JP4767570B2

JP4767570B2 - 角膜形状解析システム

Info

Publication number: JP4767570B2
Application number: JP2005099549A
Authority: JP
Inventors: ステファン・ディー・クライス; マイケル・ケイ・スモレク; 正直藤枝
Original assignee: Nidek Co Ltd
Current assignee: Nidek Co Ltd
Priority date: 2004-03-31
Filing date: 2005-03-30
Publication date: 2011-09-07
Anticipated expiration: 2025-03-30
Also published as: JP2005288176A; US7370969B2; US20050225724A1

Description

本発明は、角膜形状に関する症例を解析する角膜形状解析システムに関する。

被検眼角膜に多数の円環状のプラチドリングを投影し、角膜の凸面で形成されるプラチドリング像を撮像素子で撮像し、撮像されたプラチドリング像に基づいて角膜曲率データを求め、角膜の３次元形状を解析する角膜形状解析装置が知られている。角膜形状は各種カラーマップで表示される。解析装置により得られた角膜形状情報は、角膜矯正手術、白内障手術時の手術計画、手術後の評価に利用されている。さらに、角膜形状は角膜の病気の一つである円錐角膜の早期発見、診断に利用されている。

円錐角膜の診断として、ニュラールネットワーク手法を用いて円錐角膜の症例を判定する方法が、マイケル・ケイ・スモレク等による下記の非特許文献１にて開示されている。この方法において、角膜形状を特徴付ける、differential sector index（DSI），opposite sector index（OSI），center-surround index（CSI），analyzed area（AA），cylinder（CYL），irregular astigmatism index（IAI），the steep axis of simulated keratometry（SKI），surface regularity index（SRI），the standard deviation of corneal power（SDP）の１０個のインデックスを使用することにより、円錐角膜及び円錐角膜の疑いのあることがニューラルネットワークを用いて判定される。また、上記の角膜形状を特徴付けるインデックスは、下記の非特許文献２でも紹介されている。
マイケル・ケイ・スモレク、他１名、「Current Keratoconus Detection Methods Compared With a Neural Network Approach 」、Investigative Ophthalmology & Visual science、October 1997、 Vol.38、 No.11、p2290−2299 五藤智子、「角膜形状指数」、「角膜トポグラフィーと波面センサー−解読のポイント」、株式会社メジカルビュー社、2002年10月10日、ｐ58−63

しかし、従来においては円錐角膜の判定だけであり、角膜症例分類やその解析結果の表示には更に改良の余地があった。

また、円錐角膜症例の分類に必要な各インデックスを算出するための角膜形状測定装置においては、装置メーカ毎にプラチドリングの間隔や本数が異なっており、リング像のエッジ検出から得られるデータ数やそのデータ構造も装置メーカ毎に異なっている。したがって、一般的には装置メーカ間のデータの互換性はなく、メーカ毎のデータ構造のポイントデータに基づいて角膜形状が解析され、円錐角膜の診断、解析結果の出力が行われることになる。また、同一メーカであっても、プラチドリング構成を変えると、解析プログラムや表示プログラムを変える必要がある。

本発明は、円錐角膜等の角膜症例分類に更なる改良を加え、より的確な角膜症例の診断が可能な角膜形状解析システムを提供することを技術課題とする。また、角膜形状測定装置毎に異なるプラチドリング構造やデータ構造の違いを吸収し、その後に続く解析処理、表示等においての修正を及ぼさない角膜形状解析システムを提供することを技術課題とする。

