JP5884195B2 - Ｏｃｔ画像を分析する方法および視神経を分析する方法 - Google Patents

Description

本発明は、光コヒーレンストモグラフィー（ＯＣＴ）に関する。特に、ＯＣＴ画像の分析および解釈を行う新型システムに関する。

＜関連出願＞
本国際出願は、米国仮特許出願第６１／３６６，４８５号（出願日：２０１０年７月２１日）による恩恵を主張する。当該米国特許出願の内容は、参照により本願に組み込まれる。

ＯＣＴは、干渉および分光分析を利用した方法であり、生物組織のマイクロメートルレベルの高分解能画像を取得する方法として医療分野で一般的に利用されている。ＯＣＴ機器は、組織に光の焦点を合わせ、反射光を検出して分析する。組織からの反射光および基準光源を組み合わせることで、干渉およびスペクトルのパターンが得られる。このような処理を用いることで、組織の２次元画像および３次元画像の両方が得られる。

ＯＣＴは、どのような生物組織または組織標本でも撮像するために利用され得る。眼科では、ＯＣＴは、緑内障が存在するか否かを評価することを目的として網膜を撮像するために用いられるのが一般的である。緑内障を検出するべく、神経節細胞、グリア細胞および他の支持細胞の軸索を含む網膜神経線維束（ＲＮＦＬ）を分離して測定する。ＲＮＦＬ損傷は通常、視野欠損より先に見られるので、ＲＮＦＬ損傷を検出することで、緑内障またはその他の神経系の疾患の初期徴候を発見できる場合がある。神経細胞が失われると、ＲＮＦＬが薄くなり、その結果としてＲＮＦＬが薄くなった１以上の領域が緑内障が発症していることを示すとしてよい。

現在の技術水準では、ＲＮＦＬの厚みが、緑内障を評価する臨床医が観察する唯一の特性である。しかし、ＲＮＦＬの内部構造を観察または考慮することなくＲＮＦＬの厚みを検査することは、誤った結果を得ることになったり、および／または、緑内障の発見精度が低くなったりする原因となり得る。診断で用いる唯一の測定値が厚みである場合、厚み検出アルゴリズムで誤りがあれば、結果も誤りを含むことになる。また、局所的に薄くなっている領域は、全体的なＲＮＦＬ厚み測定では平均されてしまうので、見落とされる可能性がある。さらに、軸索の束の局所欠陥は、疾患の初期段階、当該欠陥によりＲＮＦＬが薄くなったことが検出可能になる前では見落とされる可能性がある。

本発明では、従来のＯＣＴ画像を利用する。従来のＯＣＴ画像は他にも、これまで医者によって認識または利用されてこなかったが、緑内障の検出精度を向上させるべく、従来のＯＣＴとは別に、または、従来のＯＣＴを補佐する形で、利用され得る診断上重要な情報を含む。

本発明は、網膜の画像全体に分散した点を数値化する特別なソフトウェアを備えたコンピュータを利用する新型システムに関する。点毎に表す生体細胞の種類が異なり、点の絶対数および割合を数値化することによって、ＯＣＴ画像から多くの診断情報が追加で得られる。

また、本発明に係るシステムでは、径方向スキャンで点の離散化および数値化を行うことで、視神経（篩板）の分析を実行する。軸索細胞および支持結合組織を表す点をカウントして、緑内障に一致する状態として反射率の低下が見られるか否かを判断する。

通常のＯＣＴ画像は、上側のＲＮＦＬおよび下型のＲＮＦＬに分散している少なくとも４つの異なる色の点を持つことを特徴とする。赤色、黄色、緑色、および青色の点がある。赤色および黄色の点（これに代えて、本明細書では「ホット点」と呼ぶ）は、軸索および神経節細胞を表し、緑色および青色の点（これに代えて、本明細書では「コールド点」と呼ぶ）はグリア細胞および他の支持細胞を表す。

健常なＲＮＦＬでは、支持細胞よりも神経細胞の方が多く（このため、コールド点よりもホット点の方が多い）、軸索は、光源に対して垂直に配向されているので、他の種類の細胞よりも反射率が高い。しかし、緑内障という疾患の進行では、軸索が失われ、ＯＣＴ画像でのホット点が減少することになり、ホット点およびコールド点の差が小さくなる。緑内障を患っている目では、ホット点とコールド点との比率が１に近くなる場合がある。

