JP7785294B2 - 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 - Google Patents

Description

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。

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。

例えば、特許文献１には、過去の時系列の複数の眼底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。

国際公開第２０１８／２１１６８８号 特開２０１９－５３１９号公報

緑内障は、適切な治療を施さなければ症状が進行する疾患である。スクリーニング等により緑内障を早期に発見することができれば、適切な治療を施すことで、緑内障の進行を抑制することが可能になる。従って、高精度、且つ、高確度で早期に緑内障を発見することが求められる。

本発明は、このような事情を鑑みてなされたものであり、その目的は、スクリーニング等で緑内障を高精度、且つ、高確度で発見するための新たな技術を提供することにある。

実施形態の第１態様は、互いに断面方向が異なる被検眼の複数の画像を取得する取得部と、前記複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、前記複数の画像から前記被検眼が緑内障眼であるか否かを推定するための推定情報を出力する疾患推定部と、を含む、眼科情報処理装置である。

実施形態の第２態様では、第１態様において、前記疾患推定部は、前記複数の画像の種別毎に前記複数の学習済みモデルのそれぞれを用いて、特徴量又は前記被検眼が緑内障眼である確信度を表す確信度情報を出力する複数の推定器と、機械学習により得られた分類モデルを用いて、前記複数の推定器から出力された複数の特徴量又は複数の確信度情報から前記推定情報を出力する分類器と、を含む。

実施形態の第３態様では、第１態様又は第２態様において、前記複数の画像は、前記被検眼の眼底の断層像又は正面画像を含む。

実施形態の第４態様では、第３態様において、前記複数の画像は、視神経乳頭を通過する第１断面方向の第１Ｂスキャン画像、視神経乳頭を通過し前記第１断面方向に交差する第２断面方向の第２Ｂスキャン画像、及び中心窩を通過する第３Ｂスキャン画像を含む。

実施形態の第５態様では、第４態様において、前記第１Ｂスキャン画像、前記第２Ｂスキャン画像、及び前記第３Ｂスキャン画像の少なくとも１つは、前記被検眼の眼底における所定の層領域を基準に硝子体側に第１画素数だけ深さ方向にシフトした第１深さ位置から前記所定の層領域を基準に脈絡膜側に第２画素数だけ前記深さ方向シフトした第２深さ位置までの範囲をクロッピングすることにより得られたＢスキャン画像である。

実施形態の第６態様では、第５態様において、前記所定の層領域は、前記被検眼の３次元ＯＣＴデータに基づいて特定された内境界膜の深さ位置の平均から第３画素数だけ前記深さ方向にシフトした層領域である。

実施形態の第７態様では、第３態様～第６態様のいずれかにおいて、前記正面画像は、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ｅｎ－ｆａｃｅ画像、及びプロジェクション画像の少なくとも１つを含む。

実施形態の第８態様は、第１態様～第７態様のいずれかにおいて、前記複数の画像の種別毎に、教師あり機械学習により前記複数の学習済みモデルを生成する学習部を含む。

実施形態の第９態様は、第１態様～第８態様のいずれかにおいて、前記被検眼の３次元ＯＣＴデータに基づいて、前記複数の画像の少なくとも１つを生成する画像生成部を含む。

実施形態の第１０態様は、前記被検眼に対して光コヒーレンストモグラフィを実行するＯＣＴ部と、前記ＯＣＴ部により取得された前記３次元データに基づいて前記複数の画像の少なくとも１つを生成する画像生成部と、第１態様～第８態様のいずれかに記載の眼科情報処理装置と、を含む、眼科装置である。

実施形態の第１１態様は、互いに断面方向が異なる被検眼の複数の画像を取得する取得ステップと、前記複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、前記複数の画像から前記被検眼が緑内障眼であるか否かを推定するための推定情報を出力する疾患推定ステップと、を含む、眼科情報処理方法である。

