JP7066959B2 - 網膜血管系画像からの高血圧のレベルの判定 - Google Patents

Description

本明細書の例示的な態様は、一般に、画像処理の分野に関し、より詳細には、被験者が罹患している高血圧のレベルを判定するための被験者の網膜の画像の処理に関する。

高血圧は、よくみられる一般に無症状の疾患であり、世界的に死亡及び障害の主要な危険因子である。例えば、英国の成人人口の約３０％が高血圧症を患っていると考えられており（Ｃａｍｐｂｅｌｌ ｅｔ ａｌ．，「Ｈｉｇｈ ｂｌｏｏｄ ｐｒｅｓｓｕｒｅ ２０１６：ｗｈｙ ｐｒｅｖｅｎｔｉｏｎ ａｎｄ ｃｏｎｔｒｏｌ ａｒｅ ｕｒｇｅｎｔ ａｎｄ ｉｍｐｏｒｔａｎｔ」）、このグループのうちの約３０％が診断未確定であり、心血管疾患及び脳卒中のリスクが高い状態のままにされていると推定される。一般に、高血圧は、１４０ｍｍＨｇを超える収縮期血圧のレベルとして定義され得る。しかしながら、高血圧のリスクが中程度から高い人の血圧上昇を管理することには、さらに新たに明らかになる医学的証拠に基づいて、高血圧の様々なレベルを定義すること、及び／又は、目標を１４０ｍｍＨｇ未満（例えば、１３０ｍｍＨｇ又は１２０ｍｍＨｇ未満）に下げることが含まれ得る。

網膜血管の特性は、糖尿病及び高血圧などの全身性疾患に関連していることが知られている。網膜血管は見ることができるため、網膜血管の特性は、全身疾患の健康指標又はバイオマーカの極めて利用しやすい供給源になる。網膜像は、例えば、非侵襲的な検査を通じて身体の微小循環の詳細な像を取得できる眼底カメラ又は走査型レーザ検眼鏡（ＳＬＯ）によって取得され得る。視神経乳頭付近の血管径の測定値、すなわち血柱の厚さ又は直径の測定値など、網膜から得られる定量的特徴は、血圧の上昇及び高血圧の存在と関連付けられてきた。一般に、この関連は、網膜細静脈への変化がほとんどない状態での網膜細動脈の狭小化によって特徴付けられる。被験者間の体のサイズ及び眼の拡大を緩和するために、一般にＡＶＲと略される動脈対静脈の管径比が、細動脈径の代用として使用される（Ｋｎｕｄｔｓｏｎ ｅｔ ａｌ．，「Ｒｅｖｉｓｅｄ ｆｏｒｍｕｌａｓ ｆｏｒ ｓｕｍｍａｒｉｚｉｎｇ ｒｅｔｉｎａｌ ｖｅｓｓｅｌ ｄｉａｍｅｔｅｒｓ」）。このような指標は、網膜撮像を使用した診断未確定の高血圧の検査につながり得る。

「Ｈｉｇｈ ｂｌｏｏｄ ｐｒｅｓｓｕｒｅ ２０１６：ｗｈｙ ｐｒｅｖｅｎｔｉｏｎ ａｎｄ ｃｏｎｔｒｏｌ ａｒｅ ｕｒｇｅｎｔ ａｎｄ ｉｍｐｏｒｔａｎｔ」，Ｃａｍｐｂｅｌｌ ｅｔ ａｌ．，Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｏｃｉｅｔｙ ｏｆ Ｈｙｐｅｒｔｅｎｓｉｏｎ Ｅｘｅｃｕｔｉｖｅ：ａｎｄ Ｂｕｒｒｅｌｌ，Ｌ．，２０１６，Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉｃａｌ Ｈｙｐｅｒｔｅｎｓｉｏｎ，１８（８），ｐｐ．７１４－７１７ 「Ｒｅｖｉｓｅｄ ｆｏｒｍｕｌａｓ ｆｏｒ ｓｕｍｍａｒｉｚｉｎｇ ｒｅｔｉｎａｌ ｖｅｓｓｅｌ ｄｉａｍｅｔｅｒｓ」，Ｋｎｕｄｔｓｏｎ ｅｔ ａｌ．，２００３，Ｃｕｒｒｅｎｔ Ｅｙｅ Ｒｅｓｅａｒｃｈ，２７（３），１４３－１４９

しかしながら、網膜血管系は非常に変化しやすく、このことが、網膜血管から高血圧のレベルを判定するためのメトリックを得るための方法論的手法の指定を非常に困難にしている。

例えば、血管メトリックを測定するために網膜の特定の部分（関心領域）を使用することが決定された場合、この領域に存在する血管セグメントの数は人により異なる可能性がある。また、領域における、又は領域と視神経乳頭との間における分岐点の分布は、人によって異なる。したがって、（視神経内の）網膜中心動静脈と関心領域内の動静脈との間における分岐の発生回数は未知である（すなわち、視認できない）。これらの要因は、血管幅に影響を与える可能性がある。

網膜像を処理して高血圧を検出又は予測する既知の手法は、網膜中心血管系（ＣＲＶ）の直径及び高血圧（のレベル）への傾向に基づく関係に依拠している。しかしながら、ＣＲＶは網膜像では見えないため、網膜像で見える血管系からＣＲＶの直径の推定値を計算又は導出する必要がある。つまり、このような手法は、分岐点で結合する血管の管径間の関係に依拠するため、近似を導入する必要がある。また、血管セグメントの管径は、像内に見える実際の分岐とは関係のない仕方で結合される。

より具体的には、Ｋｎｕｄｔｓｏｎの方法（Ｋｎｕｄｔｓｏｎ ｅｔ ａｌ．，「Ｒｅｖｉｓｅｄ ｆｏｒｍｕｌａｓ ｆｏｒ ｓｕｍｍａｒｉｚｉｎｇ ｒｅｔｉｎａｌ ｖｅｓｓｅｌ ｄｉａｍｅｔｅｒｓ」，２００３，Ｃｕｒｒｅｎｔ Ｅｙｅ Ｒｅｓｅａｒｃｈ，２７（３），１４３－１４９）が、隠れたＣＲＶの直径又は幅を推定するために使用されている。そのために、Ｋｎｕｄｔｓｏｎの方法では血管の分岐構成に関して仮定を行い、これは、この情報が、眼における分岐の数が人によってかなり異なるために不明だからである。特に、Ｋｎｕｄｔｓｏｎの方法は、この仮定が血管の実際の物理的な分岐構成に関係しない場合があっても、経験的に得られた分岐係数を利用し、特に、２つの血管の親幹の推定値を判定するときに最大幅の血管と最小幅の血管とを対にする反復手順を使用することによって、分岐の式を、血管幅の降順とされた血管に対して任意に適用する。この手法は、網膜中心動脈径相当値（ＣＲＡＥ）と網膜中心静脈径相当値（ＣＲＶＥ）との比から細動脈対細静脈の比ＡＶＲを反復的に判定するために、例えば米国特許第９，９２４，８６７号明細書において使用されている。

本発明者らはシミュレーションを行い、シミュレーションでは、Ｋｎｕｄｔｓｏｎの方法の分岐の式を使用して、（ａ）１００個のランダムに選択された順序での一式の血管幅と、（ｂ）Ｋｎｕｄｔｓｏｎの方法で指定された順序で同じ血管幅とに適用されるＣＲＶ（すなわち、上述のＣＲＶＥ又はＣＲＡＥ）を判定した。図１にシミュレーション結果を棒グラフで示す。棒グラフでは、白い棒はＫｎｕｄｔｓｏｎの方法を使用して判定されたＣＲＶの推定幅を示す（白い棒の高さは無関係である）。棒グラフ中の黒色の棒は、ランダムに選択された順序を用いて一式の血管幅を順序付けしたときに、特定の値が推定ＣＲＶ幅として判定される頻度を示す。図１から明らかなように、推定ＣＲＶ幅は、１００個のランダムに選択された順序に対して著しく一貫性がない。

図１に示す結果は、実際のＣＲＶ幅が推定ＣＲＶ幅と大幅に異なる可能性があることを示しており、これはＫｎｕｄｔｓｏｎの方法の欠点を実証している。このことは、ひいては、高血圧のレベルとＣＲＶの直径との間の関係に基づいて高血圧を検出又は予測するための網膜像の使用において、精度又は精密さが不足している可能性があることを示唆している。

したがって、網膜像からの高血圧の（早期）検出、並びに網膜像からの高血圧のレベルの（早期）判定のための改善された方法論が必要とされている。

本発明者らは、高血圧のレベルとＣＲＶの直径（又は、ＣＲＡＥ若しくはＣＲＶＥの値）との間の関係に依拠する代わりに、網膜像において視認可能な網膜血管系の測定値と高血圧のレベルとの間の直接的な関係に依拠することにより網膜像を使用して高血圧を予測することが可能であることを、驚くべきことにそして予想外にも見出した。したがって、本発明者らは、隠れたＣＲＶ、分岐係数、又は血管径相当値などに関する推定又は仮定を行うことなく、高血圧のレベルを判定する方法を考案した。これにより、推定によって導入される、起こり得る変動は、回避され得る。

これに関して、本発明者らは、本明細書の第１の例示的な態様によれば、人の高血圧のレベルを判定するためのコンピュータ実施方法を考案した。本方法は、網膜撮像システムによって取り込まれた、人の網膜の網膜像を規定する画像データを取得することと、網膜像に存在する複数の血管セグメントを識別するために画像データを処理することと、網膜像に存在する複数の血管セグメントの少なくともサブセット（ｓｕｂｓｅｔ）の血管セグメントのそれぞれの幅を判定することと、人が罹患している高血圧のレベルを判定するために、網膜像に存在する血管セグメントの判定された幅の平均値又は中央値のうちの少なくとも一方を血管要約メトリック（ｖａｓｃｕｌａｒ ｓｕｍｍａｒｙ ｍｅｔｒｉｃ）として計算することと、を含む。

本発明者らは、本明細書の第２の例示的な態様によれば、コンピュータによって実行されたときに、本明細書の第１の例示的な態様による方法をコンピュータに実行させる、コンピュータプログラムをさらに考案した。

