JP7043580B2 - ２次元多層厚測定 - Google Patents

Description

（関連出願の相互参照）本願は、 “2D MULTI-LAYER THICKNESS MEASUREMENT（２次元多層厚測定）”と題する2018年1月26日に出願された米国仮特許出願第62/622,544に基づく優先権を主張し、その全体が参照により本明細書に援用される。
本発明は、多層構造体の層厚を測定するための方法及びシステムに関する。

ドライアイは、眼科医の往診の最も一般的な原因の一つになった。ドライアイは、多因子性の眼表面疾患であり、涙液（涙膜）に関連する。図１に示すように、涙液１００は眼の複数の外層を含み、これら複数の外層は、４２ｎｍほどの厚さの油層１０２と、２μｍほどの厚さのムチン－水層１０４（ムチン層及び／又は水層とも呼ばれる）と、ムチン－水層に続く０．５ｍｍほどの厚さの角膜１０６とを含む。現在、ドライアイ診断を客観的に支援するために涙液１００の層を画像化したり解析したりする（例えば、層厚を求める）ための技術は少数しか存在しない。

現在利用可能な非侵襲的測定法として干渉計技術がある。このうち、一つのアプローチは、定量的にも定性的にも、像の色と油層の厚さとの間の関連に依拠する。理論的には、かなり広い範囲における平均厚のみが典型的に得られるが、この解析手法は２次元（２Ｄ）画像に基づき実行される。しかし、このアプローチは、通常は相対的な油層厚推定に限定され、絶対的な厚さ測定における位相の曖昧性（ambiguity）や不確定性（uncertainty）の影響を受けやすいおそれがある。

フーリエ変換や最小自乗フィッティング技術を用いた物理モデルに基づいて、より精密な反射スペクトル数値解析を行うことが可能である。しかし、この手法は、典型的に、分光器を必要とするため、単一スポットでの測定を制限するとともにシステム設計の複雑化や高額化を招く。

涙液厚測定には光コヒーレンストモグラフィ（ＯＣＴ）も用いられてきたが、これは、様々な層の厚さを求めるためにハイエンドの超高分解能ＯＣＴと極めて複雑な統計的決定理論とを組み合わせたものである。理論的には適切なスキャン機構により２Ｄ測定は達成可能であるが、実際的には超高分解能ＯＣＴシステムは極めて高価である。

最後に、角膜前涙液の厚さの定量化には、空間的画像相関法によるゆらぎ解析も適用されてきた。しかし、油層の厚さ測定にこの技術が有効であるか未だ実証されていない。

第１の例によれば、多層構造体の層厚を測定するための方法は、以下を含む：各ピクセルに対応する前記構造体の位置における第１の入射光の反射の強度を測定することにより、前記構造体の第１の２次元（２Ｄ）画像を生成すること；各ピクセルに対応する前記構造体の位置における第２の入射光の反射の強度を測定することにより、前記構造体の第２の２Ｄ画像を生成すること；前記第１及び第２の２Ｄ画像において対応するピクセルについて測定された反射の強度に基づいて、前記構造体の各位置における前記構造体の少なくとも１つの層の厚さを求めること。ここで、前記第１の入射光は第１の離散的狭域スペクトル帯において生成され、前記第２の入射光は第２の離散的狭域スペクトル帯において生成され、前記第１及び第２の離散的狭域スペクトル帯は完全に重複することはなく、前記第１及び第２の入射光の強度は、光センサによって測定される。

上記の例の様々な実施形態において、以下のいずれか１以上を採用できる：前記第１及び第２の離散的狭域スペクトル帯は、フリンジウオッシュアウトを軽減し、且つ、前記構造体の最厚層の層厚情報を維持するために十分に狭い；前記多層構造体は、眼の涙液である；本方法は、付加的な離散的狭域スペクトル帯の入射光を用いて付加的な２Ｄ画像を生成することを更に含み、ここで、狭域スペクトル帯の総数が、求められる層厚の個数以上である；求められる少なくとも１つの層厚は、眼の涙液の油層又はムチン－水層の厚さである；本方法は、第３の離散的狭域スペクトル帯の入射光を用いて第３の２Ｄ画像を生成することを更に含み、ここで、前記第１、第２及び第３の離散的狭域スペクトル帯が、測定のスペクトル帯域幅において一様に（ｅｖｅｎｌｙ：均一に、均等に、等間隔に）分布している；本方法は、第３の離散的狭域スペクトル帯の入射光を用いて第３の２Ｄ画像を生成することを更に含み、ここで、前記第１、第２及び第３の離散的狭域スペクトル帯が、測定のスペクトル帯域幅において非一様に分布している；前記構造体の少なくとも１つの層の厚さは、前記構造体の少なくとも１つの層の層厚に関する方程式系を解くことによって求められ、前記方程式系のそれぞれの方程式は、前記第１及び第２の離散的狭域スペクトル帯に対応する波長の前記構造体への入射光からの反射光の強度の測定値を表し、更に、前記構造体の少なくとも１つの層についての屈折率の関数である；前記反射光の強度の測定値は、次の式にしたがって求められる：