上記課題を解決するために、本発明は以下のような構成を備えることを特徴とする。

（１）角膜形状データを入力する入力手段と、入力された角膜形状データに基づいて角膜形状を特徴付ける複数のインデックスを決定し、決定されたインデックスとニューラルネットワークを使用して、角膜症例の特徴付けられた分類として円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例の分類を判定する解析手段と、該解析手段による判定結果を表示する表示手段と、を備え、前記ニューラルネットワークは、臨床的に予め判定された円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例をインプットし、角膜症例毎に前記複数のインデックスの重み付け係数を決定して角膜症例の判定結果をアウトプットするトレーニングがなされている、ことを特徴とする。
（２）角膜形状データを入力する入力手段と、入力された角膜形状データをそれより密な第１データマトリックスのデータに補間処理により変換し、変換により得られたデータから高周波成分を周波数分析により除去したデータを求め、求めたデータを所定の第２データマトリックスの角膜形状データに変換し、変換された角膜形状データに基づいて角膜形状を特徴付ける複数のインデックスを決定し、決定されたインデックスとニューラルネットワークを使用して、角膜症例の特徴付けられた分類として円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例の分類を判定する解析手段と、該解析手段による判定結果を表示する表示手段と、を備え、前記ニューラルネットワークは、臨床的に予め判定された円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例をインプットし、角膜症例毎に前記複数のインデックスの重み付け係数を決定して角膜症例の判定結果をアウトプットするトレーニングがなされている、ことを特徴とする。

本発明によれば、より的確な角膜症例の診断が可能になる。角膜形状測定装置毎に異なるプラチドリング構造やデータ構造の違いを吸収し、その後に続く解析処理、表示等においての修正を及ぼさないシステムを実現できる。

以下、本発明の好ましい実施形態を図面に基づいて説明する。図１は、本発明に係る角膜形状解析システムの概略構成図である。角膜形状を測定するために、このシステムは測定光学系１０を備える。測定光学系１０は、光軸Ｌ１を中心にした同心円の多数のプラチドリングが形成されているプラチド板１２、プラチド板１２のリングパターンをほぼ均一に照明する照明光源１３、被検眼角膜に投影されたリングパターン像を撮影するための撮影レンズ１４及びＣＣＤカメラ１５とを備える。プラチド板１２の構造は、コーンタイプのものでも良い。撮影レンズ１４及びＣＣＤカメラ１５は被検眼の前眼部を観察する観察光学系を兼ねる。解析システムは、図示を略す固視光学系やアライメント光学系が設けられている。固視光学系やアライメント光学系の詳細な説明は、当業者には良く知られているので、省略する。

上記測定光学系１０は、プラチド板１２により角膜形状を測定しているが、本発明はこれに限るものではなく、プラチド板を使用しない角膜形状データを得ることが可能な他の角膜形状測定装置でもよい。

ＣＣＤカメラ１５により撮像された画像は、ビデオキャプチャ２２に取り込まれる。ビデオキャプチャ２２はバス２３を介して演算制御ユニット２０と接続されている。演算制御ユニット２０は、ＣＣＤカメラ１５により撮像されたプラチドリング画像に対する解析処理等を行う。また、画像制御ユニット２１は、カラー表示可能な液晶ディスプレイ２４と接続され、ディスプレイ２４に表示する画像や解析結果の表示を制御する。バス２３には、プラチドリング画像や解析結果を記憶するメモリ２５、解析プログラム等が記憶されたハードディスク（ＨＤＤ）２６、キーボード２９及びマウス３０と接続されるシリアルＩ/Ｏ２８、プリンタ３２と接続されるパラレルＩ/Ｏ３１、各種スイッチを持つ操作スイッチ３４、通信ポート３３等が接続されている。通信ポート３３には外部のコンピュータ４０が接続可能であり、データの送受信が行えるようになっている。

プラチドリング像の撮像とその後の解析処理について説明する。測定時、測定光学系１０は被検眼と適切にアライメントされる。その後、撮影スイッチは光源１３を点灯するために押される。プラチド板１２によるプラチドリングパターンが被検眼角膜に投影される。被検眼に投影されたプラチドリングパターンはＣＣＤカメラ１５により撮像される。結果として生じるプラチドリング画像はメモリ２５に記憶される。メモリ２５に記憶された画像に対して白黒のリングパターンの境界エッジが演算制御ユニット２０により検出される。その結果は画像制御ユニット２１に送られる。画像制御ユニット２１によりリング画像の該当するエッジ位置に認識容易な色で縁取ったプラチドリング画像が作成され、ディスプレイ２４に表示される。

