JP2022033126A - 眼の画像内における病変の検知 - Google Patents

Abstract

【課題】眼の画像化システム（４２０）により取得された眼の部分の画像（４００）内において病変を示す領域（４１０）を検索するためのコンピュータにより実行される方法を提供する。【解決手段】前記方法が、前記画像を定義する画像データを受信すること（Ｓ１０）、学習アルゴリズムを用いて前記受信された画像データを処理することにより、前記画像内の前記領域を検索すること（Ｓ１２）、及び前記病変を示す前記画像内の領域が見つかった場合、前記画像内の前記領域の位置を確定すること（Ｓ１４）、眼の測定装置に、前記眼の前記部分に対する測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成すること（Ｓ１６）、及び前記測定データを前記眼の測定装置から受信すること（Ｓ１８）、を含む。【選択図】図３

Description

本明細書中の例示的態様は、一般的に、画像処理の分野に関し、より具体的には、眼の画像化された部分における病変の存在及び／又は位置の特定を容易にする眼の画像の処理に関する。

眼の画像化システムにより取得された対象者の眼の部分の眼の画像は、健康な眼の比較画像には存在しない病変の何らかの徴候を含む１又は複数の領域を有することがあり、そのような領域（単数又は複数）の存在は、前記対象者の病気又は他の不健康な状態を示している可能性がある。例として、対象者の網膜の蛍光眼底血管造影図に、血管からの漏出が起こったように見受けられる１又は複数の領域が含まれることがあり、このことは黄斑浮腫の徴候であり得る。眼の画像は、経験豊富な眼科医が取得及び判断する必要がある。しかし、既存の技術は、眼科医及び／又は患者にとって時間がかかり、さらに下された判断が間違いであることもよくある。

本発明の発明者たちは、本明細書中の第１の例示的態様に従い、眼の画像化システムにより取得された眼の部分の画像内において病変を示す領域を検索するためのコンピュータにより実行される方法を発明した。前記方法は、前記画像を定義する画像データを受信すること、及び健康な眼の前記部分の複数の画像を定義する画像データと、前記病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データに基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内の前記領域を検索すること、を含む。前記病変を示す前記画像内の領域が、前記検索することにおいて見つかった場合、前記画像内の前記領域の位置が確定され、眼の測定装置に、前記眼の前記部分に対する測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令が生成され、前記測定データが前記眼の測定装置から受信される。

本発明の発明者たちは、本明細書中の第２の例示的態様に従い、眼の画像化システムにより取得された眼の部分の画像内において病変の存在を検索するためのコンピュータにより実行される方法をさらに発明した。前記方法は、前記画像を定義する画像データを受信すること、及び健康な眼の複数の画像を定義する画像データと、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の複数の画像に基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内において前記複数の異なる種類の病変のうちの少なくとも１つの存在を検索すること、を含む。前記方法は、前記複数の異なる種類の病変のうちの少なくとも１つが前記画像内に存在すると分かった場合、前記画像内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択するプロセス、前記画像内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記対応する選択された測定様式の眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための対応する命令を生成するプロセス、及び選択された各測定様式の前記眼の測定装置により実施された前記測定の測定データを受信するプロセス、をさらに含む。

本発明の発明者たちは、本明細書中の第３の例示的態様に従い、コンピュータにより実行されたときに、前記コンピュータに、本明細書中の第１の例示的態様又は第２の例示的態様による方法を実行させるコンピュータプログラムをさらに発明した。

本発明の発明者たちは、本明細書中の第４の例示的態様に従い、本明細書中の第３の例示的態様によるコンピュータプログラムを記憶する非一過性のコンピュータ可読記憶媒体をさらに発明した。

本発明の発明者たちは、本明細書中の第５の例示的態様に従い、本明細書中の第３の例示的態様によるコンピュータプログラムを搬送する信号をさらに発明した。

本発明の発明者たちは、本明細書中の第６の例示的態様に従い、眼の画像化システムにより取得された眼の部分の画像内において病変を示す領域を検索する装置をさらに発明した。前記装置は、前記画像を定義する画像データを受信するように構成された受信モジュールを含む。前記装置は、健康な眼の前記部分の複数の画像を定義する画像データと、前記病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データに基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内の前記領域を検索するように構成された検索モジュールをさらに含む。前記装置は、前記検索モジュールにより見つけられた前記病変を示す前記画像内の領域に応じて、前記画像内の前記領域の位置を確定するプロセス、及び眼の測定装置に、前記眼の前記部分に対する測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成するプロセス、を実行するように構成された命令生成モジュールをさらに含む。前記受信モジュールは、前記測定データを前記眼の測定装置から受信するようにさらに構成される。

本発明の発明者たちは、本明細書中の第７の例示的態様に従い、眼の画像化システムにより取得された眼の部分の画像内において病変の存在を検索する装置をさらに発明した。前記装置は、前記画像を定義する画像データを受信するように構成された受信モジュール、及び健康な眼の複数の画像を定義する画像データと、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の複数の画像に基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内において前記複数の異なる種類の病変のうちの少なくとも１つの存在を検索するように構成された検索モジュール、を含む。前記装置は、前記検索モジュールにより前記画像内に存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、前記画像内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択するプロセス、及び前記画像内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記対応する選択された測定様式の眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための対応する命令を生成するプロセス、を実行するように構成された命令生成モジュールをさらに含む。前記受信モジュールは、選択された各測定様式の前記眼の測定装置により実施された前記測定の測定データを受信するようにさらに構成される。

以下、添付の図面を参照しながら、本発明の実施形態について、単に非限定的例として詳しく説明する。図面の異なる図において見られる同じような参照符号は、そうではないという記載がない限り、同一又は機能的に同様の要素を示していることがある。

本明細書中の第１の例示的実施形態による、眼の画像内において病変を示す領域を検索する装置を示す概略図である。 本明細書中に記載の例示的一実施例による、図１の装置の例示的信号処理ハードウェア構成を示すブロック図である。 本明細書中の第１の例示的実施形態による、図１の装置が眼の画像内において病変を示す領域を検索するプロセスを示すフロー図である。 眼の画像化システムにより取得された眼の部分の画像を示す概略図である。 本明細書中の例示的一態様による、見つかった病変を示す領域がある図４Ａの画像に印をつけた図である。 本明細書中の第１の例示的態様により、健康な眼の部分の複数の画像を定義する画像データと、病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データに基づいて、学習アルゴリズムがどのように訓練され得るかを示す概略図である。 本明細書中の第２の例示的態様により、健康な眼の部分の複数の画像を定義する画像データと、複数の異なる種類の病変のうちの対応する１つを示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データに基づいて、学習アルゴリズムがどのように訓練され得るかを示す概略図である。 入力層、隠れ層、及び出力層内に人工ニューロンを含む畳み込みニューラルネットワークの概略図である。 本明細書中の例示的一実施形態による、図１の装置の検索モジュールが画像内において病変を示す領域を検索し得るプロセスを示すフロー図である。 本明細書中の例示的一実施形態による、眼の画像内において病変の存在を検索する装置の概略図である。 本明細書中の例示的一実施形態による、図９の装置が眼の画像内において病変の存在を検索するプロセスを示すフロー図である。

本明細書中に記載の、ある例示的実施形態では、眼の画像内において病変を自動的に検知するために、下記に記載の画像処理技術を用いて、前記眼の画像が処理され、その後、より高い信頼性をもって、前記病変の存在を確定することを可能にする（及び／又は前記病変を特徴づけることを可能にする）補足的データを取得するために、前記眼に対するさらなる測定が自動的に命令される。例えば、前記眼は、異なる画像化様式（例えば、光学的干渉断層検査（ＯＣＴ））、又は測定された光刺激に対するその機能的反応を用いて、画像化されてもよい。さらなる例として、前記画像処理により網膜の領域で血管からの漏出が起こった可能性を示す徴候が検知される蛍光眼底血管造影図の場合、前記領域に対するＯＣＴスキャンが命令されてもよく、黄斑浮腫の存在及び場所を確定し、所望によりその重症度を診断するために、厚み又は体積についての測定値が前記ＯＣＴスキャンのデータから獲得されてもよい。よって、実施形態により、病気の早期発見のために、迅速かつ信頼性の高い病変の検知を容易にすることができ、前記眼の画像が前記眼の網膜又は他の部分の大部分をカバーする広視野画像又は超広視野画像であるその利点は、非常に明白である。

以下、添付の図面を参照しながら、本発明の実施形態について詳しく記載する。

［実施形態１］

図１は、第１の例示的実施形態による、眼の画像化システム（図５の概略図において５２０で示されている）により取得された眼の部分の画像内において、病変を示す領域を検索する装置１００の概略図である。装置１００は、眼の画像化システム５２０により作成された画像を定義する画像データを受信するように構成された受信モジュール１１０、及び下記に詳しく記載する学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内において病変を示す少なくとも１つの領域を自動的に検索するように構成された検索モジュール１２０、を含む。装置１００は、検索モジュール１２０により見つけられた前記病変を示す前記画像内の領域に応じて、前記画像内の前記領域の位置を確定するプロセス、及び眼の測定装置に、前記眼の前記部分に対する測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成するプロセス、を自動的に実行するように構成された命令生成モジュール１３０、をさらに含む。２つ以上のそのような領域が検索モジュール１２０により見つけられた場合、これらのプロセスが前記領域のそれぞれについて実行されてもよい。受信モジュール１１０は、前記測定データを前記眼の測定装置から受信するようにさらに構成される。所望により、装置１００は、例示の本実施形態のように、表示制御信号発生器１４０を含んでもよい（この所望の構成要素は、図１において破線で示されている）。

病変を示す領域は、健康な眼について同様に取得された画像には存在しない損傷、構造的障害、又は任意の他の異常を示す画像的特徴を含む、前記受信された画像データにより定義される前記画像の領域であってもよい。

装置１００は、（限定はされないが、）例えば、緑内障、中等度の糖尿病性網膜症、重症の糖尿病性網膜症、腫瘍、菌塊、浮腫、及び萎縮などを含み得る、前記眼の中で起こり得る任意の病変を示す領域を検索するように構成されてもよい。

例示的な本実施形態では、受信モジュール１１０が、眼の画像化システム５２０により生成された前記眼の網膜の部分の画像を定義する画像データを受信するように構成される。しかし、他の例示的実施形態では、前記受信された画像データが、例えば、前記眼の前眼部の部分、又は前記眼の後眼部の部分など、前記眼の網膜以外の部分の画像を定義してもよい。さらに、前記受信された画像データは、例示的な本実施形態のように、二次元画像を定義してもよく、又は、代替的に、前記眼の前記画像化された部分の三次元画像を定義してもよい。前記受信された画像データは、当業者に知られている任意の適切な形式（圧縮又は非圧縮のどちらでもよい）で提供されてもよい。受信モジュール１１０により受信された前記画像データは、第１の画像化様式（下記により詳しく記述する）であり、画像化の解像度、アパーチャサイズ、及び波長を含み得る画像化パラメータの適切に選択された値を用いて、前記眼の網膜の画像化の結果を表すものである。

眼の画像化システム５２０は、前記眼の網膜（又は、他の選択された部分）の画像化に適した任意の眼の画像化システムであってもよい。眼の画像化システム５２０は、例えば、眼底カメラ、又は走査型画像化システムの一種であってもよい。例として、例示的な本実施形態の眼の画像化システム５２０は、対象者の眼の網膜の画像を取得するように構成された、走査型画像化システムであり、走査レーザ検眼鏡（ＳＬＯ）が例示的形式として挙げられる。例示的な本実施形態のＳＬＯは、自発蛍光（ＡＦ）画像を取り込むように構成される（赤色―緑色（ＲＧ）反射画像又は他の蛍光モードからの画像を取り込むように構成されてもよい）が、代替的に又は付加的に、１又は複数の他の種類の画像を取得するように構成されてもよい。前記ＳＬＯは、例えば、網膜の表面の８０％までの超広視野画像を生成することができる超広視野ＳＬＯ（ＵＷＦ―ＳＬＯ）であってもよい。代替的に、眼の画像化システム５２０は、別の画像化様式、例えば、光学的干渉断層検査（ＯＣＴ）スキャナであってもよく、この場合、本明細書中に記載の画像処理技術は、ＯＣＴスキャナにより取得された断層画像に適用可能である。さらなる代替として、眼の画像化システム５２０は、ＳＬＯとＯＣＴスキャナを組み合わせたものであってもよく、この場合、本明細書中に記載の画像処理技術は、ＳＬＯとＯＣＴスキャナを組み合わせたものにより取得されたＳＬＯ網膜スキャンとＯＣＴスキャンの両方に適用可能である。

受信モジュール１１０は、眼の画像化システム５２０又は当業者に知られている任意の適切な手段により取得された画像を定義する画像データを受信するように構成される。例えば、受信モジュール１１０は、直接的通信リンク（ユニバーサル・シリアル・バス（ＵＳＢ）又はブルートゥース（商標）接続などの任意の適切な有線又は無線接続により提供されてもよい）、又は間接的通信リンク（ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、及び／又はインターネットを含むネットワークにより提供されてもよい）を介して、眼の画像化システム５２０から前記画像データを受信してもよい。さらに、前記画像データは、前記眼の画像化システムにより取得された後、そのような画像データを受信する受信モジュール１１０により（例えば、ＣＤ又はハードディスクなどの記憶媒体から読み出されることにより、又はインターネットなどのネットワークを介して受信されることにより）受信されてもよい。

