JP2024004792A - 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

画像処理方法、画像処理装置、プログラム、及び記録媒体 Download PDF

Info

Publication number
JP2024004792A
JP2024004792A JP2022104629A JP2022104629A JP2024004792A JP 2024004792 A JP2024004792 A JP 2024004792A JP 2022104629 A JP2022104629 A JP 2022104629A JP 2022104629 A JP2022104629 A JP 2022104629A JP 2024004792 A JP2024004792 A JP 2024004792A
Authority
JP
Japan
Prior art keywords
image
oct
machine learning
birefringence
learning model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022104629A
Other languages
English (en)
Inventor
神之介 東
Shinnosuke Azuma
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Topcon Corp
Original Assignee
Topcon Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Topcon Corp filed Critical Topcon Corp
Priority to JP2022104629A priority Critical patent/JP2024004792A/ja
Publication of JP2024004792A publication Critical patent/JP2024004792A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Eye Examination Apparatus (AREA)

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つの態様に係る装置の画像取得部は、サンプルのＯＣＴ画像を取得する。処理部は、物体の複屈折情報を含む第１の画像と当該物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習で構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像中の複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルを用いて処理を実行する。更に、処理部は、画像取得部により取得されたサンプルのＯＣＴ画像を機械学習モデルに入力し、このＯＣＴ画像の入力に基づき機械学習モデルから出力されたデノイズ画像を記憶又は提供する。【選択図】図７