検者は、ディスプレイ２４に表示されたエッジ位置検出画像が良好であれば、ディスプレイ２４の画面上に表示されている解析スタートキーをマウス３０でクリックし、解析をスタートさせる。解析スタート信号により図２のフローチャート及び次の説明の角膜形状解析が、演算制御ユニット２０により実行される。

演算制御ユニット２０は、上記のように各プラチドリング像の白黒のエッジ（境界）を検出し（STEP１）、角膜中心からの各エッジ距離に基づいて所定角度毎の角膜曲率（Axial曲率）を演算する（STEP２）。角膜曲率の算出方法の詳細については、特開平７−１２４１１３号公報及びUSP5,500,697等に説明されている。例えば、解析対象のリング本数が２３本であり、測定経線角度を１度ステップ毎にサンプリングするとすれば、23×360の極座標データマトリックの角膜曲率が得られる。ここで得られる角膜形状データは、プラチドリングの本数、リングの間隔、サンプリング角度等の装置固有の構成及び処理方法に依存したデータである。また、角膜形状を示す基本データの一つである角膜曲率（Axial曲率）には、プラチドリング像の白黒のエッジを検出する段階で、僅かであるが検出誤差（あるいはノイズ）が含まれる。

装置固有の構成上の依存性を無くすために、以下のステップが実行される。まず、上記で得られた（入力された）極座標データマトリックスの角膜曲率データを、それより密な直交座標データ（ｘｙ座標データ）に変換する（STEP3）。このとき、各座標の角膜曲率の値は、極座標の角膜曲率から補間計算する。角膜曲率の補間計算は、単純に２つのエッジ位置の間を直線補間する等、種々の方法が採用できる。例えば、角膜形状解析の範囲径１２ｍｍで白黒エッジリング数２３本（エッジ間隔＝約０．５２ｍｍ）が装置固有のデータ構造であったとすれば、これを同じ角膜上範囲内で補間計算し、256×256の直交座標に変換する。角膜上範囲径を１２ｍｍとすれば、角膜上で0.047ｍｍ間隔の256×256のデータマトリックスとなる。

次に、直交座標データマトリックスに対して2次元ＦＦＴ（フーリエ変換）を適用し、周波数空間に変換する（STEP4）。そして、所定の高周波成分をカットした後（STEP5）、逆ＦＦＴ（逆フーリエ変換）を行う（STEP6）。これにより、高周波成分のノイズが除去され、スムージングされた角膜曲率データが得られる。図３（ａ）は、STEP3にて直交座標データに変換され、補間計算された段階における横方向（X軸）座標の角膜曲率データをグラフ化した図である。これに対して、図３（ｂ）は、STEP6の逆ＦＦＴを実行した後に得られた角膜曲率データをグラフ化した図であり、ノイズ除去とスムージングがなされた様子が分かる。なお、周波数分析は、ＦＦＴに限らず、ウェーブレット等の他の周波数解析手法を用いても良い。

次に、逆ＦＦＴ後の直交座標データを、再び極座標データマトリックスに変換する（STEP７）。ここでの極座標データマトリックスは、角膜形状を特徴づけるインデックスの計算やマップ表示に都合の良い一定のデータ構造に変換すれば良い。例えば、マップ表示等に関する既存の解析・表示ルーチンを適用可能とするために、リング本数が２３本のエッジ位置と測定経線１度ステップの座標に戻したデータ構造とする。あるいは、測定経線１度ステップで０．１〜０．２ｍｍ程の一定間隔の新たなデータ構造とする。この場合、データ列の間隔が一定になっていることから、角膜上の領域に関するデータ計算が容易になる。例えば、角膜上３ｍｍ，５ｍｍ，７ｍｍの径位置で強主経線及び弱主経線での角膜パワーを求めて表示する場合、該当するデータを単に指定して計算することで済む。また、256×256の直交座標データに拡張したままのデータを記憶する場合に比べ、メモリ容量の節約ができ、後のデータ計算に要する時間も短縮できる。