さらに、前記画像データは、前記眼の画像化システムにより生成されている間に、受信モジュール１１０により受信されてもよい（さらに、続いて、下記に記載するように、眼の部分の画像内において病変を示す領域を検索するために処理されてもよい）。つまり、この画像データは、眼の画像化システム５２０が前記網膜の前記部分の前記画像を形成する前記画像データを全て生成し終えるのを待たずに、「オンザフライ」で取得されてもよい。しかし、例示的な本実施形態では、また本明細書の目的のためにも、受信モジュール１１０は、前記眼の前記部分の前記画像を定義する前記画像データを全て受信するように構成され、その後、検索モジュール１２０が、この画像データの処理を開始する。

装置１００が表示制御信号発生器１４０を含む例示の本実施形態のような実施形態では、表示制御信号発生器１４０が、ＬＣＤスクリーン又は他の種類の視覚表示ユニットなどの表示装置（図２において２１５で示されているような）を制御するための表示制御信号を生成し、前記眼の前記部分の前記画像内における前記病変を示す前記領域の前記位置と、前記受信された測定データの表示の両方を表示するように設置されてもよい。

図２は、例示的な本実施形態のように、図１の装置１００として機能するように構成されてもよい、プログラマブル信号処理ハードウェア２００の概略図である。プログラマブル信号処理ハードウェア２００は、上記に記載の画像データを受信し、眼の測定装置３００に、前記眼の前記部分に対する前記測定を実施させて、前記測定データを生成させるための命令を生成し、前記測定データを眼の測定装置３００から受信し、及び、所望により、表示装置２１５を制御して、前記眼の前記部分の前記画像と、前記測定データの表示の両方を表示させるための表示制御信号を出力する通信インターフェース（Ｉ／Ｆ）２１０を含む。信号処理装置２００は、プロセッサ２２０（例えば、中央処理装置（ＣＰＵ）又はグラフィック処理装置（ＧＰＵ））、ワーキングメモリ２３０（例えば、ランダム・アクセス・メモリ）、及びコンピュータ可読命令を含むコンピュータプログラムを記憶する命令記憶装置２４０、をさらに含み、前記コンピュータプログラムがプロセッサ２２０により実行されると、プロセッサ２２０が、上記に記載の、検索モジュール１２０、命令生成モジュール１３０、及び、所望により、表示制御信号発生器１４０の機能を含む様々な機能を実行する。命令記憶装置２４０は、コンピュータ可読命令がプリロードされたＲＯＭ（例えば、電気的消去可能プログラマブル・リード・オンリー・メモリ（ＥＥＰＲＯＭ）又はフラッシュメモリの形式）を含んでもよい。代替的に、命令記憶装置２４０は、ＲＡＭ又は同様の種類のメモリを含んでもよく、前記コンピュータプログラムの前記コンピュータ可読命令は、ＣＤ―ＲＯＭ、ＤＶＤ―ＲＯＭなどの形式の非一過性コンピュータ可読記憶媒体２５０などのコンピュータプログラム製品、又はコンピュータ可読命令を搬送するコンピュータ可読信号２６０から、前記ＲＡＭ又は同様の種類のメモリに入力することができる。いずれの場合も、前記コンピュータプログラムが前記プロセッサにより実行されると、前記プロセッサが、本明細書中に記載の眼の画像化システムにより取得された眼の部分の画像内において、病変を示す領域又は病変の存在を検索する方法のうちの少なくとも１つを実行する。しかし、装置１００は、代替的に、特定用途向け集積回路（ＡＳＩＣ）などの非プログラム式ハードウェアとして実施されてもよいことに留意されたい。

例示的な本実施形態では、図２に示されている、プロセッサ２２０、ワーキングメモリ２３０、及び命令記憶装置２４０を含むハードウェア構成要素の組み合わせ２７０が、検索モジュール１２０と命令生成モジュール１３０の機能を実行するように構成される。次に、これらの機能について、下記に詳しく記載する。装置１００が表示制御信号発生器１４０を含む例示の本実施形態のような実施形態では、この所望の構成要素の機能も、ハードウェア構成要素の組み合わせ２７０と通信Ｉ／Ｆ２１０により提供される。

例示的な本実施形態の装置１００により実施される動作についての下記の記載からより明らかになるように、装置１００は、眼の画像化システム５２０により取得された眼の前記部分の画像を定義する画像データを自動的に処理して、前記病変を示す各領域の前記画像内の位置を見つけて記録し、眼の測定装置３００に、前記眼の前記部分に対する測定の対応する位置を設定するための、前記対応する領域の前記記録された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための対応する命令を生成する。よって、装置１００は、病変を含んでいることが疑われる各画像領域の前記位置と、前記対応する領域に関する追加の測定データの両方を取得する。装置１００により自動的に取得された、これらの、異なるが相補的な種類の情報は、医師による検査のために一緒に提示することができるため、前記眼の画像を単独で検査するよりも、より迅速により高い信頼性をもって、前記受信された眼の画像の任意の病変を含む領域を特定することが可能になり得る。例えば、前記画像内の前記領域の前記記録された位置と、前記受信された測定データの表示の両方が表示装置２１５に（好ましくは、互いに重なり合うように）表示される例示的な実施形態では、表示装置２１５を見る人が、そのような領域が前記画像内で見つかるかどうか、及びどこに見つかるのかを容易に認識することができ得る。これらは、前記画像内の前記領域の前記記録された位置、又は前記受信された測定データの表示のうちのどちらか一方のみが表示装置２１５に表示されている状態で、どちらか一種類の情報のみを見ることでは認識しづらいことがある。同様の利点が、前記画像内の前記領域の前記記録された位置及び前記受信された測定データが自動的に処理され、関心のある領域を特定する代替的な例示的実施形態においても得られ得る。

図３は、本明細書中の第１の例示的実施形態により、図１の装置１００が、眼の画像化システム５２０により取得された眼の部分の画像内において病変を示す領域を検索するプロセスを示すフロー図である。

図３のプロセスＳ１０では、受信モジュール１１０が、眼の画像化システム５２０により取得された、第１の画像化様式の画像データを受信する。前記眼の画像化システムの前記画像化様式は、例えば、ＯＣＴ、カラー眼底撮影法、蛍光眼底撮影法（ＦＡ）、インドシアニングリーン撮影法（ＩＣＧ）、及び自家蛍光（ＡＦ）などの、当業者に知られている多くの異なる形式のうちの１つであってもよい。前記受信された画像データは、眼の画像化システム５２０により取得された前記眼の部分（例示的な本実施形態では、網膜）の画像を定義する。図４Ａは、眼の画像化システム５２０により取得された前記受信された画像データにより定義された前記網膜の前記部分の画像４００の概略図である。

図３のプロセスＳ１２では、検索モジュール１２０が、健康な眼の網膜の複数の画像を定義する画像データと、病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の網膜の複数の画像を定義する画像データに基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、画像４００内において１種類の病変を示す領域（図４Ａの４１０）を検索する。前記検索において見つかった各領域４１０の画像４００内における位置は、装置１００が図２のプログラマブル信号処理ハードウェア２００内で実施される場合、検索モジュール１２０により、例えば、ワーキングメモリ２３０内に記録される。

図５は、健康な眼の複数の画像を定義する画像データ５０２と、不健康な眼の複数の画像を定義する画像データ５０１に基づいて、学習アルゴリズムがどのように訓練され得るかを示す概略図である。学習アルゴリズム５３０は、健康な眼の網膜の複数の画像を定義する画像データ５０２と、不健康な眼の網膜の複数の画像を定義する画像データ５０１とを含む、入力データの例示的な訓練セット５００からモデル５４０を構築することにより、入力データから学習し、前記入力データに基づいて予測を行うように構成される。例として、画像データ５０１は、不健康な眼の前記部分の複数の画像を定義し、各画像は重症の糖尿病性網膜症を示す領域を有する。例示的な訓練セット５００内の画像データ５０１により定義される前記複数の画像は、多数の対象者の網膜の画像を取得することにより収集されてもよい。さらに一般的には、各画像は、前記受信された画像データにより定義された画像としての、前記眼の同じ部分（又は眼５１０の実質的に同じ部分、又は前記同じ部分を含む前記眼の部分）に関する。さらに、例示的な訓練セット５００内の前記画像データにより定義された各画像は、眼の画像化システム５２０、又は同じ画像化様式で動作する同じ種類の眼の画像化システムにより取得される。例として、画像データ５０１は、不健康な眼の前記部分の複数の画像を定義し、各画像は重症の糖尿病性網膜症を示す領域を有する。

学習アルゴリズム５３０が教師あり学習アルゴリズム（例えば、ニューラルネットワーク、サポートベクタマシン、又は進化的アルゴリズムなど）である実施形態では、例示的な訓練セット５００内の各例示的画像は、前記眼の前記部分の画像を定義する入力画像データと、その画像が「健康」な眼の部分に関するか「不健康」な眼の部分に関するかを示す所望の出力値とからなるペアである。教師あり学習アルゴリズム５３０は、例示的な訓練セット５００内の前記画像データを分析して、モデル５４０を作成し、モデル５４０は、前記眼の前記部分の画像を定義する新しい初見の画像データについて「健康」か「不健康」かに分類するために使用することができる。学習アルゴリズム５３０は、１種類の病変のみを有する不健康な眼の複数の画像を定義する画像データ５０１に基づいて訓練されるため、モデル５４０は、複数の病変を区別することができない。モデル５４０では、例えば、重症の糖尿病性網膜症といった病変を示す領域が存在するか否かを確定することしかできない。

図３のプロセスＳ１２では、検索モジュール１２０が、例示的な本実施形態の変更例において、１種類の病変のみを示すのではなく、複数の異なる種類の病変のうちの１つを示す前記画像内の領域４１０を検索し、前記学習アルゴリズムを用いて前記受信された画像データを処理することにより、前記画像内の領域４１０を検索する。よって、例示的な本実施形態の前記変更例では、前記学習アルゴリズムが、前記複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データに基づいて訓練されてもよい。

図６は、健康な眼の網膜の複数の画像を定義する画像データ６０４と、複数の異なる種類の病変のうちの対応する１つを示す少なくとも１つの領域をそれぞれが有する不健康な眼の網膜の複数の画像を定義する画像データ６０１、６０２、６０３に基づいて、変更された学習アルゴリズム６３０がどのように訓練され得るかを示す概略図である。例として、画像データ６０１は、緑内障を有する不健康な眼の前記部分の複数の画像を定義し、画像データ６０２は、中等度の糖尿病性網膜症を有する不健康な眼の前記部分の複数の画像を定義し、画像データ６０３は、重症の糖尿病性網膜症を有する不健康な眼の前記部分の複数の画像を定義する。

学習アルゴリズム６３０は、健康な眼の網膜の複数の画像を定義する画像データ６０４と、不健康な眼の網膜の複数の画像を定義する画像データ６０１、６０２、６０３を含む、入力データの例示的な訓練セット６００からモデル６４０を構築することにより、入力データから学習し、前記入力データに基づいて予測を行うように構成される。例示的な訓練セット６００内の画像データ６０１～６０４により定義される前記複数の画像は、多数の対象者の網膜の画像を取得することにより収集されてもよい。さらに一般的には、各画像は、前記受信された画像データにより定義された画像としての、前記眼の同じ部分（又は眼５１０の実質的に同じ部分、又は前記同じ部分を含む前記眼の部分）に関する。さらに、例示的な訓練セット６００内の画像データ６１０～６０４により定義された各画像は、眼の画像化システム５２０、又は同じ画像化様式で動作する同じ種類の眼の画像化システムにより取得される。

学習アルゴリズム６３０は、教師あり学習アルゴリズムであってもよい。よって、例示的な訓練セット６００内の眼５１０の前記部分の例示的各画像は、その画像が「健康」な眼の部分に関するか、「不健康」な眼の部分に関するかを示す指標に関係し、前記画像が「不健康」な眼の部分に関する場合、前記複数の病変のうちのどの１つが前記画像内に存在するかを示す第２の指標にも関係する。前記教師あり学習アルゴリズムは、例示的な訓練セット６００内の前記画像データを分析して、モデル６４０を作成し、モデル６４０は、前記眼の前記部分の画像を定義する新しい（初めて見る）画像データを、例えば、「健康」、「不健康―緑内障」、「不健康―中等度の糖尿病性網膜症」、及び「不健康―重症の糖尿病性網膜症」のうちの１つとして分類するために使用することができる。

当業者には明らかであろうが、装置１００は、訓練セット６００を拡大して、追加の病変のそれぞれについて、その病変を有する不健康な眼の網膜（又は他の部分）の複数の画像を定義する画像データ、及び上記に記載の関係する指標を含むようにすることにより、前記追加の病変を分類するように適合されてもよい。例えば、訓練セット６００は、拡大されて、腫瘍を有する不健康な眼の前記部分の複数の画像を定義する画像データ、及び／又は浮腫を有する不健康な眼の前記部分の複数の画像を定義する画像データを含んでもよい。さらに、不健康な眼の前記部分の複数の画像を定義する画像データ６０１、６０２、６０３のうちのいずれかが、異なる病変を有する不健康な眼の前記部分の複数の画像を定義する画像データと取り換え又は置き換えられてもよい。その後、モデル６４０の修正版が、変更された訓練セット６００に基づいて作成されてもよい。

