JP2024001913A - 画像処理方法、画像処理装置、プログラム、及び記録媒体 - Google Patents

Abstract

【課題】偏光分離検出機能を持たないＯＣＴモダリティで取得された画像から、複屈折由来アーティファクトが低減された画像を生成するための新たな技術を提供する。【解決手段】実施形態の１つの態様は、ＯＣＴ画像を処理する装置（眼科装置１）であって、画像取得部（ＯＣＴスキャナ：ＯＣＴユニット１００、光スキャナ４４など）と、処理部（データ処理部２３０の平均画像生成部２３１）とを含んでいる。画像取得部は、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して生成された複数の画像を取得する。処理部は、画像取得部により取得された複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する。【選択図】図３

Description

本開示は、光コヒーレンストモグラフィ（ＯＣＴ）画像を処理するための方法、装置、プログラム、及び記録媒体に関する。

近年、レーザー光源等からの光ビームを用いて被測定物体（サンプル）の表面形態や内部形態を表す画像を生成するためのＯＣＴが注目を集めている。ＯＣＴは、Ｘ線ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）のような生体に対する侵襲性を持たないことから、特に医療分野や生物学分野における応用の展開が期待されている。例えば眼科分野においては、眼底や角膜等の画像を生成するための装置が実用化されている。

ＯＣＴ画像には様々なアーティファクトが生じる。その１つとして、サンプルの複屈折性に由来するアーティファクトがある。複屈折性は、光の偏光及び伝搬方向に依存する屈折率を持つ物質の光学特性である。複屈折性を持つサンプルを透過する光線は、その偏光の状態によって２つの光線に分けられる。複屈折に由来するアーティファクト（複屈折由来アーティファクト）は、偏光を検出可能なＯＣＴモダリティで生成されたＯＣＴ画像だけでなく、通常のＯＣＴ強度画像にも生じる。なお、偏光を検出可能なＯＣＴモダリティ（偏光感受型ＯＣＴ）には、例えば、特許文献１～３に記載されたものがある。

複屈折由来アーティファクトを除去するための技術として、ＯＣＴ信号を２つの偏光成分に分離して検出し、検出された２つの偏光成分信号の強度を合成してＯＣＴ強度信号を生成する手法が知られている。この手法は、例えば、非特許文献１に記載されているように、偏光ビームスプリッターと２つの光検出器とを組み合わせた検出モジュール（偏光分離検出機能）を用いて実現される。

特許第４３４４８２９号明細書 特許第６２５６８７９号明細書 特許第６５７９７１８号明細書

Ｓｈｕｉｃｈｉ Ｍａｋｉｔａ、Ｔｏｓｈｉｈｉｒｏ Ｍｉｎｏ、Ｔａｓｔｕｏ Ｙａｍａｇｕｃｈｉ、Ｍａｓｈｉｒｏ Ｍｉｕｒａ、Ｓｈｉｎｎｏｓｕｋｅ Ａｚｕｍａ、 ａｎｄ Ｙｏｓｈｉａｋｉ Ｙａｓｕｎｏ、 "Ｃｌｉｎｉｃａｌ ｐｒｏｔｏｔｙｐｅ ｏｆ ｐｉｇｍｅｎｔ ａｎｄ ｆｌｏｗ ｉｍａｇｉｎｇ ｏｐｔｉｃａｌ ｃｏｈｅｒｅｎｃｅ ｔｏｍｏｇｒａｐｈｙ ｆｏｒ ｐｏｓｔｅｒｉｏｒ ｅｙｅ ｉｎｖｅｓｔｉｇａｔｉｏｎ"、 Ｂｉｏｍｅｄｉｃａｌ Ｏｐｔｉｃｓ Ｅｘｐｒｅｓｓ、 Ｖｏｌ． ９、 Ｉｓｓｕｅ ９、 ｐｐ． ４３７２－４３８９ （２０１８）

本開示の目的の１つは、偏光分離検出機能を持たないＯＣＴモダリティで取得された画像から、複屈折由来アーティファクトが低減された画像を生成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１つの態様は、光コヒーレンストモグラフィ（ＯＣＴ）画像を処理する方法であって、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して複数の画像を取得し、前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する。

実施形態の別の態様は、光コヒーレンストモグラフィ（ＯＣＴ）画像を処理する装置であって、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して生成された複数の画像を取得する画像取得部と、前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する処理部とを含んでいる。

実施形態の更に別の態様は、光コヒーレンストモグラフィ（ＯＣＴ）画像を処理するためのプログラムであって、コンピュータに、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して生成された複数の画像を取得する工程と、前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する工程とを実行させる。

実施形態の更に別の態様は、光コヒーレンストモグラフィ（ＯＣＴ）画像を処理するためのプログラムが記録された、コンピュータ可読な非一時的記録媒体であって、前記プログラムは、コンピュータに、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して生成された複数の画像を取得する工程と、前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する工程とを実行させる。

実施形態によれば、偏光分離検出機能を持たないＯＣＴモダリティで取得された画像から複屈折由来アーティファクトが低減された画像を生成するための新たな技術を提供することが可能である。

実施形態の例示的な態様に係る画像処理装置（眼科装置）の構成の一例を表す概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）の構成の一例を表す概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）の構成の一例を表す概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）の構成の一例を表す概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）により生成された画像の利用方法の一例を説明するための概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）により生成された画像の利用方法の一例を説明するための概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）により生成された画像の利用方法の一例を説明するための概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）により生成された画像の利用方法の一例を説明するための概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）により生成された画像の利用方法の一例を説明するための概略図である。 実施形態の例示的な態様に係る画像処理装置（眼科装置）の応用の一例を表すフローチャートである。 実施形態の例示的な態様に係る画像処理装置（眼科装置）の応用の一例を表すフローチャートである。 実施形態の例示的な態様に係る画像処理装置（眼科装置）の動作の一例を表すフローチャートである。 実施形態の例示的な態様に係る画像処理装置（眼科装置）の動作の一例を表すフローチャートである。

実施形態の幾つかの例示的な態様に係る画像処理方法、画像処理装置、プログラム、及び記録媒体について、図面を参照しながら詳細に説明する。本開示では、特に眼科分野への幾つかの応用例を説明するが、実施形態はそれらに限定されるものではなく、ＯＣＴを利用可能な分野であって複屈折由来アーティファクトが生じる又はその可能性のある分野への応用が可能である。

本開示において引用されている文献に記載された任意の事項や、他の任意の公知技術に関する事項を、実施形態に組み合わせることが可能である。また、本開示においては、特に言及しない限り、「画像データ」とそれに基づく可視化情報である「画像」とは区別されない。

実施形態に係る画像処理装置は、サンプルのＯＣＴ画像を取得する機能を有する。この機能を実現するために採用可能な構成は任意であってよい。幾つかの例示的な態様において、画像処理装置は、サンプルのＯＣＴ画像を取得するために、サンプルにＯＣＴスキャンを適用してデータを収集し、収集されたデータを処理してＯＣＴ画像を構築するように構成される。このＯＣＴスキャンに用いられるＯＣＴの種類（ＯＣＴモダリティ）は任意であってよく、例えば、フーリエドメインＯＣＴ（スウェプトソースＯＣＴ、又は、スペクトラルドメインＯＣＴ）でもタイムドメインＯＣＴでもよい。

また、幾つかの例示的な態様において、画像処理装置は、サンプルのＯＣＴ画像を外部から取得するように構成される。このような画像処理装置は、例えば、記憶装置に保存されているＯＣＴ画像を通信回線を介して受信するための通信デバイス、ＯＣＴ装置により取得されたＯＣＴ画像を通信回線を介して受信するための通信デバイス、及び、記録媒体に記録されているＯＣＴ画像を読み出すためのデータリーダーのいずれかを備えていてよい。

実施形態に係る画像処理装置は、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して複数の画像を取得するように構成される。すなわち、実施形態に係る画像処理装置は、当該画像処理装置のＯＣＴスキャナを用いて異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用することによって複数の画像を取得するように構成され、及び／又は、他のＯＣＴ装置を用いて異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用することによって複数の画像を取得するように構成される。複数の偏光条件は、例えば、ＯＣＴスキャナの測定アーム及び／又は参照アームに設けられた偏光変調器を用いて実現される。

更に、実施形態に係る画像処理装置は、取得された複数の画像から、複屈折由来アーティファクトが低減された画像を生成する機能を有する。より具体的には、実施形態に係る画像処理装置は、複数の偏光条件に対応する複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された画像を生成する。このようにして生成される画像を平均画像と呼ぶ。

実施形態に係る画像処理装置により生成された平均画像は、例えば、記憶され及び／又は提供される。幾つかの例示的な態様において、平均画像は、画像処理装置の内部又は外部に配置されている記憶装置に保存される。画像処理装置の内部の記憶装置は、例えば、ハードディスクドライブ、ソリッドステートドライブなどであってよい。画像処理装置の外部の記憶装置は、例えば、データベースシステム、データ管理システムなどであってよい。このようなシステムの例として、医療分野の代表的な画像管理システムであるＰｉｃｔｕｒｅ ａｒｃｈｉｖｉｎｇ ａｎｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｙｓｔｅｍ（ＰＡＣＳ）がある。

また、幾つかの例示的な態様において、画像処理装置により生成された平均画像は、画像処理装置の内部又は外部に設けられたコンピュータに提供される。このコンピュータは、平均画像を処理して新たな情報を生成する機能を有する。このコンピュータの機能の例として、平均画像を解析して解析情報を生成する機能、平均画像を処理して可視化情報を生成する機能、平均画像を別の情報と組み合わせて新たな情報を生成する機能、平均画像に基づき機械学習用の訓練データ（教師データ、学習データ）を生成する機能、平均画像を含む訓練データ及び／又は平均画像に基づく情報を含む訓練データを用いて機械学習を実行する機能、平均画像及び／又はそれに基づく情報を用いて推論を実行する機能、これらの機能のうちの２つ以上を少なくとも部分的に組み合わせた機能などがある。