以上のSTEP３〜７を従来の方法に対して追加することで、プラチドリング本数等の装置固有の構成や処理に依存しないデータ構造とし、以下に説明する角膜形状に関する各種インデックスの計算、解析結果の表示の計算が共通のルーチンで可能になる。

次に角膜症例分類の判定に関する解析を説明する。STEP７で得られた角膜曲率データから、SIMK１（Simulated K1），SIMK２（Simulated K2），MINK（Minimum Keratometry Value），SRI（Surface Regularity Index），SRC（Area compensated Surface Regularity Index）、OSI（Opposite Sector Index）、DSI（Differential Sector Index）、CSI（Center/Surround Index）、KPI（Keratoconus Prediction Index）、CYL（Simulated keratometric cylinder）、IAI（Irregular Astigmatism Index）、ACP（Average Corneal Power）、IAA（Analyzed Area）、CEI（Corneal Eccentricity Index），KCI（Keratoconus Index）、CVP（Coefficient of Variation of corneal Power）、SDP（Standard Deviation of corneal Power）、Asymmetry Indexの18個のインデックス（前述の非特許文献１、２参照）を計算する（STEP8）。

SIMK１，SIMK２は、角膜上約３mm径の強主経線及び弱主経線のパワーである。ノーマルより高い数値は、円錐角膜、角膜移植眼、元々急勾配な角膜を予想させる。ノーマルより低い数値は、近視矯正、元々フラットな角膜を予想させる。

MINKは、角膜上３mm径の中で最も低いパワーである（最小角膜曲率値）。不整乱視の角膜では強弱主経線が90度方向に無いケースがある。また、これは乱視矯正の手術時には重要な要素となる。このような不正乱視としては、円錐角膜、角膜移植眼、障害を受けた眼、白内障手術後の眼に見られる。

SRIは、角膜中央部の局所的変動を表し、PVA（潜在的視力：Potential Visual Acuity）に関係する値である。SRIが増加すれば、瞳孔径内の角膜表面が不整であることを意味する。ドライアイ、ＣＬ装用による角膜変形、障害を受けた眼、角膜移植眼では高い値を示す。SRCは、SRIを解析対象の面積で補正した指数である（表面領域代償正インデックス）。SRCは下記式で計算される。

上記の式において、ｉはリングナンバー、jは経線上の位置、Ａ，Ｂ及びＣは定数、Ｎは測定ポイント数である。

ACPは、入射瞳（瞳孔）内の平均角膜パワーである。これは、角膜のＳＥ値と見なすことができる。角膜曲率値が異常であれば、ACPも異常な値となる。

CEIは、角膜の非球面性を表す偏心性を意味する（角膜偏心インデックス）。＋の値（a positive value）は、偏長な角膜であり、０（a nil value）は球面、−の値（a negative value）は偏円な角膜を表す。円錐角膜では正常角膜より異常に高い＋の値を示し、コンタクトレンズによる角膜変形、近視矯正眼では−の値を示す。CEIは下記式で計算される。

上記の式において、ｉはリングナンバー、ｅ_iはリングｉにおける角膜中心からの平均距離と高さ（角膜頂点からリングｉまでの距離）から求められる離心率、Ｎは測定ポイント数である。

CVPは、角膜の全領域でのパワー分布をインデックス化した数値であり、下記の式で計算される。

CVP＝1000×全領域角膜パワーの標準偏差SD／全領域角膜平均パワー
CVPの値が高い場合、角膜は多焦点の性質を示す。例えば、中程度から重度の円錐角膜に見られる。また、角膜移植術中、術後にも見られる。