教師あり学習アルゴリズム６３０は、例示的な本実施形態のように、ニューラルネットワークであってもよい。ニューラルネットワークは、例示的な訓練セット６００内の前記画像データなどの前記入力データを処理することにより、予備知識を全く必要とせずに、特定特徴を自動的に生成する。

前記ニューラルネットワークは、例示的な本実施形態のように、畳み込みニューラルネットワークであってもよい。畳み込みニューラルネットワークは、画像及び動画の認識タスクに特に適している。

図７に例示されているように、一般的に、畳み込みニューラルネットワークは、入力層、出力層、及び複数の隠れ層から構成される。これらの層のそれぞれは複数の人工ニューロン（図７中のＡ～Ｆ）からなり、各層はそれぞれへの入力に対して異なる種類の変換を実施してもよい。各人工ニューロンは、隣接する層内の複数の人工ニューロンに結合されていてもよい。各人工ニューロンの出力は、それぞれの人工ニューロンへの入力の和の何らかの非線形関数により計算されてもよい。人工ニューロン及び人工ニューロン間の結合は、典型的には、所与の結合における信号強度を確定する対応する重み（図７中のＷＡＤ、ＷＡＥなど）を有する。これらの重みは学習が進むにつれて調整されるため、それに伴い、前記畳み込みニューラルネットワークの出力が調整される。信号は、第１の層（前記入力層）から最後の層（前記出力層）へと流れ、複数回にわたって各層を横断してもよい。

前記ニューラルネットワークの出力は、前記入力画像データが前記病変の特定特徴を含む確率とみなされてもよく、前記分類は、例示的な本実施形態では、訓練されたモデル６４０の出力が既定の閾値を超えるか否かの判断を含んでもよい。前記既定の閾値は、前記入力画像データが前記病変の特定特徴を含む確率が容認できる程度に低いこと、よって、対象者の眼が健康である確率が高いことを表してもよい。

前記学習アルゴリズムが、例示的な本実施形態のように、ニューラルネットワークである場合、検索モジュール１２０は、図３のプロセスＳ１２の部分として、前記ニューラルネットワークを分解することにより、前記画像内において前記病変を示す領域４１０を検索するように構成されてもよい。

前記眼の前記部分の画像４１０を定義する画像データが訓練されたモデル６４０に入力されると、訓練されたモデル６４０は、この画像を、「健康」か、「不健康」で特定の病変を有しているかに分類する（つまり、モデル６４０は、前記入力画像データが病変の特定特徴を含んでいるか否かを判断する）。従来の畳み込みニューラルネットワークでは、この分類についての説明が出力されない。したがって、前記畳み込みニューラルネットワークは、前記入力画像データのどの入力変数（つまり、画像４００の画素）が前記ニューラルネットワークの出力に関連するのかを確定するために、分解、つまり処理することができる。前記受信された画像データにより定義された画像４００の「不健康」である病変を有しているという分類に最も関連する入力変数は、前記病変を示す領域４１０（又は複数の領域）に対応する。

訓練されたモデル６４０が、前記受信された画像データにより定義される画像４００を「健康」（つまり、病変を示す領域をいっさい含まない）として分類した場合、検索モジュール１２０は、例示的な本実施形態のように、前記ニューラルネットワークを分解しないように構成されてもよい。

前記ニューラルネットワークが畳み込みニューラルネットワークである例示の本実施形態のような実施形態では、検索モジュール１２０は、例示的な本実施形態のように、図８のフロー図に例示されているプロセスを実行することにより、前記畳み込みニューラルネットワークを分解するように構成されてもよい。

図８のＳ１２２では、検索モジュール１２０が、画像４００の複数の異なる区分のそれぞれについて、マスク画像を生成するために、前記画像の前記区分をマスクするプロセスを実行する。

図８のＳ１２４では、検索モジュール１２０が、画像４００の複数の異なる区分のそれぞれについて、前記学習アルゴリズムを用いて、前記マスク画像を定義する画像データを処理することにより、前記マスク画像内の前記領域を検索するプロセスを実行する。

図８のＳ１２６では、検索モジュール１２０が、画像４００の複数の異なる区分のそれぞれについて、前記マスク画像を定義する前記画像データを用いて実施した検索の結果である第１の結果と、前記受信された画像データ（つまり、前記画像の前記区分がマスクされていない前記受信された画像データ）を用いて実施した検索の結果である第２の結果との間の差を確定するプロセスを実行する。

図８のＳ１２８では、検索モジュール１２０が、画像４００内の領域４１０の位置として、前記確定された差が最大である区分の位置を確定する。

代替的に、前記ニューラルネットワークが畳み込みニューラルネットワークである場合、検索モジュール１２０は、

（ｉ）テイラー分解を、前記ニューラルネットワークの上層から前記ニューラルネットワークの入力層までの前記ニューラルネットワークの各層に対して適用することにより、前記ニューラルネットワークの出力に対する前記ニューラルネットワークの各入力変数の関連性を確定し、

（ｉｉ）前記ニューラルネットワークの最も関連する入力変数に対応する前記受信された画像データの少なくとも１つの区分に基づいて記録されるべき位置を確定することにより、

前記畳み込みニューラルネットワークを分解するように構成されてもよい。

テイラー分解は、その入力変数に基づいて個々のニューラルネットワークの出力を分解することにより、前記ニューラルネットワークの予測を説明する方法である。この方法では、画像４００が、ｐが特定の画素を示す、ｘ＝｛ｘ_ｐ｝の画素値のセットとしてみなされる。関数ｆ（ｘ）は、画像４００内における、ある種類の対象物、本明細書中では、病変を示す領域４１０の存在を定量化する。関数値ｆ（ｘ）＝０は、対象物の不在を示す。他方、関数値ｆ（ｘ）＞０は、ある程度の確実性をもって、又は、ある程度の量の、対象物の存在を表す。このテイラー分解法は、前記画像中の各画素ｐに対して、関連性点数Ｒ_ｐ（ｘ）をつけ、この点数は画像ｘについて、画素ｐがどの程度分類の決定ｆ（ｘ）の説明に寄与しているかを示す。各画素の関連性は、ｘと同じ次元のＲ（ｘ）＝｛Ｒ_ｐ（ｘ）｝により示されるヒートマップ内に記録することができ、画像として視覚化することができる。したがって、前記領域の位置を、前記ヒートマップ内における最も関連する画素の位置として確定することができる。

さらなる代替として、前記ニューラルネットワークが畳み込みニューラルネットワークである場合、検索モジュール１２０は、前記畳み込みニューラルネットワークの逆畳み込みを行うことにより、前記畳み込みニューラルネットワークを分解するように構成されてもよい。特に、前記畳み込みニューラルネットワークは、入力として、前記畳み込みニューラルネットワークの出力を受け取り、出力として、あらかじめ定義されたクラスのうちの１つに属する各画素の確率を示す前記畳み込みニューラルネットワークに入力された画像と同じサイズの確率マップを提供する、多層逆畳み込みネットワークを訓練することにより分解されてもよい。したがって、前記領域の位置は、前記既定のクラスのうちの１つに属する確率が最も高い（つまり、前記複数の異なる種類の病変のうちの１つを有する確率が最も高い）画素の位置として確定されてもよい。

よって、検索モジュール１２０は、例示的な本実施形態のように、病変を示す領域４１０として、前記ニューラルネットワークの前記出力に最も関連する前記受信された画像データにより定義された画像４００の画素を特定することにより、前記画像内において病変を示す領域４１０を検索するように構成されてもよい。

図３を再度参照すると、プロセスＳ１３では、検索モジュール１２０が、前記病変を示す前記画像内の領域が、プロセスＳ１２において実施された検索の結果、見つかったかを判断する。前記病変を示す前記画像内の領域が、プロセスＳ１２において実施された検索の結果、見つかった場合、プロセスはＳ１４へと進む。見つからなかった場合、プロセスは終了する。

図３のプロセスＳ１４では、命令生成モジュール１３０が、検索モジュール１２０により見つけられた領域４１０の前記画像内における位置を確定する。前記位置は、例えば、検索モジュール１２０により、図２に例示されているハードウェア構成２００のワーキングメモリ２３０内に記録されてもよく、Ｓ１４において命令生成モジュール１３０により前記ワーキングメモリから読み出されてもよい。

装置１００のプロセスの結果が本明細書中に記載されるような表示装置２１５上に表示される例示的な本実施形態のような実施形態では、図４Ａに例示されているような前記確定された位置は、前記病変を含むことが分かった画像４００の領域４１０の上に重ねられる、図４Ｂに例示されている境界枠４４０などの、重ねて表示される視覚的要素の中央又は他の場所にあってもよい。

図３のプロセスＳ１６では、命令生成モジュール１３０が、眼の測定装置３００に、前記眼の前記部分の測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成する。図３のプロセスＳ１６で生成された前記命令は、当業者に知られている任意の適切な手段により、眼の測定装置３００に提供されてもよい。

例示の本実施形態のような実施形態では、前記確定された位置は、領域４１０を構成する１又は複数の画素の群からなる画像４００内の位置である。眼の測定装置３００により前記眼の前記部分に対して実施される前記測定の位置を設定するために使用することができる基準点を確定するために、Ｓ１２において検索モジュール１２０により記録された前記位置を、眼の測定装置３００を操作して、眼の画像化システム５２０により画像化された位置と実質的に同じ眼の中／上の位置において、その測定を実施させる１又は複数の制御パラメータの対応するセットに変換することができる。これは、複数の異なる方法のうちの１つにより行うことができる。

例えば、命令生成モジュール１３０は、前記ＳＬＯにより取得された画像からの画素座標値と、前記制御パラメータの対応する値との間のマッピングを使用してもよく、これを、例えば、参照表又はパラメータのセットにより定義された関数の形式で提供してもよい。前記マッピングは、当業者に知られている技術を用いて、較正により確定されてもよい。

図３のプロセスＳ１８では、受信モジュール１１０が、前記測定データを眼の測定装置３００から受信し、その後、プロセスが終了する。

眼の測定装置３００は、対象者の眼の補足的な測定を可能にする任意の種類の装置であってもよく、そのような装置は、検索モジュール１２０により見つけられた前記領域が確実に（又は、高い確率で）画像化された病変を含むことを証明するために使用され得る。眼の測定装置３００は、例えば、命令生成モジュール１３０により生成された命令に応じて、光刺激に対する対象者の眼の機能的反応を測定し、前記測定された機能的反応を表すデータを受信モジュール１１０に送ってもよい。

代替的に、眼の測定装置３００は、本実施形態のように、網膜（又は、上記のような前記眼の選択された他の部分）に対する前記測定として、画像取り込みプロセスにおいて画像化されるべき前記網膜の領域の位置を前記測定の位置として設定するための前述の基準点を用いて、前記網膜の前記領域を画像化するための、前記第１の画像化様式（すなわち、例示的な本実施形態ではＳＬＯ）とは異なる第２の画像化様式の画像取り込みプロセスを実行するように構成されてもよい。よって、前記病変を示す前記画像内の領域が図２のＳ１２において見つかる例示的な本実施形態では、命令生成モジュール１２０が、図３のＳ１６において、眼の測定装置３００に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、眼の測定装置３００に、画像取り込みプロセスにおいて画像化されるべき前記眼の前記部分の領域の位置を前記測定の位置として設定するための前記基準点を用いて、前記画像取り込みプロセスを実行させるための命令を生成する。その後、受信モジュール１１０が、図３のプロセスＳ１８において、前記測定データとして、眼の測定装置３００により取得された前記第２の画像化様式の画像データを受信する。２つ以上の異なる画像化様式（例えば、ＳＬＯとＯＣＴを組み合わせた画像化システム）の眼の画像を取得できる１つの複数様式の眼の画像化システムにより、眼の画像化システム５２０と眼の測定装置３００の機能が提供されてもよいことに留意されたい。眼の画像化システム５２０と前記眼の測定装置は、代替的に、別個の構成要素として提供されてもよい。

上記に記述のマッピングは、既定の方法で前記眼の測定装置に対して位置決め及び方向づけされている対象者の眼に依存してもよい。これは任意の実際の適用例ではよい想定かもしれないが、全てのケースには当てはまらないかもしれない。この想定が当てはまらない場合、眼の画像化システム５２０により取得された画像と例示的な本実施形態の眼の測定装置３００により取得された異なる様式の画像の両方において認識可能である解剖学的特徴（例えば、中心窩）に関して、検索モジュール１２０により見つけられた前記領域の位置を確定することが好ましいこともある。その後、画像４００内の中心窩の場所に関する前記領域の位置が、眼の測定装置３００により取得された画像内の中心窩の場所に対応する位置に変換されてもよい。

前記基準点は、任意の適切な方法で、前記眼の前記部分に対する前記測定の位置を設定するために使用されてもよい。例えば、眼の測定装置３００は、前記基準点に対応する対象者の網膜の位置の中心にある既定の大きさの領域について画像化する（又は、より一般的に、任意の他の種類の測定を行う）ように制御されてもよい。

