JP2022074224A - 眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラム - Google Patents

Abstract

【課題】乳頭出血領域を高い再現性で高精度に検出するための新たな技術を提供する。【解決手段】眼科情報処理装置は、判定器と、検出器とを含む。判定器は、乳頭出血の有無を示すラベルが付された複数の眼底の正面画像を第１教師データとする機械学習により得られた乳頭出血判定モデルを用いて、被検眼の眼底の正面画像に対して乳頭出血の有無を判定する。検出器は、眼底の正面画像と当該正面画像に描出された乳頭出血領域を表す乳頭出血領域画像とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデルを用いて、判定器により乳頭出血があると判定された正面画像に描出された乳頭出血領域を検出する。【選択図】図５

Description

この発明は、眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムに関する。

緑内障は、失明原因の上位を占める疾患である。緑内障に起因した視神経障害及び視野障害は、基本的に、進行性であり、且つ、非可逆的であり、患者の自覚なしに徐々に進行する。従って、緑内障の早期発見と早期治療による障害の進行の阻止又は抑制は、非常に重要である。

このような緑内障の進行の危険因子の１つに、乳頭出血がある。例えば、医師は、眼底カメラを用いて取得された眼底画像を観察して乳頭出血の有無を判定する。このような医師には、十分な経験と知識を活かして乳頭出血の有無を高精度に判定することが求められる。

例えば、特許文献１には、カラーの眼底画像における画素値の違いを利用して、眼底血管、出血部、及び視神経乳頭領域を抽出する手法が開示されている。

特開２００８－７３２８０号公報

眼底画像は、被検眼に応じて、全体の色合いや部位及び血管の画素値が異なる。従って、従来の手法のように画素値の違いだけを利用しても、出血部等を高精度に抽出することが困難である場合が多いと考えられる。その上、出血部の位置が視神経乳頭領域内にあるか否かなど、出血部の位置を高精度に特定することは、より一層困難になると考えられる。出血部を高精度に検出することができなければ、医師は乳頭出血の有無を高い再現性で高精度に判定することができない。

本発明は、このような事情を鑑みてなされたものであり、その目的の１つは、乳頭出血領域を高い再現性で高精度に検出するための新たな技術を提供することにある。

実施形態の第１態様は、乳頭出血の有無を示すラベルが付された複数の眼底の正面画像を第１教師データとする機械学習により得られた乳頭出血判定モデルを用いて、被検眼の眼底の正面画像に対して乳頭出血の有無を判定する判定器と、眼底の正面画像と当該正面画像に描出された乳頭出血領域を表す乳頭出血領域画像とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデルを用いて、前記判定器により前記乳頭出血があると判定された前記正面画像に描出された乳頭出血領域を検出する検出器と、を含む、眼科情報処理装置である。

実施形態の第２態様では、第１態様において、前記第２教師データは、前記第１教師データに含まれる正面画像を含む。

実施形態の第３態様は、第１態様又は第２態様において、前記第１教師データを用いて教師あり機械学習を実行することにより前記乳頭出血判定モデルを生成する第１学習部を含む。

実施形態の第４態様は、第１態様～第３態様のいずれかにおいて、前記第２教師データを用いて教師あり機械学習を実行することにより前記乳頭出血領域検出モデルを生成する第２学習部を含む。

実施形態の第５態様では、第１態様～第４態様のいずれかにおいて、前記眼底の正面画像は、カラーの正面画像である。

実施形態の第６態様は、第１態様～第５態様のいずれかにおいて、前記被検眼の眼底の正面画像を解析することにより、前記被検眼の眼底の正面画像における前記乳頭出血領域の位置を表す位置情報、前記乳頭出血領域の形状を表す形状情報、及び前記乳頭出血領域の発生状況を表す発生情報の少なくとも１つを生成する解析部を含む。

実施形態の第７態様では、第６態様において、前記位置情報は、基準位置に対する前記乳頭出血領域の代表位置の方向を示す情報を含む。

実施形態の第８態様では、第６態様又は第７態様において、前記位置情報は、前記乳頭出血領域の代表位置が視神経乳頭領域内か視神経乳頭領域外かを示す情報を含む。

実施形態の第９態様では、第８態様において、前記位置情報は、前記代表位置が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを示す情報を含む。

実施形態の第１０態様では、第６態様～第９態様のいずれかにおいて、前記形状情報は、前記乳頭出血領域の楕円率、及び前記乳頭出血領域の面積の少なくとも１つを含む。

実施形態の第１１態様では、第６態様～第１０態様のいずれかにおいて、前記発生情報は、前記乳頭出血領域の発生頻度、及び前記乳頭出血領域の発生間隔の少なくとも１つを含む。

実施形態の第１２態様は、第６態様～第１１態様のいずれかにおいて、前記被検眼のＯＣＴデータと前記検出器により検出された前記乳頭出血領域が描出された前記被検眼の正面画像との位置合わせを行う位置合わせ部を含み、前記解析部は、前記位置合わせ部により前記正面画像と位置合わせが行われた前記ＯＣＴデータを用いて、前記位置情報、前記形状情報、及び前記発生情報の少なくとも１つを生成する。

実施形態の第１３態様は、前記被検眼の眼底を撮影する撮影部と、第１態様～第１２態様のいずれかに記載の眼科情報処理装置と、を含む、眼科装置である。

実施形態の第１４態様は、前記被検眼の眼底を撮影する撮影部と、前記被検眼に対して光コヒーレンストモグラフィを実行することにより前記ＯＣＴデータを取得するＯＣＴ部と、第１２態様に記載の眼科情報処理装置と、を含む、眼科装置である。

実施形態の第１５態様は、乳頭出血の有無を示すラベルが付された複数の眼底の正面画像を第１教師データとする機械学習により得られた乳頭出血判定モデルを用いて、被検眼の眼底の正面画像に対して乳頭出血の有無を判定する判定ステップと、眼底の正面画像と当該正面画像に描出された乳頭出血領域を表す乳頭出血領域画像とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデルを用いて、前記判定ステップにおいて前記乳頭出血があると判定された前記正面画像に描出された乳頭出血領域を検出する検出ステップと、を含む、眼科情報処理方法である。

実施形態の第１６態様では、第１５態様において、前記第２教師データは、前記第１教師データに含まれる正面画像を含む。

実施形態の第１７態様は、第１５態様又は第１６態様において、前記第１教師データを用いて教師あり機械学習を実行することにより前記乳頭出血判定モデルを生成する第１学習ステップを含む。

実施形態の第１８態様は、第１５態様～第１７態様のいずれかにおいて、前記第２教師データを用いて教師あり機械学習を実行することにより前記乳頭出血領域検出モデルを生成する第２学習ステップを含む。

実施形態の第１９態様では、第１５態様～第１８態様のいずれかにおいて、前記眼底の正面画像は、カラーの正面画像である。

実施形態の第２０態様は、第１５態様～第１９態様のいずれかにおいて、前記被検眼の眼底の正面画像を解析することにより、前記被検眼の眼底の正面画像における前記乳頭出血領域の位置を表す位置情報、前記乳頭出血領域の形状を表す形状情報、及び前記乳頭出血領域の発生状況を表す発生情報の少なくとも１つを生成する解析ステップを含む。

実施形態の第２１態様では、第２０態様において、前記位置情報は、基準位置に対する前記乳頭出血領域の代表位置の方向を示す情報を含む。

実施形態の第２２態様では、第２０態様又は第２１態様において、前記位置情報は、前記乳頭出血領域の代表位置が視神経乳頭領域内か視神経乳頭領域外かを示す情報を含む。

実施形態の第２３態様では、第２２態様において、前記位置情報は、前記代表位置が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを示す情報を含む。

実施形態の第２４態様では、第２０態様～第２３態様のいずれかにおいて、前記形状情報は、前記乳頭出血領域の楕円率、及び前記乳頭出血領域の面積の少なくとも１つを含む。

実施形態の第２５態様では、第２０態様～第２４態様のいずれかにおいて、前記発生情報は、前記乳頭出血領域の発生頻度、及び前記乳頭出血領域の発生間隔の少なくとも１つを含む。

実施形態の第２６態様は、第２０態様～第２５態様のいずれかにおいて、前記被検眼のＯＣＴデータと前記検出ステップにおいて検出された前記乳頭出血領域が描出された前記被検眼の正面画像との位置合わせを行う位置合わせステップを含み、前記解析ステップは、前記位置合わせステップにおいて前記正面画像と位置合わせが行われた前記ＯＣＴデータを用いて、前記位置情報、前記形状情報、及び前記発生情報の少なくとも１つを生成する。

実施形態の第２７態様は、コンピュータに、第１５態様～第２６態様のいずれかに記載の眼科情報処理方法の各ステップを実行させるプログラムである。

なお、上記した複数の態様に係る構成を任意に組み合わせることが可能である。

本発明によれば、乳頭出血領域を高い再現性で高精度に検出するための新たな技術を提供することができる。

第１実施形態に係る眼科装置の構成の一例を表す概略図である。 第１実施形態に係る眼科装置の構成の一例を表す概略図である。 第１実施形態に係る眼科装置の構成の一例を表す概略図である。 第１実施形態に係る眼科装置の構成の一例を表す概略図である。 第１実施形態に係る眼科装置の動作の一例を説明するための概略図である。 第１実施形態に係る眼科装置の構成の一例を示す概略図である。 第１実施形態に係る眼科装置の動作を説明するための概略図である。 第１実施形態に係る眼科装置の構成の一例を示す概略図である。 第１実施形態に係る眼科装置の動作を説明するための概略図である。 第１実施形態に係る眼科装置の動作を説明するための概略図である。 第１実施形態に係る眼科装置の動作を説明するための概略図である。 第１実施形態に係る眼科装置の動作例を表すフローチャートである。 第１実施形態に係る眼科装置の動作を説明するための概略図である。 第２実施形態に係る眼科システムの第１構成例を表す概略図である。 第２実施形態に係る眼科システムの第２構成例を表す概略図である。 第２実施形態に係る眼科情報処理装置の構成の一例を表す概略図である。 第２実施形態の第１変形例に係る眼科システムの構成の一例を表す概略図である。 第２実施形態の第２変形例に係る眼科システムの構成の一例を表す概略図である。

この発明に係る眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムの実施形態の例について、図面を参照しながら詳細に説明する。なお、この明細書において引用された文献の記載内容や任意の公知技術を、以下の実施形態に援用することが可能である。

実施形態に係る眼科情報処理装置は、学習済みモデルを用いて被検眼の眼底画像に対して乳頭出血の有無を判定し、別の学習済みモデルを用いて、乳頭出血があると判定された眼底画像に描出された乳頭出血領域を検出する。乳頭出血の有無の判定に用いられる学習済みモデルは、乳頭出血の有無を示すラベルが付された複数の眼底画像を第１教師データとする機械学習により得られた乳頭出血判定モデルである。乳頭出血領域の検出に用いられる学習済みモデルは、眼底画像と当該眼底画像に描出された乳頭出血領域を表す乳頭出血領域画像とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデルである。眼底画像は、眼底カメラ等により眼底を撮影することにより得られたカラーの眼底の正面画像であることが望ましい。

これにより、乳頭出血領域が存在する眼底画像のみを用いて機械学習を行うことにより乳頭出血領域検出モデルを生成することで、乳頭出血領域検出モデルの学習パラメータが乳頭出血領域の検出に特化して更新される。その結果、乳頭出血領域の検出精度を向上させることができる。従って、１つの学習済みモデルを用いて被検眼の眼底画像における乳頭出血領域を検出する場合と比較して、より高い再現性で高精度に眼底画像における乳頭出血領域を検出することが可能になる。

いくつかの実施形態では、眼科情報処理装置は、眼底画像を解析することにより、高い再現性で高精度に検出された乳頭出血領域の解析結果を生成する。解析結果は、乳頭出血領域の位置を表す位置情報、乳頭出血領域の形状を表す形状情報、及び乳頭出血領域の発生状況を表す発生情報の少なくとも１つを含む。

いくつかの実施形態では、眼科情報処理装置は、乳頭出血領域が検出された眼底画像と被検眼のＯＣＴ（Ｏｐｔｉｃａｌ Ｃｏｈｅｒｅｎｃｅ Ｔｏｍｏｇｒａｐｈｙ）データとの位置合わせを行うことにより、ＯＣＴデータを規定するＯＣＴ座標系の位置情報を用いて位置情報及び形状情報を生成する。これにより、再現性の高いＯＣＴデータを規定するＯＣＴ座標系にマッピングされた眼底画像から乳頭出血領域の位置情報及び形状情報を高精度に求めることができるようになる。

いくつかの実施形態では、被検眼の眼底画像を取得するための眼底カメラの機能と、被検眼のＯＣＴデータを取得するためのＯＣＴ計測を実行可能なＯＣＴ装置（光干渉断層計）の機能とを備えた眼科装置が、実施形態に係る眼科情報処理装置の機能を有する。

いくつかの実施形態では、眼底カメラの機能を備えた眼科装置が、実施形態に係る眼科処理装置の機能を有する。この場合、眼科装置は、外部に設けられたＯＣＴ装置からＯＣＴデータを取得する。

いくつかの実施形態では、ＯＣＴ装置の機能を備えた眼科装置が、実施形態に係る眼科処理装置の機能を有する。この場合、眼科装置は、外部に設けられた眼底カメラから眼底画像を取得する。

いくつかの実施形態では、眼科処理装置は、外部に設けられた眼底カメラから眼底画像を取得し、外部に設けられたＯＣＴ装置からＯＣＴデータを取得する。

いくつかの実施形態では、眼科処理装置は、眼底カメラの機能とＯＣＴ装置の機能とを有する眼科装置から眼底画像及びＯＣＴデータを取得する。

いくつかの実施形態では、眼底画像は、ＯＣＴデータにより形成されたＣスキャン画像、プロジェクション画像、又はｅｎ－ｆａｃｅ画像、走査型レーザー検眼装置（Ｓｃａｎｎｉｎｇ Ｌａｓｅｒ Ｏｐｈｔｈａｌｍｏｓｃｏｐｅ：ＳＬＯ）、スリットランプ検眼鏡、又は手術用顕微鏡等の眼科装置により取得された画像である。眼底画像がＣスキャン画像、プロジェクション画像、又はｅｎ－ｆａｃｅ画像である場合、眼底画像とＯＣＴデータとの位置合わせを行わなくてもよい。