本発明者らは、本明細書の第３の例示的な態様によれば、人の高血圧のレベルを判定するための装置をさらに考案し、上記装置が、取得モジュールと、処理モジュールと、判定モジュールと、計算モジュールと、を備える。取得モジュールは、網膜撮像システムによって取り込まれた、人の網膜の網膜像を規定する画像データを取得するように構成される。処理モジュールは、網膜像に存在する複数の血管セグメントを識別するために画像データを処理するように構成される。判定モジュールは、網膜像に存在する複数の血管セグメントの少なくともサブセットの血管セグメントのそれぞれの幅を判定するように構成される。計算モジュールは、人が罹患している高血圧のレベルを判定するために、網膜像に存在する血管セグメントの判定された幅の平均値又は中央値のうちの少なくとも一方を血管要約メトリックとして計算するように構成される。

ここで、以下に記載される添付の図面を参照しながら、本発明の実施形態を非限定的な例としてのみ詳細に説明する。異なる図面に現れる同様の参照番号は、別段の指示がない限り、同一又は機能的に同様の要素を示し得る。

図１は、実際のＣＲＶ幅が、Ｋｎｕｄｔｓｏｎの方法を使用して推定された推定ＣＲＶ幅と異なる可能性があることを示すシミュレーション結果を示す棒グラフである。 図２は、本明細書の例示的な実施形態による、人などの被験者の高血圧のレベルを判定するための装置の概略図である。 図３は、本明細書の例示的な実施形態による、図２の装置の例示的な信号処理ハードウェア構成を示すブロック図である。 図４は、本明細書の例示的な実施形態による、図２の装置が、人の高血圧を判定するために画像データを処理するプロセスを示す流れ図である。 図５（ａ）は、本明細書の例示的な実施形態による、走査型レーザ検眼鏡ＳＬＯを使用して取り込まれた、被験者の網膜の一部の網膜像の概略図であり、網膜像を規定する画像データが網膜のランドマークを特定するために処理されている。図５（ｂ）は、本明細書の例示的な実施形態による、走査型レーザ検眼鏡ＳＬＯを使用して取り込まれた、被験者の網膜の一部の網膜像の概略図であり、関心領域が選択されている。 図６（ａ）～図６（ｄ）は、本明細書の例示的な実施形態による、網膜像を示しており、網膜像を規定する画像データが血管セグメントの認識を改善するために処理されている。 図７（ａ）～図７（ｄ）は、本明細書の例示的な実施形態による、網膜像を示しており、ヘッセフィルタリングを使用して網膜の特徴の検出を支援するために画像データを強調することにより、網膜像を規定する画像データが血管セグメントの認識を改善するために処理されている。 図８は、本明細書の例示的な実施形態による、分類アルゴリズムが、複数の被験者の網膜像を規定する画像データについてどのように訓練され得るかを示す概略図である。 図９は、人工ニューロン、並びに、入力層、隠れ層及び出力層を備えるニューラルネットワークの特定の例の概略図である。 図１０（ａ）～図１０（ｃ）は、本明細書の例示的な実施形態による、関心領域において複数の血管セグメントが識別されるプロセスを示す画像を示す。 図１１は、本明細書の例示的実施形態による、複数の血管セグメントのそれぞれを動脈又は動脈以外として分類する際に使用するための畳み込みニューラルネットワークの概略図である。 図１２は、収縮期血圧（ｍｍＨｇ）に対してプロットされた動脈対静脈比（ＡＶＲ）のグラフであり、ＡＶＲと収縮期血圧との間の直線関係が観察され得る。 図１３は、高血圧の個人を分類するためにＡＶＲを使用した、左眼における、半自動及び自動の高血圧分類の受信者動作曲線下面積（ＡＵＣ）を示す。

図２は、本明細書の例示的な実施形態による、例えば人などの被験者の高血圧のレベルを判定するための装置１００の概略図である。装置１００は、取得モジュール１１０と、処理モジュール１２０と、判定モジュール１３０と、計算モジュール１４０と、を備える。加えて、装置１００は、所望により、表示制御信号発生器１５０（破線により示す）を備え得る。

取得モジュール１１０は、（図３に示すような）網膜撮像システム２００によって人から取り込まれた（図５（ａ）に示すような）網膜像５００を規定する画像データを取得するように構成される。処理モジュール１２０は、網膜像に存在する複数の血管セグメントを識別するために画像データを処理するように構成される。判定モジュール１３０は、複数の血管セグメントの少なくともサブセットの幅（それぞれの幅）を判定するように構成される。計算モジュール１４０は、その人が高血圧に罹患しているか否か及び／又はその人の高血圧のレベルを判定するために、複数の血管セグメントのサブセットの幅の平均値又は中央値のうちの少なくとも一方を、血管要約メトリックとして計算するように構成される。

取得モジュール１１０は、網膜撮像システム２００によって人（すなわち、撮像されている被験者）から取り込まれた網膜像５００を規定する画像データを取得するように構成される。取得された画像データによって規定される網膜像は、網膜眼底、網膜眼底特徴、又は網膜の任意の適切な部分の表現であり得る。写真などのこの表現から、網膜眼底特徴を探索及び測定できる。取得された画像データは、本例示的実施形態におけるように、二次元画像を規定してもよいし、あるいは網膜の画像化された部分の三次元画像を規定してもよい。受信された画像データは、当業者に知られている任意の適切なフォーマット（圧縮か非圧縮かを問わない）で提供されてもよい。

網膜撮像システム２００は、眼の網膜を撮像するのに適した任意の眼の撮像システムであってよい。網膜撮像システム２００は、例えば、眼底カメラ、又は一種の走査型撮像システムであってよい。例として、本例示的実施形態の網膜撮像システム２００は、被験者の眼の網膜像を取得するように構成された走査型レーザ検眼鏡（ＳＬＯ）の例示的な形態の走査型撮像システムである。本例示的実施形態のＳＬＯは、赤色－緑色（ＲＧ）反射画像を取り込むように構成される。本実施形態におけるように、網膜撮像システム２００が、赤色及び緑色の画像を同時に生成する走査型レーザ検眼鏡である場合、赤色の画像と緑色の画像とを組み合わせて網膜の疑似カラー画像を得ることができる。

例として、５３２ｎｍの波長の緑色光は、網膜への侵入深さが浅く、血柱にすばやく吸収される。６３３ｎｍの赤色光は脱酸素化ヘモグロビンによって優先的に吸収されるため、静脈が動脈よりも高いコントラストで見えるようになる。あるいは、他の波長が使用されてもよい。ＳＬＯの例示的な形態の網膜撮像システム２００は、代替的又は追加的に、例えば自発蛍光（ＡＦ）画像又は他の蛍光モードからの画像など、１つ又は複数の他の種類の画像を取得するように構成されてもよい。

ＳＬＯは、例えば、網膜表面の最大８０％の超広視野画像を生成することができる超広視野ＳＬＯ（ＵＷＦ－ＳＬＯ）であってもよい。各超広視野画像は、例えば約１５．０μｍの軸上分解能で寸法が４０００×４０００ピクセルであり、網膜表面の立体投影を表す。

あるいは、網膜撮像システム２００は、別の撮像法によるもの、例えば光コヒーレンストモグラフィ（ＯＣＴ）スキャナであってもよく、その場合、本明細書に記載の画像処理技法は、ＯＣＴスキャナによって取り込まれた断層画像に適用可能である。さらなる代替策として、網膜撮像システム２００は、組み合わされたＳＬＯ－ＯＣＴスキャナであってもよく、その場合、本明細書で説明される画像処理技法は、組み合わされたＳＬＯ－ＯＣＴスキャナによって取り込まれたＳＬＯ網膜スキャン及びＯＣＴスキャンの両方に適用可能である。眼の撮像システムの撮像法は、例えば、ＯＣＴ、カラー眼底写真、蛍光眼底造影（ＦＡ）、インドシアニングリーン蛍光眼底造影（ＩＣＧ）、及び自発蛍光（ＡＦ）などを含む、当業者に知られている多くの異なる形態のうちの１つを取ることができる。さらなる代替策として、網膜撮像システム２００は、組織酸素化の撮像を実行するように構成され得る。そのような撮像法は、動脈血と静脈血との間の血中酸素含有量の違いに基づく動静脈（ＡＶ）分類に役立ち得る。さらに、網膜撮像システム２００は、血流方向の判定、ひいてはＡＶ分類、並びに場合により血管分類に使用され得るスペックル分析を実行するように構成され得る。

取得モジュール１１０は、当業者に知られている任意の適切な手段によって、網膜撮像システム２００によって取り込まれた網膜像を規定する画像データを取得するように構成される。例えば、取得モジュール１１０は、網膜撮像システム２００からの画像データを、（任意の適切な有線接続又は無線接続、例えばユニバーサルシリアルバス（ＵＳＢ）又はＢｌｕｅｔｏｏｔｈ（登録商標）接続により提供され得る）直接通信リンク、又は（ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、及び／又はインターネットを含むネットワークにより提供され得る）間接通信リンクを介して受信し得る。さらに、画像データは、網膜撮像システム２００によってそのような画像データが取り込まれた後に、そのような画像データを（例えば、ＣＤ若しくはハードディスクなどの記憶媒体から読み取ることによって、又はインターネットなどのネットワークを介して受信することによって）取得する取得モジュール１１０によって取得され得る。

さらに、画像データは、この画像データが網膜撮像システム２００によって生成されると、取得モジュール１１０によって取得され得る（またその後、以下に説明するように、撮像される人の高血圧（のレベル）を判定するためにさらに処理され得る）、つまり、画像データは、網膜撮像システム２００が網膜像の部分の画像を形成するすべての画像データを生成し終えるのを待たずに「オンザフライ」で取得され得る。しかしながら、本例示的実施形態では、また本説明の目的のために、取得モジュール１１０は、処理モジュール１２０がこの画像データの処理を始める前に、網膜の部分の画像（網膜像）を規定するすべての画像データを取得するように構成されている。

