JP2023511199A - 眼内レンズを寸法決めするための機械学習支援パイプライン - Google Patents

Abstract

本発明は、挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのためのコンピュータ実装方法に関する。方法は、眼のスキャン結果を提供することを含む。スキャン結果は、眼の解剖学的構造の画像である。方法は、更に、眼のスキャン結果から眼のバイオメトリックデータを決定することと、挿入される眼内レンズの最終位置を決定するために第１の訓練された機械学習システムを用いることとを含み、眼科データは、第１の機械学習システムのための入力データとして用いられる。方法は、更に、眼内レンズの決定された最終位置及び決定されたバイオメトリックデータが物理モデルのための入力変数として用いられる物理モデルに基づいて、挿入される眼内レンズの第１の屈折力を決定することを含む。

Description

本発明は、眼内レンズの屈折力を決定することに関し、特に、挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのためのコンピュータ実装方法、対応するシステム、及び方法を実行するための対応するコンピュータプログラム製品に関する。

例えば、（年齢に関連した）屈折異常の場合、又は白内障の場合、眼の生体レンズを人工眼内レンズ（ＩＯＬ）に置き換えることは、近年、眼科分野においてますます一般的になってきている。プロセスにおいて、生体レンズは、低侵襲性の介入によって水晶体嚢から切り離され、除去される。白内障の場合、白濁した水晶体は、その後、人工レンズインプラントによって置き換えられる。プロセスにおいて、この人工レンズインプラント又は眼内レンズは、その時空の水晶体嚢に挿入される。眼内レンズの正確な位置及び必要な屈折力を知ることは、互いに依存する。

現在利用されているＩＯＬ計算式には幾つかの問題がある。第１に、眼内レンズの位置は、有効レンズ位置（ＥＬＰ）として多くの式で計算される。この変数は実際の解剖学的変数ではないため、患者の複雑な眼科光学を計算するために用いられる物理モデルにおいて直接考慮することはできない。ＥＬＰは、それぞれの式に対して計算され、最適化され、そのため、異なる式のＥＬＰ同士の間に直接的な比較可能性はなく、モデルは解剖学的に正確な光学システムを用いていない。

第２の態様は、現在のＩＯＬ式が予測内でモデルを用いているという事実からなり、モデルは、幾つかのパラメータによってデータの可用性に対する微調整を行おうと試みている。これらは開発者によって手動で予め定義されるため、これは必ずしもそれぞれの場合において最良の表現ではない。Ｈｉｌｌ ＲＢＦ式等の新しい式は、データの可用性に基づいて最適化を独自に実行することができる機械学習アプローチを用いることによって、この制限を回避している。しかし、この場合、予測は大量のデータのみに基づくものであり、即ち、システムは物理的な概念を用いておらず、従って、その有効性に関して制限されている。

一般に、現在のアプローチは、存在する全ての利用可能な情報及びモデルの最適な組み合わせを示していない。

挿入されるＩＯＬのための正しい屈折力を近似的に決定するための公知の方法の欠点から進んで、本明細書中に提示する概念の根底にある目的は、洗練されて拡張可能な、眼内レンズのための、改善され、統合された高速のＩＯＬ屈折力予測のための方法及びシステムを特定することである。

この目的は、独立請求項に従って、ここで提案する方法、対応するシステム、及び関連するコンピュータプログラム製品によって達成される。更なる実施形態は、それぞれの従属請求項によって説明される。

本発明の一態様によれば、挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのためのコンピュータ実装方法が提示される。方法は、眼のスキャン結果の提供を含んでいてもよい。スキャン結果は、眼の解剖学的構造の画像を表してもよい。

方法は更に、眼のスキャン結果から眼のバイオメトリックデータの決定と、挿入される眼内レンズの最終位置を決定するための第１の訓練された機械学習システムの使用とを含んでいてもよい。この場合、眼科データが、第１の機械学習システムのための入力データとして機能してもよい。最後に、方法は、挿入される眼内レンズの第１の屈折力の決定を含んでいてもよく、決定は、眼内レンズの決定された最終位置及び決定されたバイオメトリックデータが物理モデルの入力変数として用いられる物理モデルに基づいている。

本発明の別の態様によれば、挿入される眼内レンズのパラメータ値を決定するための機械学習支援処理パイプラインのための処理パイプラインシステムが提示される。

処理パイプラインシステムは、眼のスキャン結果を提供するよう構成される受信モジュールを備えていてもよい。この場合、スキャン結果は、眼の解剖学的構造の画像を表してもよい。

更に、処理パイプラインシステムは、眼のスキャン結果から眼のバイオメトリックデータを決定するよう構成される決定ユニットと、挿入される眼内レンズの最終位置を決定するための第１の訓練された機械学習システムとを備えていてもよい。眼科データは、第１の機械学習システムのための入力データとして機能してもよい。

最後に、処理パイプラインシステムは、挿入される眼内レンズの第１の屈折力を決定するよう構成される決定ユニットを備えていてもよく、決定は、眼内レンズの決定された最終位置及び決定されたバイオメトリックデータが物理モデルの入力変数として用いられる物理モデルに基づいている。

更に、実施形態は、コンピュータ若しくは他の命令処理システムによって、又はそれと共に用いるためのプログラムコードを備える、コンピュータ使用可能又はコンピュータ読取可能媒体からアクセスされることが可能な、コンピュータプログラム製品に関することができる。この説明に関して、コンピュータ使用可能又はコンピュータ読取可能媒体は、プログラムコードを格納、通信、転送、又は搬送することに適する任意のデバイスとすることができる。

挿入される眼内レンズのための屈折力を決定するためのコンピュータ実装方法は、関連するシステムにも適宜適用してもよい複数の利点及び技術的効果を有し、ここで提示される方法は、既に上で説明した欠点の既知の負の特性に的確に対処する。特に、本方法が基礎とする「ＺＡＩ」アルゴリズムは、白内障手術中に挿入される眼内レンズの必要な屈折力の最適化計算を容易にする。提示されたアルゴリズムは、機械学習によって最適化されるＩＯＬ位置の解剖学的に正しい予測と複雑な物理モデルとの統合を可能にし、機械学習によるＩＯＬ計算の精緻化を可能にする。従って、ＩＯＬ位置及びＩＯＬ屈折力決定の両方は、媒体破壊なしに、１つのプロセスで、又は別様に表現されるように、パイプライン内で決定されることができる。