実施形態に係る眼科情報処理方法は、実施形態に係る眼科情報処理装置においてプロセッサ（コンピュータ）により実行される処理を実現するための１以上のステップを含む。実施形態に係るプログラムは、プロセッサに実施形態に係る眼科情報処理方法の各ステップを実行させる。実施形態に係る記録媒体は、実施形態に係るプログラムが記録されたコンピュータ読み取り可能な非一時的な記録媒体（記憶媒体）である。

本明細書において「プロセッサ」は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、プログラマブル論理デバイス（例えば、ＳＰＬＤ（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＣＰＬＤ（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ））等の回路を意味する。プロセッサは、例えば、記憶回路や記憶装置に格納されているプログラムを読み出し実行することで、実施形態に係る機能を実現する。

この明細書では、ＯＣＴによって取得される画像をＯＣＴ画像と総称することがある。また、ＯＣＴ画像を形成するための計測動作をＯＣＴ計測と呼ぶことがある。また、乳頭出血を単にＤＨ（Ｄｉｓｃ Ｈｅｍｏｒｒｈａｇｅ）と呼ぶことがある。

［第１実施形態］
第１実施形態に係る眼科装置は、眼底カメラの機能と、ＯＣＴ装置の機能と、実施形態に係る眼科処理装置の機能とを備える。眼科装置は、更に、眼科測定装置、及び眼科治療装置の少なくとも１つの機能を備えてもよい。いくつかの実施形態では、眼科測定装置は、眼屈折検査装置、眼圧計、スペキュラーマイクロスコープ、ウェーブフロントアナライザ、視野計、及びマイクロペリメータの少なくとも１つを含む。いくつかの実施形態では、眼科治療装置は、レーザー治療装置、手術装置、及び手術用顕微鏡の少なくとも１つを含む。

＜構成＞
〔光学系〕
図１に、第１実施形態に係る眼科装置の構成例を示す。

第１実施形態に係る眼科装置１は、眼底カメラユニット２、ＯＣＴユニット１００及び演算制御ユニット２００を含む。眼底カメラユニット２には、被検眼Ｅの正面画像を取得するための光学系及び機構が設けられている。ＯＣＴユニット１００には、ＯＣＴを実行するための光学系及び機構の一部が設けられている。ＯＣＴを実行するための光学系及び機構の他の一部は、眼底カメラユニット２に設けられている。演算制御ユニット２００は、各種の演算及び制御を実行する１以上のプロセッサを含む。これらに加え、被検者の顔を支持するための部材（顎受け、額当て等）、又はＯＣＴの対象部位を切り替えるためのレンズユニット（例えば、前眼部ＯＣＴ用アタッチメント）等の任意の要素やユニットが眼科装置１に設けられてもよい。いくつかの実施形態では、レンズユニットが手動で被検眼Ｅと後述の対物レンズ２２との間に挿脱されるように構成される。いくつかの実施形態では、後述の制御部２１０からの制御を受け、レンズユニットが被検眼Ｅと後述の対物レンズ２２との間に自動で挿脱されるように構成される。

［眼底カメラユニット］
眼底カメラユニット２には、被検眼Ｅの眼底Ｅｆを撮影するための光学系が設けられている。取得される眼底Ｅｆの画像（眼底画像、眼底写真等と呼ばれる）は、観察画像、キャプチャ画像等の正面画像である。観察画像は、近赤外光を用いた動画撮影により得られる。キャプチャ画像は、フラッシュ光を用いた静止画像（例えば、カラー画像）である。更に、眼底カメラユニット２は、被検眼Ｅの前眼部Ｅａを撮影して正面画像（前眼部画像）を取得することができる。

眼底カメラユニット２は、照明光学系１０と撮影光学系３０とを含む。照明光学系１０は被検眼Ｅに照明光を照射する。撮影光学系３０は、被検眼Ｅからの照明光の戻り光を検出する。ＯＣＴユニット１００からの測定光は、眼底カメラユニット２内の光路を通じて被検眼Ｅに導かれ、その戻り光は、同じ光路を通じてＯＣＴユニット１００に導かれる。

照明光学系１０の観察光源１１から出力された光（観察照明光）は、曲面状の反射面を有する反射ミラー１２により反射され、集光レンズ１３を経由し、可視カットフィルタ１４を透過して近赤外光となる。更に、観察照明光は、撮影光源１５の近傍にて一旦集束し、ミラー１６により反射され、リレーレンズ１７、１８、絞り１９及びリレーレンズ２０を経由する。そして、観察照明光は、孔開きミラー２１の周辺部（孔部の周囲の領域）にて反射され、ダイクロイックミラー４６を透過し、対物レンズ２２により屈折されて被検眼Ｅ（眼底Ｅｆ又は前眼部Ｅａ）を照明する。被検眼Ｅからの観察照明光の戻り光は、対物レンズ２２により屈折され、ダイクロイックミラー４６を透過し、孔開きミラー２１の中心領域に形成された孔部を通過し、ダイクロイックミラー５５を透過する。ダイクロイックミラー５５を透過した戻り光は、撮影合焦レンズ３１を経由し、ミラー３２により反射される。更に、この戻り光は、ハーフミラー３３Ａを透過し、ダイクロイックミラー３３により反射され、集光レンズ３４によりイメージセンサ３５の受光面に結像される。イメージセンサ３５は、所定のフレームレートで戻り光を検出する。なお、撮影光学系３０のフォーカスは、眼底Ｅｆ又は前眼部Ｅａに合致するように調整される。

撮影光源１５から出力された光（撮影照明光）は、観察照明光と同様の経路を通って眼底Ｅｆに照射される。被検眼Ｅからの撮影照明光の戻り光は、観察照明光の戻り光と同じ経路を通ってダイクロイックミラー３３まで導かれ、ダイクロイックミラー３３を透過し、ミラー３６により反射され、集光レンズ３７によりイメージセンサ３８の受光面に結像される。

ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）３９は固視標や視力測定用視標を表示する。ＬＣＤ３９から出力された光束は、その一部がハーフミラー３３Ａにて反射され、ミラー３２に反射され、撮影合焦レンズ３１及びダイクロイックミラー５５を経由し、孔開きミラー２１の孔部を通過する。孔開きミラー２１の孔部を通過した光束は、ダイクロイックミラー４６を透過し、対物レンズ２２により屈折されて眼底Ｅｆに投射される。

ＬＣＤ３９の画面上における固視標の表示位置を変更することにより、被検眼Ｅの固視位置を変更できる。固視位置の例として、黄斑を中心とする画像を取得するための固視位置や、視神経乳頭を中心とする画像を取得するための固視位置や、黄斑と視神経乳頭との間の眼底中心を中心とする画像を取得するための固視位置や、黄斑から大きく離れた部位（眼底周辺部）の画像を取得するための固視位置などがある。いくつかの実施形態に係る眼科装置１は、このような固視位置の少なくとも１つを指定するためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を含む。いくつかの実施形態に係る眼科装置１は、固視位置（固視標の表示位置）をマニュアルで移動するためのＧＵＩ等を含む。

移動可能な固視標を被検眼Ｅに呈示するための構成はＬＣＤ等の表示装置には限定されない。例えば、光源アレイ（発光ダイオード（ＬＥＤ）アレイ等）における複数の光源を選択的に点灯させることにより、移動可能な固視標を生成することができる。また、移動可能な１以上の光源により、移動可能な固視標を生成することができる。

また、眼科装置１には、１以上の外部固視光源が設けられてもよい。１以上の外部固視光源の１つは、被検眼Ｅの僚眼に固視光を投射することが可能である。僚眼における固視光の投射位置は、変更可能である。僚眼に対する固視光の投射位置を変更することにより、被検眼Ｅの固視位置を変更することができる。外部固視光源による固視位置は、ＬＣＤ３９を用いた被検眼Ｅの固視位置と同様であってよい。例えば、複数の外部固視光源を選択的に点灯させることにより、移動可能な固視標を生成することができる。また、移動可能な１以上の外部固視光源により、移動可能な固視標を生成することができる。

アライメント光学系５０は、被検眼Ｅに対する光学系のアライメントに用いられるアライメント視標を生成する。ＬＥＤ５１から出力されたアライメント光は、絞り５２及び５３並びにリレーレンズ５４を経由し、ダイクロイックミラー５５により反射され、孔開きミラー２１の孔部を通過する。孔開きミラー２１の孔部を通過した光は、ダイクロイックミラー４６を透過し、対物レンズ２２により被検眼Ｅに投射される。アライメント光の角膜反射光は、観察照明光の戻り光と同じ経路を通ってイメージセンサ３５に導かれる。その受光像（アライメント視標像）に基づいてマニュアルアライメントやオートアライメントを実行できる。

フォーカス光学系６０は、被検眼Ｅに対するフォーカス調整に用いられるスプリット視標を生成する。フォーカス光学系６０は、撮影光学系３０の光路（撮影光路）に沿った撮影合焦レンズ３１の移動に連動して、照明光学系１０の光路（照明光路）に沿って移動される。反射棒６７は、照明光路に対して挿脱可能である。フォーカス調整を行う際には、反射棒６７の反射面が照明光路に傾斜配置される。ＬＥＤ６１から出力されたフォーカス光は、リレーレンズ６２を通過し、スプリット視標板６３により２つの光束に分離され、二孔絞り６４を通過し、ミラー６５により反射され、集光レンズ６６により反射棒６７の反射面に一旦結像されて反射される。更に、フォーカス光は、リレーレンズ２０を経由し、孔開きミラー２１に反射され、ダイクロイックミラー４６を透過し、対物レンズ２２により屈折されて眼底Ｅｆに投射される。フォーカス光の眼底反射光は、アライメント光の角膜反射光と同じ経路を通ってイメージセンサ３５に導かれる。その受光像（スプリット視標像）に基づいてマニュアルフォーカスやオートフォーカスを実行できる。

ダイクロイックミラー４６は、撮影用光路とＯＣＴ用光路（干渉光学系の光路）とを合成する。ダイクロイックミラー４６は、撮影用光路（撮影光学系３０）の光軸とＯＣＴ用光路（干渉光学系）の光軸とが略同軸になるように双方の光学系を結合する。ダイクロイックミラー４６は、ＯＣＴに用いられる波長帯の光を反射し、眼底撮影用の光を透過させる。ＯＣＴ用光路（測定光の光路）には、ＯＣＴユニット１００側からダイクロイックミラー４６側に向かって順に、コリメータレンズユニット４０、光路長変更部４１、光スキャナー４２、ＯＣＴ合焦レンズ４３、ミラー４４、及びリレーレンズ４５が設けられている。

光路長変更部４１は、図１に示す矢印の方向に移動可能とされ、ＯＣＴ用光路の長さを変更する。この光路長の変更は、眼軸長に応じた光路長補正や、干渉状態の調整などに利用される。光路長変更部４１は、コーナーキューブと、これを移動する機構とを含む。

光スキャナー４２は、被検眼Ｅの瞳孔と光学的に共役な位置に配置される。光スキャナー４２は、ＯＣＴ用光路を通過する測定光ＬＳを偏向する。光スキャナー４２は、測定光ＬＳを１次元的又は２次元的に偏向することが可能である。

１次元的に偏向する場合、光スキャナー４２は、所定の偏向方向に所定の偏向角度範囲で測定光ＬＳを偏向するガルバノスキャナーを含む。２次元的に偏向する場合、光スキャナー４２は、第１ガルバノスキャナーと、第２ガルバノスキャナーとを含む。第１ガルバノスキャナーは、干渉光学系（ＯＣＴ光学系）の光軸に直交する水平方向に撮影部位（眼底Ｅｆ又は前眼部Ｅａ）をスキャンするように測定光ＬＳを偏向する。第２ガルバノスキャナーは、干渉光学系の光軸に直交する垂直方向に撮影部位をスキャンするように、第１ガルバノスキャナーにより偏向された測定光ＬＳを偏向する。光スキャナー４２による測定光ＬＳの走査態様としては、例えば、水平スキャン、垂直スキャン、十字スキャン、放射スキャン、円スキャン、同心円スキャン、螺旋スキャンなどがある。

ＯＣＴ合焦レンズ４３は、ＯＣＴ用の光学系のフォーカス調整を行うために、測定光ＬＳの光路に沿って移動される。ＯＣＴ合焦レンズ４３は、被検眼Ｅの眼底Ｅｆ又はその近傍に測定光ＬＳの焦点位置を配置するための第１レンズ位置と、被検眼Ｅに照射される測定光ＬＳを平行光束にするための第２レンズ位置とを含む移動範囲で移動可能である。撮影合焦レンズ３１の移動、フォーカス光学系６０の移動、及びＯＣＴ合焦レンズ４３の移動を連係的に制御することができる。

［ＯＣＴユニット］
ＯＣＴユニット１００の構成の一例を図２に示す。ＯＣＴユニット１００には、被検眼ＥのＯＣＴ画像を取得するための光学系が設けられている。この光学系は、波長掃引型（波長走査型）光源からの光を測定光と参照光とに分割し、被検眼Ｅからの測定光の戻り光と参照光路を経由した参照光とを干渉させて干渉光を生成し、この干渉光を検出する干渉光学系である。干渉光学系による干渉光の検出結果（検出信号）は、干渉光のスペクトルを示す干渉信号であり、演算制御ユニット２００に送られる。

光源ユニット１０１は、一般的なスウェプトソースタイプの眼科装置と同様に、出射光の波長を掃引（走査）可能な波長掃引型（波長走査型）光源を含んで構成される。波長掃引型光源は、共振器を含むレーザー光源を含んで構成される。光源ユニット１０１は、人眼では視認できない近赤外の波長帯において、出力波長を時間的に変化させる。

光源ユニット１０１から出力された光Ｌ０は、光ファイバ１０２により偏波コントローラ１０３に導かれてその偏波状態が調整される。偏波コントローラ１０３は、例えばループ状にされた光ファイバ１０２に対して外部から応力を与えることで、光ファイバ１０２内を導かれる光Ｌ０の偏波状態を調整する。

偏波コントローラ１０３により偏波状態が調整された光Ｌ０は、光ファイバ１０４によりファイバカプラ１０５に導かれて測定光ＬＳと参照光ＬＲとに分割される。

参照光ＬＲは、光ファイバ１１０によりコリメータ１１１に導かれて平行光束に変換され、光路長補正部材１１２及び分散補償部材１１３を経由し、光路長変更部１１４に導かれる。光路長補正部材１１２は、参照光ＬＲの光路長と測定光ＬＳの光路長とを合わせるよう作用する。分散補償部材１１３は、参照光ＬＲと測定光ＬＳとの間の分散特性を合わせるよう作用する。光路長変更部１１４は、例えば、コーナーキューブと、コーナーキューブを移動する移動機構とを含み、移動機構によるコーナーキューブを参照光ＬＲの入射方向に移動可能である。それにより参照光ＬＲの光路長が変更される。