あるいは、取得モジュール１１０自体が、上述のような網膜撮像システム２００を備えてもよい。

装置１００が表示制御信号発生器１５０を備える本例示的実施形態のような実施形態では、表示制御信号発生器１５０は、網膜像、識別された複数の血管セグメントの表現、血管要約メトリックの表現、及び撮像された人が高血圧に罹患しているか否かの判定結果のうちの少なくとも１つを表示するために、ＬＣＤ画面又は他の種類の視覚的表示ユニットなどの（図３の３１５に示すような）表示装置を制御するための表示制御信号を生成するように構成され得る。

図３は、本明細書の例示的な実施形態による、図２の装置１００の例示的な信号処理ハードウェア構成３００を示すブロック図である。プログラマブル信号処理ハードウェア３００は、上述の画像データを取得するため、また所望により、網膜像、識別された複数の血管セグメントの表現、血管要約メトリックの表現、及び撮像された人が高血圧に罹患しているか否かの判定結果のうちの少なくとも１つを表示するために表示装置３１５を制御するための表示制御信号を出力するための、通信インターフェース（Ｉ／Ｆ）３１０を備える。信号処理装置３００は、プロセッサ（例えば、中央処理ユニットＣＰＵ又はグラフィック処理ユニットＧＰＵ）３２０と、作業メモリ３３０（例えば、ランダムアクセスメモリ）と、プロセッサ３２０によって実行されたときに、上述の処理モジュール１２０、判定モジュール１３０、計算モジュール１４０、及び所望により表示制御信号発生器１５０（並びに取得モジュール１１０及び表示装置３１５）の機能を含む様々な機能をプロセッサ３２０に実行させるコンピュータ可読命令を含むコンピュータプログラムを記憶する命令記憶部３４０と、をさらに備える。

命令記憶部３４０は、コンピュータ可読命令を事前にロードしたＲＯＭ（例えば、電気的に消去可能なプログラマブル読み出し専用メモリ（ＥＥＰＲＯＭ）又はフラッシュメモリの形態のＲＯＭ）を含み得る。あるいは、命令記憶部３４０はＲＡＭ又は類似の種類のメモリを含んでもよく、そこへ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭなどの形態の非一時的コンピュータ可読記憶媒体３５０などのコンピュータプログラム製品から、又はコンピュータ可読命令を搬送するコンピュータ可読信号３６０から、コンピュータプログラムのコンピュータ可読命令を入力することができる。いずれの場合でも、コンピュータプログラムは、プロセッサによって実行されたときに、本明細書に記載される人の高血圧のレベルを判定するための方法のうちの少なくとも１つをプロセッサに実行させる。ただし、装置１００は、特定用途向け集積回路（ＡＳＩＣ）などのプログラマブルではないハードウェアに代替的に実装され得ることに留意されたい。

本例示的実施形態では、プロセッサ３２０、作業メモリ３３０、及び命令記憶部３４０を備える、図３に示すハードウェアコンポーネントの組み合わせ３７０は、処理モジュール１２０、判定モジュール１３０、及び計算モジュール１４０の機能を実行するように構成され、以下、これらの機能について詳細に説明する。装置１００が表示制御信号発生器１５０を備える本例示的実施形態のような実施形態では、この任意のコンポーネントの機能は、また、通信Ｉ／Ｆ３１０と併せたハードウェアコンポーネントの組み合わせ３７０によって提供され得る。

本例示的実施形態の装置１００によって実行される動作の以下の説明からより明らかになるように、隠れた網膜中心血管系に関していかなる推定又は仮定も行うことなしに、網膜像の分析によって高血圧（のレベル）を（早期）検出する方法が提供される。

図４は、本明細書の例示的な実施形態による、図２の装置１００が、被験者（例えば、人）の高血圧を判定するために画像データを処理するプロセスを示す流れ図である。

図４のプロセス工程Ｓ１０において、取得モジュール１１０は、網膜撮像システムによって人から取り込まれた網膜像を規定する画像データを取得する。

上述のように、取得モジュール１１０は、当技術分野で知られている任意の適切な手段によって網膜像を規定する画像データを取得すると見なすことができる。

図４のプロセス工程Ｓ１２において、処理モジュール１２０は、網膜像に存在する複数の血管セグメントを識別するために画像データを処理する。

網膜像に存在する複数の血管セグメントを識別するために画像データを処理することは、血管セグメンテーションと呼ばれることがある。血管セグメンテーションは、元の網膜眼底画像の一部又は全体を含む画像、サブ画像、一式の画像、一式のサブ画像、又は画像の表現を規定する画像データを入力として受け取り、血管らしさの表現、及び所望により網膜像表現を出力する任意の方法である。血管らしさの表現は、例えば、入力画像データ内の各ピクセル又は各ピクセルグループについて、そのピクセル又はピクセルグループが血管を構成する確率が提供される、血管確率マップであり得る。いくつかの実施形態では、血管らしさの表現は、単一の出力として網膜像表現と組み合わされてもよい。

加えて、血管らしさの表現は、特定の閾値を超える確率で血管を構成すると識別されたピクセル又はピクセルグループが第１の値を有し、他すべてのピクセル及びピクセルグループが第２の値を有する二値マップを生成するために、閾値を使用して処理され得る。例示的な二値マップが、図６（ｄ）に示され、以下で詳細に説明される。

さらに、複数の血管セグメントを識別するために画像データを処理することが、血管セグメントの認識を改善するために画像データを前処理すること（すなわち、血管セグメンテーションの前に画像データを処理すること）を含む場合、前処理の出力が、血管セグメンテーション処理への入力として提供されてもよい。

識別された複数の血管セグメントは、網膜撮像システム３００を使用して網膜の一部として撮像され得る網膜血管系（すなわち、網膜の静脈、動脈、及び他の血管）の複数の部分であり得る。複数の血管セグメントのそれぞれは、（例えば、面積、幅、位置を判定するために）装置１００によって別個のユニットとして個別に処理され得る網膜血管系の一意に識別された部分であり得る。

複数の血管セグメントを識別するために処理モジュール１２０によって画像データを処理することは、網膜のランドマークを特定するために画像データを処理することを含み得る。網膜のランドマークは、網膜像又は網膜の他の表現において視認可能である、又は識別され得る任意の網膜の解剖学的ランドマーク（網膜の特徴）である。網膜のランドマークは、視神経乳頭（ｏｐｔｉｃ ｄｉｓｃ）、視神経頭（ｏｐｔｉｃ ｎｅｒｖｅ ｈｅａｄ）、中心窩、及び／又は網膜血管系のうちの少なくとも１つを含み得る。網膜のランドマークの特定は、網膜眼底の画像又は他の表現で網膜眼底の解剖学的ランドマークを特定するために当技術分野で知られている任意の方法を使用して、実行され得る。

例として、網膜のランドマークは、本例示的実施形態におけるように、コンピュータアルゴリズムを使用して処理モジュール１２０によって自動的に、識別及び特定され得る。あるいは、網膜のランドマークは、装置１００のユーザによる手動操作によって、識別及び特定されてもよい。非限定的な例として、装置１００が表示制御信号発生器１５０を備える本例示的実施形態のような実施形態では、表示制御信号発生器５０は、取得した網膜像を画面上に表示するように表示装置を制御するための、表示制御信号を生成するように構成されてもよく、網膜の特徴（ランドマーク）は、ユーザがマウスクリック又は任意の他の適切な選択手段を使用して、表示された網膜像上で網膜の特徴を選択することにより、識別されてもよい。特定された網膜のランドマークは、網膜眼底の指定された領域において、網膜の特徴をさらに探索するために使用され得る。

図５（ａ）は、本明細書の例示的な実施形態による、走査型レーザ検眼鏡ＳＬＯを使用して取り込まれた、被験者の網膜の一部の網膜像５００の概略図であり、網膜像を規定する画像データが、網膜のランドマークを特定するために処理されている。図５（ａ）の例では、取得された画像データは、中心窩５１０、視神経乳頭５２０、及び網膜血管系５３０を識別するために処理されている。

処理モジュール１２０によって、複数の血管セグメントを識別するために画像データを処理することは、本実施形態におけるように、関心領域を選択することと、選択された関心領域において複数の血管セグメントを識別するために画像データを処理することと、を含み得る。

選択された関心領域は、測定のゾーンと呼ばれる場合もある。選択された関心領域は、網膜像全体であっても、取得された網膜像の一部であってもよい。例として、選択された関心領域は、末梢近傍の鼻（ｎａｓａｌ ｎｅａｒ ｐｅｒｉｐｈｅｒｙ）における網膜像の一部であり得る。網膜のこの領域では、血管が頻繁に交差する視神経乳頭の近くよりも、血管が、よりよく分離され、よりはっきりしている。したがって、この領域では、複数の血管セグメントをより便利に識別することが可能であり得る。あるいは、選択された関心領域は、網膜の任意の他の適切な部分であってもよい。

本例示的実施形態におけるように、複数の血管セグメントを識別するために画像データを処理することが、関心領域を選択することと、選択された関心領域において複数の血管セグメントを識別するために画像データを処理することと、を含む場合、関心領域が、特定された網膜のランドマークを使用して選択され得る。

図５（ｂ）は、本明細書の例示的な実施形態による、ＳＬＯを使用して取り込まれた、被験者の網膜の一部の網膜像５００の概略図であり、関心領域５４０が選択されている。この例において選択された関心領域５４０は、末梢近傍の鼻における網膜像の一部である。

図５（ｂ）の例では、網膜のランドマーク（中心窩５１０、視神経乳頭５２０、及び網膜血管系５３０）を、（後述のような）血管要約メトリックの計算で使用するための関心領域５４０を確立するために使用した。関心領域５４０は、本例におけるように、視神経乳頭５２０の鼻側に１８０°存在し、中心窩５１０及び視神経乳頭５２０の中心を通る線５５０上に固定された、環状セグメントであり得るが、本例は、非限定的な例である。環状セグメント５４０は、視神経乳頭中心から視神経乳頭半径Ｒの３～５倍延びている。視神経乳頭半径Ｒは、例えば、ピクセルの数として定義される固定値であり得る。

