知財求人 - 知財ポータルサイト「IP Force」
▶ 株式会社トプコンの特許一覧 ▶ 国立大学法人東北大学の特許一覧
特開2022-104239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
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022104239
(43)【公開日】2022-07-08
(54)【発明の名称】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
(51)【国際特許分類】
G16H 50/20 20180101AFI20220701BHJP
A61B 3/10 20060101ALI20220701BHJP
A61B 3/12 20060101ALI20220701BHJP
A61B 3/14 20060101ALI20220701BHJP
G16H 30/00 20180101ALI20220701BHJP
【ＦＩ】
G16H50/20
A61B3/10 100
A61B3/12
A61B3/14
G16H30/00
【審査請求】未請求
【請求項の数】21
【出願形態】ＯＬ
(21)【出願番号】P 2020219319
(22)【出願日】2020-12-28
(71)【出願人】
【識別番号】000220343
【氏名又は名称】株式会社トプコン
(71)【出願人】
【識別番号】504157024
【氏名又は名称】国立大学法人東北大学
(74)【代理人】
【識別番号】100124626
【弁理士】
【氏名又は名称】榎並 智和
(72)【発明者】
【氏名】中澤 徹
(72)【発明者】
【氏名】面高 宗子
(72)【発明者】
【氏名】安 光州
【テーマコード（参考）】
4C316
5L099
【Ｆターム（参考）】
4C316AA09
4C316AA10
4C316AA13
4C316AA18
4C316AA20
4C316AA26
4C316AB04
4C316AB11
4C316FB26
4C316FZ01
5L099AA04
5L099AA26
(57)【要約】
【課題】被検眼の疾患に対して適切な治療を早期に施すための新たな技術を提供する。
【解決手段】眼科情報処理装置は、特徴量抽出器と、分類器とを含む。特徴量抽出器は、被検者の眼の互いに異なる２以上の画像のそれぞれの特徴量を抽出する。分類器は、特徴量抽出器により抽出された２以上の画像のそれぞれの特徴量と被検者又は被検者の眼の状態を表す１以上の背景データとに基づいて被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する。
【選択図】図１Ａ
【解決手段】眼科情報処理装置は、特徴量抽出器と、分類器とを含む。特徴量抽出器は、被検者の眼の互いに異なる２以上の画像のそれぞれの特徴量を抽出する。分類器は、特徴量抽出器により抽出された２以上の画像のそれぞれの特徴量と被検者又は被検者の眼の状態を表す１以上の背景データとに基づいて被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する。
【選択図】図１Ａ
【特許請求の範囲】
【請求項1】
被検者の眼の互いに異なる２以上の画像のそれぞれの特徴量を抽出する特徴量抽出器と、
前記特徴量抽出器により抽出された前記２以上の画像のそれぞれの特徴量と前記被検者又は前記被検者の眼の状態を表す１以上の背景データとに基づいて前記被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する分類器と、
を含む、眼科情報処理装置。
前記特徴量抽出器により抽出された前記２以上の画像のそれぞれの特徴量と前記被検者又は前記被検者の眼の状態を表す１以上の背景データとに基づいて前記被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する分類器と、
を含む、眼科情報処理装置。
【請求項2】
前記特徴量抽出器は、前記画像ごとに教師あり機械学習を実行することにより得られた２以上の学習済みモデルを用いて前記特徴量を抽出する２以上の抽出器を含み、
前記分類器は、訓練用の複数の被検者の眼の画像の特徴量と前記複数の被検者又は前記複数の被検者の眼の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより得られた分類モデルを用いて前記２以上の確信度情報を出力する
ことを特徴とする請求項１に記載の眼科情報処理装置。
前記分類器は、訓練用の複数の被検者の眼の画像の特徴量と前記複数の被検者又は前記複数の被検者の眼の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより得られた分類モデルを用いて前記２以上の確信度情報を出力する
ことを特徴とする請求項１に記載の眼科情報処理装置。
【請求項3】
前記疾患を伴う複数の被検者それぞれの２以上の背景データに対して統計検定を行うことにより前記１以上の背景データを選択する特徴選択器を含む
ことを特徴とする請求項２に記載の眼科情報処理装置。
ことを特徴とする請求項２に記載の眼科情報処理装置。
【請求項4】
前記訓練用の複数の被検者の眼の画像の特徴量と前記１以上の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより前記分類モデルを生成する学習部を含む
ことを特徴とする請求項２又は請求項３に記載の眼科情報処理装置。
ことを特徴とする請求項２又は請求項３に記載の眼科情報処理装置。
【請求項5】
前記特徴量は、前記病態の分類結果を推定するための確信度情報を含む
ことを特徴とする請求項１～請求項４のいずれか一項に記載の眼科情報処理装置。
ことを特徴とする請求項１～請求項４のいずれか一項に記載の眼科情報処理装置。
【請求項6】
前記２以上の画像は、前記被検者の眼に対して光コヒーレンストモグラフィを実行することにより得られたＯＣＴ画像と、前記被検者の眼のカラー画像とを含む
ことを特徴とする請求項１～請求項５のいずれか一項に記載の眼科情報処理装置。
ことを特徴とする請求項１～請求項５のいずれか一項に記載の眼科情報処理装置。
【請求項7】
前記ＯＣＴ画像は、眼底の正面画像、及び前記眼底の断層像の少なくとも１つを含み、
前記カラー画像は、前記眼底のカラー画像を含み、
前記２以上の確信度情報は、ニコレラ分類による緑内障の病態の類型の分類結果を推定するための確信度情報を含む
ことを特徴とする請求項６に記載の眼科情報処理装置。
前記カラー画像は、前記眼底のカラー画像を含み、
前記２以上の確信度情報は、ニコレラ分類による緑内障の病態の類型の分類結果を推定するための確信度情報を含む
ことを特徴とする請求項６に記載の眼科情報処理装置。
【請求項8】
前記ＯＣＴ画像は、視神経乳頭の中心を通過する第１方向のＢスキャン画像、視神経乳頭の中心を通過する前記第１方向に交差する第２方向のＢスキャン画像、中心窩の中心を通過する前記第２方向のＢスキャン画像、プロジェクション画像、ｅｎ－ｆａｃｅ画像、及び視神経乳頭の中心と中心窩の中心との中間を通過するＢスキャン画像を含む
ことを特徴とする請求項７に記載の眼科情報処理装置。
ことを特徴とする請求項７に記載の眼科情報処理装置。
【請求項9】
前記背景データは、眼軸長、ＭＤ値、等価球面度数、年齢、神経乳頭組織血流値、及び過去１年間最小眼圧値の少なくとも１つを含む
ことを特徴とする請求項７又は請求項８に記載の眼科情報処理装置。
ことを特徴とする請求項７又は請求項８に記載の眼科情報処理装置。
【請求項10】
前記２以上の確信度情報は、緑内障が局所虚血型である確信度を表す確信度情報、緑内障が近視型である確信度を表す確信度情報、緑内障が加齢性硬化型である確信度を表す確信度情報、及び緑内障が全体的拡大型である確信度を表す確信度情報を含む
ことを特徴とする請求項７～請求項９のいずれか一項に記載の眼科情報処理装置。
ことを特徴とする請求項７～請求項９のいずれか一項に記載の眼科情報処理装置。
【請求項11】
前記２以上の画像を取得する光学系と、
請求項１～請求項１０のいずれか一項に記載の眼科情報処理装置と、
を含む、眼科装置。
請求項１～請求項１０のいずれか一項に記載の眼科情報処理装置と、
を含む、眼科装置。
【請求項12】
被検者の眼の互いに異なる２以上の画像のそれぞれの特徴量を抽出する特徴量抽出ステップと、
前記特徴量抽出ステップにおいて抽出された前記２以上の画像のそれぞれの特徴量と前記被検者又は前記被検者の眼の状態を表す１以上の背景データとに基づいて前記被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する分類ステップと、
を含む、眼科情報処理方法。
前記特徴量抽出ステップにおいて抽出された前記２以上の画像のそれぞれの特徴量と前記被検者又は前記被検者の眼の状態を表す１以上の背景データとに基づいて前記被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する分類ステップと、
を含む、眼科情報処理方法。
【請求項13】
前記特徴量抽出ステップは、前記画像ごとに教師あり機械学習を実行することにより得られた２以上の学習済みモデルを用いて前記特徴量を抽出し、
前記分類ステップは、訓練用の複数の被検者の眼の画像の特徴量と前記複数の被検者又は前記複数の被検者の眼の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより得られた分類モデルを用いて前記２以上の確信度情報を出力する
ことを特徴とする請求項１２に記載の眼科情報処理方法。
前記分類ステップは、訓練用の複数の被検者の眼の画像の特徴量と前記複数の被検者又は前記複数の被検者の眼の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより得られた分類モデルを用いて前記２以上の確信度情報を出力する
ことを特徴とする請求項１２に記載の眼科情報処理方法。
【請求項14】
前記疾患を伴う複数の被検者それぞれの２以上の背景データに対して統計検定を行うことにより前記１以上の背景データを選択する特徴選択ステップを含む
ことを特徴とする請求項１３に記載の眼科情報処理方法。
ことを特徴とする請求項１３に記載の眼科情報処理方法。
【請求項15】
前記訓練用の複数の被検者の眼の画像の特徴量と前記１以上の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより前記分類モデルを生成する学習ステップを含む
ことを特徴とする請求項１３又は請求項１４に記載の眼科情報処理方法。
ことを特徴とする請求項１３又は請求項１４に記載の眼科情報処理方法。
【請求項16】
前記特徴量は、前記病態の分類結果を推定するための確信度情報を含む
ことを特徴とする請求項１２～請求項１５のいずれか一項に記載の眼科情報処理方法。
ことを特徴とする請求項１２～請求項１５のいずれか一項に記載の眼科情報処理方法。
【請求項17】
前記２以上の画像は、前記被検者の眼に対して光コヒーレンストモグラフィを実行することにより得られた眼底のＯＣＴ画像と、前記眼底のカラー画像とを含み、
前記２以上の確信度情報は、ニコレラ分類による緑内障の病態の類型の分類結果を推定するための確信度情報を含む
ことを特徴とする請求項１２～請求項１６のいずれか一項に記載の眼科情報処理方法。
前記２以上の確信度情報は、ニコレラ分類による緑内障の病態の類型の分類結果を推定するための確信度情報を含む
ことを特徴とする請求項１２～請求項１６のいずれか一項に記載の眼科情報処理方法。
【請求項18】
前記ＯＣＴ画像は、視神経乳頭の中心を通過する第１方向のＢスキャン画像、視神経乳頭の中心を通過する前記第１方向に交差する第２方向のＢスキャン画像、中心窩の中心を通過する前記第２方向のＢスキャン画像、プロジェクション画像、ｅｎ－ｆａｃｅ画像、及び視神経乳頭の中心と中心窩の中心との中間を通過するＢスキャン画像を含む
ことを特徴とする請求項１７に記載の眼科情報処理方法。
ことを特徴とする請求項１７に記載の眼科情報処理方法。
【請求項19】
前記背景データは、眼軸長、ＭＤ値、等価球面度数、年齢、神経乳頭組織血流値、及び過去１年間最小眼圧値の少なくとも１つを含む
ことを特徴とする請求項１７又は請求項１８に記載の眼科情報処理方法。
ことを特徴とする請求項１７又は請求項１８に記載の眼科情報処理方法。
【請求項20】
前記２以上の確信度情報は、緑内障が局所虚血型である確信度を表す確信度情報、緑内障が近視型である確信度を表す確信度情報、緑内障が加齢性硬化型である確信度を表す確信度情報、及び緑内障が全体的拡大型である確信度を表す確信度情報を含む
ことを特徴とする請求項１７～請求項１９のいずれか一項に記載の眼科情報処理方法。
ことを特徴とする請求項１７～請求項１９のいずれか一項に記載の眼科情報処理方法。
【請求項21】
コンピュータに、請求項１２～請求項２０のいずれか一項に記載の眼科情報処理方法の各ステップを実行させることを特徴とするプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムに関する。
【背景技術】
【0002】
近年、深層学習を代表とする機械学習の手法の急速な進歩により、様々な分野で人工知能技術の実用化が進んでいる。特に、医療分野においては、深層学習により診断画像における疾患部位又は組織の態様等の検出精度が向上し、正確、且つ、高精度な医療診断を迅速に行うことができるようになっている。
【0003】
例えば、特許文献１には、過去の時系列の複数の眼底画像における特徴点を教師データとして機械学習し、得られた学習済みモデルを用いて、新たに取得された時系列の複数の眼底画像から緑内障の診断を行う手法が開示されている。例えば、特許文献２には、ニューラルネットワークを用いて、視神経乳頭の形状に応じた緑内障の病態分類を行う手法が開示されている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】国際公開第２０１８／２１１６８８号
【特許文献2】特開２０１９－５３１９号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
例えば、緑内障、加齢黄斑変性、又は糖尿病網膜症等の眼底疾患は、スクリーニング等により早期に発見できた場合であっても、適切な治療を施さなければ症状が進行する疾患である。この場合、疾患の病態を適切に把握することで、疾患に対して適切な治療を施すことができる。
【0006】
このように、高精度、且つ、早期に眼底疾患を発見しつつ、発見された眼底疾患の病態を高精度に特定することが求められる。これは、眼底疾患だけではなく被検眼の疾患全般についても同様である。
【0007】
本発明は、このような事情を鑑みてなされたものであり、その目的の１つは、被検眼の疾患に対して適切な治療を早期に施すための新たな技術を提供することにある。
【課題を解決するための手段】
【0008】
実施形態の１つの態様は、被検者の眼の互いに異なる２以上の画像のそれぞれの特徴量を抽出する特徴量抽出器と、前記特徴量抽出器により抽出された前記２以上の画像のそれぞれの特徴量と前記被検者又は前記被検者の眼の状態を表す１以上の背景データとに基づいて前記被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する分類器と、を含む、眼科情報処理装置である。
【0009】
実施形態の別の態様は、前記２以上の画像を取得する光学系と、上記の眼科情報処理装置と、を含む、眼科装置である。
【0010】
実施形態の別の態様は、被検者の眼の互いに異なる２以上の画像のそれぞれの特徴量を抽出する特徴量抽出ステップと、前記特徴量抽出ステップにおいて抽出された前記２以上の画像のそれぞれの特徴量と前記被検者又は前記被検者の眼の状態を表す１以上の背景データとに基づいて前記被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する分類ステップと、を含む、眼科情報処理方法である。
【0011】
実施形態の別の態様は、コンピュータに、上記の眼科情報処理方法の各ステップを実行させるプログラムである。
【発明の効果】
【0012】
本発明に係るいくつかの実施形態によれば、被検眼の疾患に対して適切な治療を早期に施すための新たな技術を提供することができる。
【図面の簡単な説明】
【0013】
【図1A】実施形態に係る眼科情報処理装置の構成の一例を表す概略図である。
【図1B】実施形態に係る眼科情報処理装置の構成の一例を表す概略図である。
【図2】実施形態に係る眼科装置の光学系の構成の一例を表す概略図である。
【図3】実施形態に係る眼科装置の光学系の構成の一例を表す概略図である。
【図4】実施形態に係る眼科装置の処理系の構成の一例を表す概略図である。
【図5】実施形態に係る眼科装置の処理系の構成の一例を表す概略図である。
【図6】実施形態に係る眼科装置の処理系の構成の一例を表す概略図である。
【図7A】実施形態に係る眼科装置の動作を説明するための概略図である。
【図7B】実施形態に係る眼科装置の動作を説明するための概略図である。
【図7C】実施形態に係る眼科装置の動作を説明するための概略図である。