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１～４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６３４６４１０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、物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルを準備し、サンプルのＯＣＴ画像を取得し、前記サンプルの前記ＯＣＴ画像を前記機械学習モデルに入力し、前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供する。
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、サンプルのＯＣＴ画像を取得する画像取得部と、物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルを用いて処理を実行する処理部とを含み、前記処理部は、前記画像取得部により取得された前記サンプルの前記ＯＣＴ画像を前記機械学習モデルに入力し、前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供する。
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、サンプルのＯＣＴ画像を取得する工程と、物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルに、前記サンプルの前記ＯＣＴ画像を入力する工程と、前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供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、サンプルのＯＣＴ画像を取得する工程と、物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルに、前記サンプルの前記ＯＣＴ画像を入力する工程と、前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供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）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。
更に、実施形態に係る画像処理装置は、取得されたＯＣＴ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。本開示に係る処理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デノイズ画像と呼ぶ。
デノイズ画像を生成するための画像処理機能は、予め作成された機械学習モデルを利用して実現される。実施形態に係る機械学習システムは、物体の複屈折情報を含む第１の画像と当該物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データ（教師データ、学習データ）を用いた機械学習によって構築されるものであり、ＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように機能するものである。実施形態の幾つかの態様において、物体の複屈折情報を含む第１の画像は、物体の複屈折性に由来する情報（例えば、複屈折由来アーティファクト）を含む画像であり、物体の複屈折情報を含まない第２の画像は、物体の複屈折性に由来する情報を含まない画像である。
実施形態に係る画像処理装置により生成されたデノイズ画像は、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、デノイズ画像は、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デノイズ画像は、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、デノイズ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、デノイズ画像を解析して解析情報を生成する機能、デノイズ画像を処理して可視化情報を生成する機能、デノイズ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、デノイズ画像に基づき機械学習用の訓練データを生成する機能、デノイズ画像を含む訓練データ及び／又はデノイズ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、デノイズ画像及び／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つ以上の機能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５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、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（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、機械学習を利用して構築されたモデル（機械学習モデル、数理モデル、推論モデル）を用いて処理を実行する機能を有する。
この機械学習に用いられる訓練データは、物体の複屈折情報を含む第１の画像とこの物体の複屈折情報を含まない第２の画像とのペアの集合を含んでいる。つまり、この機械学習に用いられる訓練データは、同じ物体について取得された、複屈折情報を含むＯＣＴ画像と複屈折情報を含まないＯＣＴ画像とのペアを、複数個含んでいる。
本開示では、１つの物体について取得された第１の画像と第２の画像とのペアを画像ペアと呼ぶ。また、訓練データに含まれる画像ペアの集合を画像ペア集合と呼ぶ。
本態様において、訓練データに含まれる画像を収集するためにＯＣＴスキャンが適用される物体は、ヒト生体眼であってよく、更に具体的には、ヒト生体眼の所定の構造（眼部位、眼組織、眼内人工物など）であってよい。眼部位や眼組織は、眼の任意の部位又は組織であってよく、その例として、眼底（後眼部）、前眼部、瞼、視神経乳頭、篩状板、黄斑、網膜、網膜のサブ組織（内境界膜、神経繊維層、神経節細胞層、内網状層、内顆粒層、外網状層、外顆粒層、外境界膜、視細胞層、網膜色素上皮層など）、ブルッフ膜、脈絡膜、脈絡膜－強膜境界（ＣＳＩ）、強膜、硝子体、角膜、角膜のサブ組織（角膜上皮、ボーマン膜、固有層、デュア層、デスメ膜、角膜内皮など）、結膜、シュレム管、線維柱帯、虹彩、水晶体、チン小帯、毛様体などがある。眼内人工物は、眼に移植された任意の物体であってよく、その例として、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。
