例えば、被検者の所定部位の医用画像上に撮影毎にランダムに生じるような写損領域であれば、何でもよい。また、上述したような様々なアーチファクト（写損領域）の少なくとも１つを含む領域に関するパラメータの値（分布）を解析結果として表示させてもよい。また、ドルーゼン、新生血管、白斑（硬性白斑）、シュードドルーゼン等の異常部位等の少なくとも１つを含む領域に関するパラメータの値（分布）を解析結果として表示させてもよい。

また、解析結果は、解析マップや、各分割領域に対応する統計値を示すセクタ等で表示されてもよい。なお、解析結果は、医用画像の解析結果を学習データとして学習して得た学習済モデル（解析結果生成エンジン、解析結果生成用の学習済モデル）を用いて生成されたものであってもよい。このとき、学習済モデルは、医用画像とその医用画像の解析結果とを含む学習データや、医用画像とその医用画像とは異なる種類の医用画像の解析結果とを含む学習データ等を用いた学習により得たものであってもよい。また、学習済モデルは、正面断層画像及び正面モーションコントラスト画像のように、所定部位の異なる種類の複数の医用画像をセットとする入力データを含む学習データを用いた学習により得たものであってもよい。ここで、正面断層画像は断層画像のＥｎ−Ｆａｃｅ画像に対応し、正面モーションコントラスト画像はＯＣＴＡのＥｎ−Ｆａｃｅ画像に対応する。また、高画質化用の学習済モデルにより生成された高画質画像を用いて得た解析結果が表示されるように構成されてもよい。なお、高画質化用の学習済モデルは、第一の画像を入力データとし、第一の画像よりも高画質な第二の画像を正解データとする学習データを学習して得たものであってもよい。このとき、第二の画像は、例えば、複数の第一の画像の重ね合わせ処理（例えば、位置合わせして得た複数の第一の画像の平均化処理）等によって、高コントラスト化やノイズ低減等が行われたような高画質な画像であってもよい。

また、学習データに含まれる入力データとしては、高画質化用の学習済モデルにより生成された高画質画像であってもよいし、低画質画像と高画質画像とのセットであってもよい。また、学習データは、例えば、解析領域を解析して得た解析値（例えば、平均値や中央値等）、解析値を含む表、解析マップ、画像におけるセクタ等の解析領域の位置等の少なくとも１つを含む情報を（教師あり学習の）正解データとして、入力データにラベル付け（アノテーション）したデータであってもよい。なお、検者からの指示に応じて、解析結果生成用の学習済モデルにより得た解析結果が表示されるように構成されてもよい。

また、上述した様々な実施形態及び変形例におけるレポート画面において、緑内障や加齢黄斑変性等の種々の診断結果を表示させてもよい。このとき、例えば、上述したような各種のアーチファクトの低減処理が適用された医用画像を解析することで、精度の良い診断結果を表示させることができる。また、診断結果は、特定された異常部位等の位置を画像上に表示されてもよいし、また、異常部位の状態等を文字等によって表示されてもよい。また、異常部位等の分類結果（例えば、Ｃｕｒｔｉｎ分類）を診断結果として表示させてもよい。また、分類結果としては、例えば、異常部位毎の確からしさを示す情報（例えば、割合を示す数値）が表示されてもよい。

なお、診断結果は、医用画像の診断結果を学習データとして学習して得た学習済モデル（診断結果生成エンジン、診断結果生成用の学習済モデル）を用いて生成されたものであってもよい。また、学習済モデルは、医用画像とその医用画像の診断結果とを含む学習データや、医用画像とその医用画像とは異なる種類の医用画像の診断結果とを含む学習データ等を用いた学習により得たものであってもよい。また、高画質化用の学習済モデルにより生成された高画質画像を用いて得た診断結果が表示されるように構成されてもよい。

また、学習データに含まれる入力データとしては、高画質化用の学習済モデルにより生成された高画質画像であってもよいし、低画質画像と高画質画像とのセットであってもよい。また、学習データは、例えば、診断名、病変（異常部位）の種類や状態（程度）、画像における病変の位置、注目領域に対する病変の位置、所見（読影所見等）、診断名の根拠（肯定的な医用支援情報等）、診断名を否定する根拠（否定的な医用支援情報）等の少なくとも１つを含む情報を（教師あり学習の）正解データとして、入力データにラベル付け（アノテーション）したデータであってもよい。なお、検者からの指示に応じて、診断結果生成用の学習済モデルにより得た診断結果が表示されるように構成されてもよい。

また、上述した様々な実施形態及び変形例におけるレポート画面において、上述したような注目部位、アーチファクト、異常部位等の物体認識結果（物体検出結果）やセグメンテーション結果を表示させてもよい。このとき、例えば、画像上の物体の周辺に矩形の枠等を重畳して表示させてもよい。また、例えば、画像における物体上に色等を重畳して表示させてもよい。なお、物体認識結果やセグメンテーション結果は、物体認識やセグメンテーションを示す情報を正解データとして医用画像にラベル付け（アノテーション）した学習データを学習して得た学習済モデル（物体認識エンジン、物体認識用の学習済モデルセグメンテーションエンジン、セグメンテーション用の学習済モデル）を用いて生成されたものであってもよい。なお、上述した解析結果生成や診断結果生成は、上述した物体認識結果やセグメンテーション結果を利用することで得られたものであってもよい。例えば、物体認識やセグメンテーションの処理により得た注目部位に対して解析結果生成や診断結果生成の処理を行ってもよい。