【図7D】実施形態に係る眼科装置の動作を説明するための概略図である。
【図7E】実施形態に係る眼科装置の動作を説明するための概略図である。
【図7F】実施形態に係る眼科装置の動作を説明するための概略図である。
【図7G】実施形態に係る眼科装置の動作を説明するための概略図である。
【図7H】実施形態に係る眼科装置の動作を説明するための概略図である。
【図8】実施形態に係る眼科装置の処理系の構成の一例を表す概略図である。
【図9】実施形態に係る眼科装置の処理系の構成の一例を表す概略図である。
【図10】実施形態に係る眼科装置の動作フローの一例を表す概略図である。
【図11】実施形態に係る眼科装置の動作フローの一例を表す概略図である。
【図12】実施形態に係る眼科装置の動作を説明するための概略図である。
【図13】実施形態に係る眼科装置の動作を説明するための概略図である。
【図14】実施形態に係る眼科装置の動作を説明するための概略図である。
【図15】実施形態に係る眼科装置の動作を説明するための概略図である。
【図16】実施形態の変形例に係る眼科システムの構成の一例を表す概略図である。
【図17】実施形態の変形例に係る眼科システムの構成の一例を表す概略図である。
【発明を実施するための形態】
【0014】
この発明のいくつかの実施形態に係る眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムの例について、図面を参照しながら詳細に説明する。なお、この明細書で引用する文献に記載された事項や任意の公知技術を実施形態に援用することができる。
【0015】
実施形態に係る眼科情報処理装置は、被検者の眼（被検眼）の互いに異なる２以上の画像のそれぞれの特徴量を抽出し、抽出された２以上の特徴量と１以上の背景データとに基づいて被検眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する。例えば、眼科情報処理装置は、画像毎に教師あり機械学習（ｓｕｐｅｒｖｉｓｅｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を実行することにより得られた学習済みモデルを用いて、画像毎に特徴量を抽出する。例えば、眼科情報処理装置は、教師あり機械学習を実行することにより得られた分類モデルを用いて、画像毎に抽出された２以上の特徴量と１以上の背景データとから２以上の確信度情報を出力する。いくつかの実施形態では、眼科情報処理装置は、上記の２以上の確信度情報に基づいて被検眼の疾患の病態の分類結果を推定情報として出力する。
【0016】
ここで、２以上の画像は、互いに撮影方向が異なる被検眼の所定部位（例えば、眼底）の画像である。例えば、２以上の画像は、被検眼に対して光コヒーレンストモグラフィ（Ｏｐｔｉｃａｌ Ｃｏｈｅｒｅｎｃｅ Ｔｏｍｏｇｒａｐｈｙ：ＯＣＴ）を用いて取得された３次元ＯＣＴデータから生成された所望の断面方向の１以上のＯＣＴ画像、及び撮影光学系により取得された正面画像（例えば、眼底画像）の少なくとも１つを含む。ＯＣＴ画像は、断層像、又は正面画像であってよい。
【0017】
また、特徴量は、学習済みモデルの中間層における特徴量、又は学習済みモデルの出力層における被検眼の疾患の病態の分類結果を推定するための確信度情報であってよい。
【0018】
また、背景データは、被検者又は被検眼の状態を表すデータである。被検者の状態を表すデータとして、例えば、年齢、性別、国籍、出生地、疾患の遺伝要因との関連性を示すデータ、及び疾患の環境要因との関連性を示すデータなどがある。被検眼の状態を表すデータとして、例えば、被検眼の形態を示すデータ、及び被検眼の視機能を示すデータなどがある。被検眼の状態を表すデータは、他覚的又は自覚的に被検眼を検査することにより得られる。
【0019】
更に、確信度情報は、所定の疾患の複数の病態のそれぞれについて、被検眼が伴う疾患の病態の推定結果の確信度（例えば、当該病態であると推定される確率）を表す情報である。
【0020】
以下、実施形態に係る眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムが眼底疾患に適用される場合について説明する。しかしながら、実施形態に係る眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムの適用分野は眼底疾患に限定されることなく、被検眼の疾患全般に適用することが可能である。
【0021】
例えば、眼科情報処理装置は、被検眼の眼底の複数の画像と被検者又は被検眼の１以上の背景データとから眼底疾患の病態の分類結果を推定するための２以上の確信度情報を出力する。
【0022】
眼底疾患には、緑内障、加齢黄斑変性、糖尿病網膜症などがある。
【0023】
眼底疾患が緑内障である場合、例えば、特許文献２に開示されているようにニコレラ（Ｎｉｃｏｌｅｌａ）らによる分類（ニコレラ分類）に従って病態を分類するために、視神経乳頭の形状に基づく分類結果を推定するための確信度情報（分類情報）が出力される。
【0024】
眼底疾患が加齢黄斑変性である場合、例えば、萎縮型又は滲出型であるかを分類するために、網膜色素上皮層の形態（例えば、脈絡膜新生血管の形態）に基づく分類結果を推定するための確信度情報が出力される。
【0025】
眼底疾患が糖尿病網膜症である場合、例えば、単純糖尿病網膜症、前増殖糖尿病網膜症、又は増殖糖尿病網膜症であるかを分類するために、毛細血管瘤、出血、白斑、新生血管、出血領域の形態や分布に基づく分類結果を推定するための確信度情報が出力される。
【0026】
このように、眼底疾患の病態分類に関する確信度情報を医師等に提供できるようにすることで、眼底疾患に適切な治療法を早期に決定することが可能になる。それにより、眼底疾患の治癒の可能性を高めることが可能になる。
【0027】
例えば、眼底疾患が緑内障であると判断される症例の場合、薬物療法、レーザー治療、手術等のうち、疾患の病態に応じた適切な治療法を選択することができる。
【0028】
例えば、眼底疾患が加齢黄斑変性であると判断される症例の場合、滲出型の加齢黄斑変性に対して、薬物量、光線力学的療法、レーザー凝固、手術等のうち、疾患の病態に応じた適切な治療法を選択することができる。
【0029】
例えば、眼底疾患が糖尿病網膜症であると判断される症例の場合、網膜光凝固術、及び硝子体手術等のうち、疾患の病態に応じた適切な治療法を選択することができる。
【0030】
以下の実施形態では、眼底疾患が緑内障であり、眼科情報処理装置が、被検眼の２以上の画像、及び被検者又は被検眼の１以上の背景データからニコレラ分類に従った病態の分類結果を推定するための２以上の確信度情報を出力する場合について説明する。ここで、被検眼の２以上の画像は、被検眼の３次元のＯＣＴデータから生成された１以上のＯＣＴ画像と、カラー眼底画像とを含む。１以上の背景データは、被検者の年齢と、被検眼を自覚的又は他覚的に測定することにより得られた１以上の測定値とを含む。
【0031】
眼科情報処理装置は、眼科装置により光コヒーレンストモグラフィ（Ｏｐｔｉｃａｌ Ｃｏｈｅｒｅｎｃｅ Ｔｏｍｏｇｒａｐｈｙ：ＯＣＴ）を用いて取得された被検眼の３次元ＯＣＴデータに対して所定の解析処理や所定の表示処理を施すことが可能である。いくつかの実施形態に係る眼科装置は、ＯＣＴを実行するためのＯＣＴ装置の機能だけではなく、眼底カメラ、走査型レーザー検眼鏡、スリットランプ顕微鏡、及び手術用顕微鏡の少なくとも１つの機能を備える。更に、いくつかの実施形態に係る眼科装置は、被検眼の光学的な特性を測定する機能を備える。被検眼の光学的な特性を測定する機能を備えた眼科装置には、レフラクトメーター、ケラトメーター、眼圧計、ウェーブフロントアナライザー、スペキュラーマイクロスコープ、視野計などがある。いくつかの実施形態に係る眼科装置は、レーザー治療に用いられるレーザー治療装置の機能を備える。
【0032】
いくつかの実施形態では、眼科装置は、実施形態に係る眼科情報処理装置（眼科画像処理装置、眼科解析装置）を含む。実施形態に係る眼科情報処理方法は、眼科情報処理装置により実行される。実施形態に係るプログラムは、眼科情報処理方法の各ステップをプロセッサ（コンピュータ）に実行させる。実施形態に係る記録媒体は、実施形態に係るプログラムが記録されたコンピュータ読み取り可能な非一時的な記録媒体（記憶媒体）である。
【0033】
本明細書において「プロセッサ」は、例えば、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））等の回路を意味する。プロセッサは、例えば、記憶回路や記憶装置に格納されているプログラムを読み出し実行することで、実施形態に係る機能を実現する。
【0034】
図１Ａに、実施形態に係る眼科情報処理装置の構成例のブロック図を示す。
【0035】
実施形態に係る眼科情報処理装置１０００は、被検眼の２以上の画像ＩＭＧ－１～ＩＭＧ－ｎ（ｎは、２以上の整数）と、被検者又は被検眼の背景データＢＧとから、２以上の確信度情報ＯＵＴ－１～ＯＵＴ－ｍ（ｍは、２以上の整数）を出力する。
【0036】
画像ＩＭＧ－１～ＩＭＧ－ｎは、被検眼に対してＯＣＴを実行することにより得られた３次元のＯＣＴデータから生成された１以上のＯＣＴ画像と、撮影光学系を用いて取得されたカラーの眼底画像とを含む。１以上のＯＣＴ画像は、例えば、視神経乳頭の代表位置を通過する水平方向（横方向、ｘ方向、第１方向）のＢスキャン画像、視神経乳頭の代表位置を通過する垂直方向（縦方向、ｙ方向、第１方向に交差する第２方向）のＢスキャン画像、中心窩の代表位置を通過する垂直方向のＢスキャン画像、プロジェクション画像、ｅｎ－ｆａｃｅ画像、及び視神経乳頭の代表位置と中心窩の代表位置との中間を通過するＢスキャン画像の少なくとも１つを含む。視神経乳頭の代表位置の例として、視神経乳頭の中心、重心などがある。中心窩の代表位置の例として、中心窩の中心、重心などがある。
【0037】
背景データＢＧは、被検者の年齢、被検者の性別、被検眼の眼軸長、被検眼のＭＤ（Ｍｅａｎ Ｄｅｆｅｃｔ）値、被検眼の等価球面度数、被検眼の神経乳頭組織血流値（ＭＴ（Ｍｅａｎ ｏｆ Ｔｉｓｓｕｅ ａｒｅａ）値）、過去の所定期間の最小眼圧値、過去の所定期間の最大眼圧値、及び過去の所定期間の平均眼圧値の少なくとも１つを含む。眼軸長は、公知の光干渉断層計又は公知の眼軸長測定装置を用いて取得される。ＭＤ値は、視野の欠け具合を示す値であり、視野計を用いて取得される。等価球面度数は、公知の眼屈折力測定装置を用いて取得される。ＭＴ値は、公知のレーザースペックルフローグラフィ（Ｌａｓｅｒ Ｓｐｅｃｋｌｅ Ｆｌｏｗｇｒａｐｈｙ：ＬＳＦＧ）を用いて取得される。過去の所定期間の最小眼圧値は、例えば、過去１年間の最小眼圧値であってよい。過去の所定期間の最大眼圧値は、例えば、過去１年間の最大眼圧値であってよい。過去の所定期間の平均眼圧値は、例えば、過去１年間の平均眼圧値であってよい。
【0038】
いくつかの実施形態では、眼科情報処理装置１０００は、上記の背景データＢＧを含む複数の背景データのそれぞれの分布に基づいて特徴選択処理を行い、特徴選択処理により選択された背景データを用いて、上記の２以上の確信度情報ＯＵＴ－１～ＯＵＴ－ｍを出力する。
【0039】
眼科情報処理装置１０００は、特徴量抽出器１１００と、分類器１２００とを含む。特徴量抽出器１１００は、画像ＩＭＧ－１～ＩＭＧ－ｎのそれぞれに対応した抽出器１１１０－１～１１１０－ｎを含み、画像ＩＭＧ－１～ＩＭＧ－ｎのそれぞれの特徴量を抽出する。特徴量抽出器１１００により抽出される特徴量は、画像ＩＭＧ－１～ＩＭＧ－ｎのそれぞれのニコレラ分類に従った分類結果を推定するための確信度情報であってよい。分類器１２００は、特徴量抽出器１１００により抽出された画像ＩＭＧ－１～ＩＭＧ－ｎのそれぞれの特徴量と背景データＢＧとに基づいて、確信度情報ＯＵＴ－１～ＯＵＴ－ｍを出力する。
【0040】
【0041】
眼科情報処理装置１０００は、被検眼の画像ＩＭＧ－１～ＩＭＧ－７と背景データＢＧとから、ニコレラ分類に従った緑内障の病態の分類結果を推定するための確信度情報ＯＵＴ－１～ＯＵＴ－４を出力する。
【0042】
画像ＩＭＧ－１は、視神経乳頭の中心を通過する水平方向のＢスキャン画像である。画像ＩＭＧ－２は、視神経乳頭の中心を通過する垂直方向のＢスキャン画像である。画像ＩＭＧ－３は、中心窩の中心を通過する垂直方向のＢスキャン画像である。画像ＩＭＧ－４は、プロジェクション画像である。画像ＩＭＧ－５は、ｅｎ－ｆａｃｅ画像である。画像ＩＭＧ－６は、視神経乳頭の中心と中心窩の中心との中間を通過するＢスキャン画像である。画像ＩＭＧ－７は、カラーの眼底画像である。画像ＩＭＧ－１～ＩＭＧ－６は、被検眼の３次元のＯＣＴデータから取得される。画像ＩＭＧ－７は、眼底カメラを用いて取得される。
【0043】
いくつかの実施形態では、眼科情報処理装置１０００に入力される前の前処理として、画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの画像サイズが一致するようにスケーリング処理又はクロッピング処理が実行される。いくつかの実施形態では、この前処理として、画像ＩＭＧ－１～ＩＭＧ－７のうちＢスキャン画像について、画像中の基準位置が一致するように、スケーリング処理、クロッピング処理、及びシフト処理の少なくとも１つが実行される。いくつかの実施形態では、この前処理として、画像ＩＭＧ－１～ＩＭＧ－７のうちＢスキャン画像について、共通に描出される特徴部位のサイズ及び位置の少なくとも一方が一致するように、スケーリング処理、クロッピング処理、及びシフト処理の少なくとも１つが実行される。いくつかの実施形態では、この前処理として、画像ＩＭＧ－１～ＩＭＧ－７のうちｅｎ－ｆａｃｅ画像、プロジェクション画像、及びカラーの眼底画像について、画像中の基準位置が一致するように、スケーリング処理、クロッピング処理、及びシフト処理の少なくとも１つが実行される。いくつかの実施形態では、この前処理として、画像ＩＭＧ－１～ＩＭＧ－７のうちｅｎ－ｆａｃｅ画像、プロジェクション画像、及びカラーの眼底画像について、共通に描出される特徴部位のサイズ及び位置の少なくとも一方が一致するように、スケーリング処理、クロッピング処理、及びシフト処理の少なくとも１つが実行される。
【0044】
背景データＢＧは、例えば、被検者の年齢、被検眼の眼軸長、被検眼のＭＤ値、被検眼の等価球面度数、被検眼のＭＴ値、及び過去の所定期間の最小眼圧値を含む。
【0045】
確信度情報ＯＵＴ－１～ＯＵＴ－４は、ニコレラ分類に従った緑内障の病態の４つの類型のそれぞれの確信度を表す情報を含む。
【0046】
ニコレラ分類では、視神経乳頭の形状に応じた４つの類型（局所虚血型、近視型、加齢性硬化型、全体的拡大型）が定められている。局所虚血型（Ｆｏｃａｌ Ｉｓｃｈｅｍｉａ：ＦＩ）は、リムの一部にノッチが存在し、視神経線維層の局所的な欠損が見られる類型である。局所虚血型は、女性に多く、片頭痛や発作を伴うことが多い。近視型（Ｍｙｏｐｉｃ：ＭＹ）は、視神経乳頭が傾斜しており、耳側に陥凹を伴う三日月型の乳頭周囲網脈絡膜萎縮（ＰＰＡ）が見られる類型である。近視型は、若年層に多く、近視を伴うことが多い。加齢性硬化型（Ｓｅｎｉｌｅ Ｓｃｌｅｒｏｔｉｃ：ＳＳ）は、視神経乳頭が円形であり、陥凹が浅く、乳頭の周辺にハロ（Ｈａｌｏ）が見られる類型である。加齢性硬化型は、高齢者に多く、心血管障害を伴うことが多い。全体的拡大型（Ｇｅｎｅｒａｌｉｚｅｄ Ｅｎｌａｒｇｅｍｅｎｔ：ＧＥ）は、大きく深い円形の陥凹を呈する類型である。全体的拡大型は、眼圧が高い被検眼に多い。
【0047】
確信度情報ＯＵＴ－１は、被検眼が発症する緑内障が局所虚血型（ＦＩ）である確信度を表す情報である。確信度情報ＯＵＴ－２は、被検眼が発症する緑内障が近視型（ＭＹ）である確信度を表す情報である。確信度情報ＯＵＴ－３は、被検眼が発症する緑内障が加齢性硬化型（ＳＳ）である確信度を表す情報である。確信度情報ＯＵＴ－４は、被検眼が発症する緑内障が全体的拡大型（ＧＥ）である確信度を表す情報である。
【0048】
この場合、特徴量抽出器１１００は、画像ＩＭＧ－１～ＩＭＧ－７のそれぞれに対応した抽出器１１１０－１～１１１０－７を含み、画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量を抽出する。分類器１２００は、特徴量抽出器１１００により抽出された画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量と背景データＢＧとに基づいて、確信度情報ＯＵＴ－１～ＯＵＴ－４を出力する。
【0049】