訓練データに含まれる画像ペア集合は、１つの物体から取得されたものでもよいが、幾つかの例示的な態様では、複数の物体から取得された画像ペア集合が用いられてよい。例えば、画像ペア集合は、第１の物体から取得された１つ以上のＯＣＴ画像ペア、第２の物体から取得された１つ以上のＯＣＴ画像ペア、・・・、第Ｋの物体から取得された１つ以上のＯＣＴ画像ペアを含んでいてよい（Ｋは２以上の整数）。
幾つかの例示的な態様の画像ペア集合は、ＯＣＴスキャンにより物体から取得された画像（無加工画像）のみからなる集合であってよい。また、幾つかの例示的な態様の画像ペア集合は、無加工画像に加工を施して得られた画像（加工画像）を含んでいてもよい。
訓練データの作成方法については、その幾つかの例を後述する。
本態様の機械学習モデルは、サンプル（被検眼Ｅ）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が低減されたデノイズ画像を出力するように構成されている。
本態様のデータ処理部２３０の構成の幾つかの例、及び、データ処理部２３０により実行される処理の幾つかの例について、図４及び図５を参照して説明する。
図４に示すデータ処理部２３０Ａは、図３のデータ処理部２３０の１つの構成例である。データ処理部２３０Ａは、デノイズ画像生成部２３１を含んでいる。デノイズ画像生成部２３１は、被検眼ＥのＯＣＴ画像に基づいて、このＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を生成するように構成されている。
デノイズ画像生成部２３１は、推論モデル２３１１を用いてデノイズ画像の生成を実行する。推論モデル２３１１は、被検眼ＥのＯＣＴ画像の入力を受けてデノイズ画像を出力するように前述の機械学習によって訓練されたニューラルネットワーク２３１２を含む。
推論モデル２３１１は、図４に示すようにデノイズ画像生成部２３１（データ処理部２３０）の内部に配置されていてもよいし、データ処理部２３０以外の眼科装置１の箇所（例えば、記憶部２１２内）に配置されていてもよいし、眼科装置１の外部に配置されていてもよい。後者の例として、眼科装置１によりアクセス可能なコンピュータ又は記憶装置の内部に推論モデル２３１１を配置してもよい。
推論モデル２３１１を構築する装置（推論モデル構築装置）は、眼科装置１に設けられていてもよいし、眼科装置１の周辺機器（コンピュータなど）に設けられてもよいし、他のコンピュータであってもよい。
図５に示すモデル構築部３００は、推論モデル構築装置の例であり、学習処理部３１０とニューラルネットワーク３２０とを含む。
ニューラルネットワーク３２０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５の符号３３０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３３０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５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５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３２０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３２０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３００（学習処理部３１０）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３２０）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３２０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３１０は、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３２０に適用する。ニューラルネットワーク３２０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３１０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。
訓練データに含まれる画像の種類は、ＯＣＴ画像に限定されない。例えば、訓練データは、ＯＣＴ以外の眼科モダリティ（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、訓練データに含まれるデータの個数を増加させてもよい。
ニューラルネットワーク２３１２を構築するための訓練の手法（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、ニューラルネットワーク２３１２を構築するための機械学習において、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。
幾つかの例示的な態様では、入力画像に対してメタデータ（ラベル、タグ）を付すアノテーションによって生成された訓練データを用いて教師あり学習が実施される。このアノテーションでは、例えば、訓練データに含まれる画像に対して、その画像中の複屈折由来アーティファクトを示すラベルが付与される。画像中の複屈折由来アーティファクトの特定は、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。本例のアノテーションの対象となる画像、つまり、複屈折由来アーティファクトを示すアノテーション情報が付帯される画像は、物体の複屈折情報を含む画像（前述した第１の画像）である。
学習処理部３１０は、このような訓練データを用いた教師あり学習をニューラルネットワーク３２０に適用することによってニューラルネットワーク２３１２を構築することができる。この教師あり学習は、例えば、画像ペア集合に含まれる各画像ペア（物体の複屈折情報を含む第１の画像と、この物体の複屈折情報を含まない第２の画像とのペア）について、第１の画像の入力に対応する出力として第２の画像が得られるように実行される。本例によって構築されたニューラルネットワーク２３１２を含む推論モデル２３１１は、被検眼ＥのＯＣＴ画像の入力を受けて、このＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように機能する。幾つかの例示的な態様では、推論モデル２３１１に入力されるＯＣＴ画像は、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（例えば、通常のＯＣＴ強度画像）であり、これに対応して推論モデル２３１１から出力される画像は、この入力画像中の複屈折由来アーティファクトが低減されたデノイズ画像（通常のＯＣＴ強度画像のデノイズ画像）である。