検索モジュール１２０が、前記学習アルゴリズムを用いて、前記受信された画像データを処理することにより、複数の異なる種類の病変のうちの１つを示す前記画像内の領域４１０を検索する上記に記載の例示的な第１の実施形態の前記変更例では、命令生成モジュール１３０が、検索モジュール１２０により見つけられた前記複数の異なる種類の病変のうちの１つを示す画像４００内の領域４１０に応じて、前記複数の異なる種類の病変のうちの１つについて及び前記第２の画像化様式として、前記眼の網膜に対して前記画像取り込みプロセスを実行するために使用されるべき複数の異なる種類の画像化様式のうちの対応する１つを選択するプロセスを実行する。第１の実施形態の前記変更例では、命令生成モジュール１３０は、例えば、前記複数の異なる種類の画像化様式のうちの１つの対応する指標に関係して、前記複数の異なる種類の病変のそれぞれの指標が記憶される参照表（ＬＵＴ）を参照し、検索キーとして検索モジュール１２０により見つけられた前記複数の異なる種類の病変のうちの前記１つを用いて、前記対象者の網膜に対する前記画像取り込みプロセスを実行するために使用されるべき、前記複数の異なる種類の画像化様式のうちの前記対応する１つを選択してもよい。

例えば、前記複数の異なる種類の病変のうちの前記１つが緑内障である場合、命令生成モジュール１３０は、眼の測定装置３００に、前記第２の画像化様式の画像取り込みプロセスとして、前記対象者の眼の網膜の領域に対してＯＣＴスキャンを実施させるための命令を生成してもよい。その後、受信モジュール１１０は、図３のＳ１８において、前記測定データとして、前記ＯＣＴスキャンの画像データを受信し、装置１００は、前記ＯＣＴスキャンの画像データを処理して、緑内障の検知（及び、所望により、その重症度の推定）に有用な相補的データ、すなわち前記眼の網膜の神経線維層及び／又は視神経乳頭の測定値を獲得することができる。

さらなる例として、前記複数の異なる種類の病変のうちの前記１つが重症の糖尿病性網膜症である場合、命令生成モジュール１３０は、眼の測定装置３００に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の網膜の領域に対してＯＣＴスキャンを実施させるための命令を生成してもよい。その後、受信モジュール１１０は、図３のＳ１８において、前記測定データとして、前記ＯＣＴスキャンの画像データを受信し、装置１００は、前記ＯＣＴスキャンの画像データを処理して、重症の糖尿病性網膜症の検知（及び、所望により、その重症度の推定）に有用な相補的データ、すなわち黄斑の厚みの測定値を獲得することができる。

別の例として、前記複数の異なる種類の病変のうちの前記１つが腫瘍である場合、命令生成モジュール１３０は、眼の測定装置３００に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の網膜の領域に対して高密度ＯＣＴ Ｂスキャンを実施させるための命令を生成してもよい。その後、受信モジュール１１０は、図３のＳ１８において、前記測定データとして、前記高密度ＯＣＴ Ｂスキャンの画像データを受信してもよく、前記高密度ＯＣＴ Ｂスキャンの画像データは、腫瘍の検知（及び、所望により、その大きさの推定）に有用であり得る。

さらなる例として、前記複数の異なる種類の病変のうちの前記１つが菌塊である場合、命令生成モジュール１３０は、眼の測定装置３００に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の網膜の領域に対してＯＣＴ Ｂスキャンを実施させるための命令を生成してもよい。その後、受信モジュール１１０は、図３のＳ１８において、前記測定データとして、前記ＯＣＴ Ｂスキャンの画像データを受信してもよく、前記ＯＣＴ Ｂスキャンの画像データは、菌塊の存在の検知、又はその大きさ及び／又は数の推定に有用であり得る。このデータは、例えば、初期の加齢黄斑変性の診断に有益であり得る。

さらに、前記複数の異なる種類の病変のうちの前記１つが浮腫又は萎縮である場合、命令生成モジュール１３０は、眼の測定装置３００に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の網膜の領域に対してＯＣＴスキャンを実施させるための命令を生成してもよい。その後、受信モジュール１１０は、図３のＳ１８において、前記測定データとして、前記ＯＣＴスキャンの画像データを受信してもよく、前記ＯＣＴスキャンの画像データは、浮腫（又は、場合によっては、萎縮）の検知、及び、所望により、その重症度の推定に有用であり得る。

上記に記載の例示的な第１の実施形態の前記変更例では、検索モジュール１２０が、前記学習アルゴリズムを用いて、前記受信された画像データを処理することにより、複数の異なる種類の病変のうちの１つを示す前記画像内の領域４１０を検索し、命令生成モジュール１３０が、検索モジュール１２０により見つけられた前記複数の異なる種類の病変のうちの１つを示す画像４００内の領域４１０に応じて、前記複数の異なる種類の病変のうちの前記１つについて及び前記第２の画像化様式として、前記眼の網膜に対して画像取り込みプロセスを実行するために使用されるべき複数の異なる種類の画像化様式のうちの対応する１つを選択するプロセスを実行する。しかし、上記したように、眼の測定装置３００は、前記網膜（又は、より一般的には、前記眼の任意の他の選択された部分）の画像を取得するように構成される必要はなく、その代わり、前記眼に対して異なる種類の測定を実施してもよい。さらに、眼の測定装置３００は、複数の異なる測定様式のうちの選択された１つの様式で動作可能であるという意味で、複数様式であってもよい。そのような変形例では、命令生成モジュール１３０は、検索モジュール１２０により見つけられた前記複数の異なる種類の病変のうちの１つを示す画像４００内の領域４１０に応じて、前記複数の異なる種類の病変のうちの前記１つについて、前記眼に対して実施されるべき測定のために複数の異なる種類の測定様式のうちの対応する１つを選択するプロセス、及び眼の測定装置３００に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記眼の前記部分に対する前記測定の位置を設定するための基準点を用いて、前記眼の前記部分に対する前記測定を実行するための前記選択された測定様式の眼の測定装置３００に対する命令を生成するプロセス、を実行してもよい。

例示的な第１の実施形態の第２の変更例では、眼の測定装置３００は、第１の実施形態と同様に異なる種類の病変を区別しない、眼の画像化システム５２０としての、同一の画像化様式の眼の画像化装置であってもよい。この第２の変更例では、受信モジュール１１０は、画像化において使用される画像化の解像度、アパーチャサイズ、又は波長である画像化パラメータの第１の値を用いて、前記眼の前記部分の画像化の結果を表す画像データを受信するように構成される。命令生成モジュール１３０は、検索モジュール１２０により見つけられた病変を示す画像４００内の領域４１０に応じて、眼の測定装置３００に前記眼の前記部分に対する前記測定を実施させるための命令として、眼の測定装置３００に、前記画像化パラメータの前記第１の値とは異なる、前記眼の前記部分の領域を画像化するための前記画像化パラメータの第２の値を用い、画像取り込みプロセスにおいて画像化されるべき前記眼の前記部分の領域の位置を前記測定の位置として設定するための前記基準点を再び用い、前記画像取り込みプロセスを実行させるための命令を生成するプロセスを実行するように構成される。受信モジュール１１０は、眼の測定装置３００から、前記測定データとして、前記画像化パラメータの前記第２の値を用いて前記眼の前記部分の前記領域を画像化した前記結果を表す前記画像データを受信するように構成され、前記受信された画像データと前記受信された測定データは、同じ画像化様式である。

例えば、前記第２の変更例では、眼の画像化システム５２０が、第１の画像化解像度で前記眼の前記部分を画像化することにより、前記画像を定義する画像データを取得するように構成されてもよく、命令生成モジュール１３０が、検索モジュール１２０により見つけられた病変を示す前記画像内の領域に応じて、眼の測定装置３００に、より詳細に前記領域を画像化するための第２のより高い画像化解像度で、画像取り込みプロセスを実行させるための命令を生成するように構成されてもよい。

［第２の実施形態］

図９は、本明細書中の例示的な第２の実施形態による、眼の画像化システム（図５の５２０）により取得された眼の部分の画像内において病変の存在を検索する装置８００の概略図である。例示的な第２の実施形態の装置８００が、図１の装置１００と異なる点は、図９の前記装置が、受信された画像４００内において病変を示す領域の位置を確定する必要がない点である。

装置８００は、眼の画像化システム５２０により作成された画像を定義する画像データを受信するように構成された受信モジュール８１０、及び前記画像内において複数の異なる種類の病変のうちの少なくとも１つの存在を検索するように構成された検索モジュール８２０、を含む。装置８００は、検索モジュール８２０により前記画像内に存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、前記画像内に存在すると分かった病変のうちの少なくとも１種類のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択するプロセス、及び画像内に存在すると分かった病変のうちの前記少なくとも１種類のそれぞれについて、前記対応する選択された測定様式の眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための対応する命令を生成するプロセス、を実行するように構成された命令生成モジュール８３０をさらに含む。受信モジュール８１０は、選択された各測定様式の前記眼の測定装置により実施された前記測定の測定データを受信するようにさらに構成される。所望により、装置８００は、例示の本実施形態のように、表示制御信号発生器８４０（この所望の構成要素は、図９において破線で示されている）を含んでもよい。

装置８００は、第１の実施形態に関して上記に記述したように、任意の病変（例えば、緑内障、中等度の糖尿病性網膜症、重症の糖尿病性網膜症、腫瘍、菌塊、浮腫、及び萎縮を含む）の存在を検索するように構成されてもよい。

例示的な本実施形態では、受信モジュール８１０が、眼の画像化システム５２０により生成された前記眼の網膜の部分の画像を定義する画像データを受信するように構成される。しかし、他の例示的実施形態では、前記受信された画像データが、例えば、前記眼の前眼部の部分、又は前記眼の後眼部の部分など、前記眼の網膜以外の部分の画像を定義してもよい。

眼の画像化システム５２０は、例示的な本実施形態のように、走査レーザ検眼鏡であってもよい。代替的に、前記眼の画像化システムは、第１の実施形態に関して上記に記載した任意の眼の画像化システムであってもよい。

受信モジュール８１０は、眼の画像化システム５２０により、第１の実施形態に関して上記に記述した手段のうちのいずれかにより取得された画像を定義する画像データを受信するように構成されてもよい。

例示的な本実施形態の装置８００により実施される動作についての下記の記載からさらに明らかになるように、装置８００は、眼の画像化システム５２０により取得された前記眼の前記部分の画像を定義する画像データを自動的に処理し、前記画像内において複数の異なる種類の病変のうちの少なくとも１つの存在を検索し、前記複数の異なる種類の病変のうちの少なくとも１つが前記画像内に存在すると分かった場合、前記画像内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択する。その後、前記眼の前記部分に対する前記測定を実施するための前記対応する選択された測定様式の眼の測定装置に対する対応する命令が、前記画像内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて生成される。よって、装置８００は、特定の種類の病変を含んでいることが疑われる前記画像と、前記疑われる種類の病変に関する測定様式の追加の測定データの両方を取得する。装置８００により自動的に取得されるこれらの異なるが相補的な種類の情報により、任意の病変を含んだ眼の画像を、迅速に高い信頼性をもって特定することが可能になり得る。

図９の装置８００は、図２に示されているものなどの信号処理ハードウェア構成、又は任意の他の適切な手段により実施されてもよい。

図１０は、本明細書中の例示的な第２の実施形態により、図９の装置８００が、眼の画像化システム５２０により取得された眼の部分の画像内において病変の存在を検索するプロセスを示すフロー図である。

図１０のプロセスＳ２０では、受信モジュール８１０が、前記ＳＬＯ（眼の画像化システム５２０の例としての）により取得された前記眼の前記部分の前記画像を定義する画像データを受信する。

図１０のプロセスＳ２２では、検索モジュール８２０が、健康な眼の複数の画像を定義する画像データと、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の複数の画像データに基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内において前記複数の異なる種類の病変のうちの少なくとも１つの存在を検索する。前記学習アルゴリズムは、図６に関して上記に記述したように、前記眼の前記部分の画像を定義する入力画像データを「健康」か、「不健康」で特定の病変を有しているかに分類するために訓練されてもよい。

前記装置８００は、前記画像内の病変を示す領域の位置を記録しなくてもよい。よって、装置８００は、例示的な本実施形態のように、前記入力された画像データのうちのどの入力変数（つまり、前記受信された画像データにより定義された前記画像の画素）が、出力（つまり、複数の異なる種類の病変のうちの１つが存在すると分かること）と関連していたのかを判断するために、前記学習アルゴリズムを処理しなくてもよい。代替的に、他の実施形態では、そのような処理は、所望により、基準点を特定するために、図１０のＳ２２の部分として、装置８００により行われてもよい。

プロセスＳ２３では、検索モジュール８２０が、前記複数の異なる種類の病変のうちの少なくとも１つが、プロセスＳ２２において実施された検索の結果、前記画像内に存在すると分かったかを判断する。前記複数の異なる種類の病変のうちの少なくとも１つが、プロセスＳ２２において実施された検索の結果、前記画像内に存在すると分かった場合、プロセスはＳ２４へと進む。存在すると分からなかった場合、プロセスは終了する。

図１０のプロセスＳ２４では、検索モジュール８２０により前記画像内に存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、命令生成モジュール８３０が、前記画像内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択するプロセスを実行する。