この場合、物理計算モデルと機械学習概念の両方を、眼内レンズの位置の統合された決定及び屈折力の決定のためのパイプライン内の臨床眼科データに基づいてリンクさせることが可能である。

利用可能な臨床眼科データのみに基づく、挿入される眼内レンズのための屈折力を決定するための機械学習システムは、第１に、比較的長い訓練時間を必要とし、第２に、物理モデルの既知の特性を考慮することができない。

この場合、既に訓練された機械学習モデルがより良好な又は更なる訓練データによって再訓練される場合に生じる速度の利点が、いずれの場合も利用される。これは、全体的な訓練時間を大幅に短縮することができ、計算能力の大幅な節約を可能にし、従って、利用可能なコンピュータ容量のより良好な使用を可能にする。

更に、ＩＯＬの実際の物理的位置の使用は、任意の所望の精度を有するモデルの使用、最終的には正確な物理的モデルの使用も可能にする。従って、提示される方法は、ある特定の大きさのモデルに限定されず、最後に決定される値は、最終的に普遍的である。これは、この変数が実際の解剖学的変数ではないため、有効レンズ位置（ＥＬＰ）として以前に用いられた数式とは対照的である。従って、それはまた、患者の複雑な眼科光学を計算するために用いられる物理モデルにおいて直接考慮することができない。

眼内レンズは、有効レンズ位置（ＥＬＰ）として多くの式で計算される。この変数は実際の解剖学的変数ではないため、患者の複雑な眼科光学を計算するために用いられる物理モデルにおいて直接考慮することはできない。ＥＬＰは、それぞれの式に対して計算され、最適化され、そのため、異なる式のＥＬＰ同士の間に直接的な比較可能性はなく、モデルは解剖学的に正確な光学システムを用いていない。

更なる例示的な実施形態を以下に提示し、これらは、方法との関連及び対応するシステムとの関連の両方においても有効性を有することができる。

有利な例示的実施形態によれば、方法は、追加として、第２の機械学習システムによる眼内レンズの最終屈折力の決定を含んでいてもよく、バイオメトリックデータ及び第１の屈折力からの少なくとも１つの変数を入力変数として用いることができる。一例として、少なくとも１つの変数は、眼の眼軸長とすることができる。従って、屈折力のより正確な決定を容易にする基礎として物理モデルに存在する知識を用いる転移学習ステップを実際に実行することが可能である。第２の機械学習システムは、この目的を達成するために、臨床眼科データ、即ち、以前の実際の患者からのデータを用いて訓練させる必要がある。かかる臨床眼科データは、通常、注釈が付けられる。このようにして、何の情報もパイプラインにおいて失われることはなく、物理モデルの理論的データ及び臨床ルーチンからの実際の経験的データの両方を考慮に入れることができる。

このようにして、ある特定の診療所又はその運営方法の特徴的な特性をパイプラインに含めることも可能である。一般に、物理モデルの使用はこれを可能にしないか、又は公知の標準から逸脱するという欠点を伴ってのみこれを可能にする。

方法の更なる例示的な実施形態によれば、眼のバイオメトリックデータは、術前眼軸長、術前レンズ厚、術前前房深度、及び術中前房深度からなる群から選択される少なくとも１つを含んでいてもよい。これらは、「眼のスキャン結果から眼のバイオメトリックデータを決定する」方法ステップから導出されてもよい。これは、従来の意味で実行されてもよいが、機械学習システムを、この目的を達成するために既に用いることもでき、前記機械学習システムは、手動ステップを必要としないスキャンダイレクト方法で眼のバイオメトリックデータを決定する。スキャン結果の記録された画像データは、生物学的パラメータを決定するために直接用いることができる。

方法の有利な例示的な実施形態によれば、畳み込みニューラルネットワーク、グラフアテンションネットワーク、又は２つの前記ネットワークの組み合わせを、第１の機械学習システムにおいて用いることができる。一例として、畳み込みニューラルネットワークは、記録されたスキャン結果における特徴的な特徴を識別し、生成された画像データを圧縮するために用いることができる。グラフアテンションネットワークの結果として、既知の注釈付き画像又はそれらの圧縮表現をグラフ内に配置することが可能である。新たに記録された患者の眼の現在の画像によって、グラフ内に既に存在する画像に対する距離測定によって、必要なバイオメトリックデータ、例えば眼内レンズの術後最終位置を決定することが可能である。次いで、これをＺＡＩパイプラインで直接用いることができる。

方法の発展した例示的な実施形態によれば、第２の機械学習システムは、２段階で訓練することができ、第１の訓練ステップは、眼内レンズのための屈折力のための第１の物理モデルに基づく機械学習システムのための第１の訓練データの、特にコンピュータによる、生成を含むことができる。続いて、屈折力を決定するための対応する学習モデルを形成する目的のために、生成された第１の訓練データによって第２の機械学習システムを訓練することができる。この場合、機械学習システムのハイパーパラメータは、機械学習システムの設計及び選択によって定義される一方で、機械学習システムの内部パラメータは、訓練によって区分的に適合される。

第２の訓練ステップにおいて、屈折力を決定するための第２の学習モデルを形成する目的のために、臨床眼科訓練データを用いて第１の訓練データにより訓練された機械学習システムを訓練することができる。この場合、転移学習原理が用いられ、即ち、物理モデルから既に学習された知識が、ここで更に、実際の臨床眼科訓練データの使用によって指定される。このようにして、訓練プロセスを大幅に加速することができ、基本構造が物理モデルからのデータを用いる訓練によって既に予め調整されているため、必要とされる臨床眼科訓練データがより少なくなる。

方法の拡張された例示的な実施形態によれば、バイオメトリックデータからの１つの変数は、術前眼軸長とすることができる。この変数は、公知の測定方法を用いて（例えば、ＯＣＴ測定、例えば、Ａスキャン、Ｂスキャン、又は正面ＯＣＴ測定によって）的確に決定することができる。

方法の拡張された例示的な実施形態によれば、眼のバイオメトリックデータは、画像から手動で、又は眼の提供されたスキャン結果から機械学習システムによって決定することができる。この時点で、提案された方法は、眼のバイオメトリックデータを決定するためにどの部分的方法が用いられるかを残している。しかし、バイオメトリックデータの機械学習ベースの決定は、パイプライン概念の意味の範囲内で行われる。