複屈折由来アーティファクトを示すアノテーション情報が第１の画像に付されている画像ペア集合を含む訓練データを用いて教師あり学習が実行される場合、この教師あり学習は、例えば、画像ペア集合に含まれる各画像ペア（物体の複屈折情報を含み且つアノテーション情報が付帯された第１の画像と、この物体の複屈折情報を含まない第２の画像とのペア）について、第１の画像の入力に対応する出力として、この第１の画像に付帯されているアノテーション情報が示す複屈折由来アーティファクトが低減されるように且つ第２の画像が得られるように実行される。本例によって構築されたニューラルネットワーク２３１２を含む推論モデル２３１１は、被検眼ＥのＯＣＴ画像（例えば、通常のＯＣＴ強度画像）の入力を受けて、このＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように機能する。本例によれば、アノテーション情報が複屈折由来アーティファクトの位置（領域、範囲）を示しているため、機械学習の効率の向上及び品質（正確度、精度、再現性など）の向上を図ることができる。
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３１０は、ニューラルネットワーク３２０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）。
推論モデル構築に用いられる手法は、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。
データ処理部２３０がＯＣＴ画像から生成可能な情報は、デノイズ画像に限定されない。例えば、データ処理部２３０は、次のいずれかの機能を有していてよい：ＯＣＴ画像から複屈折由来アーティファクトを検出する機能；複屈折由来アーティファクトの属性情報を生成する機能；サンプル（被検眼Ｅ）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）を生成する機能；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を生成する機能。各機能は、機械学習的アルゴリズム及び／又は非機械学習的アルゴリズムを用いて実現される。すなわち、各機能は、少なくとも部分的に機械学習モデルを用いて実現されてもよいし、少なくとも部分的に機械学習モデルを用いずに実現されてもよい。
複屈折由来アーティファクトの属性情報は、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。機械学習モデルを用いる場合、この機械学習モデルの構築に用いられる訓練データは、物体（ヒト生体眼）の複屈折情報を含む第１の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アノテーション情報を含んでおり、この訓練データを用いて訓練された機械学習モデルは、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；眼組織の像、眼部位の像、眼内人工物の像など）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。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。幾つかの例示的な態様において、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。機械学習モデルを用いる場合、この機械学習モデルの構築に用いられる訓練データは、物体（ヒト生体眼）の複屈折情報を含む第１の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アノテーション情報を含んでおり、この訓練データを用いて訓練された機械学習モデルは、ＯＣＴ画像の入力を受けて弁別情報を出力するように構成される。
画像セグメンテーション情報は、ＯＣＴ画像に対する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。機械学習モデルを用いる場合、この機械学習モデルの構築に用いられる訓練データは、物体（ヒト生体眼）の複屈折情報を含む第１の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アノテーション情報を含んでおり、この訓練データを用いて訓練された機械学習モデルは、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構成される。
以上、データ処理部２３０の様々な例示的態様について説明したが、データ処理部２３０の態様はこれらの例示的態様に限定されるものではなく、また、データ処理部２３０を含む眼科装置１の態様もこれら例示的態様を用いる態様に限定されるものではない。
＜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。
＜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６を参照して眼科装置１の動作の第１の例を説明する。本例は、機械学習的アルゴリズムを利用したデノイズ画像生成（複屈折由来アーティファクトリダクション）の動作例を提供する。
（Ｓ１：偏光感受型ＯＣＴでヒト生体眼のデータを取得する）
まず、訓練データの準備を行う。そのために、偏光感受型ＯＣＴでヒト生体眼のデータを取得する。典型的な態様では、多数のヒト生体眼のデータが収集され、機械学習モデル構築のために蓄積される。
偏光感受型ＯＣＴは、偏光を検出可能なＯＣＴモダリティであり、偏波ダイバーシティ受信器（ｐｏｌａｒｉｚａｔｉｏｎ ｄｉｖｅｒｓｉｔｙ ｒｅｃｅｉｖｅｒ）を備えたＯＣＴ装置によって実施される。偏波ダイバーシティ受信器は、例えば、上記の特許文献１～４及び非特許文献１のいずれかに記載されたものであってよいが、それに限定されない。また、本例では特許文献１～３に記載された装置のような偏光感受型ＯＣＴを用いてヒト生体眼のデータを取得しているが、実施形態はこれに限定されるものではなく、例えば、非特許文献１に記載された装置のように通常のＯＣＴ装置に偏波ダイバーシティ受信器を組み込んだだけのＯＣＴモダリティを用いてヒト生体眼のデータを取得するようにしてもよい。
（Ｓ２：偏光感受画像と偏光非感受画像を生成する）
次に、ステップＳ１で取得されたヒト生体眼のＯＣＴデータから、偏光感受画像及び偏光非感受画像を生成する。例えば、１つのＯＣＴデータから、偏光感受画像と偏光非感受画像とのペアが生成される。つまり、１つのＯＣＴデータから１つの画像ペアが生成される。典型的な態様では、多数のＯＣＴデータから多数の画像ペアが生成され、画像ペア集合が形成される。
偏光感受画像の生成方法については、例えば、上記の特許文献３の（数２１）を参照されたい。また、偏光非感受画像の作成方法については、例えば、上記の非特許文献１の数式（５）を参照されたい。偏光感受画像は、ヒト生体眼の複屈折情報を含む第１の画像の例である。また、偏光非感受画像は、ヒト生体眼の複屈折情報を含まない第２の画像の例である。
（Ｓ３：アノテーションを行う）
次に、ステップＳ２で生成された偏光感受画像に対してアノテーションが行われる。アノテーションでは、偏光感受画像から複屈折由来アーティファクトを特定し、特定された複屈折由来アーティファクトを示すアノテーション情報を生成し、生成されたアノテーション情報をこの偏光感受画像に付帯させる。