抽出器１１１０－１は、訓練用の画像ＩＭＧ－１を訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果（ＦＩ型、ＭＹ型、ＳＳ型、ＧＥ型）を教師データとする教師あり機械学習を実行することにより得られた個別推定モデル（学習済みモデル）を用いて、被検眼の画像ＩＭＧ－１の特徴量を抽出する。抽出器１１１０－２は、訓練用の画像ＩＭＧ－２を訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果を教師データとする教師あり機械学習を実行することにより得られた個別推定モデルを用いて、被検眼の画像ＩＭＧ－２の特徴量を抽出する。抽出器１１１０－３は、訓練用の画像ＩＭＧ－３を訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果を教師データとする教師あり機械学習を実行することにより得られた個別推定モデルを用いて、被検眼の画像ＩＭＧ－３の特徴量を抽出する。抽出器１１１０－４は、訓練用の画像ＩＭＧ－４を訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果を教師データとする教師あり機械学習を実行することにより得られた個別推定モデルを用いて、被検眼の画像ＩＭＧ－４の特徴量を抽出する。抽出器１１１０－５は、訓練用の画像ＩＭＧ－５を訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果を教師データとする教師あり機械学習を実行することにより得られた個別推定モデルを用いて、被検眼の画像ＩＭＧ－５の特徴量を抽出する。抽出器１１１０－６は、訓練用の画像ＩＭＧ－６を訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果を教師データとする教師あり機械学習を実行することにより得られた個別推定モデルを用いて、被検眼の画像ＩＭＧ－６の特徴量を抽出する。抽出器１１１０－７は、訓練用の画像ＩＭＧ－７を訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果を教師データとする教師あり機械学習を実行することにより得られた個別推定モデルを用いて、被検眼の画像ＩＭＧ－７の特徴量を抽出する。
【0050】
分類器１２００は、訓練用の画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量と背景データＢＧとを訓練データとし、ニコレラ分類に従って医師等により判断された緑内障の病態の分類結果を教師データとする教師あり機械学習を実行することにより得られた分類モデル（学習済みモデル）を用いて、確信度情報ＯＵＴ－１～ＯＵＴ－４を出力する。
【0051】
以下、光干渉断層計の機能と眼底カメラ機能とを備えた眼科装置が、実施形態に係る眼科情報処理装置１０００の機能を有する場合について具体的に説明する。しかしながら、実施形態に係る眼科情報処理装置１０００の機能を、単体の光干渉断層計に組み込むことも可能である。
【0052】
以下では、被検眼の眼底に対するＯＣＴ計測が可能な眼科装置を例に説明するが、実施形態に係る眼科装置は、被検眼の前眼部に対してＯＣＴ計測が可能であってよい。いくつかの実施形態では、測定光の焦点位置を変更するレンズを移動することで、ＯＣＴ計測の範囲や計測部位を変更する。いくつかの実施形態では、１以上のアタッチメント（対物レンズ、前置レンズ等）を加えることで、眼底に対するＯＣＴ計測と、前眼部に対するＯＣＴ計測と、眼底及び前眼部を含む全眼球に対するＯＣＴ計測とが可能な構成である。いくつかの実施形態では、眼底計測用の眼科装置において、対物レンズと被検眼との間に前置レンズを配置することで平行光束にされた測定光を被検眼に入射させることで前眼部に対するＯＣＴ計測を行う。
【0053】
＜構成＞
〔光学系〕
図２に示すように、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Ｅの正面画像を取得するための光学系や機構が設けられている。ＯＣＴユニット１００には、ＯＣＴを実行するための光学系や機構の一部が設けられている。ＯＣＴを実行するための光学系や機構の他の一部は、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、各種の演算や制御を実行する１以上のプロセッサを含む。これらに加え、被検者の顔を支持するための部材（顎受け、額当て等）や、ＯＣＴの対象部位を切り替えるためのレンズユニット（例えば、前眼部ＯＣＴ用アタッチメント）等の任意の要素やユニットが眼科装置１に設けられてもよい。いくつかの実施形態では、レンズユニットが手動で被検眼Ｅと後述の対物レンズ２２との間に挿脱されるように構成される。いくつかの実施形態では、後述の制御部２１０からの制御を受け、レンズユニットが被検眼Ｅと後述の対物レンズ２２との間に自動で挿脱されるように構成される。
〔光学系〕
図２に示すように、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Ｅの正面画像を取得するための光学系や機構が設けられている。ＯＣＴユニット１００には、ＯＣＴを実行するための光学系や機構の一部が設けられている。ＯＣＴを実行するための光学系や機構の他の一部は、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、各種の演算や制御を実行する１以上のプロセッサを含む。これらに加え、被検者の顔を支持するための部材（顎受け、額当て等）や、ＯＣＴの対象部位を切り替えるためのレンズユニット（例えば、前眼部ＯＣＴ用アタッチメント）等の任意の要素やユニットが眼科装置１に設けられてもよい。いくつかの実施形態では、レンズユニットが手動で被検眼Ｅと後述の対物レンズ２２との間に挿脱されるように構成される。いくつかの実施形態では、後述の制御部２１０からの制御を受け、レンズユニットが被検眼Ｅと後述の対物レンズ２２との間に自動で挿脱されるように構成される。
【0054】
［眼底カメラユニット］
眼底カメラユニット２には、被検眼Ｅの眼底Ｅｆを撮影するための光学系が設けられている。取得される眼底Ｅｆの画像（眼底画像、眼底写真等と呼ばれる）は、観察画像、キャプチャ画像等の正面画像である。観察画像は、近赤外光を用いた動画撮影により得られる。キャプチャ画像は、フラッシュ光を用いた静止画像である。更に、眼底カメラユニット２は、被検眼Ｅの前眼部Ｅａを撮影して正面画像（前眼部像）を取得することができる。
眼底カメラユニット２には、被検眼Ｅの眼底Ｅｆを撮影するための光学系が設けられている。取得される眼底Ｅｆの画像（眼底画像、眼底写真等と呼ばれる）は、観察画像、キャプチャ画像等の正面画像である。観察画像は、近赤外光を用いた動画撮影により得られる。キャプチャ画像は、フラッシュ光を用いた静止画像である。更に、眼底カメラユニット２は、被検眼Ｅの前眼部Ｅａを撮影して正面画像（前眼部像）を取得することができる。
【0055】
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。
【0056】
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、曲面状の反射面を有する反射ミラー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１７、１８、絞り１９及びリレーレンズ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により屈折されて被検眼Ｅ（眼底Ｅｆ又は前眼部Ｅａ）を照明する。被検眼Ｅからの観察照明光の戻り光は、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を透過する。ダイクロイックミラー５５を透過した戻り光は、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、集光レンズ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。なお、撮影光学系３０のフォーカスは、眼底Ｅｆ又は前眼部Ｅａに合致するように調整される。
【0057】
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眼底Ｅｆ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、集光レンズ３７によりイメージセンサ３８の受光面に結像される。例えば、イメージセンサ３８により後述のカラーの眼底画像ＩＭＧ－７が取得される。
【0058】
ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）３９は固視標や視力測定用視標を表示する。ＬＣＤ３９から出力された光束は、その一部がハーフミラー３３Ａにて反射され、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。
【0059】
ＬＣＤ３９の画面上における固視標の表示位置を変更することにより、被検眼Ｅの固視位置を変更できる。固視位置の例として、黄斑を中心とする画像を取得するための固視位置や、視神経乳頭を中心とする画像を取得するための固視位置や、黄斑と視神経乳頭との間の眼底中心を中心とする画像を取得するための固視位置や、黄斑から大きく離れた部位（眼底周辺部）の画像を取得するための固視位置などがある。いくつかの実施形態に係る眼科装置１は、このような固視位置の少なくとも１つを指定するためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を含む。いくつかの実施形態に係る眼科装置１は、固視位置（固視標の表示位置）をマニュアルで移動するためのＧＵＩ等を含む。
【0060】
移動可能な固視標を被検眼Ｅに呈示するための構成はＬＣＤ等の表示装置には限定されない。例えば、光源アレイ（発光ダイオード（ＬＥＤ）アレイ等）における複数の光源を選択的に点灯させることにより、移動可能な固視標を生成することができる。また、移動可能な１以上の光源により、移動可能な固視標を生成することができる。
【0061】
また、眼科装置１には、１以上の外部固視光源が設けられてもよい。１以上の外部固視光源の１つは、被検眼Ｅの僚眼に固視光を投射することが可能である。僚眼における固視光の投射位置は、変更可能である。僚眼に対する固視光の投射位置を変更することにより、被検眼Ｅの固視位置を変更することができる。外部固視光源による固視位置は、ＬＣＤ３９を用いた被検眼Ｅの固視位置と同様であってよい。例えば、複数の外部固視光源を選択的に点灯させることにより、移動可能な固視標を生成することができる。また、移動可能な１以上の外部固視光源により、移動可能な固視標を生成することができる。
【0062】
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。ＬＥＤ５１から出力されたアライメント光は、絞り５２及び５３並びにリレーレンズ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の孔部を通過する。孔開きミラー２１の孔部を通過した光は、ダイクロイックミラー４６を透過し、対物レンズ２２により被検眼Ｅに投射される。アライメント光の角膜反射光は、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。
【0063】
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。フォーカス光学系６０は、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、照明光学系１０の光路（照明光路）に沿って移動される。反射棒６７は、照明光路に対して挿脱可能である。フォーカス調整を行う際には、反射棒６７の反射面が照明光路に傾斜配置される。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により屈折されて眼底Ｅｆに投射される。フォーカス光の眼底反射光は、アライメント光の角膜反射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スやオートフォーカスを実行できる。
【0064】
ダイクロイックミラー４６は、撮影用光路とＯＣＴ用光路（干渉光学系の光路）とを合成する。ダイクロイックミラー４６は、ＯＣＴに用いられる波長帯の光を反射し、眼底撮影用の光を透過させる。ＯＣＴ用光路（測定光の光路）には、ＯＣＴユニット１００側からダイクロイックミラー４６側に向かって順に、コリメータレンズユニット４０、光路長変更部４１、光スキャナー４２、ＯＣＴ合焦レンズ４３、ミラー４４、及びリレーレンズ４５が設けられている。
【0065】
光路長変更部４１は、図１に示す矢印の方向に移動可能とされ、ＯＣＴ用光路の長さを変更する。この光路長の変更は、眼軸長に応じた光路長補正や、干渉状態の調整などに利用される。光路長変更部４１は、コーナーキューブと、これを移動する機構とを含む。
【0066】
光スキャナー４２は、被検眼Ｅの瞳孔と光学的に共役な位置に配置される。光スキャナー４２は、ＯＣＴ用光路を通過する測定光ＬＳを偏向する。光スキャナー４２は、測定光ＬＳを１次元的又は２次元的に偏向することが可能である。
【0067】
１次元的に偏向する場合、光スキャナー４２は、所定の偏向方向に所定の偏向角度範囲で測定光ＬＳを偏向するガルバノスキャナーを含む。２次元的に偏向する場合、光スキャナー４２は、第１ガルバノスキャナーと、第２ガルバノスキャナーとを含む。第１ガルバノスキャナーは、干渉光学系（ＯＣＴ光学系）の光軸に直交する水平方向に撮影部位（眼底Ｅｆ又は前眼部Ｅａ）をスキャンするように測定光ＬＳを偏向する。第２ガルバノスキャナーは、干渉光学系の光軸に直交する垂直方向に撮影部位をスキャンするように、第１ガルバノスキャナーにより偏向された測定光ＬＳを偏向する。光スキャナー４２による測定光ＬＳの走査態様としては、例えば、水平スキャン、垂直スキャン、十字スキャン、放射スキャン、円スキャン、同心円スキャン、螺旋スキャンなどがある。
【0068】
ＯＣＴ合焦レンズ４３は、ＯＣＴ用の光学系のフォーカス調整を行うために、測定光ＬＳの光路に沿って移動される。ＯＣＴ合焦レンズ４３は、被検眼Ｅの眼底Ｅｆ又はその近傍に測定光ＬＳの焦点位置を配置するための第１レンズ位置と、被検眼Ｅに照射される測定光ＬＳを平行光束にするための第２レンズ位置とを含む移動範囲で移動可能である。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することができる。
【0069】
［ＯＣＴユニット］
ＯＣＴユニット１００の構成の一例を図３に示す。ＯＣＴユニット１００には、被検眼ＥのＯＣＴ画像を取得するための光学系が設けられている。この光学系は、波長掃引型（波長走査型）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干渉させて干渉光を生成し、この干渉光を検出する干渉光学系である。干渉光学系による干渉光の検出結果（検出信号）は、干渉光のスペクトルを示す干渉信号であり、演算制御ユニット２００に送られる。
ＯＣＴユニット１００の構成の一例を図３に示す。ＯＣＴユニット１００には、被検眼ＥのＯＣＴ画像を取得するための光学系が設けられている。この光学系は、波長掃引型（波長走査型）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干渉させて干渉光を生成し、この干渉光を検出する干渉光学系である。干渉光学系による干渉光の検出結果（検出信号）は、干渉光のスペクトルを示す干渉信号であり、演算制御ユニット２００に送られる。
【0070】
光源ユニット１０１は、一般的なスウェプトソースタイプの眼科装置と同様に、出射光の波長を掃引（走査）可能な波長掃引型（波長走査型）光源を含んで構成される。波長掃引型光源は、共振器を含むレーザー光源を含んで構成される。光源ユニット１０１は、人眼では視認できない近赤外の波長帯において、出力波長を時間的に変化させる。
【0071】
光源ユニット１０１から出力された光Ｌ０は、光ファイバ１０２により偏波コントローラ１０３に導かれてその偏波状態が調整される。偏波コントローラ１０３は、例えばループ状にされた光ファイバ１０２に対して外部から応力を与えることで、光ファイバ１０２内を導かれる光Ｌ０の偏波状態を調整する。
【0072】
偏波コントローラ１０３により偏波状態が調整された光Ｌ０は、光ファイバ１０４によりファイバーカプラ１０５に導かれて測定光ＬＳと参照光ＬＲとに分割される。
【0073】
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、光路長変更部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よう作用する。分散補償部材１１３は、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。光路長変更部１１４は、例えば、コーナーキューブと、コーナーキューブを移動する移動機構とを含み、移動機構によるコーナーキューブを参照光ＬＲの入射方向に移動可能である。それにより参照光ＬＲの光路長が変更される。
【0074】
光路長変更部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、偏波コントローラ１１８に導かれてその偏波状態が調整され、光ファイバ１１９によりアッテネータ１２０に導かれて光量が調整され、光ファイバ１２１によりファイバーカプラ１２２に導かれる。
【0075】