実施形態の第１２態様では、第１１態様において、前記疾患推定ステップは、前記複数の画像の種別毎に前記複数の学習済みモデルのそれぞれを用いて、特徴量又は前記被検眼が緑内障眼である確信度を表す確信度情報を出力する複数の推定ステップと、機械学習により得られた分類モデルを用いて、前記複数の推定ステップにおいて出力された複数の特徴量又は複数の確信度情報から前記推定情報を出力する分類ステップと、を含む。

実施形態の第１３態様では、第１１態様又は第１２態様において、前記複数の画像は、前記被検眼の眼底の断層像又は正面画像を含む。

実施形態の第１４態様では、第１３態様において、前記複数の画像は、視神経乳頭を通過する第１断面方向の第１Ｂスキャン画像、視神経乳頭を通過し前記第１断面方向に交差する第２断面方向の第２Ｂスキャン画像、及び中心窩を通過する第３Ｂスキャン画像を含む。

実施形態の第１５態様では、第１４態様において、前記第１Ｂスキャン画像、前記第２Ｂスキャン画像、及び前記第３Ｂスキャン画像の少なくとも１つは、前記被検眼の眼底における所定の層領域を基準に硝子体側に第１画素数だけ深さ方向にシフトした第１深さ位置から前記所定の層領域を基準に脈絡膜側に第２画素数だけ前記深さ方向シフトした第２深さ位置までの範囲をクロッピングすることにより得られたＢスキャン画像である。

実施形態の第１６態様では、第１５態様において、前記所定の層領域は、前記被検眼の３次元ＯＣＴデータに基づいて特定された内境界膜の深さ位置の平均から第３画素数だけ前記深さ方向にシフトした層領域である。

実施形態の第１７態様では、第１３態様～第１６態様のいずれかにおいて、前記正面画像は、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ｅｎ－ｆａｃｅ画像、及びプロジェクション画像の少なくとも１つを含む。

実施形態の第１８態様は、第１１態様～第１７態様のいずれかにおいて、前記複数の画像の種別毎に、教師あり機械学習により前記複数の学習済みモデルを生成する学習ステップを含む。

実施形態の第１９態様は、第１１態様～第１８態様のいずれかにおいて、前記被検眼の３次元ＯＣＴデータに基づいて、前記複数の画像の少なくとも１つを生成する画像生成ステップを含む。

実施形態の第２０態様は、コンピュータに、第１１態様～第１９態様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プログラムである。

なお、上記した複数の態様に係る構成を任意に組み合わせることが可能である。

本発明に係るいくつかの実施形態によれば、スクリーニング等で緑内障を高精度、且つ、高確度で発見するための新たな技術を提供することができる。

実施形態に係る眼科システムの構成の一例を表す概略図である。 実施形態に係る眼科装置の構成の一例を表す概略図である。 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。 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。 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。 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。 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。 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。 実施形態に係る眼科情報処理装置の動作フローの一例を表す概略図である。 実施形態に係る眼科情報処理装置の動作フローの一例を表す概略図である。 実施形態に係る眼科情報処理装置の動作説明図を表す概略図である。 実施形態の変形例に係る眼科装置の構成の一例を表す概略図である。

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。

実施形態に係る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。

眼科情報処理装置は、取得された被検眼の３次元ＯＣＴデータから互いに断面方向が異なる複数の画像（断層像又は正面画像）を生成し、生成された複数の画像から被検眼が緑内障眼（正常眼）であるか否かを推定（分類）するための推定情報（分類情報）を出力する。

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、及びプログラムが緑内障の判定処理（分類）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緑内障の判定処理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。例えば、被検眼の疾患には、緑内障以外に、加齢黄斑変性、糖尿病網膜症などがある。

このように、被検眼が緑内障であるか否かを示す推定情報を医師等に提供できるようにすることで、緑内障の進行の抑制に有効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、緑内障の進行の抑制の可能性を高めることが可能になる。

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。

実施形態に係る眼科情報処理装置は、３次元ＯＣＴデータから生成された複数の画像のそれぞれについて機械学習によって得られた学習済みモデルを用いて、被検眼が緑内障眼であるか否かを推定することが可能である。

実施形態に係る眼科システムは、眼科情報処理装置を含む。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コンピュータ（プロセッサ）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非一時的な記録媒体（記憶媒体）である。