図５（ｂ）の例では、中心窩５１０及び視神経乳頭５２０の識別された位置を使用して、上述のように関心領域５４０を選択した。あるいは、特定された網膜のランドマークの任意の組み合わせを使用する任意の適切な方式で、又は当技術分野で既知の他の任意の適切な手段によって、関心領域が選択されてもよい。例として、関心領域は、特定された網膜のランドマーク（例えば、中心窩５１０又は視神経乳頭５２０）を中心とする所定の形状（例えば、楕円、長方形、又は輪）として、又は画像の所定の部分（例えば、網膜像の左上の４分の１）として選択されてもよい。さらに、選択された関心領域は、任意の適切なサイズのものであってよい。

複数の血管セグメントを識別するために処理モジュール１２０によって画像データを処理することは、血管セグメントの認識を改善するために画像データを処理することを含み得る。

例として、血管セグメントの認識を改善するために画像データを処理することは、
・適応ヒストグラム平坦化技法及び／若しくは形態学的画像処理技法を使用して画像データを前処理すること、
・ヘッセフィルタリングを使用して網膜の特徴の検出を支援するために画像データ若しくは前処理された画像データを強調すること、
・セグメント化された血管網を分割することにより血管セグメントを作成すること、並びに／又は
・血管セグメントである可能性が低い、切り離された領域、分岐、及び派生物を除去することにより、複数の血管セグメントをクリーンにすること
のうちの少なくとも１つを含み得る。

画像の前処理には、網膜眼底画像又はその一部（例えば、網膜像５００など）を規定する画像データを入力として受け取り、網膜血管系などの網膜の特徴の検出を支援する可能性が高い画像又は一式の画像を出力する任意の方法が含まれ得る。

画像の前処理は、本明細書の１つの例示的な実施形態では、適応ヒストグラム平坦化技法を使用することを含み得る。適応ヒストグラム平坦化技法は、画像の個別のセクションにそれぞれが対応する複数のヒストグラムを計算し、それらを使用して画像の明度値を再配分することにより、画像のコントラストを改善する。適応ヒストグラム平坦化技法は、局所的なコントラストを改善し、画像の各領域のエッジの精細度を強調するのに適している。例として、本実施形態におけるように、網膜撮像システム２００が赤色の画像及び緑色の画像を同時に生成する例の場合、緑色の画像平面を規定する画像データは、図６（ａ）に示すような画像全体の背景分散を除去するために、適応ヒストグラム平坦化技法を使用して前処理され得る。あるいは、適応ヒストグラム平坦化技法を、赤色の画像平面を規定する画像データ、他の任意の適切なカラー画像平面、又は網膜像又はその一部を規定する取得された画像データに適用してもよい。

追加的又は代替的に、画像の前処理は、形態学的画像処理技法を使用することによって網膜血管系を維持しながら、背景ノイズを除去することを含み得る。形態学的画像処理技法は、構造化要素と呼ばれる小さな形状又はテンプレートを使用して、画像をテストする。構造化要素は、画像内のすべての可能な場所に配置され、対応するピクセルの近傍と比較される。形態学的画像処理技法は、グレースケール画像の場合には、各ピクセルが例えば、構造化要素の境界内のピクセルの最大値又は最小値を有し、二値イメージの場合には、テスト（例えば、構造化要素が近傍内に「フィット」するか、近傍と交差するかのテスト）が入力イメージのその位置で成功した場合にのみ、各ピクセルが非ゼロ値を有する、新しい画像を作成する。例として、図６（ｂ）の例では、寸法が１×１７ピクセルの回転直線構造化要素を使用して開閉する形態学的画像処理技法を、取得された画像データに適用した。代替策として、構造化要素は、任意の適切なサイズ又は形状のものであってもよい。

血管セグメントの認識を改善するために画像データを処理することは、血管像強調を実行することを含み得る。血管像強調は、網膜眼底画像又はその一部を規定する画像データ、又は前処理されたものなどの網膜の眼底画像の他の表現を、入力として受け取り、網膜血管系又は上記の網膜のランドマークのいずれかなどの網膜の特徴が強調された画像を出力する、任意の方法である。これは、セグメンテーション又は測定のために網膜の特徴の検出を支援するためであり得る。

例として、図６（ｃ）及び図７（ａ）～図７（ｄ）の例では、血管像強調パラメータマップを生成するために、ヘッセフィルタリングが、網膜像に適用されている。図７（ａ）～図７（ｄ）にそれぞれ示すように、異なる管径の血管像を強調するために、４つのスケール（例えば、３、７、１１、１５ピクセル）で、ヘッセフィルタリングを実行した。所望により、本実施形態におけるように、血管方向情報を追加のパラメータマップに符号化するため、ヘッセ処理工程も使用され得る。例示的な血管方向符号化マップを図６（ｃ）に示す。次いで、これらの５つのパラメータマップ（すなわち、４つの血管像強調パラメータマップ及び血管方向情報パラメータマップ）を使用して、網膜血管系を自動的にセグメント化することができる。

代替策として、血管像強調は、任意の数のスケール、且つ、上で論じたスケール（すなわち、３、７、１１、１５ピクセル）及び任意の他の適切なスケールのいずれかで、ヘッセフィルタリングを実行することを含み得る。さらに、血管像増強は、代替的又は追加的に、当技術分野で知られている任意の他の適切なフィルタリング技法を含むことができる。

血管セグメントの認識を改善するために画像データを処理することは、複数の血管セグメントが識別された後にそのような処理を実行することも含み得る。例として、血管セグメントの認識を改善するために画像データを処理することは、血管セグメントである可能性が低い、切り離された領域、分岐、及び派生物（スパー）を除去することによって、複数の血管セグメントをクリーンにすることを含み得る。このような方法は、血管像クリーニング（ｖｅｓｓｅｌ ｃｌｅａｎｉｎｇ）と呼ばれる場合がある。二値マップ（図６（ｄ）に示すマップなど）を作成するために、血管らしさの表現が閾値を使用して処理される場合、血管像クリーニングの方法が、二値マップに適用され得る。例として、５０ピクセル未満の領域及びスパーピクセルは、本実施形態におけるように、血管らしさの表現又は二値マップから除去されてもよい。

血管セグメンテーションを実行するために、本実施形態などのいくつかの実施形態では、処理モジュール１２０が、複数の血管セグメントを識別するために、画像データを、複数の被験者の網膜像を規定する画像データについて訓練された分類アルゴリズムに基づいて、処理し得る。

図８は、本明細書の例示的な実施形態による、分類アルゴリズム８３０が、複数の被験者の網膜像を規定する画像データ８０１について、どのように訓練され得るかを示す概略図である。図８の例では、画像データ８０１によって規定される画像は、ＳＬＯを使用して取り込まれた、複数の被験者の網膜の一部の画像であるが、任意の適切な眼の撮像システムを使用して取り込まれた任意の形態の網膜像であり得る。特に、画像データ８０１は、網膜血管系が視認可能である、又は識別され得る、網膜像を規定する。分類アルゴリズム８３０は、入力データから学習し、入力データに基づいて、網膜像を規定する画像データ８０１を含む入力データの例示的な訓練事例集合８００からモデル８４０を構築することにより、予測を行うように構成される。

分類アルゴリズム８３０は、本実施形態におけるように、教師あり学習アルゴリズムであり得る。分類アルゴリズム８３０が教師あり学習アルゴリズム（例えば、ニューラルネットワーク、サポートベクターマシン、又は進化的アルゴリズムなど）である実施形態では、例示的な訓練事例集合８００の各例示的画像は、網膜の部分の画像を規定する入力画像データを含み、各ピクセル又はピクセルグループが、ピクセルが血管を構成するか否かを示す、関連する所望の出力値を有する。例として、所望の出力値は、ピクセルが血管を構成する場合は１であり、そうでない場合はゼロであり得る。あるいは、任意の他の適切な１対の二値の値を使用することもできる。教師あり学習アルゴリズム８３０は、例示的な訓練事例集合８００の画像データを分析し、網膜の部分の画像を規定する新しい初見の画像データのピクセル又はピクセルグループを、血管を構成するものであるか否か分類することに使用できるモデル８４０を生成する。

教師あり学習アルゴリズム８３０は、本例示的実施形態におけるように、例えば畳み込みニューラルネットワークなどのニューラルネットワークであり得る。畳み込みニューラルネットワークは、画像及びビデオ認識タスクに特に適している。ニューラルネットワークは、事前の知識がなくても、例示的な訓練事例集合８００の画像データなどの入力データを処理することにより、識別特性を自動的に生成する。

図９は、学習アルゴリズム８３０に使用され得るニューラルネットワーク９００の１つの特定の非限定的な例の概略図であり、ニューラルネットワーク９００は、人工ニューロン、並びに、入力層９１０、隠れ層９２０及び出力層９３０を含む（当然のことながら、他の例示的な実施形態では、代わりに他のニューラルネットワーク構造を使用することができる）。図９の例では、ニューラルネットワーク９００は、入力ベクトルを構成する５つの入力パラメータ（例えば、画像５００などの網膜像、その一部、及び／又は図６（ａ）～図６（ｄ）及び図７（ａ）～図７（ｄ）における処理された網膜像のいずれかなどの処理された網膜像）に対応する、５つの入力ノード９１０を含む。ニューラルネットワーク９００は、図９の例におけるように、例えであり限定するものではないが、ネットワーク予測と訓練クラスとの間の差を定量化する、交差エントロピー損失関数を使用して訓練され得る。図９の例のニューラルネットワーク９００は、１２個のニューロン及びｌｏｇｓｉｇ活性化を有する１つの隠れ層９２０を含む。本明細書の１つの例示的な実施形態では、ｓｏｆｔｍａｘ活性化が、ピクセルが血管に属する確率を提供するために、出力層９３０に使用され得る。

ニューラルネットワークの出力は、入力画像データの各ピクセルに適用されると、血管確率マップになる。次いで、血管確率マップに閾値を適用して、二値マップを作成できる。図９の例の場合、二重閾値を血管確率マップに適用する、ヒステリシス閾値技法が使用され得る。この場合、上限閾値に使用される値は、例えば、０．６５であり得る（すなわち、この値を超えるあらゆるピクセルが血管ピクセルと見なされる）。次いで、下限閾値を使用して、血管ピクセルに接触する（例えば、０．５より大きい値の）ピクセルを保持することができる。