方法の更に拡張された例示的な実施形態によれば、眼の更なるパラメータは、挿入される眼内レンズの最終位置を決定する場合に決定することができる。これらは、以下に関連していてもよい。ＩＯＬ位置、特に、成長プロセス後のＩＯＬの予想される最終位置は、一般的な更なるパラメータとして指定することができる。その上、光軸に垂直なずれを示すＩＯＬシフトの値を用いることも可能である。それぞれ選択されたモデルにおけるビーム経路は、シフト値に応じて変化する。

追加的又は補完的に、ＩＯＬ傾斜値（即ち、光軸に対するＩＯＬの傾斜角）を用いることも可能であり、この場合も、ビーム経路は変化の結果として調整されるべきである。ＩＯＬの種類、特に用いられる触覚、形状等も考えられる。それは、触覚／形状によってレンズの位置を決定し、従って、手術（正しいＩＯＬの挿入）の最終品質に影響を及ぼす可能性がある。

加えて、水晶体嚢等によってＩＯＬにかかる力も、追加パラメータとして指定されるべきである。これにより、長期的に予想される位置の可能性のある変化を考慮することができる。

本発明の例示的な実施形態は、異なる実装カテゴリを参照して説明されてもよいことを指摘するべきである。特に、幾つかの例示的な実施形態は、方法を参照して説明されるのに対して、他の例示的な実施形態は、対応するデバイスとの関連で説明されてもよい。これに関わらず、当業者にとって、これらが異なる請求項カテゴリに属する場合であっても、特に明記しない限り、上記及び下記の説明から、方法の特徴の可能性のある組み合わせ、及び、対応するシステムとの特徴の可能性のある組み合わせも識別し、組み合わせることが可能である。

本発明の上で既に説明した態様及び追加の態様は、とりわけ、説明する例示的な実施形態から、及び図面を参照して説明される追加の更なる特定の実施形態から明らかになる。

本発明の好ましい例示的な実施形態を、一例として、以下の図面を参照して説明する。

挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのためのコンピュータ実装方法の例示的な実施形態のフロー図的な表現を示す。 眼の一部の断面を示す。 眼の異なるバイオメトリックパラメータとともに眼を示す。 指定された方法によって眼内レンズを寸法決めするための機械学習支援パイプラインの必須機能ブロックの概略構造を表す。 挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのための、本発明による処理パイプラインシステムの図を示す。 図５による処理パイプラインシステムを完全に又は部分的に追加として備えていてもよいコンピュータシステムの図を示す。

この説明に関連して、慣例、用語、及び／又は表現は、以下のように理解するべきである。

用語「機械学習支援処理パイプライン」とは、ここで提供される方法及びここで提示されるシステムの全体的な概念を説明している。記録されたデジタル画像から進めて、挿入される眼内レンズの最終的な屈折力を、媒体を破壊することなく、且つ介在するパラメータの手動決定を行うことなく決定することが可能である。この場合、最終的な術後ＩＯＬ位置は、必要なパラメータの手動決定がなくても、中間結果として用いられる。異なる時点において、処理パイプラインは、実際の患者データを用いて訓練された機械学習システムを用いる。加えて、物理モデルを用いることができる。このようにして、理論モデルのノウハウと実際の経験値の両方が屈折力の最終的な決定に含まれる。

用語「眼内レンズ」とは、生体水晶体を置換するよう手術によって患者の眼に挿入することができる人工レンズを説明している。

用語「機械学習システム」とは、通常、方法にも割り当てられるシステムを説明しており、前記システムは例から学習する。この目的を達成するために、注釈付き訓練データ（即ち、メタデータも含む訓練データ）が、予め既に設定された出力値、分類システムの場合には出力クラス、を予測するために機械学習システムに供給される。出力クラスが十分な精度、即ち、予め決定される誤り率、で正しく出力される場合、機械学習システムは訓練されたと称する。様々な機械学習システムが公知である。これらは、ニューラルネットワーク、畳み込みニューラルネットワーク（ＣＮＮ）、又は他に、再帰型ニューラルネットワーク（ＲＮＮ）を含む。

原則として、用語「機械学習」とは、例えば、統計的方法がコンピュータシステムに「学習」する能力を与えるために用いられる、人工知能の分野からの基本用語又は基本機能である。一例として、特定のタスク範囲内のある特定の行動パターンが、この場合、最適化される。用いられる方法は、訓練された機械学習システムに、この目的のために明示的な手続き型プログラミングを必要とせずにデータを分析する能力を与える。一般に、ＮＮ（ニューラルネットワーク）又はＣＮＮ（畳み込みニューラルネットワーク）は、例えば、人工ニューロンとして機能するノードのネットワーク、及び人工ニューロン間の人工接続（いわゆるリンク）を形成するための機械学習のためのシステムの一例であり、パラメータ（例えば、リンクのための重み付けパラメータ）を人工リンクに割り当てることができる。ニューラルネットワークを訓練する場合、重み付けパラメータ値は、所望の結果を生成するように、入力信号に基づいてリンクに自動的に調整される。教師あり学習の場合、入力値（訓練データ）、一般に（入力）データ、として供給される画像は、所望の出力値（所望のクラス）を生成するために、所望の出力データ（注釈）により補足される。極めて一般的に考えると、出力データへの入力データのマッピングが学習される。

用語「ニューラルネットワーク」とは、計算操作を実行するための１つ以上の入力及び１つ以上の出力を有する電子的に実現されるノードからできているネットワークを説明している。ここで、選択されたノードは、接続、いわゆるリンク又はエッジによって相互接続される。接続は、ある特定の属性、例えば重み付けパラメータ値を有することができ、それによって先行するノードの出力値に影響を与えることができる。

ニューラルネットワークは、通常、複数の層で構成される。少なくとも入力層、隠れ層、及び出力層が存在する。簡単な実施例において、画像データは入力層に供給することができ、出力層は画像データに関する分類結果を有することができる。しかし、一般的なニューラルネットワークは、多数の隠れ層を有する。ノードがリンクによって接続される方法は、それぞれのニューラルネットワークの種類に依存する。本実施例において、ニューラル学習システムの予測値は、眼内レンズの求められている屈折力であることができる。