以下、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））等の回路を含む。プロセッサは、例えば、記憶回路又は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。記憶回路又は記憶装置がプロセッサに含まれていてよい。また、記憶回路又は記憶装置がプロセッサの外部に設けられていてよい。

［眼科システム］
図１に、実施形態に係る眼科システムの構成例のブロック図を示す。実施形態に係る眼科システム１は、眼科装置１０と、眼科情報処理装置（眼科画像処理装置、眼科解析装置）１００と、操作装置１８０と、表示装置１９０とを含む。

眼科装置１０は、被検眼に対してＯＣＴを実行し、被検眼の３次元のＯＣＴデータを収集する。この実施形態では、眼科装置１０は、被検眼の眼底をＯＣＴスキャンすることにより眼底のＯＣＴデータを収集する。眼科装置１０は、取得された眼底のＯＣＴデータから眼底の複数の画像を取得することが可能である。眼底の画像には、眼底の断層像及び正面画像が含まれる。眼底の断層像には、Ｂスキャン画像などがある。眼底の正面画像には、Ｃスキャン画像、ｅｎ－ｆａｃｅ画像、シャドウグラム、又はプロジェクション画像などがある。眼科装置１０は、取得された被検眼のＯＣＴデータ又は取得された画像のデータを眼科情報処理装置１００に送信する。

いくつかの実施形態では、眼科装置１０と眼科情報処理装置１００とは、データ通信ネットワークを介して接続される。いくつかの実施形態に係る眼科情報処理装置１００は、データ通信ネットワークを介して選択的に接続された複数の眼科装置１０の１つから上記のデータを受信する。

眼科情報処理装置１００は、３次元ＯＣＴデータから生成された複数の画像のそれぞれについて、機械学習によって得られた個別推定モデル（学習済みモデル）を用いて被検眼が緑内障眼であるか否かを推定するための第１推定情報を生成する。眼科情報処理装置１００は、機械学習によって得られた分類モデル（学習済みモデル）を用いて、複数の画像のそれぞれについて生成された複数の第１推定情報から、被検眼が緑内障眼であるか否かを推定するための第２推定情報を生成する。

以下、３次元ＯＣＴデータから５種類の画像を生成する場合について説明する。５種類の画像は、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、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、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、プロジェクション画像、及びｅｎ－ｆａｃｅ画像である。しかしながら、実施形態に係る構成は、３次元ＯＣＴデータから生成される画像の種別や種別数に限定されるものではない。例えば、３次元ＯＣＴデータから、視神経乳頭と中心窩とを結ぶ線に交差する断面方向のＢスキャン画像を含む複数の画像を生成し、生成された複数の画像に基づいて上記の推定情報を取得するようにしてもよい。

いくつかの実施形態では、眼科情報処理装置１００は、上記の学習済みモデルを構築し、構築された学習済みモデルを用いて推定情報を出力する。いくつかの実施形態では、眼科情報処理装置１００は、外部で構築された学習済みモデルを用いて推定情報を出力する。いくつかの実施形態では、眼科情報処理装置１００は、上記の学習済みモデルを構築し、構築された学習済みモデルを外部の装置に出力する。

操作装置１８０及び表示装置１９０は、ユーザインターフェイス部として情報の表示、情報の入力、操作指示の入力など、眼科情報処理装置１００とそのユーザとの間で情報をやりとりするための機能を提供する。操作装置１８０は、レバー、ボタン、キー、ポインティングデバイス等の操作デバイスを含む。いくつかの実施形態に係る操作装置１８０は、音で情報を入力するためのマイクロフォンを含む。表示装置１９０は、フラットパネルディスプレイ等の表示デバイスを含む。いくつかの実施形態では、操作装置１８０及び表示装置１９０の機能は、タッチパネルディスプレイのような入力機能を有するデバイスと表示機能を有するデバイスとが一体化されたデバイスにより実現される。いくつかの実施形態では、操作装置１８０及び表示装置１９０は、情報の入出力を行うためのグラフィカルユーザインターフェイス（ＧＵＩ）を含む。