本開示に係る要素の機能の少なくとも一部は、回路構成（ｃｉｒｃｕｉｔｒｙ）又は処理回路構成（ｐｒｏｃｅｓｓｉｎｇ ｃｉｒｃｕｉｔｒｙ）を用いて実装される。回路構成又は処理回路構成は、開示された機能の少なくとも一部を実行するように構成及び／又はプログラムされた、汎用プロセッサ、専用プロセッサ、集積回路、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）、従来の回路構成、及びそれらの任意の組み合わせのいずれかを含む。プロセッサは、トランジスタ及び／又は他の回路構成を含む、処理回路構成又は回路構成とみなされる。本開示において、回路構成、ユニット、手段、又はこれらに類する用語は、開示された機能の少なくとも一部を実行するハードウェア、又は、開示された機能の少なくとも一部を実行するようにプログラムされたハードウェアである。ハードウェアは、本開示に記載されているハードウェアであってよく、或いは、本開示に記載されている機能の少なくとも一部を実行するようにプログラム及び／又は構成された既知のハードウェアであってもよい。ハードウェアが或るタイプの回路構成とみなされ得るプロセッサである場合、回路構成、ユニット、手段、又はこれらに類する用語は、ハードウェアとソフトウェアとの組み合わせであり、このソフトウェアはハードウェア及び／又はプロセッサを構成するために使用される。

＜画像処理装置（眼科装置）の構成＞
図１に示す眼科装置１は、実施形態に係る画像処理装置の１つの例示的な態様であり、サンプルのＯＣＴ画像を取得するために、サンプルにＯＣＴスキャンを適用してデータを収集し、収集されたデータを処理してＯＣＴ画像を構築するように構成されている。本態様において、サンプルはヒトの生体眼（被検眼）である。

眼科装置１は、ＯＣＴ装置と眼底カメラとを組み合わせた複合機であり、被検眼Ｅ（眼底Ｅｆ及び前眼部Ｅａ）にＯＣＴスキャンを適用する機能と、被検眼Ｅ（眼底Ｅｆ及び前眼部Ｅａ）のデジタル写真撮影を行う機能とを備えている。

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、被検眼の正面画像を取得するための各種の要素（光学系、機構など）が設けられている。ＯＣＴユニット１００には、ＯＣＴスキャンのための各種の要素（光学系、機構など）の一部が設けられている。ＯＣＴスキャンのための他の幾つかの要素は、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、各種の処理（演算、制御など）を実行するように構成された１つ以上のプロセッサと１つ以上の記憶装置とを含む。更に、眼科装置１は、顎受け、額当てなどを含む。

アタッチメント４００は、ＯＣＴスキャンを適用する部位を後眼部（眼底Ｅｆ）と前眼部Ｅａとの間で切り替えるためのレンズ群を含む。アタッチメント４００は、例えば、特開２０１５－１６０１０３号公報に開示された光学ユニットであってよい。アタッチメント４００は、対物レンズ２２と被検眼Ｅとの間に配置可能である。眼底ＥｆにＯＣＴスキャンを適用するためにアタッチメント４００は光路から退避され、前眼部ＥａにＯＣＴスキャンを適用するためにアタッチメント４００は光路に配置される。逆に、前眼部ＥａにＯＣＴスキャンを適用するためにアタッチメント４００は光路から退避され、眼底ＥｆにＯＣＴスキャンを適用するためにアタッチメント４００は光路に配置される構成であってもよい。アタッチメント４００の移動は、手動又は自動で行われる。ＯＣＴスキャンを適用する部位を切り替えるための要素は、このようなアタッチメントに限定されず、例えば、光路に沿って移動可能な１つ以上のレンズを含む構成であってもよい。

＜眼底カメラユニット２＞
眼底カメラユニット２には、被検眼Ｅのデジタル写真撮影を行うための要素（光学系、機構など）が設けられている。取得されるデジタル写真は、観察画像、撮影画像などの正面画像である。観察画像は、例えば近赤外光を用いた動画撮影により取得され、アライメント、フォーカシング、トラッキングなどに利用される。撮影画像は、例えば可視領域又は赤外領域のフラッシュ光を用いた静止画像であり、診断、解析などに利用される。

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、凹面鏡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、リレーレンズ系１７、リレーレンズ１８、絞り１９、及びリレーレンズ系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（及びアタッチメント４００内の光学素子）により屈折されて被検眼Ｅを照明する。観察照明光の被検眼Ｅからの戻り光は、（アタッチメント４００内の光学素子、及び）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を透過し、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、結像レンズ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。撮影光学系３０のフォーカス（焦点位置）は、典型的には、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被検眼Ｅ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、結像レンズ３７によりイメージセンサ３８の受光面に結像される。

液晶ディスプレイ（ＬＣＤ）３９は固視標（固視標画像）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。固視標画像の表示位置を変更することによって、固視標による被検眼Ｅの固視位置を変更できる。これにより、被検眼Ｅの視線を所望の方向に誘導することができる。

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指標を生成する。発光ダイオード（ＬＥＤ）５１から出力されたアライメント光は、絞り５２、絞り５３、及びリレーレンズ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の孔部を通過し、ダイクロイックミラー４６を透過し、対物レンズ２２を介して被検眼Ｅに投射される。アライメント光の被検眼Ｅからの戻り光は、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（アライメント指標像）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。

アライメントの手法は、アライメント指標を用いる手法に限定されない。例えば、幾つかの例示的な態様の眼科装置は、特開２０１３－２４８３７６号公報に記載されているように、前眼部を異なる方向から撮影して２つ以上の前眼部画像を取得し、これらの前眼部画像を解析して被検眼の３次元位置を求め、この３次元位置に基づき光学系を移動させるように構成されていてよい（ステレオアライメント）。

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指標を生成する。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、フォーカス光学系６０は照明光学系１０の光路（照明光路）に沿って移動される。フォーカス調整を行うために、反射棒６７が照明光路に挿入されて傾斜配置される。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、スプリット指標板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を介して被検眼Ｅに投射される。フォーカス光の被検眼Ｅからの戻り光は、アライメント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（スプリット指標像）に基づいてマニュアルフォーカシングやオートフォーカシングを実行できる。

孔開きミラー２１とダイクロイックミラー５５との間の撮影光路には、視度補正レンズ７０及び７１が選択的に挿入される。視度補正レンズ７０は、強度遠視を補正するためのプラスレンズ（凸レンズ）である。視度補正レンズ７１は、強度近視を補正するためのマイナスレンズ（凹レンズ）である。

ダイクロイックミラー４６は、デジタル写真撮影用光路（照明光路及び撮影光路）にＯＣＴ用光路（測定アーム）を結合する。ダイクロイックミラー４６は、ＯＣＴスキャン用の波長帯の光を反射し、デジタル写真撮影用の波長帯の光を透過させる。測定アームには、ＯＣＴユニット１００側から順に、コリメータレンズユニット４０、リトロリフレクタ４１、分散補償部材４２、ＯＣＴ合焦レンズ４３、光スキャナ４４、及びリレーレンズ４５が設けられている。

リトロリフレクタ４１は、図１の矢印が示す方向（測定光ＬＳの入射方向及び出射方向）に移動可能とされている。それにより、測定アームの長さが変更される。測定アーム長の変更は、例えば、眼軸長に応じた光路長の補正や、角膜形状や眼底形状に応じた光路長の補正や、干渉状態の調整などのために利用される。

分散補償部材４２は、参照アームに配置された分散補償部材１１３（後述）とともに、測定光ＬＳの分散特性と参照光ＬＲの分散特性とを合わせるよう作用する。

ＯＣＴ合焦レンズ４３は、測定アームのフォーカス調整を行うために図１の矢印が示す方向（測定アームの光軸）に沿って移動可能とされている。それにより、測定アームのフォーカス状態（焦点の位置、焦点距離）が変更される。眼科装置１は、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可能であってよい。

光スキャナ４４は、実質的に、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４４は、測定アームにより導かれる測定光ＬＳの進行方向（伝搬方向）を変化させるための偏向器である。光スキャナ４４は、例えば、ｘ方向のスキャンを行うための偏向器（ｘ－スキャナ）と、ｙ方向のスキャンを行うための偏向器（ｙ－スキャナ）とを含む、２次元偏向器である。偏向器の種類は任意であってよく、例えばガルバノスキャナであってよい。

光スキャナ４４は、後眼部ＯＣＴのためにアタッチメント４００が測定アームから退避されているときには、被検眼Ｅの瞳孔に対して実質的に光学的に共役に配置され、前眼部ＯＣＴのためにアタッチメント４００が測定アームに挿入されているときには、前眼部Ｅａの近傍位置（例えば、前眼部Ｅａとアタッチメント４００との間の位置）に対して実質的に光学的に共役に配置される。

＜ＯＣＴユニット１００＞
図２に示す例示的なＯＣＴユニット１００には、スウェプトソースＯＣＴを適用するための光学系や機構が設けられている。この光学系は干渉光学系を含む。この干渉光学系は、波長可変光源（波長掃引型光源）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重ね合わせて干渉光を生成し、この干渉光を検出する。干渉光検出により生成される電気信号（検出信号）は、干渉光のスペクトルを表す信号（干渉信号）を含み、演算制御ユニット２００（画像構築部２２０）に送られる。

光源ユニット１０１は、例えば、出射光の波長を高速で変化させる近赤外波長可変レーザーを含む。光源ユニット１０１から出力された光Ｌ０は、光ファイバ１０２により偏光コントローラ１０３に導かれてその偏光状態が調整され、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。測定光ＬＳの光路は測定アームなどと呼ばれ、参照光ＬＲの光路は参照アームなどと呼ばれる。

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、リトロリフレクタ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ための光学素子である。分散補償部材１１３は、測定アームに配置された分散補償部材４２とともに、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。リトロリフレクタ１１４は、これに入射する参照光ＬＲの光路に沿って移動可能であり、それにより参照アームの長さが変更される。参照アーム長の変更は、例えば、眼軸長に応じた光路長の補正や、角膜形状や眼底形状に応じた光路長の補正や、干渉状態の調整などに利用される。

リトロリフレクタ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、偏光コントローラ１１８に導かれてその偏光状態が調整される。偏光コントローラ１１８は、例えば、測定光ＬＳと参照光ＬＲとの干渉強度を最適化するために用いられる。偏光コントローラ１１８を通過した参照光ＬＲは、光ファイバ１１９を通じてアッテネータ１２０に導かれてその光量が調整され、光ファイバ１２１を通じてファイバカプラ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によりコリメータレンズユニット４０に導かれて平行光束に変換された後、リトロリフレクタ４１、分散補償部材４２、ＯＣＴ合焦レンズ４３、光スキャナ４４、リレーレンズ４５、ダイクロイックミラー４６、及び対物レンズ２２（及び、アタッチメント４００）を経由して、被検眼Ｅに投射される。被検眼Ｅに入射した測定光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。測定光ＬＳの被検眼Ｅからの戻り光（後方散乱光、反射光など）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を通じてファイバカプラ１２２に導かれる。