用語「畳み込みニューラルネットワーク」（ＣＮＮ）とは、分類器／分類器システムの一例として、フィードフォワード技法に基づく人工ニューラルネットワークのクラスを説明している。それらは、多くの場合、画像又はその画素を入力データとして用いる画像解析に用いられる。畳み込みニューラルネットワークの主なコンポーネントは、この場合、パラメータ共有を通じて効率的な評価を可能にする畳み込み層（従って、その名前）である。ＣＮＮとは対照的に、記録された画像の各画素は、一般に、従来のニューラルネットワークにおける入力値としてニューラルネットワークの人工ニューロンに関連付けられる。

用語「グラフアテンションネットワーク」（ＧＡＴ）とは、グラフ構造化されたデータに対して動作するニューラルネットワークを説明している。これは、古い「グラフィカル畳み込みネットワーク」（ＧＣＮ）よりも良好な挙動を示す。プロセスにおいて、計算集約的な行列演算に基づくことなく、ＧＣＮにおける既知の近似を改善するノードのマスクされた自己参照層を用いる。「ＧＣＮ」（グラフィカル畳み込みネットワーク）はＧＡＴの代わりに考えられ、ＧＣＮは、グラフ上で直接操作することもでき、そこに存在する構造情報を用いることができるニューラルネットワークのある特定のアーキテクチャである。代替として、「ＧｒａｐｈＳａｇｅ」フレームワークも利用可能であろう。それは、大規模グラフのコンテキストにおける帰納的表現学習に良好に適している。この場合、ＧｒａｐｈＳａｇｅは、ノードに対する低次元ベクトル表現を生成するために用いることができ、包括的なノード属性情報を有するダイアグラムに対して特に有用である。

この文章に関連して、用語「転移学習」（又はカリキュラム学習）とは、一度開発された学習モデル、物理モデルの訓練データにより機械学習システムを訓練することによって開発される、が再度訓練されることを説明している。この第２の時間において関連データを用いて訓練されるが、これらの関連データは、第１の訓練の場合とは異なる供給源に由来する。これらは、臨床眼科データ又は得られた結果の精度がより高いことが知られている第２の物理モデルのどちらか一方からなっていてもよい。結果として、物理的モデルパラメータと実際の臨床データの両方をそれ自体で統一する第２の学習モデルが生成される。それぞれの第１の学習モデルの「知識」は、従って、第２の学習モデルを生成するよう訓練のための基礎又は開始点として用いられる。第１の訓練の学習効果は、従って、第２の訓練の学習効果に転移することができる。実質的な利点は、第２の訓練を比較的より効果的に実行することができ、その結果として、コンピュータリソースを節約することができ、その結果として、第２の訓練がより迅速且つよりターゲットを絞った方法で実行されるという事実にある。

用語「パラメータ値」とは、患者の眼の幾何学的若しくは生体的な値、又は眼科的なデータを説明している。眼のパラメータ値の実施例を、図２に基づいてより詳細に説明する。

用語「スキャン結果」とは、例えば、患者の眼に対するＯＣＴ（光干渉断層計）検査の結果を表すデジタル画像／記録に基づくデジタルデータを説明している。

用語「光干渉断層計」（略してＯＣＴ）とは、散乱物質（例えば、生体組織）の２次元及び３次元記録（２－Ｄ又は３－Ｄ）をマイクロメートル解像度で得るための、眼科の公知の撮像方法を説明している。プロセスにおいて、基本的に、光源と、ビームスプリッタと、例えば、デジタル画像センサの形態のセンサとが用いられる。眼科学において、ＯＣＴは、個々の網膜層の反射挙動における空間的相違を検出するために用いられ、形態構造を高解像度で表すことができる。

用語「Ａスキャン」（軸方向深度スキャンとも称する）とは、眼内の構造の寸法形状及び位置に関する情報を説明する患者の眼のスキャンの１次元結果を説明している。

用語「Ｂスキャン」とは、眼を通る断面を得るよう、複数の前述のＡスキャンの横方向オーバーレイを説明している。ボリュームビューはまた、従って生成される眼の複数の層を組み合わせることによっても生成可能である。

用語「正面ＯＣＴ」とは、この場合、前述のＡスキャン又はＢスキャンを用いる長手方向断面画像とは対照的に、眼の横方向断面画像を生成するための方法を説明している。

用語「画像」又は「デジタル画像」、例えばスキャンからの、とは、この場合、物理的に存在する物品、一例として、この場合は眼の網膜、の画像表現、又はそこからのピクセルデータの形態でのデータ量を生成した結果を説明している。より一般的には、「デジタル画像」とは、２次元信号行列であると理解することができる。行列の個々のベクトルは、従ってＣＮＮの層に対する入力ベクトルを生成するために、互いに隣接させることができる。デジタル画像は、ビデオシーケンスの個々のフレームであることができる。画像及びデジタル画像は、この場合、同義であると理解することができる。

用語「臨床眼科訓練データ」とは、患者の眼及びこれらの患者に過去に既に挿入された眼内レンズに関するデータを説明している。臨床眼科訓練データは、また、挿入されたレンズの屈折力及び位置等の決定された眼科パラメータ値を含んでいてもよい。これらのデータは、物理モデルからのデータに基づいて以前に既に訓練された機械学習システムを訓練する目的で用いられる。原則として、臨床眼科訓練データは注釈が付けられる。

用語「物理モデル」は、屈折力の決定を行うために眼の様々なパラメータを互いに関連付ける数式に関する。公知の式は、Ｈａｉｇｉｓ式である。

用語「眼内レンズの屈折力」とは、ＩＯＬの屈折率を説明している。

図面の詳細な説明を以下に示す。この場合、図中の詳細及び情報の全てが略図で示されていることが理解される。初めに、挿入される眼内レンズのパラメータ値を決定するための機械学習支援処理パイプラインのための本発明によるコンピュータ実装方法の例示的な実施形態のブロック図を示す。更なる例示的な実施形態、又は対応するシステムのための例示的な実施形態を以下に説明する。

図１は、挿入される、特に患者の眼に挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのための本発明によるコンピュータ実装方法１００の例示的な実施形態のフロー図的な表現を示している。この場合、方法１００は、眼のスキャン結果の提供１０２を含み、スキャン結果は、眼の解剖学的構造の画像を表している。これは、ＯＣＴによって実施することができる。精度は劣るが、代替としての方法は、超音波に基づいている。