命令生成モジュール８３０は、図１の装置１００に関して上記に記載した手段のうちのいずれかにより、複数の異なる種類の測定様式のうちの対応する１つを選択してもよい。

図１０のプロセスＳ２６では、検索モジュール８２０により前記画像内に存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、命令生成モジュール８３０が、前記画像内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する前記測定を実施するための前記対応する選択された測定様式の眼の測定装置に対する対応する命令を生成するプロセスを実行する。

前記命令は、実質的に、図１の装置１００に関して上記に記述したように生成されてもよい。しかし、装置８００が病変を示す領域を検索しない例示の本実施形態のような実施形態では、命令生成モジュール８３０が、前記眼の前記部分に対する前記測定の位置を設定するための、病変を示す領域の記録された位置に基づく基準点を用いる必要がない。図１０のプロセスＳ２６の一部として、命令生成モジュール１３０は、例示的な本実施形態のように、画像内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記眼の画像化システムにより画像化されたような前記眼の同じ部分に対する前記測定を実施するための前記対応する選択された測定様式の眼の測定装置に対する対応する命令を生成してもよい。

図１０のプロセスＳ２８では、受信モジュール８１０が、選択された各測定様式の前記眼の測定装置により実施された前記測定の測定データを受信する。受信モジュール８１０は、第１の実施形態に関して上記に記述した手段のうちのいずれかにより、測定データを受信してもよい。

上記に記載の実施形態のうちのいくつかが、下記の例Ｅ１～Ｅ５２に要約される。

Ｅ１．眼の画像化システム（５２０）により取得された眼の部分の画像（４００）内において病変を示す領域（４１０）を検索するためのコンピュータにより実行される方法であって、前記方法が、

前記画像（４００）を定義する画像データを受信すること（Ｓ１０）、

健康な眼の前記部分の複数の画像を定義する画像データ（５０２；６０４）と、前記病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データ（６０１、６０２、６０３；５０１）に基づいて訓練された学習アルゴリズム（５３０；６３０）を用いて、前記受信された画像データを処理することにより、前記画像（４００）内の前記領域（４１０）を検索すること（Ｓ１２）、及び

前記病変を示す前記画像（４００）内の領域（４１０）が、前記検索することにおいて見つかった場合、

前記画像（４００）内の前記領域（４１０）の位置を確定すること（Ｓ１４）、

眼の測定装置（３００）に、前記眼の前記部分の測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成すること（Ｓ１６）、及び

前記測定データを前記眼の測定装置（３００）から受信すること（Ｓ１８）、

を含む、方法。

Ｅ２．Ｅ１に記載のコンピュータにより実行される方法であって、

前記画像（４００）内の前記領域（４１０）を検索すること（Ｓ１２）が、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データ（６０１、６０２、６０３）に基づいて訓練された前記学習アルゴリズム（６３０）を用いて、前記受信された画像データを処理することにより、前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）を検索すること、を含み、

前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）が、前記検索すること（Ｓ１２）において見つかった場合、

前記方法が、前記複数の異なる種類の病変のうちの前記１つについて、前記眼に対して実施すべき測定のための複数の異なる種類の測定様式のうちの対応する１つを選択すること、をさらに含み、

前記方法が、前記眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記選択された測定様式の眼の測定装置（３００）に、前記眼の前記部分に対する前記測定の位置を設定するための前記基準点を用いて、前記眼の前記部分に対する前記測定を実施させるための命令を生成すること（Ｓ１６）、を含む、方法。

Ｅ３．Ｅ１に記載のコンピュータにより実行される方法であって、

前記受信された画像データが、第１の画像化様式の画像データであり、

前記眼の測定装置（３００）が、前記眼の前記部分に対する前記測定として、前記第１の画像化様式とは異なる、前記眼の前記部分内の領域を画像化するための第２の画像化様式の画像取り込みプロセスを実行し、前記測定データとして、前記第２の画像化様式の画像データを取得し、

前記病変を示す前記画像（４００）内の領域（４１０）が、前記検索すること（Ｓ１２）において見つかった場合、前記方法が、

前記眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記眼の測定装置（３００）に、前記画像取り込みプロセスにおいて画像化されるべき前記眼の前記部分内の領域の位置を前記測定位置として設定するための前記基準点を用いて、前記画像取り込みプロセスを実行させるための命令を生成すること（Ｓ１６）、及び

前記眼の測定装置（３００）から、前記測定データとして、前記眼の前記部分内の前記領域の画像を定義する前記第２の画像化様式の画像データを受信すること（Ｓ１８）、を含む、方法。

Ｅ４．Ｅ３に記載のコンピュータにより実行される方法であって、

前記画像（４００）内の前記領域（４１０）を検索すること（Ｓ１２）が、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の前記部分の複数の画像を定義する前記画像データ（６０１、６０２、６０３）に基づいて訓練された前記学習アルゴリズム（６３０）を用いて、前記受信された画像データを処理することにより、前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）を検索することを含み、

前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）が、前記検索すること（Ｓ１２）において見つかった場合、前記方法が、前記複数の異なる種類の病変のうちの前記１つについて及び前記第２の画像化様式として、前記眼の前記部分に対して前記画像取り込みプロセスを実施するために使用されるべき複数の異なる種類の画像化様式のうちの対応する１つを選択すること、をさらに含む、方法。

Ｅ５．Ｅ４に記載のコンピュータにより実行される方法であって、

前記複数の異なる種類の病変のうちの前記１つが緑内障である場合、前記方法が、前記眼の測定装置に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させて、前記測定データとして、前記ＯＣＴスキャンの画像データを取得させるための命令を生成すること（Ｓ１６）を含み、

前記複数の異なる種類の病変のうちの前記１つが重症の糖尿病性網膜症である場合、前記方法が、前記眼の測定装置に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の網膜の領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させて、前記測定データとして、前記ＯＣＴスキャンの画像データを取得させるための命令を生成すること（Ｓ１６）を含み、

前記複数の異なる種類の病変のうちの前記１つが腫瘍である場合、前記方法が、前記眼の測定装置に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して高密度光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させて、前記測定データとして、前記高密度ＯＣＴ Ｂスキャンの画像データを取得させるための命令を生成すること（Ｓ１６）を含み、

前記複数の異なる種類の病変のうちの前記１つが菌塊である場合、前記方法が、前記眼の測定装置に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させて、前記測定データとして、前記ＯＣＴ Ｂスキャンの画像データを取得させるための命令を生成すること（Ｓ１６）を含み、

前記複数の異なる種類の病変のうちの前記１つが浮腫又は萎縮である場合、前記方法が、前記眼の測定装置に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して、光学的干渉断層検査（ＯＣＴ）スキャンを実施させて、前記測定データとして、前記ＯＣＴスキャンの画像データを取得させるための命令を生成すること（Ｓ１６）を含む、方法。

Ｅ６．Ｅ１に記載のコンピュータにより実行される方法であって、前記病変を示す前記画像（４００）内の前記領域（４１０）が、前記検索することにおいて見つかった場合、前記方法が、前記眼の測定装置に、前記眼の前記部分に対して前記測定を実施させるための前記命令として、前記眼の測定装置に、前記確定された位置に基づく、前記測定の位置を設定するための前記基準点を用いて、光刺激に対する前記眼の機能的反応を測定させるための命令を生成すること（Ｓ１６）を含む、方法。

Ｅ７．Ｅ１に記載のコンピュータにより実行される方法であって、

前記受信された画像データが、画像化において使用される画像化解像度、アパーチャサイズ、及び波長のうちの１つである画像化パラメータの第１の値を用いた前記眼の前記部分の前記画像化の結果を表し、

前記眼の測定装置が、前記眼の前記部分に対する前記測定として、前記画像化パラメータの前記第１の値とは異なる、前記眼の前記部分内の領域を画像化するための前記画像化パラメータの第２の値を用いた画像取り込みプロセスを実行して、前記測定データとして、前記画像化パラメータの前記第２の値を用いた前記領域の画像化の結果を表す画像データを取得するように構成され、前記受信された画像データと前記取得された画像データが、同じ画像化様式のものであり、

前記病変を示す前記画像（４００）内の領域（４１０）が、前記検索することにおいて見つかった場合、前記方法が、

前記眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記眼の測定装置に、前記画像取り込みプロセスにおいて画像化されるべき前記眼の前記部分内の領域の位置を前記測定の位置として設定するための前記基準点を用いて、前記画像取り込みプロセスを実行させるための命令を生成すること（Ｓ１６）、及び

前記眼の測定装置から、前記測定データとして、前記画像化パラメータの前記第２の値を用いて前記眼の前記部分内の前記領域（４１０）の画像化の前記結果を表す前記画像データを受信すること（Ｓ１８）、

を含む、方法。

Ｅ８．Ｅ１～Ｅ７のうちのいずれかに記載のコンピュータにより実行される方法であって、表示ユニット（２１５）を制御して、前記眼の前記部分の前記画像（４００）内の前記領域（４１０）の前記位置と、前記受信された測定データの表示を表示させるための命令を生成することをさらに含む、方法。

Ｅ９．Ｅ１～Ｅ８のうちのいずれかに記載のコンピュータにより実行される方法であって、前記学習アルゴリズム（５３０；６３０）が教師あり学習アルゴリズムである、方法。

Ｅ１０．Ｅ９に記載のコンピュータにより実行される方法であって、前記教師あり学習アルゴリズムがニューラルネットワークを含み、前記病変を示す前記領域（４１０）が、前記ニューラルネットワークを分解することにより前記画像（４００）内において検索される、方法。

Ｅ１１．Ｅ１０に記載のコンピュータにより実行される方法であって、

前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記ニューラルネットワークが、前記受信された画像データにより定義された前記画像（４００）の複数の異なる区分のそれぞれについて、

マスク画像を生成するために前記画像（４００）の前記区分をマスクすること（Ｓ１２２）を行うプロセス、

前記学習アルゴリズムを用いて前記マスク画像を定義する画像データを処理することにより、前記マスク画像内の前記領域を検索すること（Ｓ１２４）を行うプロセス、

前記マスク画像を定義する前記画像データを用いて実施された前記検索の結果と、前記受信された画像データを用いて実施された検索の結果との間の差を確定すること（Ｓ１２６）を行うプロセス、及び

前記画像（４００）内の前記領域（４１０）の位置として、前記確定された差が最大である区分の位置を確定すること（Ｓ１２８）を行うプロセス、を実行することにより分解される、方法。

Ｅ１２．Ｅ１０に記載のコンピュータにより実行される方法であって、

前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記畳み込みニューラルネットワークが、

テイラー分解を、前記ニューラルネットワークの上層から前記ニューラルネットワークの入力層まで前記ニューラルネットワークの各層に適用することにより、前記ニューラルネットワークの出力に対する前記ニューラルネットワークの各入力変数の関連性を確定すること、及び

前記ニューラルネットワークの最も関連する入力変数に対応する前記受信された画像データのうちの少なくとも１つの区分に基づく前記画像（４００）内の前記領域（４１０）の位置を確定することにより分解される、方法。

Ｅ１３．Ｅ１０に記載のコンピュータにより実行される方法であって、前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記畳み込みニューラルネットワークが、前記畳み込みニューラルネットワークの逆畳み込みを行うことにより分解される、方法。

Ｅ１４．眼の画像化システム（５２０）により取得された眼の部分の画像（４００）内において病変の存在を検索するためのコンピュータにより実行される方法であって、前記方法が、

前記画像（４００）を定義する画像データを受信すること（Ｓ２０）、

健康な眼の複数の画像（５０２）を定義する画像データと、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の複数の画像（６０１、６０２、６０３）に基づいて訓練された学習アルゴリズム（６３０）を用いて、前記受信された画像データを処理することにより、前記画像（４００）内において前記複数の異なる種類の病変のうちの少なくとも１つの存在を検索すること（Ｓ２２）、及び

前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像（４００）内に存在すると分かった場合、

前記画像（４００）内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択すること（Ｓ２４）、

前記画像（４００）内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記対応する選択された測定様式の眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための対応する命令を生成すること（Ｓ２６）、及び

選択された各測定様式の前記眼の測定装置（３００）により実施された前記測定の測定データを受信すること（Ｓ２８）、

を含む、方法。

Ｅ１５．Ｅ１４に記載のコンピュータにより実行される方法であって、

前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像（４００）内に存在すると分かった場合、

前記画像内に存在すると分かった前記複数の異なる種類の病変のうちの前記少なくとも１つのそれぞれについて、前記学習アルゴリズム（６３０）を用いて前記受信された画像データを処理することにより、前記対応する種類の病変を示す前記画像（４００）内の対応する領域（４１０）を検索すること、及び前記画像（４００）内の前記対応する領域（４１０）の位置を記録すること、をさらに含み、

選択された各測定様式の前記眼の測定装置（３００）に、前記対応する記録された位置に基づく、前記測定を位置決めするための基準点を用いて、前記眼に対する前記測定を実施させるための対応する命令が生成される、方法。

Ｅ１６．Ｅ１５に記載のコンピュータにより実行される方法であって、

前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像（４００）内に存在すると分かった場合、

前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの前記少なくとも１つのそれぞれについて、

前記眼の前記部分の画像化に使用されるべき複数の異なる種類の画像化様式のうちの対応する１つが、前記複数の異なる種類の測定様式のうちの前記対応する１つとして選択され、