ファイバカプラ１２２は、光ファイバ１２８からの測定光ＬＳ（被検眼Ｅからの戻り光）と、光ファイバ１２１からの参照光ＬＲとを重ね合わせて干渉光を生成する。ファイバカプラ１２２は、生成された干渉光を所定の分割比（例えば１：１）で２つの光に分割することによって一対の干渉光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、例えばバランスドフォトダイオードを含む。バランスドフォトダイオードは、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含み、一対のフォトディテクタにより生成される一対の電気信号の差分を出力する。出力された差分信号（検出信号）はデータ収集システム（ＤＡＱ、ＤＡＳ）１３０に送られる。

データ収集システム１３０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、波長可変光源により所定の波長範囲内で掃引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を分岐して２つの分岐光を生成し、一方の分岐光に対して光学的遅延を印可し、遅延を受けた一方の分岐光と他方の分岐光とを合成し、得られた合成光を検出し、その検出結果に基づきクロックＫＣを生成する。データ収集システム１３０は、光源ユニット１０１から入力されるクロックＫＣに基づいて、検出器１２５から入力される検出信号のサンプリングを実行する。このサンプリングの結果は演算制御ユニット２００に送られる。

本態様では、測定アーム長を変更するための要素（リトロリフレクタ４１など）と、参照アーム長を変更するための要素（リトロリフレクタ１１４、参照ミラーなど）との双方が設けられているが、幾つかの例示的な態様では、これら２つの要素の一方のみが設けられていてもよい。

本態様では、参照光ＬＲの偏光状態を変化させるための要素（偏光コントローラ１１８）が設けられている。幾つかの例示的な態様では、参照光ＬＲの偏光状態を変化させるための要素の代わりに、測定光ＬＳの偏光状態を変化させるための要素（偏光コントローラ）が設けられていてもよい。また、幾つかの例示的な態様では、参照光ＬＲの偏光状態を変化させるための要素と、測定光ＬＳの偏光状態を変化させるための要素との双方が設けられていてもよい。

図２のＯＣＴユニット１００に採用されているスウェプトソースＯＣＴは、波長可変光源からの光を測定光と参照光とに分割し、被検物からの測定光の戻り光を参照光と重ね合わせて干渉光を生成し、この干渉光を光検出器で検出し、波長の掃引及び測定光のスキャンに応じて収集された検出データにフーリエ変換等を施して画像を構築する手法である。これに対し、スペクトラルドメインＯＣＴは、低コヒーレンス光源（広帯域光源）からの光を測定光と参照光とに分割し、被検物からの測定光の戻り光を参照光と重ね合わせて干渉光を生成し、この干渉光のスペクトル分布を分光器で検出し、検出されたスペクトル分布にフーリエ変換等を施して画像を構築する手法である。端的に言うと、スウェプトソースＯＣＴは、干渉光のスペクトル分布を時分割で取得するＯＣＴ手法であり、スペクトラルドメインＯＣＴは、干渉光のスペクトル分布を空間分割で取得するＯＣＴ手法である。実施形態に適用可能なＯＣＴ手法がスウェプトソースＯＣＴに限定されないことは、当業者にとって明らかである。

＜制御系・処理系＞
眼科装置１の制御系及び処理系の構成例を図３に示す。制御部２１０、画像構築部２２０、及びデータ処理部２３０は、例えば演算制御ユニット２００に設けられている。図示は省略するが、眼科装置１は、通信デバイス、ドライブ装置（リーダー／ライター）を含んでいてもよい。

＜制御部２１０＞
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２１１は、プロセッサを含み、眼科装置１の要素（図１～図４に示された要素）を制御する。主制御部２１１は、プロセッサを含むハードウェアと、制御ソフトウェアとの協働によって実現される。記憶部２１２は、ハードディスクドライブ、ソリッドステートドライブなどの記憶装置を含み、データを記憶する。

撮影合焦駆動部３１Ａは、主制御部２１１の制御の下に、撮影光路に設けられた撮影合焦レンズ３１と照明光路に設けられたフォーカス光学系６０とを移動する。リトロリフレクタ（ＲＲ）駆動部４１Ａは、主制御部２１１の制御の下に、測定アームに設けられたリトロリフレクタ４１を移動する。ＯＣＴ合焦駆動部４３Ａは、主制御部２１１の制御の下に、測定アームに設けられたＯＣＴ合焦レンズ４３を移動する。リトロリフレクタ（ＲＲ）駆動部１１４Ａは、主制御部２１１の制御の下に、参照アームに設けられたリトロリフレクタ１１４を移動する。移動機構１５０は、眼科装置１の光学系を３次元的に移動する（ｘ方向、ｙ方向、及びｚ方向に移動する）。挿脱機構４００Ａは、アタッチメント４００の光路への挿入及び光路からの退避を行う。

＜画像構築部２２０＞
画像構築部２２０は、データ収集システム１３０から入力された信号（サンプリングデータ）に基づいて、被検眼ＥのＯＣＴ画像データを構築する。構築されるＯＣＴ画像データは、１つ以上のＡスキャン画像データであり、例えば、複数のＡスキャン画像データからなるＢスキャン画像データ（２次元断面像データ）である。画像構築部２２０は、プロセッサを含むハードウェアと、画像構築ソフトウェアとの協働によって実現される。

サンプリングデータからＯＣＴ画像データを構築するために、画像形成部２２０は、例えば、従来のスウェプトソースＯＣＴと同様に、Ａラインごとのサンプリングデータに基づくスペクトル分布に信号処理を施してＡラインごとの反射強度プロファイル（Ａラインプロファイル）を生成し、各Ａラインプロファイルを画像化して複数のＡスキャン画像データを生成し、これらＡスキャン画像データをスキャンパターン（複数のスキャン点の配置）にしたがって配列する。Ａラインプロファイルを生成するための上記信号処理には、ノイズリダクション（デノイジング）、フィルタリング、高速フーリエ変換（ＦＦＴ）などが含まれる。他のＯＣＴ手法を用いる場合には、その手法に応じた公知のＯＣＴ画像データ構築処理が実行される。

画像構築部２２０は、被検眼Ｅの３次元領域（ボリューム）を表現した３次元画像データを構築するように構成されてもよい。３次元画像データは、３次元座標系により画素（ピクセル）の位置が定義された画像データであり、その例としてスタックデータやボリュームデータがある。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面像を、これらスキャンラインの位置関係にしたがって配列して得られた画像データである。ボリュームデータは、例えばスタックデータに補間処理やボクセル化処理などを適用することによって構築された、３次元的に配列されたボクセルを画素とする画像データであり、ボクセルデータとも呼ばれる。

画像構築部２２０は、このようにして構築されたＯＣＴ画像データから新たなＯＣＴ画像データを作成することができる。幾つかの例示的な態様において、画像構築部２２０は、３次元画像データにレンダリングを適用することができる。レンダリングの例として、ボリュームレンダリング、サーフェスレンダリング、最大値投影（ＭＩＰ）、最小値投影（ＭｉｎＩＰ）、多断面再構成（ＭＰＲ）などがある。

幾つかの例示的な態様において、画像構築部２２０は、３次元画像データからＯＣＴ正面画像を構築するように構成されてよい。例えば、画像構築部２２０は、３次元画像データをｚ方向（Ａライン方向、深さ方向）に投影してプロジェクションデータを構築することができる。また、画像構築部２２０は、３次元画像データの部分データ（例えば、スラブ）からプロジェクションデータを構築することができる。この部分データは、例えば、画像セグメンテーション（単に、セグメンテーションとも呼ばれる）を用いて自動で指定され、又は、ユーザーによって手動で指定される。このセグメンテーションの手法は任意であってよく、例えば、エッジ検出等の画像処理、及び／又は、機械学習を利用したセグメンテーションを含んでいてよい。このセグメンテーションは、例えば、画像構築部２２０又はデータ処理部２３０により実行される。

眼科装置１は、ＯＣＴモーションコントラスト撮影（ｍｏｔｉｏｎ ｃｏｎｔｒａｓｔ ｉｍａｇｉｎｇ）を実行可能であってよい。ＯＣＴモーションコントラスト撮影は、眼内に存在する液体等の動きを抽出するイメージング技術である（例えば、特表２０１５－５１５８９４号公報を参照）。ＯＣＴモーションコントラスト撮影は、例えば、血管の描出を描出するためのＯＣＴアンジオグラフィ（ＯＣＴ Ａｎｇｉｏｇｒａｐｈｙ、ＯＣＴＡ）に用いられる。

＜データ処理部２３０＞
データ処理部２３０は、被検眼Ｅの画像に対して特定のデータ処理を適用するように構成されている。データ処理部２３０は、例えば、プロセッサを含むハードウェアと、データ処理ソフトウェアとの協働によって実現される。本態様のデータ処理部２３０は、図４に示す平均画像生成部２３１を含んでいる。

まず、平均画像生成部２３１が実行する処理に提供される画像について説明する。本態様の眼科装置１は、異なる複数の偏光条件に対応する複数のＯＣＴスキャンを被検眼Ｅに適用する。複数の偏光条件は、予め設定された単一の条件群でもよいし、予め設定された２つ以上の条件群のうちから選択された１つの条件群でもよいし、被検眼Ｅに対して個別に設定された条件群でもよい。

眼科装置１は、参照アームに設けられた偏光コントローラ１１８の制御とＯＣＴスキャナ（ＯＣＴユニット１００、光スキャナ４４など）の制御とを実行することにより、異なる複数の偏光条件に対応する複数のＯＣＴスキャンを被検眼Ｅに適用する。これにより、複数の偏光条件に対応する複数のデータセットが収集される。画像構築部２２０は、収集された複数のデータセットのそれぞれからＯＣＴ画像を構築する。これにより、複数の偏光条件に対応する複数のＯＣＴ画像が得られる。

平均画像生成部２３１は、このようにして取得された複数のＯＣＴ画像に平均化処理を適用する。この平均化処理により、複数のＯＣＴ画像に混入している複屈折由来アーティファクトが平均化され、複屈折由来アーティファクトが低減された画像が得られる。得られた画像を平均画像と呼ぶ。