（Ｓ４：訓練データを作成する）
次に、ステップＳ２で生成された画像ペアと、ステップＳ３で偏光感受画像に付帯されたアノテーション情報とを含む訓練データが作成される。換言すると、ステップＳ３でアノテーション情報が付帯された偏光感受画像と、偏光非感受画像とのペアの集合（画像ペア集合）を含む訓練データが作成される。
全ての画像ペアにおける偏光感受画像にアノテーション情報が付されていてもよいし、一部の画像ペアにおける偏光感受画像にのみアノテーション情報が付されていてもよい。
訓練データに含まれる画像の種類は、偏光感受画像及び偏光非感受画像に限定されない。例えば、前述したように、訓練データは、画像ペア集合に加えて、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、及び、擬似的な画像のいずれかを含んでいてもよい。
（Ｓ５：機械学習モデルを構築する）
次に、ステップＳ４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が構築される。この機械学習モデルは、眼のＯＣＴ画像の入力を受け、このＯＣＴ画像中の複屈折由来アーティファクトが低減されたデノイズ画像を出力する。
（Ｓ６：機械学習モデルを眼科装置に提供する）
次に、ステップＳ５で取得された機械学習モデルが眼科装置１に提供される。この機械学習モデルは、図４の推論モデル２３１１として用いられる。
以上のステップＳ１～Ｓ６は、デノイズ画像生成を眼科装置１に実行させるための準備の例である。眼科装置１によるデノイズ画像生成の例を以下に説明する。なお、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。
更に、デノイズ画像生成を行うための眼科装置１の動作モードの指定が行われてよい。この動作モードでは、眼科装置１は、例えば、通常のＯＣＴ強度画像を生成するためのＯＣＴスキャンを被検眼Ｅに適用する。
（Ｓ７：被検眼のＯＣＴ画像を取得する）
眼科装置１は、被検眼ＥにＯＣＴスキャンを適用してＯＣＴ画像（通常のＯＣＴ強度画像）を構築する。
（Ｓ８：ＯＣＴ画像を機械学習モデルに入力する）
眼科装置１は、ステップＳ７で取得された被検眼ＥのＯＣＴ画像を推論モデル２３１１に入力する。
（Ｓ９：デノイズ画像を生成する）
推論モデル２３１１は、ステップＳ８で入力されたＯＣＴ画像からデノイズ画像を生成する。
（Ｓ１０：デノイズ画像を記憶／提供する）
眼科装置１は、ステップＳ９で取得されたデノイズ画像を記憶又は提供する。
デノイズ画像の記憶は、例えば、眼科装置１の内部に配置されている記憶装置にデノイズ画像を記憶させること、及び／又は、眼科装置１の外部に配置されている記憶装置にデノイズ画像を記憶させることであってよい。
デノイズ画像の提供は、例えば、眼科装置１の内部に設けられたコンピュータにデノイズ画像を提供すること、眼科装置１の外部に設けられたコンピュータにデノイズ画像を提供すること、眼科装置１の内部に設けられた表示装置にデノイズ画像を提供すること、及び、眼科装置１の外部に設けられた表示装置にデノイズ画像を提供することのうちの１つ以上であってよい。
以上で、第１の動作例は終了となる（エンド）。
＜第２の動作例＞
図７を参照して眼科装置１の動作の第２の例を説明する。本動作例は、第１の動作例と同様に、機械学習的アルゴリズムを利用したデノイズ画像生成（複屈折由来アーティファクトリダクション）の例を提供するものであるが、アノテーションを行わない点において第１の動作例と異なっている。特に言及しない限り、第１の動作例と同様の工程や処理については詳しい説明を省略する。
まず、偏光感受型ＯＣＴでヒト生体眼のデータを取得し（Ｓ１１）、取得されたヒト生体眼のＯＣＴデータから偏光感受画像及び偏光非感受画像（画像ペア）を生成する（Ｓ１２）。次に、本動作例では、第１の動作例のステップＳ３のようなアノテーションを行うことなく、訓練データが作成される（Ｓ１３）。本動作例の訓練データは、ステップＳ１２で複数のヒト生体眼について取得された複数の画像ペア（画像ペア集合）を含んでいる。第１の動作例と同様に、本動作例の訓練データに含まれる画像の種類は、偏光感受画像及び偏光非感受画像に限定されない。
次に、ステップＳ１３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が構築され（Ｓ１４）、この機械学習モデルが眼科装置１に提供される（Ｓ１５）。この機械学習モデルは、眼のＯＣＴ画像の入力を受け、このＯＣＴ画像中の複屈折由来アーティファクトが低減されたデノイズ画像を出力するように機能するものであり、図４の推論モデル２３１１として用いられる。
以上のステップＳ１１～Ｓ１５は、デノイズ画像生成を眼科装置１に実行させるための準備の例である。眼科装置１によるデノイズ画像生成の例を以下に説明する。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、デノイズ画像生成を行うための眼科装置１の動作モードの指定が行われる。
眼科装置１は、被検眼ＥにＯＣＴスキャンを適用してＯＣＴ画像を構築し（Ｓ１６）、取得されたＯＣＴ画像を推論モデル２３１１に入力する（Ｓ１７）。推論モデル２３１１は、入力されたＯＣＴ画像からデノイズ画像を生成する（Ｓ１８）。そして、眼科装置１は、生成されたデノイズ画像を記憶又は提供する（Ｓ１９）。
＜第３の動作例＞
図８を参照して眼科装置１の動作の第３の例を説明する。本動作例は、第１及び第２の動作例と同様に、機械学習的アルゴリズムを利用したデノイズ画像生成（複屈折由来アーティファクトリダクション）の例を提供するものであるが、アノテーションを行わない点と訓練データに含まれる画像の取得方法とにおいて第１の動作例と異なっている。特に言及しない限り、第１の動作例と同様の工程や処理については詳しい説明を省略する。
まず、偏光感受型ＯＣＴでヒト生体眼のデータを取得し（Ｓ２１）、取得されたヒト生体眼のＯＣＴデータから偏光感受画像を生成する（Ｓ２２）。第１及び第２の動作例では、偏光感受型ＯＣＴで取得されたＯＣＴデータから偏光感受画像及び偏光非感受画像の双方を生成するが、本態様では、偏光感受型ＯＣＴで取得されたＯＣＴデータから偏光感受画像のみを生成する。
また、偏光非感受型ＯＣＴでヒト生体眼のデータを取得し（Ｓ２３）、このＯＣＴデータから画像（偏光非感受画像）を生成する（Ｓ２４）。偏光非感受型ＯＣＴは、偏波ダイバーシティ受信器を備えていないＯＣＴ装置によって実施されるＯＣＴモダリティである。
ステップＳ２１～Ｓ２４の工程の順序はこれに限定されない。例えば、ステップＳ２１及びＳ２２の工程よりも前に、ステップＳ２３及びＳ２４の工程を行ってもよい。また、ステップＳ２１及びステップＳ２３の工程を行った後に、ステップＳ２２及びステップＳ２４の工程を行ってもよい。
ステップＳ２１の偏光感受型ＯＣＴとステップＳ２３の偏光非感受型ＯＣＴとは、同じヒト生体眼に対して適用される。これにより、そのヒト生体眼についての偏光感受画像と偏光非感受画像とのペア（画像ペア）が得られる。典型的な態様では、ステップＳ２１の偏光感受型ＯＣＴとステップＳ２３の偏光非感受型ＯＣＴとが多数のヒト生体眼に適用され、多数の画像ペアが収集される。