ここで、λは前記第１又は第２の離散的狭域スペクトル帯内の波長を表し、α、β及びγは予め決定された因子であり、ｎ_１及びｎ_２はそれぞれ前記構造体の第１及び第２の層の屈折率であり、ｄ_１及びｄ_２はそれぞれ前記構造体の前記第１及び第２の層の層厚である；前記強度の測定値の少なくとも１つは、前記第１及び第２の入射光を前記構造体に提供し且つ前記構造体により反射された光を前記光センサに提供する光学系のスペクトル応答について調整され、又は、前記光センサのスペクトル応答について調整される；前記構造体の少なくとも１つの層の厚さは、前記構造体の少なくとも１つの層の層厚に関する方程式系を解くことによって求められ、前記方程式系のそれぞれの方程式は、前記第１及び第２の離散的狭域スペクトル帯に対応する波長の前記構造体への入射光からの反射光の強度の測定値の和を表し、次の式にしたがって求められる：

ここで：Ｉ（λ）は、入射波長λの光の反射光の強度の測定値であり、更に、前記構造体の少なくとも１つの層の層厚と前記構造体の少なくとも１つの層の屈折率との関数であり、λ_１及びλ_２は、それぞれの離散的狭域スペクトル帯の下限及び上限であり、Ｅ_{ｏｐｔｉｃｓ}は、前記第１及び第２の入射光を前記構造体に提供し且つ前記構造体により反射された光を前記光センサに提供する光学系のスペクトル応答であり、Ｅ_{ｓｅｎｓｏｒ}は、前記光センサのスペクトル応答である；前記構造体の少なくとも１つの層の厚さは、前記構造体への入射光からの反射光の強度の測定値を、訓練された機械学習システムに入力することによって求められる；前記機械学習システムは、前記強度の測定値に対応する入射光の波長に関する完全分解された分光反射率、物理的涙液モデルの測定値、及び／又は、数値モデル又は数値シミュレーションに基づいて、強度の測定値を層厚に関連付けるために厚さを出力するように、教師あり環境にて訓練される；前記第１及び第２の２Ｄ画像の各ピクセルに対応する前記構造体の位置が前記第２の入射光で照明される前に、前記第１及び第２の２Ｄ画像の各ピクセルに対応する前記構造体の位置が前記第１の入射光で照明される；前記第１及び第２の２Ｄ画像の第２のピクセルに対応する前記構造体の位置が前記第１の入射光及び前記第２の入射光で照明される前に、第１のピクセルに対応する前記構造体の位置が前記第１の入射光及び前記第２の入射光で照明される；前記第１及び第２の２Ｄ画像のピクセルに対応する前記構造体の位置それぞれについて、ピクセル位置が前記第１及び第２の入射光で同時に照明され、且つ、前記第１及び第２の入射光の反射の強度が同時に測定される；前記第１及び第２の離散的狭域スペクトル帯は重複しない；及び／又は、前記第１の離散的狭域スペクトル帯の帯域幅は、前記第２の離散的狭域スペクトル帯の帯域幅と異なる。

他の例によれば、イメージングシステムは、上記した例の方法の各ステップの実行と、上記した例の方法に関連する実施形態におけるいずれかの実行とを制御するように構成されたプロセッサと、前記第１及び第２の入射光を生成するように構成された光源と、入射光の前記反射を測定するように構成された光センサとを含む。

例示的なイメージングシステムの様々な実施形態において、前記光源は、広帯域光源又は発光ダイオードである；及び／又は、前記光センサは、ハイパースペクトルカメラ又はマルチスペクトルカメラである。

眼の涙液の層を概略的に示す。

多層物体上の入射光線の透過、反射、及び屈折の原理を示す。

涙液の層を通る入射光の透過、反射、及び屈折を示す。

ここに説明するシステム及び方法の動作のフローチャートを示す。

２Ｄ干渉縞画像を生成するためのシステムの例示的な概略図である。

ここに説明するシステム及び方法で使用される離散的狭域スペクトル帯を完全分解された分光反射率測定と比較した概念図を示す。

第１の例示的なイメージング／測定方法を示す。

第１の例示的なイメージング／測定システムを示す。

第２の例示的なイメージング／測定方法を示す。

第２の例示的なイメージング／測定システムを示す。

ヒトの油層の屈折率を有するシミュレーションモデルの最外層の２Ｄ領域についての厚さパターンを示す。 ヒトのムチン－水層の屈折率を有するシミュレーションモデルの中間層の２Ｄ領域についての厚さパターンを示す。