また、上述した学習済モデルは、被検者の所定部位の異なる種類の複数の医用画像をセットとする入力データを含む学習データにより学習して得た学習済モデルであってもよい。このとき、学習データに含まれる入力データとして、例えば、眼底のモーションコントラスト正面画像及び輝度正面画像（あるいは輝度断層画像）をセットとする入力データが考えられる。また、学習データに含まれる入力データとして、例えば、眼底の断層画像（Ｂスキャン画像）及びカラー眼底画像（あるいは蛍光眼底画像）をセットとする入力データ等も考えられる。また、異なる種類の複数の医療画像は、異なるモダリティ、異なる光学系、又は異なる原理等により取得されたものであれば何でもよい。

また、上述した学習済モデルは、被検者の異なる部位の複数の医用画像をセットとする入力データを含む学習データにより学習して得た学習済モデルであってもよい。このとき、学習データに含まれる入力データとして、例えば、眼底の断層画像（Ｂスキャン画像）と前眼部の断層画像（Ｂスキャン画像）とをセットとする入力データが考えられる。また、学習データに含まれる入力データとして、例えば、眼底の黄斑の三次元ＯＣＴ画像（三次元断層画像）と眼底の視神経乳頭のサークルスキャン（又はラスタースキャン）断層画像とをセットとする入力データ等も考えられる。

なお、学習データに含まれる入力データは、被検者の異なる部位及び異なる種類の複数の医用画像であってもよい。このとき、学習データに含まれる入力データは、例えば、前眼部の断層画像とカラー眼底画像とをセットとする入力データ等が考えられる。また、上述した学習済モデルは、被検者の所定部位の異なる撮影画角の複数の医用画像をセットとする入力データを含む学習データにより学習して得た学習済モデルであってもよい。また、学習データに含まれる入力データは、パノラマ画像のように、所定部位を複数領域に時分割して得た複数の医用画像を貼り合わせたものであってもよい。このとき、パノラマ画像のような広画角画像を学習データとして用いることにより、狭画角画像よりも情報量が多い等の理由から画像の特徴量を精度良く取得できる可能性があるため、各処理の結果を向上することができる。また、学習データに含まれる入力データは、被検者の所定部位の異なる日時の複数の医用画像をセットとする入力データであってもよい。

また、上述した解析結果と診断結果と物体認識結果とセグメンテーション結果とのうち少なくとも１つの結果が表示される表示画面は、レポート画面に限らない。このような表示画面は、例えば、撮影確認画面、経過観察用の表示画面、及び撮影前の各種調整用のプレビュー画面（各種のライブ動画像が表示される表示画面）等の少なくとも１つの表示画面に表示されてもよい。例えば、上述した学習済モデルを用いて得た上記少なくとも１つの結果を撮影確認画面に表示させることにより、検者は、撮影直後であっても精度の良い結果を確認することができる。また、上述した低画質画像と高画質画像との表示の変更は、例えば、低画質画像の解析結果と高画質画像の解析結果との表示の変更であってもよい。

ここで、上述した様々な学習済モデルは、学習データを用いた機械学習により得ることができる。機械学習には、例えば、多階層のニューラルネットワークから成る深層学習（ＤｅｅｐＬｅａｒｎｉｎｇ）がある。また、多階層のニューラルネットワークの少なくとも一部には、例えば、畳み込みニューラルネットワーク（ＣＮＮ：ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）を用いることができる。また、多階層のニューラルネットワークの少なくとも一部には、オートエンコーダ（自己符号化器）に関する技術が用いられてもよい。また、学習には、バックプロパゲーション（誤差逆伝搬法）に関する技術が用いられてもよい。ただし、機械学習としては、深層学習に限らず、画像等の学習データの特徴量を学習によって自ら抽出（表現）可能なモデルであれば何でもよい。

また、高画質化エンジン（高画質化用の学習済モデル）は、高画質化エンジンにより生成された少なくとも１つの高画質画像を含む学習データを追加学習して得た学習済モデルであってもよい。このとき、高画質画像を追加学習用の学習データとして用いるか否かを、検者からの指示により選択可能に構成されてもよい。また、正解データの生成には、ラベル付け（アノテーション）等の正解データを生成するための正解データ生成用の学習済モデルが用いられてもよい。このとき、正解データ生成用の学習済モデルは、検者がラベル付け（アノテーション）して得た正解データを（順次）追加学習することにより得られたものであってもよい。

（変形例１４）
上述した様々な実施形態及び変形例におけるプレビュー画面において、ライブ動画像の少なくとも１つのフレーム毎に上述した学習済モデルが用いられるように構成されてもよい。このとき、プレビュー画面において、異なる部位や異なる種類の複数のライブ動画像が表示されている場合には、各ライブ動画像に対応する学習済モデルが用いられるように構成されてもよい。これにより、例えば、ライブ動画像であっても、処理時間を短縮することができるため、検者は撮影開始前に精度の高い情報を得ることができる。このため、例えば、再撮影の失敗等を低減することができるため、診断の精度や効率を向上させることができる。なお、複数のライブ動画像は、例えば、ＸＹＺ方向のアライメントのための前眼部の動画像、及び眼底観察光学系のフォーカス調整やＯＣＴフォーカス調整のための眼底の正面動画像であってよい。また、複数のライブ動画像は、例えば、ＯＣＴのコヒーレンスゲート調整（測定光路長と参照光路長との光路長差の調整）のための眼底の断層動画像等であってもよい。