前記選択された画像化様式の眼の測定装置（３００）に、前記対応する記録された位置に基づく、画像化されるべき前記眼の領域を位置決めするための基準点を用いて、前記眼の前記部分を画像化させるための対応する命令が、前記選択された測定様式の前記眼の測定装置（３００）に対する前記対応する命令として生成され、

前記選択された画像化様式の前記眼の測定装置（３００）により実施された前記画像化の対応する画像データが、前記眼の測定装置（３００）により実施された前記測定の前記測定データとして受信される、方法。

Ｅ１７．Ｅ１６に記載のコンピュータにより実行される方法であって、

前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つが緑内障である場合、前記方法が、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分の画像化をさせるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させて、前記測定データとして、前記ＯＣＴスキャンの画像データを取得させるための命令を生成すること（Ｓ２６）を含み、

前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つが重症の糖尿病性網膜症である場合、前記方法が、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の網膜の領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させて、前記測定データとして、前記ＯＣＴスキャンの画像データを取得させるための命令を生成すること（Ｓ２６）を含み、

前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つが腫瘍である場合、前記方法が、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して高密度光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させて、前記測定データとして、前記高密度ＯＣＴ Ｂスキャンの画像データを取得させるための命令を生成すること（Ｓ２６）を含み、

前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの前記１つが菌塊である場合、前記方法が、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させて、前記測定データとして、前記ＯＣＴ Ｂスキャンの画像データを取得させるための命令を生成すること（Ｓ２６）を含み、

前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの前記１つが浮腫又は萎縮である場合、前記方法が、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させて、前記測定データとして、前記ＯＣＴスキャンの画像データを取得させるための命令を生成すること（Ｓ２６）を含む、方法。

Ｅ１８．Ｅ１４に記載のコンピュータにより実行される方法であって、前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像（４００）内に存在すると分かった場合、生成された前記命令のうちの少なくとも１つが、選択された測定様式の眼の測定装置（３００）に、光刺激に対する前記眼の機能的反応を測定させるための命令である、方法。

Ｅ１９．Ｅ１５～Ｅ１７のうちのいずれかに記載のコンピュータにより実行される方法であって、表示ユニット（２１５）を制御して、前記眼の前記部分の前記画像（４００）内の前記領域（４１０）の前記記録された位置と、前記受信された測定データの表示を表示させるための命令を生成することをさらに含む、方法。

Ｅ２０．Ｅ１５～Ｅ１７のうちのいずれかに記載のコンピュータにより実行される方法であって、前記学習アルゴリズム（６３０）が教師あり学習アルゴリズムである、方法。

Ｅ２１．Ｅ２０に記載のコンピュータにより実行される方法であって、前記教師あり学習アルゴリズムがニューラルネットワークを含み、前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つを示す領域が、前記ニューラルネットワークを分解することにより前記画像内において検索される、方法。

Ｅ２２．Ｅ２１に記載のコンピュータにより実行される方法であって、

前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記ニューラルネットワークが、前記受信された画像データにより定義された前記画像（４００）の複数の異なる区分のそれぞれについて、

マスク画像を生成するために前記画像（４００）の前記区分をマスクすること（Ｓ１２２）を行うプロセス、

前記学習アルゴリズムを用いて前記マスク画像を定義する画像データを処理することにより、前記マスク画像内の前記領域を検索すること（Ｓ１２４）を行うプロセス、

前記マスク画像を定義する前記画像データを用いて実施された前記検索の結果と、前記受信された画像データを用いて実施された検索の結果との間の差を確定すること（Ｓ１２６）を行うプロセス、及び

記録されるべき位置として、前記確定された差が最大である区分の位置を確定すること（Ｓ１２８）を行うプロセスを実行することにより分解される、方法。

Ｅ２３．Ｅ２１に記載のコンピュータにより実行される方法であって、

前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記畳み込みニューラルネットワークが、

テイラー分解を、前記ニューラルネットワークの上層から前記ニューラルネットワークの入力層まで前記ニューラルネットワークの各層に適用することにより、前記ニューラルネットワークの出力に対する前記ニューラルネットワークの各入力変数の関連性を確定すること、及び

前記ニューラルネットワークの最も関連する入力変数に対応する前記受信された画像データのうちの少なくとも１つの区分に基づく記録されるべき位置を確定することにより分解される、方法。

Ｅ２４．Ｅ２１に記載のコンピュータにより実行される方法であって、前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記畳み込みニューラルネットワークが、前記畳み込みニューラルネットワークの逆畳み込みを行うことにより分解される、方法。

Ｅ２５．コンピュータにより実行されると、Ｅ１～Ｅ２４のうちの少なくとも１つに記載される方法をコンピュータに実行させるコンピュータプログラム。

Ｅ２６．Ｅ２５に記載のコンピュータプログラムを記憶するコンピュータ可読記憶媒体（２５０）。

Ｅ２７．Ｅ２５に記載のコンピュータプログラムを搬送する信号（２６０）。

Ｅ２８．眼の画像化システム（５２０；７２０）により取得された眼の部分の画像（４００）内において病変を示す領域を検索する装置（１００）であって、前記装置（１００）が、

前記画像（４００）を定義する画像データを受信するように構成された受信モジュール（１１０）、

健康な眼の前記部分の複数の画像を定義する画像データ（５０２；６０４）と、前記病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データ（６０１、６０２、６０３；５０１）に基づいて訓練された学習アルゴリズム（５３０；６３０）を用いて、前記受信された画像データを処理することにより、前記画像（４００）内の前記領域を検索するように構成された検索モジュール（１２０）、及び

前記検索モジュール（１２０）により見つけられた前記病変を示す前記画像（４００）内の領域（４１０）に応じて、

前記画像（４００）内の前記領域（４１０）の位置を確定するプロセス、及び

眼の測定装置（３００）に、前記眼の前記部分に対する測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成するプロセス、を実行するように構成された命令生成モジュール（１３０）、を含み、

前記受信モジュール（１１０）が、前記測定データを前記眼の測定装置（３００）から受信するようにさらに構成される、装置（１００）。

Ｅ２９．Ｅ２８に記載の装置（１００）であって、

前記検索モジュール（１２０）が、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データ（６０１、６０２、６０３）に基づいて訓練された前記学習アルゴリズム（６３０）を用いて、前記受信された画像データを処理することにより、前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）を検索することにより、前記画像（４００）内の前記領域（４１０）を検索するように構成され、

前記命令生成モジュール（１３０）が、前記検索モジュール（１２０）により見つけられた前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）に応じて、

前記複数の異なる種類の病変のうちの前記１つについて、前記眼に対して実施すべき測定のための複数の異なる種類の測定様式のうちの対応する１つを選択するプロセス、及び

前記眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記選択された測定様式の眼の測定装置（３００）に、前記眼の前記部分に対する前記測定の位置を設定するための前記基準点を用いて、前記眼の前記部分に対する前記測定を実施させるための命令を生成するプロセス、を実行するように構成される、装置（１００）。

Ｅ３０．Ｅ２８に記載の装置（１００）であって、

前記受信モジュール（１１０）が、前記画像データとして、第１の画像化様式の画像データを受信するように構成され、

前記命令生成モジュール（１３０）が、前記検索モジュール（１２０）により見つけられた前記病変を示す前記画像（４００）内の領域（４１０）に応じて、前記眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記眼の測定装置（３００）に、画像取り込みプロセスにおいて画像化されるべき前記眼の前記部分内の領域の位置を前記測定の位置として設定するための前記基準点を用いて、前記第１の画像化様式とは異なる、前記眼の前記部分内の領域を画像化するための第２の画像化様式の画像取り込みプロセスを実行させるための命令を生成するように構成され、

前記受信モジュール（１１０）が、前記眼の測定装置（３００）から、前記測定データとして、前記眼の測定装置（３００）により取得された前記第２の画像化様式の画像データを受信するように構成される、装置（１００）。

Ｅ３１．Ｅ３０に記載の装置（１００）であって、

前記検索モジュール（１２０）が、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の前記部分の複数の画像を定義する前記画像データ（６０１、６０２、６０３）に基づいて訓練された前記学習アルゴリズム（６３０）を用いて、前記受信された画像データを処理することにより、前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）を検索するように構成され、

前記命令生成モジュール（１３０）が、前記検索モジュール（１２０）により見つけられた前記複数の異なる種類の病変のうちの１つを示す前記画像（４００）内の領域（４１０）に応じて、前記複数の異なる種類の病変のうちの前記１つについて及び前記第２の画像化様式として、前記眼の前記部分に対して前記画像取り込みプロセスを実行するために使用されるべき複数の異なる種類の画像化様式のうちの対応する１つを選択するプロセスを実行するように構成される、装置（１００）。

Ｅ３２．Ｅ３１に記載の装置（１００）であって、

前記命令生成モジュール（１３０）が、前記複数の異なる種類の病変のうちの前記１つが緑内障である場合、前記眼の測定装置（３００）に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させるための命令を生成するように構成され、前記受信モジュール（１１０）が、前記測定データとして、前記ＯＣＴスキャンの画像データを受信するように構成され、

前記命令生成モジュール（１３０）が、前記複数の異なる種類の病変のうちの前記１つが重症の糖尿病性網膜症である場合、前記眼の測定装置（３００）に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の網膜の領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させるための命令を生成するように構成され、前記受信モジュール（１１０）が、前記測定データとして、前記ＯＣＴスキャンの画像データを受信するように構成され、

前記命令生成モジュール（１３０）が、前記複数の異なる種類の病変のうちの前記１つが腫瘍である場合、前記眼の測定装置（３００）に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して高密度光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させるための命令を生成するように構成され、前記受信モジュール（１１０）が、前記測定データとして、前記高密度ＯＣＴ Ｂスキャンの画像データを受信するように構成され、

前記命令生成モジュール（１３０）が、前記複数の異なる種類の病変のうちの前記１つが菌塊である場合、前記眼の測定装置（３００）に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させるための命令を生成するように構成され、前記受信モジュール（１１０）が、前記測定データとして、前記ＯＣＴ Ｂスキャンの画像データを受信するように構成され、

前記命令生成モジュール（１３０）が、前記複数の異なる種類の病変のうちの前記１つが浮腫である場合、前記眼の測定装置（３００）に、前記第２の画像化様式の画像取り込みプロセスとして、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させるための命令を生成するように構成され、前記受信モジュール（１１０）が、前記測定データとして、前記ＯＣＴスキャンの画像データを受信するように構成される、装置（１００）。

Ｅ３３．Ｅ２８に記載の装置（１００）であって、前記命令生成モジュール（１３０）が、前記検索モジュール（１２０）により見つけられた前記病変を示す前記画像（４００）内の前記領域（４１０）に応じて、前記眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記眼の測定装置（３００）に、前記確定された位置に基づく、前記測定の位置を設定するための前記基準点を用いて、光刺激に対する前記眼の機能的反応を測定させるための命令を生成するように構成される、装置（１００）。

Ｅ３４．Ｅ２８に記載の装置（１００）であって、

前記受信モジュール（１１０）が、画像化において使用される画像化解像度、アパーチャサイズ、及び波長のうちの１つである画像化パラメータの第１の値を用いた前記眼の前記部分の前記画像化の結果を表す画像データを受信するように構成され、

前記命令生成モジュール（１３０）が、前記検索モジュール（１２０）により見つけられた前記病変を示す前記画像（４００）内の領域（４１０）に応じて、前記眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記眼の測定装置（３００）に、前記画像化パラメータの前記第１の値とは異なる前記画像化パラメータの第２の値を用いた画像取り込みプロセスを実施させて、前記画像取り込みプロセスにおいて画像化すべき前記眼の前記部分内の領域の位置を前記測定の位置として設定するための前記基準点を用いて、前記眼の前記部分内の領域を画像化させるための命令を生成するプロセスを実行するように構成され、

前記受信モジュール（１１０）が、前記眼の測定装置（３００）から、前記測定データとして、前記画像化パラメータの前記第２の値を用いた前記眼の前記部分内の前記領域の画像化の前記結果を表す前記画像データを受信するように構成され、前記受信された画像データと前記受信された測定データが、同じ画像化様式のものである、装置（１００）。

Ｅ３５．Ｅ２８～Ｅ３４のうちのいずれかに記載の装置（１００）であって、前記命令生成モジュール（１３０）が、表示ユニット（２１５）を制御して、前記眼の前記部分の前記画像（４００）内の前記領域（４１０）の前記確定された位置と、前記受信された測定データの表示を表示させるための命令を生成するようにさらに構成される、装置（１００）。

Ｅ３６．Ｅ２８～Ｅ３５のうちのいずれかに記載の装置（１００）であって、前記学習アルゴリズム（６３０）が教師あり学習アルゴリズムである、装置（１００）。

Ｅ３７．Ｅ３６に記載の装置（１００）であって、前記教師あり学習アルゴリズムがニューラルネットワークを含み、前記検索モジュール（１２０）が、前記ニューラルネットワークを分解することにより、前記画像内において前記病変を示す前記領域を検索するように構成される、装置（１００）。

Ｅ３８．Ｅ３７に記載の装置（１００）であって、前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記検索モジュール（１２０）が、