本発明に係るシステムは、各色の点の絶対数を数値化する特別なソフトウェアを利用して、ホット点とコールド点との比率を算出し、当該比率を分析してＲＮＦＬが健常であるか否かの指標を生成する。この比率が１に近いほど、検査対象の目が緑内障を患っている可能性が高くなる。

この比率を決定する処理は、ＯＣＴ画像全体でも行われるし、セクタ毎でも実行される。

比率分析に加えて、各色の点の絶対数を、データベースに格納されている「通常」絶対数と比較して、罹患可能性を判断する。「通常」数は、健常な患者のＯＣＴ画像を検査して、通常時の点の数および分布を判断することによって導出される。絶対数の比較もまた、ＯＣＴ画像全体でも、セクタ毎でも実行される。

同様の分析は、従来のＯＣＴ撮像技術を利用して得られる視神経の径方向スキャン結果および平行スキャン結果に対して行われる。ホット点およびコールド点をカウントして、ホット点およびコールド点の絶対数およびホット点／コールド点の比率を求める。このような分析は、径方向および平行方向のスライス毎に、そして、全部をまとめると視神経を表す複数のスライスを組み合わせたものに対して実行される。全体的な分析およびスライス毎の分析は、点の絶対数と基準データベースとの比較、および、ホット点／コールド点の比率の分析を含む。

本発明の実施形態に係る、局所欠陥を含むＲＮＦＬの一部のＯＣＴ画像を示す概略図である。 局所欠陥を強調している、図１の概略図である。 本発明の実施形態に係る、ＯＣＴ画像の上側反射領域および下側反射領域を示す概略図である。 本発明の実施形態に係る、上側反射領域を示す抽出図である。 本発明の実施形態に係る、ＲＮＦＬの一部における局所欠陥を示す概略拡大図である。 本発明の実施形態に係るＯＣＴ画像の点分析を実行するためのステップを示すフローチャートである。 本発明の実施形態に係るＯＣＴ画像の点分析を実行するためのステップを示すフローチャートである。

上述した図面を参照しつつ本発明の実施形態を以下で説明する。しかし、本発明の本明細書の図面および説明は、本発明の範囲を限定することを意図したものではない。本発明について本明細書で記載した内容は、本発明の意図から逸脱することなく、さまざまな点で変形することが可能であると理解されたい。また、本明細書で説明する特徴を省略するとしてもよい、特徴を追加するとしてもよいし、および／または、本明細書で説明する特徴を、本明細書で記載した特定の組み合わせとは異なる方法で組み合わせるとしてもよいし、これらは全て本発明の意図から逸脱しないものとする。

上述したように、本発明は、ＲＮＦＬの内部構造を評価し、数値化分析を実行するための方法および新型ソフトウェアプログラムに関する。この目的は、従来の未加工のＯＣＴデータおよび／またはＯＣＴ画像に対してコンピュータで実行する新規のプロセスおよび統計学的分析によって実現する。

図１は、ＯＣＴ検査結果１２を示す概略図である。上述したように、現在の技術水準では、ＲＮＦＬの厚みを測定して、疾患が発生している可能性を判断する。通常のＯＣＴ分析は、上側反射層の上側境界と下側境界との間の距離を測定してＲＮＦＬが薄くなっているか否かを検出するために行われる。

しかし、このような分析では、内部欠陥を検査または検出できない。実際、内部欠陥はＲＮＦＬが薄くなるよりも前に発生する場合があるので、このような欠陥を検出することで、眼疾患をより早期に検出することが可能になる。

図２は、局所欠陥の一部を強調している図１のＯＣＴ画像である。図示しているように、ＲＮＦＬには色の無い領域１４が数多く点在している。これらは、反射率がゼロまたは低くなった領域である。上述したように、反射率が低くなるということは、網膜血管または網膜細胞が欠損していることを意味するとしてよい。このため、緑内障等の眼疾患をできる限り早い段階で検出するのであれば、このような局所欠陥を観察することが重要になる。また、本発明に係るシステムおよび方法では、同様に疾患の早期徴候を検出するべく、ＯＣＴ画像内の特定の細胞の種類および量を分析して解釈する。

本発明に係る分析の最初のステップは、ＲＮＦＬを残りのＯＣＴ画像から分離して、ＲＮＦＬに対して分析を実行できるようにする。ＲＮＦＬ領域がこのように分離されると、本発明に係るシステムは、以下で説明するように、構造の分析を実行する。