平均化処理は、画素値の平均を算出する処理である。平均化処理に用いられる演算の種類は任意であってよい。例えば、平均化処理に用いられる平均演算は、加算平均（算出平均、相加平均、単純平均）、加重平均、幾何平均（相乗平均）、及び、対数平均のうちのいずれか１つを含んでいてよい。或いは、平均化処理に用いられる平均演算は、加算平均、加重平均、幾何平均、及び、対数平均のうちのいずれか２つ以上を含んでいてもよい。また、２つ以上の種類の平均演算を選択的に用いて平均化処理を実行するようにしてもよい。

幾つかの例示的な態様の平均画像生成部２３１は、平均化処理のみを実行することによって平均画像を生成するように構成されてよい。また、幾つかの例示的な態様の平均画像生成部２３１は、平均化処理に加えて、他の処理を実行するように構成されていてもよい。幾つかの例示的な態様において、平均画像生成部２３１は、平均化処理よりも前に所定の処理（前処理）を実行するように構成されていてよい。前処理の種類は任意であってよく、その例として、ＯＣＴ画像間の位置合わせ（レジストレーション）、ＯＣＴ画像のコントラスト補正、ＯＣＴ画像のノイズリダクションなどがある。幾つかの例示的な態様において、平均画像生成部２３１は、平均化処理よりも後に所定の処理（後処理）を実行するように構成されていてよい。後処理の種類は任意であってよく、その例として、平均画像のコントラスト補正、平均画像のノイズリダクションなどがある。

平均化処理が加算平均処理を含む場合について説明する。加算平均以外の平均演算が実行される場合の説明は省略するが、採用される種類の平均演算の特性や特徴に応じた作用効果が奏されることは、当業者であれば理解できるであろう。

加算平均は、複数のＯＣＴ画像における複数の対応画素群（Ｎ個のＯＣＴ画像から１つずつ選択されたＮ個の画素からなる群）のそれぞれについて、その対応画素群を構成する複数の画素の値を加算し、得られた和の値を複数の画素の個数で除算する平均演算である。加算平均によれば、複数のＯＣＴ画像に生じたスペックルノイズを低減することができる（例えば、国際公開第２０１１／０５２１３１号を参照）。一般に、加算平均は、ランダムノイズの低減に寄与する。

平均化処理が加算平均処理を含む場合、平均画像生成部２３１は、複数の偏光条件に対応する複数のＯＣＴ画像に対して加算平均処理（より一般に、加算平均処理を含む平均化処理）を適用する。これにより、複屈折由来アーティファクト及びスペックルノイズ（より一般に、複屈折由来アーティファクト及びランダムノイズ）の双方が低減された平均画像が生成される。この平均画像を加算平均画像と呼ぶ。

＜ユーザーインターフェイス２４０＞
ユーザーインターフェイス２４０は表示部２４１と操作部２４２とを含む。表示部２４１は表示装置３を含む。操作部２４２は各種の操作デバイスや入力デバイスを含む。ユーザーインターフェイス２４０は、例えばタッチパネルのような表示機能と操作機能とが一体となったデバイスを含んでいてもよい。ユーザーインターフェイス２４０の少なくとも一部を含まない実施形態を構築することも可能である。例えば、表示デバイスは、眼科装置１に接続された外部装置であってよい。

＜平均画像の利用方法＞
平均画像生成部２３１により生成された平均画像は、複屈折由来アーティファクトが低減された、元のＯＣＴ画像よりも高品質の画像である。更に、加算平均画像は、複屈折由来アーティファクトに加えてスペックルノイズ（ランダムノイズ）も低減された、より高品質の画像である。平均画像の品質の高さは、観察、解析、評価などの品質向上に寄与するものであるが、平均画像の利用方法はこれらに限定されない。ここでは、平均画像の利用方法の幾つかの例を説明する。以下、加算平均画像の利用方法の幾つかの例を説明するが、他の種類の平均画像においても同様の利用が可能であることは、当業者であれば理解できるであろう。

図５は、眼科装置１により生成された加算平均画像を利用するためのシステムの例を示す。図５において、眼科装置１の構成は略示されている。

本例の眼科装置１は、前述した通信デバイスを含む通信部２５０を備えている。通信部２５０は、情報処理装置３００との間でデータ通信を行う。平均画像生成部２３１により生成された加算平均画像は、制御部２１０の制御の下、通信部２５０によって情報処理装置３００に送られる。なお、本例の眼科装置１は、通信部２５０の代わりに、又は、通信部２５０に加えて、記録媒体にデータを記録するドライブ装置を備えていてもよい。記録媒体に記録されたデータは、情報処理装置３００に提供される。

情報処理装置３００は、眼科装置１から提供された情報を処理する。情報処理装置３００は、眼科装置１の一部であってもよいし、眼科装置１とは別の装置であってもよい。情報処理装置３００は、制御部３１０、処理部３２０、及び通信部３３０を含む。制御部３１０は、情報処理装置３００の各部の制御を実行する。処理部３２０は、情報処理を実行する。通信部３３０は、眼科装置１との間でデータ通信を行う。なお、情報処理装置３００は、通信部３３０の代わりに、又は、通信部３３０に加えて、記録媒体からデータを読み出すドライブ装置を備えていてもよい。

眼科装置１から情報処理装置３００に提供されるデータは、少なくとも１つ以上の加算平均画像を含み、加算平均画像を生成するために処理された複数の画像を更に含んでいてもよい。この複数の画像は、異なる複数の偏光条件に対応する複数のＯＣＴスキャンを被検眼Ｅに適用して取得された複数のＯＣＴ画像である。１つの加算平均画像を生成するために処理された複数の画像を「元画像群」と呼ぶ。

処理部３２０は、図６に示すモデル構築部４００を含む。モデル構築部４００は、眼科装置１から提供されたデータを含む訓練データ４４０を用いた機械学習を実行する。これにより、眼科装置１から提供されたデータに基づき訓練された機械学習モデルが構築される。

幾つかの例示的な態様における訓練データ４４０は、複数の加算平均画像（加算平均画像集合）を含む（図７Ａを参照）。また、幾つかの例示的な態様における訓練データ４４０は、加算平均画像とその元画像群とのペアの集合、換言すると、元画像群とそれに基づく加算平均画像とのペアの集合、を含む（図７Ｂを参照）。

図７Ａの訓練データ４４０Ａに含まれる加算平均画像集合４４１は、前述した要領で取得された複数の加算平均画像を含んでいる。これらの加算平均画像の全てが眼科装置１により取得されたものであってもよいし、一部のみが眼科装置１により取得されたものであってもよい。訓練データ４４０Ａに含まれる加算平均画像にメタデータ（ラベル、タグ）が付されていてもよい。ラベルは、事前に実行されるアノテーションによって生成され、対応する加算平均画像に付与される。アノテーションは、例えば、医師、技術者、コンピュータ、及び、他の推論モデルのうちの少なくとも１つによって実行されてよい。

図７Ｂの訓練データ４４０Ｂに含まれる集合４４２（加算平均画像とその元画像群とのペアの集合４４２）は、前述した要領で取得された複数の加算平均画像に加えて、各加算平均画像を生成するために処理された複数のＯＣＴ画像（当該加算平均画像に対応する元画像群）を含んでいる。集合４４２に含まれる加算平均画像の全てが眼科装置１により取得されたものであってもよいし、一部のみが眼科装置１により取得されたものであってもよい。前述したように、加算平均画像においては、複屈折由来アーティファクトとスペックルノイズ（ランダムノイズ）とが低減されている。

訓練データ４４０Ｂに含まれるペア（加算平均画像とその元画像群とのペア）にメタデータ（ラベル、タグ）が付されていてもよい。ラベルは、事前に実行されるアノテーションによって生成され、対応するペアに付与される。このアノテーションは、例えば、元画像群からの複屈折由来アーティファクトの特定を含む。複屈折由来アーティファクト特定は、例えば、複屈折由来アーティファクトの特性に基づいて元画像群における複屈折由来アーティファクトを検出することにより実行されてよく、及び／又は、加算平均画像と元画像群とを比較して元画像群における複屈折由来アーティファクトを検出することにより実行されてよい。このようにして実行された複屈折由来アーティファクト特定により得られた情報がラベルとして、対応するペアに付与される。本例のアノテーションも、例えば、医師、技術者、コンピュータ、及び、他の推論モデルのうちの少なくとも１つによって実行されてよい。

訓練データ４４０Ｂを用いて構築された機械学習モデルは、例えば、眼のＯＣＴ画像（１つ又は複数のＯＣＴ画像）の入力を受けて複屈折由来アーティファクトに関する情報（複屈折由来アーティファクト情報）を出力するように機能する学習済みモデル（推論モデル）である。

訓練データ４４０Ｂを用いて構築された機械学習モデルから出力される複屈折由来アーティファクト情報は、入力されたＯＣＴ画像から複屈折由来アーティファクト（及びスペックルノイズ）が除去（低減）された画像であってよい。この出力画像は、眼科装置１の平均画像生成部２３１により実行される処理で得られる平均画像（加算平均画像）に類似したものであるから、これを疑似平均画像と呼ぶ。

モデル構築部４００の学習処理部４１０は、このような訓練データ４４０Ｂを用いた教師あり学習をニューラルネットワーク４２０に適用することによって機械学習モデルを構築することができる。構築された機械学習モデルは、例えば、図８の疑似平均画像生成器５００における機械学習モデル５１０（機械学習モデル５１０の少なくとも一部）として用いられる。疑似平均画像生成器５００は、眼のＯＣＴ画像（群）６００（１つのＯＣＴ画像、又は、２つ以上のＯＣＴ画像）の入力を受けて、複屈折由来アーティファクト及びスペックルノイズの双方が低減された疑似平均画像７００を出力するように構成されている。