また、上述した学習済モデルを適用可能な動画像は、ライブ動画像に限らず、例えば、記憶部に記憶（保存）された動画像であってもよい。このとき、例えば、記憶部に記憶（保存）された眼底の断層動画像の少なくとも１つのフレーム毎に位置合わせして得た動画像が表示画面に表示されてもよい。例えば、硝子体を好適に観察したい場合には、まず、フレーム上に硝子体ができるだけ存在する等の条件を基準とする基準フレームを選択してもよい。このとき、各フレームは、ＸＺ方向の断層画像（Ｂスキャン像）である。そして、選択された基準フレームに対して他のフレームがＸＺ方向に位置合わせされた動画像が表示画面に表示されてもよい。このとき、例えば、動画像の少なくとも１つのフレーム毎に高画質化用の学習済モデルにより順次生成された高画質画像（高画質フレーム）を連続表示させるように構成してもよい。

なお、上述したフレーム間の位置合わせの手法としては、Ｘ方向の位置合わせの手法とＺ方向（深度方向）の位置合わせの手法とは、同じ手法が適用されてもよいし、全て異なる手法が適用されてもよい。また、同一方向の位置合わせは、異なる手法で複数回行われてもよく、例えば、粗い位置合わせを行った後に、精密な位置合わせが行われてもよい。また、位置合わせの手法としては、例えば、断層画像（Ｂスキャン像）をセグメンテーション処理して得た網膜層境界を用いた（Ｚ方向の粗い）位置合わせ、断層画像を分割して得た複数の領域と基準画像との相関情報（類似度）を用いた（Ｘ方向やＺ方向の精密な）位置合わせ、断層画像（Ｂスキャン像）毎に生成した１次元投影像を用いた（Ｘ方向の）位置合わせ、２次元正面画像を用いた（Ｘ方向の）位置合わせ等がある。また、ピクセル単位で粗く位置合わせが行われてから、サブピクセル単位で精密な位置合わせが行われるように構成されてもよい。

ここで、各種の調整中では、被検眼の網膜等の撮影対象がまだ上手く撮像できていない可能性がある。このため、学習済モデルに入力される医用画像と学習データとして用いられた医用画像との違いが大きいために、精度良く高画質画像が得られない可能性がある。そこで、断層画像（Ｂスキャン）の画質評価等の評価値が閾値を超えたら、高画質動画像の表示（高画質フレームの連続表示）を自動的に開始するように構成してもよい。また、断層画像（Ｂスキャン）の画質評価等の評価値が閾値を超えたら、高画質化ボタンを検者が指定可能な状態（アクティブ状態）に変更するように構成されてもよい。なお、高画質化ボタンは、高画質化処理の実行を指定するためのボタンである。もちろん、高画質化ボタンは、高画質画像の表示を指示するためのボタンであってもよい。

また、走査パターン等が異なる撮影モード毎に異なる高画質化用の学習済モデルを用意して、選択された撮影モードに対応する高画質化用の学習済モデルが選択されるように構成されてもよい。また、異なる撮影モードで得た様々な医用画像を含む学習データを学習して得た１つの高画質化用の学習済モデルが用いられてもよい。

（変形例１５）
上述した様々な実施形態及び変形例においては、学習済モデルが追加学習中である場合、追加学習中の学習済モデル自体を用いて出力（推論・予測）することが難しい可能性がある。このため、追加学習中の学習済モデルに対する医用画像の入力を禁止することがよい。また、追加学習中の学習済モデルと同じ学習済モデルをもう一つ予備の学習済モデルとして用意してもよい。このとき、追加学習中には、予備の学習済モデルに対して医用画像の入力が実行できるようにすることがよい。そして、追加学習が完了した後に、追加学習後の学習済モデルを評価し、問題なければ、予備の学習済モデルから追加学習後の学習済モデルに置き換えればよい。また、問題があれば、予備の学習済モデルが用いられるようにしてもよい。なお、学習済モデルの評価としては、例えば、高画質化用の学習済モデルで得た高画質画像を他の種類の画像と分類するための分類用の学習済モデルが用いられてもよい。分類用の学習済モデルは、例えば、高画質化用の学習済モデルで得た高画質画像と低画質画像とを含む複数の画像を入力データとし、これらの画像の種類がラベル付け（アノテーション）されたデータを正解データとして含む学習データを学習して得た学習済モデルであってもよい。このとき、推定時（予測時）の入力データの画像の種類が、学習時の正解データに含まれる画像の種類毎の確からしさを示す情報（例えば、割合を示す数値）と合わせて表示されてもよい。なお、分類用の学習済モデルの入力データとしては、上記の画像以外にも、複数の低画質画像の重ね合わせ処理（例えば、位置合わせして得た複数の低画質画像の平均化処理）等によって、高コントラスト化やノイズ低減等が行われたような高画質な画像が含まれても良い。