光路長変更部１１４を経由した参照光ＬＲは、分散補償部材１１３及び光路長補正部材１１２を経由し、コリメータ１１６によって平行光束から集束光束に変換され、光ファイバ１１７に入射する。光ファイバ１１７に入射した参照光ＬＲは、偏波コントローラ１１８に導かれてその偏波状態が調整され、光ファイバ１１９によりアッテネータ１２０に導かれて光量が調整され、光ファイバ１２１によりファイバカプラ１２２に導かれる。

一方、ファイバカプラ１０５により生成された測定光ＬＳは、光ファイバ１２７により導かれてコリメータレンズユニット４０により平行光束に変換され、光路長変更部４１、光スキャナー４２、ＯＣＴ合焦レンズ４３、ミラー４４及びリレーレンズ４５を経由する。リレーレンズ４５を経由した測定光ＬＳは、ダイクロイックミラー４６により反射され、対物レンズ２２により屈折されて被検眼Ｅに入射する。測定光ＬＳは、被検眼Ｅの様々な深さ位置において散乱・反射される。被検眼Ｅからの測定光ＬＳの戻り光は、往路と同じ経路を逆向きに進行してファイバカプラ１０５に導かれ、光ファイバ１２８を経由してファイバカプラ１２２に到達する。

ファイバカプラ１２２は、光ファイバ１２８を介して入射された測定光ＬＳと、光ファイバ１２１を介して入射された参照光ＬＲとを合成して（干渉させて）干渉光を生成する。ファイバカプラ１２２は、所定の分岐比（例えば１：１）で干渉光を分岐することにより、一対の干渉光ＬＣを生成する。一対の干渉光ＬＣは、それぞれ光ファイバ１２３及び１２４を通じて検出器１２５に導かれる。

検出器１２５は、例えば一対の干渉光ＬＣをそれぞれ検出する一対のフォトディテクタを有し、これらによる検出結果の差分を出力するバランスドフォトダイオード（Ｂａｌａｎｃｅｄ Ｐｈｏｔｏ Ｄｉｏｄｅ）である。検出器１２５は、その検出結果（干渉信号）をＤＡＱ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１３０に送る。ＤＡＱ１３０には、光源ユニット１０１からクロックＫＣが供給される。クロックＫＣは、光源ユニット１０１において、波長掃引型光源により所定の波長範囲内で掃引（走査）される各波長の出力タイミングに同期して生成される。光源ユニット１０１は、例えば、各出力波長の光Ｌ０を分岐することにより得られた２つの分岐光の一方を光学的に遅延させた後、これらの合成光を検出した結果に基づいてクロックＫＣを生成する。ＤＡＱ１３０は、クロックＫＣに基づき、検出器１２５の検出結果をサンプリングする。ＤＡＱ１３０は、サンプリングされた検出器１２５の検出結果を演算制御ユニット２００に送る。演算制御ユニット２００は、例えば一連の波長走査毎に（Ａライン毎に）、検出器１２５により得られた検出結果に基づくスペクトル分布にフーリエ変換等を施すことにより、各Ａラインにおける反射強度プロファイルを形成する。更に、演算制御ユニット２００は、各Ａラインの反射強度プロファイルを画像化することにより画像データを形成する。

なお、図１及び図２に示す構成においては、測定光ＬＳの光路（測定光路、測定アーム）の長さを変更するための光路長変更部４１と、参照光ＬＲの光路（参照光路、参照アーム）の長さを変更するための光路長変更部１１４の双方が設けられている。しかしながら、光路長変更部４１及び１１４の一方だけが設けられていてもよい。また、これら以外の光学部材を用いて、参照光路長と測定光路長との差を変更することも可能である。

［演算制御ユニット］
演算制御ユニット２００は、ＤＡＱ１３０から入力される検出信号を解析して被検眼ＥのＯＣＴ画像を形成する。そのための演算処理は、従来のスウェプトソースタイプのＯＣＴ装置と同様である。

また、演算制御ユニット２００は、眼底カメラユニット２、表示装置３、及びＯＣＴユニット１００の各部を制御する。

眼底カメラユニット２の制御として、演算制御ユニット２００は、観察光源１１、撮影光源１５、及びＬＥＤ５１、６１の動作制御、ＬＣＤ３９の動作制御、撮影合焦レンズ３１の移動制御、ＯＣＴ合焦レンズ４３の移動制御、反射棒６７の移動制御、フォーカス光学系６０の移動制御、光路長変更部４１の移動制御、光スキャナー４２の動作制御などを行う。

表示装置３の制御として、演算制御ユニット２００は、被検眼ＥのＯＣＴ画像を表示装置３に表示させる。

ＯＣＴユニット１００の制御として、演算制御ユニット２００は、光源ユニット１０１の動作制御、光路長変更部１１４の移動制御、アッテネータ１２０の動作制御、偏波コントローラ１０３、１１８の動作制御、検出器１２５の動作制御、ＤＡＱ１３０の動作制御などを行う。

演算制御ユニット２００は、例えば、従来のコンピュータと同様に、プロセッサ、ＲＡＭ、ＲＯＭ、ハードディスクドライブ、通信インターフェイスなどを含んで構成される。ハードディスクドライブ等の記憶装置には、眼科装置１を制御するためのコンピュータプログラムが記憶されている。演算制御ユニット２００は、各種の回路基板、例えばＯＣＴ画像を形成するための回路基板を備えていてもよい。また、演算制御ユニット２００は、キーボードやマウス等の操作デバイス（入力デバイス）や、ＬＣＤ等の表示デバイスを備えていてもよい。

眼底カメラユニット２、表示装置３、ＯＣＴユニット１００、及び演算制御ユニット２００は、一体的に（つまり単一の筺体内に）構成されていてもよいし、２つ以上の筐体に別れて構成されていてもよい。

〔制御系〕
図３に、眼科装置１の制御系の構成例を示す。図３において、眼科装置１に含まれる構成要素の一部が省略されている。

演算制御ユニット２００は、制御部２１０を含み、眼底カメラユニット２、表示装置３、及びＯＣＴユニット１００の各部を制御する。

（制御部）
制御部２１０は、各種の制御を実行する。制御部２１０は、主制御部２１１と記憶部２１２とを含む。

（主制御部）
主制御部２１１は、プロセッサを含み、眼科装置１の各部を制御する。例えば、主制御部２１１は、眼底カメラユニット２の合焦駆動部３１Ａ及び４３Ａ、イメージセンサ３５及び３８、ＬＣＤ３９、光路長変更部４１、光スキャナー４２、及び光学系の移動（移動機構１５０）などを制御する。更に、主制御部２１１は、ＯＣＴユニット１００の光源ユニット１０１、光路長変更部１１４、アッテネータ１２０、偏波コントローラ１０３及び１１８、検出器１２５、ＤＡＱ１３０などを制御する。

例えば、主制御部２１１は、手動又は自動で設定された固視位置に対応するＬＣＤ３９の画面上の位置に固視標を表示する。また、主制御部２１１は、ＬＣＤ３９に表示されている固視標の表示位置を（連続的に又は段階的に）変更することができる。それにより、固視標を移動することができる（つまり、固視位置を変更することができる）。固視標の表示位置や移動態様は、マニュアルで又は自動的に設定される。マニュアルでの設定は、例えばＧＵＩを用いて行われる。自動的な設定は、例えば、データ処理部３００により行われる。

合焦駆動部３１Ａは、撮影光学系３０の光軸方向に撮影合焦レンズ３１を移動させるとともに、照明光学系１０の光軸方向にフォーカス光学系６０を移動させる。それにより、撮影光学系３０の合焦位置が変更される。いくつかの実施形態では、合焦駆動部３１Ａは、撮影合焦レンズ３１を移動させる機構と、フォーカス光学系６０を移動させる機構とを個別に有する。合焦駆動部３１Ａは、フォーカス調整を行うときなどに制御される。

合焦駆動部４３Ａは、測定光路の光軸方向にＯＣＴ合焦レンズ４３を移動させる。それにより、測定光ＬＳの合焦位置が変更される。例えば、ＯＣＴ合焦レンズ４３を第１レンズ位置に移動させることにより、測定光ＬＳの合焦位置を眼底Ｅｆ又はその近傍に配置することができる。例えば、ＯＣＴ合焦レンズ４３を第２レンズ位置に移動させることにより、測定光ＬＳの合焦位置を遠点位置に配置して測定光ＬＳを平行光束にすることができる。測定光ＬＳの合焦位置は、測定光ＬＳのビームウェストの深さ位置（ｚ位置）に相当する。

移動機構１５０は、例えば、少なくとも眼底カメラユニット２（光学系）を３次元的に移動する。典型的な例において、移動機構１５０は、少なくとも眼底カメラユニット２をｘ方向（左右方向）に移動するための機構と、ｙ方向（上下方向）に移動するための機構と、ｚ方向（奥行き方向、前後方向）に移動するための機構とを含む。ｘ方向に移動するための機構は、例えば、ｘ方向に移動可能なｘステージと、ｘステージを移動するｘ移動機構とを含む。ｙ方向に移動するための機構は、例えば、例えば、ｙ方向に移動可能なｙステージと、ｙステージを移動するｙ移動機構とを含む。ｚ方向に移動するための機構は、例えば、ｚ方向に移動可能なｚステージと、ｚステージを移動するｚ移動機構とを含む。各移動機構は、パルスモータ等のアクチュエータを含み、主制御部２１１からの制御を受けて動作する。

移動機構１５０に対する制御は、アライメントやトラッキングにおいて用いられる。トラッキングとは、被検眼Ｅの眼球運動に合わせて装置光学系を移動させるものである。トラッキングを行う場合には、事前にアライメントとフォーカス調整が実行される。トラッキングは、装置光学系の位置を眼球運動に追従させることにより、アライメントとピントが合った好適な位置関係を維持する機能である。いくつかの実施形態では、参照光の光路長（よって、測定光の光路と参照光の光路との間の光路長差）を変更するために移動機構１５０の制御を行うように構成される。

マニュアルアライメントの場合、光学系に対する被検眼Ｅの変位がキャンセルされるようにユーザが後述のユーザインターフェイス２４０に対して操作することにより光学系と被検眼Ｅとを相対移動させる。例えば、主制御部２１１は、ユーザインターフェイス２４０に対する操作内容に対応した制御信号を移動機構１５０に出力することにより移動機構１５０を制御して光学系と被検眼Ｅとを相対移動させる。

オートアライメントの場合、光学系に対する被検眼Ｅの変位がキャンセルされるように主制御部２１１が移動機構１５０を制御することにより光学系と被検眼Ｅとを相対移動させる。いくつかの実施形態では、主制御部２１１は、光学系の光軸が被検眼Ｅの軸に略一致し、かつ、被検眼Ｅに対する光学系の距離が所定の作動距離になるように制御信号を移動機構１５０に出力することにより移動機構１５０を制御して光学系と被検眼Ｅとを相対移動させる。ここで、作動距離とは、対物レンズ２２のワーキングディスタンスとも呼ばれる既定値であり、光学系を用いた測定時（撮影時）における被検眼Ｅと光学系との間の距離に相当する。

主制御部２１１は、眼底カメラユニット２等を制御することにより眼底撮影及び前眼部撮影を制御する。また、主制御部２１１は、眼底カメラユニット２及びＯＣＴユニット１００等を制御することによりＯＣＴ計測を制御する。主制御部２１１は、ＯＣＴ計測を行う前に複数の予備的な動作を実行可能である。予備的な動作としては、アライメント、フォーカス粗調整、偏波調整、フォーカス微調整などがある。複数の予備的な動作は、所定の順序で実行される。いくつかの実施形態では、複数の予備的な動作は、上記の順序で実行される。

なお、予備的な動作の種別や順序はこれに限定されるものではなく、任意である。例えば、被検眼Ｅが小瞳孔眼であるか否か判定するための予備動作（小瞳孔判定）を予備的な動作に加えることができる。小瞳孔判定は、例えば、フォーカス粗調整と光路長差調整との間に実行される。いくつかの実施形態では、小瞳孔判定は、以下の一連の処理を含む：被検眼Ｅの正面画像（前眼部画像）の取得する処理；瞳孔に相当する画像領域を特定する処理；特定された瞳孔領域のサイズ（径、周長など）を求める処理；求められたサイズに基づき小瞳孔眼か否か判定する処理（閾値処理）；小瞳孔眼であると判定された場合に絞り１９を制御する処理。いくつかの実施形態では、瞳孔サイズを求めるために瞳孔領域を円近似又は楕円近似する処理を更に含む。

フォーカス粗調整は、スプリット視標を用いたフォーカス調整である。なお、あらかじめ取得された眼屈折力と撮影合焦レンズ３１の位置とを関連付けた情報と、被検眼Ｅの屈折力の測定値とに基づいて撮影合焦レンズ３１の位置を決定することにより、フォーカス粗調整を行うこともできる。

フォーカス微調整は、ＯＣＴ計測の干渉感度に基づいて行われる。例えば、被検眼ＥのＯＣＴ計測により取得された干渉信号の干渉強度（干渉感度）をモニタすることにより、干渉強度が最大となるようなＯＣＴ合焦レンズ４３の位置を求め、その位置にＯＣＴ合焦レンズ４３を移動させることにより、フォーカス微調整を実行することができる。

光路長差調整においては、被検眼Ｅにおける所定の位置が深さ方向の計測範囲の基準位置になるように制御される。この制御は、光路長変更部４１、１１４の少なくとも一方に対して行われる。それにより、測定光路と参照光路との間の光路長差が調整される。光路長差調整により基準位置を設定しておくことで、波長掃引速度の変更を行うだけで深さ方向の所望の計測範囲に対して精度よくＯＣＴ計測を行うことができるようになる。

偏波調整においては、測定光ＬＳと参照光ＬＲとの干渉効率を最適化するために参照光ＬＲの偏波状態が調整される。

（記憶部）
記憶部２１２は、各種のデータを記憶する。記憶部２１２に記憶されるデータとしては、例えば、ＯＣＴ画像の画像データ、眼底画像の画像データ、前眼部画像の画像データ、被検眼情報などがある。被検眼情報は、患者ＩＤや氏名などの被検者に関する情報や、左眼／右眼の識別情報などの被検眼に関する情報を含む。