なお、複数の画像を加算平均してスペックルノイズを低減する処理を単一の画像で再現するための機械学習については、例えば以下に示すように、様々な手法が知られている：Ｄｅｗｅｉ Ｈｕ、Ｊｏｓｅｐｈ Ｄ． Ｍａｌｏｎｅ、Ｙｉｇｉｔ Ａｔａｙ、Ｙｕａｎｋａｉ Ｋ． Ｔａｏ、ａｎｄ Ｉｐｅｋ Ｏｇｕｚ、“Ｒｅｔｉｎａｌ ＯＣＴ Ｄｅｎｏｉｓｉｎｇ ｗｉｔｈ Ｐｓｅｕｄｏ－Ｍｕｌｔｉｍｏｄａｌ Ｆｕｓｉｏｎ Ｎｅｔｗｏｒｋ”、ａｒＸｉｖ：２１０７．０４２８８ｖ１ ［ｅｅｓｓ．ＩＶ］、９ Ｊｕｌ ２０２１；及び、Ｊｏｓｅ Ｊ． Ｒｉｃｏ－Ｊｉｍｅｎｅｚ、Ｄｅｗｅｉ Ｈｕ、Ｅｒｉｃ Ｍ． Ｔａｎｇ、Ｉｐｅｋ Ｏｇｕｚ、ａｎｄ Ｙｕａｎｋａｉ Ｋ． Ｔａｏ、“Ｒｅａｌ－ｔｉｍｅ ＯＣＴ ｉｍａｇｅ ｄｅｎｏｉｓｉｎｇ ｕｓｉｎｇ ａ ｓｅｌｆ－ｆｕｓｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ”、Ｂｉｏｍｅｄｉｃａｌ ｏｐｔｉｃｓ Ｅｘｐｒｅｓｓ、Ｖｏｌ．１３、Ｉｓｓｕｅ ３、ｐｐ．１３９８－１４０９ （２０２２）。しかしながら、本例のように、複数の画像を加算平均して複屈折由来アーティファクト及びスペックルノイズの双方を低減する処理を単一の画像で再現することが可能な機械学習は、新規な手法である。

疑似平均画像生成器５００は、上記のような疑似平均画像生成機能に加えて、他の機能を有していてもよい。例えば、疑似平均画像生成器５００は、疑似平均画像生成機能に加えて、ＯＣＴ画像群６００のレジストレーション、ＯＣＴ画像（群）６００のコントラスト補正、ＯＣＴ画像（群）６００のノイズリダクションなどの前処理機能、及び／又は、疑似平均画像のコントラスト補正、疑似平均画像のノイズリダクションなどの後処理機能を有していてもよい。

訓練データ４４０Ｂを用いて構築された機械学習モデルから出力される複屈折由来アーティファクト情報は、疑似平均画像に限定されない。例えば、複屈折由来アーティファクト情報は、機械学習モデルに入力されたＯＣＴ画像からの複屈折由来アーティファクトの検出結果、複屈折由来アーティファクトの属性情報、サンプルの真の構造の像と複屈折由来アーティファクトとの弁別結果（弁別情報）、及び、複屈折由来アーティファクトに関する画像セグメンテーション情報のうちの１つ以上を含んでいてよい。

複屈折由来アーティファクトの属性情報は、機械学習モデルに入力されたＯＣＴ画像中の複屈折由来アーティファクトに関する任意の性質（特徴）を表す情報であり、複屈折由来アーティファクトの位置、大きさ、形状、強さ、影響度など、複屈折由来アーティファクトに関する任意のパラメータについての情報であってよい。本例においては、訓練データ４４０Ｂは、ＯＣＴ画像中の複屈折由来アーティファクトの属性に関するアノテーションで生成されたラベルを含んでおり、機械学習モデルは、ＯＣＴ画像の入力を受けて属性情報を出力するように訓練され構成される。

弁別情報は、サンプルの真の構造に由来する像（構造由来像）と複屈折由来アーティファクトとを弁別する（識別する、区別する）ための処理によって得られる情報である。機械学習モデルに入力されるＯＣＴ画像は、サンプルにＯＣＴスキャンを適用して得られた画像である。このようなＯＣＴ画像は、理想的にはサンプルの構造を表す構造由来像のみを含むものであるが、実際には複屈折由来アーティファクトなどのアーティファクトが混入していることが多い。例えば、眼にＯＣＴスキャンを適用して得られたＯＣＴ画像は、理想的には、眼の真の構造（眼の組織、眼の部位、眼に移植された人工物など）の像である構造由来像のみを含むものであるが、実際にはアーティファクトが混入していることが多い。ここで、人工物としては、眼内レンズ（ＩＯＬ）、眼内コンタクトレンズ（ＩＣＬ）、低侵襲緑内障手術（ＭＩＧＳ）デバイスなどがある。弁別情報は、例えば、ＯＣＴ画像における任意の位置（任意の画素、任意の画素群、任意の画像領域など）に関する情報であり、その位置が構造由来像に相当するものであるか、或いは、複屈折由来アーティファクトに相当するものであるかを示す情報を含んでいる。より具体的には、弁別情報は、眼のＯＣＴ画像における各画素に対して、構造由来像の画素であることを示す識別子、又は、複屈折由来アーティファクトの像の画素であることを示す識別子が割り当てられた情報（弁別リスト情報、弁別テーブル情報、弁別マップ情報など）であってよい。構造由来像の画素であることを示す識別子は、眼の組織（部位）の像であることを示す識別子と、眼に移植された人工物の像であることを示す識別子とを含んでいてもよい。また、眼の組織（部位）の像であることを示す識別子は、組織ごと（部位ごと）の識別子を含んでいてもよい。また、人工物の像であることを示す識別子は、人工物の種類ごとの識別子を含んでいてもよい。また、構造由来像の画素であることを示す識別子、及び、複屈折由来アーティファクトの像の画素であることを示す識別子のいずれとも異なる識別子を用いてもよい。その例として、弁別に失敗した画素を示す識別子、弁別結果の品質（確信度、信頼度、正確度など）を示す識別子などがある。本例においては、訓練データ４４０Ｂは、ＯＣＴ画像における構造由来像と複屈折由来アーティファクトとの弁別に関するアノテーションで生成されたラベルを含んでおり、機械学習モデルは、ＯＣＴ画像の入力を受けて弁別情報を出力するように訓練され構成される。

画像セグメンテーション情報は、機械学習モデルを用いて実行された画像セグメンテーションによって得られた情報を含む。画像セグメンテーションは、画像を複数のセグメント（複数の領域、複数の画素群）に分割する処理である。本態様の画像セグメンテーションに使用される手法は任意であってよく、例えば、セマンティックセグメンテーション、インスタンスセグメンテーション、パノプティックセグメンテーションなどであってよい。また、閾値処理、クラスタリング、デュアルクラスタリング、ヒストグラム、エッジ検出、リジョングローイング、偏微分方程式、変分法、グラフ分割、分水嶺（ｗａｔｅｒｓｈｅｄ）アルゴリズムなど、任意の公知のセグメンテーション法を利用又は組み合わせてもよい。本例においては、訓練データ４４０Ｂは、ＯＣＴ画像の画像セグメンテーションに関するアノテーションで生成されたラベルを含んでおり、機械学習モデルは、ＯＣＴ画像の入力を受けて画像セグメンテーション情報を出力するように訓練され構成される。

上記のような機械学習モデルを構築するモデル構築部４００の例の詳細を説明する。モデル構築部４００が実行する機械学習に用いられる訓練データ４４０は、平均画像（加算平均画像）を含んでいてよく、異なる複数の偏光条件に対応する複数のＯＣＴスキャンを物体に適用して取得された複数の画像（元画像群）を含んでいてもよい。訓練データ４４０に含まれる画像の少なくとも一部は、実際のＯＣＴスキャンで取得された画像そのもの（無加工画像）であってよく、及び／又は、訓練データ４４０に含まれる画像の少なくとも一部は、実際のＯＣＴスキャンで取得された無加工画像に加工を施して得られた画像（加工画像）であってよい。

幾つかの例示的な態様の機械学習モデルは、サンプル（ヒト生体眼）にＯＣＴスキャンを適用して得られたＯＣＴ画像の入力を受け、このＯＣＴ画像における複屈折由来アーティファクト情報を出力するように構成されている。前述したように、複屈折由来アーティファクト情報は、疑似平均画像、属性情報、弁別情報、画像セグメンテーション情報、又は、これら以外の情報を含んでいてよい。

図６に示すモデル構築部４００は、学習処理部４１０とニューラルネットワーク４２０とを含む。

ニューラルネットワーク４２０は、典型的には、畳み込みニューラルネットワーク（ＣＮＮ）を含む。図６の符号４３０は、この畳み込みニューラルネットワークの構造の一例を示している。

畳み込むニューラルネットワーク４３０の入力層には、画像が入力される。入力層の後ろには、畳み込み層とプーリング層とのペアが複数配置されている。図６に示す例には畳み込み層とプーリング層とのペアが３つ設けられているが、ペアの個数は任意であってよい。

畳み込み層では、画像から特徴（輪郭など）を把握するための畳み込み演算が行われる。畳み込み演算は、入力された画像に対する、この画像と同じ次元のフィルタ関数（重み係数、フィルタカーネル）の積和演算である。畳み込み層では、入力された画像の複数の部分にそれぞれ畳み込み演算を適用する。より具体的には、畳み込み層では、フィルタ関数が適用された部分画像の各ピクセルの値に、そのピクセルに対応するフィルタ関数の値（重み）を乗算して積を算出し、この部分画像の複数のピクセルにわたって積の総和を求める。このように得られた積和値は、出力される画像における対応ピクセルに代入される。フィルタ関数を適用する箇所（部分画像）を移動させながら積和演算を行うことで、入力された画像の全体についての畳み込み演算結果が得られる。このような畳み込み演算によれば、多数の重み係数を用いて様々な特徴が抽出された画像が多数得られる。つまり、平滑化画像やエッジ画像などの多数のフィルタ処理画像が得られる。畳み込み層により生成される多数の画像は特徴マップと呼ばれる。

プーリング層では、直前の畳み込み層により生成された特徴マップの圧縮（データの間引きなど）が行われる。より具体的には、プーリング層では、特徴マップ内の注目ピクセルの所定の近傍ピクセルにおける統計値を所定のピクセル間隔ごとに算出し、入力された特徴マップよりも小さな寸法の画像を出力する。なお、プーリング演算に適用される統計値は、例えば、最大値（ｍａｘ ｐｏｏｌｉｎｇ）又は平均値（ａｖｅｒａｇｅ ｐｏｏｌｉｎｇ）である。また、プーリング演算に適用されるピクセル間隔は、ストライド（ｓｔｒｉｄｅ）と呼ばれる。