次に、訓練データが作成される（Ｓ２５）。本動作例の訓練データは、ステップＳ２１～Ｓ２４で複数のヒト生体眼について取得された複数の画像ペア（画像ペア集合）を含んでいる。第１の動作例と同様に、本動作例の訓練データに含まれる画像の種類は、偏光感受画像及び偏光非感受画像に限定されない。
次に、ステップＳ２５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が構築され（Ｓ２６）、この機械学習モデルが眼科装置１に提供される（Ｓ２７）。この機械学習モデルは、眼のＯＣＴ画像の入力を受け、このＯＣＴ画像中の複屈折由来アーティファクトが低減されたデノイズ画像を出力するように機能するものであり、図４の推論モデル２３１１として用いられる。
以上のステップＳ２１～Ｓ２７は、デノイズ画像生成を眼科装置１に実行させるための準備の例である。眼科装置１によるデノイズ画像生成の例を以下に説明する。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、デノイズ画像生成を行うための眼科装置１の動作モードの指定が行われる。
眼科装置１は、被検眼ＥにＯＣＴスキャンを適用してＯＣＴ画像を構築し（Ｓ２８）、取得されたＯＣＴ画像を推論モデル２３１１に入力する（Ｓ２９）。推論モデル２３１１は、入力されたＯＣＴ画像からデノイズ画像を生成する（Ｓ３０）。そして、眼科装置１は、生成されたデノイズ画像を記憶又は提供する（Ｓ３１）。
＜第４の動作例＞
図９を参照して眼科装置１の動作の第４の例を説明する。本動作例は、第１～第３の動作例と同様に、機械学習的アルゴリズムを利用したデノイズ画像生成（複屈折由来アーティファクトリダクション）の例を提供するものであるが、訓練データに含まれる画像の取得方法において第１の動作例と異なっている。また、第３の動作例に対する相違は、アノテーションを行う点にある。特に言及しない限り、第１の動作例と同様の工程や処理及び／又は第３の動作例と同様の工程や処理については詳しい説明を省略する。
まず、偏光感受型ＯＣＴでヒト生体眼のデータを取得し（Ｓ４１）、取得されたヒト生体眼のＯＣＴデータから偏光感受画像を生成し（Ｓ４２）、生成された偏光感受画像に対してアノテーションを行う（Ｓ４３）。
また、偏光非感受型ＯＣＴでヒト生体眼のデータを取得し（Ｓ４４）、このＯＣＴデータから画像（偏光非感受画像）を生成する（Ｓ４５）。
ステップＳ４１～Ｓ４５の工程の順序はこれに限定されない。例えば、ステップＳ２１～Ｓ２３の工程よりも前に、ステップＳ４４及びＳ４５の工程を行ってもよい。また、ステップＳ４１及びステップＳ４４の工程を行った後に、ステップＳ４２及びステップＳ４５の工程を行い、その後にステップＳ４３の工程を行ってもよい。
ステップＳ４１の偏光感受型ＯＣＴとステップＳ４４の偏光非感受型ＯＣＴとは、同じヒト生体眼に対して適用される。これにより、そのヒト生体眼についての偏光感受画像と偏光非感受画像とのペア（画像ペア）が得られる。典型的な態様では、ステップＳ４１の偏光感受型ＯＣＴとステップＳ４４の偏光非感受型ＯＣＴとが多数のヒト生体眼に適用され、多数の画像ペアが収集される。
次に、訓練データが作成される（Ｓ４６）。本動作例の訓練データは、ステップＳ４１、Ｓ４２、Ｓ４４、及びＳ４５で複数のヒト生体眼について取得された複数の画像ペア（画像ペア集合）と、ステップＳ４３で偏光感受画像に付帯されたアノテーション情報とを含んでいる。換言すると、本動作例の訓練データは、ステップＳ４３でアノテーション情報が付帯された偏光感受画像と、偏光非感受画像とのペアの集合（画像ペア集合）を含んでいる。第１の動作例と同様に、本動作例の訓練データに含まれる画像の種類は、偏光感受画像及び偏光非感受画像に限定されない。
次に、ステップＳ４６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が構築され（Ｓ４７）、この機械学習モデルが眼科装置１に提供される（Ｓ４８）。この機械学習モデルは、眼のＯＣＴ画像の入力を受け、このＯＣＴ画像中の複屈折由来アーティファクトが低減されたデノイズ画像を出力するように機能するものであり、図４の推論モデル２３１１として用いられる。
以上のステップＳ４１～Ｓ４８は、デノイズ画像生成を眼科装置１に実行させるための準備の例である。眼科装置１によるデノイズ画像生成の例を以下に説明する。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、デノイズ画像生成を行うための眼科装置１の動作モードの指定が行われる。
眼科装置１は、被検眼ＥにＯＣＴスキャンを適用してＯＣＴ画像を構築し（Ｓ４９）、取得されたＯＣＴ画像を推論モデル２３１１に入力する（Ｓ５０）。推論モデル２３１１は、入力されたＯＣＴ画像からデノイズ画像を生成する（Ｓ５１）。そして、眼科装置１は、生成されたデノイズ画像を記憶又は提供する（Ｓ５２）。
＜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、まず、物体（眼）の複屈折情報を含む第１の画像とこの物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを準備し、この訓練データを用いた機械学習によって機械学習モデル（推論モデル２３１１）を構築することができる。この機械学習モデルは、ＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように機能する。更に、本態様によれば、サンプル（被検眼Ｅ）のＯＣＴ画像を取得し、このＯＣＴ画像を機械学習モデル（推論モデル２３１１）に入力し、機械学習モデルから出力されたデノイズ画像を記憶又は提供することができる。
このように、本態様は、サンプルのＯＣＴ画像からデノイズ画像するように訓練された新規な機械学習モデルを用いることによって、換言すると、サンプルのＯＣＴ画像の複屈折由来アーティファクトリダクションを実行するように訓練された新規な機械学習モデルを用いることによって、偏光分離検出機能を持たないＯＣＴモダリティ（眼科装置１）で取得された画像中の複屈折由来アーティファクトを低減することを可能にするものである。
すなわち、本態様は、物体の複屈折情報を含む第１の画像と物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって生成された機械学習モデルを採用するという新規な特徴により、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デノイズ画像を生成することを可能にするものである。
なお、本態様において説明した様々な事項は、この複屈折由来アーティファクト低減機能の向上を図るための様々な例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
２３０ データ処理部
２３１ デノイズ画像生成部
２３１１ 推論モデル