また、記憶部２１２には、眼科装置１を動作させるための各種プログラムやデータが記憶されている。

制御部２１０は、画像形成部２３０と、データ処理部３００とを制御することが可能である。

（画像形成部）
画像形成部２３０は、検出器１２５からの検出信号をＤＡＱ１３０でサンプリングすることにより得られたサンプリングデータに基づいて、被検眼ＥのＯＣＴ画像（画像データ）を形成する。画像形成部２３０により形成されるＯＣＴ画像には、Ａスキャン（Ａモード）画像、Ｂスキャン（Ｂモード）画像（断層像）、Ｃスキャン（Ｃモード）画像などがある。この処理には、従来のスウェプトソースタイプのＯＣＴと同様に、ノイズ除去（ノイズ低減）、フィルタ処理、分散補償、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）などの処理が含まれている。他のタイプのＯＣＴ装置の場合、画像形成部２３０は、そのタイプに応じた公知の処理を実行する。

画像形成部２３０は、例えば、前述の回路基板を含んで構成される。なお、この明細書では、「画像データ」と、それに基づく「画像」とを同一視することがある。

（データ処理部）
データ処理部３００は、被検眼Ｅの撮影やＯＣＴ計測により取得されたデータを処理する。例えば、データ処理部３００は、画像形成部２３０により形成された画像に対して各種の画像処理や解析処理を施す。具体的には、データ処理部３００は、画像の輝度補正等の各種補正処理を実行する。また、データ処理部３００は、眼底カメラユニット２により得られた画像（眼底画像、前眼部画像等）に対して各種の画像処理や解析処理を施すことが可能である。

データ処理部３００は、断層像の間の画素を補間する補間処理などの公知の画像処理を実行して、眼底Ｅｆ又は前眼部Ｅａの３次元画像の画像データを形成する。なお、３次元画像の画像データとは、３次元座標系により画素の位置が定義された画像データを意味する。３次元画像の画像データとしては、３次元的に配列されたボクセルからなる画像データがある。この画像データは、ボリュームデータ或いはボクセルデータなどと呼ばれる。ボリュームデータに基づく画像を表示させる場合、データ処理部３００は、このボリュームデータに対してレンダリング処理（ボリュームレンダリングやＭＩＰ（Ｍａｘｉｍｕｍ Ｉｎｔｅｎｓｉｔｙ Ｐｒｏｊｅｃｔｉｏｎ：最大値投影）など）を施して、特定の視線方向から見たときの擬似的な３次元画像の画像データを形成する。表示部２４０Ａ等の表示デバイスには、この擬似的な３次元画像が表示される。

また、３次元画像の画像データとして、複数の断層像のスタックデータを形成することも可能である。スタックデータは、複数のスキャンラインに沿って得られた複数の断層像を、スキャンラインの位置関係に基づいて３次元的に配列させることで得られる画像データである。すなわち、スタックデータは、元々個別の２次元座標系により定義されていた複数の断層像を、１つの３次元座標系により表現する（つまり１つの３次元空間に埋め込む）ことにより得られる画像データである。

データ処理部３００は、取得された３次元データセット（ボリュームデータ、スタックデータ等）に各種のレンダリングを施すことで、任意断面におけるＢモード画像（縦断面像、軸方向断面像）、任意断面におけるＣモード画像（横断面像、水平断面像）、プロジェクション画像、シャドウグラムなどを形成することができる。Ｂモード画像やＣモード画像のような任意断面の画像は、指定された断面上の画素（ピクセル、ボクセル）を３次元データセットから選択することにより形成される。プロジェクション画像は、３次元データセットを所定方向（ｚ方向、深さ方向、軸方向）に投影することによって形成される。シャドウグラムは、３次元データセットの一部（たとえば特定層に相当する部分データ）を所定方向に投影することによって形成される。Ｃモード画像、プロジェクション画像、シャドウグラムのような、被検眼の正面側を視点とする画像を正面画像（ｅｎ－ｆａｃｅ画像）と呼ぶ。

データ処理部３００は、ＯＣＴにより時系列に収集されたデータ（例えば、Ｂスキャン画像データ）に基づいて、網膜血管や脈絡膜血管が強調されたＢモード画像や正面画像（血管強調画像、アンギオグラム）を構築することができる。例えば、被検眼Ｅの略同一部位を反復的にスキャンすることにより、時系列のＯＣＴデータを収集することができる。

いくつかの実施形態では、データ処理部３００は、略同一部位に対するＢスキャンにより得られた時系列のＢスキャン画像を比較し、信号強度の変化部分の画素値を変化分に対応した画素値に変換することにより当該変化部分が強調された強調画像を構築する。更に、データ処理部３００は、構築された複数の強調画像から所望の部位における所定の厚さ分の情報を抽出してｅｎ－ｆａｃｅ画像として構築することでＯＣＴＡ像を形成する。

データ処理部３００により生成された画像（例えば、３次元画像、Ｂモード画像、Ｃモード画像、プロジェクション画像、シャドウグラム、ＯＣＴＡ像）もまたＯＣＴ画像に含まれる。

更に、データ処理部３００は、ＯＣＴ計測により得られた干渉光の検出結果を解析してフォーカス微調整制御における測定光ＬＳのフォーカス状態を判定する。例えば、主制御部２１１は、合焦駆動部４３Ａを所定のアルゴリズムに従って制御しつつ、反復的なＯＣＴ計測を行う。データ処理部３００は、ＯＣＴ計測により繰り返し取得される干渉光ＬＣの検出結果を解析することで、ＯＣＴ画像の画質に関する所定の評価値を算出する。データ処理部３００は、算出された評価値が閾値以下であるか否か判定する。いくつかの実施形態では、フォーカス微調整は、算出される評価値が閾値以下になるまで継続される。すなわち、評価値が閾値以下であるとき測定光ＬＳのフォーカス状態が適正であると判断され、フォーカス微調整は、測定光ＬＳのフォーカス状態が適正であると判断されるまで継続される。

いくつかの実施形態では、主制御部２１１は、上記のような反復的なＯＣＴ計測を行って干渉信号を取得しつつ、逐次に取得される干渉信号の強度（干渉強度、干渉感度）をモニタする。更に、このモニタ処理を行いながら、ＯＣＴ合焦レンズ４３を移動させることにより、干渉強度が最大となるようなＯＣＴ合焦レンズ４３の位置を探索する。このようなフォーカス微調整によれば、干渉強度が最適化されるような位置にＯＣＴ合焦レンズ４３を導くことができる。

また、データ処理部３００は、ＯＣＴ計測により得られた干渉光の検出結果を解析して、測定光ＬＳ及び参照光ＬＲの少なくとも一方の偏波状態を判定する。例えば、主制御部２１１は、偏波コントローラ１０３、１１８の少なくとも一方を所定のアルゴリズムに従って制御しつつ、反復的なＯＣＴ計測を行う。いくつかの実施形態では、主制御部２１１は、アッテネータ１２０を制御して、参照光ＬＲの減衰量を変更する。データ処理部３００は、ＯＣＴ計測により繰り返し取得される干渉光ＬＣの検出結果を解析することで、ＯＣＴ画像の画質に関する所定の評価値を算出する。データ処理部３００は、算出された評価値が閾値以下であるか否か判定する。この閾値はあらかじめ設定される。偏波調整は、算出される評価値が閾値以下になるまで継続される。すなわち、評価値が閾値以下であるとき測定光ＬＳの偏波状態が適正であると判断され、偏波調整は、測定光ＬＳの偏波状態が適正であると判断されるまで継続される。

いくつかの実施形態では、主制御部２１１は、偏波調整においても干渉強度をモニタすることが可能である。

実施形態に係るデータ処理部３００は、画像形成部２３０又はデータ処理部３００によって形成された画像が所定の解析エラー要因を含む解析エラー画像であるか否かを判定する。それにより、一定の判定基準で再撮影（再取得、再計測）の要否を自動で判定することが可能である。

図４～図１１に、実施形態に係るデータ処理部３００の説明図を示す。図４は、実施形態に係るデータ処理部３００の構成例のブロック図を表す。図５は、図４のデータ処理部３００の動作を説明するための概略図を表す。図６は、図５の乳頭出血（ＤＨ）判定モデル３１１の構成例を表す。図７は、図４の第１学習部４１０によるＤＨ判定モデル３１１に対する機械学習を説明するための概略図を表す。図８は、図５の乳頭出血（ＤＨ）領域検出モデル３２１の構成例を表す。図９は、図４の第２学習部４２０によるＤＨ領域検出モデル３２１に対する機械学習を説明するための概略図を表す。図１０及び図１１は、図５の解析部３６０の動作を説明するための概略図を表す。

データ処理部３００は、上記のデータ処理に加えて、眼底カメラユニット２を用いて取得された被検眼Ｅの眼底画像（例えば、上記のキャプチャ画像）における乳頭出血（ＤＨ）領域を検出し、検出されたＤＨ領域に対する解析情報を生成することが可能である。このようなデータ処理部３００は、判定器３１０と、検出器３２０と、プロジェクション画像形成部３４０と、位置合わせ部３５０と、解析部３６０と、学習部４００とを含む。データ処理部３００には、学習部４００が含まれなくてもよい。

図５に示すように、判定器３１０は、機械学習により得られたＤＨ判定モデル３１１を用いて、眼底カメラユニット２を用いて取得された眼底画像ＩＭＧ０に対してＤＨの有無を判定する。検出器３２０は、機械学習により得られたＤＨ領域検出モデル３２１を用いて、判定器３１０によりＤＨがあると判定された眼底画像ＩＭＧ０におけるＤＨ領域を検出する。プロジェクション画像形成部３４０は、眼底画像ＩＭＧ０が取得された被検眼Ｅに対してＯＣＴユニット１００を用いて実行されたＯＣＴ計測により得られたＯＣＴデータに基づいてプロジェクション画像を形成する。位置合わせ部３５０は、ＤＨ領域が検出された眼底画像ＩＭＧ０と、ＯＣＴデータとしてのプロジェクション画像との位置合わせを行う。

解析部３６０は、位置合わせ部３５０によりプロジェクション画像（すなわち、ＯＣＴ座標系で規定されたＯＣＴデータ）との位置合わせが行われた眼底画像を解析することにより、ＤＨ領域の位置情報、形状情報及び発生情報を生成する。このような解析部３６０は、位置情報生成部３６１と、形状情報生成部３６２と、発生情報生成部３６３とを含む。位置情報生成部３６１は、ＤＨ領域の位置情報を生成する。形状情報生成部３６２は、ＤＨ領域の形状情報を生成する。発生情報生成部３６３は、ＤＨ領域の発生情報を生成する。

学習部４００は、機械学習を実行することによりＤＨ判定モデル３１１及びＤＨ領域検出モデル３２１を生成する。学習部４００は、第１学習部４１０と、第２学習部４２０とを含む。第１学習部４１０は、機械学習を実行することによりＤＨ判定モデル３１１を生成する。第２学習部４２０は、機械学習を実行することによりＤＨ領域検出モデル３２１を生成する。

（判定器）
判定器３１０は、事前に機械学習により得られた学習済みモデルであるＤＨ判定モデル３１１を用いて、眼底画像ＩＭＧ０に対してＤＨの有無を判定する。

実施形態に係る学習済みモデルは、ＣＰＵ及びメモリを備えるコンピュータ（プロセッサ）において用いられる。判定器３１０の機能は、例えば、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：以下、ＣＮＮ）により実現される。すなわち、ＣＰＵがメモリに記憶された学習済みモデルからの指令に従って、後述の特徴量抽出部３１２の畳み込み層３１４に入力された眼底画像の画素値に対し、ＣＮＮにおける学習済みの重み付け係数と応答関数等に基づく演算を行い、後述の分類器３１３から判定結果（分類結果）を出力するように動作する。このような構成を有する判定器３１０は、眼底画像の解像度を段階的に落としつつ局所的な相関パターンを抽出し、抽出された相関パターンに基づいて判定結果を出力することができる。

図６に示すように、ＤＨ判定モデル３１１（判定器３１０）は、特徴量抽出部３１２と、分類器３１３とを含む。特徴量抽出部３１２は、入力された眼底画像ＩＭＧ０に対して、所定の画像領域ごとに特徴量の抽出とダウンサンプリング（フィルタリング）とを繰り返して当該眼底画像の特徴量を抽出する。分類器３１３は、特徴量抽出部３１２により抽出された特徴量に基づいてＤＨの有無を示す出力情報を生成し、生成された出力情報に基づいて眼底画像ＩＭＧ０にＤＨがあるか否かを示す情報Ｏｕｔ１（ＤＨあり／ＤＨ無し）を出力する。

特徴量抽出部３１２は、畳み込み層（Ｃｏｎｖｏｌｕｔｉｏｎ Ｌａｙｅｒ）とプーリング層（Ｐｏｏｌｉｎｇ Ｌａｙｅｒ）とを含むユニットが多段接続された複数のユニットを含む。各ユニットでは、畳み込み層の出力にプーリング層の入力が接続される。最初の段の畳み込み層の入力には、眼底画像において対応する画素の画素値が入力される。後段の畳み込み層の入力は、前段のプーリング層の出力に接続される。

図６では、特徴量抽出部３１２は、２段に接続された２つのユニットを含む。すなわち、特徴量抽出部３１２は、畳み込み層３１４とプーリング層３１５とを含むユニットの後段に、畳み込み層３１６とプーリング層３１７とを含むユニットが接続される。プーリング層３１５の出力は、畳み込み層３１６の入力に接続される。

分類器３１３は、全結合層（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｌａｙｅｒ）３１８、３１９を含み、全結合層３１８の出力は全結合層３１９の入力に接続される。

特徴量抽出部３１２及び分類器３１３において、接続された２つの層のニューロン間では学習済みの重み付け係数（学習パラメータ）が割り当てられる。重み付け係数は、機械学習を実行することにより更新される。各ニューロンは、入力される１以上のニューロンからの重み付け係数を加味した演算結果に対し、応答関数を用いて演算を行い、得られた演算結果を次の段のニューロンに出力する。

図７に示すように、第１学習部４１０は、既存の初期モデルに対して、ＤＨの有無を示すラベルが付された眼底画像ＬＩＭＧを教師データとして公知の機械学習を行うことにより、初期モデルに対して重み付け係数が更新されたＤＨ判定モデル３１１を生成する。既存の重み付け係数は、ＤＨの有無を示すラベルが付された眼底画像ＬＩＭＧを教師データとする機械学習により更新される。教師データは、眼底画像と当該眼底画像にＤＨが描出されているか否かを示すラベル情報とを一対とする複数対のデータであってよい。ＤＨの有無は、眼底画像毎に、事前に医師による判断結果に基づいて決定され、眼底画像のラベルとして付される。第１学習部４１０は、生成されたＤＨ判定モデル３１１に対して、更に別の教師データを用いた機械学習を実行することで、ＤＨ判定モデル３１１を更に学習させることが可能である。