また、撮影部位毎に学習して得た学習済モデルを選択的に利用できるようにしてもよい。具体的には、第１の撮影部位（肺、被検眼等）を含む学習データを用いて得た第１の学習済モデルと、第１の撮影部位とは異なる第２の撮影部位を含む学習データを用いて得た第２の学習済モデルと、を含む複数の学習済モデルを用意することができる。そして、画像処理部１０１−０４は、これら複数の学習済モデルのいずれかを選択する選択手段を有してもよい。このとき、画像処理部１０１−０４は、選択された学習済モデルに対して追加学習として実行する制御手段を有してもよい。制御手段は、検者からの指示に応じて、選択された学習済モデルに対応する撮影部位と該撮影部位の撮影画像とがペアとなるデータを検索し、検索して得たデータを学習データとする学習を、選択された学習済モデルに対して追加学習として実行することができる。なお、選択された学習済モデルに対応する撮影部位は、データのヘッダの情報から取得したり、検者により手動入力されたりしたものであってよい。また、データの検索は、例えば、病院や研究所等の外部施設のサーバ等からネットワークを介して行われてよい。これにより、学習済モデルに対応する撮影部位の撮影画像を用いて、撮影部位毎に効率的に追加学習することができる。

なお、選択手段及び制御手段は、画像処理部１０１−０４のＣＰＵやＭＰＵ等のプロセッサによって実行されるソフトウェアモジュールにより構成されてよい。また、選択手段及び制御手段は、ＡＳＩＣ等の特定の機能を果たす回路や独立した装置等によって構成されてもよい。

また、追加学習用の学習データを、病院や研究所等の外部施設のサーバ等からネットワークを介して取得する際には、改ざんや、追加学習時のシステムトラブル等による信頼性低下を低減したい。そこで、デジタル署名やハッシュ化による一致性の確認を行うことで、追加学習用の学習データの正当性を検出してもよい。これにより、追加学習用の学習データを保護することができる。このとき、デジタル署名やハッシュ化による一致性の確認した結果として、追加学習用の学習データの正当性が検出できなかった場合には、その旨の警告を行い、その学習データによる追加学習を行わない。なお、サーバは、その設置場所を問わず、例えば、クラウドサーバ、フォグサーバ、エッジサーバ等のどのような形態でもよい。

（変形例１６）
上述した様々な実施形態及び変形例において、検者からの指示は、手動による指示（例えば、ユーザーインターフェース等を用いた指示）以外にも、音声等による指示であってもよい。このとき、例えば、機械学習により得た音声認識モデル（音声認識エンジン、音声認識用の学習済モデル）を含む機械学習モデルが用いられてもよい。また、手動による指示は、キーボードやタッチパネル等を用いた文字入力等による指示であってもよい。このとき、例えば、機械学習により得た文字認識モデル（文字認識エンジン、文字認識用の学習済モデル）を含む機械学習モデルが用いられてもよい。また、検者からの指示は、ジェスチャー等による指示であってもよい。このとき、機械学習により得たジェスチャー認識モデル（ジェスチャー認識エンジン、ジェスチャー認識用の学習済モデル）を含む機械学習モデルが用いられてもよい。

また、検者からの指示は、モニタ上の検者の視線検出結果等であってもよい。視線検出結果は、例えば、モニタ周辺から撮影して得た検者の動画像を用いた瞳孔検出結果であってもよい。このとき、動画像からの瞳孔検出は、上述したような物体認識エンジンを用いてもよい。また、検者からの指示は、脳波、体を流れる微弱な電気信号等による指示であってもよい。

このような場合、例えば、学習データとしては、上述したような種々の学習済モデルの処理による結果の表示の指示を示す文字データ又は音声データ（波形データ）等を入力データとし、種々の学習済モデルの処理による結果等を実際に表示部に表示させるための実行命令を正解データとする学習データであってもよい。また、学習データとしては、例えば、高画質化用の学習済モデルで得た高画質画像の表示の指示を示す文字データ又は音声データ等を入力データとし、高画質画像の表示の実行命令及び高画質化ボタンをアクティブ状態に変更するための実行命令を正解データとする学習データであってもよい。もちろん、学習データとしては、例えば、文字データ又は音声データ等が示す指示内容と実行命令内容とが互いに対応するものであれば何でもよい。また、音響モデルや言語モデル等を用いて、音声データから文字データに変換してもよい。また、複数のマイクで得た波形データを用いて、音声データに重畳しているノイズデータを低減する処理を行ってもよい。また、文字又は音声等による指示と、マウス、タッチパネル等による指示とを、検者からの指示に応じて選択可能に構成されてもよい。また、文字又は音声等による指示のオン・オフを、検者からの指示に応じて選択可能に構成されてもよい。

ここで、機械学習には、上述したような深層学習があり、また、多階層のニューラルネットワークの少なくとも一部には、例えば、再帰型ニューラルネットワーク（ＲＮＮ：ＲｅｃｕｒｒｅｒｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）を用いることができる。ここで、本変形例に係る機械学習モデルの一例として、時系列情報を扱うニューラルネットワークであるＲＮＮに関して、図１５（ａ）及び（ｂ）を参照して説明する。また、ＲＮＮの一種であるＬｏｎｇｓｈｏｒｔ−ｔｅｒｍｍｅｍｏｒｙ（以下、ＬＳＴＭ）に関して、図１６（ａ）及び（ｂ）を参照して説明する。