本発明の一実施形態によると、ＲＮＦＬは以下のようにして分離する。未加工データ、ＪＰＥＧ、ＴＩＦＦ等の任意のデジタル形式で格納されているＯＣＴ画像１２から、本来の画像の色を、グレースケール画像に変換する。ソフトウェアは、グレースケール画像を構成しているピクセル値を測定して、平均グレースケール階調を決定する。平均階調をしきい値に設定して、画像のピクセルを二値化して、黒または白とする。しきい値よりも高い値の画像ピクセルは白に変換して、しきい値よりも低い値の画像ピクセルは、黒に変換する。コンピュータは、縦列毎にＯＣＴ画像全体に対して二値化プロセスを実行する。このような二値化を行うと、画像の略中点に細い黒の横列１６が生じる。この細い黒の横列のすぐ上方にある画像部分１８を、ＲＮＦＬの分析で利用する。

一例として、＜１００１１１１０００１１１０００１０＞が１つの縦列を表すと仮定し、０が黒い点を表し、１が白い点を表す。この縦列は、＜１、−２、４、−３、３、−３、１、−１＞とグループ分け（グループ分けＡ）する。負の数は連続した黒の点の量を表し、正の数は、連続した白の点の量を表す。このグループを降順に並び変えて、＜４、３、１、１、−１、−２、−３、−３＞とする（グループ分けＢ）。最初の数字および２番目の数字（４および３）は、連続する白の横列から成るグループのうち最大のグループの２つを表している。ソフトウェアは、グループ分けＢの最初の２つの数字（連続した白の横列から成るグループのうち最大のグループ２つを表している、本例では４および３）を取り出して、グループ分けＡでのそれぞれの位置を特定するように設定されている。グループ分けＡで４および３が特定されると、ソフトウェアは、４と３との間にある数字（つまり、グループ分けＡにおいて、グループ分けＢで特定された最も大きい２つの正の数の間にあった、数字）を特定する。この例では、４と３とにはさまれているのは−３であることが分かる。−３で表されている３つの連続した黒の横列のグループが、中央の黒の点と判断され、この縦列を分割するものとして算出される。この点を「中点」と呼ぶ。

ソフトウェアは、中点１６よりも下方の下側画像部分２０は無視して、ＲＮＦＬ分析については中点１６よりも上方の部分のみ分析するように構成されている。上述した例のグループ分けＡについて、−３は、中点を表し、＜１、−２、４＞は、ＲＮＦＬ分析を行う領域を表す（これらの数字は、縦列の上端から始まるものと仮定される）。＜３、−３、１、−１＞と表されるグループが、中点より下方であり、無視される。

本発明の別の実施形態によると、画像認識技術を利用して、分析のためにＲＮＦＬ領域を分離する。本実施形態によると、ＲＮＦＬ領域を抽出する演算は、例えば、連結成分抽出（ｃｏｎｎｅｃｔｅｄ ｃｏｍｐｏｎｅｎｔ ｌａｂｅｌｉｎｇ）、ブロブ（ｂｌｏｂ）抽出、領域ラベリング等の演算を用いて実現する。このような演算子を適用する前に、１以上のデジタルフィルタリング処理、例えば、メディアンフィルタ等を利用して、ノイズを低減するとしてよい。エロージョン（ｅｒｏｓｉｏｎ）およびダイレーション（ｄｉｌａｔｉｏｎ）といった他の演算を利用するとしてもよい。

好ましい実施形態では、連結成分抽出フィルタ（ＣＣＬ）を利用して、ＯＣＴ画像をスキャンして、ピクセルをグループ分けして、ピクセルの連結性に基づいて複数の成分に分割する。全てのグループ分けを決定すると、各ピクセルを、割り当てられている成分（例えば、ブロブ）に応じてラベリングする。

図３を参照すると、ＯＣＴ画像には、上側反射層２２および下側反射層２４を規定している２つの主要ブロブが見られる。ＣＣＬフィルタは、ｎ個のブロブを生成し、システムでは、最も大きいｋ個のブロブを利用する。尚、ｋ＜＜ｎであり、ｋ＞２である。ｋ個のブロブは、最大値から最小値へと並び替えられる。