すなわち、第１学習部４１０は、複数の眼底画像ＬＩＭＧを訓練データとして公知の教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）（機械学習）を実行することで被検眼Ｅの眼底画像にＤＨが描出されているか否かを判定（分類）するための学習済みモデルであるＤＨ判定モデル３１１を生成する。機械学習は、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、又は強化学習（ｒｅｉｎｆｏｒｅｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）であってよい。いくつかの実施形態では、転移学習（ｔｒａｎｓｆｅｒ ｌｅｒｎｉｎｇ）によって重み付け係数の更新が行われる。

ＤＨ判定モデル３１１（特徴量抽出部３１２）は、ＶＧＧ１６、ＶＧＧ１９、ＩｎｃｅｐｔｉｏｎＶ３、ＲｅｓＮｅｔ１８、ＲｅｓＮｅｔ５０、Ｘｃｅｐｔｉｏｎ、ＤｅｎｓｅＮｅｔ２０１等の公知の層構造を有していてよい。分類器３１３は、Ｒａｎｄｏｍ Ｆｏｒｅｓｔやサポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｄ：ＳＶＭ）等の公知の構成を有していてよい。例えば、第１実施形態に係るＤＨ判定モデル３１１は、ＤｅｎｓｅＮｅｔ２０１により構築される。

（検出器）
検出器３２０は、事前に機械学習により得られた学習済みモデルであるＤＨ領域検出モデル３２１を用いて、判定器３１０によりＤＨがあると判定された眼底画像ＩＭＧ０におけるＤＨ領域を検出する。

実施形態に係る学習済みモデルは、ＣＰＵ及びメモリを備えるコンピュータ（プロセッサ）において用いられる。検出器３２０の機能は、例えば、ＣＮＮにより実現される。すなわち、ＣＰＵがメモリに記憶された学習済みモデルからの指令に従って、後述の特徴量抽出部３２２の畳み込み層３２４に入力された眼底画像の画素値に対し、ＣＮＮにおける学習済みの重み付け係数と応答関数等に基づく演算を行い、後述の復元部３２３から、検出されたＤＨ領域が描出された画像を出力するように動作する。このような構成を有する検出器３２０は、畳み込み動作によって眼底画像の解像度を段階的に落としつつ局所的な相関パターンを抽出し、抽出された相関パターンから逆畳み込み動作により眼底画像に対応した検出画像を出力することができる。

図８に示すように、ＤＨ領域検出モデル３２１（検出器３２０）は、特徴量抽出部３２２と、復元部３２３とを含む。特徴量抽出部３２２は、入力された眼底画像ＩＭＧ０に対して、所定の画像領域ごとに特徴量の抽出とダウンサンプリング（フィルタリング）とを繰り返して当該眼底画像の特徴量を抽出する。復元部３２３は、特徴量抽出部３２２により抽出された特徴量に対して、所定の画像領域ごとに特徴量に対応した画像の復元を繰り返して当該特徴量に対応した検出画像Ｏｕｔ２（図５を参照）を出力する。検出画像Ｏｕｔ２には、検出されたＤＨ領域が描出される。図８では、検出画像Ｏｕｔ２は、ＤＨ領域ＤＨ０が描出された出力画像（ＤＨ領域検出画像）ＤＩＭＧである。

特徴量抽出部３２２は、特徴量抽出部３１２と同様に、畳み込み層とプーリング層とを含むユニットが多段接続された複数のユニットを含む。各ユニットでは、畳み込み層の出力にプーリング層の入力が接続される。最初の段の畳み込み層の入力には、眼底画像において対応する画素の画素値が入力される。後段の畳み込み層の入力は、前段のプーリング層の出力に接続される。

図８では、特徴量抽出部３２２は、２段に接続された２つのユニットを含む。すなわち、特徴量抽出部３２２は、畳み込み層３２４とプーリング層３２５とを含むユニットの後段に、畳み込み層３２６とプーリング層３２７とを含むユニットが接続される。プーリング層３２５の出力は、畳み込み層３２６の入力に接続される。

復元部３２３は、逆畳み込み層とプーリング層とを含むユニットが１以上の段数で接続された１以上のユニットを含む。各ユニットでは、逆畳み込み層の出力にプーリング層の入力が接続される。最初の段の逆畳み込み層の入力には、特徴量抽出部３２２のプーリング層の出力が接続される。後段の逆畳み込み層の入力は、前段のプーリング層の出力に接続される。

図８では、復元部３２３は、特徴量抽出部３２２のプーリング層３２７に対応した逆畳み込み層３２８と、１つのユニットとを含む。すなわち、復元部３２３は、プーリング層３２７に対応した逆畳み込み層３２８の後段に、プーリング層３２９と逆畳み込み層３３０とを含むユニットが接続される。プーリング層３２９の出力は、逆畳み込み層３３０の入力に接続される。

ＤＨ判定モデル３１１と同様に、特徴量抽出部３２２及び復元部３２３において、接続された２つの層のニューロン間では学習済みの重み付け係数（学習パラメータ）が割り当てられる。各ニューロンは、入力される１以上のニューロンからの重み付け係数を加味した演算結果に対し、応答関数を用いて演算を行い、得られた演算結果を次の段のニューロンに出力する。

図９に示すように、第２学習部４２０は、既存の初期モデルに対して、眼底画像ＩＭＧ１と当該眼底画像ＩＭＧ１に描出されたＤＨ領域を表すＤＨ領域画像ＴＧ１とを一対とする複数対の画像群を教師データと公知の機械学習を行うことにより、初期モデルに対して重み付け係数が更新されたＤＨ領域検出モデル３２１を生成する。既存の重み付け係数は、複数対の画像群を教師データとする機械学習により更新される。ＤＨ領域画像は、眼底画像毎に、事前に医師による判断結果に基づいて生成される。例えば、医師が操作部２４０Ｂを用いて眼底画像ＩＭＧ１におけるＤＨ領域の境界を指定することでＤＨ領域画像ＴＧ１が生成される。第２学習部４２０は、生成されたＤＨ領域検出モデル３２１に対して、更に別の教師データを用いた機械学習を実行することで、ＤＨ領域検出モデル３２１を更に学習させることが可能である。

すなわち、第２学習部４２０は、複数対の画像群（眼底画像ＩＭＧ１、ＤＨ領域画像ＴＧ１）を訓練データとして公知の教師あり学習（機械学習）を実行することで眼底画像におけるＤＨ領域を検出するための学習済みモデルであるＤＨ領域検出モデル３２１を生成する。機械学習は、教師なし学習、又は強化学習であってよい。いくつかの実施形態では、転移学習によって重み付け係数の更新が行われる。

ここで、第２学習部４２０がＤＨ領域検出モデル３２１の学習に用いる教師データ（第２教師データ）は、第１学習部４１０がＤＨ判定モデル３１１の学習に用いる教師データ（第１教師データ）の少なくとも一部を含む。すなわち、第２学習部４２０がＤＨ領域検出モデル３２１の学習に用いる教師データは、第１学習部４１０がＤＨ判定モデル３１１の学習に用いる教師データに含まれる眼底画像を含む。これにより、１つの学習済みモデルを用いてＤＨ領域を検出する場合と比較して、教師データの量を増やすことなく、後述のようにＤＨ領域の検出精度を向上させることができる。

ＤＨ領域検出モデル３２１（検出器３２０）は、ＶＧＧ１６、ＶＧＧ１９、ＩｎｃｅｐｔｉｏｎＶ３、ＲｅｓＮｅｔ１８、ＲｅｓＮｅｔ５０、Ｘｃｅｐｔｉｏｎ、Ｕ－Ｎｅｔ、ＲｅｓＵｎｅｔ、ＲｅｓＵｎｅｔ＋＋等の公知の層構造を有していてよい。例えば、第１実施形態に係るＤＨ領域検出モデル３２１は、ＲｅｓＵｎｅｔ＋＋（Ｄｅｂｅｓｈ Ｊｈａ ｅｔｃ．， “ＲｅｓＵｎｅｔ＋＋：Ａｎ Ａｄｖａｎｃｅｄ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ”， ２１ｓｔ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｍｕｌｔｉｍｅｄｉａ， ２０１９年１２月）により構築される。

（プロジェクション画像形成部）
プロジェクション画像形成部３４０は、上記のように被検眼Ｅの眼底Ｅｆのプロジェクション画像を形成する。例えば、プロジェクション画像形成部３４０は、被検眼Ｅの眼底Ｅｆのボリュームデータをｚ方向に投影することにより眼底Ｅｆのプロジェクション画像を形成する。

（位置合わせ部）
位置合わせ部３５０は、ＤＨ領域が検出された眼底画像と、プロジェクション画像形成部３４０によって形成されたプロジェクション画像との位置合わせを行う。位置合わせ部３５０により位置合わせが行われる眼底画像は、検出器３２０によって検出されたＤＨ領域が描出された眼底画像である。これにより、位置合わせ部３５０により位置合わせが行われた眼底画像における各画素の位置をＯＣＴ座標系の位置と対応付けることが可能になる。

いくつかの実施形態では、位置合わせ部３５０は、プロジェクション画像におけるＯＣＴユニット１００（干渉光学系）の光軸に相当する位置と眼底画像における眼底カメラユニット２（撮影光学系）の光軸に相当する位置とが一致するように位置合わせを行う。

いくつかの実施形態では、位置合わせ部３５０は、プロジェクション画像における特徴部位を特定すると共に眼底画像における特徴部位を特定し、両画像における特徴部位の位置が一致するように位置合わせを行う。この場合、例えば、眼底画像における視神経乳頭に相当する領域をプロジェクション画像における視神経乳頭に相当する領域に一致するように自動又は手動で補正するようにしてもよい。ＯＣＴデータにより眼底の断層構造から特徴部位を高精度に特定することが可能になるため、眼底画像だけでは判別が困難な視神経乳頭に相当する領域の境界を高精度に検出することが可能になる。

いくつかの実施形態では、位置合わせ部３５０は、眼底画像とプロジェクション画像との位置合わせの際に、眼底画像及びプロジェクション画像の少なくとも一方をアフィン変換する。例えば、プロジェクション画像は、座標系と共にアフィン変換される。

ＯＣＴ計測により得られるＯＣＴデータは、再現性が高く、且つ、視神経乳頭の位置や形状を高精度に特定することが可能なデータである。その結果、後述の解析部３６０によるＤＨ領域の解析結果もまた、高い再現性で、高精度に取得することが可能である。

（解析部）
解析部３６０は、位置合わせ部３５０によりプロジェクション画像との位置合わせが行われた眼底画像を解析することにより、ＤＨ領域の位置情報、形状情報及び発生情報を生成する。具体的には、解析部３６０は、プロジェクション画像において定義される座標系の位置情報を用いて、解析対象の眼底画像において検出された上記のＤＨ領域の位置情報等を生成する。ここで、解析対象は、プロジェクション画像との位置合わせによって視神経乳頭に相当する領域等が補正された眼底画像であってよい。

解析部３６０は、ＤＨ領域の位置情報、形状情報及び発生情報の統計情報を生成することが可能である。統計情報には、複数の被検眼を対象とした統計情報、同一の被検眼（又は被検者）を対象とした統計情報などがある。統計情報の例には、ヒストグラムなどがある。

また、解析部３６０は、ＤＨ領域の検出日又は医師によって推定されたＤＨ領域の発生日に関連付けて、ＤＨ領域の位置情報、形状情報及び発生情報、又はこれらの統計情報を時系列に管理することが可能である。

位置情報生成部３６１は、眼底画像における基準位置を基準としてＤＨ領域の位置又は方向などを表す位置情報を生成する。例えば、基準位置は、眼底画像又はプロジェクション画像を解析することにより特定される。基準位置の例として、視神経乳頭の中心、視神経乳頭の重心などがある。

いくつかの実施形態では、位置情報は、視神経乳頭の中心を基準として、検出されたＤＨ領域の代表位置を示す情報（視神経乳頭の中心を基準としたＤＨ領域の相対位置を示す情報）を含む。ＤＨ領域の代表位置の例として、ＤＨ領域の中心位置、重心位置、基準位置から最も近いＤＨ領域内の位置、基準位置から最も遠いＤＨ領域内の位置などがある。

いくつかの実施形態では、位置情報は、視神経乳頭の中心を基準として、検出されたＤＨ領域の代表位置の方向（視神経乳頭の中心を通る基準方向に対する角度）を示す情報を含む。

いくつかの実施形態では、位置情報は、検出されたＤＨ領域の代表位置が視神経乳頭領域内であるか視神経乳頭領域外であるかを示す情報を含む。いくつかの実施形態では、位置情報は、検出されたＤＨ領域の代表位置が視神経乳頭領域内の視神経乳頭辺縁部（リム）内か視神経乳頭辺縁部外かを示す情報を含む。

位置情報生成部３６１は、上記の複数の位置情報の少なくとも１つを生成することが可能である。

形状情報生成部３６２は、眼底画像において検出されたＤＨ領域の形状を表す形状情報を生成する。このとき、形状情報生成部３６２は、ＯＣＴ座標系におけるＤＨ領域の形状と、ＯＣＴ座標系における１画素当たりのサイズ情報（ピクセルスペーシング）とを用いて、眼底画像におけるＤＨ領域の形状情報を定量的に生成することが可能である。

いくつかの実施形態では、形状情報は、ＤＨ領域の楕円率、面積などを示す情報を含む。例えば、ＤＨ領域を楕円近似し、特定された楕円の短軸と長軸との比を算出することで楕円率が求められる。例えば、ＤＨ領域の境界を特定し、特定された境界内の画素数をカウントし、ＯＣＴ座標系における１画素当たりのサイズ情報を用いることで、ＤＨ領域の面積が定量的に求められる。

形状情報生成部３６２は、上記の複数の形状情報の少なくとも１つを生成することが可能である。

発生情報生成部３６３は、検出されたＤＨ領域の発生情報を生成する。例えば、発生情報生成部３６３（解析部３６０）は、複数の被検眼又は解析対象の被検眼について過去に発生したＤＨ領域の検出日又は医師によって推定されたＤＨ領域の発生日に基づいて、ＤＨ領域の発生情報を生成する。

いくつかの実施形態では、発生情報は、ＤＨ領域の発生頻度、及びＤＨ領域の発生間隔の少なくとも１つを含む。

発生頻度には、複数の被検眼又は同一の被検眼におけるＤＨ領域の発生頻度、複数の被検眼又は同一の被検眼におけるＤＨ領域の発生位置毎の頻度などがある。発生位置毎の頻度には、基準位置を基準に放射状に分割されたブロック毎の頻度などがある。この場合、発生情報は、上記の位置情報に基づいてＤＨ領域の発生位置毎に、又は上記の位置情報に基づき特定された、基準位置を基準に放射状に分割されたブロック毎に求められる。