ここに説明する方法を利用した図１１Ａの最外層についての再構成された厚さマップである。 ここに説明する方法を利用した図１１Ｂの中間層についての再構成された厚さマップである。

前述の欠陥に基づいて、本開示は、「フリンジ（干渉縞）」画像が涙液の油層及びムチン－水層の両方についての厚さ情報を含むという認識に部分的に基づく。対照的に、従来の理解において、カラー干渉縞は油層のみによって影響を受けるものであり、したがって、カラー干渉縞を解釈する際にムチン－水層は除外されてきた。この認識を踏まえて、本開示は、２Ｄカラー／マルチスペクトル干渉縞画像から油層及びムチン－水層の両方の厚さを求めるための方法を説明する。

最初に、「フリンジ（干渉縞）」画像は、画像化された物体に入射した光線からの反射光線間の干渉から生じるものであるとする。特に、媒体を通過する（波長λを有する）入射光線が他の層への境界と接触すると、その光線の一部は反射され、他の部分はそのバリアを透過し、屈折される。透過した部分が他の媒体バリアに接触すると、それも部分的に透過し、反射される。図２に示す例のように、空気中を伝わる入射光線２００が空気－油界面２０２に接触すると、入射光線２００は部分的に反射され、部分的に透過する。透過した部分が油－水界面２０４と接触すると、その透過した部分は油－空気界面２０２に向かって反射され、それを透過する。その結果、異なる経路長を進んだ２つの光線２０６、２０８は、空気－油界面２０２から離れるように空気中を伝わっていく。

反射光線２０６、２０８間の経路長差がλ／２の奇数倍である場合、２つの光線は互いに位相がずれて弱め合う干渉を生成する。反射光線２０６、２０８間の経路長差がλ／２の偶数倍である場合、２つの光線は互いに同相であり、強め合う干渉を生成する。この干渉は「フリンジ（干渉縞）」画像を形成することが可能であり、その干渉縞画像において、弱め合う干渉の領域は暗い干渉縞を生成し、強め合う干渉の領域は明るい干渉縞を生成する。

反射波２０６、２０８のこの観測された干渉は、４つの因子、すなわち、層の厚さ、照明角度／観察角度、媒体の屈折率／層の屈折率、及び入射光の波長、に依存する。涙液の層の屈折率についての事前の知識を用いて、涙液を研究するための３つの対応する干渉法がある：（１）厚さ依存干渉縞、（２）角度依存干渉縞、及び（３）波長依存干渉縞。波長依存干渉縞に基づく干渉法は、アラインメントエラーに対してより高い許容度を有するため、涙液厚測定に最も適している可能性がある。

より具体的に、涙液に入射する光線の透過、反射、及び屈折は図３に示されている。入射光線から結果として生じる反射光線は、光線Ａ～Ｄとして識別されている。涙液の干渉縞画像の各ピクセルについての強度は、以下のように各層の厚さに関連する。

フレネルの方程式によれば、各層の界面において反射率（Ｒ）及び透過率（Ｔ）は次のようになる。
空気－油界面３００において:

油とムチン－水との界面３０２において:

ムチン－水と角膜との界面３０４において:

ここで、ｎ_{ｌｉｐｉｄ}～１．４６から１．５３であり、これは油層の屈折率であり、ｎ_{ａｑｕｅｏｕｓ}～１．３３４であり、これはムチン－水層の屈折率であり、ｎ_{ｃｏｒｎｅａ}～１．３７６であり、これは角膜の屈折率である。

上記した透過率及び反射率の決定によって、入射光線から生成された各光線Ａ～Ｄに対する強度因子は、以下のようになる。

既知の屈折率を代入すると、反射された入射光Ａ、Ｂ、Ｃ、及びＤの各光線について以下の相対値が得られる。

更に、（波長λ及び時間ｔにおける）入射光の全ての反射部分の合成された検出光波は、次のように表すことができる。

ここで、

,

であり、ここで、ｄ_{ｌｉｐｉｄ}は油層の厚さであり、ｄ_{ｍｕｃｏａｑｕｅｏｕｓ}はムチン－水層の厚さであり、ｃは光の速度である。

マクスウェル方程式に基づいた一例によれば、各波長の経時的な反射強度は次のように表すことができる。

上記のように、Ａ≫Ｂ～Ｄ≫Ｃである。したがって、上記の強度方程式は次のように簡略化できる。

ここで、α（λ）～１０^-２であり、β（λ）、γ（λ）～１０^-３である。代入すると、波長λの所与の入射光に対する反射光の強度は、次のようになる。

（方程式１）

前述したように、方程式１はマクスウェル方程式に基づいている。しかしながら、特定のモデルは、異なる方法で求められてもよい。例えば、層厚を求めるために、強度を表す異なる方程式が解かれる。