上側反射層、つまり、ＲＮＦＬ分析を行う領域を分離する場合、最小サイズの最初のブロブ（上から下へとスキャンする）が上側層２２を規定する。ブロブを上側層のフットプリントとして用いることによって、システムは、ブロブを横切るように横方向に移動して、全てのギャップを埋める。

下側反射層（ＲＮＦＬ分析では利用されない）を決定するべく、システムは、最大ブロブ２２よりも緯度が低い、残っている２番目に大きいブロブ２４を認識する。上側層と同様に、ブロブを横切るように横方向に移動してギャップを埋める。

両方のブロブ（つまり、上側反射領域２２および下側反射領域２４）をこのように特定した後、上側ブロブ２２の上部境界２６および下側ブロブ２４の上部境界２８を規定する点のリストを生成する。この点のリストは、上側反射層を規定し、構造分析の領域として指定される。上側反射層より上方の部分は無視する。図４は、上側反射層を示す抽出画像である。

この点のリストは、最小二乗法を利用して、最良近似多項式を算出することによって平滑化されると理解されたい。さらに、多項式はわずかに増加させて（所定の定数アルゴリズムパラメータを用いて）上側層の一部を含まないようにするとしてよい。

ＯＣＴ画像の上側反射領域は、複数の点で構成される（図５の拡大図が最も分かり易い）。システムは、ＯＣＴ画像のうちＲＮＦＬ分析を行う領域（またはその一部）である上側反射領域を特定すると、元のＯＣＴ画像（デジタルメモリに格納されており、ＪＰＥＧ、ＴＩＦＦ、ＧＩＦＦ、ＰＤＦ等任意のファイル形式で、または、ＯＣＴデバイスから得られたままの未加工のデータとして、保存されている）へと戻り、上側反射層として分離された領域に対して点分析を実行する。カラー画像を利用して、ソフトウェアは、ＲＮＦＬの画像全体に分散しているさまざまな色の点を検出、分類およびカウントする前に、離散化処理を実行する。離散化処理は、各色について、取り得るピクセル色値の範囲を決定することを意味する。好ましくは、複数の同様の色／階調から成る大きいスペクトルを含むように、広い範囲の値とする。例えば、明るいピンク色、暗いピンク色、明るい赤色、暗い赤色、えび茶色を含む色の範囲は、「赤」と分類する。検出すべき他の色（例えば、黄色、緑および青色）についても、同様に色の範囲を設定する。このような色範囲のルールを利用して、ソフトウェアはこの後、各点を分析して、４つ（以上）の色のうち１つに分類する。

例えば、検出された点毎に、システムはピクセル値の範囲を決定する。ピクセル値範囲に基づき、点には色が割り当てられる。

本発明の実施形態によると、ソフトウェアは、離散化によってＯＣＴ画像を４つの色（黄色、赤色、緑色および青色）に分類する。このため、各色は＜Ｒ，Ｇ，Ｂ＞の３色から成る組み合わせと見なされる。尚、Ｒは赤色、Ｇは緑色、および、Ｂは青色である。４つのクラス（つまり、代表点）は、黄色＝＜０，１，１＞、赤色＝＜１，０，０＞、緑色＝＜０，１，０＞、および青色＝＜０，０，１＞と定義される。所与の点は、所与のクラスに対する距離に応じて当該クラスに属するものとする。２つの３Ｄ点の間の距離は、以下の式で算出される。

本発明の一実施形態によると、グレースケールのＯＣＴ画像を点分析に用いる。本実施形態によると、ピクセル値の所定のしきい値を、さまざまな階調に対応付ける。ソフトウェアは、ＯＣＴ画像を、離散化により４つの階調に分類する。ソフトウェアは、所与の点と対応する（近い）階調との間の距離の同じ原則を利用する。

画像を分析すると、コンピュータは、各分類の点の数を集計する。コンピュータは、それぞれの点の集計結果を、基準データベースの同様の集計結果と比較して、基準からの逸脱度に基づきスコアを導き出す。本発明の実施形態によると、この比較は、分析された特定のＯＣＴの一部について実行され、ＯＣＴ画像全体について実行される。

これに加えて、または、これに代えて、コンピュータは、各分類の点の集計結果に基づき、点同士の比率を求めるべく比率分析を実行する。最も好ましいのは、コンピュータが、ホット点の数に対するコールド点の数を検査することである。