方法１００は更に、眼のスキャン結果から、従来通り又は既に機械学習システムの支援によるどちらか一方により、眼のバイオメトリックデータの決定１０４と、眼に挿入される眼内レンズの最終位置を決定するための第１の訓練された機械学習システムの使用１０６とを含む。この場合、ＩＯＬの長期術後位置は、最終位置を意味すると理解される。訓練された機械学習システムに基づく決定は、患者の眼の１つ（以上）の記録された画像から直接、長期術後位置を決定してもよく、手動の中間ステップは、プロセスにおいて省略することができる。代替として、眼科データ、特に、先行するステップからのもの、又は「スキャンダイレクト」によって決定されるもの、は、第１の訓練された機械学習システムのための入力データとして機能することができる。

最後に、方法１００は、挿入される眼内レンズの第１の屈折力の決定１０８を含み、決定は、眼内レンズの決定された最終位置及び決定されたバイオメトリックデータが物理モデルの入力変数として用いられる物理モデルに基づいている。この場合、物理モデルは数学的な決定論的モデルである。

任意に、最終屈折力の決定１１０は、第２の機械学習システムによって精緻化又は改善することができる。この場合、第１の屈折力及びバイオメトリックデータの少なくとも１つの変数、例えば、眼軸長が、第２の訓練された機械学習システムのための入力データとして用いられる。

図２は、眼２００の断面の象徴的表現を示している。挿入された眼内レンズ２０２を識別することが可能であり、これは、水晶体の除去後に水晶体嚢２０４内に手術により挿入されている。眼内レンズ２０２上の側方構造２０６は、眼内レンズ２０２が水晶体嚢２０４内に真に安定して固定されることを確実にすべきである。しかし、例えば数週間の比較的長い成長段階の後に設定される眼内レンズ２０２の正確な位置は、現在まで実用的に予測することができなかった。これは、特に、水晶体嚢２０４が、以前には天然の水晶体全体を囲んでいたが、現在は除去されているため、挿入された眼内レンズ２０２よりも実質的に大きいという事実によるものである。水晶体嚢２０４を眼内又は頭蓋骨上に固定するこれらの靱帯及び筋肉組織２０８は、かかる手術後に変化し、その結果として、水晶体嚢２０４の大きさ、形状、及び位置、従って挿入された眼内レンズ２０２の位置も変化する。従って、挿入された眼内レンズ２０２と、眼内の更に後方に位置する網膜との間の距離も変化する。しかし、最適な手術後の結果は、挿入された眼内レンズ２０２の屈折力（屈折率）と網膜までの距離との最適な整合によってのみ達成することができる。挿入された眼内レンズ２０２の屈折力は、通常、その後に変更可能ではないため、挿入された眼内レンズ２０２の位置の予測が極めて望ましい。

図３は、眼の異なるバイオメトリックパラメータと共に眼３００を描写している。特に、以下のパラメータ、眼軸長３０２（ＡＬ）、前房深度３０４（ＡＣＤ）、角膜曲率測定値３０６（Ｋ、半径）、レンズの屈折力、レンズ厚３０８（ＬＴ）、中心角膜厚３１０（ＣＣＴ）、角膜横径距離３１２（ＷＴＷ）、瞳孔径３１４（ＰＳ）、後房深度３１６（ＰＣＤ）、網膜厚３１８（ＲＴ）を表している。これらのパラメータのうちの少なくとも１つは、眼科訓練データ及び患者の眼科データの両方に含まれ、これらはそれぞれ、ここで提示する概念の主題に含まれる。

別の言い方をすれば、既知の物理的な事前知識を組み込んでいる機械学習システムモデルが、物理モデルを用いて最初に作成される。これは、例えば、シミュレーションデータを用いて事前に訓練されている機械学習システム、又は場合によっては物理的制約を含む訓練自体（制約ベースの訓練）によって実装することができる。続いて、学習モデルは、実際の臨床眼科データを用いて真の解剖学的変化に適応される。この場合、選択されたアプローチは、データの任意の利用可能性（例えば、レーシック手術後）に対する機械学習システム全体の自己学習最適化を容易にする。この場合、適応は、各医師又は各診療所に対して明示的に行うことができる。次いで、実際のバイオメトリックデータは、最適化された眼内レンズ屈折力を従って決定又は予測するために、前記機械学習システムの適用段階において機械学習システムのための入力値として用いられる。

物理モデルの定式化は、ニューラルネットワークの純粋なパラメータ形式に変換される。後者は、次いで、第２の訓練段階において、独立して、可能な限り最良の範囲で、それ自体を実際のデータ構造に適応させることができる。従って、任意の量の訓練データを、光学物理モデルを用いて生成することができる。これらは、眼モデルのパラメータと、いわゆるグラウンドトゥルースとして関連付けられたＩＯＬ屈折力とを含む。「転移学習」概念を用いて、従って訓練されるモデルは、同じ概念に従って訓練データを生成するより複雑な物理モデルに転移させることができる。従って、ニューラルネットワークは、既に予め訓練された人工ニューロンを有しており、従って、より強力な又はより良好な物理モデルにそれ自体をより迅速且つより容易に適応させることができる。このカリキュラム学習は、任意の強度のモデル（例えば、レイトレーシングモデル）に対して実行することができる。

最後のステップにおいて、学習モデルは、実際に用いられたＩＯＬ屈折力がグラウンドトゥルースとして用いられて、患者の眼の実際のバイオメトリックデータによって「微調整」される。従って、訓練されたモデルは、予測段階において、最終的に必要とされるＩＯＬ屈折力の予測を実装することができる。実際に見出されたことは、より多くの実データ（臨床眼科データ）が利用可能である程、より良好に機械学習システムを前記データに関して最適化することができることである。従って、学習モデルは、データの利用可能性に従って連続的に開発することができ、その結果、様々な実データ記録に適応させることができる。

原則として、パイプラインは、眼内レンズの解剖学的に正しい位置の最適化された予測のために患者の眼のＯＣＴ測定からの入力データを用いるために、機械学習モデルを用いる。この位置は、次いで、眼内レンズの既知の位置のために任意の現実的なモデル（例えば、通常の数学的物理モデル又はレイトレーシング）であることができる物理モデルにおいて用いられる。物理モデルは、眼に必要なＩＯＬ屈折力を計算し、結果は、続いて、物理モデルにおける比較的小さなモデル誤差を補正するために、機械学習を用いて更に精緻化される。情報使用を最適化するために、ＩＯＬ屈折力グラウンドトゥルースデータ及びＩＯＬ位置グラウンドトゥルースデータの両方が訓練のために用いられる。