したがって、図４のプロセス工程Ｓ１２の出力は、処理モジュール１２０によって提供され、網膜像に存在する複数の血管セグメントを識別する、血管らしさの表現である。

図４のプロセス工程Ｓ１４において、判定モジュール１３０は、複数の血管セグメントの少なくともサブセットの幅を判定する。

複数の血管セグメントの少なくともサブセットの幅を判定することは、例えば（ただし、この例は限定するものではない）、網膜血管境界間の断面を測定することなどによって血管の幅を判定又は推定するために使用され得る、任意の適切な方法を含み得る。判定モジュール１３０は、処理モジュール１２０によって識別された複数の血管セグメントのそれぞれ又はそのサブセットの幅を、判定することができる。

判定モジュール１３０が複数の血管セグメントのサブセットの幅を判定する場合、サブセットは、任意の適切な方式で選択されてもよい。例えば、網膜像全体で複数の血管セグメントが識別された場合、関心領域がその後選択されてもよく、判定モジュール１３０は、関心領域のみにある複数の血管セグメントのそれぞれの幅を判定するように構成されてもよい。あるいは、さらなる例として、複数の血管セグメントの少なくともサブセットの幅を判定することは、例えばサイズ及び／又は長さに関する特定の閾値を超える、識別された各血管セグメントの幅を判定することを含み得る。非限定的な例として、例示的な実施形態では、スケルトンが２５以上のピクセルを含む（すなわち、血管セグメントの面積が２５ピクセル以上である）各血管セグメントについて、判定モジュール１３０が、検出された血管のエッジに自動的にフィッティングされた平行なスプライン間の平均距離として、血管セグメントの管径をマイクロメートル単位で推定する。

本実施形態におけるように、複数の血管セグメントの少なくともサブセットの幅を判定することは、血管セグメントが均一な幅を有する可能性が高いように、血管セグメントを短縮することを含み得る。このような短縮プロセスは、血管セグメントの作成と呼ばれる場合がある。

血管セグメントの作成は、セグメント化された網膜血管系を、サブセグメントの全長に沿って均一な幅を有する可能性が高くなるのに十分に短いサブセグメント（又は部分若しくはコンポーネント）にさらに分割する、任意の適切な方法を含み得る。追加的又は代替的に、血管セグメントの作成は、セグメント化された網膜血管系を、ほとんど若しくは全く分岐を持たない可能性が高い、及び／又は同じ血管からのピクセルのみで構成される可能性が高い（すなわち、血管の交差を含まない）、サブセグメントに分割することを含み得る。

図１０（ａ）～図１０（ｃ）は、本明細書の例示的な実施形態による、関心領域において複数の血管セグメントが識別されるプロセスを示す。図１０（ａ）～図１０（ｃ）の例では、図１０（ａ）に示すように、血管の二値マップは、関心領域の拡張（この場合、図５（ｂ）の関心領域５４０、及びそのゾーンの外径及び内径それぞれ±１５％の領域）の範囲内で切り抜かれる。図１０（ａ）の例では、外径に関して、これは５×６０×１．１５＝３４５ピクセルであると共に、内径に関して、これは３×６０×０．８５＝１５３ピクセルであった。関心領域のエッジにおいて、他に特定されていない接合部を緩和するために、拡張を含めることができる。

次いで、切り抜かれた血管セグメンテーションの形態学的スケルトンが生成され、これから、交差点及び分岐点が識別される。各交差点又は各分岐点では、交差点及び分岐点を除去するために、図１０（ｂ）に示すように、半径１０ピクセルの円盤内のピクセルが隠される。明瞭な血管セグメントのみは、残されている。最後の工程として、図１０（ｃ）に示されるように、血管セグメントマップが拡張なしの関心領域に切り抜かれる（すなわち、非限定的な例として、内径は３×６０＝１８０ピクセルであり、外径は５×６０＝３００ピクセルである）。拡張なしの関心領域における明瞭な血管セグメントは、いくつかの例示的な実施形態では、識別された複数の血管セグメントとして機能することができる。

判定モジュール１３０は、本例示的実施形態におけるように、網膜像における識別された複数の血管セグメントのそれぞれの幅（管径又は直径）を測定することと、測定された幅を実際の単位に変換することと、によって、複数の血管セグメントの少なくともサブセットの幅を判定するように構成され得る。

幅又は管径を実際の測定単位に変換することは、取得モジュール１１０で取得された画像データによって規定された網膜像など、網膜の表現上で行われた測定値を、実際の単位に、例えば、ナノメートル、マイクロメートル、及び／又はミリメートルなどのメートル単位に変換するために使用され得る、任意の適切な方法を実行することを含み得る。本例示的実施形態では、血管幅のピクセル推定値が、画像内の位置によって変化し得るピクセルから、マイクロメートルのスケールを使用して、マイクロメートルに変換される。

図４のプロセス工程Ｓ１６において、計算モジュール１４０は、人が罹患している高血圧のレベルを判定するために、網膜像に存在する血管セグメントの判定された幅の平均値又は中央値のうちの少なくとも一方を、血管要約メトリックとして計算する。上述のＫｎｕｄｔｓｏｎの方法と比較して、この血管要約メトリックの計算は、非反復計算であり、特に、隠れたＣＲＶ、分岐係数、又は血管径相当値などに関する推定又は仮定に依拠せず、したがって、直接測定可能な幅のみに基づいている。

計算モジュール１４０による血管要約メトリックの計算は、血管セグメント幅測定値を要約するために使用され得る、任意の適切な方法を含み得る。特に、血管要約メトリックは、判定モジュール１３０によって幅が判定された、複数の血管セグメントのサブセットの幅を要約する（すなわち、幅のいくつかの特性の概要又は要約を提供する）、単一のメトリック又は値であり得る。

いくつかの実施形態では、計算モジュール１４０は、血管要約メトリックの計算の一部として、複数の血管セグメントのそれぞれを、動脈又は動脈以外として分類するように構成され得る。そのような実施形態では、計算モジュール１４０は、血管要約メトリックとして、平均細静脈幅及び平均動脈幅並びに／又は細静脈幅の中央値及び動脈幅の中央値を計算するように、さらに構成されてもよく、平均細静脈幅又は細静脈幅の中央値は、動脈以外として分類された血管セグメントの幅を使用して計算され得る。

複数の血管セグメントのそれぞれを動脈又は動脈以外として分類することは（実際には、複数の血管のそれぞれを静脈及び動脈として分類することを可能にし得る）、動静脈分類と呼ばれ得る。動静脈分類は、一式の画像、サブ画像、又は画像の表現（元の網膜眼底画像の一部若しくは全部、前処理の出力（実行された場合）、血管像強調工程の出力（実行された場合）、血管らしさの表現、及び／又は二値マップを含む）を入力として取り込み、網膜血管の表現とそのクラス、つまり動脈又は動脈以外（静脈）の表現を出力する、任意の方法を含み得る。

動静脈分類を実行するために、本実施形態などのいくつかの実施形態では、計算モジュール１４０が、画像データを、複数の被験者の網膜像を規定する画像データについて訓練された、教師あり学習アルゴリズムを使用して、さらに処理し得る。この教師あり学習アルゴリズムは、本例示的実施形態におけるように、ニューラルネットワーク（例えば畳み込みニューラルネットワークなど）であり得、図４のプロセス工程Ｓ１４に関して、上で説明した分類アルゴリズムと同様に動作し得る。

非限定的な例として、図１１は、本明細書の例示的実施形態による、複数の血管セグメントのそれぞれを動脈又は動脈以外（したがって静脈と分類される）として分類する際に使用され得る、畳み込みニューラルネットワークの概略図である。図１１の例では、畳み込みニューラルネットワーク（ＣＮＮ）を訓練して、６５×６５ピクセルの画像パッチを、動脈又は静脈を含むものとして分類した。各血管セグメントの中心線の各ピクセルを囲む画像パッチ（６５×６５ピクセル）を、ニューラルネットワークに供給した。畳み込みニューラルネットワークの出力は、パッチが動脈クラスである確率である。各画像パッチをニューラルネットワークに入力することにより、各血管セグメントの平均確率が判明し得る。すると、セグメントは、平均確率が例えば０．５以上の場合、動脈として分類でき、平均確率が０．５未満の場合、静脈として分類できる。図１１は、畳み込みニューラルネットワークの各層の機能、並びにその入力及び出力を詳細に示している。

代替策として、動静脈分類は、装置１００のユーザによって手動で実行されてもよい。非限定的な例として、装置１００が表示制御信号発生器１５０を備える本例示的実施形態のような実施形態では、表示制御信号発生器１５０は、表示装置を制御して、処理ユニット１２０によって生成された血管らしさの表現、又は網膜血管系の二値マップを画面上に表示するための表示制御信号を生成するように構成されてもよく、動脈を構成する血管セグメントは、ユーザがマウスクリック又は任意の他の適切な選択手段を使用して表示された、画像上の血管セグメントを選択することによって、識別されてもよい。

計算モジュール１４０は、任意の適切な方法で血管要約メトリックを計算するように構成され得る。例として、計算モジュール１４０は、平均細静脈幅に対する平均動脈幅の比を計算することによって、血管要約メトリックを計算するように構成され得る。

平均細静脈幅に対する平均動脈幅の比は、動脈－静脈比（ＡＶＲ）とも呼ばれるが、隠れたＣＲＶ、分岐係数、又は血管径相当値などに関する追加の推定又は仮定に基づくＫｎｕｄｔｓｏｎの方法におけるようなＣＲＡＥ及びＣＲＶＥに基づく比ではない。本ＡＶＲは、網膜血管の形態計測パラメータであり、例えば、平均動脈幅よりも正確な結果を提供し得る。

あるいは、計算モジュール１４０によって計算された血管要約メトリックは、平均血管幅、血管幅の中央値、又は任意の他の適切なメトリックのうちのいずれか１つであり得る。さらに、本実施形態におけるように、複数の血管セグメントが静脈及び動脈として分類される場合、血管要約メトリックは、細静脈幅の中央値に対する動脈幅の中央値の比、平均動脈幅若しくは動脈幅の中央値、平均静脈幅若しくは静脈幅の中央値、又は任意の他の適切なメトリックのうちのいずれか１つとして計算され得る。