一の好ましい実施形態によると、コンピュータは、ホット点とコールド点との間の関係を説明するべく数値指標を割り当てる。この指標は、０と１との間の数字で表現され、少ない方の点の数を多い方の点の数で除算することで得られる。この数値が１に近くなるほど、緑内障の症状が見られる可能性が高くなる。これは、健常な目では、支持細胞よりも軸索の方が多いので、コールド点よりもホット点の方が多くなるためである。しかし、軸索損失が発生すると、軸索と支持細胞との比率は小さくなり、結果的には、コールド点に対するホット点の数が少なくなる。緑内障を患った目では、この比率は、上述した指標で言うと、「１」という高い値になる場合がある。本発明の一実施形態によると、得られた指標を通常指標と比較して、得られた指標と通常指標との差分の程度に基づいてスコアを生成する。スコアが高い場合には、得られた指標と通常指標との差分の程度が大きく、逆もまた然りである。

別の好ましい実施形態によると、比率分析は、全てのホット点（つまり、赤色の点および黄色の点）の集計結果を合計し、コールド点（つまり、緑色の点および青色の点）の集計結果を合計し、ホット点対コールド点の総比率を求めることによって行う。

実施形態によると、比率分析はセクタ毎に行う。この実施形態によると、ＯＣＴ画像全体を複数のセクタに分割する。各セクタは、個別に分析する。好ましい実施形態によると、ＯＣＴ画像全体を１２個から１６個のセクタに分割する。本発明の一実施形態によると、各セクタをさらに、上側部分および下側部分に分割する。絶対数比較および比率決定等の分析は、セクタ毎に、上側部分および下側部分のそれぞれについて実行する。

別の実施形態によると、上述した比率決定に加えて、または、それを補完する分析として、各分類の点の絶対数を、通常の健常なＯＣＴ結果を格納しているデータベースに保存されている対応する点の数と比較する。つまり、コンピュータには、健常な症状を見せる人で見られる各分類の点の「通常」分布の範囲がプログラミングされている。ＯＣＴ画像の分析の一環として、コンピュータは、各分類の点の数を、この特定の分類の点の「通常」の数と比較する。分析されたＯＣＴ画像に含まれる点の絶対数が「通常」の範囲内に無い場合、緑内障を患っている可能性がある。本発明の好ましい実施形態によると、「通常」の範囲、「異常」の範囲、および、その間にある「境界線」の範囲がある。つまり、好ましい実施形態では、通常と異常との間には明確な分断が無い。逆に、絶対数が通常の範囲内であれば、システムは、ＲＮＦＬが「通常」であると判断する。数字が通常範囲から十分に離れていれば（つまり、軸索細胞に大きな減少が見られれば）、システムは、ＲＮＦＬが異常であると見なす。数字が極値の間にあれば、システムは、ＲＮＦＬが「境界線」であると判断する。

好ましい実施形態によると、システムは、上述したように（つまり、比率分析または絶対数比較）比較することで、結果または指標を生成する（例えば、表示スクリーン上に測定値を表示したり、印刷したり等する）。好ましい実施形態によると、コンピュータは、「通常」、「異常」および「境界線」のうち１つを生成する。これに代えて、コンピュータは、点分析に基づき、画像がどの程度「通常」または「異常」に近いかを示す指標を生成する。（尚、「点分析」および「構造分析」といった用語は、本明細書で用いる場合、ＯＣＴ画像に分散した点を計数して、本明細書で説明したように、点の絶対数を比較するか、または、点の絶対数の比率を算出することで、その数を分析する方法を広く意味する。）

臨床医は、「境界線」という結果が出た患者を「フォロー」して、疾患の進行が検出され得るか否かを判断することを希望する場合がある。重要な点は、本発明によれば、臨床医は、次回の測定値と比較する絶対数を持つという利点を得ることにある。さらに、臨床医は、全体的に測定値を比較することに加えて、セグメント単位での比較を何度も繰り返すことができる。これによって、眼疾患について局所的で非常に高精度の検査を実行することが可能となる。