この点に関して、図４は、眼のスキャンのスキャン結果／画像４０２を含む前述の方法によって、眼内レンズを寸法決めするための機械学習支援パイプラインの必須機能ブロック４００の概略構造を示している。これらの結果は、特に少なくとも１つのデジタル画像の形態で、バイオメトリックデータ４０４の従来の抽出のために用いることができる。これらのバイオメトリックデータの少なくとも一部及びスキャン結果自体は、そこから手術後の最終ＩＯＬ位置４０８を直接決定するために、入力データとしてグラフベースのニューラルネットワーク４０６に供給される。

次に、数学的物理モデルに基づく屈折力の手動の数式ベースの決定４１０が存在する。抽出されたバイオメトリックデータ（又はその一部）及び最終ＩＯＬ位置４０８の両方は、屈折力のこの決定４１０のための入力値として機能する。加えて、更なる機械学習システム４１２を、屈折力の最適化された決定のために用いることができ、それは、入力データとして、眼内レンズの最初に決定された屈折力（屈折力の決定４１０の結果として）及び以前に決定されたバイオメトリックデータ４０４（又はその一部）の両方を用いる。訓練された機械学習システム４１２は、次いで、適切な機械学習モデルに基づいて最終的な最終屈折力４１４を供給する。

最終手術後ＩＯＬ位置４０８及び最終最適化ＩＯＬ屈折力の両方が、メッシュ化された部分的プロセスを有する統合プロセスによって決定することができるため、用語パイプラインとは、図４に特定される個々のステップ又は機能ユニットの表現によって直接且つ明確に開示される。

図５は、完全を期すために、挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのための処理パイプラインシステム５００のコンポーネントの好ましい例示的な実施形態を示している。処理パイプラインシステム５００は、眼のスキャン結果を提供するよう構成される受信モジュール５０２を備え、スキャン結果は、眼の解剖学的構造の少なくとも１つの画像を表している。

更に、パイプライン処理システム５００は、眼のスキャン結果から眼のバイオメトリックデータを決定するよう構成される決定ユニット５０４と、挿入される眼内レンズの最終位置を決定するための第１の訓練された機械学習システム５０６（図４のグラフベースのニューラルネットワーク４０６も参照）とを備え、眼科データは第１の機械学習システムのための入力データとして機能する。

その上、処理パイプラインシステム５００は、挿入される眼内レンズの第１の屈折力を決定するよう構成される決定ユニット５０８（図４の機能ブロック４１０も参照）を備え、決定は、眼内レンズの決定された最終位置及び決定されたバイオメトリックデータが物理モデルのための入力変数として用いられる物理モデルに基づいている。

加えて、更なる機械学習システム５１０もまた、ＩＯＬ屈折力の改善された予測のために用いることができる（図４の機能ブロック４１２を参照）。

モジュール及びユニット、特に、受信モジュール５０２、決定ユニット５０４、第１の訓練された機械学習システム５０６、及び第１の屈折力を決定するための決定ユニット５０８は、適切な信号及び／又はデータを１つのモジュール（１つのユニット）から別のものに転送するために、電気信号線によって、若しくはシステム内部バスシステム５１２を介して接続されてもよいという事実が明確に参照される。更に、追加のモジュール又は機能ユニットが、システム内部バスシステム５１２に任意に接続されてもよい。

分類システムが機械学習システムとして用いられる場合、予測される屈折力は、最大確率で予測される予測クラスに従って生じる。代替として、ＩＯＬの最終屈折力は、数値出力変数を有する機械学習システムとしての回帰システムにより実施することもできる。

更に、システム５００は、予測された最終ＩＯＬ屈折力を出力又は表示し、任意に、予測されたＩＯＬ位置も表示することに適する出力ユニット（ここでは図示せず）を備えていてもよい。

図６は、屈折力を決定するためのシステムの少なくとも一部を有していてもよいコンピュータシステムのブロック図を示している。ここで提案される概念の実施形態は、プログラムコードを格納及び／又は実行するためにそこで用いられるプラットフォームに関わらず、原則として、実質的に任意の種類のコンピュータと共に用いられてもよい。図６は、ここで提案する方法によるプログラムコードを実行することに適するコンピュータシステム６００を一例として示しており、予測システムを完全に又は部分的に含んでいてもよい。

コンピュータシステム６００は、複数の汎用機能を有している。コンピュータシステムは、この場合、タブレットコンピュータ、ラップトップ／ノートブックコンピュータ、別のポータブル若しくはモバイル電子デバイス、マイクロプロセッサシステム、マイクロプロセッサベースのシステム、スマートフォン、特別に構成された特殊機能を有するコンピュータシステム、又は他の顕微鏡システムの構成部分であってもよい。コンピュータシステム６００は、ここで提案される概念の機能を実装するために実行されてもよい、例えばプログラムモジュール等のコンピュータシステム実行可能命令を実行するように構成されてもよい。この目的のために、プログラムモジュールは、特定のタスク又は特定の抽象データ型を実装するために、ルーチン、プログラム、オブジェクト、コンポーネント、ロジック、データ構造等を備えていてもよい。

コンピュータシステムのコンポーネントは、以下の、１つ以上のプロセッサ又は処理ユニット６０２、ストレージシステム６０４、及びストレージシステム６０４を含む様々なシステムコンポーネントをプロセッサ６０２に接続するバスシステム６０６を備えていてもよい。コンピュータシステム６００は、通常、コンピュータシステム６００によってアクセス可能な複数の揮発性又は不揮発性ストレージ媒体を有する。ストレージシステム６０４は、プロセッサ６０２によって実行されるために、ストレージ媒体のデータ及び／又は命令（コマンド）を、例えばＲＡＭ（ランダムアクセスメモリ）６０８等の揮発性形態で格納してもよい。これらのデータ及び命令は、ここで提示される概念の１つ以上の機能及び／又はステップを実現する。ストレージシステム６０４の更なるコンポーネントは、プログラムモジュール及びデータ（参照符号６１６）並びにワークフローが格納されてもよい、永久メモリ（ＲＯＭ）６１０及び長期メモリ６１２であってもよい。