発生間隔は、今回のＤＨ領域の検出日又は医師によって推定された今回のＤＨ領域の発生部と、過去に直近で記録されたＤＨ領域の検出日又は医師によって推定されたＤＨ領域の発生日との間隔により求められる。

図１０に、第１実施形態に係る位置情報生成部３６１により生成される位置情報の一例を模式的に示す。図１０は、複数の被検眼におけるＤＨ領域の位置のヒストグラムを表す。図１０では、視神経乳頭を中心にＴ（耳側）の方向が０度であり、Ｎ（鼻側）の方向が１８０度である。

図１０に示すように、視神経乳頭の中心を基準にＴ（耳側）の方向にＤＨ領域が発生しやすいことが把握できる。図１０では、複数の被検眼に対するＤＨ領域の位置のヒストグラムを表すが、位置情報生成部３６１は、同一の被検眼に対するＤＨ領域の位置のヒストグラムを図１０に示すように生成してもよい。

図１１に、第１実施形態に係る形状情報生成部３６２により生成される形状情報の一例を模式的に示す。図１１は、複数の被検眼におけるＤＨ領域の面積のヒストグラムを表す。図１１では、縦軸が頻度を表し、横軸が面積［ｍｍ^２］を表す。

図１１に示すように、ＤＨ領域の面積の分布を把握することができる。図１１では、複数の被検眼に対するＤＨ領域の面積のヒストグラムを表すが、形状情報生成部３６２は、同一の被検眼に対するＤＨ領域の面積のヒストグラムを図１１に示すように生成してもよい。

いくつかの実施形態では、解析部３６０は、検出器３２０によりＤＨ領域が検出された眼底画像とＯＣＴ計測により公知の手法で得られた眼底Ｅｆの所定の層領域の層厚マップとの位置合わせを行い、眼底画像と層厚マップとを重ね合わせた合成画像を生成する。所定の層領域には、神経節細胞層（ＧＣＬ）、網膜神経線維層（ＲＮＦＬ）、視神経乳頭周囲網膜神経線維層（ｃｐＲＮＦＬ）、ＧＣＣ（＝ＮＦＬ＋ＧＣＬ＋ＩＰＬ（内網状層））などがある。この場合、制御部２１０（主制御部２１１）は、生成された合成画像を後述の表示部２４０Ａに表示させることが可能である。

いくつかの実施形態では、解析部３６０は、検出器３２０により検出されたＤＨ領域の色に基づいてＤＨ領域の発生時期（又は発生日）を推測する。例えば、解析部３６０は、ＤＨ領域の基準色を基準に、検出されたＤＨ領域の色に基づいてＤＨ領域の発生時期を推測する。ＤＨ領域の色は、主に、眼底画像における赤色成分を抽出することで特定される。いくつかの実施形態では、解析部３６０は、前回と今回検出されたＤＨ領域の色（例えば、赤色成分の画素値）の違いに基づいてＤＨ領域の発生間隔を推測する。いくつかの実施形態では、解析部３６０は、前回の検査日に検出されたＤＨ領域の色とＤＨ領域の発生間隔とに基づいて、ＤＨ領域の発生時期を推測する。

以上のように機能するデータ処理部３００は、例えば、前述のプロセッサ、ＲＡＭ、ＲＯＭ、ハードディスクドライブ、回路基板等を含んで構成される。ハードディスクドライブ等の記憶装置には、上記機能をプロセッサに実行させるコンピュータプログラムがあらかじめ格納されている。

（ユーザインターフェイス）
図３に示すように、ユーザインターフェイス２４０には、表示部２４０Ａと操作部２４０Ｂとが含まれる。表示部２４０Ａは、前述した演算制御ユニット２００の表示デバイスや表示装置３を含んで構成される。操作部２４０Ｂは、前述した演算制御ユニット２００の操作デバイスを含んで構成される。操作部２４０Ｂには、眼科装置１の筐体や外部に設けられた各種のボタンやキーが含まれていてもよい。例えば眼底カメラユニット２が従来の眼底カメラと同様の筺体を有する場合、操作部２４０Ｂは、この筺体に設けられたジョイスティックや操作パネル等を含んでいてもよい。また、表示部２４０Ａは、眼底カメラユニット２の筺体に設けられたタッチパネルなどの各種表示デバイスを含んでいてもよい。

なお、表示部２４０Ａと操作部２４０Ｂは、それぞれ個別のデバイスとして構成される必要はない。例えばタッチパネルのように、表示機能と操作機能とが一体化されたデバイスを用いることも可能である。その場合、操作部２４０Ｂは、このタッチパネルとコンピュータプログラムとを含んで構成される。操作部２４０Ｂに対する操作内容は、電気信号として制御部２１０に入力される。また、表示部２４０Ａに表示されたグラフィカルユーザインターフェイス（ＧＵＩ）と、操作部２４０Ｂとを用いて、操作や情報入力を行うようにしてもよい。

データ処理部３００は、実施形態に係る「眼科情報処理装置」の一例である。プロジェクション画像は、実施形態に係る「ＯＣＴデータ」の一例である。眼底カメラユニット２（撮影光学系３０）は、実施形態に係る「撮影部」の一例である。ＯＣＴユニット１００、画像形成部２３０（及び／又はデータ処理部３００）は、実施形態に係る「ＯＣＴ部」の一例である。

［動作］
第１実施形態に係る眼科装置１の動作について説明する。

図１２に、第１実施形態に係る眼科装置１の動作例を示す。図１２は、第１実施形態に係る眼科装置１の動作例のフローチャートを表す。記憶部２１２には、図１２に示す処理を実現するためのコンピュータプログラムが記憶されている。主制御部２１１は、このコンピュータプログラムに従って動作することにより、図１２に示す処理を実行する。

以下では、被検眼Ｅと光学系とのアライメントが既に完了しているものとする。また、ＤＨ判定モデル３１１は、第１学習部４１０により既に機械学習が行われ、ＤＨ領域検出モデル３２１は、第２学習部４２０により既に機械学習が行われているものとする。

（Ｓ１：カラー眼底画像を取得）
まず、主制御部２１１（制御部２１０）は、眼底カメラユニット２（撮影光学系３０）を制御して被検眼Ｅの眼底Ｅｆを撮影させる。これにより、主制御部２１１は、被検眼Ｅのカラー眼底画像を取得できる。

（Ｓ２：ＤＨの有無を判定）
次に、主制御部２１１は、判定器３１０を制御して、ステップＳ１において取得されたカラー眼底画像にＤＨがあるか否かを判定させる。

判定器３１０は、上記のように、ＤＨ判定モデル３１１を用いてカラー眼底画像に対してＤＨがあるか否かを判定する（分類する）。

（Ｓ３：ＤＨあり？）
ステップＳ２においてカラー眼底画像にＤＨがあると判定されたとき（Ｓ３：Ｙ）、眼科装置１の動作はステップＳ４に移行する。

ステップＳ２においてカラー眼底画像にＤＨがないと判定されたとき（Ｓ３：Ｎ）、眼科装置１の動作は終了である（エンド）。

（Ｓ４：ＤＨ領域を検出）
ステップＳ２においてカラー眼底画像にＤＨがあると判定されたとき（Ｓ３：Ｙ）、主制御部２１１は、検出器３２０を制御して、ステップＳ２においてＤＨがあると判定されたカラー眼底画像におけるＤＨ領域を検出させる。

検出器３２０は、上記のように、ＤＨ領域検出モデル３２１を用いて、ステップＳ２においてＤＨがあると判定されたカラー眼底画像におけるＤＨ領域を検出する。

（Ｓ５：位置合わせ）
続いて、主制御部２１１は、位置合わせ部３５０を制御して、ステップＳ４においてＤＨ領域が検出された眼底画像と被検眼Ｅに対してＯＣＴ計測を実行することにより得られたＯＣＴデータに基づいて形成されたプロジェクション画像との位置合わせを実行させる。

いくつかの実施形態では、ステップＳ４において眼底画像にＤＨ領域が検出された後に、主制御部２１１は、ＯＣＴユニット１００を制御してＯＣＴ計測を実行させ、画像形成部２３０を制御してＯＣＴ画像を形成させ、プロジェクション画像形成部３４０を制御してプロジェクション画像を形成させる。

いくつかの実施形態では、あらかじめ被検眼Ｅに対してＯＣＴ計測が実行され、プロジェクション画像形成部３４０により被検眼Ｅのプロジェクション画像が形成される。

（Ｓ６：位置情報を生成）
続いて、主制御部２１１は、位置情報生成部３６１を制御して、ステップＳ５において位置合わせが行われた眼底画像におけるＤＨ領域の位置情報を生成させる。

例えば、位置情報生成部３６１は、視神経乳頭の中心とＤＨ領域の代表位置との相対位置を求める。例えば、位置情報生成部３６１は、視神経乳頭の中心を基準としてＤＨ領域の代表位置の方向を求め、図１０に示すような位置情報を生成する。

（Ｓ７：形状情報を生成）
続いて、主制御部２１１は、形状情報生成部３６２を制御して、ステップＳ５において位置合わせが行われた眼底画像におけるＤＨ領域の形状情報を生成させる。

例えば、形状情報生成部３６２は、上記のように、ＤＨ領域の面積を求め、図１１に示すような形状情報を生成する。

（Ｓ８：発生情報を生成）
続いて、主制御部２１１は、発生情報生成部３６３を制御して、ステップＳ４において検出されたＤＨ領域の発生情報を生成させる。

例えば、発生情報生成部３６３は、上記のように、ＤＨ領域の発生頻度、及びＤＨ領域の発生間隔を含む発生情報を生成する。

以上で、眼科装置１の動作は終了である。

ここで、第１実施形態に係る眼科装置１によるＤＨ領域の検出精度について説明する。

図１３に、第１実施形態に係る眼科装置１によるＤＨ領域の検出精度の説明図を示す。図１３は、第１実施形態の比較例と対比することにより第１実施形態に係る眼科装置１によるＤＨ領域の検出精度を模式的に表したものである。第１実施形態の比較例では、１つの学習済みモデル（ＲｅｓＵｎｅｔ＋＋）を機械学習で生成し、生成された学習済みモデルを用いて眼底画像からＤＨ領域が直接に検出される。

図１３では、ＤＨ領域の検出精度を表す指標としてｍＩＯＵ（ｍｅａｎ Ｉｎｔｅｒｓｅｃｔｉｏｎ Ｏｖｅｒ Ｕｎｉｏｎ）が用いられている。ｍＩＯＵは、画像毎に算出されたＩＯＵの平均値に相当する。ここで、ＩＯＵは、式（１）で表されるように、入力画像である眼底画像と出力画像である検出画像（ＤＨ領域検出画像）とにおけるｐｏｓｉｔｉｖｅ領域のピクセル数（Ｐ）とｔｒｕｅ領域のピクセル数（Ｔ）との和に対するｔｕｒｅ ｐｏｓｉｔｉｖｅ領域のピクセル数（ＴＰ）の割合を表す。すなわち、ＩＯＵは、１に近いほど検出精度が高いことを示す指標である。

この実施形態では、ｐｏｓｉｔｉｖｅ領域は、検出画像（出力画像）においてＤＨ領域であると検出された領域に相当する。ｔｒｕｅ領域は、眼底画像における真のＤＨ領域に相当する。ｔｒｕｅ ｐｏｓｉｔｉｖｅ領域は検出画像において検出されたＤＨ領域と眼底画像における真のＤＨ領域とが一致する領域（正解の領域）に相当する。

図１３は、ＤＨありの画像１４６枚とＤＨなしの画像１４６枚について、比較例に係る構成によるｍＩＯＵ（１４６×２枚のＩＯＵの平均値）と、第１実施形態に係る構成によるｍＩＯＵとを表す。すなわち、比較例では上記のように１つの学習済みモデルを用いてＤＨ領域を検出する場合、ｍＩＯＵ＝０．５７３である。これに対して、第１実施形態におけるＤＨ判定モデル３１１とＤＨ領域検出モデル３２１とを用いてＤＨ領域を検出する場合、ｍＩＯＵ＝０．６１１である。

従って、図１３は、比較例と比較して第１実施形態に係る構成によれば、ＤＨ領域を高精度に検出することができることを表す。

以上のように、第１実施形態によれば、１つの学習済みモデルを用いて眼底画像からＤＨ領域を検出する場合に比べて、ＤＨ領域を高い再現性で高精度に検出することが可能になる。また、ＤＨ領域が検出された眼底画像とプロジェクション画像との位置合わせを行い、ＯＣＴデータを用いてＤＨ領域の位置情報、形状情報、及び発生情報を生成するようにしたので、検出されたＤＨ領域を定量的に高精度に評価することが可能になる。

［第２実施形態］
第１実施形態では、実施形態に係る眼科情報処理装置が適用された眼科装置により眼底画像におけるＤＨ領域を検出する場合について説明したが、実施形態に係る構成はこれに限定されるものではない。

第２実施形態では、実施形態に係る眼科情報処理装置は、外部に設けられた１以上の装置により取得された眼底画像又はＯＣＴデータ（プロジェクション画像）に対して上記のＤＨ領域の検出処理を実行することができる。以下、第１実施形態との相違点を中心に、第２実施形態について説明する。

図１４に、第２実施形態に係る眼科システムの第１構成例のブロック図を示す。

第１構成例に係る眼科システム５００は、眼科装置５１０_１～５１０_Ｎ（Ｎは２以上の整数）と、眼科情報処理装置５２０とを含む。眼科情報処理装置５２０は、ネットワーク５３０を介して、眼科装置５１０_１～５１０_Ｎに接続されている。ネットワーク５３０は、有線又は無線のネットワーク（ＬＡＮ、ＷＡＮ）であってよい。

眼科情報処理装置５２０は、眼科装置５１０_１～５１０_Ｎのいずれかと通信可能である。

いくつかの実施形態では、眼科装置５１０_１～５１０_Ｎのいずれかは、眼科情報処理装置５２０に対してリクエストを送信し、当該リクエストが承認された眼科装置は、眼科情報処理装置５２０に対してデータを送信する。送信されたデータには、被検眼Ｅの眼底画像の画像データと、被検眼Ｅの上記のＯＣＴデータ又はプロジェクション画像の画像データが含まれる。