［眼科装置］
図２に、実施形態に係る眼科装置１０の構成例のブロック図を示す。

眼科装置１０には、被検眼のＯＣＴデータを取得するための光学系が設けられている。眼科装置１０は、スウェプトソースＯＣＴを実行する機能を備えているが、実施形態はこれに限定されない。例えば、ＯＣＴの種別はスウェプトソースＯＣＴには限定されず、スペクトラルドメインＯＣＴ等であってもよい。スウェプトソースＯＣＴ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、被測定物体（被検眼）を経由した測定光の戻り光を参照光と干渉させて干渉光を生成し、この干渉光をバランスドフォトダイオード等で検出し、波長の掃引及び測定光のスキャンに応じて収集された検出データにフーリエ変換等を施して画像を形成する手法である。スペクトラルドメインＯＣＴは、低コヒーレンス光源からの光を測定光と参照光とに分割し、被測定物体を経由した測定光の戻り光を参照光と干渉させて干渉光を生成し、この干渉光のスペクトル分布を分光器で検出し、検出されたスペクトル分布にフーリエ変換等を施して画像を形成する手法である。

眼科装置１０は、制御部（コントローラ）１１と、ＯＣＴ部１２と、ＯＣＴデータ処理部１３と、通信部１４とを含む。

制御部１１は、眼科装置１０の各部を制御する。特に、制御部１１は、ＯＣＴ部１２、ＯＣＴデータ処理部１３、及び通信部１４を制御する。

ＯＣＴ部１２は、ＯＣＴを用いて被検眼をスキャンすることにより被検眼の３次元のＯＣＴデータを収集する。ＯＣＴ部１２は、干渉光学系１２Ａと、スキャン光学系１２Ｂとを含む。

干渉光学系１２Ａは、光源（波長掃引型光源）からの光を測定光と参照光とに分割し、被検眼を経由した測定光の戻り光を参照光路を経由した参照光と干渉させて干渉光を生成し、生成された干渉光を検出する。干渉光学系１２Ａは、ファイバーカプラと、バランスドフォトダイオード等の受光器とを少なくとも含む。ファイバーカプラは、光源からの光を測定光と参照光とに分割し、被検眼を経由した測定光の戻り光と参照光路を経由した参照光と干渉させて干渉光を生成する。受光器は、ファイバーカプラにより生成された干渉光を検出する。干渉光学系１２Ａは、光源を含んでよい。

スキャン光学系１２Ｂは、制御部１１からの制御を受け、干渉光学系１２Ａにより生成された測定光を偏向することにより被検眼の眼底における測定光の入射位置を変更する。スキャン光学系１２Ｂは、例えば、被検眼の瞳孔と光学的に略共役な位置に配置された光スキャナを含む。光スキャナは、例えば、測定光を水平方向に偏向する第１ガルバノミラーと、測定光を垂直方向に偏向する第２ガルバノミラーと、これらを独立に駆動する機構とを含んで構成される。例えば、第２ガルバノミラーは、第１ガルバノミラーにより偏向された測定光を更に偏向するように構成される。それにより、測定光を眼底平面上の任意の方向にスキャンすることができる。

干渉光学系１２Ａ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る。

ＯＣＴデータ処理部１３は、制御部１１からの制御を受け、ＯＣＴ部１２により収集された被検眼のデータに基づいて眼底の３次元のデータ（画像データ）を形成する。

例えば、ＯＣＴデータ処理部１３は、Ａライン毎に反射強度プロファイルを形成し、形成された複数の反射強度プロファイルをＢスキャン方向（Ａスキャン方向（例えば、ｚ方向）の交差方向、例えばｘ方向）とＡスキャン方向及びＢスキャン方向に交差する方向（例えば、ｙ方向）とに配列することで３次元のＯＣＴデータ（スキャンデータ）を形成する。

また、例えば、ＯＣＴデータ処理部１３は、Ａラインにおける反射強度プロファイルを画像化することで、被検眼ＥのＡスキャン画像を形成することが可能である。ＯＣＴデータ処理部１３は、Ａライン毎に形成された複数のＡスキャン画像をＢスキャン方向とＡスキャン方向及びＢスキャン方向に交差する方向とに配列することで３次元画像を形成することが可能である。