前記受信された画像データにより定義された前記画像（４００）の複数の異なる区分のそれぞれについて、

マスク画像を生成するために前記画像（４００）の前記区分をマスクするプロセス、

前記学習アルゴリズムを用いて前記マスク画像を定義する画像データを処理することにより、前記マスク画像内の前記領域を検索するプロセス、

前記マスク画像を定義する前記画像データを用いて実施された前記検索の結果と、前記受信された画像データを用いて実施された検索の結果との間の差を確定するプロセス、及び

前記画像（４００）内の前記領域（４１０）の位置として、前記確定された差が最大である区分の位置を確定するプロセスを実行することにより、前記ニューラルネットワークを分解するように構成される、装置（１００）。

Ｅ３９．Ｅ３７に記載の装置（１００）であって、

前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記検索モジュール（１２０）が、

テイラー分解を、前記ニューラルネットワークの上層から前記ニューラルネットワークの入力層まで前記ニューラルネットワークの各層に適用することにより、前記ニューラルネットワークの出力に対する前記ニューラルネットワークの各入力変数の関連性を確定すること、及び

前記ニューラルネットワークの最も関連する入力変数に対応する前記受信された画像データのうちの少なくとも１つの区分に基づく前記画像（４００）内の前記領域（４１０）の位置を確定することにより、前記畳み込みニューラルネットワークを分解するように構成される、装置（１００）。

Ｅ４０．Ｅ３７に記載の装置（１００）であって、前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記検索モジュール（１２０）が、前記畳み込みニューラルネットワークの逆畳み込みを行うことにより、前記畳み込みニューラルネットワークを分解するように構成される、装置（１００）。

Ｅ４１．眼の画像化システム（５２０）により取得された眼の部分の画像（４００）内において病変の存在を検索する装置（８００）であって、前記装置（８００）が、

前記画像（４００）を定義する画像データを受信するように構成された受信モジュール（８１０）、

健康な眼の複数の画像（６０４）を定義する画像データと、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の複数の画像（６０１、６０２、６０３）に基づいて訓練された学習アルゴリズム（６３０）を用いて、前記受信された画像データを処理することにより、前記画像（４００）内において前記複数の異なる種類の病変のうちの少なくとも１つの存在を検索するように構成された検索モジュール（８２０）、

前記検索モジュール（８２０）により前記画像（４００）内において存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、

前記画像（４００）内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択するプロセス、及び

前記画像（４００）内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記対応する選択された測定様式の眼の測定装置（３００）に、前記眼の前記部分に対する前記測定を実施させるための対応する命令を生成するプロセス、を実行するように構成された命令生成モジュール（８３０）、を含み、

前記受信モジュール（８１０）が、選択された各測定様式の前記眼の測定装置（３００）により実施された前記測定の測定データを受信するようにさらに構成される、装置（８００）。

Ｅ４２．Ｅ４１に記載の装置（８００）であって、前記検索モジュール（８２０）が、前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像（４００）内に存在すると分かったことに応じ、

前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの前記少なくとも１つのそれぞれについて、前記学習アルゴリズム（６３０）を用いて前記受信された画像データを処理することにより、前記対応する種類の病変を示す前記画像（４００）内の対応する領域（４１０）を検索するプロセス、及び前記画像（４００）内の前記対応する領域（４１０）の位置を記録するプロセス、を実行するようにさらに構成され、

前記命令生成モジュール（８３０）が、選択された各測定様式の前記眼の測定装置（３００）に、前記対応する位置に基づく、測定を位置決めするための基準点を用いて、前記眼に対する前記測定を実施させるための対応する命令を生成するように構成される、装置（８００）。

Ｅ４３．Ｅ４２に記載の装置（８００）であって、前記命令生成モジュール（８３０）が、前記検索モジュール（８２０）により前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、及び前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの前記少なくとも１つのそれぞれについて、

前記眼の前記部分の画像化に使用されるべき複数の異なる種類の画像化様式のうちの対応する１つを、前記複数の異なる種類の測定様式のうちの前記対応する１つとして選択するプロセス、及び

前記選択された画像化様式の前記眼の測定装置（３００）に対する前記対応する命令として、前記選択された画像化様式の眼の測定装置（３００）に、前記対応する記録された位置に基づく画像化されるべき前記眼の領域を位置決めするための基準点を用いて、前記眼の前記部分を画像化させるための対応する命令を生成するプロセス、を実行するように構成され、

前記受信モジュール（８１０）が、前記選択された画像化様式の前記眼の測定装置（３００）により実施された前記画像化の対応する画像データを、前記眼の測定装置（３００）により実施された前記測定の測定データとして受信するように構成される、装置（８００）。

Ｅ４４．Ｅ４３に記載の装置（８００）であって、

前記命令生成モジュール（８３０）が、前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つが緑内障である場合、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させるための命令を生成するように構成され、前記受信モジュール（８１０）が、前記測定データとして、前記ＯＣＴスキャンの画像データを受信するように構成され、

前記命令生成モジュール（８３０）が、前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つが重症の糖尿病性網膜症である場合、前記選択された画像化形式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の網膜の領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させるための命令を生成するように構成され、前記受信モジュール（８１０）が、前記測定データとして、前記ＯＣＴスキャンの画像データを受信するように構成され、

前記命令生成モジュール（８３０）が、前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つが腫瘍である場合、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して高密度光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させるための命令を生成するように構成され、前記受信モジュール（８１０）が、前記測定データとして、前記高密度ＯＣＴ Ｂスキャンの画像データを受信するように構成され、

前記命令生成モジュール（８３０）が、前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの前記１つが菌塊である場合、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）Ｂスキャンを実施させるための命令を生成するように構成され、前記受信モジュール（８１０）が、前記測定データとして、前記ＯＣＴ Ｂスキャンの画像データを受信するように構成され、

前記命令生成モジュール（８３０）が、前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの前記１つが浮腫である場合、前記選択された画像化様式の前記眼の測定装置（３００）に、前記眼の前記部分を画像化させるための前記対応する命令として、前記眼の測定装置（３００）に、前記眼の前記部分内の前記領域に対して光学的干渉断層検査（ＯＣＴ）スキャンを実施させるための命令を生成するように構成され、前記受信モジュール（８１０）が、前記測定データとして、前記ＯＣＴスキャンの画像データを受信するように構成される、装置（８００）。

Ｅ４５．Ｅ４１に記載の装置（８００）であって、前記命令生成モジュール（８３０）が、前記検索モジュール（８２０）により前記画像内に存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、前記選択された測定様式の眼の測定装置（３００）に、光刺激に対する前記眼の機能的反応を測定させるための命令を生成するように構成される、装置（８００）。

Ｅ４６．Ｅ４２～Ｅ４４のうちのいずれかに記載の装置（８００）であって、前記命令生成モジュール（８３０）が、表示ユニット（２１５）を制御して、前記眼の前記部分の前記画像（４００）内の前記領域（４１０）の前記記録された位置と、前記受信された測定データの表示を表示させるための命令を生成するようにさらに構成される、装置（８００）。

Ｅ４７．Ｅ４２～Ｅ４４のうちのいずれかに記載の装置（８００）であって、前記学習アルゴリズム（６３０）が教師あり学習アルゴリズムである、装置（８００）。

Ｅ４８．Ｅ４７に記載の装置（８００）であって、前記教師あり学習アルゴリズムがニューラルネットワークを含み、前記検索モジュール（８２０）が、前記ニューラルネットワークを分解することにより、前記画像（４００）内に存在すると分かった前記複数の異なる種類の病変のうちの１つを示す領域（４１０）を検索するように構成される、装置（８００）。

Ｅ４９．Ｅ４８に記載の装置であって、前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記検索モジュール（８２０）が、

前記受信された画像データにより定義された前記画像（４００）の複数の異なる区分のそれぞれについて、

マスク画像を生成するために前記画像（４００）の前記区分をマスクするプロセス、

前記学習アルゴリズムを用いて前記マスク画像を定義する画像データを処理することにより、前記マスク画像内の前記領域を検索するプロセス、

前記マスク画像を定義する前記画像データを用いて実施された前記検索の結果と、前記受信された画像データを用いて実施された検索の結果との間の差を確定するプロセス、及び

前記記録されるべき位置として、前記確定された差が最大である区分の位置を確定するプロセスを実行することにより、前記ニューラルネットワークを分解するように構成される、装置。

Ｅ５０．Ｅ４８に記載の装置（８００）であって、前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記検索モジュール（８２０）が、

テイラー分解を、前記ニューラルネットワークの上層から前記ニューラルネットワークの入力層まで前記ニューラルネットワークの各層に適用することにより、前記ニューラルネットワークの出力に対する前記ニューラルネットワークの各入力変数の関連性を確定すること、及び

前記ニューラルネットワークの最も関連する入力変数に対応する前記受信された画像データのうちの少なくとも１つの区分に基づく記録されるべき位置を確定することにより、前記畳み込みニューラルネットワークを分解するように構成される、装置（８００）。

Ｅ５１．Ｅ４８に記載の装置（８００）であって、前記ニューラルネットワークが畳み込みニューラルネットワークであり、前記検索モジュール（８２０）が、前記畳み込みニューラルネットワークの逆畳み込みを決定することにより、前記畳み込みニューラルネットワークを分解するように構成される、装置（８００）。

Ｅ５２．眼の画像化システム（５２０；７２０）により取得された眼の部分の画像（４００）内において病変を示す領域を検索する装置であって、前記装置（１００）が、プロセッサ及びコンピュータプログラム命令を記憶するメモリを含み、前記コンピュータプログラム命令が前記プロセッサにより実行されると、前記プロセッサがＥ１～Ｅ２４の少なくとも１つに記載される方法を実行する、装置。

上記の記載において、例示的態様は、いくつかの例示的実施形態を参照しながら記載された。したがって、本明細書は、限定的ではなく、例示的であるとみなされるべきである。同様に、例示的実施形態の機能及び利点を強調する図面中の図も、例示のみを目的として提供される。例示的実施形態の構成は十分に適応性のあるものであり設定変更可能であるため、添付の図面に示されている構成以外の方法で使用（及び運用）可能である。

本明細書中に提供される例示的なソフトウェアの実施形態は、例示的な一実施形態においては、それぞれが非一過性であり得る、機械アクセス可能媒体若しくは機械可読媒体、命令記憶装置、又はコンピュータ可読記憶装置などの製品に含まれる又は記憶される命令又は命令シーケンスを有する１又は複数のプログラムなどの、コンピュータプログラム、又はソフトウェアとして提供されてもよい。前記の非一過性の機械アクセス可能媒体、機械可読媒体、命令記憶装置、又はコンピュータ可読記憶装置上のプログラム又は命令は、コンピュータシステム又は他の電子装置をプログラムするために使用されてもよい。前記の機械又はコンピュータ可読媒体、命令記憶装置、及び記憶装置は、限定はされないが、電子的命令を記憶又は伝送するのに適した、フロッピーディスケット、光ディスク、及び光磁気ディスク、又は他の種類の媒体／機械可読媒体／命令記憶装置／記憶装置を含んでもよい。本明細書中に記載の技術は、任意の特定のソフトウェア構成に限定されない。それらは、任意のコンピューティング又はプロセッシング環境において適用可能であり得る。本明細書中で使用する「コンピュータ可読」、「機械アクセス可能媒体」、「機械可読媒体」、「命令記憶装置」、及び「コンピュータ可読記憶装置」という用語は、機械、コンピュータ、又はコンピュータプロセッサによる実行のための命令又は命令シーケンスを記憶、符号化、又は伝送することができ、機械／コンピュータ／コンピュータプロセッサに本明細書中に記載の方法のうちの任意の１つを実行させる任意の媒体を含むこととする。さらに、本技術においては、通常、ソフトウェアといえば、何らかの形式で（例えば、プログラム、プロシージャ、プロセス、アプリケーション、モジュール、ユニット、ロジックなど）、動作を行う又は結果を生じさせるものである。そのような表現は、処理システムによるソフトウェアの実行により、プロセッサが、動作を行い、結果を生じさせることを単に簡略化して述べる方法である。

さらに、いくつかの実施形態は、特定用途向け集積回路、書替え可能ゲートアレイを準備することにより、又は従来の構成回路の適切なネットワークを相互接続することにより実施されてもよい。

いくつかの実施形態は、コンピュータプログラム製品を含む。前記コンピュータプログラム製品は、コンピュータ若しくはコンピュータプロセッサを制御する又はコンピュータ若しくはコンピュータプロセッサに本明細書中に記載の例示的実施形態の手順のうちの任意のものを実行させるために使用され得る、命令をその上に又は内に記憶する、記憶媒体（単数又は複数）、命令記憶装置（単数又は複数）、又は記憶装置（単数又は複数）であってもよい。前記記憶媒体／命令記憶装置／記憶装置は、限定はされないが例として、光ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＲＡＭ、ＶＲＡＭ、フラッシュメモリ、フラッシュカード、磁気カード、光カード、ナノシステム、分子メモリ集積回路、ＲＡＩＤ、遠隔データ記憶装置／アーカイブ／保管装置、及び／又は、命令及び／又はデータの記憶に適した任意の他の種類の装置を含んでもよい。