一方、ファイバーカプラ１０５により生成された測定光ＬＳは、光ファイバ１２７により導かれてコリメータレンズユニット４０により平行光束に変換され、光路長変更部４１、光スキャナー４２、ＯＣＴ合焦レンズ４３、ミラー４４及びリレーレンズ４５を経由する。リレーレンズ４５を経由した測定光ＬＳは、ダイクロイックミラー４６により反射され、対物レンズ２２により屈折されて被検眼Ｅに入射する。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。被検眼Ｅからの測定光ＬＳの戻り光は、往路と同じ経路を逆向きに進行してファイバーカプラ１０５に導かれ、光ファイバ１２８を経由してファイバーカプラ１２２に到達する。
【0076】
ファイバーカプラ１２２は、光ファイバ１２８を介して入射された測定光ＬＳと、光ファイバ１２１を介して入射された参照光ＬＲとを合成して（干渉させて）干渉光を生成する。ファイバーカプラ１２２は、所定の分岐比（例えば１：１）で干渉光を分岐することにより、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。
【0077】
検出器１２５は、例えば一対の干渉光ＬＣをそれぞれ検出する一対のフォトディテクタを有し、これらによる検出結果の差分を出力するバランスドフォトダイオード（Ｂａｌａｎｃｅｄ Ｐｈｏｔｏ Ｄｉｏｄｅ）である。検出器１２５は、その検出結果（干渉信号）をＤＡＱ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１３０に送る。ＤＡＱ１３０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、波長掃引型光源により所定の波長範囲内で掃引（走査）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を分岐することにより得られた２つの分岐光の一方を光学的に遅延させた後、これらの合成光を検出した結果に基づいてクロックＫＣを生成する。ＤＡＱ１３０は、クロックＫＣに基づき、検出器１２５の検出結果をサンプリングする。ＤＡＱ１３０は、サンプリングされた検出器１２５の検出結果を演算制御ユニット２００に送る。演算制御ユニット２００は、例えば一連の波長走査毎に（Ａライン毎に）、検出器１２５により得られた検出結果に基づくスペクトル分布にフーリエ変換等を施すことにより、各Ａラインにおける反射強度プロファイルを形成する。更に、演算制御ユニット２００は、各Ａラインの反射強度プロファイルを画像化することにより画像データを形成する。
【0078】
なお、図２及び図３に示す構成においては、測定光ＬＳの光路（測定光路、測定アーム）の長さを変更するための光路長変更部４１と、参照光ＬＲの光路（参照光路、参照アーム）の長さを変更するための光路長変更部１１４の双方が設けられている。しかしながら、光路長変更部４１及び１１４の一方だけが設けられていてもよい。また、これら以外の光学部材を用いて、参照光路長と測定光路長との差を変更することも可能である。
【0079】
［演算制御ユニット］
演算制御ユニット２００は、ＤＡＱ１３０から入力される検出信号を解析して被検眼ＥのＯＣＴ画像を形成する。そのための演算処理は、従来のスウェプトソースタイプのＯＣＴ装置と同様である。
演算制御ユニット２００は、ＤＡＱ１３０から入力される検出信号を解析して被検眼ＥのＯＣＴ画像を形成する。そのための演算処理は、従来のスウェプトソースタイプのＯＣＴ装置と同様である。
【0080】
また、演算制御ユニット２００は、眼底カメラユニット２、表示装置３、及びＯＣＴユニット１００の各部を制御する。
【0081】
眼底カメラユニット２の制御として、演算制御ユニット２００は、観察光源１１、撮影光源１５、及びＬＥＤ５１、６１の動作制御、ＬＣＤ３９の動作制御、撮影合焦レンズ３１の移動制御、ＯＣＴ合焦レンズ４３の移動制御、反射棒６７の移動制御、フォーカス光学系６０の移動制御、光路長変更部４１の移動制御、光スキャナー４２の動作制御などを行う。
【0082】
表示装置３の制御として、演算制御ユニット２００は、被検眼ＥのＯＣＴ画像又は眼底画像を表示装置３に表示させる。
【0083】
ＯＣＴユニット１００の制御として、演算制御ユニット２００は、光源ユニット１０１の動作制御、光路長変更部１１４の移動制御、アッテネータ１２０の動作制御、偏波コントローラ１０３、１１８の動作制御、検出器１２５の動作制御、ＤＡＱ１３０の動作制御などを行う。
【0084】
演算制御ユニット２００は、例えば、従来のコンピュータと同様に、プロセッサ、ＲＡＭ、ＲＯＭ、ハードディスクドライブ、通信インターフェイスなどを含んで構成される。ハードディスクドライブ等の記憶装置には、眼科装置１を制御するためのコンピュータプログラムが記憶されている。演算制御ユニット２００は、各種の回路基板、例えばＯＣＴ画像を形成するための回路基板を備えていてもよい。また、演算制御ユニット２００は、キーボードやマウス等の操作デバイス（入力デバイス）や、ＬＣＤ等の表示デバイスを備えていてもよい。
【0085】
眼底カメラユニット２、表示装置３、ＯＣＴユニット１００、及び演算制御ユニット２００は、一体的に（つまり単一の筺体内に）構成されていてもよいし、２つ以上の筐体に別れて構成されていてもよい。
【0086】
【0087】
演算制御ユニット２００は、制御部２１０を含み、眼底カメラユニット２、表示装置３、及びＯＣＴユニット１００の各部を制御する。
【0088】
（制御部）
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。
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。
【0089】
（主制御部）
主制御部２１１は、プロセッサを含み、眼科装置１の各部を制御する。例えば、主制御部２１１は、眼底カメラユニット２の合焦駆動部３１Ａ及び４３Ａ、イメージセンサ３５及び３８、ＬＣＤ３９、光路長変更部４１、光スキャナー４２、及び光学系の移動（移動機構１５０）などを制御する。更に、主制御部２１１は、ＯＣＴユニット１００の光源ユニット１０１、光路長変更部１１４、アッテネータ１２０、偏波コントローラ１０３及び１１８、検出器１２５、ＤＡＱ１３０などを制御する。
主制御部２１１は、プロセッサを含み、眼科装置１の各部を制御する。例えば、主制御部２１１は、眼底カメラユニット２の合焦駆動部３１Ａ及び４３Ａ、イメージセンサ３５及び３８、ＬＣＤ３９、光路長変更部４１、光スキャナー４２、及び光学系の移動（移動機構１５０）などを制御する。更に、主制御部２１１は、ＯＣＴユニット１００の光源ユニット１０１、光路長変更部１１４、アッテネータ１２０、偏波コントローラ１０３及び１１８、検出器１２５、ＤＡＱ１３０などを制御する。
【0090】
例えば、主制御部２１１は、手動又は自動で設定された固視位置に対応するＬＣＤ３９の画面上の位置に固視標を表示する。また、主制御部２１１は、ＬＣＤ３９に表示されている固視標の表示位置を（連続的に又は段階的に）変更することができる。それにより、固視標を移動することができる（つまり、固視位置を変更することができる）。固視標の表示位置や移動態様は、マニュアルで、又は自動的に設定される。マニュアルでの設定は、例えばＧＵＩを用いて行われる。自動的な設定は、例えば、データ処理部３００により行われる。
【0091】
合焦駆動部３１Ａは、撮影光学系３０の光軸方向に撮影合焦レンズ３１を移動させるとともに、照明光学系１０の光軸方向にフォーカス光学系６０を移動させる。それにより、撮影光学系３０の合焦位置が変更される。いくつかの実施形態では、合焦駆動部３１Ａは、撮影合焦レンズ３１を移動させる機構と、フォーカス光学系６０を移動させる機構とを個別に有する。合焦駆動部３１Ａは、フォーカス調整を行うときなどに制御される。
【0092】
合焦駆動部４３Ａは、測定光路の光軸方向にＯＣＴ合焦レンズ４３を移動させる。それにより、測定光ＬＳの合焦位置が変更される。例えば、ＯＣＴ合焦レンズ４３を第１レンズ位置に移動させることにより、測定光ＬＳの合焦位置を眼底Ｅｆ又はその近傍に配置することができる。例えば、ＯＣＴ合焦レンズ４３を第２レンズ位置に移動させることにより、測定光ＬＳの合焦位置を遠点位置に配置して測定光ＬＳを平行光束にすることができる。測定光ＬＳの合焦位置は、測定光ＬＳのビームウェストの深さ位置（ｚ位置）に相当する。
【0093】
移動機構１５０は、例えば、少なくとも眼底カメラユニット２（光学系）を３次元的に移動する。典型的な例において、移動機構１５０は、少なくとも眼底カメラユニット２をｘ方向（左右方向）に移動するための機構と、ｙ方向（上下方向）に移動するための機構と、ｚ方向（奥行き方向、前後方向）に移動するための機構とを含む。ｘ方向に移動するための機構は、例えば、ｘ方向に移動可能なｘステージと、ｘステージを移動するｘ移動機構とを含む。ｙ方向に移動するための機構は、例えば、ｙ方向に移動可能なｙステージと、ｙステージを移動するｙ移動機構とを含む。ｚ方向に移動するための機構は、例えば、ｚ方向に移動可能なｚステージと、ｚステージを移動するｚ移動機構とを含む。各移動機構は、パルスモータ等のアクチュエータを含み、主制御部２１１からの制御を受けて動作する。
【0094】
移動機構１５０に対する制御は、アライメントやトラッキングにおいて用いられる。トラッキングとは、被検眼Ｅの眼球運動に合わせて装置光学系を移動させるものである。トラッキングを行う場合には、事前にアライメントとフォーカス調整が実行される。トラッキングは、装置光学系の位置を眼球運動に追従させることにより、アライメントとピントが合った好適な位置関係を維持する機能である。いくつかの実施形態では、参照光の光路長（よって、測定光の光路と参照光の光路との間の光路長差）を変更するために移動機構１５０の制御を行うように構成される。
【0095】
マニュアルアライメントの場合、光学系に対する被検眼Ｅの変位がキャンセルされるようにユーザが後述のユーザインターフェイス２４０に対して操作することにより光学系と被検眼Ｅとを相対移動させる。例えば、主制御部２１１は、ユーザインターフェイス２４０に対する操作内容に対応した制御信号を移動機構１５０に出力することにより移動機構１５０を制御して光学系と被検眼Ｅとを相対移動させる。
【0096】
オートアライメントの場合、光学系に対する被検眼Ｅの変位がキャンセルされるように主制御部２１１が移動機構１５０を制御することにより光学系と被検眼Ｅとを相対移動させる。いくつかの実施形態では、主制御部２１１は、光学系の光軸が被検眼Ｅの軸に略一致し、かつ、被検眼Ｅに対する光学系の距離が所定の作動距離になるように制御信号を移動機構１５０に出力することにより移動機構１５０を制御して光学系と被検眼Ｅとを相対移動させる。ここで、作動距離とは、対物レンズ２２のワーキングディスタンスとも呼ばれる既定値であり、光学系を用いた測定時（撮影時）における被検眼Ｅと光学系との間の距離に相当する。
【0097】
主制御部２１１は、眼底カメラユニット２等を制御することにより眼底撮影及び前眼部撮影を制御する。また、主制御部２１１は、眼底カメラユニット２及びＯＣＴユニット１００等を制御することによりＯＣＴ計測を制御する。主制御部２１１は、ＯＣＴ計測を行う前に複数の予備的な動作を実行可能である。予備的な動作としては、アライメント、フォーカス粗調整、偏波調整、フォーカス微調整などがある。複数の予備的な動作は、所定の順序で実行される。いくつかの実施形態では、複数の予備的な動作は、上記の順序で実行される。
【0098】
なお、予備的な動作の種別や順序はこれに限定されるものではなく、任意である。例えば、被検眼Ｅが小瞳孔眼であるか否か判定するための予備動作（小瞳孔判定）を予備的な動作に加えることができる。小瞳孔判定は、例えば、フォーカス粗調整と光路長差調整との間に実行される。いくつかの実施形態では、小瞳孔判定は、以下の一連の処理を含む：被検眼Ｅの正面画像（前眼部像）の取得する処理；瞳孔に相当する画像領域を特定する処理；特定された瞳孔領域のサイズ（径、周長など）を求める処理；求められたサイズに基づき小瞳孔眼か否か判定する処理（閾値処理）；小瞳孔眼であると判定された場合に絞り１９を制御する処理。いくつかの実施形態では、瞳孔サイズを求めるために瞳孔領域を円近似又は楕円近似する処理を更に含む。
【0099】
フォーカス粗調整は、スプリット指標を用いたフォーカス調整である。なお、あらかじめ取得された眼屈折力と撮影合焦レンズ３１の位置とを関連付けた情報と、被検眼Ｅの屈折力の測定値とに基づいて撮影合焦レンズ３１の位置を決定することにより、フォーカス粗調整を行うこともできる。
【0100】
フォーカス微調整は、ＯＣＴ計測の干渉感度に基づいて行われる。例えば、被検眼ＥのＯＣＴ計測により取得された干渉信号の干渉強度（干渉感度）をモニタすることにより、干渉強度が最大となるようなＯＣＴ合焦レンズ４３の位置を求め、その位置にＯＣＴ合焦レンズ４３を移動させることにより、フォーカス微調整を実行することができる。
【0101】
光路長差調整においては、被検眼Ｅにおける所定の位置が深さ方向の計測範囲の基準位置になるように制御される。この制御は、光路長変更部４１、１１４の少なくとも一方に対して行われる。それにより、測定光路と参照光路との間の光路長差が調整される。光路長差調整により基準位置を設定しておくことで、波長掃引速度の変更を行うだけで深さ方向の所望の計測範囲に対して精度よくＯＣＴ計測を行うことができるようになる。
【0102】
偏波調整においては、測定光ＬＳと参照光ＬＲとの干渉効率を最適化するために参照光ＬＲの偏波状態が調整される。
【0103】
（記憶部）
記憶部２１２は、各種のデータを記憶する。記憶部２１２に記憶されるデータとしては、例えば、ＯＣＴ画像の画像データ、眼底画像の画像データ、前眼部像の画像データ、被検眼情報などがある。被検眼情報は、患者ＩＤや氏名などの被検者に関する情報や、左眼／右眼の識別情報などの被検眼に関する情報を含む。
記憶部２１２は、各種のデータを記憶する。記憶部２１２に記憶されるデータとしては、例えば、ＯＣＴ画像の画像データ、眼底画像の画像データ、前眼部像の画像データ、被検眼情報などがある。被検眼情報は、患者ＩＤや氏名などの被検者に関する情報や、左眼／右眼の識別情報などの被検眼に関する情報を含む。
【0104】
また、記憶部２１２には、眼科装置１を動作させるための各種プログラムやデータが記憶されている。
【0105】
制御部２１０は、画像形成部２３０と、データ処理部３００とを制御することが可能である。
【0106】
（画像形成部）
画像形成部２３０は、検出器１２５からの検出信号をＤＡＱ１３０でサンプリングすることにより得られたサンプリングデータに基づいて、被検眼ＥのＯＣＴ画像（画像データ）を形成する。画像形成部２３０により形成されるＯＣＴ画像には、Ａスキャン画像などがある。画像形成部２３０は、Ｂスキャン画像（断層像）、及びＣスキャン画像を形成してもよい。この処理には、従来のスウェプトソースタイプのＯＣＴと同様に、ノイズ除去（ノイズ低減）、フィルタ処理、分散補償、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）などの処理が含まれている。他のタイプのＯＣＴ装置の場合、画像形成部２３０は、そのタイプに応じた公知の処理を実行する。
画像形成部２３０は、検出器１２５からの検出信号をＤＡＱ１３０でサンプリングすることにより得られたサンプリングデータに基づいて、被検眼ＥのＯＣＴ画像（画像データ）を形成する。画像形成部２３０により形成されるＯＣＴ画像には、Ａスキャン画像などがある。画像形成部２３０は、Ｂスキャン画像（断層像）、及びＣスキャン画像を形成してもよい。この処理には、従来のスウェプトソースタイプのＯＣＴと同様に、ノイズ除去（ノイズ低減）、フィルタ処理、分散補償、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）などの処理が含まれている。他のタイプのＯＣＴ装置の場合、画像形成部２３０は、そのタイプに応じた公知の処理を実行する。
【0107】
画像形成部２３０は、例えば、前述の回路基板を含んで構成される。なお、この明細書では、「画像データ」と、それに基づく「画像」とを同一視することがある。
【0108】
（データ処理部）
データ処理部３００は、被検眼Ｅの撮影やＯＣＴ計測により取得されたデータを処理する。例えば、データ処理部３００は、画像形成部２３０により形成された画像に対して各種の画像処理や解析処理を施す。具体的には、データ処理部３００は、画像の輝度補正等の各種補正処理を実行する。また、データ処理部３００は、眼底カメラユニット２により得られた画像（眼底画像、前眼部像等）に対して各種の画像処理や解析処理を施すことが可能である。
データ処理部３００は、被検眼Ｅの撮影やＯＣＴ計測により取得されたデータを処理する。例えば、データ処理部３００は、画像形成部２３０により形成された画像に対して各種の画像処理や解析処理を施す。具体的には、データ処理部３００は、画像の輝度補正等の各種補正処理を実行する。また、データ処理部３００は、眼底カメラユニット２により得られた画像（眼底画像、前眼部像等）に対して各種の画像処理や解析処理を施すことが可能である。
【0109】