ＯＣＴデータ処理部１３が実行する処理には、ノイズ除去（ノイズ低減）、フィルタ処理、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）などの処理が含まれている。このようにして取得される画像データは、複数のＡライン（被検眼内における各測定光の経路）における反射強度プロファイルを画像化することにより形成された一群の画像データを含むデータセットである。画質を向上させるために、同じパターンでのスキャンを複数回繰り返して収集された複数のデータセットを重ね合わせる（加算平均する）ことができる。

いくつかの実施形態では、ＯＣＴデータ処理部１３は、画像に対して各種のデータ処理（画像処理）や解析処理を施す。例えば、ＯＣＴデータ処理部１３は、画像の輝度補正や分散補正等の補正処理を実行する。ＯＣＴデータ処理部１３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することにより、被検眼のボリュームデータ（ボクセルデータ）を形成することができる。ボリュームデータに基づく画像を表示させる場合、ＯＣＴデータ処理部１３は、このボリュームデータに対してレンダリング処理を施して、特定の視線方向から見たときの擬似的な３次元画像を形成する。

制御部１１及びＯＣＴデータ処理部１３のそれぞれは、プロセッサを含む。制御部１１の機能は、制御プロセッサにより実現される。ＯＣＴデータ処理部１３の機能は、データ処理プロセッサにより実現される。いくつかの実施形態では、制御部１１及びＯＣＴデータ処理部１３の双方の機能が１つのプロセッサにより実現される。

上記のように、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。記憶回路や記憶装置の少なくとも一部がプロセッサに含まれていてよい。また、記憶回路や記憶装置の少なくとも一部がプロセッサの外部に設けられていてよい。

記憶装置等は、各種のデータを記憶する。記憶装置等に記憶されるデータとしては、ＯＣＴ部１２により取得されたデータ（測定データ、撮影データ等）や、被検者及び被検眼に関する情報などがある。記憶装置等には、眼科装置１０の各部を動作させるための各種のコンピュータプログラムやデータが記憶されていてよい。

通信部１４は、制御部１１からの制御を受け、眼科情報処理装置１００との間で情報の送信又は受信を行うための通信インターフェース処理を実行する。

いくつかの実施形態に係る眼科装置１０は、ＯＣＴデータ処理部１３により形成された被検眼のデータを眼科情報処理装置１００に送信する。

いくつかの実施形態に係る眼科装置１０には、被検眼の眼底の画像を取得するための眼底カメラ、走査型レーザー検眼鏡、スリットランプ顕微鏡が設けられる。いくつかの実施形態では、眼底カメラにより取得される眼底画像は、フルオレセイン蛍光眼底造影画像又は眼底自発蛍光検査画像である。

［眼科情報処理装置］
図３～図６に、実施形態に係る眼科情報処理装置１００の構成例のブロック図を示す。図３は、眼科情報処理装置１００の機能ブロック図を表す。図４は、図３の解析部２００の機能ブロック図を表す。図５は、図３の推定モデル構築部２１０の機能ブロック図を表す。図６は、図３の推定部２２０の機能ブロック図を表す。

眼科情報処理装置１００は、制御部（コントローラ）１１０と、データ処理部１３０と、通信部１４０とを含む。いくつかの実施形態では、眼科情報処理装置１００は、眼科装置１０のＯＣＴデータ処理部１３と同様の機能を有する画像形成部を含む。

制御部１１０は、眼科情報処理装置１００の各部を制御する。特に、制御部１１０は、データ処理部１３０と、通信部１４０とを制御する。制御部１１０は、主制御部１１１と、記憶部１１２とを含む。

制御部１１０は、操作装置１８０に対するユーザの操作内容に対応した操作指示信号に基づいて、眼科システム１の各部を制御する。

制御部１１０、及びデータ処理部１３０のそれぞれは、プロセッサを含む。データ処理部１３０の機能は、データ処理プロセッサにより実現される。いくつかの実施形態では、制御部１１０、及びデータ処理部１３０の機能が１つのプロセッサにより実現される。