強度を表すために用いられる方程式にかかわらず、実際に測定された強度は、光源からの光の所与の帯域（例えば、より詳細に後述される離散的な狭帯域）における各入射波長の強度の和であってよい。λ_１とλ_２との間の波長を有する帯域について測定が行われる例において、測定された強度は、以下のように要約することができる。

（方程式２）
ここで、Ｉ（λ）は特定の波長λで測定された強度を表す方程式であり、Ｅ_{ｏｐｔｉｃｓ}（λ）は入射光及び反射光を通過させるために用いられる光学系のスペクトル応答であり、Ｅ_{ｓｅｎｓｏｒ}（λ）は反射光を検出する光センサのスペクトル応答、つまり、イメージングセンサ及びシステムの特性である。他の実施形態では、光学系及び／又はセンサのスペクトル応答について必ずしも考慮することはなく、各帯域内の波長にわたる和を用いて（層厚を解くために用いることが可能な）各帯域の強度を求めることが可能である。

入射光の波長及び屈折率が既知であるとすると、（方程式１及び２によって要約される）上記のモデルを用いて、検出された反射光の強度に対する油層の距離ｄ_{ｌｉｐｉｄ}及びムチン－水層の距離ｄ_{ｍｕｃｏａｑｕｅｏｕｓ}のそれぞれを求めることが可能である。未知の変数を２つのみ（ｄ_{ｌｉｐｉｄ}及びｄ_{ｍｕｃｏａｑｕｅｏｕｓ}）有するこの例では、理論的には、これらの変数を解くために２つの独立した強度測定のみが必要とされる。もちろん、実際には、測定をより多くの回数行うことができる。更に、方程式１及び２に類似した形の方程式を生成するために、より多くの層を解くことができる。方程式系（入射光の複数の波長のそれぞれについての方程式１の系）に対する最適解を求めるための解析は，例えば、最小自乗フィッティング技術、又は所定の１以上のルックアップテーブル（ＬＵＴ）を用いた大域的最適化を使用して実行可能である。最小自乗フィッティング技術の使用は動的であり、初期条件により大きく依存する。そうであるからこそ、局所的な最適値にこだわりがちになる恐れがある。検索範囲に関する事前知識を用いることで、ルックアップテーブルは大域的最適解を生成する可能性が高くなる。もちろん、同様に単純化されたモデル、又はマクスウェル方程式に基づくより精密な解法もここで使用可能である。また、より高度な処理技術、例えば、機械学習も適用可能である。例えば、機械学習システムでは、方程式１に関する知識なしに、Ｉ_{ｍｅａｓｕｒｅ}だけを用いて、異なる層の厚さを予測するためにアルゴリズムを訓練することができる。システムの訓練は、Ｉ_{ｍｅａｓｕｒｅ}と真の厚さとのペアを利用することが可能な教師あり学習の環境において実行することができる。なお、機械学習システムの設計に応じて、Ｉ_{ｍｅａｓｕｒｅ}と真の厚さとのペアは、完全分解された分光反射率に基づく測定、及び／又は物理的涙液モデルの測定、及び／又は、数値モデルや数値シミュレーションを含む、複数の方法にて取得できる。

本開示はまた、ＲＧＢ画像がアンダーサンプリングされ且つ平均化された分光測定値であるという認識にも部分的に基づいている。したがって、従来のＲＧＢ干渉縞画像は、涙液の様々な層の厚さ測定には適していない。しかし、従来のＲＧＢカラーよりも狭いスペクトル帯域幅を用いてより適切に維持された厚さ情報を用いることで、測定のコントラストを向上させることができる。言い換えれば、本開示はまた、狭域スペクトル帯を用いたイメージング（離散的狭域スペクトル帯における入射光の波長（λ_１とλ_２との間）に対する方程式１の強度Ｉ（λ）及び／又は方程式２のＩ_{ｍｅａｓｕｒｅ}（λ_１、λ_２）を測定すること）に関する。

従来、ムチン－水層は、分光測定技術に基づく広帯域白色光源を用いて、単一のスポットで測定することしかできなかった。しかしながら、従来のＲＧＢイメージングよりも少ない数のスペクトル帯域、且つより狭いスペクトル帯域幅の使用は、２Ｄムチン－水層厚測定のために十分な信号強度を提供することができる。更に、狭域スペクトル帯域幅は、特にムチン－水層測定において、イメージングコントラストの向上に貢献することができる。ただし、帯域幅が狭すぎると、システムの許容度に悪影響を及ぼす可能性がある。