OSI，DSI，CSI，IAI，IAA，SAI，KPIに関しては、“Maeda N，Klyce SD，Smolek MK，Thomson HW，「Automated Keratoconus Screening With Corneal Topography Analysis」，Invest Ophthalmol Vis Sci.1994;35:2749-2757”に記載されているので、その記載を援用する。

KCIは、円錐角膜の類似性を評価した指数である。KCIは、図４に示す方法にて求められる。この図４の説明は、上記の文献にてエキスパートシステム分類器の出力（fig.5）として記載されている。また、図中のKPI（Keraoconus Prediction Index）は、上記の文献に記載されているので、その記載を援用する。

これら18個のインデックスを入力データとし、ニュラールネットワークを用いて各種角膜症例分類の確度（％）を出力する（STEP9）。図５は、角膜症例分類を判定するためのネットワークのブロック図である。角膜症例は、NRM（normal cornea：正常角膜），MRS（myopic refractive surgery：近視屈折矯正手術角膜），HRS（hyperopic refractive surgery：遠視屈折矯正手術角膜），AST（corneal astigmatism：角膜乱視），PKP（penetrating keratoplasty：全層角膜移植），KCS（keratocounus suspect：擬似円錐角膜），PMD（pellucid marginal degeneration：ペルシード角膜変性症），KC（keratoconus：円錐角膜）の8つの症例とOTH（other：その他の角膜症例）の全９分類される。KCと判定された場合はその重症度（severity）を評価するKSI（Keratoconus Severity Index：円錐角膜の重症度インデックス）の出力をも備える。

各種角膜症例分類の確度は、エキスパートシステムと結合してニューラルネットワーク（STEP9）を用いて決定される。ニューラルネットワークプロセスにおける確度が不明の場合は、OTH分類に示される。

18個のインデックスをニュラルネットワークに入力することにより、次に説明されるように、各角膜症例分類の判定とその確度が決定される。

正常角膜（normal cornea）、近視屈折矯正手術角膜（myopic refractive surgery）、遠視屈折矯正手術角膜（hyperopic refractive surgery）、角膜乱視（corneal astigmatism）、全層角膜移植（penetrating keratoplasty）、円錐角膜（keratocounus）、擬似円錐角膜（keratocounus suspect）、ペルシード角膜変性症（pellucid marginal degeneration）等の８種の角膜形状を網羅する合計1825の角膜トポグラフィマップがOPD-Scan（ニデック社製の角膜形状／屈折力解析装置）により取得された。さらに、角膜トポグラフィマップは、８種の角膜症例分類から臨床的に一つの角膜症例に分類された。そして、より正確に分類するため、各角膜トポグラフィマップは専門家による判定が行なわれ、円錐角膜については、その重症度の判定も実施された。専門家による見直しによる再判定の後、224のマップがニューラルネットワークトレーニングのために選ばれ、さらに別の224のマップがテストのために無作為に選ばれた。それ以外の残りのマップは、８種の角膜症例分類の判定、トレーニング、テストには使われなかった。トレーニング・セットとテスト・セットの両方において、各分類には約28のマップが含まれる。トレーニングマップの選定は、画質と各々の症例に典型的な特徴を備えたものが選択された。KCの症状が判定されたときは、専門家は円錐角膜の重症度（severity）をKSI値として設定し、ネットワークのトレーニング及びテストができるようにした。

各々のマップは、フーリエ変換を利用してノイズ等を除去され、プラチドリングの構造に依存しない共通の解像度に変換され、ニューラルネットワークへ入力される18種の角膜インデックス（SIMK1、SIMK2、MINK、CYL、SRI、SRC、OSI、DSI、CSI、SAI、CEI、IAI、ACP、AA、SDP、CVP、KPI及びKCI）が抽出された。これらの角膜インデックスは、様々な角膜形状の特徴を示すのに適していることが示されている。１８種のインデックスはトータルのネットワークへ入力されるが、ネットワークを構成している個々のネットワークのうちのいくつかは、１８種より少ないインプットで正確に判定できることがネットワークトレーニングを通してわかり、決定されている。具体的には、図５で示されているように、PKP ネットワークはインプットとしてKCIを使用せず、KCS ネットワークはインプットとしてSIMK1、SIMK2、MINK、SRI、SRC、ACP、IAA及びCEIを使用していない。