記憶部１１２は、各種のデータを記憶する。記憶部１１２に記憶されるデータとしては、眼科装置１０により取得されたデータ（測定データ、撮影データ等）、データ処理部１３０によるデータ処理結果、被検者及び被検眼に関する情報などがある。記憶部１１２には、眼科情報処理装置１００の各部を動作させるための各種のコンピュータプログラムやデータが記憶されていてよい。

通信部１４０は、制御部１１０からの制御を受け、眼科情報処理装置１００の通信部１４との間で情報の送信又は受信を行うための通信インターフェース処理を実行する。

データ処理部１３０は、眼科装置１０からの３次元のＯＣＴデータに各種のレンダリング（又は画像生成処理）を施すことで、指定された任意の断面方向の画像を生成することが可能である。この実施形態では、データ処理部１３０は、互いに断面方向が異なる複数の画像を生成する。複数の画像には、Ｂスキャン画像、Ｃスキャン画像、ｅｎ－ｆａｃｅ画像、プロジェクション画像、シャドウグラムなどが含まれる。Ｂスキャン画像やＣスキャン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次元のＯＣＴデータ（画像データ）から選択することにより形成される。ｅｎ－ｆａｃｅ画像は、３次元のＯＣＴデータ（画像データ）の一部を平坦化（フラットニング）することにより形成される。プロジェクション画像は、３次元のＯＣＴデータを所定方向（ｚ方向、深さ方向、Ａスキャン方向）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次元のＯＣＴデータの一部（例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。

いくつかの実施形態では、ユーザが操作装置１８０に対する操作を行うことで、断面位置及び断面方向の少なくとも１つが指定される。ユーザは、３次元のＯＣＴデータから生成された眼底の正面画像、又は図示しない眼底カメラを用いて取得された眼底像を参照しつつ、操作装置１８０を用いて断面位置及び断面方向の少なくとも１つを指定することが可能である。

いくつかの実施形態では、データ処理部１３０は、ＯＣＴデータを解析することにより断面位置及び断面方向の少なくとも１つを特定する。この場合、データ処理部１３０は、公知の解析処理により特徴領域を特定し、特定された特徴領域を通過するように断面位置及び断面方向の少なくとも１つを特定することが可能である。或いは、データ処理部１３０は、公知の解析処理により特徴領域を特定し、特定された特徴領域を回避するように断面位置及び断面方向の少なくとも１つを特定することが可能である。

データ処理部１３０は、形成された被検眼の画像に対して所定のデータ処理を施す。データ処理部１３０は、ＯＣＴデータ処理部１３と同様に、形成された画像に対して各種のデータ処理（画像処理）や解析処理を施すことが可能である。例えば、データ処理部１３０は、画像の輝度補正や分散補正等の補正処理を実行する。データ処理部１３０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することにより、被検眼のボリュームデータ（ボクセルデータ）を形成することができる。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１３０は、このボリュームデータに対してレンダリング処理を施して、特定の視線方向から見たときの擬似的な３次元画像を形成する。

なお、データ処理部１３０に代えて、眼科装置１０におけるＯＣＴデータ処理部１３が上記の画像群を生成するようにしてもよい。この場合、眼科情報処理装置１００は、眼科装置１０から上記の画像群を取得する。

また、データ処理部１３０は、３次元ＯＣＴデータから生成された複数の画像から被検眼が緑内障眼であるか否かを推定するための緑内障推定モデルを生成する。

データ処理部１３０は、上記の緑内障推定モデルを用いて、被検眼の複数の画像から被検眼が緑内障眼であるか否かを推定するための推定情報を出力する。

このようなデータ処理部１３０は、解析部２００と、推定モデル構築部２１０と、推定部２２０とを含む。

解析部２００は、眼底の画像データ（又は眼科装置１０により取得された眼底の画像データ）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。いくつかの実施形態に係る解析処理には、視神経乳頭、中心窩等の所定部位の特定処理が含まれる。