いくつかの実施形態では、計算モジュール１４０によって血管要約メトリックを計算することは、幅が判定されている複数の血管セグメントのサブセットの削減された（ｒｅｄｕｃｅｄ）サブセットを選択することと、複数の血管セグメントの選択され削減されたサブセットの幅に基づいて血管要約メトリックを計算することと、を含み得る。

それらのセグメントの幅が判定されている複数の血管セグメントの削減されたサブセットを選択することは、血管セグメントの選択と呼ばれる場合がある。血管セグメントの選択は、さらなる測定のために血管セグメントを選択するために使用され得る、任意の方法を含み得る。例として、複数の血管セグメントのそれぞれが静脈又は動脈として分類されている実施形態では、複数の血管セグメントの削減されたサブセットを選択することは、静脈として分類された血管セグメントの中から所定数の最も幅広の血管セグメントを選択することと、動脈として分類された血管セグメントの中から第２の所定数の最も幅広の血管セグメントを選択することと、を含み得る。

特定の例として、本実施形態では、動脈として分類されたセグメントのうち、計算モジュール１４０によって最も幅広の３つを選択し、静脈として分類されたセグメントのうち、最も幅広の３つを選択した。あるいは、任意の適切な数の静脈及び／又は動脈が選択されてもよい。さらなる代替策として、各セグメントの幅が判定されている複数の血管セグメントのサブセットの中から、所定数（例えば、３つ又は任意の他の数）の最も幅広の血管セグメントを含むサブセットが選択されてもよい。利用可能な血管セグメントすなわち動脈及び静脈セグメントが所定の数よりも少なかった場合、利用可能な血管セグメントすなわち動脈及び静脈セグメントのすべてが選択されてもよい。

あるいは、血管セグメントの幅に基づいて血管セグメントの選択を実行する代わりに、血管セグメントの選択が、血管系の分岐構造に基づいて、又は幅ヒストグラムに基づいて、又は任意の他の適切な手段によって実行されてもよい。

いくつかの実施形態では、計算モジュール１４０は、血管要約メトリックを所定の閾値と比較することによって、網膜血管系が高血圧によって影響を受けているか否かを判定するように構成され得る。つまり、計算モジュール１４０は、医学的リスクの指標を判定し得る。

医学的リスクの指標は、医学的リスクの、又は治療の助言のための、又は規範的データベースの生成のための、任意の適切な指標である。例として、閾値が血管要約メトリック（例えば、ＡＶＲ）に適用される実施形態では、医学的リスクの指標は、その人が正常血圧であると考えられるか高血圧であると考えられるかに関する指標であり得る。例えば、ＡＶＲが閾値未満である被験者は、正常血圧として分類され得るし、ＡＶＲが閾値以上である被験者は、高血圧として分類され得る。

図１２は、縮期血圧（ｍｍＨｇ）に対してプロットされた、上で定義したような、動脈静脈比（ＡＶＲ）のグラフであり、ＡＶＲ（平均静脈幅に対する平均動脈幅の比）と収縮期血圧との間に、直線関係が観察され得る。特に、血圧の上昇に伴うＡＶＲの低下が観察され得る。これは、Ｋｎｕｄｔｓｏｎの方法で必要とされるような血管の分岐構成に関する仮定を参照する必要なしに、人が罹患している高血圧のレベルを、（上で定義したような）ＡＶＲから直接判定するという驚くべき能力を実証している。

これらの結果は、４６０人の被験者（５０歳～５９歳、平均年齢５４．６±２．９歳、うち女性２５９人（５６．３％））、の分析から導出された。臨床的血圧測定から高血圧として分類された研究被験者の数は１５１（３２．８％）人であり、そのうち５７人（３７．７％）が女性であった。図１３に示すように、ＡＶＲと収縮期血圧との間に、直線関係が観察された。特に、血圧の上昇に伴い、ＡＶＲが低下した（Ｒ２＝０．１１８、ｐ＜０．００５）。

高血圧分類のための完全自動及び半自動のＡＶＲ分析の結果を表１に示す。受信者動作曲線下面積（ＡＵＣ）を使用して、左眼及び右眼において、ＡＶＲ計算に異なる数の血管セグメント、すなわちＡＶＲ＿３（最大３セグメント）及びＡＶＲ＿ｍ（最も幅広の動脈及び静脈セグメント）を使用する場合の能力を評価した。また、使用された集団からの被験者の割合（ｎ）も示した。左眼は、半自動の方法（０．７３）及び完全自動の方法（０．６９）の両方において優れた能力を示した。完全自動の方法では、使用された被験者のパーセンテージは、９４％（４３２／４６０）であったが、半自動の方法では、９９％（４５５／４６０）であった。

図１３は、上述のように高血圧の個人を分類するためにＡＶＲを使用した左眼における半自動１３１０及び自動１３２０の高血圧分類の受信者動作曲線下面積（ＡＵＣ）を示している。半自動の結果は、動静脈分類が手動で実行された結果を表す。

上記の結果は、５３２ｎｍの波長の緑色光及び６３３ｎｍの波長の赤色光を有する超広視野ＳＬＯによって取り込まれた、赤色と緑色とを組み合わせた画像から得られた。各超広視野画像は、約１５．０μｍの軸上分解能で、寸法が４０００×４０００ピクセルであり、網膜表面の立体投影を表していた。ＡＶＲを判定する際に、図５（ｂ）に関連して上述したように、関心領域を使用した。

図６（ａ）～図６（ｄ）及び図７（ａ）～図７（ｄ）に関連して上述したように、適応ヒストグラム平坦化技法、形態学的画像処理技法、及び４つのスケールで実行されるヘッセフィルタリングを使用して画像を前処理した。図１０に関連して上述したニューラルネットワークを使用して血管らしさの表現を取得し、ヒステリシス閾値技法で処理して二値マップを作成した。上限閾値に使用される値は０．６５であり、つまり、この値を超えるあらゆるピクセルを血管ピクセルと見なした。下限閾値を使用して、血管ピクセルに接触する（０．５より大きい値の）ピクセルを保持した。

次いで、セグメント化された血管を、５０ピクセル未満の領域及びスパーピクセルを除去することにより、クリーンにした。さらに、関心領域の拡張、すなわちそのゾーンの外径及び内径それぞれ±１５％の範囲内で、血管の二値マップを切り抜いた。外径は５×６０×１．１５＝３４５ピクセルであり、内径は３×６０×０．８５＝１５３ピクセルであった。関心領域のエッジにおける、他に特定されていない接合部を緩和するために、拡張を含めた。次いで、切り抜かれた血管セグメンテーションの形態学的スケルトンを生成し、これから交差点及び分岐点を識別した。各交差点又は各分岐点において、明確な血管セグメントのみが残るように、半径１０ピクセルの円盤内のピクセルを隠した。最後の工程として、拡張なしの関心領域、つまり、内径３×６０＝１８０ピクセル、外径５×６０＝３００ピクセルに、血管セグメントマップを切り抜いた。

次に、スケルトンに２５ピクセル超を含む各セグメントについて、検出された血管のエッジに自動的にフィッティングされた平行なスプライン間の平均距離として、管径をマイクロメートル単位で推定し、画像内の位置によって異なるピクセルから、マイクロメートルのスケールを使用して、血管径のピクセル推定値をマイクロメートルに変換した。次に、図１２に関連して上述したように、畳み込みニューラルネットワーク（ＣＮＮ）を訓練して、画像パッチを動脈又は静脈を含むものとして分類した。動静脈分類も手動で行った（結果における半自動の方法を参照）。

上述の実施形態のうちの少なくともいくつかは、以下の例Ｅ１～Ｅ１９に要約されている。

Ｅ１．網膜撮像システムによって取り込まれた、人の網膜の網膜像を規定する画像データを取得するように構成された取得モジュール（１１０）と、網膜像に存在する複数の血管セグメントを識別するために画像データを処理するように構成された処理モジュール（１２０）と、網膜像に存在する複数の血管セグメントの少なくともサブセットの血管セグメントのそれぞれの幅を判定するように構成された判定モジュール（１３０）と、人が罹患している高血圧のレベルを判定するために、網膜像に存在する血管セグメントの判定された幅の平均値又は中央値のうちの少なくとも一方を血管要約メトリックとして計算するように構成された計算モジュール（１４０）と、を備える、人の高血圧のレベルを判定するための装置（１００）。

Ｅ２．計算モジュール（１４０）が、複数の血管セグメントのそれぞれを動脈又は動脈以外として分類することと、平均動脈幅又は動脈幅の中央値のうちの少なくとも一方を計算することと、によって血管要約メトリックを計算するようにさらに構成される、Ｅ１に記載の装置（１００）。

Ｅ３．計算モジュール（１４０）が、平均細静脈幅に対する平均動脈幅の比を計算すること、又は細静脈幅の中央値に対する動脈幅の中央値を計算することのうちの少なくとも一方によって血管要約メトリックを計算するようにさらに構成され、平均細静脈幅又は細静脈幅の中央値が、動脈以外として分類された血管セグメントの幅を使用して計算される、Ｅ１又はＥ２に記載の装置（１００）。

Ｅ４．計算モジュール（１４０）が、幅が判定されている複数の血管セグメントのサブセットの削減されたサブセットを選択することと、複数の血管セグメントの選択され削減されたサブセットの幅に基づいて血管要約メトリックを計算することと、によって血管要約メトリックを計算するようにさらに構成される、Ｅ１からＥ３のいずれか１つに記載の装置（１００）。

Ｅ５．計算モジュール（１４０）が、複数の血管セグメントのそれぞれが静脈又は動脈として分類されている場合に、静脈として分類された血管セグメントの中から第１の所定数の最も幅広の血管セグメントを選択することと、動脈として分類された血管セグメントの中から第２の所定数の最も幅広の血管セグメントを選択することと、によって、削減されたサブセットを選択するようにさらに構成される、Ｅ４に記載の装置（１００）。