コンピュータシステムは、通信目的のための多数の専用デバイス（キーボード６１８、マウス／ポインティングデバイス（図示せず）、視覚ディスプレイユニット６２０等）を備える。これらの専用デバイスは、タッチセンシティブディスプレイに組み合わされてもよい。別個に設けられるＩ／Ｏコントローラ６１４は、外部デバイスとの摩擦のないデータ交換を保証する。ネットワークアダプタ６２２は、ローカル又はグローバルネットワーク（ＬＡＮ、ＷＡＮ、例えばインターネットを介して）を介する通信に利用可能である。ネットワークアダプタは、バスシステム６０６を介してコンピュータシステム６００の他のコンポーネントによってアクセスされてもよい。この場合、図示していないが、他のデバイスもコンピュータシステム６００に接続されてもよいことが理解される。

ＩＯＬの屈折力を決定するためのシステム５００の少なくとも一部（図５参照）はまた、バスシステム６０６に接続されてもよい。

本発明の様々な例示的な実施形態の説明を、改善された理解の目的のために与えてきたが、本発明の概念をこれらの例示的な実施形態に直接限定する役割を果たすものではない。当業者は、更なる修正及び変形例を自ら開発するであろう。ここで用いられる用語は、例示的な実施形態の基本原理を最良に説明し、それらを当業者に容易に理解できるように選択されている。

ここで提示する原理は、システムとして、方法として、それらの組合せとして、及び／又はコンピュータプログラム製品として具現化されてもよい。コンピュータプログラム製品は、この場合、プロセッサ又は制御システムに本発明の様々な態様を実装させるために、コンピュータ読取可能プログラム命令を有する１つ（以上）のコンピュータ読取可能ストレージ媒体を備えていてもよい。

媒体として、電子、磁気、光学、電磁、若しくは赤外線媒体、又は半導体システムが転送媒体として用いられ、例えば、ＳＳＤ（ソリッドステートメモリとしてのソリッドステートデバイス／ドライブ）、ＲＡＭ（ランダムアクセスメモリ）、及び／又はＲＯＭ（読み出し専用メモリ）、ＥＥＰＲＯＭ（電気的消去可能ＲＯＭ）、又はそれらの任意の組み合わせである。適切な転送媒体はまた、伝搬電磁波、導波路若しくは他の伝送媒体内の電磁波（例えば、光ケーブル内の光パルス）、又はワイヤ内で伝送される電気信号を含む。

コンピュータ読取可能ストレージ媒体は、命令実行デバイスによって用いるための命令を保持又は格納する具現化デバイスであってもよい。ここで説明するコンピュータ読取可能プログラム命令は、ケーブルベースの接続又はモバイル無線ネットワークを介してサービスプロバイダから対応するコンピュータシステムに、例えば（スマートフォン）アプリとして、ダウンロードされてもよい。

ここで説明する本発明の動作を実行するためのコンピュータ読取可能プログラム命令は、機械依存命令又は機械独立命令、マイクロコード、ファームウェア、ステータス定義データ、或いは、例えばＣ＋＋、Ｊａｖａ等、又は、例えばプログラミング言語「Ｃ」若しくは同様のプログラミング言語等の従来の手続き型プログラミング言語で書かれた任意のソースコード又はオブジェクトコードであってもよい。コンピュータ読取可能プログラム命令は、コンピュータシステムによって完全に実行されてもよい。幾つかの例示的な実施形態において、本発明の態様による電子回路を構成又は個別化するために、コンピュータ読取可能プログラム命令のステータス情報を用いることによってコンピュータ読取可能プログラム命令を実行する、例えば、プログラマブル論理回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又はプログラマブル論理アレイ（ＰＬＡ）等の電子回路も存在していてもよい。

ここで提示する本発明は、更に、本発明の例示的な実施形態による方法、デバイス（システム）、及びコンピュータプログラム製品のフロー図及び／又はブロック図を参照して説明される。実際には、フロー図及び／又はブロック図の任意のブロックが、コンピュータ読取可能プログラム命令として具現化することができることを指摘しておくべきである。

コンピュータ読取可能プログラム命令は、プロセッサ又はコンピュータ又は他のプログラム可能データ処理デバイスによって実行される命令が、フロー図及び／又はブロック図に示す機能又はプロセスを実装するための手段を生成するように、機械を生成するために、汎用コンピュータ、特殊コンピュータ、又は何らかの他の方法でプログラム可能なデータ処理システムに利用可能とすることができる。これらのコンピュータ読取可能プログラム命令は、従って、コンピュータ読取可能ストレージ媒体に格納されてもよい。

この意味で、図示するフロー図又はブロック図における任意のブロックは、特定の論理機能を実装するための複数の実行可能命令を表す命令のモジュール、セグメント、又は一部を表すことができる。幾つかの例示的な実施形態において、個々のブロックに表される機能は、異なる順序で、任意に並列にも、実装することができる。

以下の特許請求の範囲における関連する機能を有する全ての手段及び／又はステップの図示する構造、材料、シーケンス、及び均等物は、特許請求の範囲によって表現される全ての構造、材料、又はシーケンスを適用することを意図している。

１００ 状況に応じたホワイトバランスのための方法
１０２ １００の方法ステップ
１０４ １００の方法ステップ
１０６ １００の方法ステップ
１０８ １００の方法ステップ
１１０ １００の方法ステップ
２００ 眼内レンズを有する眼
２０２ 眼内レンズ
２０４ 水晶体嚢
２０６ 横方向構造
２０８ 靱帯及び筋肉
３００ 眼
３０２ 眼軸長
３０４ 前房厚
３０６ 角膜曲率測定値
３０８ レンズ厚
３１０ 中心角膜厚
３１２ 角膜横径距離
３１４ 瞳孔径
３１６ 後房深度
３１８ 網膜厚
４００ 方法の実施のための機能ブロック
４０２ スキャン結果
４０４ バイオメトリックデータ
４０６ ニューラルネットワーク
４０８ ＩＯＬ位置
４１０ 屈折力の数式ベースの決定
４１２ 機械学習システム
４１４ 最終屈折力
５００ 屈折力を予測するためのシステム
５０２ 製品モジュール
５０４ 第１の訓練モジュール
５０６ 第２の訓練モジュール
５０８ 受信モジュール
５１０ 更なる機械学習システム
５１２ バスシステム
６００ 予測システム
６００ コンピュータシステム
６０２ プロセッサ
６０４ ストレージシステム
６０６ バスシステム
６０８ ＲＡＭ
６１０ ＲＯＭ
６１２ 長期メモリ
６１４ Ｉ／Ｏコントローラ
６１６ プログラムモジュール、潜在データ
６１８ キーボード
６２０ 画面
６２２ ネットワークアダプタ