そのような狭域スペクトルイメージングは、適切な光源を選択することによって、及び／又は、それらの狭域スペクトル帯を生成するためのスペクトルフィルタを選択することによって、達成することができる。広帯域イメージングとは対照的に、狭域スペクトル帯の使用は、ウオッシュアウト効果を軽減し、多層構造体の最厚層の層厚情報を維持することによって、ムチン－水層厚測定のためのコントラストを更に高める。より具体的には、方程式２を参照すると、λ_１とλ_２とが著しく異なり、したがってＩ_{ｍｅａｓｕｒｅ}（λ_１、λ_２）が広い範囲にわたって積分されるときに、ウオッシュアウト効果が生じる。結果として、個々の波長Ｉ（λ）で測定された（そして異なる層厚によって生じた）各強度の一意性は、広い積分範囲によって最小化される（効果的に「ウオッシュアウト」される）。これにより、最終的に、異なる複数の層厚がＩ_{ｍｅａｓｕｒｅ}（λ_１、λ_２）に対して同じ値を生成する。実際には、最小帯域幅は測定ＳＮＲ、性能許容度、及びコストによって決定される。また、最大帯域幅は、構造体の最厚層及びシステムの応答特性によって、特にセンサの感度／ダイナミックレンジによって、決定される。これを考慮すると、離散的狭域スペクトル帯の好ましい帯域幅は、数ナノメートルから数十ナノメートル（半値全幅）であるが、本明細書に記載のそのような帯域の特徴のいずれかが達成されるならば、百ナノメートル又はそれ以上でもよい。

なお、スペクトル帯域幅は、油層の測定精度とムチン－水層の測定精度とに異なる影響を与える。全ての層に対する性能を妥協させる可能性があるトレードオフ帯域幅を使用する代わりに、複数の狭域スペクトル帯域幅を使用することで、特定の層厚測定のための異なる帯域幅を有するスペクトル帯域のセットの最適化することができる。

スペクトル帯域は、あらゆる方法でスペクトル帯域幅全体において分布させることができる。例えば、スペクトル帯域を一様に分布させることができる。他の実施形態では、光源の発光スペクトル帯域又は反射光の検出器の量子効率を利用することを意図してスペクトル帯域を分布させることができる。更に他の実施形態では、異なる層の厚さ範囲に関する事前の知識に基づいて最大の測定感度／精度を提供することを意図してスペクトル帯域を分布させることができる。

測定データの上述の解析（反射光の複数の測定強度について方程式系を解くこと）と組み合わせると、（測定される層の数に応じた）少数のスペクトル帯域を用いて測定速度／効率を著しく向上させることができる。これにより、数百のスペクトルチャネルを用いた他の分光計に基づく方法の欠点を克服することができる。例えば、向上された測定効率は、測定速度の向上及び／又は照明パワーの低減に寄与し、加えてユーザ経験の向上に寄与する。それらは更に測定性能の向上に貢献する。なお、そのような手法は、システムや動作パラメータについての特定の要件（例えば、各スペクトル帯域の中心波長及び帯域幅）に依存しない。また、これらのパラメータは、涙液厚の統計的分布に基づいて設定されてもよい。そうではあるが、選択されたパラメータに基づくシステム較正を行うことは依然として可能である。

涙液の厚さ測定のために、涙液を２つの主要な層（油層とムチン－水層）としてモデル化することができる。したがって、理論的に、２つの層厚測定において両方の層の厚さを求めるために十分なスペクトル帯域の数は、わずか二つである。しかしながら、測定の信頼性及び正確性を向上させるために、スペクトル帯域の数はもっと多くてもよい。全スペクトル分光測定と比較して、スペクトル帯域の個数を減らすことは検出効率を向上させ、より良好な信号対雑音比（ＳＮＲ）を達成するためにスペクトル帯域当たりの光子数をはるかに大きくしてもよい。

これらの認識を考慮すると、手短に言えば、本明細書に記載のシステム及び方法は、図４のフローチャートが示すように動作する。眼への入射光の（例えば、離散的狭域スペクトル分光法からの）複数のスペクトル帯域のそれぞれに対して、眼の涙液の第１の２Ｄ干渉縞画像が生成される（４００）。生成された２Ｄ干渉縞画像は、ピクセル単位で解析され（４０２）、そのピクセルにおける各波長での反射光の強度が求められる。次いで、求められた強度及び波長を方程式１及び２に代入し、異なる層厚について得られた方程式系を解くことによって、各ピクセルに対応する眼／涙液上の位置での各層の厚さが、上記又は類似のモデルに基づく強度から求められる（４０４）。