データ処理部３００は、断層像の間の画素を補間する補間処理などの公知の画像処理を実行して、眼底Ｅｆ又は前眼部Ｅａの３次元画像の画像データを形成する。なお、３次元画像の画像データとは、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を意味する。３次元画像の画像データとしては、３次元的に配列されたボクセルからなる画像データがある。この画像データは、ボリュームデータ或いはボクセルデータなどと呼ばれる。ボリュームデータに基づく画像を表示させる場合、データ処理部３００は、このボリュームデータに対してレンダリング処理（ボリュームレンダリングやＭＩＰ（Ｍａｘｉｍｕｍ Ｉｎｔｅｎｓｉｔｙ Ｐｒｏｊｅｃｔｉｏｎ：最大値投影）など）を施して、特定の視線方向から見たときの擬似的な３次元画像の画像データを形成する。表示部２４０Ａ等の表示デバイスには、この擬似的な３次元画像が表示される。
【0110】
また、３次元画像の画像データとして、複数の断層像のスタックデータを形成することも可能である。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層像を、スキャンラインの位置関係に基づいて３次元的に配列させることで得られる画像データである。すなわち、スタックデータは、元々個別の２次元座標系により定義されていた複数の断層像を、１つの３次元座標系により表現する（つまり１つの３次元空間に埋め込む）ことにより得られる画像データである。
【0111】
データ処理部３００は、取得された３次元データセット（ボリュームデータ、スタックデータ等）に各種のレンダリングを施すことで、任意断面におけるＢモード画像（縦断面像、軸方向断面像）、任意断面におけるＣモード画像（横断面像、水平断面像）、プロジェクション画像、シャドウグラムなどを形成することができる。Ｂモード画像やＣモード画像のような任意断面の画像は、指定された断面上の画素（ピクセル、ボクセル）を３次元データセットから選択することにより形成される。プロジェクション画像は、３次元データセットを所定方向（ｚ方向、深さ方向、軸方向）に投影することによって形成される。シャドウグラムは、３次元データセットの一部（たとえば特定層に相当する部分データ）を所定方向に投影することによって形成される。Ｃモード画像、プロジェクション画像、シャドウグラムのような、被検眼の正面側を視点とする画像を正面画像（ｅｎ－ｆａｃｅ画像）と呼ぶ。
【0112】
データ処理部３００は、ＯＣＴにより時系列に収集されたデータ（例えば、Ｂスキャン画像データ）に基づいて、網膜血管や脈絡膜血管が強調されたＢモード画像や正面画像（血管強調画像、アンギオグラム）を構築することができる。例えば、被検眼Ｅの略同一部位を反復的にスキャンすることにより、時系列のＯＣＴデータを収集することができる。
【0113】
いくつかの実施形態では、データ処理部３００は、略同一部位に対するＢスキャンにより得られた時系列のＢスキャン画像を比較し、信号強度の変化部分の画素値を変化分に対応した画素値に変換することにより当該変化部分が強調された強調画像を構築する。更に、データ処理部３００は、構築された複数の強調画像から所望の部位における所定の厚さ分の情報を抽出してｅｎ－ｆａｃｅ画像として構築することでＯＣＴＡ像を形成する。
【0114】
データ処理部３００により生成された画像（例えば、３次元画像、Ｂモード画像、Ｃモード画像、プロジェクション画像、シャドウグラム、ＯＣＴＡ像）もまたＯＣＴ画像に含まれる。
【0115】
更に、データ処理部３００は、ＯＣＴ計測により得られた干渉光の検出結果を解析してフォーカス微調整制御における測定光ＬＳのフォーカス状態を判定する。例えば、主制御部２１１は、合焦駆動部４３Ａを所定のアルゴリズムに従って制御しつつ、反復的なＯＣＴ計測を行う。データ処理部３００は、ＯＣＴ計測により繰り返し取得される干渉光ＬＣの検出結果を解析することで、ＯＣＴ画像の画質に関する所定の評価値を算出する。データ処理部３００は、算出された評価値が閾値以下であるか否か判定する。いくつかの実施形態では、フォーカス微調整は、算出される評価値が閾値以下になるまで継続される。すなわち、評価値が閾値以下であるとき測定光ＬＳのフォーカス状態が適正であると判断され、フォーカス微調整は、測定光ＬＳのフォーカス状態が適正であると判断されるまで継続される。
【0116】
いくつかの実施形態では、主制御部２１１は、上記のような反復的なＯＣＴ計測を行って干渉信号を取得しつつ、逐次に取得される干渉信号の強度（干渉強度、干渉感度）をモニタする。更に、このモニタ処理を行いながら、ＯＣＴ合焦レンズ４３を移動させることにより、干渉強度が最大となるようなＯＣＴ合焦レンズ４３の位置を探索する。このようなフォーカス微調整によれば、干渉強度が最適化されるような位置にＯＣＴ合焦レンズ４３を導くことができる。
【0117】
また、データ処理部３００は、ＯＣＴ計測により得られた干渉光の検出結果を解析して、測定光ＬＳ及び参照光ＬＲの少なくとも一方の偏波状態を判定する。例えば、主制御部２１１は、偏波コントローラ１０３、１１８の少なくとも一方を所定のアルゴリズムに従って制御しつつ、反復的なＯＣＴ計測を行う。いくつかの実施形態では、主制御部２１１は、アッテネータ１２０を制御して、参照光ＬＲの減衰量を変更する。データ処理部３００は、ＯＣＴ計測により繰り返し取得される干渉光ＬＣの検出結果を解析することで、ＯＣＴ画像の画質に関する所定の評価値を算出する。データ処理部３００は、算出された評価値が閾値以下であるか否か判定する。この閾値はあらかじめ設定される。偏波調整は、算出される評価値が閾値以下になるまで継続される。すなわち、評価値が閾値以下であるとき測定光ＬＳの偏波状態が適正であると判断され、偏波調整は、測定光ＬＳの偏波状態が適正であると判断されるまで継続される。
【0118】
いくつかの実施形態では、主制御部２１１は、偏波調整においても干渉強度をモニタすることが可能である。
【0119】
図５～図９Ｈに、実施形態に係るデータ処理部３００の説明図を示す。図５は、実施形態に係るデータ処理部３００の構成例のブロック図を表す。図６は、図５の特徴選択部３６２の構成例のブロック図を表す。図７Ａ～図７Ｈは、図６の統計検定部３６２Ａの動作説明図を表す。図８は、図５の特徴量抽出器３４０、分類器３５０、及び学習部３６０の関係の模式図を表す。図９は、図８の第１抽出器３４１の構成例を示す概略図である。
【0120】
データ処理部３００は、Ｂスキャン画像形成部３１０と、プロジェクション画像形成部３２０と、ｅｎ－ｆａｃｅ画像形成部３３０と、特徴量抽出器３４０と、分類器３５０と、学習部３６０と、解析部３７０とを含む。
【0121】
Ｂスキャン画像形成部３１０は、画像形成部２３０により形成されたＡスキャン画像を所定の方向に配列することにより、所望の部位を通過し、所望の断面方向のＢスキャン画像を形成する。或いは、Ｂスキャン画像形成部３１０は、上記のように得られた３次元画像の画像データ（３次元ＯＣＴデータ）から所望の断面上の画素を選択することにより、所望の部位を通過し、所望の断面方向のＢスキャン画像を形成する。Ｂスキャン画像形成部３１０は、例えば、後述の解析部３７０により特定された部位を通過し、所望の断面方向のＢスキャン画像を形成する。上記のＢスキャン画像は、画像形成部２３０により形成されてもよい。
【0122】
Ｂスキャン画像形成部３１０は、上記の処理を実行することにより、被検眼Ｅの３次元の画像データから、視神経乳頭の中心を通過する水平方向のＢスキャン画像ＩＭＧ－１、視神経乳頭の中心を通過する垂直方向のＢスキャン画像ＩＭＧ－２、中心窩の中心を通過する垂直方向のＢスキャン画像ＩＭＧ－３、視神経乳頭の中心と中心窩の中心との中間を通過する垂直方向のＢスキャン画像ＩＭＧ－６を形成することが可能である。
【0123】
プロジェクション画像形成部３２０は、被検眼Ｅの眼底Ｅｆのプロジェクション画像を形成する。例えば、プロジェクション画像形成部３２０は、眼底Ｅｆの３次元の画像データをｚ方向に投影することにより眼底Ｅｆのプロジェクション画像ＩＭＧ－４を形成する。
【0124】
ｅｎ－ｆａｃｅ画像形成部３３０は、被検眼Ｅの眼底Ｅｆのｅｎ－ｆａｃｅ画像ＩＭＧ－５を形成する。例えば、ｅｎ－ｆａｃｅ画像形成部３３０は、眼底Ｅｆの３次元の画像データを解析して網膜の最上層（例えば、内境界膜）を特定し、特定された最上層から深さ方向（ｚ方向）における所定の深さ分（例えば、５０マイクロメートル）の画素を積算することにより形成される。すなわち、ｅｎ－ｆａｃｅ画像形成部３３０は、内境界膜に相当する層領域から深層の層領域を投影した積算画像をｅｎ－ｆａｃｅ画像ＩＭＧ－５として形成する。
【0125】
特徴量抽出器３４０は、Ｂスキャン画像形成部３１０により形成されたＢスキャン画像ＩＭＧ－１～ＩＭＧ－３、ＩＭＧ－６、プロジェクション画像形成部３２０により形成されたプロジェクション画像ＩＭＧ－４、ｅｎ－ｆａｃｅ画像形成部３３０により形成されたｅｎ－ｆａｃｅ画像ＩＭＧ－５、及び撮影光学系３０を用いて取得されたカラーの眼底画像ＩＭＧ－７のそれぞれの特徴量を抽出する。実施形態に係る特徴量抽出器３４０は、後述の分類器３５０により出力される確信度情報ＯＵＴ－１～ＯＵＴ－４と同様に、画像ＩＭＧ－１～ＩＭＧ－７のそれぞれについてニコレラ分類に従った緑内障の病態の４つの類型のそれぞれの確信度を表す確信度情報を特徴量として抽出する。
【0126】
特徴量抽出器３４０は、画像ＩＭＧ－１～ＩＭＧ－７のそれぞれに対応して事前に実行された機械学習により得られた個別推定モデルを用いて、被検眼Ｅの画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量を抽出する。特徴量抽出器３４０は、画像ＩＭＧ－１～ＩＭＧ－７に対応する複数の抽出器（第１抽出器３４１～第７抽出器３４７、図８参照）を含む。
【0127】
実施形態に係る個別推定モデル（学習済みモデル）は、ＣＰＵ及びメモリを備えるコンピュータ（プロセッサ）において用いられる。特徴量抽出器３４０の機能は、例えば、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：以下、ＣＮＮ）により実現される。すなわち、ＣＰＵがメモリに記憶された個別推定モデルからの指令に従って、畳み込み層に入力された画像の画素値に対し、ＣＮＮにおける学習済みの重み付け係数と応答関数等に基づく演算を行い、出力層から確信度情報（広義の特徴量）又は中間層から特徴量を出力するように動作する。このような構成を有する特徴量抽出器３４０は、入力画像の解像度を段階的に落としつつ局所的な相関パターンを抽出し、抽出された相関パターンに基づいて特徴量を出力することができる。
【0128】
【0129】
分類器３５０は、特徴量抽出器３４０により抽出された画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量と背景データＢＧとに基づいて、上記の確信度情報ＯＵＴ－１～ＯＵＴ－４を出力する。分類器３５０は、事前に実行された機械学習により得られた分類モデルを用いて、特徴量抽出器３４０により抽出された画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量と背景データＢＧとに対応した確信度情報ＯＵＴ－１～ＯＵＴ－４を出力する。
【0130】
実施形態に係る分類モデルは、ＣＰＵ及びメモリを備えるコンピュータ（プロセッサ）において用いられる。分類器３５０の機能は、例えば、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ：ＳＶＭ）により実現される。
【0131】
【0132】
学習部３６０は、機械学習を実行することにより特徴量抽出器３４０における個別推定モデル（学習済みモデル）と分類器３５０における分類モデル（学習済みモデル）とを生成する。学習部３６０は、第１学習部３６１と、特徴選択部３６２と、第２学習部３６３とを含む。
【0133】
第１学習部３６１は、画像ＩＭＧ－１～ＩＭＧ－７の種別毎に、訓練用の画像を訓練データとし、各画像について医師等によるニコレラ分類に従った緑内障の病態の分類結果を教師データとして教師あり機械学習を実行することにより、各画像に対応した個別推定モデルを生成する。
【0134】
特徴選択部３６２は、複数の背景データのそれぞれの分布に基づいて、分類精度の向上に寄与する背景データを選択する。具体的には、特徴選択部３６２は、緑内障（疾患）を伴う複数の被検者それぞれの２以上の背景データＢＧ０に対して統計検定（ｓｔａｔｉｓｔｉｃａｌ ｔｅｓｔ）を行うことにより、病態の分類精度の向上に寄与する背景データＢＧを選択する。
【0135】
特徴選択部３６２は、図６に示すように、統計検定部３６２Ａと、背景データ選択部３６２Ｂと、交差検証部３６２Ｃとを含む。
【0136】
統計検定部３６２Ａは、２以上の背景データＢＧ０のそれぞれに対して統計検定を行う。背景データＢＧ０は、例えば、被検者の年齢、被検者の性別、被検眼の眼軸長、被検眼のＭＤ値、被検眼の等価球面度数、被検眼のＭＴ値、過去１年間の最小眼圧値、過去の１年間の最大眼圧値、及び過去１年間の平均眼圧値を含む。具体的には、統計検定部３６２Ａは、ニコレラ分類に従った緑内障の病態の４つの類型のそれぞれの分布を背景データ毎に求め、類型の分類精度の向上の可能性が高いと判断される背景データＢＧ１を特定する。例えば、統計検定部３６２Ａは、背景データＢＧ０のそれぞれについて、１元配置分散（ｏｎｅ－ｗａｙ ａｎａｌｙｓｉｓ ｏｆ ｖａｒｉａｎｃｅ：ｏｎｅ－ｗａｙ ＡＮＯＶＡ）解析処理を実行することにより背景データ間の平均値の差を分析し、ｐ値が所定の閾値（例えば０．０１）未満の背景データＢＧ１を特定する。
【0137】
図７Ａは、ニコレラ分類に従った緑内障の病態の４類型（ＦＩ型、ＧＥ型、ＭＹ型、ＳＳ型）における緑内障を伴う複数の被検眼の眼軸長の分布の一例を示す。図７Ａでは、第１四分位数（ｆｉｒｓｔ ｑｕａｒｔｉｌｅ）、第２四分位数（ｓｅｃｏｎｄ ｑｕａｒｔｉｌｅ）、第３四分位数（ｔｈｉｒｄ ｑｕａｒｔｉｌｅ）が示された箱ひげ図（ｂｏｘ ｐｌｏｔ）が類型毎に示されている。
【0138】
第２四分位数に着目すると、各類型における眼軸長の分布の平均値に差がある。図７Ａの場合、統計量が２７．９５であり、ｐ値が０．００１未満である。統計検定部３６２Ａは、ｐ値が０．０１未満である眼軸長を背景データＢＧ１として特定する。
【0139】
図７Ｂは、ニコレラ分類に従った緑内障の病態の４類型における緑内障を伴う複数の被検眼のＭＤ値の分布の一例を示す。図７Ｂでは、図７Ａと同様に、第１四分位数、第２四分位数、第３四分位数が示された箱ひげ図が類型毎に示されている。
【0140】
図７Ｂの場合、統計量が１６．２３であり、ｐ値が０．００１未満である。統計検定部３６２Ａは、ｐ値が０．０１未満である被検眼のＭＤ値を背景データＢＧ１として特定する。
【0141】
図７Ｃは、ニコレラ分類に従った緑内障の病態の４類型における緑内障を伴う複数の被検眼の等価球面度数の分布の一例を示す。図７Ｃの場合、統計量が１９．９０であり、ｐ値が０．００１未満である。統計検定部３６２Ａは、ｐ値が０．０１未満である被検眼の等価球面度数を背景データＢＧ１として特定する。
【0142】
図７Ｄは、ニコレラ分類に従った緑内障の病態の４類型における緑内障を伴う複数の被検者の年齢の分布の一例を示す。図７Ｄの場合、統計量が２４．３６であり、ｐ値が０．００１未満である。統計検定部３６２Ａは、ｐ値が０．０１未満である被検者の年齢を背景データＢＧ１として特定する。
【0143】
図７Ｅは、ニコレラ分類に従った緑内障の病態の４類型における緑内障を伴う複数の被検眼のＭＴ値の分布の一例を示す。図７Ｅの場合、統計量が３４．５６であり、ｐ値が０．００１未満である。統計検定部３６２Ａは、ｐ値が０．０１未満である被検眼のＭＴ値を背景データＢＧ１として特定する。
【0144】
図７Ｆは、ニコレラ分類に従った緑内障の病態の４類型における緑内障を伴う複数の被検眼の過去１年間の最大眼圧値の分布の一例を示す。図７Ｆの場合、統計量が１．３５であり、ｐ値が０．２５９である。統計検定部３６２Ａは、ｐ値が０．０１未満ではない被検眼の過去１年間の最大眼圧値を背景データＢＧ１から除外する。
【0145】
図７Ｇは、ニコレラ分類に従った緑内障の病態の４類型における緑内障を伴う複数の被検眼の過去１年間の平均眼圧値の分布の一例を示す。図７Ｇの場合、統計量が１．４４であり、ｐ値が０．２３０８１である。統計検定部３６２Ａは、ｐ値が０．０１未満ではない被検眼の過去１年間の平均眼圧値を背景データＢＧ１から除外する。
【0146】
図７Ｈは、ニコレラ分類に従った緑内障の病態の４類型における緑内障を伴う複数の被検眼の過去１年間の最小眼圧値の分布の一例を示す。図ＨＧの場合、統計量が５．８９であり、ｐ値が０．０００５９６である。統計検定部３６２Ａは、ｐ値が０．０１未満である被検眼の過去１年間の最小眼圧値を背景データＢＧ１として特定する。
【0147】
以上のように、統計検定部３６２Ａは、背景データＢＧ０から被検眼の過去１年間の最大眼圧値及び被検眼の過去１年間の平均眼圧値を除いた背景データＢＧ１を特定する。
【0148】