Claims (8)

1. 挿入される眼内レンズ（２０２）のためのパラメータ値を決定するための機械学習支援処理パイプラインのためのコンピュータ実装方法（１００）であって、
   － 眼（３００）のスキャン結果（４０２）を提供するステップ（１０２）であって、前記スキャン結果（４０２）は、前記眼（３００）の解剖学的構造の画像を表す、ステップと、
   － 眼の前記スキャン結果（４０２）から前記眼（３００）のバイオメトリックデータ（４０４）を決定するステップ（１０４）と、
   － 挿入される眼内レンズ（２０２）の最終位置（４０８）を決定するために、第１の訓練された機械学習システム（４０６）を用いるステップ（１０６）であって、眼科データ（４０４）が前記第１の機械学習システム（４０６）のための入力データとして機能する、ステップと、
   － 挿入される前記眼内レンズ（２０２）の第１の屈折力（４１４）を決定するステップ（１０８）であって、前記決定は、前記眼内レンズ（２０２）の前記決定された最終位置（４０８）及び前記決定されたバイオメトリックデータ（４０４）が物理モデル（４１０）のための入力変数として用いられる前記物理モデル（４１０）に基づく、ステップと、
   － 前記バイオメトリックデータ（４０４）及び前記第１の屈折力（４１４）からの少なくとも１つの変数が入力変数として用いられる、第２の機械学習システムによって前記眼内レンズの最終屈折力を決定するステップと、を含み、
   前記第２の機械学習システム（４１２）は２段階で訓練され、
   － 第１の訓練ステップは、
   － 眼内レンズのための屈折力に対する第１の物理モデルに基づいて、機械学習システムのための第１の訓練データを生成することと、
   － 屈折力を決定するための第１の学習モデルを形成する目的のために、前記生成された第１の訓練データによって前記機械学習システムを訓練することと、を含み、
   － 第２の訓練ステップは、
   － 屈折力を決定するための第２の学習モデルを形成する目的のために、臨床眼科訓練データを用いて前記第１の訓練データにより訓練された前記機械学習システムを訓練することを含む、
   方法（１００）。
2. 前記眼の前記バイオメトリックデータは、術前眼軸長（３０２）、術前レンズ厚、術前前房深度（３０４）、及び術中前房深度からなる群から選択される少なくとも１つを含む、請求項１に記載の方法（１００）。
3. 前記第１の機械学習システム（４０６）は、畳み込みニューラルネットワーク、グラフアテンションネットワーク、又は２つの前記ネットワークの組み合わせである、請求項１又は２に記載の方法（１００）。
4. 前記バイオメトリックデータ（４０４）からの前記１つの変数は、前記術前眼軸長である、請求項１～３のいずれか一項に記載の方法（１００）。
5. 前記眼のバイオメトリックデータ（４０４）は、前記画像から手動で、又は前記眼の前記提供されたスキャン結果（４０２）から機械学習システムによって決定される、請求項１～４のいずれか一項に記載の方法（１００）。
6. 前記眼（３００）の更なるパラメータは、挿入される前記眼内レンズの前記最終位置（４１４）を決定する場合に決定される、請求項１～５のいずれか一項に記載の方法（１００）。
7. 挿入される眼内レンズ（２０２）のためのパラメータ値を決定するための機械学習支援処理パイプラインのための処理パイプラインシステム（５００）であって、
   － 眼（３００）のスキャン結果（４０２）を提供するよう構成される受信モジュール（５０２）であって、前記スキャン結果（４０２）は前記眼（３００）の解剖学的構造の画像を表す、受信モジュール（５０２）と、
   － 眼（３００）の前記スキャン結果（４０２）から前記眼（３００）のバイオメトリックデータ（４０４）を決定するよう構成される決定ユニット（５０４）と、
   － 挿入される眼内レンズ（２０２）の最終位置（４０８）を決定するための第１の訓練された機械学習システム（４０６）であって、眼科データ（４０４）が前記第１の機械学習システム（４０６）のための入力データとして機能する、第１の訓練された機械学習システム（４０６）と、
   － 挿入される前記眼内レンズの第１の屈折力を決定するよう構成される決定ユニット（５０８）であって、前記決定は、前記眼内レンズの前記決定された最終位置及び前記決定されたバイオメトリックデータが物理モデルのための入力変数として用いられる前記物理モデルに基づく、決定ユニット（５０８）と、
   － 第２の機械学習システムによって前記眼内レンズの最終屈折力を決定するよう構成される決定ユニットであって、前記バイオメトリックデータ（４０４）及び前記第１の屈折力（４１４）からの少なくとも１つの変数が入力変数として用いられる、決定ユニットと、を備え、
   前記第２の機械学習システム（４１２）は２段階で訓練され、
   － 第１の訓練ステップは、
   － 眼内レンズのための屈折力に対する第１の物理モデルに基づいて、機械学習システムのための第１の訓練データを生成することと、
   － 屈折力を決定するための第１の学習モデルを形成する目的のために、前記生成された第１の訓練データによって前記機械学習システムを訓練することと、を含み、
   － 第２の訓練ステップは、
   － 屈折力を決定するための第２の学習モデルを形成する目的のために、臨床眼科訓練データを用いて前記第１の訓練データにより訓練された前記機械学習システムを訓練することを含む、
   処理パイプラインシステム（５００）。
8. 挿入される眼内レンズのためのパラメータ値を決定するための機械学習支援処理パイプラインのためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、それに格納されるプログラム命令を有するコンピュータ読取可能ストレージ媒体を有し、前記プログラム命令は、１つ以上のコンピュータ又は制御ユニットによって実行可能であり、前記１つ以上のコンピュータ又は制御ユニットに請求項１～６のいずれか一項に記載の方法を実行するよう促す、コンピュータプログラム製品。

Images