畳み込みニューラルネットワークは、畳み込み層とプーリング層との複数のペアによって処理を行うことにより、入力された画像から多くの特徴を抽出することができる。

畳み込み層とプーリング層との最後のペアの後ろには、全結合層が設けられている。図６に示す例においては２つの全結合層が設けられているが、全結合層の個数は任意であってよい。全結合層では、畳み込みとプーリングとの組み合わせによって圧縮された特徴量を用いて、画像分類、画像セグメンテーション、回帰などの処理を行う。最後の全結合層の後ろには、出力結果を提供する出力層が設けられている。

幾つかの例示的な態様において、畳み込みニューラルネットワークは、全結合層を含まなくてもよいし（例えば、全層畳み込みネットワーク（ＦＣＮ））、及び／又は、サポートベクターマシンや再帰型ニューラルネットワーク（ＲＮＮ）などを含んでいてもよい。また、ニューラルネットワーク４２０に対する機械学習は、転移学習を含んでいてもよい。つまり、ニューラルネットワーク４２０は、他の訓練データ（訓練画像）を用いた学習が既に行われてパラメータ調整が為されたニューラルネットワークを含んでいてもよい。また、モデル構築部４００（学習処理部４１０）は、学習済みのニューラルネットワーク（ニューラルネットワーク４２０）にファインチューニングを適用可能に構成されてもよい。ニューラルネットワーク４２０は、公知のオープンソースのニューラルネットワークアーキテクチャを用いて構築されたものであってもよい。

学習処理部４１０は、訓練データ４４０を用いた機械学習をニューラルネットワーク４２０に適用する。ニューラルネットワーク４２０が畳み込みニューラルネットワークを含んでいる場合、学習処理部４１０によって調整されるパラメータは、例えば、畳み込み層のフィルタ係数と、全結合層の結合重み及びオフセットとを含む。

訓練データ４４０に含まれる画像の種類は、平均画像や、元画像群（異なる複数の偏光条件に対応する複数のＯＣＴスキャンを物体に適用して取得された複数の画像）に限定されない。例えば、訓練データ４４０は、任意の種類のＯＣＴ画像、他の眼科モダリティ（眼底カメラ、スリットランプ顕微鏡、ＳＬＯ、手術用顕微鏡など）により取得された画像、任意の診療科の画像診断モダリティ（超音波診断装置、Ｘ線診断装置、Ｘ線ＣＴ装置、磁気共鳴イメージング（ＭＲＩ）装置など）により取得された画像、実際の眼の画像を加工して作成された画像（加工画像データ）、コンピュータにより生成された画像、擬似的な画像、及び、これら以外の任意の画像のうちのいずれかを含んでいてもよい。また、データ拡張（データオーギュメンテーション）などの技術を利用して、訓練データ４４０に含まれるデータの個数を増加させてもよい。

本態様で使用される機械学習の手法は、例えば教師あり学習であるが、これに限定されるものではない。幾つかの例示的な態様では、教師あり学習に加えて、又は、教師あり学習に代えて、教師なし学習、強化学習、半教師あり学習、トランスダクション、マルチタスク学習など、任意の公知の手法を利用することができる。

ニューラルネットワーク２３１２の特定のユニットに処理が集中することを避けるために、学習処理部４１０は、ニューラルネットワーク４２０の幾つかのユニットをランダムに選んで無効化し、残りのユニットを用いて学習を行ってもよい（ドロップアウト）。

本態様で使用される機械学習の手法は、ここに示した例に限定されない。幾つかの例示的な態様では、サポートベクターマシン、ベイズ分類器、ブースティング、ｋ平均法、カーネル密度推定、主成分分析、独立成分分析、自己組織化写像、ランダムフォレスト、敵対的生成ネットワーク（ＧＡＮ）など、任意の公知の手法を、推論モデルを構築するために利用することが可能である。

＜ＯＣＴスキャンの態様＞
実施形態は、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して取得された複数のＯＣＴ画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成するように構成されている。複数のＯＣＴ画像を取得するために実行されるＯＣＴスキャンの態様は任意である。

例えば、本態様の眼科装置１は、偏光コントローラ１１８の制御とＯＣＴスキャナ（ＯＣＴユニット１００、光スキャナ４４など）の制御との組み合わせ制御を主制御部２１１により実行することによって、異なる複数の偏光条件に対応する複数のＯＣＴスキャンを被検眼Ｅに適用する。これにより、異なる複数の偏光条件に対応する複数のＯＣＴ画像が得られる。本態様の上記組み合わせ制御のような偏光変調器の制御とＯＣＴスキャナの制御との組み合わせ制御により実行されるＯＣＴスキャンモードを偏光変調ＯＣＴスキャンと呼ぶ。

幾つかの例示的な態様において、偏光変調ＯＣＴスキャンと他のＯＣＴスキャンモードとを組み合わせることができる。例えば、サンプルのデータを冗長的に収集するために一連のＯＣＴスキャンを実行するＯＣＴスキャンモード（冗長的ＯＣＴスキャンと呼ぶ）を、偏光変調ＯＣＴスキャンに組み合わせることができる。冗長的ＯＣＴスキャンは、サンプルにおける１つ以上の箇所に対するＯＣＴスキャンを複数回実行するＯＣＴスキャンモードである。換言すると、冗長的ＯＣＴスキャンは、サンプルにおける１つ以上の箇所からのデータ収集を複数回実行するＯＣＴスキャンモードである。

冗長的ＯＣＴスキャンの１つの例として、特開２０２１－０４０８５４号公報などに記載されたリサジュースキャン（Ｌｉｓｓａｊｏｕｓ ｓｃａｎ）がある。リサジュースキャンは、サイクル同士が交差する位置からのデータ収集を冗長的に行うことによって、サンプルの運動に起因するアーティファクト（モーションアーティファクト）の補正を可能にするＯＣＴスキャンモードである。

リサジュースキャンのように、交点を有するパターンにしたがってスキャンを実行するＯＣＴスキャンモードでは、交点に相当する複数の画像領域（交差領域）のレジストレーションを行う際にこれらの画像領域の加算平均を求めるため、スペックルノイズが低減される。

このようなリサジュースキャンに偏光変調ＯＣＴスキャンを組み合わせることによって、交点に相当する複数の画像領域のスペックルノイズ及び複屈折由来アーティファクトの双方を低減することが可能になる。例えば、サイクルごとに偏光条件を切り替えることにより、サイクル間の交差領域におけるスペックルノイズ及び複屈折由来アーティファクトの双方を低減することができる。これにより、交差領域を利用したモーションアーティファクト補正の品質向上を図ることが可能になり、リサジュースキャンで構築される画像の品質向上を図ることが可能になる。なお、全てのサイクルに対して偏光条件の切り替えを適用してもよいし、一部のサイクルのみに対して偏光条件の切り替えを適用してもよい。

以上に説明したように、リサジュースキャンと偏光変調ＯＣＴスキャンとを組み合わせた本例のＯＣＴスキャンモードにおいては、サンプルのデータを冗長的に収集するための一連のスキャン（リサジュースキャン）として、互いに交差する複数のサイクルに基づく一連のスキャンが実行される。すなわち、リサジュースキャンとして実行される一連のＯＣＴスキャンは、互いに交差する複数の部分パターン（複数のサイクル）を含むスキャンパターン（リサジューパターン）に基づいてサンプルのデータを冗長的に収集するものである。なお、リサジューパターンは、互いに直交する２つの単振動を合成して得られるリサジュー曲線として生成される２次元パターンである。

更に、本例のＯＣＴスキャンモードでは、このようなリサジュースキャンと並行して、異なる複数の偏光条件に対応する複数のＯＣＴスキャン（偏光変調ＯＣＴスキャン）が実行される。ここで、偏光変調ＯＣＴスキャンにおける複数のＯＣＴスキャンは、リサジュースキャンにおける一連のスキャンに含まれている。すなわち、本例のＯＣＴスキャンモードでは、リサジュースキャンにおける全てのサイクルに対して偏光変調ＯＣＴスキャンにおける偏光条件の切り替えを適用してもよいし、リサジュースキャンにおける一部のサイクルのみに対して偏光変調ＯＣＴスキャンにおける偏光条件の切り替えを適用してもよい。

互いに交差する複数の部分パターンを含むスキャンパターンに基づいてサンプルのデータを冗長的に収集するように実行される一連のＯＣＴスキャンは、互いに交差する複数のサイクルを含むリサジューパターンに基づいてサンプルのデータを冗長的に収集するように実行されるリサジュースキャンに限定されない。

冗長的ＯＣＴスキャンの他の例として、特開２０２０－０４９１４７号公報などに記載されたＯＣＴアンジオグラフィ（ＯＣＴＡ）がある。ＯＣＴアンジオグラフィは、モーションコントラスト撮影（ｍｏｔｉｏｎ ｃｏｎｔｒａｓｔ ｉｍａｇｉｎｇ）技術を利用した血管造影法であり、サンプルの同じ領域を目標としたＯＣＴスキャンを複数回実行して複数のＯＣＴ画像を取得し、取得された複数のＯＣＴ画像の間においてスキャン時間間隔内において変化する成分（差分、信号強度の変化、位相の変化）を抽出することによって画像を生成する。複数のＯＣＴ画像の間において、眼組織などの静的な構造物は極めて微小な変化のみを呈する一方、血管内の赤血球などの動的な構造物は大きな変化を呈するため、或る一定の閾値以上の大きさの変化信号を画像化することで、血流成分を選択的に描出することが可能になる。

ＯＣＴアンジオグラフィのように、サンプルの同じ領域を目標としたＯＣＴスキャンを複数回実行するＯＣＴスキャンモードにおいては、複数回のＯＣＴスキャンに対応する複数のＯＣＴ画像の加算平均を求めてスペックルノイズを低減することができる。

このようなＯＣＴアンジオグラフィに偏光変調ＯＣＴスキャンを組み合わせることによって、スペックルノイズだけでなく複屈折由来アーティファクトも低減することが可能になる。例えば、ＯＣＴアンジオグラフィにおいてサンプルの同じ領域に対してＯＣＴスキャンを４回実行する場合、所定方向に対する角度が第１の角度（例えば０度）、第２の角度（例えば４５度）、第３の角度（例えば９０度）、及び第４の角度（例えば１３５度）となる４つの偏光条件を、それぞれ、第１回目、第２回目、第３回目、及び第４回目のＯＣＴスキャンに適用する。このようにして得られた、４つの偏光条件に対応する４つのＯＣＴ画像を加算平均することで、スペックルノイズ及び複屈折由来アーティファクトの双方が低減された画像を生成することができる。