Ｅ６．処理モジュールが、複数の血管セグメントを識別するために、画像データを、複数の被験者の網膜像を規定する画像データについて訓練された分類アルゴリズムに基づいて処理するようにさらに構成される、Ｅ１からＥ５のいずれか１つに記載の装置（１００）。

Ｅ７．分類アルゴリズムが、教師あり学習アルゴリズムに基づく、Ｅ１からＥ６のいずれか１つに記載の装置（１００）。

Ｅ８．教師あり学習アルゴリズムが、ニューラルネットワークである、Ｅ７に記載の装置（１００）。

Ｅ９．処理モジュールが、関心領域を選択することと、選択された関心領域において複数の血管セグメントを識別するために画像データを処理することと、によって複数の血管セグメントを識別するために画像データを処理するようにさらに構成される、Ｅ１からＥ８のいずれか１つに記載の装置（１００）。

Ｅ１０．処理モジュールが、網膜のランドマークを特定するために画像データを処理することによって複数の血管セグメントを識別するために画像データを処理するようにさらに構成される、Ｅ１からＥ９のいずれか１つに記載の装置（１００）。

Ｅ１１．処理モジュールが、関心領域を選択することと、選択された関心領域において複数の血管セグメントを識別するために画像データを処理することと、によって複数の血管セグメントを識別するために画像データを処理するようにさらに構成される場合、関心領域が、特定された網膜のランドマークを使用して選択される、Ｅ１０に記載の装置（１００）。

Ｅ１２．処理モジュールが、適応ヒストグラム平坦化技法若しくは形態学的画像処理技術のうちの少なくとも一方を使用して画像データを前処理すること、ヘッセフィルタリングを使用して網膜の特徴の検出を支援するために画像データ若しくは前処理された画像データを強調すること、セグメント化された血管網を分割することにより血管セグメントを作成すること、又は血管セグメントである可能性が低い、切り離された領域、分岐、及び派生物を除去することにより複数の血管セグメントをクリーンにすること、のうちの少なくとも１つによって血管セグメントの認識を改善するために画像データを処理することによって、複数の血管セグメントを識別するために画像データを処理するようにさらに構成される、Ｅ１からＥ１１のいずれか１つに記載の装置（１００）。

Ｅ１３．判定モジュールが、血管セグメントの幅がより均一になるように血管セグメントを短縮することにより、複数の血管セグメントの少なくともサブセットの幅を判定するようにさらに構成される、Ｅ１からＥ１２のいずれか１つに記載の装置（１００）。

Ｅ１４．判定モジュールが、網膜像における識別された複数の血管セグメントのそれぞれの幅を測定することと、測定された幅を実際の単位に変換することと、によって複数の血管セグメントの少なくともサブセットの幅を判定するようにさらに構成される、Ｅ１からＥ１３のいずれか１つに記載の装置（１００）。

Ｅ１５．判定モジュールが、血管要約メトリックを所定の閾値と比較することによって網膜血管系が高血圧によって、影響を受けているか否かを判定するようにさらに構成される、Ｅ１からＥ１４のいずれか１つに記載の装置（１００）。

Ｅ１６．網膜像が、走査型レーザ検眼鏡ＳＬＯ又は検眼鏡のいずれか

によって取り込まれる、Ｅ１からＥ１５のいずれか１つに記載の装置（１００）。

Ｅ１７．コンピュータによって実行されたときに、網膜撮像システムによって取り込まれた、人の網膜の網膜像を規定する画像データを取得することと、網膜像に存在する複数の血管セグメントを識別するために画像データを処理することと、網膜像に存在する複数の血管セグメントの少なくともサブセットの血管セグメントのそれぞれの幅を判定することと、人が罹患している高血圧のレベルを判定するために、網膜像に存在する血管セグメントの判定された幅の平均値又は中央値のうちの少なくとも一方を血管要約メトリックとして計算することと、を含む方法をコンピュータに実行させる、コンピュータプログラム。

Ｅ１８．Ｅ１７に記載のコンピュータプログラムを記憶する非一時的コンピュータ可読記憶媒体。

Ｅ１９．Ｅ１７に記載のコンピュータプログラムを搬送する信号。

本明細書で説明される少なくともいくつかの例示的な態様は、Ｋｎｕｄｔｓｏｎの方法などの網膜像に基づいて高血圧を検出又は予測する従来のコンピュータ化及び自動化された方法に関する、特にコンピュータ技術に根ざした制限を回避する。Ｋｎｕｄｔｓｏｎの方法などの従来の方法は、高血圧のレベルと網膜像では見えない隠れたＣＲＶの直径との関係への依拠に起因して、高血圧を検出又は予測する網膜像の使用において精度及び／精密さが不足する傾向がある。従来の方法のように高血圧のレベルとＣＲＶの直径（又はＣＲＡＥ若しくはＣＲＶＥの値）との間のそのような関係に依拠する代わりに、本明細書の少なくともいくつかの例示的な態様は、網膜像において視認可能な網膜血管系の測定値と高血圧のレベルとの間の「直接的な」関係に依拠することにより網膜像を使用して高血圧を予測し得る。本明細書の例示的な態様は、隠れたＣＲＶ、分岐係数、又は血管径相当値などに関していかなる推定又は仮定も行うことなく、高血圧のレベルを判定することができる。したがって、推定によって導入される、起こり得る変動を回避できる。本明細書の少なくともいくつかの例示的な態様は、また、従来の方法よりも高い精度で高血圧を検出及び／又は予測することができる。そのため、本明細書で説明される例示的な態様は、網膜像からの高血圧の（早期）検出のための、及び、網膜像からの高血圧のレベルの（早期）判定のための方法論を改善すると共に、医用画像、医療機器、高血圧の検出、及び関連する臨床プロトコルの分野（複数可）を改善する。

また、コンピュータ技術に根ざした、本明細書に記載されている少なくともいくつかの例示的な態様の能力により、本明細書に記載されているそれらの例示的な態様は、例えば、限定することなく、隠れたＣＲＶ、分岐係数、又は血管径相当値などに関する推定又は判定に必要な処理及びメモリ要件を回避することによって、また、高血圧の検出及び／又は予測に関して、Ｋｎｕｄｔｓｏｎの方法などの従来の方法によって達成されるものよりも正確で高速な判定を提供することによって、コンピュータ技術も改善する。

上記の説明では、いくつかの例示的な実施形態に関連して例示的な態様を説明した。したがって、本明細書は限定するものではなく、例示と見なされるべきである。同様に、例示的な実施形態の機能及び利点を強調する図面に示す図は、例示のみを目的として提示されている。例示的な実施形態のアーキテクチャは、十分に柔軟且つ構成可能であって、添付の図面に示されている以外の仕方で利用（及び操作）されてもよい。

本明細書に提示した例のソフトウェア実施形態は、命令又は命令のシーケンスを有する１つ又は複数のプログラムなど、それぞれが一実施形態では非一時的であり得る機械アクセス可能媒体若しくは機械可読媒体、命令記憶部、又はコンピュータ可読記憶装置などの製品に含まれるか記憶されたコンピュータプログラム又はソフトウェアとして提供され得る。非一時的な機械アクセス可能媒体、機械可読媒体、命令記憶部、又はコンピュータ可読記憶装置若しくは媒体上における、プログラム又は命令は、コンピュータシステム又は他の電子デバイスをプログラムするために使用され得る。機械可読装置／媒体又はコンピュータ可読装置／媒体、命令記憶部、及び記憶装置としては、これに限定されないが、フロッピーディスク（登録商標）、光ディスク、及び光磁気ディスク、又は電子的命令を記憶若しくは送信するのに適した他の種類の媒体／機械可読媒体／命令記憶部／記憶装置を挙げることができる。本明細書に記載の技法は、いかなる特定のソフトウェア構成にも限定されない。本明細書に記載の技法は、任意のコンピューティング環境又は処理環境への適用性を満たし得る。本明細書で使用されている「コンピュータ可読」、「機械アクセス可能媒体」、「機械可読媒体」、「命令記憶部」、「コンピュータ可読記憶媒体」、及び「コンピュータ可読記憶装置」という用語は、機械、コンピュータ、又はコンピュータプロセッサによって実行するための命令又は命令シーケンスを記憶、符号化、又は送信することが可能であり、且つ本明細書に記載の方法のいずれか１つを、機械／コンピュータ／コンピュータプロセッサに実行させる、任意の媒体を含むものとする。さらに、当技術分野においては、ソフトウェアは、どのような形態であれ（例えば、プログラム、手順、プロセス、アプリケーション、モジュール、ユニット、ロジックなど）、動作を起こしたり、結果をもたらしたりするものを言うのが一般的である。そのような表現は、処理システムがソフトウェアを実行することにより、プロセッサに行動を実行させて結果をもたらすことを記述する簡潔的なやり方に過ぎない。

いくつかの実施形態は、特定用途向け集積回路やフィールドプログラマブルゲートアレイを用意することによって、又は従来のコンポーネント回路の適切なネットワークを相互接続することによっても、実装され得る。

いくつかの実施形態は、コンピュータプログラム製品を含む。コンピュータプログラム製品は、本明細書に記載の例示的な実施形態の任意の手順を実行するようにコンピュータ若しくはコンピュータプロセッサを制御するために、又は本明細書に記載の例示的な実施形態の任意の手順をコンピュータ若しくはコンピュータプロセッサに実行させるために使用され得る命令が記憶された、１つ若しくは複数の記憶媒体、命令記憶部（複数可）、又は記憶装置（複数可）であってよい。記憶媒体／命令記憶部／記憶装置としては、これらに限定されないが例として、光ディスク、ＲＯＭ、ＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＤＲＡＭ、ＶＲＡＭ、フラッシュメモリ、フラッシュカード、磁気カード、光カード、ナノシステム、分子記憶集積回路、ＲＡＩＤ、リモートデータストレージ／アーカイブ／ウェアハウジング、並びに／又は、命令及び／若しくはデータの記憶に好適な他の任意の種類のデバイスを挙げることができる。