図５を参照して、２Ｄ干渉縞画像を生成するための、干渉イメージングシステムと同様のシステムを説明する。そのシステムにおいて、入射光は、光源５０２又は他の照明及び光源光学系から生成される。入射光線は、画像化される物体（例えば、被験者の眼５０４の涙液）に向けられる。物体によって反射された光線は、次に、撮像装置又は光学センサ５０６などの光検出器によって検出される。次に、光検出器の出力は、更なる処理及び解析のためにコンピュータ５０８又は同様のプロセッサ（例えば、コントローラ又は他のＣＰＵ）に供給される。光源５０２と撮像装置又は光学センサ５０６とは同期していることが好ましい。この同期は、光源５０２と撮像装置又は光学センサ５０６との間で直接調整されてよく、又はコンピュータ５０８での処理によって容易化されてもよい。

上述のように、複数の離散的狭域スペクトル帯において、入射光が生成され、物体からの反射が検出される。これらの離散的狭域スペクトル帯は、実際には帯域幅の下限を有さず、本明細書に記載された帯域特性のいずれかが達成されるならば数百ナノメートル（半値全幅）程度であってもよい。スペクトル帯域同士は重複しないことが好ましいが、いくつかの実施形態では、帯域同士が部分的に重複してもよい。１つの非限定的な例によれば、離散的狭域スペクトル帯は、５ｎｍから１００ｎｍの間であってよい。また、他の非限定的な例によれば、離散的狭域スペクトル帯は、約４０ｎｍであってよい。一例によれば、図６に示すように、イメージングは、（１）約４２５～４７５ｎｍの間、（２）約５００～５５０ｎｍの間、（３）約６５０～７００ｎｍの間、（４）約７５０～８００ｎｍの間、及び（５）約９５０～１０００ｎｍの間、の５つの帯域で行われてもよい。他の例によれば、各帯域は、４００ｎｍ、５００ｎｍ、６００ｎｍ、７００ｎｍ、及び８００ｎｍを中心としている。

この入射光は、任意の数の実施形態にしたがって生成され、検出されてもよい。例えば、第１の実施形態が図７及び図８に示されている。それにおいて、光源５０２は、各所望の帯域の光を順次に生成し、検出を行う。これを達成するために、例えば、所望の狭帯域幅の光のみが所与の時点で眼に提供されるように、光源５０２において広帯域幅の光を生成され、（例えば、フィルタホイールを介して）異なるフィルタ８００が順次に適用される。或いは、光源５０２自体が所望の狭域スペクトル帯のみにおいて光を生成してもよい。

言い換えれば、複数の狭域スペクトル帯のうちの第１の帯域において最初に眼が照明され（７００）、次に第１の帯域に対する２Ｄ画像全体が生成される（７０２）。複数の狭域スペクトル帯のそれぞれについて照明（７００）及び取得（７０２）が繰り返される。帯域を更新する（７０４）ために、例えば、プロセッサ５０８は、どのフィルタ８００が光源５０２に整列（連係）されるかを制御して異なる狭域スペクトル帯を出力させてもよいし、又は光源５０２を制御して異なる狭域スペクトル帯を出力させてもよい。全ての２Ｄ画像が生成された後、上述のモデルに基づいて２Ｄ画像の各ピクセルに対応する眼の箇所に対する厚さが求められる（７０６）。

２Ｄ画像の並列取得に関する他の実施形態が図９及び図１０に示されている。そこで、光源５０２は複数の狭域スペクトル帯の光を同時に生成する（９００）。それに伴い、反射光は、例えば、マルチチャネル／マルチバンド２Ｄカメラ／センサアレイ１０００によって検出される。複数の狭域スペクトル帯の光を検出するために、プリズムベースのマルチチップカメラ又は多層センサチップなどのマルチスペクトル光学系及びセンサが用いられてもよい。これらの使用により、複数のスペクトル帯域を同時に検出することができる。このような検出は、モーションアーチファクトの減少に役立つ。検出後に、検出された複数の狭域スペクトル帯のそれぞれについての２Ｄ画像が生成される（９０２）。光源５０２によって生成された狭域スペクトル帯の個数が全ての個数よりも少ない場合には、照明（９００）及び２Ｄ画像の生成（９０２）が、（上述のように光源を更新し（９０４）、照明（９００）及び２Ｄ画像の生成（９０２）を繰り返すことによって）全ての所望の狭域スペクトル帯の２Ｄ画像が生成されるまで繰り返される。全ての２Ｄ画像が生成された後、上述のモデルに基づいて２Ｄ画像の各ピクセルに対応する眼の位置についての厚さが求められる（９０６）。