以上に説明したように、ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとを組み合わせた本例のＯＣＴスキャンモードにおいては、サンプルのデータを冗長的に収集するための一連のスキャン（ＯＣＴアンジオグラフィ）として、サンプルの同じ領域を目標とした複数のＯＣＴスキャンが実行される。サンプルの同じ領域を目標とした複数のＯＣＴスキャンのそれぞれのＯＣＴスキャンは、予め決められたスキャンパターンで実行される。このスキャンパターンは、例えば、ラスタースキャンなどの３次元スキャン（ボリュームスキャン）である。すなわち、ＯＣＴアンジオグラフィとして実行される一連のＯＣＴスキャンは、所定のスキャンパターン（ラスタースキャンなど）に基づくＯＣＴスキャンをサンプルの同じ領域を目標として複数回適用することによってサンプルのデータを冗長的に収集するものである。

更に、本例のＯＣＴスキャンモードでは、このようなＯＣＴアンジオグラフィと並行して、異なる複数の偏光条件に対応する複数のＯＣＴスキャン（偏光変調ＯＣＴスキャン）が実行される。ここで、偏光変調ＯＣＴスキャンにおける複数のＯＣＴスキャンは、ＯＣＴアンジオグラフィにおける一連のスキャンに含まれている。すなわち、本例のＯＣＴスキャンモードでは、ＯＣＴアンジオグラフィにおける全てのＯＣＴスキャン（例えば、ラスタースキャンにおける全てのＢスキャン）に対して偏光変調ＯＣＴスキャンにおける偏光条件の切り替えを適用してもよいし、ＯＣＴアンジオグラフィにおける一部のＯＣＴスキャンのみに対して偏光変調ＯＣＴスキャンにおける偏光条件の切り替えを適用してもよい。

ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとを組み合わせたＯＣＴスキャン（複合ＯＣＴスキャンと呼ぶ）について、幾つかの応用例を説明する。これらの応用例に係る処理は眼科分野に関するものであるが、同様の処理を他の分野に応用することも可能である。また、これらの応用例に係る処理は特定の眼組織を対象としたものであるが、他の眼組織に対して同様の処理を応用することや、眼組織以外の生体組織に対して同様の処理を応用することも可能である。複合ＯＣＴスキャンには、ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとを別々に行う場合よりも手間や時間を省くことができるという利点に加え、応用例ごとの利点もある。

第１の応用例を説明する。本例は、被検眼Ｅの強膜血管解析を行うために複合ＯＣＴスキャンを利用するものである。本例の処理の流れを図９に示す。本例において、眼科装置１は、まず、被検眼Ｅに複合ＯＣＴスキャンを適用する（Ｓ１）。複合ＯＣＴスキャンでは、ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとが並行して実行される。

眼科装置１（及び／又は情報処理装置３００）は、ステップＳ１の複合ＯＣＴスキャンで被検眼Ｅから収集されたデータセットに基づいて、加算平均画像を生成し（Ｓ２）、ＯＣＴＡ画像を生成し（Ｓ３）、強膜血管像を検出する（Ｓ４）。加算平均画像は、平均画像生成部２３１により生成される。ＯＣＴＡ画像は、公知のＯＣＴアンジオグラフィ技術を用いて生成される。強膜血管像は、被検眼Ｅの強膜血管に由来する像（強膜血管の構造由来像）であり、例えば、前述した弁別情報又は画像セグメンテーション情報として求められる。なお、ステップＳ４で得られる強膜血管像には、脈絡膜血管像などが混入している可能性がある。

次に、眼科装置１（及び／又は情報処理装置３００）は、ステップＳ２で生成された加算平均画像とステップＳ３で生成されたＯＣＴＡ画像とに基づいて脈絡膜－強膜境界（ＣＳＩ）を検出する（Ｓ５）。脈絡膜－強膜境界の検出は、例えば、高密度の血管網を有する脈絡膜のＯＣＴＡ信号の強度の高さを利用することによって実行される。より具体的には、ステップＳ３で生成されたＯＣＴＡ画像を用いて脈絡膜領域（脈絡膜に相当する画像領域）と強膜領域（強膜に相当する画像領域）とを弁別することによって当該ＯＣＴＡ画像における脈絡膜－強膜境界を特定し、このＯＣＴＡ画像中の脈絡膜－強膜境界に対応する加算平均画像中の領域を特定する。これにより、加算平均画像における脈絡膜－強膜境界が検出される。なお、加算平均画像及びＯＣＴＡ画像はともに、ステップＳ１の複合ＯＣＴスキャンで被検眼Ｅから収集されたデータセットに基づき生成されたものであるから、加算平均画像における位置（座標）とＯＣＴＡ画像における位置（座標）との間には自明な対応関係がある。この自明な対応関係を利用して、ＯＣＴＡ画像中の脈絡膜－強膜境界に対応する加算平均画像中の領域を特定することができる。

次に、眼科装置１（及び／又は情報処理装置３００）は、ステップＳ４で検出された強膜血管像と、ステップＳ５で検出された脈絡膜－強膜境界とに基づいて、強膜血管解析を行う（Ｓ６）。ステップＳ６では、まず、ステップＳ５で検出された脈絡膜－強膜境界を用いて、ステップＳ４で検出された強膜血管像から脈絡膜血管像などが除外される。これにより、ステップＳ４で検出された強膜血管像から、真に強膜血管に由来する像（補正強膜血管像）が抽出される。更に、ステップＳ６では、補正強膜血管像に基づいて強膜血管解析が実行される。強膜血管解析は、強膜血管に関する任意の解析処理であってよく、例えば、強膜血管の形態の定量解析であってよい。強膜血管の定量的形態解析のパラメータとしては、強膜血管の太さ、密度、曲率、蛇行度などがある。

このような第１の応用例によれば、ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとを組み合わせた複合ＯＣＴスキャンを採用したことにより、真に強膜血管に由来する像（補正強膜血管像）を対象として強膜血管解析を行うことが可能になる。しかも、複屈折由来アーティファクト及びスペックルノイズが低減された高品質なＯＣＴ画像（加算平均画像）を利用することで、強膜血管解析の品質（正確度、確度、再現性など）の向上を図ることが可能になる。

第２の応用例を説明する。本例は、被検眼Ｅの強膜の正面画像（ｅｎｆａｃｅ ｓｌｉｃｅ）を表示するために複合ＯＣＴスキャンを利用するものである。本例の処理の流れを図１０に示す。本例において、眼科装置１は、まず、被検眼Ｅに複合ＯＣＴスキャンを適用する（Ｓ１１）。複合ＯＣＴスキャンでは、ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとが並行して実行される。

眼科装置１（及び／又は情報処理装置３００）は、ステップＳ１１の複合ＯＣＴスキャンで被検眼Ｅから収集されたデータセットに基づいて、加算平均画像を生成し（Ｓ１２）、ＯＣＴＡ画像を生成する（Ｓ１３）。加算平均画像は、平均画像生成部２３１により生成される。ＯＣＴＡ画像は、公知のＯＣＴアンジオグラフィ技術を用いて生成される。

次に、眼科装置１（及び／又は情報処理装置３００）は、ステップＳ１２で生成された加算平均画像とステップＳ１３で生成されたＯＣＴＡ画像とに基づいて脈絡膜－強膜境界（ＣＳＩ）を検出する（Ｓ１４）。脈絡膜－強膜境界の検出は、第１の応用例のステップＳ５と同じ要領で実行されてよい。

次に、眼科装置１（及び／又は情報処理装置３００）は、ステップＳ１２で生成された加算平均画像と、ステップＳ１４で検出された脈絡膜－強膜境界とに基づいて、強膜正面画像を生成して表示する（Ｓ１５）。ステップＳ１５では、まず、ステップＳ１４で検出された脈絡膜－強膜境界に基づいて、ステップＳ１２で生成された加算平均画像において強膜に相当する画像領域（強膜領域）が特定される。更に、ステップＳ１５では、特定された強膜領域の部分領域（スラブ）にプロジェクションを適用することによって、強膜正面画像が生成される。生成された強膜正面画像は表示部２４１又は他の表示デバイスに表示される。スラブは、自動又は手動で設定される。設定されるスラブの個数は任意であってよく、生成及び表示される強膜正面画像の個数も任意であってよい。表示された強膜正面画像は、強膜観察や強膜解析（強膜血管解析など）のために使用される。

このような第２の応用例によれば、ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとを組み合わせた複合ＯＣＴスキャンを採用したことにより、真に強膜に由来する像（強膜の構造由来像）を提供することが可能になる。しかも、複屈折由来アーティファクト及びスペックルノイズが低減された高品質なＯＣＴ画像（加算平均画像）を利用することで、提供される強膜の構造由来像の品質の向上を図ることが可能になる。

ＯＣＴアンジオグラフィと偏光変調ＯＣＴスキャンとを組み合わせた複合ＯＣＴスキャンで収集されたデータセットに基づいて生成される情報は、上記のものに限定されない。例えば、複合ＯＣＴスキャンにおける偏光変調ＯＣＴスキャンで取得された、偏光方向が互いに直交する２つの画像に基づいて、偏光非感受画像（ｐｏｌａｒｉｚａｔｉｏｎ－ｉｎｄｅｐｅｎｄｅｎｔ ｉｍａｇｅ）を生成することができる。偏光非感受画像の生成方法は公知であり、例えば、上記の非特許文献１における数式（５）を参照されたい。このようにして生成された偏光非感受画像を、例えば、第１の応用例における加算平均画像の代わりに又はそれに加えて使用することができ、また、第２の応用例における加算平均画像の代わりに又はそれに加えて使用することができる。

所定のスキャンパターンに基づくＯＣＴスキャンをサンプルの同じ領域を目標として複数回適用することによってサンプルのデータを冗長的に収集するように実行される一連のＯＣＴスキャンは、ＯＣＴアンジオグラフィに限定されない。

例えば、従来はスペックルノイズの低減を目的として行われていた（つまり、従来は複屈折由来アーティファクトに着目することなく行われていた）、アベレージングのための反復的ＯＣＴスキャンに対して、偏光変調ＯＣＴスキャンを組み合わせてもよい。