重症度のランキングの０（KCの徴候なし）から１（KC の重症度の最大）までグレードわけされたアウトプットであるKSI（Keratoconus Severity Index）ネットワーク、そして、その他の個々のネットワークは、それぞれのカテゴリーにおいて０（反応なし）から１（トレーニング設定例中でみられた最大レベル）までのアウトプット範囲をもつ。第一アウトプットは目的とした分類であり、第二アウトプットは「OTHER」に分類される。図５の記号「Ｘ」に示したように「OTHER」の出力に含まれる情報は廃棄されるが、第一出力の情報は分類のために使用される。「OTHER」の出力は、ネットワークをより速く、より正確にするために使用される。分類アウトプット値が０のときは、ネットワークに入力されたデータが、トレーニング時に使用された入力データに対し、類似性がが完全に欠如していることを示す。分類アウトプット値が１のときは、ネットワークに入力されたデータが、ネットワークトレーニングに使用された入力データに対し、類似性が高いことを示す。最終的には、出力値は％表示に変換され、図６に示すように０％から１００％の範囲でグラフ表示される。この％は類似性を示し、被検角膜のトポグラフィが分類の一つまたは複数の症例にあてはまる可能性、その確度、あるいはネットワークでトレーニングされたKSI値が示される。

個々のニューラルネットワークは、中間層（hidden layer）を１つ持つフィードフォワード型で構成されており、学習用の入出力データをバックプロパゲーション法を用いて学習させている。１つの中間層（hidden layer）は、入力数（例えば、各カテゴリーに従って18またはそれ以下）と同じニューロンの数を含んでいる。すべてのトレーニングにおいては、出力エラーが所望の許容差より大きければ、ニューロンのネットワークマトリックス内部の重み付けパラメータは許容される応答が出るまで体系的に調整されている。さらに、ネットワークは、全てのトレーニングマップセットでトレーニングが行なわれた後、それらとは異なる独立したマップデータセットで同時にテストされている。個々のネットワークはトレーニング用とテスト用セットの両方を正しく分類できるように改良されているので、両者の許容誤差は、より高い精度を実現できるように低い値に設定されている。個々のネットワークが独立したテストセットに対し正当に反応した結果が最大数に達し、トレーニング用テストセットにおいて、もはや改善の余地がないほどにトレーニングされた時、トレーニングは完了したとみなされる。このトレーニングの過程は、全ての８種の分類ネットワークと円錐角膜の重症度インデックスのネットワークにおいて実施されている。独立したテストセットデータによって達成された具体的な精度は、以下のテーブル１で示される。

トレーニングされたニユーラルネットワークによって得られた知識を定義付ける最終のニユーラルネットワークマトリックスは、重み係数の配列で表される。
これらの係数は、ネットワークの中の各々のニューロンの相互接続に適用された結果である。適切な分類を決定する個々のネットワークから出力される平均は、各入力項の大きさを示す符号付き数値から成る簡単な一次式によって表される。すなわち、各々の式は、トレーニングセットの中の各インデックスの重み付けされた係数の合計を表したものである。これらの方程式は、図８で示されている。

一旦ニューラルネットワーク出力が全てのカテゴリーにおいて決定されれば、その結果はエキスパートシステムによる閾値フィルタに通され、最終的な分類スコアが決定される。図６で示される棒グラフの結果の閾値は、調整可能である。現在、各々の分類ネットワークの出力の10%または0.10の閾値で設定されている。KCカテゴリーに分類されたマップは、KSIネットワーク出力（図５中で示されるコントロールによって示される）でKC 重症度；KSIが表示される。KC出力が10%を超えないならば、対応するKSI 重症度インデックスは表示されない。