Claims (8)

  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、
    物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルを準備し、
    サンプルのＯＣＴ画像を取得し、
    前記サンプルの前記ＯＣＴ画像を前記機械学習モデルに入力し、
    前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供する、
    方法。
  2. 前記第１の画像及び前記第２の画像は、偏波ダイバーシティ受信器を備えたＯＣＴ装置により前記物体から取得された同じデータに基づき生成され、
    前記第１の画像には、複屈折由来アーティファクトを示すアノテーション情報が付帯されている、
    請求項１の方法。
  3. 前記第１の画像及び前記第２の画像は、偏波ダイバーシティ受信器を備えたＯＣＴ装置により前記物体から取得された同じデータに基づき生成される、
    請求項１の方法。
  4. 前記第１の画像は、偏波ダイバーシティ受信器を備えた第１のＯＣＴ装置により前記物体から取得された第１のデータに基づき生成され、
    前記第２の画像は、偏波ダイバーシティ受信器を備えない第２のＯＣＴ装置により前記物体から取得された第２のデータに基づき生成される、
    請求項１の方法。
  5. 前記第１の画像には、複屈折由来アーティファクトを示すアノテーション情報が付帯されている、
    請求項１の方法。
  6. 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、
    サンプルのＯＣＴ画像を取得する画像取得部と、
    物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルを用いて処理を実行する処理部と
    を含み、
    前記処理部は、前記画像取得部により取得された前記サンプルの前記ＯＣＴ画像を前記機械学習モデルに入力し、前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供する、
    装置。
  7. 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、
    サンプルのＯＣＴ画像を取得する工程と、
    物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルに、前記サンプルの前記ＯＣＴ画像を入力する工程と、
    前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供する工程と
    を実行させる、プログラム。
  8. 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、
    サンプルのＯＣＴ画像を取得する工程と、
    物体の複屈折情報を含む第１の画像と前記物体の複屈折情報を含まない第２の画像とのペアの集合を含む訓練データを用いた機械学習によって構築された機械学習モデルであってＯＣＴ画像の入力を受けて当該ＯＣＴ画像における複屈折由来アーティファクトが低減されたデノイズ画像を出力するように構築された機械学習モデルに、前記サンプルの前記ＯＣＴ画像を入力する工程と、
    前記サンプルの前記ＯＣＴ画像の入力に基づき前記機械学習モデルから出力されたデノイズ画像を記憶又は提供する工程と
    を実行させる、記録媒体。