いくつかの実装形態としては、１つ若しくは複数のコンピュータ可読媒体、命令記憶部（複数可）、又は記憶装置（複数可）のいずれか１つに記憶された状態で、システムのハードウェアを制御し、且つシステム又はマイクロプロセッサに人間のユーザ又は本明細書に記載の例示的な実施形態の結果を利用する他の機構との対話を可能とする、ソフトウェアが挙げられる。このようなソフトウェアとしては、これらに限定されないが、デバイスドライバ、オペレーティングシステム、及びユーザアプリケーションを挙げることができる。最終的に、このようなコンピュータ可読媒体又は記憶装置（複数可）としては、上で説明したような本発明の例示的な態様を実行するためのソフトウェアがさらに挙げられる。

システムのプログラミング及び／又はソフトウェアには、本明細書に記載の手順を実施するためのソフトウェアモジュールが含まれる。本明細書のいくつかの実施形態では、モジュールはソフトウェアを含むが、本明細書の他の例示的な実施形態では、モジュールはハードウェア又はハードウェアとソフトウェアとの組み合わせを含む。

ここまで本発明の様々な例示的な実施形態を述べてきたが、これらは例示のために提示したものであり、限定するためのものではないことを理解されたい。形式及び詳細において様々な変更をなし得ることは当業者には明らかなはずである。よって、本発明は、上記の例示的な実施形態のいずれによっても限定されるものではなく、以下の特許請求の範囲及びその均等物によってのみ定義されるべきである。

さらに、要約の目的は、特許庁及び一般公衆、特に特許又は法律の用語又は文体に精通していない当技術分野における科学者、技術者、及び実務者が、大まかな検討により本出願の技術的開示の本質及び要点を迅速に見極めることができるようにすることである。要約は、本明細書に提示する例示的な実施形態の範囲に関して限定することをいかなる形でも意図するものではない。また、特許請求の範囲に記載される手順は、必ずしも提示された順番で実行される必要はないことも理解されたい。

本明細書は多くの具体的な実施形態の詳細を含むが、これらは、いかなる発明又は特許請求の範囲に記載され得るものの範囲に対する限定として解釈されるべきではなく、本明細書に記載の特定の実施態様に固有の特徴の説明として解釈されるべきである。別個の実施形態に関連して本明細書に記載される特定の特徴は、また、単一の実施形態において組み合わせて実施することもできる。逆に、単一の実施形態に関連して記載される様々な特徴は、また、複数の実施形態において別個に、又は任意の好適なサブコンビネーションで実施することもできる。さらに、特徴は、特定の組み合わせで作用しているように上では記載され、さらには最初はそのようなものとして特許請求の範囲に記載される場合もあるが、特許請求の範囲に記載の組み合わせからの１つ又は複数の特徴が、場合により、その組み合わせから削除される場合があり、特許請求の範囲に記載の組み合わせは、サブコンビネーション又はサブコンビネーションの変形に関連する場合がある。

特定の状況では、マルチタスキング及び並列処理が有利である場合がある。さらに、上述の実施形態における様々なコンポーネントの分離は、すべての実施形態においてこうした分離を必要とするものとして理解されるべきではなく、記載したプログラムコンポーネント及びシステムは、概して、単一ソフトウェア製品に一緒に統合され得る、又は複数のソフトウェア製品にパッケージ化され得ることを理解されたい。

一部の例示的な実施形態及び実施形態についてこれまで述べてきたが、当然のことながら、上記は単なる例示であって限定ではなく、例として提示されたものである。特に、本明細書に提示された例の多くは装置又はソフトウェア要素の特定の組み合わせを含むが、それらの要素は、同じ目的を達成するために他の仕方で組み合わされてもよい。１つの実施形態に関連して議論された動作、要素、及び特徴は、他の実施形態又は実施形態における類似の役割から排除されるようには意図されていない。

本明細書で説明される装置及びコンピュータプログラムは、その特性から逸脱することなく、他の特定の形態で実施され得る。上述の実施形態は、説明されるシステム及び方法の例示であり、限定するものではない。よって、本明細書で説明される装置及びコンピュータプログラムの範囲は、上述の説明ではなく、添付の特許請求の範囲によって示され、特許請求の範囲の意味及び均等の範囲内に含まれる変更がそこに包含される。

Claims (13)

1. 人の高血圧のレベルを判定するためのコンピュータ実施方法であって、
   網膜撮像システムによって取り込まれた、前記人の網膜の網膜像を規定する画像データを取得することと、
   前記網膜像に存在する複数の血管セグメントを識別するために、前記画像データを、複数の被験者の網膜像を規定する画像データについて訓練された分類アルゴリズムに基づいて処理することと、
   前記網膜像に存在する前記複数の血管セグメントの少なくともサブセットの血管セグメントのそれぞれの幅を判定することと、
   前記人が罹患している高血圧のレベルを判定するために、前記網膜像に存在する前記血管セグメントの前記判定された幅の平均値又は中央値のうちの少なくとも一方を血管要約メトリックとして計算することと、
   を含み、
   複数の血管セグメントを識別するために前記画像データを処理することは、関心領域を選択することと、前記選択された関心領域において複数の血管セグメントを識別するために前記画像データを処理することと、を含み、
   前記関心領域は、視神経乳頭から離れ、視神経乳頭の鼻側で末梢近傍における網膜像の部分的な環状セグメントであって、前記部分的な環状セグメントは視神経乳頭の鼻側の１８０°の範囲内に存在する、コンピュータ実施方法。
2. 前記血管要約メトリックを計算することは、
   前記複数の血管セグメントのそれぞれを動脈又は動脈以外として分類することと、
   平均動脈幅又は
   動脈幅の中央値
   のうちの少なくとも一方を計算することと、
   を含む、請求項１に記載のコンピュータ実施方法。
3. 前記血管要約メトリックを計算することは、
   平均細静脈幅に対する前記平均動脈幅の比を計算すること、又は
   細静脈幅の中央値に対する前記動脈幅の中央値の比を計算すること
   のうちの少なくとも一方をさらに含み、
   前記平均細静脈幅又は細静脈幅の中央値が、動脈以外として分類された前記血管セグメントの前記幅を使用して計算される、請求項２に記載のコンピュータ実施方法。
4. 前記血管要約メトリックを計算することは、
   前記幅が判定されている前記複数の血管セグメントの前記サブセットから血管セグメントを選択することと、
   前記選択された血管セグメントの前記幅に基づいて前記血管要約メトリックを計算することと、
   を含む、請求項１から請求項３のいずれか一項に記載のコンピュータ実施方法。
5. 前記血管セグメントを選択することは、前記複数の血管セグメントのそれぞれが静脈又は動脈として分類されている場合に、静脈として分類された前記血管セグメントの中から第１の所定数の最も幅広の血管セグメントを選択することと、動脈として分類された前記血管セグメントの中から第２の所定数の最も幅広の血管セグメントを選択することと、を含む、請求項４に記載のコンピュータ実施方法。
6. 複数の血管セグメントを識別するために前記画像データを処理することは、網膜のランドマークを特定するために前記画像データを処理することをさらに含む、請求項１～５のいずれか一項に記載のコンピュータ実施方法。
7. 前記関心領域は、前記特定された網膜のランドマークを使用して選択される、請求項６に記載のコンピュータ実施方法。
8. 前記複数の血管セグメントを識別するために前記画像データを処理することは、
   適応ヒストグラム平坦化技法若しくは形態学的画像処理技法のうちの少なくとも一方を使用して前記画像データを前処理すること、
   ヘッセフィルタリングを使用して網膜の特徴の検出を支援するために前記画像データ若しくは前記前処理された画像データを強調すること、
   セグメント化された血管網を分割することにより前記血管セグメントを作成すること、又は
   前記血管セグメントである可能性が低い、切り離された領域、分岐、及び派生物を除去することにより、前記複数の血管セグメントをクリーンにすること
   のうちの少なくとも１つによって血管セグメントの認識を改善するために前記画像データを処理することを含む、請求項１から請求項７のいずれか一項に記載のコンピュータ実施方法。
9. 前記複数の血管セグメントの少なくともサブセットの前記幅を判定することは、前記血管セグメントの幅がより均一になるように前記血管セグメントを短くすることを含む、請求項１から請求項８のいずれか一項に記載のコンピュータ実施方法。
10. 前記複数の血管セグメントの少なくともサブセットの前記幅を判定することは、
    前記網膜像における前記識別された複数の血管セグメントのそれぞれの幅を測定することと、
    前記測定された幅を実際の単位に変換することと、
    を含む、請求項１から請求項９のいずれか一項に記載のコンピュータ実施方法。
11. 前記人が罹患している高血圧のレベルを判定することは、前記血管要約メトリックを所定の閾値と比較することによって、網膜血管系が高血圧によって影響を受けているか否かを判定することを含む、請求項１から請求項１０のいずれか一項に記載のコンピュータ実
    施方法。
12. コンピュータによって実行されたときに、請求項１から請求項１１のいずれか一項に記載の方法を前記コンピュータに実行させる、コンピュータプログラム。
13. 人の高血圧のレベルを判定するための装置であって、前記装置は、
    網膜撮像システムによって取り込まれた、前記人の網膜の網膜像を規定する画像データを取得するように構成された取得モジュールと、
    前記網膜像に存在する複数の血管セグメントを識別するために、前記画像データを、複数の被験者の網膜像を規定する画像データについて訓練された分類アルゴリズムに基づいて処理するように構成された処理モジュールと、
    前記網膜像に存在する前記複数の血管セグメントの少なくともサブセットの血管セグメントのそれぞれの幅を判定するように構成された判定モジュールと、
    前記人が罹患している高血圧のレベルを判定するために、前記網膜像に存在する前記血管セグメントの前記判定された幅の平均値又は中央値のうちの少なくとも一方を血管要約メトリックとして計算するように構成された計算モジュールと、
    を備え、
    前記処理モジュールは、関心領域を選択し、前記選択された関心領域において複数の血管セグメントを識別するために前記画像データを処理することによって、複数の血管セグメントを識別するために前記画像データを処理するように構成され、
    前記関心領域は、視神経乳頭から離れ、視神経乳頭の鼻側で末梢近傍における網膜像の部分的な環状セグメントであって、前記部分的な環状セグメントは視神経乳頭の鼻側の１８０°の範囲内に存在する、装置。

Images