図１５（ａ）は、機械学習モデルであるＲＮＮの構造を示す。ＲＮＮ３５２０は、ネットワークにループ構造を持ち、時刻ｔにおいてデータｘ^ｔ３５１０を入力し、データｈ^ｔ３５３０を出力する。ＲＮＮ３５２０はネットワークにループ機能を持つため、現時刻の状態を次の状態に引き継ぐことが可能であるため、時系列情報を扱うことができる。図１５（ｂ）には時刻ｔにおけるパラメータベクトルの入出力の一例を示す。データｘ^ｔ３５１０にはＮ個（Ｐａｒａｍｓ１〜ＰａｒａｍｓＮ）のデータが含まれる。また、ＲＮＮ３５２０より出力されるデータｈ^ｔ３５３０には入力データに対応するＮ個（Ｐａｒａｍｓ１〜ＰａｒａｍｓＮ）のデータが含まれる。

しかし、ＲＮＮでは誤差逆伝搬時に長期時間の情報を扱うことができないため、ＬＳＴＭが用いられることがある。ＬＳＴＭは、忘却ゲート、入力ゲート、及び出力ゲートを備えることで長期時間の情報を学習することができる。ここで、図１６（ａ）にＬＳＴＭの構造を示す。ＬＳＴＭ３５４０において、ネットワークが次の時刻ｔに引き継ぐ情報は、セルと呼ばれるネットワークの内部状態ｃ^ｔ−１と出力データｈ^ｔ−１である。なお、図の小文字（ｃ、ｈ、ｘ）はベクトルを表している。

次に、図１６（ｂ）にＬＳＴＭ３５４０の詳細を示す。図１６（ｂ）において、ＦＧは忘却ゲートネットワーク、ＩＧは入力ゲートネットワーク、ＯＧは出力ゲートネットワークを示し、それぞれはシグモイド層である。そのため、各要素が０から１の値となるベクトルを出力する。忘却ゲートネットワークＦＧは過去の情報をどれだけ保持するかを決め、入力ゲートネットワークＩＧはどの値を更新するかを判定するものである。ＣＵは、セル更新候補ネットワークであり、活性化関数ｔａｎｈ層である。これは、セルに加えられる新たな候補値のベクトルを作成する。出力ゲートネットワークＯＧは、セル候補の要素を選択し次の時刻にどの程度の情報を伝えるか選択する。

なお、上述したＬＳＴＭのモデルは基本形であるため、ここで示したネットワークに限らない。ネットワーク間の結合を変更してもよい。ＬＳＴＭではなく、ＱＲＮＮ（ＱｕａｓｉＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ）を用いてもよい。さらに、機械学習モデルは、ニューラルネットワークに限定されるものではなく、ブースティングやサポートベクターマシン等が用いられてもよい。また、検者からの指示が文字又は音声等による入力の場合には、自然言語処理に関する技術（例えば、ＳｅｑｕｅｎｃｅｔｏＳｅｑｕｅｎｃｅ）が適用されてもよい。また、検者に対して文字又は音声等による出力で応答する対話エンジン（対話モデル、対話用の学習済モデル）が適用されてもよい。

（変形例１７）
上述した様々な実施形態及び変形例において、高画質画像等は、検者からの指示に応じて記憶部に保存されてもよい。このとき、高画質画像等を保存するための検者からの指示の後、ファイル名の登録の際に、推奨のファイル名として、ファイル名のいずれかの箇所（例えば、最初の箇所、最後の箇所）に、高画質化用の学習済モデルを用いた処理（高画質化処理）により生成された画像であることを示す情報（例えば、文字）を含むファイル名が、検者からの指示に応じて編集可能な状態で表示されてもよい。

また、レポート画面等の種々の表示画面において、表示部に高画質画像を表示させる際に、表示されている画像が高画質化用の学習済モデルを用いた処理により生成された高画質画像であることを示す表示が、高画質画像とともに表示されてもよい。この場合には、検者は、当該表示によって、表示された高画質画像が撮影によって取得した画像そのものではないことが容易に識別できるため、誤診断を低減させたり、診断効率を向上させたりすることができる。なお、高画質化用の学習済モデルを用いた処理により生成された高画質画像であることを示す表示は、入力画像と当該処理により生成された高画質画像とを識別可能な表示であればどのような態様のものでもよい。また、高画質化用の学習済モデルを用いた処理だけでなく、上述したような種々の学習済モデルを用いた処理についても、その種類の学習済モデルを用いた処理により生成された結果であることを示す表示が、その結果とともに表示されてもよい。

このとき、レポート画面等の表示画面は、検者からの指示に応じて記憶部に保存されてもよい。例えば、高画質化画像等と、これらの画像が高画質化用の学習済モデルを用いた処理により生成された高画質画像であることを示す表示とが並んだ１つの画像としてレポート画面が記憶部に保存されてもよい。

また、高画質化用の学習済モデルを用いた処理により生成された高画質画像であることを示す表示について、高画質化用の学習済モデルがどのような学習データによって学習を行ったものであるかを示す表示が表示部に表示されてもよい。当該表示としては、学習データの入力データと正解データの種類の説明や、入力データと正解データに含まれる撮影部位等の正解データに関する任意の表示を含んでよい。なお、高画質化用の学習済モデルを用いた処理だけでなく、上述したような種々の学習済モデルを用いた処理についても、その種類の学習済モデルがどのような学習データによって学習を行ったものであるかを示す表示が表示部に表示されてもよい。