上記の実施形態の変形例では、眼の一つの位置において全ての所望の狭域スペクトル帯について入射光が生成されて反射光が検出される（これは、入射光の狭域スペクトル帯を調整することによって、又は、光の複数のスペクトルを検出することによって行われる）。イメージングは、２Ｄ画像の全てのピクセルについてのデータが取得されるまで、一カ所ずつ進められる。そうして、照明及び検出が完了した後に、全ての２Ｄ画像が生成される。言い換えれば、全てのイメージング領域が画像化され、それぞれの２Ｄ画像が取得されるまで、各ピクセル位置に対する照明及び検出が繰り返される。その後、各層の厚さが上記のように求められる。

更に他の実施形態では、上記の順次的方法と並列的方法とを組み合わせてもよい。例えば、照明は、ある瞬間には複数のスペクトル帯域の光で構成され、次の瞬間には異なるマルチスペクトル帯域に変更される。この照明はマルチチャネルセンサ／カメラに適宜に同期される。

上述の特徴に基づくシステム設計は、反射光の無駄を最小限に抑えて効率的に機能するが、依然として安全基準を満たすことができ、それほど効率の高くないがより単純な設計のシステムを実装することが可能である。例えば、更に他の実施形態では、光源５０２は照明用の広帯域（連続的又は離散的）光源でもよく、撮像装置又は光学センサ５０６は、ハイパースペクトル／マルチスペクトルイメージングカメラ（ベイヤーフィルタを使用したＲＢＧカラーカメラと同様に、異なるスペクトル帯域用のフィルタでピクセルのクラスタがコーティングされているもの）でもよい。全体的なイメージング効率は最適ではないかもしれないが、厚さ測定は、例えば上記のモデルに基づき依然として実行することができる。同様に、システム全体の効率を犠牲にして厚さ測定を達成するために、他のハイパースペクトル／マルチスペクトルイメージング技術を採用することができる。

上記で示唆されたように、任意の実施形態について、光源５０２は、複数のサブ光源を使用することによって、異なるスペクトル帯域の光を放射してもよい。これは、掃引／波長ホッピングによって、又は光学フィルタと組み合わせた広帯域光源を使用することによって実現される。確実な測定に要される照射パワーは１００μＷ未満であると推定されている。したがって、複数のスペクトル帯域を生成可能な任意の種類（又は複数種類の組み合わせ）の光源を光源５０２とすることができる。例えば、光源５０２は、熱源及びハロゲンランプのような広帯域光源、又はＬＥＤであってもよい。他の実施形態では、カラーカメラに適合するスペクトル帯域を有する合成白色光源を、複数のスペクトル帯域を並行して測定するために用いることができる。（異なるセットの複数のスペクトル帯域を有する）付加的な合成白色光源もまた、有効な個数のスペクトル帯域を増加させるために用いることができる。

任意の実施形態について、反射光を検出するためのカメラ／センサ光検出器５０６は、カメラ／センサの感度及びカラー画像化機構に基づいて選択されてもよい。例えば、従来のＲＧＢカメラを使用することはできるが、それらには一般的にベイヤーフィルタが含まれているため、異なるスペクトル帯域におけるピクセルについての空間的なずれやカメラの効率が制限される。他の方法として、プリズムベース／マルチレイヤセンサマルチチャネルカメラは、より良い効率及び解像度を提供する。

図８及び図１０は、入射光線照明源／光学系と、反射光を検出するためのイメージング光学系／センサとを別々に示しているが、これらを単一の装置に統合できることが理解される。いずれにせよ、入射光の生成と反射光の検出とが必要に応じて同期される。

シミュレーション及びテスト結果

図１１及び図１２は、上述した方法によるシミュレーション及び結果を示している。より具体的に、３層構造体のシミュレーションモデルは、ヒトの油層の屈折率に対応するように設定された最上層の屈折率と、ヒトのムチン－水層の屈折率に対応するように設定された中間層の屈折率とを用いて生成された。図１１Ａは、シミュレーションモデルの最上層の厚さマップを示し、図１１Ｂは、シミュレーションモデルの中間層の厚さマップを示す。実際の涙液の層厚を表すものではないが、図１１Ａ及び図１１Ｂに示すシミュレーション厚さマップは、典型的なヒト涙液の厚さの範囲にて生成された。上記のことから、図１１Ａ及び図１１Ｂのシミュレーションモデルは、実際の涙液の厚さの範囲のテスト及び結果の視覚化（図１２Ａ及び図１２Ｂに示す）を容易にした。

上述のモデルを使用し、複数の離散的狭域スペクトル帯（それぞれが４０ｎｍの帯域幅を有し、４００ｎｍ、５００ｎｍ、６００ｎｍ、７００ｎｍ、及び８００ｎｍを中心とする）を用いて、図１１Ａのシミュレーション油層厚さマップ及び図１１Ｂのシミュレーションムチン－水層厚さマップが再構成された。これらの再構成は、それぞれ図１２Ａ及び１２Ｂに示されている。図から分かるように、図１２Ａ及び１２Ｂの２Ｄ再構成マップは、図１１Ａ及び図１１Ｂのシミュレーションマップをよく反映している。したがって、離散的狭域スペクトル帯で涙液を画像化することによって、涙液の層厚を求めるために上記のモデルを適切に用いることができると考えられる。