図４に示すように、解析部２００は、画像生成部２０１を含む。画像生成部２０１は、眼科装置１０により取得された３次元のＯＣＴデータから互いに断面方向が異なる複数の画像を生成する。複数の画像として、Ｂスキャン画像、Ｃスキャン画像、ｅｎ－ｆａｃｅ画像、プロジェクション画像、シャドウグラムなどがある。

画像生成部２０１は、３次元のＯＣＴデータから、ユーザにより断面位置及び断面方向が指定された少なくとも１つの画像を生成することが可能である。また、画像生成部２０１は、解析部２００における解析処理において特定された所定部位を通過するように断面位置及び断面方向が指定された少なくとも１つの画像を生成することが可能である。更に、画像生成部２０１は、解析部２００における解析処理において特定された所定部位を回避するように断面位置及び断面方向が指定された少なくとも１つの画像を生成することが可能である。

この実施形態では、画像生成部２０１は、被検眼の３次元のＯＣＴデータから互いに断面方向が異なる５種類の画像を生成する。５種類の画像として、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（第１Ｂスキャン画像）、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（第２Ｂスキャン画像）、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（第３Ｂスキャン画像）、プロジェクション画像、及びｅｎ－ｆａｃｅ画像がある。

ここで、上記の３つのＢスキャン画像は、被検眼の眼底における所定の層領域を基準に硝子体側に第１画素数（例えば、２５６画素数）だけ深さ方向（ｚ方向、測定光の進行方向、干渉光学系の光軸方向）にシフトした第１深さ位置から所定の層領域を基準に脈絡膜側に第２画素数（例えば、２５６画素数）だけ深さ方向シフトした第２深さ位置までの範囲をクロッピングすることにより得られたＢスキャン画像（クロッピング画像）である。例えば、所定の層領域は、被検眼の３次元ＯＣＴデータに基づいて特定された内境界膜の深さ位置の平均から脈絡膜側に第３画素数（例えば、５０画素数）だけ深さ方向にシフトした層領域である。上記の３つのＢスキャン画像の少なくとも１つが、上記のクロッピング画像であってよい。クロッピング画像は、例えば、画像生成部２０１により生成される。

プロジェクション画像は、深さ方向における全層の積算画像である。ｅｎ－ｆａｃｅ画像は、網膜の最上層（例えば、内境界膜）から深さ方向における所定の深さ分（例えば、５０マイクロメートル）の積算画像である。すなわち、ｅｎ－ｆａｃｅ画像は、例えば、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画像である。

推定モデル構築部２１０は、上記のように、被検眼が緑内障眼であるか否かを推定するための緑内障推定モデル（上記の推定モデル及び分類モデル）を構築する。

推定モデル構築部２１０は、図５に示すように、緑内障推定学習部２１１を含む。推定部２２０は、図６に示すように、緑内障推定部２２１を含む。

図７に、実施形態に係る眼科情報処理装置１００の動作を説明するための模式図を示す。図７は、推定モデル構築部２１０と推定部２２０との関係を模式的に表す。図７では、緑内障推定部２２１と緑内障推定学習部２１１との関係が図示されている。図７において、図５又は図６と同様の部分には同一符号を付し、適宜説明を省略する。

緑内障推定学習部２１１は、３次元ＯＣＴデータから生成された複数の画像のそれぞれについて、被検眼が緑内障眼であるか否かを推定するための複数の個別推定モデルを生成する。緑内障推定学習部２１１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複数の個別推定モデルを生成する。いくつかの実施形態では、緑内障推定学習部２１１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。

上記のように３次元ＯＣＴデータから５種類の画像が生成される場合、緑内障推定学習部２１１は、画像の種別毎に、個別推定モデルを生成する。

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ＩＭＧ１について、緑内障推定学習部２１１は、推定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ＩＭＧ１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緑内障であるか否かの判断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ＩＭＧ１用の個別推定モデルを生成する。Ｂスキャン画像ＩＭＧ１用の個別推定モデルの機能は、図７に示す第１推定器３０１により実現される。