また、高画質化用の学習済モデルを用いた処理により生成された画像であることを示す情報（例えば、文字）を、高画質画像等に重畳した状態で表示又は保存されるように構成されてもよい。このとき、画像上に重畳する箇所は、撮影対象となる注目部位等が表示されている領域には重ならない領域（例えば、画像の端）であればどこでもよい。また、重ならない領域を判定し、判定された領域に重畳させてもよい。

また、レポート画面の初期表示画面として、高画質化ボタンがアクティブ状態（高画質化処理がオン）となるようにデフォルト設定されている場合には、検者からの指示に応じて、高画質画像等を含むレポート画面に対応するレポート画像がサーバに送信されるように構成されてもよい。また、高画質化ボタンがアクティブ状態となるようにデフォルト設定されている場合には、検査終了時（例えば、検者からの指示に応じて、撮影確認画面やプレビュー画面からレポート画面に変更された場合）に、高画質画像等を含むレポート画面に対応するレポート画像がサーバに（自動的に）送信されるように構成されてもよい。このとき、デフォルト設定における各種設定（例えば、レポート画面の初期表示画面におけるＥｎ−Ｆａｃｅ画像の生成のための深度範囲、解析マップの重畳の有無、高画質画像か否か、経過観察用の表示画面か否か等の少なくとも１つに関する設定）に基づいて生成されたレポート画像がサーバに送信されるように構成されもよい。

（変形例１８）
上述した様々な実施形態及び変形例において、上述したような種々の学習済モデルのうち、第１の種類の学習済モデルで得た画像（例えば、高画質画像、解析マップ等の解析結果を示す画像、物体認識結果を示す画像、セグメンテーション結果を示す画像）を、第１の種類とは異なる第２の種類の学習済モデルに入力してもよい。このとき、第２の種類の学習済モデルの処理による結果（例えば、解析結果、診断結果、物体認識結果、セグメンテーション結果）が生成されるように構成されてもよい。

また、上述したような種々の学習済モデルのうち、第１の種類の学習済モデルの処理による結果（例えば、解析結果、診断結果、物体認識結果、セグメンテーション結果）を用いて、第１の種類の学習済モデルに入力した画像から、第１の種類とは異なる第２の種類の学習済モデルに入力する画像を生成してもよい。このとき、生成された画像は、第２の種類の学習済モデルにより処理する画像として適した画像である可能性が高い。このため、生成された画像を第２の種類の学習済モデルに入力して得た画像（例えば、高画質画像、解析マップ等の解析結果を示す画像、物体認識結果を示す画像、セグメンテーション結果を示す画像）の精度を向上することができる。

また、上述したような種々の学習済モデルは、被検体の２次元の医用画像を含む学習データを学習して得た学習済モデルであってもよいし、また、被検体の３次元の医用画像を含む学習データを学習して得た学習済モデルであってもよい。

また、上述したような学習済モデルの処理による解析結果や診断結果等を検索キーとして、サーバ等に格納された外部のデータベースを利用した類似画像検索を行ってもよい。なお、データベースにおいて保存されている複数の画像が、既に機械学習等によって該複数の画像それぞれの特徴量を付帯情報として付帯された状態で管理されている場合等には、画像自体を検索キーとする類似画像検索エンジン（類似画像検査モデル、類似画像検索用の学習済モデル）が用いられてもよい。

（変形例１９）
なお、上記実施形態及び変形例におけるモーションコントラストデータの生成処理は、断層画像の輝度値に基づいて行われる構成に限られない。上記各種処理は、断層画像撮影装置１００で取得された干渉信号、干渉信号にフーリエ変換を施した信号、該信号に任意の処理を施した信号、及びこれらに基づく断層画像等を含む断層データに対して適用されてよい。これらの場合も、上記構成と同様の効果を奏することができる。

分割手段としてカプラーを使用したファイバー光学系を用いているが、コリメータとビームスプリッタを使用した空間光学系を用いてもよい。また、断層画像撮影装置１００の構成は、上記の構成に限られず、断層画像撮影装置１００に含まれる構成の一部を断層画像撮影装置１００と別体の構成としてもよい。

また、上記実施形態及び変形例では、断層画像撮影装置１００の干渉光学系としてマイケルソン型干渉計の構成を用いているが、干渉光学系の構成はこれに限られない。例えば、断層画像撮影装置１００の干渉光学系はマッハツェンダー干渉計の構成を有していてもよい。

さらに、上記実施形態及び変形例では、ＯＣＴ装置として、ＳＬＤを光源として用いたスペクトラルドメインＯＣＴ（ＳＤ−ＯＣＴ）装置について述べたが、本発明によるＯＣＴ装置の構成はこれに限られない。例えば、出射光の波長を掃引することができる波長掃引光源を用いた波長掃引型ＯＣＴ（ＳＳ−ＯＣＴ）装置等の他の任意の種類のＯＣＴ装置にも本発明を適用することができる。また、ライン光を用いたＬｉｎｅ−ＯＣＴ装置に対して本発明を適用することもできる。