また、特開２０２０－０４８８２５号公報などに記載されたパノラマＯＣＴスキャン（モンタージュＯＣＴスキャン）に偏光変調ＯＣＴスキャンを組み合わせることによって、パノラマＯＣＴスキャンで得られた隣接ＯＣＴ画像の間の重畳領域（糊代）における複屈折由来アーティファクト及びスペックルノイズの双方を低減することができる。

＜眼科装置の動作＞
眼科装置１の動作について幾つかの例を説明する。

＜第１の動作例＞
図１１を参照して眼科装置１の動作の第１の例を説明する。

患者ＩＤの入力、アライメント、フォーカス調整などのスキャン準備動作は、既に行われたものとする。また、偏光変調ＯＣＴスキャンを行うための眼科装置１の動作モードが指定される。偏光変調ＯＣＴスキャンでは、異なる複数の偏光条件に対応する複数回のＯＣＴスキャンが被検眼Ｅに適用される。複数の偏光条件は、予め設定された単一の条件群でもよいし、予め設定された２つ以上の条件群のうちから選択された１つの条件群でもよいし、被検眼Ｅに対して個別に設定された条件群でもよい。

（Ｓ２１：被検眼の複数のＯＣＴ画像を取得する）
眼科装置１は、上記の動作モードにしたがって偏光コントローラ１１８の制御とＯＣＴスキャナ（ＯＣＴユニット１００、光スキャナ４４など）の制御とを実行することにより、異なる複数の偏光条件に対応する複数回のＯＣＴスキャンを被検眼Ｅに適用して複数のＯＣＴ画像を構築する。

ステップＳ２１で実行されるＯＣＴスキャンは、偏光変調ＯＣＴスキャンであってもよいし、偏光変調ＯＣＴスキャンに他のＯＣＴスキャンモードを組み合わせたＯＣＴスキャンであってもよい。偏光変調ＯＣＴスキャンに組み合わせることが可能なＯＣＴスキャンモードの種類については、その幾つかの例が上記されているが、これらに限定されるものではない。

（Ｓ２２：複屈折由来アーティファクトが低減された画像を生成する）
次に、眼科装置１の平均画像生成部２３１は、ステップＳ２１で取得された複数のＯＣＴ画像に所定の平均化処理を適用することによって、複屈折由来アーティファクトが低減された画像（平均画像）を生成する。

ステップＳ２２で実行される平均化処理の種類は任意であってよく、例えば加算平均であってよい。平均化処理が加算平均処理を含んでいる場合、ステップＳ２２で生成される画像は、複屈折由来アーティファクト及びスペックルノイズの双方が低減された平均画像（加算平均画像）である。

＜第２の動作例＞
図１２を参照して眼科装置１の動作の第２の例を説明する。スキャン準備動作や動作モード指定については、第１の動作例と同様であってよい。

（Ｓ３１：被検眼の複数のＯＣＴ画像を取得する）
第１の動作例のステップＳ２１と同じ要領で、眼科装置１は、異なる複数の偏光条件に対応する、被検眼Ｅの複数のＯＣＴ画像を構築する。ステップＳ３１で実行されるＯＣＴスキャンの種類についても、第１の動作例のステップＳ２１と同様であってよい。

（Ｓ３２：複屈折由来アーティファクトが低減された画像を生成する）
次に、第１の動作例のステップＳ２２と同じ要領で、眼科装置１の平均画像生成部２３１は、ステップＳ３１で取得された複数のＯＣＴ画像に所定の平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する。本例で生成される画像は、複屈折由来アーティファクト及びスペックルノイズの双方が低減された加算平均画像であるとする。

（Ｓ３３：訓練データを準備する）
次に、機械学習モデルを構築するための機械学習に用いられる訓練データが準備される。訓練データは、異なる複数の偏光条件に対応する複数のＯＣＴスキャンを物体に適用して取得された複数のＯＣＴ画像を含んでいる。

特に、本例の訓練データは、ステップＳ３２で生成された加算平均画像を含んでいる。更に、本例の訓練データは、ステップＳ３２で生成された加算平均画像と、その元画像群（ステップＳ３１で取得された複数のＯＣＴ画像）とのペアを含んでいる。

ステップＳ３１及びＳ３２は、眼科装置１及び他の眼科装置によって複数回実行され、それにより得られた複数の加算平均画像及び複数の元画像群が、訓練データの作成に提供される。

これにより、本例で準備される訓練データは、異なる複数の偏光条件に対応する複数のＯＣＴ画像（元画像群）と、当該複数の画像に基づく加算平均画像とのペアを、複数個含むものとなる。すなわち、本例で準備される訓練データは、異なる複数の偏光条件に対応する複数のＯＣＴ画像（元画像群）と当該複数の画像に基づく加算平均画像とのペアの集合を含むものとなる。

なお、訓練データに含まれる画像の種類は任意であってよく、前述したように、ＯＣＴスキャンで取得された眼の画像、ＯＣＴ以外のモダリティで取得された眼の画像、眼の画像を加工して作成された画像、コンピュータグラフィクスで生成された画像、データ拡張で生成された画像、擬似的な画像などを含んでいてもよい。

その他、訓練データ、機械学習、機械学習モデルなどについて本開示で説明した任意の事項を本例に適用することが可能である。また、訓練データ、機械学習、機械学習モデルなどに関する任意の公知の事項を本例に適用することも可能である。

（Ｓ３４：機械学習モデルを生成する）
次に、例えばモデル構築部４００（処理部３２０）は、ステップＳ３３で取得された訓練データを用いた機械学習をニューラルネットワークに適用することによって機械学習モデルを生成する。この機械学習モデルは、ＯＣＴ画像の入力を受け、複屈折由来アーティファクト及びスペックルノイズの双方が低減された画像を出力する。機械学習モデルに入力されるＯＣＴ画像の個数は任意であり、１つ又は２つ以上であってよい。

ステップＳ３４で生成された機械学習モデルは、眼科装置や情報処理装置に提供され、例えば図８の疑似平均画像生成器５００として用いられる。

＜効果＞
本態様の幾つかの効果について説明する。

本態様によれば、異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプル（眼）に適用して複数のＯＣＴ画像を取得し、取得された複数のＯＣＴ画像に平均化処理を適用することによって複屈折由来アーティファクトが低減された平均画像を生成することができる。

このように、本態様は、偏光分離検出機能を持たないＯＣＴモダリティ（眼科装置１）で取得された画像から複屈折由来アーティファクトが低減された画像を生成するための新たな技術を提供するものである。

本態様において説明した様々な事項は、複屈折由来アーティファクト低減画像生成機能の向上を図るための様々な例、生成された複屈折由来アーティファクト低減画像の応用の様々な例、異なる複数の偏光条件に対応する複数のＯＣＴスキャン（偏光変調ＯＣＴスキャン）の様々な例、などを提供するものである。

＜プログラム及び記録媒体＞
上記の態様に係る画像処理装置（眼科装置１）により実現されるＯＣＴ画像処理方法をコンピュータに実行させるプログラムを構成することができる。このプログラムに対して、上記の態様において説明した任意の事項を組み合わせることができる。

また、このようなプログラムを記録したコンピュータ可読な非一時的記録媒体を作成することが可能である。このプログラムに対して、上記の態様において説明した任意の事項を組み合わせることができる。非一時的記録媒体は任意の形態であってよく、その例として、磁気ディスク、光ディスク、光磁気ディスク、半導体メモリなどがある。

本開示において説明した実施形態及びその態様は例示に過ぎない。本開示に係る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、置換、付加等）を施すことが可能である。

１ 眼科装置
４４ 光スキャナ
１００ ＯＣＴユニット
２３０ データ処理部
２３１ 平均画像生成部

Claims (11)

1. 光コヒーレンストモグラフィ（ＯＣＴ）画像を処理する方法であって、
   異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して複数の画像を取得し、
   前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する、
   方法。
2. 前記平均化処理は、加算平均処理を含み、
   前記加算平均処理を含む前記平均化処理を前記複数の偏光条件に対応する前記複数の画像に適用することによって、前記複屈折由来アーティファクト及びスペックルノイズの双方が低減された加算平均画像を生成する、
   請求項１の方法。
3. 前記加算平均画像を含む訓練データを用いた機械学習を実行して機械学習モデルを生成する、
   請求項２の方法。
4. 前記訓練データは、異なる複数の偏光条件に対応する複数の画像と当該複数の画像に基づく加算平均画像とのペアの集合を含む、
   請求項３の方法。
5. 前記訓練データを用いた機械学習により生成される機械学習モデルは、１つ以上のＯＣＴ画像の入力を受け、複屈折由来アーティファクト及びスペックルノイズの双方が低減された画像を出力する、
   請求項４の方法。
6. 前記複数の偏光条件に対応する前記複数のＯＣＴスキャンは、前記サンプルのデータを冗長的に収集するための一連のＯＣＴスキャンに含まれる、
   請求項１の方法。
7. 前記一連のＯＣＴスキャンは、互いに交差する複数の部分パターンを含む第１のスキャンパターンに基づいて前記サンプルのデータを冗長的に収集する、
   請求項６の方法。
8. 前記一連のＯＣＴスキャンは、第２のスキャンパターンに基づくＯＣＴスキャンを前記サンプルの同じ領域を目標として複数回適用することによって前記サンプルのデータを冗長的に収集する、
   請求項６の方法。
9. 光コヒーレンストモグラフィ（ＯＣＴ）画像を処理する装置であって、
   異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して生成された複数の画像を取得する画像取得部と、
   前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する処理部と
   を含む、
   装置。
10. 光コヒーレンストモグラフィ（ＯＣＴ）画像を処理するためのプログラムであって、
    コンピュータに、
    異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して生成された複数の画像を取得する工程と、
    前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する工程と
    を実行させる、プログラム。
11. 光コヒーレンストモグラフィ（ＯＣＴ）画像を処理するためのプログラムが記録された、コンピュータ可読な非一時的記録媒体であって、
    前記プログラムは、コンピュータに、
    異なる複数の偏光条件に対応する複数のＯＣＴスキャンをサンプルに適用して生成された複数の画像を取得する工程と、
    前記複数の偏光条件に対応する前記複数の画像に平均化処理を適用することによって、複屈折由来アーティファクトが低減された平均画像を生成する工程と
    を実行させる、記録媒体。
    
    

Images