図５は、その一部において、局所欠陥を示すＯＣＴ画像である。局所欠陥の領域は、拡大して円３２で囲っている。図示しているように、円で囲った領域内では、残りの反射層（円３２の外側の領域）に比べて、ドットの密度が少なくなっている。同図から分かるように、ＲＮＦＬのうち罹患していない領域では、点３４が密につまっており互いに接している。しかし、円３２で囲った領域には、点がない空間３６がある（または、ＯＣＴ画像の「黒点」）。このような欠陥は、ＲＮＦＬのセクタ化を利用する本発明に係るシステムによって、つまり、上述した方法のうち１つで、特定され得る。例えば、セクタ毎の分析を利用して、円で囲った領域は、点が無い領域（または、「黒点」）があることから、このセクタ内の点の絶対数は少なくなっているので、異常であると判断される。このように点の数が少なくなっていることは、基準セクタと比較して算出されるとしてよく、または、同じＯＣＴ画像内の隣接するセクタと比較して算出されるとしてよい。

これに加えて、または、これに代えて、図５に示す欠陥は、比率分析を行った結果検出されるとしてもよい。つまり、点が無い領域３６が一の特定の種類の細胞（例えば、ホット点）が無くなることで発生している場合、円で囲ったセクタ内のホット点とコールド点との比率は、上述したように、異常を示す。

図５に示す欠陥は画像の全体分析に基づいても検出され得ると理解されたい。つまり、通常のホット点対コールド点の比率が全体的に逆転していることによって、または、上述したように、点の絶対数が減っていることによって、欠陥が発生していると判断されるとしてよい。

本発明の別の実施形態によると、上述した比率分析および／または絶対数分析は、視神経（篩板）の画像に対して実行される。視神経のＯＣＴ画像は通常、組み合わせると視神経を表す（１枚のピザが複数のスライスから成る円であるのと略同様）複数（例えば、６枚）のスライスを含む。

緑内障を患った目では、視神経による光の反射が、健常な目に比べると、弱い。このように反射率が低下すると、ＯＣＴ画像でホット点が減る。反射率が低下すると、ホット点はさらに少なくなっていく。上述したのと同様の方法で、システムは、存在するホット点の数を数値化して、緑内障が存在する可能性を判断する。

上述したように、ホット点の絶対数および相対数を求めて、所定の「通常」の範囲と比較する。この比較は、スライス毎に実行され、視神経の画像全体に対しても実行される。

また、比率は、上述した方法に従って求められる。つまり、コールド点の絶対数に対するホット点の絶対数に基づき、数値指標またはスコアを求める。スコアは、ホット点とコールド点との差異の程度を表している。スコアは、緑内障が発生している可能性を判断するために利用される。

尚、本明細書で説明するシステムおよび方法は、網膜画像で利用することに限定されるものではなく、本発明に係るシステムは人体のさまざまな箇所の組織を分析するために用いられ得ることに留意されたい。本開示で説明する原理は、広義には、軸索またはその他の種類の細胞に対応する識別子を数値化することによる組織画像の分析に関する。

本明細書で説明したＯＣＴ画像の分析は、さまざまな演算を実行する特別なソフトウェアを持つコンピュータによって実行される。演算を制御して、ルーチンを実行し、データを格納するために用いられるコンピュータは、少なくとも１以上のプロセッサおよびメモリストレージデバイスを備えるとしてよい。コンピュータはさらに、外部と情報をやり取りするべく、多くの入出力を受信するとしてよい。

コンピュータは、オペレーティングシステムおよびソフトウェアアプリケーション、本明細書で説明したルーチンおよびシステムを実行するコンポーネントおよびプログラムの制御下で動作する。概して、本発明の実施形態を実装するべく実行されるルーチンは、オペレーティングシステムまたは特定のアプリケーション、コンポーネント、プログラム、オブジェクト、モジュールまたは命令列の一部として実装されるか否かに関わらず、本明細書において、「システム」または「ソフトウェア」と呼ぶ。

図６は、本発明の実施形態に係るソフトウェアによって実行されるステップの一部を説明するためのフローチャートである。ステップ４０において（「Ｓ４０」と図示）、関連技術分野で公知の方法でＯＣＴ画像を取得する。ＯＣＴ画像はこの後、ソフトウェアによってグレースケールに変換され（Ｓ４２）、二値化される（Ｓ４４）。ソフトウェアはこの後、例えば、上述した方法を用いて中点の位置を特定し（Ｓ４６）、中点より上方の領域を分析のために分離する（Ｓ４８）。対象領域を分離して画定すると、システムは、分離された領域をマップとして利用する。つまり、システムは、元のカラーＯＣＴ画像に対して、しかし、上述したように、分離した領域に対してのみ、点分析を実行する（Ｓ５０）。これに代えて、システムは、グレースケールＯＣＴ画像に対して点分析を実行する（Ｓ５２）。