図６は、ディスプレイ２４に表示される角膜症例分類の解析結果例である。画面右側には、角膜曲率データから求められたインデックスと、その値が表示されている。画面左側には、角膜症例分類の項目に対する確度が数値表示と共にグラフ表示されている。各症例の確度が、グラフ表示されていることにより、視覚的に理解し易く、診断が容易になる。KCが50％等の前もって決定されたパーセンテージ以上のときに、KSIは数値にて表示される。MRS，HRS，AST，PKP等が円錐角膜に関するKC，KSIと共に分類されるため、眼のために最適な矯正具（眼鏡またはコンタクトレンズ）を判断することが可能となる。また、屈折矯正手術の適応の可否判断が的確にできるようになる。

図７は、角膜曲率分布のカラーマップの表示例である。角膜症例の診断に際して、角膜曲率分布を合わせて観察することにより、的確な診断が可能になる。カラーマップの表示は、図２のフローチャートにおけるSTEP７で算出された極座標データが使用されている。装置固有の構造上の依存性が無くなっている。表示プログラムは、違うプラチドリング数の角膜形状測定装置で共通化されることができる。

以上の実施形態においては、角膜形状測定光学系を持つ測定装置に解析機能を持たせた構成例としたが、図２におけるSTEP3以降の角膜解析機能については、コンピュータ４０に受け持たせる構成としても良い。この場合、演算制御ユニット２０で求められた角膜曲率データは、通信ポート３３からコンピュータ４０に送信される。コンピュータ４０は角膜曲率データを入力する機能を持つものである。

本発明に係る角膜形状解析システムの概略構成図である。角膜形状解析のフローチャートである。ノイズ除去及びスムージング処理の前後の角膜曲率データをグラフ化した図である。 KCI（Keratoconus Index）の算出方法を示す図である。角膜症例分類を判定するためのニューラルネットワークのブロック図である。角膜症例分類の解析結果の表示例である。角膜曲率分布のカラーマップの表示例である。ニューラルネットワークの多項式の例である。

符号の説明

１０測定光学系
１２プラチド板
１３照明光源
１５ＣＣＤカメラ
２０演算制御ユニット
２１画像制御ユニット
２４ディスプレイ
２５メモリ

Claims

角膜形状データを入力する入力手段と、入力された角膜形状データに基づいて角膜形状を特徴付ける複数のインデックスを決定し、決定されたインデックスとニューラルネットワークを使用して、角膜症例の特徴付けられた分類として円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例の分類を判定する解析手段と、該解析手段による判定結果を表示する表示手段と、を備え、前記ニューラルネットワークは、臨床的に予め判定された円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例をインプットし、角膜症例毎に前記複数のインデックスの重み付け係数を決定して角膜症例の判定結果をアウトプットするトレーニングがなされている、ことを特徴とする角膜形状解析システム。
角膜形状データを入力する入力手段と、入力された角膜形状データをそれより密な第１データマトリックスのデータに補間処理により変換し、変換により得られたデータから高周波成分を周波数分析により除去したデータを求め、求めたデータを所定の第２データマトリックスの角膜形状データに変換し、変換された角膜形状データに基づいて角膜形状を特徴付ける複数のインデックスを決定し、決定されたインデックスとニューラルネットワークを使用して、角膜症例の特徴付けられた分類として円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例の分類を判定する解析手段と、該解析手段による判定結果を表示する表示手段と、を備え、前記ニューラルネットワークは、臨床的に予め判定された円錐角膜、近視屈折矯正手術角膜及び遠視屈折矯正手術角膜を少なくとも含む角膜症例をインプットし、角膜症例毎に前記複数のインデックスの重み付け係数を決定して角膜症例の判定結果をアウトプットするトレーニングがなされている、ことを特徴とする角膜形状解析システム。