他の実験テストによれば、～６０ｎｍの二酸化ケイ素（ＳｉＯ_２）の最上層と、～１μｍのフッ化マグネシウム（ＭｇＦ_２）の中間層と、＞１ｍｍのＢＫ７ホウケイ酸ガラス基板層と、からなる３層構造体が形成された。この構造体について、（方程式１及び２の）方程式系に対する最適解を求めるために、５つの離散的狭域スペクトル帯及びルックアップテーブルを用いて上記の方法にしたがって、イメージングと解析が実施された。方程式１及び２は、油層の屈折率及びに深さ並びにムチン－水層の屈折率及び深さを具体的に参照しているが、対応する変数は、この実験における構造体の二酸化ケイ素層及びフッ化マグネシウム層を表すものと考えられる。

このテストでは、イメージングシステムの光源のスペクトル全体において、（例えば、４００、５００、６００、７００、及び８００ｎｍを中心とする４０ｎｍ帯域を有する上記の例のように）一様に分布したスペクトル帯域を用いたイメージングと、（例えば、図６に示すように）非一様に分布したスペクトル帯域を用いたイメージングとが実施された。一様に分布した狭域スペクトル帯でのイメージングで収集されたデータを用いて（方程式１の）方程式系を形成すると、ＳｉＯ_２層の厚さは５６．５ｎｍと推定され、ＭｇＦ_２層の厚さは１μｍと推定された。同様に、非一様に分布した離散的狭域スペクトル帯でイメージングした場合、これらの厚さはそれぞれ５５．０ｎｍ及び１μｍと推定された。従来のカーブフィッティング技術では、これらの層厚がそれぞれ５６．２ｎｍ及び１μｍと推定された。したがって、本明細書に開示した方法及びシステムは、前述した欠点を伴うことなく、従来の手法と同様の正確な結果を生み出すことが可能である。

様々な特徴が以上の記載に提示されているが、これらの特徴は単独で又はそれらの任意の組み合わせで使用されてもよいことが理解されるであろう。更に、特許請求の範囲に記載された例が属する分野の当業者には、変形及び修正が可能であることが理解されるであろう。同様に、上記の開示は主に眼の涙液の画像化に関するものであるが、任意の他の多層構造体の画像化及び層厚の計算に対しても本開示を適用することができる。

上述した態様のうちのいずれか又はいくつかの態様の組合せは、ハードウェア又はソフトウェアを介して実装されてもよい。例えば、これらの態様は、グラフィクスプロセッシングユニット（ＧＰＵ）又は同様の専用グラフィックプロセッサなど、単一のプロセッサ又は複数のプロセッサ上で実施することができる。この（これらの）プロセッサはまた、例えば、中央処理装置（ＣＰＵ）の一部として、別の目的のために設計された他のプロセッサに埋め込まれてもよく、又は統合されてもよい。更に、プロセッサ（及びその上で行われる処理）は、涙液のイメージングを実行及び制御するために使用される任意のシステム（例えば、光源、光検出器、及び光学系を含む）から独立して設けられてもよく、又はそれと統合されていてもよい。

Claims (1)

1. 油層とムチン－水層を含む涙液の層厚を測定するための方法であって、
   各ピクセルに対応する前記涙液の位置における第１の入射光の反射の強度を測定することにより、前記涙液の第１の２次元（２Ｄ）画像を生成し、
   各ピクセルに対応する前記涙液の位置における第２の入射光の反射の強度を測定することにより、前記涙液の第２の２Ｄ画像を生成し、
   前記第１及び第２の２Ｄ画像において対応するピクセルについて測定された反射の強度に基づいて、前記涙液の各位置における前記涙液の少なくとも１つの層の厚さを求め、
   前記第１の入射光は第１の離散的狭域スペクトル帯において生成され、前記第２の入射光は第２の離散的狭域スペクトル帯において生成され、前記第１及び第２の離散的狭域スペクトル帯は完全に重複することはなく、
   前記第１及び第２の入射光の強度は、光センサによって測定され、
   前記涙液の少なくとも１つの層の厚さは、前記涙液への入射光からの反射光の強度の測定値を、訓練された機械学習システムに入力することによって求められ、
   前記機械学習システムは、前記強度の測定値に対応する入射光の波長に関する完全分解された分光反射率、物理的涙液モデルの測定値、及び／又は、数値モデル又は数値シミュレーションにより取得された強度と真の厚さとのペアを利用することが可能な教師あり環境にて訓練される、
   方法。

Images