図７は、本発明の別の実施形態における、ソフトウェアによって実行されるステップを示すフローチャートである。Ｓ５４において、ＯＣＴ画像を取得する。この後、システムは、ＣＣＬ処理を実行してブロブを検出する（Ｓ５６）。Ｓ５６で検出した一群のブロブから、最大のブロブを選択する（Ｓ５８）。同様に、Ｓ５６で検出した一群のブロブから、二番目に大きいブロブをこの後検出する（Ｓ６０）。最初のブロブは、上側反射層として分離する（Ｓ６２）。この後、ＯＣＴ画像のうち最初のブロブで画定される領域に対して、点分析を実行する（Ｓ６４）。

本明細書で説明するシステムは、人体のさまざまな箇所から採取したさまざまな種類の組織のＯＣＴ画像を分析するためにも利用され得る。例えば、動脈壁を可視化するべくＯＣＴを利用することは、関連技術分野で公知である。しかし、本発明に係るシステムによれば、動脈を可視化することに加えて、臨床医は、心臓病に関連するさまざまな種類の細胞および／または血小板を数値化することができるようになる。神経学の分野では、本発明に係るシステムは、ＯＣＴと組み合わせて、複数の硬化症または任意のその他の神経−眼疾患に関連付けられている神経細胞の喪失を数値化するために用いることができる。歯科学の分野では、本発明は、ＯＣＴ画像のエナメル構造またはその他の組織構造を数値化するために用いられ得る。

当業者であれば、本発明は医療分野／生物化学分野に限定されないものと理解されたい。逆に、本発明は、任意のＯＣＴ画像を構成している複数の層の内容を数値化するために用いられ得る。例えば、ＯＣＴは、絵画に含まれる複数の顔料層を個別に正確に検出することが分かっている。本発明は、特定された層に含まれるさまざまな塗料／顔料を数値化するために利用することができる。

具体的な実施形態を参照しつつ本発明を説明してきたが、さまざまな点でさらに変形および変更が可能であることが当業者には明らかであり、上記の説明は本発明を限定することを意味するものではないと理解されたい。本願はこのような変形例および変更例もすべて含むものとする。

Claims (17)