背景データ選択部３６２Ｂは、統計検定部３６２Ａにより特定された２以上の背景データＢＧ１の組み合わせの中から背景データＢＧを選択する。具体的には、背景データ３２Ｂは、統計検定部３６２Ａにより特定された２以上の背景データＢＧ１の中から１以上の背景データの組み合わせの１つを選択し、選択された１以上の背景データの組み合わせを用いて交差検証部３６２Ｃにより実行された交差検証により得られた正答率を取得する。背景データ選択部３６２Ｂは、１以上の背景データの選択と交差検証部３６２Ｃからの正答率の取得とを順次に繰り返し、最も正答率が高い１以上の背景データの組み合わせを背景データＢＧとして選択することで特徴選択を行う。
【0149】
交差検証部３６２Ｃは、背景データ選択部３６２Ｂにより選択された１以上の背景データの組み合わせと、特徴量抽出器３４０により抽出された画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量ＦＡとを用いた交差検証を行い、正答率を算出する。例えば、交差検証として、ｋ－分割交差検証（ｋ－ｆｏｌｄ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ）を行う（例えば、ｋ＝５）。この場合、交差検証部３６２Ｃは、ｋ分割して得られたｋ個の正答率の平均値を、背景データ選択部３６２Ｂにより選択された１以上の背景データの組み合わせを用いた交差検証結果の正答率として出力する。
【0150】
いくつかの実施形態では、特徴選択部３６２は、特徴量抽出器３４０により抽出された画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量ＦＡに対してＬ１ノルムでペナルティが課された線形モデル（例えば、ＳＶＭ）を分類器として上記の特徴選択を行う。
【0151】
例えば、特徴量抽出器３４０により抽出された特徴量が画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの確信度情報ＯＵＴ－１～ＯＵＴ－４であり、統計検定部３６２Ａにより特定された背景データＢＧ１が上記の６種類の背景データである場合、特徴選択部３６２は、３４（＝７×４＋６）次元のデータの組み合わせに対して特徴選択処理を行う。
【0152】
第２学習部３６３は、訓練用の画像ＩＭＧ－１～ＩＭＧ－７の特徴量と特徴選択部３６２により選択された背景データとを訓練データとし、医師等によるニコレラ分類に従った緑内障の病態の分類結果を教師データとして教師あり機械学習を実行することにより分類モデルを生成する。
【0153】
解析部３７０は、画像形成部２３０又はデータ処理部３００により形成された画像の画像データに対して所定の解析処理を施す。解析処理には、所定部位の特定処理、所定の層領域の特定処理、所望の断面位置における所望の断面方向の断層像の生成処理、などがある。
【0154】
所定部位の例として、視神経乳頭の中心、中心窩、視神経乳頭と中心窩との間の中間の位置などがある。
【0155】
視神経乳頭の中心（又は重心）の特定処理については、例えば、特開２００８－２０６６８４号公報に開示された技術を適用することができる。典型的な乳頭中心特定は、３次元ＯＣＴデータ又は眼底画像から視神経乳頭画像（例えば、視神経乳頭のエッジに相当する画像領域）を特定する処理と、視神経乳頭画像のエッジを近似する円（又は楕円）を求める処理と、求められた近似円（又は近似楕円）の中心を求める処理とを含む。
【0156】
中心窩の中心（又は重心）の特定処理についても、視神経乳頭の中心の特定処理と同様に実行可能である。
【0157】
解析部３７０は、所定部位として血管、病変部等を特定することも可能である。病変部の例として、剥離部、浮腫、出血、腫瘍、ドルーゼンなどがある。
【0158】
所定の層領域の例として、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（Ｒｅｔｉｎａｌ、Ｐｉｇｍｅｎｔ Ｅｐｉｔｈｅｌｉｕｍ：ＲＰＥ）、ブルッフ膜、脈絡膜、強膜、硝子体などがある。
【0159】
所定の層組織の特定処理については、公知のセグメンテーション処理がある。解析部３７０は、３次元ＯＣＴデータを解析することにより、Ａスキャン方向の複数の層領域を特定する。セグメンテーション処理は、特定の組織や組織境界を特定するための画像処理である。例えば、解析部３７０は、ＯＣＴデータに含まれる各Ａスキャン画像における画素値（輝度値）の勾配を求め、勾配が大きい位置を組織境界として特定する。解析部３７０は、例えば、特定されたＲＰＥに対して強膜側の所定のピクセル数分の層組織をブルッフ膜として特定する。なお、Ａスキャン画像は、眼底の深さ方向にのびる１次元画像データである。なお、眼底の深さ方向は、例えば、ｚ方向、ＯＣＴ測定光の入射方向、軸方向、干渉光学系の光軸方向などとして定義される。
【0160】
所望の断面位置における所望の断面方向の断層像の生成処理については、例えば、３次元ＯＣＴデータにおいて、上記の特定処理により特定された所定部位又は層領域を基準に断面位置を特定し、特定された断面位置における所望の断面方向の画素の選択又は補間により実現される。なお、この断層像の生成処理において、操作部２４０Ｂを用いてユーザにより指定された断面位置における所望の断面方向の断層像が生成されてもよい。
【0161】
また、解析部３７０は、３次元ＯＣＴデータ、ＯＣＴ画像、又は眼底画像に対して所定の解析処理を行うことが可能である。所定の解析処理には、被検眼Ｅにおける所定の部位（組織、病変部）の特定の他に、指定された部位間の距離（層間距離）、面積、角度、比率、密度の算出；指定された計算式による演算；所定の部位の形状の特定；これらの統計値の算出；計測値、統計値の分布の算出；これら解析処理結果に基づく画像処理などがある。
【0162】
以上のように機能するデータ処理部３００は、例えば、前述のプロセッサ、ＲＡＭ、ＲＯＭ、ハードディスクドライブ、回路基板等を含んで構成される。ハードディスクドライブ等の記憶装置には、上記機能をプロセッサに実行させるコンピュータプログラムがあらかじめ格納されている。
【0163】
図８に、図５のデータ処理部３００の動作を説明するための模式図を示す。図８は、特徴量抽出器３４０、分類器３５０、及び学習部３６０の関係を模式的に表す。図８では、特徴量抽出器３４０、分類器３５０、第１学習部３６１、及び第２学習部３６３が図示されている。図８において、図５と同様の部分には同一符号を付し、適宜説明を省略する。
【0164】
第１学習部３６１は、３次元ＯＣＴデータから生成された画像ＩＭＧ－１～ＩＭＧ－６とカラー眼底画像ＩＭＧ－７のそれぞれについて、被検眼が緑内障の病態の４つの類型のいずれかであるか否かを推定するための個別推定モデルを生成する。第１学習部３６１は、複数の画像のそれぞれについて、教師あり機械学習（ｓｕｐｅｒｖｉｓｅｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）を実行することにより個別推定モデルを生成する。いくつかの実施形態では、第１学習部３６１は、転移学習（ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ）によって複数の個別推定モデルを生成する。
【0165】
例えば、視神経乳頭の中心（又はその付近）を通過する水平方向のＢスキャン画像ＩＭＧ－１について、第１学習部３６１は、特徴量の抽出対象の被検眼を除く他の複数の被検眼のＢスキャン画像ＩＭＧ－１を訓練データＴＲ１とし、各Ｂスキャン画像についての医師等によるニコレラ分類に従った緑内障の病態の分類結果を表すラベルを教師データＳＤ１として教師あり機械学習を実行することでＢスキャン画像ＩＭＧ－１用の個別推定モデルを生成する。Ｂスキャン画像ＩＭＧ－１用の個別推定モデルの機能は、図８に示す第１抽出器３４１により実現される。
【0166】
例えば、視神経乳頭の中心（又はその付近）を通過する垂直方向のＢスキャン画像ＩＭＧ－２について、第１学習部３６１は、特徴量の抽出対象の被検眼を除く他の複数の被検眼のＢスキャン画像ＩＭＧ－２を訓練データＴＲ１とし、各Ｂスキャン画像についての医師等によるニコレラ分類に従った緑内障の病態の分類結果を表すラベルを教師データＳＤ１として教師あり機械学習を実行することでＢスキャン画像ＩＭＧ－２用の個別推定モデルを生成する。Ｂスキャン画像ＩＭＧ－２用の個別推定モデルの機能は、図８に示す第２抽出器３４２により実現される。
【0167】
例えば、中心窩（又はその付近）を通過する垂直方向のＢスキャン画像ＩＭＧ－３について、第１学習部３６１は、特徴量の抽出対象の被検眼を除く他の複数の被検眼のＢスキャン画像ＩＭＧ－３を訓練データＴＲ１とし、各Ｂスキャン画像についての医師等によるニコレラ分類に従った緑内障の病態の分類結果を表すラベルを教師データＳＤ１として教師あり機械学習を実行することでＢスキャン画像ＩＭＧ－３用の個別推定モデルを生成する。Ｂスキャン画像ＩＭＧ－３用の個別推定モデルの機能は、図８に示す第３抽出器３４３により実現される。
【0168】
例えば、プロジェクション画像ＩＭＧ－４について、第１学習部３６１は、特徴量の抽出対象の被検眼を除く他の複数の被検眼のプロジェクション画像ＩＭＧ－４を訓練データＴＲ１とし、各プロジェクション画像についての医師等によるニコレラ分類に従った緑内障の病態の分類結果を表すラベルを教師データＳＤ１として教師あり機械学習を実行することでプロジェクション画像ＩＭＧ－４用の個別推定モデルを生成する。プロジェクション画像ＩＭＧ－４用の個別推定モデルの機能は、図８に示す第４抽出器３４４により実現される。
【0169】
例えば、ｅｎ－ｆａｃｅ画像ＩＭＧ－５について、第１学習部３６１は、特徴量の抽出対象の被検眼を除く他の複数の被検眼のｅｎ－ｆａｃｅ画像ＩＭＧ－５を訓練データＴＲ１とし、各ｅｎ－ｆａｃｅ画像についての医師等によるニコレラ分類に従った緑内障の病態の分類結果を表すラベルを教師データＳＤ１として教師あり機械学習を実行することでｅｎ－ｆａｃｅ画像ＩＭＧ－５用の個別推定モデルを生成する。ｅｎ－ｆａｃｅ画像ＩＭＧ－５用の個別推定モデルの機能は、図８に示す第５抽出器３４５により実現される。
【0170】
例えば、視神経乳頭の中心と中心窩の中心との中間を通過する垂直方向のＢスキャン画像ＩＭＧ－６について、第１学習部３６１は、特徴量の抽出対象の被検眼を除く他の複数の被検眼のＢスキャン画像ＩＭＧ－６を訓練データＴＲ１とし、各Ｂスキャン画像についての医師等によるニコレラ分類に従った緑内障の病態の分類結果を表すラベルを教師データＳＤ１として教師あり機械学習を実行することでＢスキャン画像ＩＭＧ－６用の個別推定モデルを生成する。Ｂスキャン画像ＩＭＧ－６用の個別推定モデルの機能は、図８に示す第６抽出器３４６により実現される。
【0171】
例えば、カラー眼底画像ＩＭＧ－７について、第１学習部３６１は、特徴量の抽出対象の被検眼を除く他の複数の被検眼の眼底画像ＩＭＧ－７を訓練データＴＲ１とし、各Ｂスキャン画像についての医師等によるニコレラ分類に従った緑内障の病態の分類結果を表すラベルを教師データＳＤ１として教師あり機械学習を実行することで眼底画像ＩＭＧ－７用の個別推定モデルを生成する。眼底画像ＩＭＧ－７用の個別推定モデルの機能は、図８に示す第７抽出器３４７により実現される。
【0172】
上記の複数の個別推定モデルのそれぞれは、同様の構成を有してよい。
【0173】
【0174】
第１抽出器３４１の機能は、例えば、畳み込みニューラルネットワーク（ＣＮＮ）により実現される。すなわち、第１抽出器３４１は、コンピュータがメモリに記憶された個別推定モデルからの指令に従って、入力層である特徴量抽出器３４１Ａの畳み込み層３４１１に入力された画像ＩＭＧ－１の画素値に対し、畳み込みニューラルネットワークにおける学習済みの重み付け係数と応答関数等に基づく演算を行い、出力層である分類器３４１Ｂから分類結果を出力するように動作する。このような構成を有する第１抽出器３４１は、画像の解像度を段階的に落としつつ局所的な相関パターンを抽出し、抽出された相関パターンに基づいて分類結果を出力することができる。
【0175】
第１抽出器３４１は、特徴量抽出器３４１Ａと、分類器３４１Ｂとを含む。特徴量抽出器３４１Ａは、入力された画像ＩＭＧ－１に対して、所定の画像領域毎に特徴量の抽出とダウンサンプリング（フィルタリング）とを繰り返して当該判定画像の特徴量を抽出する。分類器３４１Ｂは、特徴量抽出器３４１Ａにより抽出された特徴量に基づいて、ニコレラ分類に従った緑内障の病態の４つの類型のそれぞれの確信度を表す確信度情報を出力する。
【0176】
特徴量抽出器３４１Ａは、畳み込み層（Ｃｏｎｖｏｌｕｔｉｏｎ Ｌａｙｅｒ）とプーリング層（Ｐｏｏｌｉｎｇ Ｌａｙｅｒ）とを含むユニットが多段接続された複数のユニットを含む。各ユニットでは、畳み込み層の出力にプーリング層の入力が接続される。最初の段の畳み込み層の入力には、画像ＩＭＧ－１において対応する画素の画素値が入力される。後段の畳み込み層の入力は、前段のプーリング層の出力に接続される。
【0177】
図９では、特徴量抽出器３４１Ａは、２段に接続された２つのユニットを含む。すなわち、特徴量抽出器３４１Ａは、畳み込み層３４１１とプーリング層３４１２とを含むユニットの後段に、畳み込み層３４１３とプーリング層３４１４とを含むユニットが接続される。プーリング層３４１２の出力は、畳み込み層３４１３の入力に接続される。
【0178】
分類器３４１Ｂは、全結合層（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｌａｙｅｒ）３４１５、３４１６を含み、全結合層３４１５の出力は全結合層３４１６の入力に接続される。
【0179】
特徴量抽出器３４１Ａ及び分類器３４１Ｂにおいて、接続された２つの層のニューロン間では学習済みの重み付け係数が割り当てられる。各ニューロンは、入力される１以上のニューロンからの重み付け係数を加味した演算結果に対し、応答関数を用いて演算を行い、得られた演算結果を次の段のニューロンに出力する。
【0180】
重み付け係数は、過去に取得された２以上の被検眼の画像ＩＭＧ－１（視神経乳頭の中心（又はその付近）を通過する水平方向のＢスキャン画像）を訓練データとし、各画像について医師等により付されたラベルを教師データとして公知の機械学習を行うことにより更新される。既存の重み付け係数は、過去に取得された２以上の画像を訓練データとする機械学習により更新される。いくつかの実施形態では、転移学習によって重み付け係数の更新が行われる。
【0181】
第１抽出器３４１は、ＶＧＧ１６、ＶＧＧ１９、ＩｎｃｅｐｔｉｏｎＶ３、ＲｅｓＮｅｔ１８、ＲｅｓＮｅｔ５０、Ｘｃｅｐｔｉｏｎ、ＤｅｎｓｅＮｅｔ２０１等の公知の層構造を有していてよい。分類器３４１Ｂは、Ｒａｎｄｏｍ Ｆｏｒｅｓｔやサポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｄ：ＳＶＭ）等の公知の構成を有していてよい。
【0182】
図８において、第２学習部３６３は、上記のように、訓練用の画像ＩＭＧ－１～ＩＭＧ－７の特徴量ＴＲ２と特徴選択部３６２により選択された背景データＢＧとを訓練データとし、医師等によるニコレラ分類に従った緑内障の病態の分類結果を教師データＳＤ２として教師あり機械学習を実行することにより分類モデルを生成する。
【0183】
以上のように、特徴量抽出器３４０は、第１学習部３６１により画像毎に生成された個別推定モデルの機能を実現する第１抽出器３４１～第７抽出器３４７を用いて、被検眼Ｅの７種類の画像ＩＭＧ－１～ＩＭＧ－７の画像毎に特徴量を抽出する。特徴量は、画像毎に緑内障の病態をニコレラ分類に従って分類された４つの類型のそれぞれの確信度情報であってよい。分類器３５０は、第２学習部３６３により生成された分類モデルを用いて、第１抽出器３４１～第７抽出器３４７により抽出された特徴量と、特徴選択部３６２により選択された１以上の背景データとから、緑内障の病態をニコレラ分類に従って分類された４つの類型のそれぞれの確信度情報（各類型であると推定される確率を表す情報）ＯＵＴ１～ＯＵＴ４を出力する。確信度情報ＯＵＴ－１は、被検眼が発症する緑内障が局所虚血型（ＦＩ）である確信度を表す確信度情報である。確信度情報ＯＵＴ－２は、被検眼が発症する緑内障が近視型（ＭＹ）である確信度を表す確信度情報である。確信度情報ＯＵＴ－３は、被検眼が発症する緑内障が加齢性硬化型（ＳＳ）である確信度を表す確信度情報である。確信度情報ＯＵＴ－４は、被検眼が発症する緑内障が全体的拡大型（ＧＥ）である確信度を表す確信度情報である。
【0184】
いくつかの実施形態では、分類器３５０（又はデータ処理部３００）は、確信度情報ＯＵＴ－１～ＯＵＴ－４に基づいて、被検眼が発症する緑内障の病態の類型を推定するための推定情報を出力する。例えば、分類器３５０は、例えば、確信度情報ＯＵＴ－１～ＯＵＴ－４のうち確信度が最も高い類型を被検眼が発症する緑内障の病態の類型の推定結果として出力する。
【0185】
（ユーザインターフェイス）
図４に示すように、ユーザインターフェイス２４０には、表示部２４０Ａと操作部２４０Ｂとが含まれる。表示部２４０Ａは、表示装置３や表示デバイスを含んで構成される。操作部２４０Ｂは、前述した演算制御ユニット２００の操作デバイスを含んで構成される。操作部２４０Ｂには、眼科装置１の筐体や外部に設けられた各種のボタンやキーが含まれていてもよい。例えば眼底カメラユニット２が従来の眼底カメラと同様の筺体を有する場合、操作部２４０Ｂは、この筺体に設けられたジョイスティックや操作パネル等を含んでいてもよい。また、表示部２４０Ａは、眼底カメラユニット２の筺体に設けられたタッチパネルなどの各種表示デバイスを含んでいてもよい。