また、上記実施形態及び変形例では、画像処理部１０１−０４は、断層画像撮影装置１００で取得された干渉信号や画像処理部で生成された三次元断層画像等を取得した。しかしながら、画像処理部１０１−０４がこれらの信号や画像を取得する構成はこれに限られない。例えば、画像処理部１０１−０４は、ＬＡＮ、ＷＡＮ、又はインターネット等を介して接続されるサーバや撮影装置からこれらの信号を取得してもよい。

なお、学習済モデルは、画像処理部１０１−０４に設けられることができる。学習済モデルは、例えば、ＣＰＵ等のプロセッサによって実行されるソフトウェアモジュール等で構成されることができる。また、学習済モデルは、画像処理部１０１−０４と接続される別のサーバ等に設けられてもよい。この場合には、画像処理部１０１−０４は、インターネット等の任意のネットワークを介して学習済モデルを備えるサーバに接続することで、学習済モデルを用いて高画質化処理を行うことができる。

（変形例２０）
また、上述した様々な実施形態及び変形例による画像処理装置又は画像処理方法によって処理される画像は、任意のモダリティ（撮影装置、撮影方法）を用いて取得された医用画像を含む。処理される医用画像は、任意の撮影装置等で取得された医用画像や、上記実施形態及び変形例による画像処理装置又は画像処理方法によって作成された画像を含むことができる。

さらに、処理される医用画像は、被検者（被検体）の所定部位の画像であり、所定部位の画像は被検者の所定部位の少なくとも一部を含む。また、当該医用画像は、被検者の他の部位を含んでもよい。また、医用画像は、静止画像又は動画像であってよく、白黒画像又はカラー画像であってもよい。さらに医用画像は、所定部位の構造（形態）を表す画像でもよいし、その機能を表す画像でもよい。機能を表す画像は、例えば、ＯＣＴＡ画像、ドップラーＯＣＴ画像、ｆＭＲＩ画像、及び超音波ドップラー画像等の血流動態（血流量、血流速度等）を表す画像を含む。なお、被検者の所定部位は、撮影対象に応じて決定されてよく、人眼（被検眼）、脳、肺、腸、心臓、すい臓、腎臓、及び肝臓等の臓器、頭部、胸部、脚部、並びに腕部等の任意の部位を含む。

また、医用画像は、被検者の断層画像であってもよいし、正面画像であってもよい。正面画像は、例えば、眼底正面画像や、前眼部の正面画像、蛍光撮影された眼底画像、ＯＣＴで取得したデータ（三次元のＯＣＴデータ）について撮影対象の深さ方向における少なくとも一部の範囲のデータを用いて生成したＥｎ−Ｆａｃｅ画像を含む。Ｅｎ−Ｆａｃｅ画像は、三次元のＯＣＴＡデータ（三次元のモーションコントラストデータ）について撮影対象の深さ方向における少なくとも一部の範囲のデータを用いて生成したＯＣＴＡのＥｎ−Ｆａｃｅ画像（モーションコントラスト正面画像）でもよい。また、三次元のＯＣＴデータや三次元のモーションコントラストデータは、三次元の医用画像データの一例である。

また、撮影装置とは、診断に用いられる画像を撮影するための装置である。撮影装置は、例えば、被検者の所定部位に光、Ｘ線等の放射線、電磁波、又は超音波等を照射することにより所定部位の画像を得る装置や、被写体から放出される放射線を検出することにより所定部位の画像を得る装置を含む。より具体的には、上述した様々な実施形態及び変形例に係る撮影装置は、少なくとも、Ｘ線撮影装置、ＣＴ装置、ＭＲＩ装置、ＰＥＴ装置、ＳＰＥＣＴ装置、ＳＬＯ装置、ＯＣＴ装置、ＯＣＴＡ装置、眼底カメラ、及び内視鏡等を含む。

なお、ＯＣＴ装置としては、タイムドメインＯＣＴ（ＴＤ−ＯＣＴ）装置やフーリエドメインＯＣＴ（ＦＤ−ＯＣＴ）装置を含んでよい。また、フーリエドメインＯＣＴ装置はスペクトラルドメインＯＣＴ（ＳＤ−ＯＣＴ）装置や波長掃引型ＯＣＴ（ＳＳ−ＯＣＴ）装置を含んでよい。また、ＳＬＯ装置やＯＣＴ装置として、波面補償光学系を用いた波面補償ＳＬＯ（ＡＯ−ＳＬＯ）装置や波面補償ＯＣＴ（ＡＯ−ＯＣＴ）装置等を含んでよい。また、ＳＬＯ装置やＯＣＴ装置として、偏光位相差や偏光解消に関する情報を可視化するための偏光ＳＬＯ（ＰＳ−ＳＬＯ）装置や偏光ＯＣＴ（ＰＳ−ＯＣＴ）装置等を含んでよい。

［その他の実施形態］
以上、様々な実施形態及び変形例について詳述したが、開示の技術は例えば、システム、装置、方法、プログラム若しくは記録媒体（記憶媒体）等としての実施態様をとることが可能である。具体的には、複数の機器（例えば、ホストコンピュータ、インタフェース機器、撮像装置、ｗｅｂアプリケーション等）から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。