1. 異常を検出するべくＯＣＴ画像を分析する方法であって、
   前記ＯＣＴ画像の分析に利用される上側反射層および前記ＯＣＴ画像の分析に利用されない下側反射層を少なくとも含み、前記ＯＣＴ画像全体に分散され、ピクセル値により表される複数の点をさらに含むＯＣＴ画像を取得して、デジタルメモリに前記ＯＣＴ画像を格納する段階と、
   前記ＯＣＴ画像のうち前記上側反射層の少なくとも一部を分離する段階と、
   それぞれ異なる色に対応する複数の異なるピクセル値範囲を決定する離散化処理を実行する段階と、
   一の決定したピクセル値範囲に基づいて、前記ＯＣＴ画像の前記上側反射層の複数の点を表すピクセル値に一の色を割り当てる段階と、
   一の色が割り当てられた前記複数の点を計数する段階と、
   前記上側反射層の予め定められた２次元領域において、ピクセル値により表される前記複数の点の絶対数又は割合を数値化した結果から前記ＯＣＴ画像を分析する段階と
   を備える方法。
2. 前記上側反射層の少なくとも一部を分離する段階は、
   前記ＯＣＴ画像をグレースケール画像に変換する段階と、
   予め定められた平均グレースケール階調をしきい値に設定し、前記しきい値よりも高い値又は低い値に変換することにより前記グレースケール画像を二値化する段階と、
   前記高い値の連続したピクセルの量に応じた正の数を設定し、前記低い値の連続したピクセルの量に応じた負の数を設定し、前記正の数及び前記負の数を降順に並び替え、前記正の数の最大の値と前記最大の値の次に最大の値とを決定することにより、前記グレースケール画像において、前記最大の値に対応する前記複数のピクセルと、前記最大の値の次に最大の値に対応する前記複数のピクセルとの間の中点を定義する段階と、
   前記中点より上方の領域を分離する段階と
   を有する請求項1に記載の方法。
3. 前記上側反射層の少なくとも一部を分離する段階は、
   前記ＯＣＴ画像に対してブロブ抽出処理を実行して一群のブロブを生成する段階と、
   前記一群のブロブから最大ブロブを選択する段階と、
   前記最大ブロブの領域をマッピングする段階と、
   前記最大ブロブの前記マッピングした領域を、前記上側反射層として分離する段階と
   を有する請求項1に記載の方法。
4. 前記離散化処理を実行する段階は、
   ４つの異なるピクセル値範囲を決定する段階を備え、
   前記４つの異なるピクセル値範囲のそれぞれは、異なる色に対応する請求項１から３のいずれか一項に記載の方法。
5. 前記４つの異なる色は、赤色、黄色、緑色および青色である請求項４に記載の方法。
6. 前記複数の点を計数して、前記４つの異なる色の各色の点の絶対数を得る段階をさらに備える請求項５に記載の方法。
7. 通常のＯＣＴ画像について決定された点の絶対数に対して、前記４つの異なる色の各色の点の絶対数を比較する段階をさらに備え
   前記通常のＯＣＴ画像について決定された点の絶対数は、データベースに格納されている請求項６に記載の方法。
8. 前記比較する段階に基づき、異常の可能性を含む結果を生成する段階をさらに備える請求項７に記載の方法。
9. 前記赤色の点および前記黄色の点を第１のグループとし、前記緑色の点および前記青色の点を第２のグループとするグループ分けを行う段階と、
   前記第１のグループの前記赤色の点および前記黄色の点の数を計数し、前記第２のグループの前記緑色の点および前記青色の点の数を計数する段階と、
   前記第２のグループに含まれる点に対する前記第１のグループに含まれる点の比率を求める段階と
   をさらに備える請求項５から８のいずれか一項に記載の方法。
10. 前記第２のグループに含まれる点に対する前記第１のグループに含まれる点の前記比率に基づき、指標を生成する段階をさらに備える請求項９に記載の方法。
11. 前記上側反射層は複数のセクタに分割され、前記４つの異なる色の各色の点の絶対数を比較する段階は、セクタ毎に実行される請求項７または８に記載の方法。
12. 前記比較する段階は、前記複数のセクタのうち第１のセクタに含まれる点の数を、前記複数のセクタのうち第２のセクタに含まれる点の数と比較する段階を含む請求項１１に記載の方法。
13. 前記上側反射層は複数のセクタに分割され、前記比率を求める段階は、前記複数のセクタに対して実行される請求項９または１０に記載の方法。
14. 異常を検出するべく視神経を分析する方法であって、
    ＯＣＴ画像の分析に利用される上側反射層および前記ＯＣＴ画像の分析に利用されない下側反射層を少なくとも含み、前記ＯＣＴ画像全体に分散され、ピクセル値により表される複数の点をさらに含む、視神経のＯＣＴ画像を取得して、前記ＯＣＴ画像をデジタルメモリに格納する段階と、
    前記視神経の前記ＯＣＴ画像を複数のスライスに分割する段階と、
    それぞれ異なる色に対応する複数の異なるピクセル値範囲を決定する離散化処理を実行する段階と、
    一の決定されたピクセル値範囲に基づき、前記ＯＣＴ画像の前記上側反射層に含まれる複数の点を表すピクセル値に一の色を割り当てる段階と、
    一の色が割り当てられた前記複数の点を計数する段階と、
    前記上側反射層の予め定められた２次元領域において、ピクセル値により表される前記複数の点の絶対数又は割合を数値化した結果から前記ＯＣＴ画像を分析する段階と
    を備える方法。
15. 前記離散化処理を実行する段階は、４つの異なるピクセル値範囲を決定する段階を備え、前記４つの異なるピクセル値範囲は、４つの異なる色に対応する
    請求項１４に記載の方法。
16. 前記４つの異なる色は、赤色、黄色、緑色および青色である請求項１５に記載の方法。
17. 前記赤色の点および前記黄色の点を第１のグループとし、前記緑色の点および前記青色の点を第２のグループとするグループ分けを行う段階と、
    前記第１のグループの前記赤色の点および前記黄色の点の数を計数し、前記第２のグループの前記緑色の点および前記青色の点の数を計数する段階と、
    前記第２のグループに含まれる点に対する前記第１のグループに含まれる点の比率を決定する段階と
    をさらに備える請求項１６に記載の方法。

Images