図４に示すように、ユーザインターフェイス２４０には、表示部２４０Ａと操作部２４０Ｂとが含まれる。表示部２４０Ａは、表示装置３や表示デバイスを含んで構成される。操作部２４０Ｂは、前述した演算制御ユニット２００の操作デバイスを含んで構成される。操作部２４０Ｂには、眼科装置１の筐体や外部に設けられた各種のボタンやキーが含まれていてもよい。例えば眼底カメラユニット２が従来の眼底カメラと同様の筺体を有する場合、操作部２４０Ｂは、この筺体に設けられたジョイスティックや操作パネル等を含んでいてもよい。また、表示部２４０Ａは、眼底カメラユニット２の筺体に設けられたタッチパネルなどの各種表示デバイスを含んでいてもよい。
【0186】
なお、表示部２４０Ａと操作部２４０Ｂは、それぞれ個別のデバイスとして構成される必要はない。例えばタッチパネルのように、表示機能と操作機能とが一体化されたデバイスを用いることも可能である。その場合、操作部２４０Ｂは、このタッチパネルとコンピュータプログラムとを含んで構成される。操作部２４０Ｂに対する操作内容は、電気信号として制御部２１０に入力される。また、表示部２４０Ａに表示されたグラフィカルユーザインターフェイス（ＧＵＩ）と、操作部２４０Ｂとを用いて、操作や情報入力を行うようにしてもよい。
【0187】
データ処理部３００は、実施形態に係る「眼科情報処理装置」の一例である。第１抽出器３４１～第７抽出器３４７は、実施形態に係る「２以上の抽出器」の一例である。特徴選択部３６２は、実施形態に係る実施形態に係る「特徴選択器」の一例である。第２学習部３６３は、実施形態に係る実施形態に係る「学習部」の一例である。画像ＩＭＧ－１～ＩＭＧ－６は、実施形態に係る「ＯＣＴ画像」の一例である。カラーの眼底像ＩＭＧ－７は、実施形態に係る「被検者の眼のカラー画像」の一例である。プロジェクション画像ＩＭＧ－４、及びｅｎ－ｆａｃｅ画像ＩＭＧ－５は、実施形態に係る「正面画像」の一例である。Ｂスキャン画像ＩＭＧ－１～ＩＭＧ－３、ＩＭＧ－６は、実施形態に係る「断層像」の一例である。眼底カメラユニット２、及びＯＣＴユニット１００が備える光学系は、実施形態に係る「光学系」の一例である。
【0188】
［動作］
実施形態に係る眼科装置１の動作について説明する。
実施形態に係る眼科装置１の動作について説明する。
【0189】
図１０及び図１１に、実施形態に係る眼科装置１の動作例のフロー図を示す。図１０は、特徴量抽出器３４０の個別推定モデル及び分類器３５０の分類モデルの生成処理の一例のフロー図を表す。図１１は、図１０に示す生成処理により生成された個別推定モデル及び分類モデルを用いた緑内障の病態の分類処理の一例のフロー図を表す。記憶部２１２には、図１０及び図１１に示す処理を実現するためのコンピュータプログラムが記憶されている。制御部２１０（主制御部２１１）は、このコンピュータプログラムに従って動作することにより、図１０及び図１１に示す処理を実行することが可能である。
【0190】
【0191】
（Ｓ１：統計検定処理）
まず、主制御部２１１は、特徴選択部３６２を制御して、２以上の背景データに対して統計検定処理を実行させる。
まず、主制御部２１１は、特徴選択部３６２を制御して、２以上の背景データに対して統計検定処理を実行させる。
【0192】
特徴選択部３６２の統計検定部３６２Ａは、所定の２以上の背景データＢＧ０の１つに対して、図７Ａ～図７Ｈに示すような統計検定処理を実行し、ｐ値を算出する。例えば、２以上の背景データＢＧ０は、被検者の年齢、被検者の性別、被検眼の眼軸長、被検眼のＭＤ値、被検眼の等価球面度数、被検眼のＭＴ値、過去１年間の最小眼圧値、過去の１年間の最大眼圧値、及び過去１年間の平均眼圧値の８次元のデータを含むものとする。
【0193】
（Ｓ２：統計検定処理は終了？）
続いて、主制御部２１１は、ステップＳ１における統計検定処理は終了するか否かを判定する。例えば、主制御部２１１は、すべての２以上の背景データＢＧ０に対してステップＳ１が実行されたか否かを判定することにより、ステップＳ１における統計検定処理は終了であるか否かを判定する。
続いて、主制御部２１１は、ステップＳ１における統計検定処理は終了するか否かを判定する。例えば、主制御部２１１は、すべての２以上の背景データＢＧ０に対してステップＳ１が実行されたか否かを判定することにより、ステップＳ１における統計検定処理は終了であるか否かを判定する。
【0194】
ステップＳ１における統計検定処理が終了であると判定されたとき（ステップＳ２：Ｙ）、眼科装置１の動作はステップＳ３に移行する。ステップＳ１における統計検定処理が終了ではないと判定されたとき（ステップＳ２：Ｎ）、眼科装置１の動作はステップＳ１に移行する。
【0195】
（Ｓ３：特徴選択）
ステップＳ２において、ステップＳ１における統計検定処理が終了であると判定されたとき（ステップＳ２：Ｙ）、主制御部２１１は、ステップＳ１において繰り返し統計検定処理を実行することにより得られた２以上の背景データのうち緑内障の病態の分類に有効と判断される背景データを統計検定部３６２Ａに選択させる。
ステップＳ２において、ステップＳ１における統計検定処理が終了であると判定されたとき（ステップＳ２：Ｙ）、主制御部２１１は、ステップＳ１において繰り返し統計検定処理を実行することにより得られた２以上の背景データのうち緑内障の病態の分類に有効と判断される背景データを統計検定部３６２Ａに選択させる。
【0196】
例えば、統計検定部３６２Ａは、２以上の背景データＢＧ０の中から、ｐ値が０．０１未満である背景データを背景データＢＧ１として特定する。例えば、背景データＢＧ１は、被検者の年齢、被検眼の眼軸長、被検眼のＭＤ値、被検眼の等価球面度数、被検眼のＭＴ値、及び過去１年間の最小眼圧値の６次元のデータを含むものとする。なお、統計検定処理に用いられる背景データの分布に応じて背景データＢＧ１として特定されるデータの種別が異なる可能性がある。
【0197】
（Ｓ３：分類モデルを生成）
続いて、主制御部２１１は、背景データ選択部３６２Ｂを制御し、ステップＳ２において特定された６次元の背景データＢＧ１からｓ（ｓは１以上の整数）次元のデータの組み合わせの１つを選択させる。
続いて、主制御部２１１は、背景データ選択部３６２Ｂを制御し、ステップＳ２において特定された６次元の背景データＢＧ１からｓ（ｓは１以上の整数）次元のデータの組み合わせの１つを選択させる。
【0198】
例えば、１次元のデータを選択する場合、背景データ選択部３６２Ｂは、６次元の背景データＢＧ１の中から６通りのデータの１つを選択する。例えば、２次元のデータを選択する場合、背景データ選択部３６２Ｂは、６次元の背景データＢＧ１の中から１５（＝６×５／２）通りのデータの１つを選択する。例えば、３次元のデータを選択する場合、背景データ選択部３６２Ｂは、６次元の背景データＢＧ１の中から２０（＝６×５×４／６）通りのデータの１つを選択する。４次元、５次元、又は６次元のデータの場合についても同様である。
【0199】
その後、主制御部２１１は、第２学習部３６３を制御し、特徴量抽出器３４０により抽出された訓練用の画像ＩＭＧ－１～ＩＭＧ－７の特徴量と背景データ選択部３６２Ｂにより選択されたｓ次元の背景データとを用いて機械学習を実行することにより分類モデルを生成させる。
【0200】
（Ｓ５：交差検証）
続いて、主制御部２１１は、交差検証部３６２Ｃを制御し、特徴量抽出器３４０により抽出された訓練用の画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量ＦＡと背景データ選択部３６２Ｂにより選択されたｓ次元の背景データとを用いた交差検証を実行させる。
続いて、主制御部２１１は、交差検証部３６２Ｃを制御し、特徴量抽出器３４０により抽出された訓練用の画像ＩＭＧ－１～ＩＭＧ－７のそれぞれの特徴量ＦＡと背景データ選択部３６２Ｂにより選択されたｓ次元の背景データとを用いた交差検証を実行させる。
【0201】
交差検証部３６２Ｃは、例えば、５－分割交差検証を実行し、５個の正答率の平均値を算出する。
【0202】
（Ｓ６：交差検証は終了？）
次に、主制御部２１１は、ステップＳ５における交差検証は終了するか否かを判定する。例えば、主制御部２１１は、２以上の背景データＢＧ１（例えば、６次元の背景データ）の中からｓ次元のすべての組み合わせについてステップＳ５が実行されたか否かを判定することにより、ステップＳ５における交差検証は終了であるか否かを判定する。
次に、主制御部２１１は、ステップＳ５における交差検証は終了するか否かを判定する。例えば、主制御部２１１は、２以上の背景データＢＧ１（例えば、６次元の背景データ）の中からｓ次元のすべての組み合わせについてステップＳ５が実行されたか否かを判定することにより、ステップＳ５における交差検証は終了であるか否かを判定する。
【0203】
ステップＳ５における交差検証が終了であると判定されたとき（ステップＳ６：Ｙ）、眼科装置１の動作はステップＳ７に移行する。ステップＳ５における交差検証が終了ではないと判定されたとき（ステップＳ６：Ｎ）、眼科装置１の動作はステップＳ４に移行する。
【0204】
（Ｓ７：背景データを選択）
ステップＳ６において、ステップＳ５における交差検証が終了であると判定されたとき（ステップＳ６：Ｙ）、主制御部２１１は、背景データ選択部３６２Ｂを制御し、６次元の背景データのすべての組み合わせで正答率が最も高い背景データの組み合わせを背景データＢＧとして選択する。なお、訓練用の画像や背景データの分布に応じて背景データＢＧとして特定されるデータの種別が異なる可能性がある。
ステップＳ６において、ステップＳ５における交差検証が終了であると判定されたとき（ステップＳ６：Ｙ）、主制御部２１１は、背景データ選択部３６２Ｂを制御し、６次元の背景データのすべての組み合わせで正答率が最も高い背景データの組み合わせを背景データＢＧとして選択する。なお、訓練用の画像や背景データの分布に応じて背景データＢＧとして特定されるデータの種別が異なる可能性がある。
【0205】
（Ｓ８：分類モデルを生成）
主制御部２１１は、再び第２学習部３６３を制御し、特徴量抽出器３４０により抽出された訓練用の画像ＩＭＧ－１～ＩＭＧ－７の特徴量とステップＳ７において選択された背景データＢＳとを用いて機械学習を実行することにより分類モデルを生成させる。
主制御部２１１は、再び第２学習部３６３を制御し、特徴量抽出器３４０により抽出された訓練用の画像ＩＭＧ－１～ＩＭＧ－７の特徴量とステップＳ７において選択された背景データＢＳとを用いて機械学習を実行することにより分類モデルを生成させる。
【0206】
以上で、眼科装置１の動作は終了である（エンド）。
【0207】
図１０に示すように分類モデルが生成されると、眼科装置１は、図１１に示すフローに従って、緑内障の病態の分類対象の被検眼Ｅの画像に対して、緑内障の病態の分類結果を推定するための確信度情報ＯＵＴ－１～ＯＵＴ－４を出力する。
【0208】
図１１では、眼科装置１において、事前に個別推定モデルが生成されているものとする。
【0209】
（Ｓ１１：ＯＣＴデータから画像を形成）
まず、主制御部２１１は、ＯＣＴユニット１００等を制御することにより、被検眼Ｅに対してＯＣＴを実行させ、被検眼Ｅの３次元ＯＣＴデータを取得させる。続いて、主制御部２１１は、画像形成部２３０及びデータ処理部３００を制御して、３次元ＯＣＴデータから画像ＩＭＧ－１～ＩＭＧ－６のＯＣＴ画像を形成させる。
まず、主制御部２１１は、ＯＣＴユニット１００等を制御することにより、被検眼Ｅに対してＯＣＴを実行させ、被検眼Ｅの３次元ＯＣＴデータを取得させる。続いて、主制御部２１１は、画像形成部２３０及びデータ処理部３００を制御して、３次元ＯＣＴデータから画像ＩＭＧ－１～ＩＭＧ－６のＯＣＴ画像を形成させる。
【0210】
（Ｓ１２：眼底画像を取得）
次に、主制御部２１１は、眼底カメラユニット２等を制御することにより、被検眼Ｅの眼底Ｅｆを撮影させ、眼底Ｅｆのカラーの眼底画像ＩＭＧ－７を取得させる。
次に、主制御部２１１は、眼底カメラユニット２等を制御することにより、被検眼Ｅの眼底Ｅｆを撮影させ、眼底Ｅｆのカラーの眼底画像ＩＭＧ－７を取得させる。
【0211】
（Ｓ１３：背景データを取得）
次に、主制御部２１１は、図１０のステップＳ７において選択された背景データのそれぞれについて、被検眼Ｅの背景データを取得する。いくつかの実施形態では、主制御部２１１は、図示しない通信部を制御し、ネットワークを介して電子カルテ情報又は外部の眼科装置から被検眼Ｅの背景データを取得する。いくつかの実施形態では、主制御部２１１は、操作部２４０Ｂを用いてユーザにより入力された背景データを取得する。
次に、主制御部２１１は、図１０のステップＳ７において選択された背景データのそれぞれについて、被検眼Ｅの背景データを取得する。いくつかの実施形態では、主制御部２１１は、図示しない通信部を制御し、ネットワークを介して電子カルテ情報又は外部の眼科装置から被検眼Ｅの背景データを取得する。いくつかの実施形態では、主制御部２１１は、操作部２４０Ｂを用いてユーザにより入力された背景データを取得する。
【0212】
（Ｓ１４：緑内障の病態を分類）
次に、主制御部２１１は、特徴量抽出器３４０及び分類器３５０を制御し、既に生成された個別推定モデルと図１０に示すように生成された分類モデルとを用いて、ステップＳ１１及びステップＳ１２において取得された被検眼Ｅの画像ＩＭＧ－１～ＩＭＧ－７と、ステップＳ１３において取得された背景データを入力し、緑内障の病態を推定するための確信度情報ＯＵＴ－４～ＯＵＴ－４を出力させる。
次に、主制御部２１１は、特徴量抽出器３４０及び分類器３５０を制御し、既に生成された個別推定モデルと図１０に示すように生成された分類モデルとを用いて、ステップＳ１１及びステップＳ１２において取得された被検眼Ｅの画像ＩＭＧ－１～ＩＭＧ－７と、ステップＳ１３において取得された背景データを入力し、緑内障の病態を推定するための確信度情報ＯＵＴ－４～ＯＵＴ－４を出力させる。
【0213】
以上で、眼科装置１の動作は終了である（エンド）。
【0214】
ここで、実施形態に係る眼科装置１による緑内障の病態の分類結果の精度について説明する。
【0215】
図１２に、被検眼の入力画像の種別を増加したときの実施形態に係る眼科装置１による緑内障の病態の分類結果の精度の説明図を示す。図１２では、分類結果の精度の指標としてκ値（カッパ係数、カッパ統計量）が用いられる。
【0216】
図１２は、実施形態に係る眼科装置１を用いて画像ＩＭＧ－１、ＩＭＧ－２、ＩＭＧ－４、ＩＭＧ－５を用いて緑内障の病態の分類を実行した場合、κ値は「０．６５４」であり、画像ＩＭＧ１～ＩＭＧ５を用いて緑内障の病態の分類を実行した場合、κ値は「０．６６１」である。同様に、画像ＩＭＧ－１、ＩＭＧ－２、ＩＭＧ－４～ＩＭＧ－６用いて緑内障の病態の分類を実行した場合、κ値は「０．６６３」であり、画像ＩＭＧ－１、ＩＭＧ－２、ＩＭＧ－４、ＩＭＧ－５、ＩＭＧ－７を用いて緑内障の病態の分類を実行した場合、κ値は「０．７２８」である。また、画像ＩＭＧ－１～ＩＭＧ－７を用いて緑内障の病態の分類を実行した場合、κ値は「０．７３３」である。
【0217】
すなわち、被検眼の画像の種別を増やして、画像ＩＭＧ－１～ＩＭＧ－７を用いて緑内障の病態を分類することにより、緑内障の病態の分類結果の精度を向上させることができる。
【0218】
図１３に、実施形態に係る眼科装置１により画像ＩＭＧ－１～ＩＭＧ７を用いてニコレラ分類に従って緑内障の病態を分類したときの各類型の適合率、再現率、及び正答率の一例を示す。
【0219】
図１３では、画像ＩＭＧ－１～ＩＭＧ－７を用いてニコレラ分類に従って緑内障の病態を分類した場合、正答率は「８２．４％」であることを示す。
【0220】
図１４に、眼科装置１による緑内障の病態の分類に、上記の実施形態のように背景データを追加したときの分類結果の一例を示す。
【0221】
図１４に示すように、背景データを追加することなく緑内障の病態の分類を行ったとき、正答率は「７８．２％」である。これに対して、上記の実施形態のように、背景データを追加して緑内障の病態の分類を行ったとき、正答率は「８０．２％」となる。
【0222】
すなわち、上記の画像の種別の増加に加えて、背景データを追加して緑内障の病態を分類することにより、緑内障の病態の分類結果の精度を向上させることができる。
【0223】
図１５に、眼科装置１による緑内障の病態の分類に、上記の実施形態のように特徴選択を行って選択された背景データを追加したときの分類結果の一例を示す。
【0224】
図１５に示すように、特徴選択を行うことなく背景データを追加して緑内障の病態の分類を行ったとき、正答率は「８０．２％」である（図１４と同様）。これに対して、上記の実施形態のように、特徴選択を行って選択された背景データを追加して緑内障の病態の分類を行ったとき、正答率は「８１．４％」となる。
【0225】