JP2022104629A 2022-06-29 2022-06-29 画像処理方法、画像処理装置、プログラム、及び記録媒体 Pending JP2024004792A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022104629A JP2024004792A (ja) 2022-06-29 2022-06-29 画像処理方法、画像処理装置、プログラム、及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022104629A JP2024004792A (ja) 2022-06-29 2022-06-29 画像処理方法、画像処理装置、プログラム、及び記録媒体

Publications (1)

Publication Number Publication Date
JP2024004792A true JP2024004792A (ja) 2024-01-17

Family

ID=89539696

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022104629A Pending JP2024004792A (ja) 2022-06-29 2022-06-29 画像処理方法、画像処理装置、プログラム、及び記録媒体

Country Status (1)

Country Link
JP (1) JP2024004792A (ja)

Similar Documents

Publication Publication Date Title
JP7250653B2 (ja) 画像処理装置、画像処理方法及びプログラム
JP7478216B2 (ja) 眼科装置、眼科装置の制御方法、及びプログラム
JP7106728B2 (ja) 眼科装置
JP7348374B2 (ja) 眼科情報処理装置、眼科撮影装置、眼科情報処理方法、及びプログラム
JP7384987B2 (ja) 眼科装置
JP2021023686A (ja) 眼科装置、その制御方法、プログラム、及び、記録媒体
JP7194136B2 (ja) 眼科装置、眼科装置の制御方法、及びプログラム
JP7378557B2 (ja) 眼科撮影装置、その制御方法、プログラム、及び記録媒体
JP7215862B2 (ja) 眼科撮影装置、その制御方法、プログラム、及び記録媒体
WO2022145129A1 (ja) 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
US20220414845A1 (en) Ophthalmic apparatus, method of controlling the same, and recording medium
JP2024004792A (ja) 画像処理方法、画像処理装置、プログラム、及び記録媒体
JP6882242B2 (ja) 眼科装置およびその制御方法
JP2022132898A (ja) 眼科データ処理方法、眼科データ処理装置、その制御方法、眼科検査装置、その制御方法、プログラム、及び記録媒体
JP2024008246A (ja) 画像処理方法、画像処理装置、プログラム、及び記録媒体
WO2020054280A1 (ja) 眼科撮影装置、その制御方法、プログラム、及び記録媒体
US20230419451A1 (en) Image processing method, image processing apparatus, and recording medium
JP2024003982A (ja) 画像処理方法、画像処理装置、プログラム、及び記録媒体
JP2020031873A (ja) 眼科装置、その制御方法、プログラム、及び記録媒体
JP7325675B2 (ja) 眼科撮影装置
WO2024004455A1 (ja) 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
EP4233688A1 (en) Ophthalmic device, control method therefor, program, and recording medium
JP7355331B2 (ja) 走査型イメージング装置、その制御方法、画像処理装置、その制御方法、走査型イメージング方法、画像処理方法、プログラム、及び記録媒体
JP7236832B2 (ja) 眼科撮影装置、その制御方法、プログラム、及び記録媒体
JP2023066499A (ja) 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