また、本発明の目的は、以下のようにすることによって達成されることはいうまでもない。即ち、前述した様々な実施形態及び変形例の機能を実現するソフトウェアのプログラムコード（コンピュータプログラム）を記録した記録媒体（または記憶媒体）を、システムあるいは装置に供給する。係る記憶媒体は言うまでもなく、コンピュータ読み取り可能な記憶媒体である。そして、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記録媒体に格納されたプログラムコードを読み出し実行する。この場合、記録媒体から読み出されたプログラムコード自体が前述した様々な実施形態及び変形例の機能を実現することになり、そのプログラムコードを記録した記録媒体は本発明を構成することになる。

Claims

眼底の３次元モーションコントラストデータを取得する取得手段と、
前記３次元モーションコントラストデータを高画質化する高画質化手段と、
前記高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出する算出手段と、
を備える、情報処理装置。
前記取得手段は、前記３次元モーションコントラストデータを複数取得し、
前記高画質化手段は、複数の前記３次元モーションコントラストデータを合成することにより、前記３次元モーションコントラストデータを高画質化する、請求項１に記載の情報処理装置。
前記高画質化手段は、眼底の３次元のモーションコントラストデータを含む学習データを学習して得た高画質化用の学習済モデルを用いて、前記３次元モーションコントラストデータを高画質化する、請求項１に記載の情報処理装置。
前記高画質化された３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理を行う処理手段を更に備え、
前記算出手段は、前記処理手段によりプロジェクションアーチファクトが低減された後の前記高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、前記血管計測値を算出する、請求項１乃至３のいずれか１項に記載の情報処理装置。
眼底の３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理を行う処理手段と、
前記処理手段によりプロジェクションアーチファクトが低減された後の前記３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出する算出手段と、
を備える、情報処理装置。
前記血管計測値は、３次元空間における血管計測値であり、血管の体積と、３次元の血管密度と、３次元空間において計測した血管の径と長さと曲率とのうち少なくとも１つに基づく計測値とのうち少なくとも１つである、請求項１乃至５のいずれか１項に記載の情報処理装置。
前記３次元空間は、ユーザにより指定される、請求項６に記載の情報処理装置。
前記算出手段は、前記３次元の血管領域に関する情報を用いて前記３次元空間における血管計測値を算出し、更に、前記３次元モーションコントラストデータを深さ方向に投影することで得られた２次元モーションコントラストデータから２次元領域における血管計測値を算出する、請求項６または７に記載の情報処理装置。
前記算出手段は、前記算出された血管計測値に対して、前記３次元空間における血管計測値であるか前記２次元領域における血管計測値であるかを識別可能な識別情報を対応付ける、請求項８に記載の情報処理装置。
前記算出された血管計測値を表示部に表示させる表示制御手段を更に備え、
前記表示制御手段は、前記算出された血管計測値を時系列に沿って複数表示させる場合、前記識別情報に基づいて、３次元空間における血管計測値と２次元領域における血管計測値とが混在しないように前記表示部に表示させる、請求項９に記載の情報処理装置。
前記算出手段は、前記算出された血管計測値に対して、前記３次元空間における血管計測値であることを示す情報を対応付ける、請求項６乃至８のいずれか１項に記載の情報処理装置。
前記血管計測値は、２次元領域における血管計測値であり、血管領域または無血管領域の面積、２次元の血管密度、２次元領域において計測した血管の径と長さと曲率とのうち少なくとも１つに基づく計測値のうち少なくとも１つである、請求項１乃至５のいずれか１項に記載の情報処理装置。
前記少なくとも一部における３次元の血管領域を抽出する抽出手段を更に備える、請求項１乃至１２のいずれか１項に記載の情報処理装置。
眼底の３次元モーションコントラストデータを高画質化する高画質化手段と、
前記高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域を抽出する抽出手段と、
を備える、情報処理装置。
眼底の３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理を行う処理手段と、
前記処理手段によりプロジェクションアーチファクトが低減された後の前記３次元モーションコントラストデータの少なくとも一部における３次元の血管領域を抽出する抽出手段と、
を備える、情報処理装置。
前記抽出手段は、眼底の３次元のモーションコントラストデータを含む学習データを学習して得た物体認識用の学習済モデル、または眼底の３次元のモーションコントラストデータを含む学習データを学習して得たセグメンテーション用の学習済モデルを用いて、前記少なくとも一部における３次元の血管領域を抽出する、請求項１３乃至１４のいずれか１項に記載の情報処理装置。
眼底の３次元のモーションコントラストデータを含む学習データを学習して得た解析結果生成用の学習済モデルを用いて前記３次元の血管領域の解析結果を生成する、または眼底の３次元のモーションコントラストデータを含む学習データを学習して得た診断結果生成用の学習済モデルを用いて前記３次元の血管領域の診断結果を生成する生成手段を更に備える、請求項１乃至１６のいずれか１項に記載の情報処理装置。
眼底の３次元モーションコントラストデータを取得する取得工程と、
前記３次元モーションコントラストデータを高画質化する高画質化工程と、
前記高画質化された３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、３次元空間における血管計測値を算出する算出工程と、
を含む、情報処理方法。
眼底の３次元モーションコントラストデータに対してプロジェクションアーチファクトを低減する処理を行う処理工程と、
前記処理手段によりプロジェクションアーチファクトが低減された後の前記３次元モーションコントラストデータの少なくとも一部における３次元の血管領域に関する情報を用いて、血管計測値を算出する算出工程と、
を含む、情報処理方法。
請求項１８または１９に記載の情報処理方法をコンピュータに実行させる、プログラム。