すなわち、上記の画像の種別の増加に加えて、特徴選択により選択された背景データを追加して緑内障の病態を分類することにより、緑内障の病態の分類結果の精度を向上させることができる。
【0226】
＜変形例＞
上記の実施形態では、ＯＣＴ光学系と眼底を撮影する撮影光学系とを備えた眼科装置がデータ処理部３００の機能を有する場合について説明したが、実施形態に係る構成はこれに限定されるものではない。例えば、眼科装置の外部に、実施形態に係るデータ処理部３００の機能が設けられていてもよい。
上記の実施形態では、ＯＣＴ光学系と眼底を撮影する撮影光学系とを備えた眼科装置がデータ処理部３００の機能を有する場合について説明したが、実施形態に係る構成はこれに限定されるものではない。例えば、眼科装置の外部に、実施形態に係るデータ処理部３００の機能が設けられていてもよい。
【0227】
図１６に、実施形態の変形例に係る眼科システムの構成例のブロック図である。
【0228】
本変形例に係る眼科システム２０００は、眼科装置２１００と、眼科情報処理装置２２００とを含む。眼科システム２０００は、眼科装置２１００と眼科情報処理装置２２００とにより、実施形態に係る眼科装置１と同様の機能を実現する。眼科情報処理装置２２００は、図５のデータ処理部３００の少なくとも一部の機能を有する。例えば、眼科情報処理装置２２００は、特徴量抽出器３４０、分類器３５０、及び学習部３６０の機能を有する。眼科情報処理装置２２００の機能は、例えば、プロセッサを含むコンピュータにより実現される。
【0229】
例えば、眼科装置２１００は、実施形態に係る眼科装置１の構成から眼科情報処理装置２２００の構成を省いた構成を有する。
【0230】
図１７に、実施形態の別の変形例に係る眼科システムの構成例のブロック図である。
【0231】
本変形例に係る眼科システム２０００は、眼科装置２１００－１～２１００－Ｔ（Ｔは２以上の整数）と、眼科情報処理装置２２００とを含み、眼科情報処理装置２２００は、ネットワーク２３００を介して眼科装置２１００－１～２１００－Ｔのいずれかと通信接続可能に構成される。図１６と同様に、眼科情報処理装置２２００は、図５のデータ処理部３００の少なくとも一部の機能を有する。例えば、眼科情報処理装置２２００は、特徴量抽出器３４０、分類器３５０、及び学習部３６０の機能を有する。眼科情報処理装置２２００の機能は、例えば、プロセッサを含むコンピュータにより実現される。
【0232】
例えば、眼科装置２１００－１～眼科装置２１００－Ｔは、眼科装置２１００と同様の機能を有する。
【0233】
＜作用＞
実施形態に係る眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムについて説明する。
実施形態に係る眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラムについて説明する。
【0234】
いくつかの実施形態に係る眼科情報処理装置（データ処理部３００、眼科情報処理装置１０００、２２００）は、特徴量抽出器（１１００、３４０）と、分類器（１２００、３５０）とを含む。特徴量抽出器は、被検者の眼の互いに異なる２以上の画像（ＩＭＧ－１～ＩＭＧ－７）のそれぞれの特徴量を抽出する。分類器は、特徴量抽出器により抽出された２以上の画像のそれぞれの特徴量と被検者又は被検者の眼の状態を表す１以上の背景データ（ＢＧ）とに基づいて被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報（ＯＵＴ－１～ＯＵＴ－４）を出力する。
【0235】
このような態様によれば、上記の１以上の背景データを用いて、被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力するようにしたので、画像の特徴量だけで確信度情報を出力する場合と比較して、病態の分類結果の精度を向上させることが可能になる。それにより、被検眼の疾患に対して適切な治療を早期に施すことができるようになる。
【0236】
いくつかの実施形態では、特徴量抽出器は、画像毎に教師あり機械学習を実行することにより得られた２以上の学習済みモデルを用いて特徴量を抽出する２以上の抽出器（第１抽出器３４１～第７抽出器３４７）を含む。分類器は、訓練用の複数の被検者の眼の画像の特徴量（ＴＲ２）と複数の被検者又は複数の被検者の眼の背景データ（ＢＧ）とを訓練データとし、当該画像の分類結果を教師データ（ＳＤ２）とする教師あり機械学習を実行することにより得られた分類モデルを用いて２以上の確信度情報を出力する。
【0237】
このような態様によれば、機械学習により得られた分類モデルを用いて、複数の画像の種別毎の特徴量と背景データとから確信度情報を出力するようにしたので、高精度な確信度情報を出力することができるようになる。
【0238】
いくつかの実施形態は、疾患を伴う複数の被検者それぞれの２以上の背景データに対して統計検定を行うことにより１以上の背景データを選択する特徴選択器（特徴選択部３６２）を含む。
【0239】
このような態様によれば、高精度の確信度情報の出力に寄与しそうな背景データを用いて確信度情報を出力するようにしたので、確信度情報の精度をより一層高めることができるようになる。
【0240】
いくつかの実施形態は、訓練用の複数の被検者の眼の画像の特徴量と１以上の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより分類モデルを生成する学習部（第２学習部３６３）を含む。
【0241】
このような態様によれば、複数の画像の種別毎の特徴量と背景データとから高精度の確信度情報を出力することができるようになる。
【0242】
いくつかの実施形態では、特徴量は、病態の分類結果を推定するための確信度情報を含む。
【0243】
このような態様によれば、画像毎の確信度情報と上記の１以上の背景データとを用いて、被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力するようにしたので、病態の分類結果の精度を向上させることが可能になる。
【0244】
いくつかの実施形態では、２以上の画像は、被検者の眼に対して光コヒーレンストモグラフィを実行することにより得られたＯＣＴ画像（画像ＩＭＧ－１～ＩＭＧ－６）と、被検者の眼のカラー画像（カラーの眼底画像ＩＭＧ－７）とを含む。
【0245】
このような態様によれば、ＯＣＧ画像とカラー画像とから、高精度な病態の分類結果を出力させることができるようになる。
【0246】
いくつかの実施形態では、ＯＣＴ画像は、眼底の正面画像（プロジェクション画像ＩＭＧ－４、ｅｎ－ｆａｃｅ画像ＩＭＧ－５）、及び眼底の断層像（Ｂスキャン画像ＩＭＧ－１～ＩＭＧ－３、ＩＭＧ－６）の少なくとも１つを含む。カラー画像は、眼底のカラー画像（眼底画像ＩＭＧ－７）を含む。２以上の確信度情報は、ニコレラ分類による緑内障の病態の類型の分類結果を推定するための確信度情報（ＯＵＴ－１～ＯＵＴ－４）を含む。
【0247】
このような態様によれば、ニコレラ分類に従った緑内障の病態の分類結果を高精度に推定することが可能な確信度情報を出力することができるようになる。
【0248】
いくつかの実施形態では、ＯＣＴ画像は、視神経乳頭の中心を通過する第１方向（水平方向）のＢスキャン画像（ＩＭＧ－１）、視神経乳頭の中心を通過する第１方向に交差する第２方向（垂直方向）のＢスキャン画像（ＩＭＧ－２）、中心窩の中心を通過する第２方向のＢスキャン画像（ＩＭＧ－３）、プロジェクション画像（ＩＭＧ－４）、ｅｎ－ｆａｃｅ画像（ＩＭＧ－５）、及び視神経乳頭の中心と中心窩の中心との中間を通過するＢスキャン画像（ＩＭＧ－６）を含む。
【0249】
このような態様によれば、視神経乳頭及び中心窩の形態を反映させて、ニコレラ分類に従った緑内障の病態の分類結果を高精度に推定することが可能な確信度情報を出力することができるようになる。
【0250】
いくつかの実施形態では、背景データは、眼軸長、ＭＤ値、等価球面度数、年齢、神経乳頭組織血流値、及び過去１年間最小眼圧値の少なくとも１つを含む。
【0251】
このような態様によれば、より高精度の確信度情報を出力することができるようになる。
【0252】
いくつかの実施形態では、２以上の確信度情報は、緑内障が局所虚血型である確信度を表す確信度情報、緑内障が近視型である確信度を表す確信度情報、緑内障が加齢性硬化型である確信度を表す確信度情報、及び緑内障が全体的拡大型である確信度を表す確信度情報を含む。
【0253】
このような態様によれば、緑内障の病態の４つの類型のそれぞれの確信度を表す確信度情報を出力することが可能になる。
【0254】
いくつかの実施形態に係る眼科装置（１）は、上記の２以上の画像を取得する光学系（眼底カメラユニット２、及びＯＣＴユニット１００が備える光学系）と、上記のいずれかの眼科情報処理装置と、を含む。
【0255】
このような態様によれば、上記の１以上の背景データを用いて、被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力するようにしたので、画像の特徴量だけで確信度情報を出力する場合と比較して、病態の分類結果の精度を向上させることが可能な眼科装置を提供することができるようになる。
【0256】
いくつかの実施形態に係る眼科情報処理方法は、被検者の眼の互いに異なる２以上の画像のそれぞれの特徴量を抽出する特徴量抽出ステップと、特徴量抽出ステップにおいて抽出された２以上の画像のそれぞれの特徴量と被検者又は被検者の眼の状態を表す１以上の背景データとに基づいて被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力する分類ステップと、を含む。
【0257】
このような態様によれば、上記の１以上の背景データを用いて、被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力するようにしたので、画像の特徴量だけで確信度情報を出力する場合と比較して、病態の分類結果の精度を向上させることが可能になる。それにより、被検眼の疾患に対して適切な治療を早期に施すことができるようになる。
【0258】
いくつかの実施形態では、特徴量抽出ステップは、画像毎に教師あり機械学習を実行することにより得られた２以上の学習済みモデルを用いて特徴量を抽出し、分類ステップは、訓練用の複数の被検者の眼の画像の特徴量と複数の被検者又は複数の被検者の眼の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより得られた分類モデルを用いて２以上の確信度情報を出力する。
【0259】
このような態様によれば、機械学習により得られた分類モデルを用いて、複数の画像の種別毎の特徴量と背景データとから確信度情報を出力するようにしたので、高精度な確信度情報を出力することができるようになる。
【0260】
いくつかの実施形態は、疾患を伴う複数の被検者それぞれの２以上の背景データに対して統計検定を行うことにより１以上の背景データを選択する特徴選択ステップを含む。
【0261】
このような態様によれば、高精度の確信度情報の出力に寄与しそうな背景データを用いて確信度情報を出力するようにしたので、確信度情報の精度をより一層高めることができるようになる。
【0262】
いくつかの実施形態は、訓練用の複数の被検者の眼の画像の特徴量と１以上の背景データとを訓練データとし、当該画像の分類結果を教師データとする教師あり機械学習を実行することにより分類モデルを生成する学習ステップを含む。
【0263】
このような態様によれば、複数の画像の種別毎の特徴量と背景データとから高精度の確信度情報を出力することができるようになる。
【0264】
いくつかの実施形態では、特徴量は、病態の分類結果を推定するための確信度情報を含む。
【0265】
このような態様によれば、画像毎の確信度情報と上記の１以上の背景データとを用いて、被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力するようにしたので、病態の分類結果の精度を向上させることが可能になる。
【0266】
いくつかの実施形態では、２以上の画像は、被検者の眼に対して光コヒーレンストモグラフィを実行することにより得られた眼底のＯＣＴ画像と、眼底のカラー画像とを含み、２以上の確信度情報は、ニコレラ分類による緑内障の病態の類型の分類結果を推定するための確信度情報を含む。
【0267】
このような態様によれば、ＯＣＧ画像とカラー画像とから、ニコレラ分類に従って高精度な病態の分類結果を出力させることができるようになる。
【0268】
いくつかの実施形態では、ＯＣＴ画像は、視神経乳頭の中心を通過する第１方向のＢスキャン画像、視神経乳頭の中心を通過する第１方向に交差する第２方向のＢスキャン画像、中心窩の中心を通過する第２方向のＢスキャン画像、プロジェクション画像、ｅｎ－ｆａｃｅ画像、及び視神経乳頭の中心と中心窩の中心との中間を通過するＢスキャン画像を含む。
【0269】
このような態様によれば、視神経乳頭及び中心窩の形態を反映させて、ニコレラ分類に従った緑内障の病態の分類結果を高精度に推定することが可能な確信度情報を出力することができるようになる。
【0270】
いくつかの実施形態では、背景データは、眼軸長、ＭＤ値、等価球面度数、年齢、神経乳頭組織血流値、及び過去１年間最小眼圧値の少なくとも１つを含む。
【0271】
このような態様によれば、より高精度の確信度情報を出力することができるようになる。
【0272】
いくつかの実施形態では、２以上の確信度情報は、緑内障が局所虚血型である確信度を表す確信度情報、緑内障が近視型である確信度を表す確信度情報、緑内障が加齢性硬化型である確信度を表す確信度情報、及び緑内障が全体的拡大型である確信度を表す確信度情報を含む。
【0273】
このような態様によれば、緑内障の病態の４つの類型のそれぞれの確信度を表す確信度情報を出力することが可能になる。
【0274】
いくつかの実施形態に係るプログラムは、コンピュータに、上記のいずれかに記載の眼科情報処理方法の各ステップを実行させる。
【0275】
このような態様によれば、上記の１以上の背景データを用いて、被検者の眼の疾患の病態の分類結果を推定するための２以上の確信度情報を出力するようにしたので、画像の特徴量だけで確信度情報を出力する場合と比較して、病態の分類結果の精度を向上させることが可能なプログラムを提供することができるようになる。
【0276】
いくつかの実施形態に係る眼科情報理方法を実現するためのプログラムを、コンピュータによって読み取り可能な非一時的な（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）任意の記録媒体に記憶させることができる。記録媒体は、磁気、光、光磁気、半導体などを利用した電子媒体であってよい。典型的には、記録媒体は、磁気テープ、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ、ソリッドステートドライブなどである。
【0277】
また、インターネットやＬＡＮ等のネットワークを通じてコンピュータプログラムを送受信することも可能である。
【0278】
以上に説明した態様は、この発明を実施するための例に過ぎない。この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ける任意の変形（省略、置換、付加等）を施すことが可能である。
【符号の説明】
【0279】
１ 眼科装置
２ 眼底カメラユニット
１００ ＯＣＴユニット
２３０ 画像形成部
３００ データ処理部
３１０ Ｂスキャン画像形成部
３２０ プロジェクション画像形成部
３３０ ｅｎ－ｆａｃｅ画像形成部
３４０、１１００ 特徴量抽出器
３５０、１２００ 分類器
３６０ 学習部
３６１ 第１学習部
３６２ 特徴選択部
３６２Ａ 統計検定部
３６２Ｃ 交差検証部
３６３ 第２学習部
３７０ 解析部
１０００、２２００ 眼科情報処理装置
１１１０－１～１１１０－ｎ、１１１０－１～１１１０－７ 抽出器
ＢＧ、ＢＧ０、ＢＧ１ 背景データ
ＩＭＧ－１～ＩＭＧ－ｎ、ＩＭＧ－１～ＩＭＧ－７ 画像
ＯＵＴ－１～ＯＵＴ－ｍ、ＯＵＴ－１～ＯＵＴ－４ 確信度情報
２ 眼底カメラユニット
１００ ＯＣＴユニット
２３０ 画像形成部
３００ データ処理部
３１０ Ｂスキャン画像形成部
３２０ プロジェクション画像形成部
３３０ ｅｎ－ｆａｃｅ画像形成部
３４０、１１００ 特徴量抽出器
３５０、１２００ 分類器
３６０ 学習部
３６１ 第１学習部
３６２ 特徴選択部
３６２Ａ 統計検定部
３６２Ｃ 交差検証部
３６３ 第２学習部
３７０ 解析部
１０００、２２００ 眼科情報処理装置
１１１０－１～１１１０－ｎ、１１１０－１～１１１０－７ 抽出器
ＢＧ、ＢＧ０、ＢＧ１ 背景データ
ＩＭＧ－１～ＩＭＧ－ｎ、ＩＭＧ－１～ＩＭＧ－７ 画像
ＯＵＴ－１～ＯＵＴ－ｍ、ＯＵＴ－１～ＯＵＴ－４ 確信度情報
【図1A】
【図1B】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7A】
【図7B】
【図7C】
【図7D】
【図7E】
【図7F】
【図7G】
【図7H】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】