コンピュータ可読媒体（単数又は複数）、命令記憶装置（単数又は複数）、記憶装置（単数又は複数）のうちの任意の１つの上に記憶されたいくつかの実施態様は、本明細書中に記載の例示的実施形態の結果を用いて、システムのハードウェアを制御するため、及び前記システム又はマイクロプロセッサが人間のユーザ又は他の機械とやり取りすることを可能にするためのソフトウェアを含む。そのようなソフトウェアは、限定はされないが、装置ドライバ、オペレーティングシステム、及びユーザアプリケーションを含んでもよい。最終的に、そのようなコンピュータ可読媒体又は記憶装置（単数又は複数）は、上記に記載したように、本発明の例示的な態様を実施するためのソフトウェアをさらに含む。

前記システムのプログラミング及び／又はソフトウェア内に含まれているのは、本明細書中に記載の手順を実施するためのソフトウェアモジュールである。本明細書中のいくつかの例示的実施形態では、モジュールはソフトウェアを含む。しかし、本明細書中の他の例示的な実施形態では、モジュールは、ハードウェア、又はハードウェアとソフトウェアの組み合わせを含む。

本発明の様々な例示的実施形態を上記に記載したが、それらは限定ではなく例として提供されたものであることを理解されたい。当業者にとっては、様々な変更が形式及び詳細についてそれらに加えられ得ることが明らかである。よって、本発明は、上記に記載の例示的実施形態のいずれによっても限定されるべきではなく、下記の特許請求の範囲及びその均等範囲によってのみ定義されるべきである。

さらに、要約書の目的は、特許庁、並びに一般的に世の中の人々、特に、特許又は法律の用語又は語法に詳しくない、本技術分野の科学者、技術者、及び実務者が、一読することで本出願の技術的開示の特質及び本質を素早く確認できるようにすることである。前記要約書は、本明細書中に記載の例示的実施形態の範囲について、いかなる限定も意図していない。特許請求の範囲に列挙される手順は、示された順番で実行される必要がないことも理解されたい。

本明細書は、多くの特定の実施形態の詳細を含んでいるが、これらは任意の発明の範囲又は請求され得るものに対する限定であると考えられるべきではなく、本明細書中に記載の特定の実施形態に特有の特徴についての記載として考えられるべきである。さらに、個々の実施形態の文脈において本明細書に記載されるある特徴は、単一の実施形態において組み合わせることにより実施され得る。反対に、単一の実施形態の文脈において記載される様々な特徴は、複数の実施形態において、個々に又は任意の適切な方法で下位的に組み合わせることにより実施され得る。さらに、特徴が、ある組み合わせで動作するものとして、上記に記載され、最初にそのように請求されるとしても、請求される組み合わせからの１又は複数の特徴は、場合によっては、その組み合わせから除外され、請求される組み合わせが、下位の組み合わせ又は下位の組み合わせの変形に関することもある。

ある状況では、マルチタスク処理又は並列処理が、有利であることもある。さらに、上記に記載の実施形態における様々な構成要素の分離は、そのような分離が全ての実施形態において必要であるものとして理解されるべきではなく、記載のプログラム構成要素及びシステムは、一般的に、単一のソフトウェア製品と統合され得る又は複数のソフトウェア製品内に実装され得るものとして理解されるべきである。

ここまで、いくつかの例示の実施形態及び実施形態を記載したが、上記は、例示であり限定ではなく、例として提供されたことが明らかである。特に、本明細書中に記載の例の多くが、装置又はソフトウェア要素の特定の組み合わせを含むが、それらの要素は、同じ目的を達成するための他の方法で組み合わされてもよい。一実施形態のみに関して記述された動作、要素、及び特徴は、他の実施形態又は実施形態における類似の役割から排除されることを意図していない。

本明細書中に記載の装置及びコンピュータプログラムは、それらの特徴から逸脱することなく、他の特定の形式で実施されてもよい。上記の実施形態は、記載のシステム及び方法の限定ではなく、例示である。よって、本明細書中に記載の装置及びコンピュータプログラムの範囲は、上記の記載よりも、添付の特許請求の範囲により示されており、特許請求の範囲と均等の意味及び範囲内にある変更は、特許請求の範囲に含まれる。

Claims (17)

1. 眼の画像化システムにより取得された眼の部分の画像内において病変を示す領域を検索するためのコンピュータにより実行される方法であって、前記方法が、
   前記画像を定義する画像データを受信し、
   健康な眼の前記部分の複数の画像を定義する画像データと、前記病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データに基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内の前記領域を検索し、
   前記病変を示す前記画像内の領域が、前記検索することにおいて見つかった場合、
   前記画像内の前記領域の位置を確定し、
   眼の測定装置に、前記眼の前記部分に対する測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成し、
   前記測定データを前記眼の測定装置から受信すること、
   を含み、
   前記方法は、
   前記病変を示す前記画像内の領域が、前記検索することにおいて見つかった場合、前記眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、光刺激に対する前記眼の機能的反応を測定させるための命令を生成すること、を含む、
   方法。
2. 表示ユニットを制御して、前記眼の前記部分の前記画像内の前記領域の前記位置と、前記受信された測定データの表示を表示させるための命令を生成することをさらに含む、
   請求項１に記載のコンピュータにより実行される方法。
3. 前記学習アルゴリズムは、教師あり学習アルゴリズムである、
   請求項１または請求項２に記載のコンピュータにより実行される方法。
4. 前記教師あり学習アルゴリズムは、ニューラルネットワークを含み、前記ニューラルネットワークを分解することにより前記病変を示す前記画像内の領域が検索される、
   請求項３に記載のコンピュータにより実行される方法。
5. 前記ニューラルネットワークは畳み込みニューラルネットワークであり、
   前記受信された画像データにより定義された前記画像の複数の異なる区分のそれぞれについて、
   マスク画像を生成するために前記画像の前記区分をマスクし、
   前記学習アルゴリズムを用いて前記マスク画像を定義する画像データを処理することにより、前記マスク画像内の前記領域を検索し、
   前記マスク画像を定義する前記画像データを用いて実施された前記検索の結果と、前記受信された画像データを用いて実施された検索の結果との間の差を確定する、プロセスを実行し、
   前記画像内の前記領域の前記位置として、前記確定された差が最大である区分の位置を確定することにより、
   前記ニューラルネットワークが分解される、
   請求項４に記載のコンピュータにより実行される方法。
6. 前記ニューラルネットワークは畳み込みニューラルネットワークであり、
   テイラー分解を、前記ニューラルネットワークの上層から前記ニューラルネットワークの入力層までの前記ニューラルネットワークの各層に対して適用することにより、前記ニューラルネットワークの出力に対する前記ニューラルネットワークの各入力変数の関連性を確定し、
   前記ニューラルネットワークの最も関連する入力変数に対応する前記受信された画像データの少なくとも１つの区分に基づいて前記画像内の前記領域の前記位置を確定することにより、
   前記畳み込みニューラルネットワークが分解される、
   請求項４に記載のコンピュータにより実行される方法。
7. 前記ニューラルネットワークは畳み込みニューラルネットワークであり、
   前記畳み込みニューラルネットワークの逆畳み込みを行うことにより、前記畳み込みニューラルネットワークが分解される、
   請求項４に記載のコンピュータにより実行される方法。
8. 眼の画像化システムにより取得された眼の部分の画像内において病変の存在を検索するためのコンピュータにより実行される方法であって、前記方法が、
   前記画像を定義する画像データを受信すること、
   健康な眼の複数の画像を定義する画像データと、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の複数の画像に基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内において前記複数の異なる種類の病変のうちの少なくとも１つの存在を検索すること、及び
   前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像内に存在すると分かった場合、
   前記画像内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択すること、
   前記画像内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記対応する選択された測定様式の眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための対応する命令を生成すること、及び
   選択された各測定様式の前記眼の測定装置により実施された前記測定の測定データを受信すること、
   を含み、
   前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像内に存在すると分かった場合、生成された前記命令のうちの少なくとも１つが、選択された測定様式の眼の測定装置に、光刺激に対する前記眼の機能的反応を測定させるための命令である、
   方法。
9. 表示ユニットを制御して、前記眼の前記部分の前記画像内の領域の記録される位置と、前記受信された測定データの表示を表示させるための命令を生成することをさらに含む、
   請求項８に記載のコンピュータにより実行される方法。
10. 前記学習アルゴリズムは、教師あり学習アルゴリズムである、
    請求項８または請求項９に記載のコンピュータにより実行される方法。
11. 前記教師あり学習アルゴリズムは、ニューラルネットワークを含み、前記ニューラルネットワークを分解することにより、前記画像内における異なる種類の病変のうちの１つを示す前記画像内の領域が検索される、
    請求項１０に記載のコンピュータにより実行される方法。
12. 前記ニューラルネットワークは畳み込みニューラルネットワークであり、
    前記受信された画像データにより定義された前記画像の複数の異なる区分のそれぞれについて、
    マスク画像を生成するために前記画像の前記区分をマスクし、
    前記学習アルゴリズムを用いて前記マスク画像を定義する画像データを処理することにより、前記マスク画像内の前記領域を検索し、
    前記マスク画像を定義する前記画像データを用いて実施された前記検索の結果と、前記受信された画像データを用いて実施された検索の結果との間の差を確定する、プロセスを実行し、
    記録される位置として、前記確定された差が最大である区分の位置を確定することにより、
    前記ニューラルネットワークが分解される、
    請求項１１に記載のコンピュータにより実行される方法。
13. 前記ニューラルネットワークは畳み込みニューラルネットワークであり、
    テイラー分解を、前記ニューラルネットワークの上層から前記ニューラルネットワークの入力層までの前記ニューラルネットワークの各層に対して適用することにより、前記ニューラルネットワークの出力に対する前記ニューラルネットワークの各入力変数の関連性を確定し、
    前記ニューラルネットワークの最も関連する入力変数に対応する前記受信された画像データの少なくとも１つの区分に基づいて記録される位置を確定することにより、
    前記畳み込みニューラルネットワークが分解される、
    請求項１１に記載のコンピュータにより実行される方法。
14. 前記ニューラルネットワークは畳み込みニューラルネットワークであり、
    前記畳み込みニューラルネットワークの逆畳み込みを行うことにより、前記畳み込みニューラルネットワークが分解される、
    請求項１１に記載のコンピュータにより実行される方法。
15. 請求項１～請求項１４のいずれか一項に記載の方法をコンピュータに実行させるコンピュータプログラムを格納するコンピュータ可読記憶媒体。
16. 眼の画像化システムにより取得された眼の部分の画像内において病変を示す領域を検索する装置であって、前記装置が、
    前記画像を定義する画像データを受信するように構成された受信モジュールと、
    健康な眼の前記部分の複数の画像を定義する画像データと、前記病変を示す少なくとも１つの領域をそれぞれが有する不健康な眼の前記部分の複数の画像を定義する画像データに基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内の前記領域を検索するように構成された検索モジュールと、
    前記検索モジュールにより見つけられた前記病変を示す前記画像内の領域に応じて、前記画像内の前記領域の位置を確定するプロセス、及び眼の測定装置に、前記眼の前記部分に対する測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、前記眼の前記部分に対する前記測定を実施させて、測定データを生成させるための命令を生成するプロセス、を実行するように構成された命令生成モジュールと、を含み、
    前記受信モジュールが、前記測定データを前記眼の測定装置から受信するようにさらに構成され、
    前記命令生成モジュールが、前記病変を示す前記画像内の領域が、前記検索することにおいて見つかったことに応じて、前記眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための前記命令として、前記測定の位置を設定するための、前記確定された位置に基づく基準点を用いて、光刺激に対する前記眼の機能的反応を測定させるための命令を生成するように構成される、
    装置。
17. 眼の画像化システムにより取得された眼の部分の画像内において病変の存在を検索する装置であって、前記装置が、
    前記画像を定義する画像データを受信するように構成された受信モジュールと、
    健康な眼の複数の画像を定義する画像データと、複数の異なる種類の病変のうちの対応する１つをそれぞれが有する不健康な眼の複数の画像に基づいて訓練された学習アルゴリズムを用いて、前記受信された画像データを処理することにより、前記画像内において前記複数の異なる種類の病変のうちの少なくとも１つの存在を検索するように構成された検索モジュールと、
    前記検索モジュールにより前記画像内において存在すると分かった前記複数の異なる種類の病変のうちの少なくとも１つに応じて、前記画像内に存在すると分かった少なくとも１種類の病変のそれぞれについて、前記眼の前記部分に対する測定を実施するために使用されるべき複数の異なる種類の測定様式のうちの対応する１つを選択するプロセス、及び前記画像内に存在すると分かった前記少なくとも１種類の病変のそれぞれについて、前記対応する選択された測定様式の眼の測定装置に、前記眼の前記部分に対する前記測定を実施させるための対応する命令を生成するプロセス、を実行するように構成された命令生成モジュールと、を含み、
    前記受信モジュールが、選択された各測定様式の前記眼の測定装置により実施された前記測定の測定データを受信するようにさらに構成され、
    前記命令生成モジュールが、前記複数の異なる種類の病変のうちの少なくとも１つが、前記画像内に存在すると分かったことに応じて、選択された測定様式の眼の測定装置に、光刺激に対する前記眼の機能的反応を測定させるための命令を生成するように構成される、
    装置。

Images