いくつかの実施形態では、眼科情報処理装置５２０は、眼科装置５１０_１～５１０_Ｎのいずれかに対してリクエストを送信し、当該リクエストを承認した眼科装置からのデータを受信する。受信されたデータには、被検眼Ｅの眼底画像の画像データと、被検眼Ｅの上記のＯＣＴデータ又はプロジェクション画像の画像データが含まれる。

図１５に、第２実施形態に係る眼科システムの第２構成例のブロック図を示す。

第２構成例に係る眼科システム５００は、眼科装置５１０と、眼科情報処理装置５２０とを含む。眼科情報処理装置５２０は、所定の通信路を介して眼科装置５１０と接続されている。いくつかの実施形態では、眼科情報処理装置５２０は、ネットワークを介して眼科装置５１０とピアツーピア接続される。

眼科情報処理装置５２０は、眼科装置５１０と通信可能である。

いくつかの実施形態では、眼科装置５１０は、眼科情報処理装置５２０に対してリクエストを送信し、当該リクエストが承認された眼科装置５１０は、眼科情報処理装置５２０に対してデータを送信する。送信されたデータには、被検眼Ｅの眼底画像の画像データと、被検眼Ｅの上記のＯＣＴデータ又はプロジェクション画像の画像データが含まれる。

いくつかの実施形態では、眼科情報処理装置５２０は、眼科装置５１０に対してリクエストを送信し、当該リクエストを承認した眼科装置５１０からのデータを受信する。受信されたデータには、被検眼Ｅの眼底画像の画像データと、被検眼Ｅの上記のＯＣＴデータ又はプロジェクション画像の画像データが含まれる。

眼科装置５１０_１～５１０_Ｎ、及び眼科装置５１０は、図１～図３に示す眼科装置１とほぼ同様の構成を有している。第２実施形態では、図１～図３に示す眼科装置１の機能のうち、データ処理部３００の機能の一部が眼科情報処理装置５２０により実現される。

図１６に、第２実施形態に係る眼科情報処理装置５２０の構成例のブロック図を示す。図１６において、図４と同様の部分には同一符号を付し、適宜説明を省略する。

眼科情報処理装置５２０は、通信部５２１と、判定器３１０と、検出器３２０と、プロジェクション画像形成部３４０と、解析部３６０と、学習部４００と、制御部５２２とを含む。眼科情報処理装置５２０には、学習部４００が含まれなくてもよい。

通信部５２１は、眼科装置５１０_１～５１０_Ｎ又は眼科装置５１０との通信インターフェイス処理を行う。すなわち、通信部５２１は、眼科装置５１０_１～５１０_Ｎ又は眼科装置５１０との間で所定の通信プロトコルに従って通信を行い、眼科装置５１０_１～５１０_Ｎ又は眼科装置５１０から眼底画像の画像データと、被検眼Ｅの上記のＯＣＴデータ又はプロジェクション画像の画像データを含む通信データを受信する。通信部５２１は、受信された通信データに含まれる画像データを受信することで、眼科装置により得られた被検眼の眼底画像及びＯＣＴデータを取得する。

制御部５２２は、制御部２１０と同様に、プロセッサを含み、眼科情報処理装置５２０の各部を制御する。制御部５２２は、制御部２１０と同様に、主制御部と、記憶部とを含む。

また、制御部５２２は、表示制御部として、眼科情報処理装置５２０の外部に接続された表示部５４０の表示制御を行うことができる。表示部５４０は、表示部２４０Ａと同様の機能を有する。

眼科情報処理装置５２０の動作は、外部から眼底画像及びプロジェクション画像（ＯＣＴデータ）を取得する点を除いて、図１２に示すフローと同様であるため、詳細な説明を省略する。すなわち、眼科情報処理装置５２０は、眼科装置５１０_１～５１０_Ｎ又は眼科装置５１０から取得した眼底画像に対して、第１実施形態と同様に、ＤＨの有無を判定し、ＤＨがあると判定された眼底画像に対してＤＨ領域を検出する。更に、眼科情報処理装置５２０は、眼科装置５１０_１～５１０_Ｎ又は眼科装置５１０から取得したＯＣＴデータを用いて眼底画像との位置合わせを行い、上記のＤＨ領域の位置情報等の解析結果を求める。

第２実施形態に係る眼科システム５００の構成は、図１４及び図１５に示す構成に限定されるものではない。

図１７に、第２実施形態の第１変形例に係る眼科システムの構成例を示す。

第２実施形態の第１変形例に係る眼科システム５００ａは、眼科情報処理装置５２０と、眼底カメラ５５０と、ＯＣＴ装置５６０とを含む。眼科情報処理装置５２０は、眼底カメラ５５０及びＯＣＴ装置５６０のそれぞれと通信可能である。

眼底カメラ５５０は、第１実施形態に係る眼科装置１の眼底カメラユニット２の機能（すなわち、眼底画像を取得する機能）を有する。ＯＣＴ装置５６０は、第１実施形態に係る眼科装置１のＯＣＴユニット１００と画像形成部２３０とデータ処理部３００の一部の機能（すなわち、ＯＣＴデータを取得し、ＯＣＴ画像を形成する機能）を有する。

眼科情報処理装置５２０は、眼底カメラ５５０から被検眼Ｅの眼底画像の画像データを取得し、ＯＣＴ装置５６０から被検眼ＥのＯＣＴデータ（又はプロジェクション画像の画像データ）を取得する。眼科情報処理装置５２０は、眼底カメラ５５０から取得した眼底画像に対して、第１実施形態と同様に、ＤＨの有無を判定し、ＤＨがあると判定された眼底画像に対してＤＨ領域を検出する。更に、眼科情報処理装置５２０は、ＯＣＴ装置５６０から取得したＯＣＴデータを用いて眼底画像との位置合わせを行い、上記のＤＨ領域の位置情報等の解析結果を求める。

図１８に、第２実施形態の第２変形例に係る眼科システムの構成例を示す。

第２実施形態の第２変形例に係る眼科システム５００ｂは、眼底カメラ５５０と、ＯＣＴ装置５６０とを含み、ＯＣＴ装置５６０は、眼科情報処理部５６１を含む。ＯＣＴ装置５６０は、眼底カメラ５５０と通信可能である。

眼底カメラ５５０は、第１実施形態に係る眼科装置１の眼底カメラユニット２の機能（すなわち、眼底画像を取得する機能）を有する。ＯＣＴ装置５６０は、第１実施形態に係る眼科装置１のＯＣＴユニット１００と画像形成部２３０とデータ処理部３００の一部の機能（すなわち、ＯＣＴデータを取得し、ＯＣＴ画像を形成する機能）を有する。眼科情報処理部５６１は、眼科情報処理装置５２０の機能を有する。

眼科情報処理部５６１は、眼底カメラ５５０から被検眼Ｅの眼底画像の画像データを取得し、ＯＣＴ装置５６０において取得された被検眼ＥのＯＣＴデータ（又はプロジェクション画像の画像データ）を用いて上記の解析部３６０による解析処理を実行する。眼科情報処理部５６１は、眼底カメラ５５０から取得した眼底画像に対して、第１実施形態と同様に、ＤＨの有無を判定し、ＤＨがあると判定された眼底画像に対してＤＨ領域を検出する。更に、眼科情報処理部５６１は、ＯＣＴ装置５６０において取得されたＯＣＴデータを用いて眼底画像との位置合わせを行い、上記のＤＨ領域の位置情報等の解析結果を求める。

［作用］
実施形態に係る眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムについて説明する。

実施形態に係る眼科情報処理装置（データ処理部３００、眼科情報処理装置５２０、眼科情報処理部５６１）は、判定器（３１０）と、検出器（３２０）とを含む。判定器は、乳頭出血の有無を示すラベルが付された複数の眼底の正面画像（ＬＩＭＧ）を第１教師データとする機械学習により得られた乳頭出血判定モデル（３１１）を用いて、被検眼（Ｅ）の眼底（Ｅｆ）の正面画像（眼底画像ＩＭＧ０）に対して乳頭出血の有無を判定する。検出器は、眼底の正面画像（ＩＭＧ１）と当該正面画像に描出された乳頭出血領域を表す乳頭出血領域画像（ＴＧ１）とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデル（３２２）を用いて、判定器により乳頭出血があると判定された正面画像に描出された乳頭出血領域を検出する。

このような態様によれば、判定器により被検眼の眼底の正面画像に対して乳頭出血の有無を判定し、検出器により乳頭出血があると判定された正面画像に対して正面画像における乳頭出血領域が検出される。このとき、検出器における乳頭出血領域検出モデルは、乳頭出血領域が存在する眼底画像のみを用いて機械学習することで、学習パラメータが乳頭出血領域の検出に特化して更新される。その結果、乳頭出血領域の検出精度を向上させることができる。従って、１つの学習済みモデルを用いて被検眼の眼底画像における乳頭出血領域を検出する場合と比較して、より高い再現性で高精度に眼底画像における乳頭出血領域を検出することが可能になる。

実施形態に係る眼科情報処理装置では、第２教師データは、第１教師データに含まれる正面画像を含む。

このような態様によれば、判定器の乳頭出血判定モデル及び検出器の乳頭出血領域検出モデルのそれぞれを同じ正面画像を用いて機械学習させるようにしたので、教師データの量を増やすことなく、より高い再現性で高精度に眼底画像における乳頭出血領域を検出することが可能になる。

実施形態に係る眼科情報処理装置は、第１教師データを用いて教師あり機械学習を実行することにより乳頭出血判定モデルを生成する第１学習部（４１０）を含む。

このような態様によれば、第１学習部により乳頭出血判定モデルを学習させるようにしたので、乳頭出血の有無の判定精度を向上させることが可能な眼科情報処理装置を提供することができるようになる。

実施形態に係る眼科情報処理装置は、第２教師データを用いて教師あり機械学習を実行することにより乳頭出血領域検出モデルを生成する第２学習部（４２０）を含む。

このような態様によれば、第２学習部により乳頭出血領域検出モデルを学習させるようにしたので、乳頭出血領域の検出精度を向上させることが可能な眼科情報処理装置を提供することができるようになる。

実施形態に係る眼科情報処理装置では、眼底の正面画像は、カラーの正面画像である。

このような態様によれば、情報量がより多い正面画像を用いることで、判定器による判定精度及び検出器による検出精度のより一層の向上を図ることができるようになる。

実施形態に係る眼科情報処理装置は、被検眼の眼底の正面画像を解析することにより、被検眼の眼底の正面画像における乳頭出血領域の位置を表す位置情報、乳頭出血領域の形状を表す形状情報、及び乳頭出血領域の発生状況を表す発生情報の少なくとも１つを生成する解析部（３６０）を含む。

このような態様によれば、より高い再現性で高精度に検出された乳頭出血領域を解析するようにしたので、被検眼の眼底画像における乳頭出血領域を高い再現性で高精度な解析結果を得ることができるようになる。

実施形態に係る眼科情報処理装置では、位置情報は、基準位置に対する乳頭出血領域の代表位置の方向を示す情報を含む。

このような態様によれば、眼底における基準位置に対する乳頭出血領域の発生位置の方向を把握し易くなる。それにより、基準位置に対する乳頭出血領域の発生方向に応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理装置では、位置情報は、乳頭出血領域の代表位置が視神経乳頭領域内か視神経乳頭領域外かを示す情報を含む。

このような態様によれば、乳頭出血領域が視神経乳頭領域内か視神経乳頭領域外かを把握し易くなる。それにより、乳頭出血領域が視神経乳頭領域内か否かに応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理装置では、位置情報は、代表位置が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを示す情報を含む。

このような態様によれば、乳頭出血領域が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを把握し易くなる。それにより、乳頭出血領域が視神経乳頭辺縁部内か否かに応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理装置では、形状情報は、乳頭出血領域の楕円率、及び乳頭出血領域の面積の少なくとも１つを含む。

このような態様によれば、乳頭出血領域の形状やサイズを把握し易くなる。それにより、乳頭出血領域の形状やサイズに応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理装置では、発生情報は、乳頭出血領域の発生頻度、及び乳頭出血領域の発生間隔の少なくとも１つを含む。

このような態様によれば、乳頭出血領域の発生状況を把握し易くなる。それにより、乳頭出血領域の発生状況に応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理装置は、被検眼のＯＣＴデータと検出器により検出された乳頭出血領域が描出された被検眼の正面画像との位置合わせを行う位置合わせ部（３５０）を含み、解析部は、位置合わせ部により正面画像と位置合わせが行われたＯＣＴデータを用いて、位置情報、形状情報、及び発生情報の少なくとも１つを生成する。

このような態様によれば、正面画像における乳頭出血領域をＯＣＴデータと位置合わせを行うようにしたので、高い再現性で高精度に取得されたＯＣＴデータを規定するＯＣＴ座標系において乳頭出血領域を特定することが可能になる。それにより、乳頭出血領域の解析結果を定量的に高い再現性で高精度に求めることが可能になる。

実施形態に係る眼科装置（１）は、被検眼の眼底を撮影する撮影部（撮影光学系３０）と、上記のいずれかに記載の眼科情報処理装置と、を含む。

このような態様によれば、被検眼の正面画像を取得し、取得された正面画像における乳頭出血領域をより高い再現性で高精度に検出することが可能な眼科装置を提供することができるようになる。

実施形態に係る眼科装置（１）は、被検眼の眼底を撮影する撮影部（撮影光学系３０）と、被検眼に対して光コヒーレンストモグラフィを実行することによりＯＣＴデータを取得するＯＣＴ部（ＯＣＴユニット１００、画像形成部２３０、データ処理部３００の一部）と、上記に記載の眼科情報処理装置と、を含む。

このような態様によれば、被検眼の正面画像とＯＣＴデータとを取得し、取得された正面画像における乳頭出血領域をより高い再現性で高精度に検出することが可能な眼科装置を提供することができるようになる。また、取得されたＯＣＴデータを用いて、検出された乳頭出血領域の解析結果を定量的に高い再現性で高精度に求めることが可能になる。

実施形態に係る眼科情報処理方法は、判定ステップと、検出ステップとを含む。判定ステップは、乳頭出血の有無を示すラベルが付された複数の眼底の正面画像（ＬＩＭＧ）を第１教師データとする機械学習により得られた乳頭出血判定モデル（３１１）を用いて、被検眼（Ｅ）の眼底（Ｅｆ）の正面画像に対して乳頭出血の有無を判定する。検出ステップは、眼底の正面画像（ＩＭＧ１）と当該正面画像に描出された乳頭出血領域を表す乳頭出血領域画像（ＴＧ１）とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデル（３２２）を用いて、判定ステップにおいて乳頭出血があると判定された正面画像に描出された乳頭出血領域を検出する。

このような態様によれば、判定ステップにおいて被検眼の眼底の正面画像に対して乳頭出血の有無を判定し、検出ステップにおいて乳頭出血があると判定された正面画像に対して正面画像における乳頭出血領域が検出される。このとき、検出ステップにおける乳頭出血領域検出モデルは、乳頭出血領域が存在する眼底画像のみを用いて機械学習することで、学習パラメータが乳頭出血領域の検出に特化して更新される。その結果、乳頭出血領域の検出精度を向上させることができる。従って、１つの学習済みモデルを用いて被検眼の眼底画像における乳頭出血領域を検出する場合と比較して、より高い再現性で高精度に眼底画像における乳頭出血領域を検出することが可能になる。

実施形態に係る眼科情報処理方法では、第２教師データは、第１教師データに含まれる正面画像を含む。

このような態様によれば、判定ステップにおける乳頭出血判定モデル及び検出ステップにおける乳頭出血領域検出モデルのそれぞれを同じ正面画像を用いて機械学習させるようにしたので、教師データの量を増やすことなく、より高い再現性で高精度に眼底画像における乳頭出血領域を検出することが可能になる。

実施形態に係る眼科情報処理方法は、第１教師データを用いて教師あり機械学習を実行することにより乳頭出血判定モデルを生成する第１学習ステップを含む。

このような態様によれば、第１学習ステップにおいて乳頭出血判定モデルを学習させるようにしたので、乳頭出血の有無の判定精度を向上させることが可能な眼科情報処理方法を提供することができるようになる。

実施形態に係る眼科情報処理方法は、第２教師データを用いて教師あり機械学習を実行することにより乳頭出血領域検出モデルを生成する第２学習ステップを含む。

このような態様によれば、第２学習ステップにおいて乳頭出血領域検出モデルを学習させるようにしたので、乳頭出血領域の検出精度を向上させることが可能な眼科情報処理方法を提供することができるようになる。

実施形態に係る眼科情報処理方法では、眼底の正面画像は、カラーの正面画像である。

このような態様によれば、情報量がより多い正面画像を用いることで、判定ステップにおける判定精度及び検出ステップにおける検出精度のより一層の向上を図ることができるようになる。

実施形態に係る眼科情報処理方法は、被検眼の眼底の正面画像を解析することにより、被検眼の眼底の正面画像における乳頭出血領域の位置を表す位置情報、乳頭出血領域の形状を表す形状情報、及び乳頭出血領域の発生状況を表す発生情報の少なくとも１つを生成する解析ステップを含む。

このような態様によれば、より高い再現性で高精度に検出された乳頭出血領域を解析するようにしたので、被検眼の眼底画像における乳頭出血領域を高い再現性で高精度な解析結果を得ることができるようになる。

実施形態に係る眼科情報処理方法では、位置情報は、基準位置に対する乳頭出血領域の代表位置の方向を示す情報を含む。

このような態様によれば、眼底における基準位置に対する乳頭出血領域の発生位置の方向を把握し易くなる。それにより、基準位置に対する乳頭出血領域の発生方向に応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理方法では、位置情報は、乳頭出血領域の代表位置が視神経乳頭領域内か視神経乳頭領域外かを示す情報を含む。

このような態様によれば、乳頭出血領域が視神経乳頭領域内か視神経乳頭領域外かを把握し易くなる。それにより、乳頭出血領域が視神経乳頭領域内か否かに応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理方法では、位置情報は、代表位置が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを示す情報を含む。

このような態様によれば、乳頭出血領域が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを把握し易くなる。それにより、乳頭出血領域が視神経乳頭辺縁部内か否かに応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理方法では、形状情報は、乳頭出血領域の楕円率、及び乳頭出血領域の面積の少なくとも１つを含む。

このような態様によれば、乳頭出血領域の形状やサイズを把握し易くなる。それにより、乳頭出血領域の形状やサイズに応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理方法では、発生情報は、乳頭出血領域の発生頻度、及び乳頭出血領域の発生間隔の少なくとも１つを含む。

このような態様によれば、乳頭出血領域の発生状況を把握し易くなる。それにより、乳頭出血領域の発生状況に応じて推測される今後の疾患の症状の特定や今後の治療方針の決定に寄与することができるようになる。

実施形態に係る眼科情報処理は、被検眼のＯＣＴデータと検出ステップにおいて検出された乳頭出血領域が描出された被検眼の正面画像との位置合わせを行う位置合わせステップを含み、解析ステップは、位置合わせステップにおいて正面画像と位置合わせが行われたＯＣＴデータを用いて、位置情報、形状情報、及び発生情報の少なくとも１つを生成する。

このような態様によれば、正面画像における乳頭出血領域をＯＣＴデータと位置合わせを行うようにしたので、高い再現性で高精度に取得されたＯＣＴデータを規定するＯＣＴ座標系において乳頭出血領域を特定することが可能になる。それにより、乳頭出血領域の解析結果を定量的に高い再現性で高精度に求めることが可能になる。

実施形態に係るプログラムは、コンピュータに、上記のいずれかに記載の眼科情報処理方法の各ステップを実行させる。

このような態様によれば、判定ステップにおいて被検眼の眼底の正面画像に対して乳頭出血の有無を判定し、検出ステップにおいて乳頭出血があると判定された正面画像に対して正面画像における乳頭出血領域が検出される。このとき、検出ステップにおける乳頭出血領域検出モデルは、乳頭出血領域が存在する眼底画像のみを用いて機械学習することで、学習パラメータが乳頭出血領域の検出に特化して更新される。その結果、乳頭出血領域の検出精度を向上させることができる。従って、１つの学習済みモデルを用いて被検眼の眼底画像における乳頭出血領域を検出する場合と比較して、より高い再現性で高精度に眼底画像における乳頭出血領域を検出することが可能になる。

＜その他＞
以上に示された実施形態は、この発明を実施するための一例に過ぎない。この発明を実施しようとする者は、この発明の要旨の範囲内において任意の変形、省略、追加等を施すことが可能である。

いくつかの実施形態では、上記の眼科装置の制御方法をコンピュータに実行させるためのプログラムが提供される。このようなプログラムを、コンピュータによって読み取り可能な任意の非一時的な記録媒体に記憶させることができる。この記録媒体としては、たとえば、半導体メモリ、光ディスク、光磁気ディスク（ＣＤ－ＲＯＭ／ＤＶＤ－ＲＡＭ／ＤＶＤ－ＲＯＭ／ＭＯ等）、磁気記憶媒体（ハードディスク／フロッピー（登録商標）ディスク／ＺＩＰ等）などを用いることが可能である。また、インターネットやＬＡＮ等のネットワークを通じてこのプログラムを送受信することも可能である。

１、５１０、５１０_１～５１０_Ｎ 眼科装置
１００ ＯＣＴユニット
２１０ 制御部
２１１ 主制御部
２３０ 画像形成部
３００ データ処理部
３１０ 判定器
３２０ 検出器
３４０ プロジェクション画像形成部
３５０ 位置合わせ部
３６０ 解析部
３６１ 位置情報生成部
３６２ 形状情報生成部
３６３ 発生情報生成部
４００ 学習部
４１０ 第１学習部
４２０ 第２学習部
５００、５００ａ、５００ｂ 眼科システム
５２０ 眼科情報処理装置
５６１ 眼科情報処理部
Ｅ 被検眼
Ｅｆ 眼底

Claims (27)

1. 乳頭出血の有無を示すラベルが付された複数の眼底の正面画像を第１教師データとする機械学習により得られた乳頭出血判定モデルを用いて、被検眼の眼底の正面画像に対して乳頭出血の有無を判定する判定器と、
   眼底の正面画像と当該正面画像に描出された乳頭出血領域を表す乳頭出血領域画像とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデルを用いて、前記判定器により前記乳頭出血があると判定された前記正面画像に描出された乳頭出血領域を検出する検出器と、
   を含む、眼科情報処理装置。
2. 前記第２教師データは、前記第１教師データに含まれる正面画像を含む
   ことを特徴とする請求項１に記載の眼科情報処理装置。
3. 前記第１教師データを用いて教師あり機械学習を実行することにより前記乳頭出血判定モデルを生成する第１学習部を含む
   ことを特徴とする請求項１又は請求項２に記載の眼科情報処理装置。
4. 前記第２教師データを用いて教師あり機械学習を実行することにより前記乳頭出血領域検出モデルを生成する第２学習部を含む
   ことを特徴とする請求項１～請求項３のいずれか一項に記載の眼科情報処理装置。
5. 前記眼底の正面画像は、カラーの正面画像である
   ことを特徴とする請求項１～請求項４のいずれか一項に記載の眼科情報処理装置。
6. 前記被検眼の眼底の正面画像を解析することにより、前記被検眼の眼底の正面画像における前記乳頭出血領域の位置を表す位置情報、前記乳頭出血領域の形状を表す形状情報、及び前記乳頭出血領域の発生状況を表す発生情報の少なくとも１つを生成する解析部を含む
   ことを特徴とする請求項１～請求項５のいずれか一項に記載の眼科情報処理装置。
7. 前記位置情報は、基準位置に対する前記乳頭出血領域の代表位置の方向を示す情報を含む
   ことを特徴とする請求項６に記載の眼科情報処理装置。
8. 前記位置情報は、前記乳頭出血領域の代表位置が視神経乳頭領域内か視神経乳頭領域外かを示す情報を含む
   ことを特徴とする請求項６又は請求項７に記載の眼科情報処理装置。
9. 前記位置情報は、前記代表位置が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを示す情報を含む
   ことを特徴とする請求項８に記載の眼科情報処理装置。
10. 前記形状情報は、前記乳頭出血領域の楕円率、及び前記乳頭出血領域の面積の少なくとも１つを含む
    ことを特徴とする請求項６～請求項９のいずれか一項に記載の眼科情報処理装置。
11. 前記発生情報は、前記乳頭出血領域の発生頻度、及び前記乳頭出血領域の発生間隔の少なくとも１つを含む
    ことを特徴とする請求項６～請求項１０のいずれか一項に記載の眼科情報処理装置。
12. 前記被検眼のＯＣＴデータと前記検出器により検出された前記乳頭出血領域が描出された前記被検眼の正面画像との位置合わせを行う位置合わせ部を含み、
    前記解析部は、前記位置合わせ部により前記正面画像と位置合わせが行われた前記ＯＣＴデータを用いて、前記位置情報、前記形状情報、及び前記発生情報の少なくとも１つを生成する
    ことを特徴とする請求項６～請求項１１のいずれか一項に記載の眼科情報処理装置。
13. 前記被検眼の眼底を撮影する撮影部と、
    請求項１～請求項１２のいずれか一項に記載の眼科情報処理装置と、
    を含む、眼科装置。
14. 前記被検眼の眼底を撮影する撮影部と、
    前記被検眼に対して光コヒーレンストモグラフィを実行することにより前記ＯＣＴデータを取得するＯＣＴ部と、
    請求項１２に記載の眼科情報処理装置と、
    を含む、眼科装置。
15. 乳頭出血の有無を示すラベルが付された複数の眼底の正面画像を第１教師データとする機械学習により得られた乳頭出血判定モデルを用いて、被検眼の眼底の正面画像に対して乳頭出血の有無を判定する判定ステップと、
    眼底の正面画像と当該正面画像に描出された乳頭出血領域を表す乳頭出血領域画像とを一対とする複数対の画像群を第２教師データとする機械学習により得られた乳頭出血領域検出モデルを用いて、前記判定ステップにおいて前記乳頭出血があると判定された前記正面画像に描出された乳頭出血領域を検出する検出ステップと、
    を含む、眼科情報処理方法。
16. 前記第２教師データは、前記第１教師データに含まれる正面画像を含む
    ことを特徴とする請求項１５に記載の眼科情報処理方法。
17. 前記第１教師データを用いて教師あり機械学習を実行することにより前記乳頭出血判定モデルを生成する第１学習ステップを含む
    ことを特徴とする請求項１５又は請求項１６に記載の眼科情報処理方法。
18. 前記第２教師データを用いて教師あり機械学習を実行することにより前記乳頭出血領域検出モデルを生成する第２学習ステップを含む
    ことを特徴とする請求項１５～請求項１７のいずれか一項に記載の眼科情報処理方法。
19. 前記眼底の正面画像は、カラーの正面画像である
    ことを特徴とする請求項１５～請求項１８のいずれか一項に記載の眼科情報処理方法。
20. 前記被検眼の眼底の正面画像を解析することにより、前記被検眼の眼底の正面画像における前記乳頭出血領域の位置を表す位置情報、前記乳頭出血領域の形状を表す形状情報、及び前記乳頭出血領域の発生状況を表す発生情報の少なくとも１つを生成する解析ステップを含む
    ことを特徴とする請求項１５～請求項１９のいずれか一項に記載の眼科情報処理方法。
21. 前記位置情報は、基準位置に対する前記乳頭出血領域の代表位置の方向を示す情報を含む
    ことを特徴とする請求項２０に記載の眼科情報処理方法。
22. 前記位置情報は、前記乳頭出血領域の代表位置が視神経乳頭領域内か視神経乳頭領域外かを示す情報を含む
    ことを特徴とする請求項２０又は請求項２１に記載の眼科情報処理方法。
23. 前記位置情報は、前記代表位置が視神経乳頭辺縁部内か視神経乳頭辺縁部外かを示す情報を含む
    ことを特徴とする請求項２２に記載の眼科情報処理方法。
24. 前記形状情報は、前記乳頭出血領域の楕円率、及び前記乳頭出血領域の面積の少なくとも１つを含む
    ことを特徴とする請求項２０～請求項２３のいずれか一項に記載の眼科情報処理方法。
25. 前記発生情報は、前記乳頭出血領域の発生頻度、及び前記乳頭出血領域の発生間隔の少なくとも１つを含む
    ことを特徴とする請求項２０～請求項２４のいずれか一項に記載の眼科情報処理方法。
26. 前記被検眼のＯＣＴデータと前記検出ステップにおいて検出された前記乳頭出血領域が描出された前記被検眼の正面画像との位置合わせを行う位置合わせステップを含み、
    前記解析ステップは、前記位置合わせステップにおいて前記正面画像と位置合わせが行われた前記ＯＣＴデータを用いて、前記位置情報、前記形状情報、及び前記発生情報の少なくとも１つを生成する
    ことを特徴とする請求項２０～請求項２５のいずれか一項に記載の眼科情報処理方法。
27. コンピュータに、請求項１５～請求項２６のいずれか一項に記載の眼科情報処理方法の各ステップを実行させることを特徴とするプログラム。

Images