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ＩＭＧ２について、緑内障推定学習部２１１は、推定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ＩＭＧ２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緑内障であるか否かの判断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ＩＭＧ２用の個別推定モデルを生成する。Ｂスキャン画像ＩＭＧ２用の個別推定モデルの機能は、図７に示す第２推定器３０２により実現される。

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ＩＭＧ３について、緑内障推定学習部２１１は、推定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ＩＭＧ３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緑内障であるか否かの判断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ＩＭＧ３用の個別推定モデルを生成する。Ｂスキャン画像ＩＭＧ３用の個別推定モデルの機能は、図７に示す第３推定器３０３により実現される。

例えば、プロジェクション画像ＩＭＧ４について、緑内障推定学習部２１１は、推定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ＩＭＧ４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緑内障であるか否かの判断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ＩＭＧ４用の個別推定モデルを生成する。プロジェクション画像ＩＭＧ４用の個別推定モデルの機能は、図７に示す第４推定器３０４により実現される。

例えば、ｅｎ－ｆａｃｅ画像ＩＭＧ５について、緑内障推定学習部２１１は、推定対象の被検眼を除く他の複数の被検眼のｅｎ－ｆａｃｅ画像ＩＭＧ５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緑内障であるか否かの判断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ＩＭＧ５用の個別推定モデルを生成する。ｅｎ－ｆａｃｅ画像ＩＭＧ５用の個別推定モデルの機能は、図７に示す第５推定器３０５により実現される。

また、緑内障推定学習部２１１は、生成された複数の個別推定モデルから出力された複数の推定情報から被検眼が緑内障眼であるか否かを推定するための分類モデルを生成する。緑内障推定学習部２１１は、教師なし機械学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）又は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。

例えば、緑内障推定学習部２１１は、推定対象の被検眼を除く他の複数の被検眼の画像群ＩＭＧ１～ＩＭＧ５を訓練データＴＲ１として教師なし機械学習又は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。教師あり機械学習を実行する場合には、訓練用の被検眼が緑内障眼であるか否かを示すラベルが教師データＳＲ１として用いられる。この分類モデルの機能は、図７に示す分類器３０６により実現される。

画像ＩＭＧ１～ＩＭＧ５用の複数の個別推定モデルと分類モデルとにより、緑内障推定モデルが構成される。すなわち、推定部２２０は、緑内障推定学習部２１１により生成された緑内障推定モデルを用いて、被検眼の複数の画像（被検眼のＯＣＴデータから生成された複数の画像）から被検眼が緑内障眼であるか否か（緑内障眼及び正常眼のいずれであるか）を推定するための推定情報を出力する。いくつかの実施形態では、推定情報は、被検眼が緑内障眼であるか否かを表す情報を含む。いくつかの実施形態では、推定情報は、被検眼が緑内障眼である確信度（例えば、緑内障であると推定される確率）を表す情報（確信度情報）を含む。

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。

図８に、実施形態に係る第１推定器３０１の構成例のブロック図を示す。第２推定器３０２～第５推定器３０５のそれぞれは、図８と同様の構成を有してよい。

第１推定器３０１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：ＣＮＮ）により実現される。すなわち、コンピュータがメモリに記憶された個別推定モデル（学習済みモデル）からの指令に従って、入力層である特徴量抽出器３１０の畳み込み層３１１に入力された画像ＩＭＧ１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３２０から判定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推定器３０１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判定結果を出力することができる。

第１推定器３０１は、特徴量抽出器３１０と、分類器３２０とを含む。特徴量抽出器３１０は、入力された画像ＩＭＧ１に対して、所定の画像領域ごと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３２０は、特徴量抽出器３１０により抽出された特徴量に基づいて、被検眼が緑内障眼であるか否かを推定するための推定情報（例えば、確信度）を出力する。

特徴量抽出器３１０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ＩＭＧ１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。

図８では、特徴量抽出器３１０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３１０は、畳み込み層３１１とプーリング層３１２とを含むユニットの後段に、畳み込み層３１３とプーリング層３１４とを含むユニットが接続される。プーリング層３１２の出力は、畳み込み層３１３の入力に接続される。

分類器３２０は、全結合層（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｌａｙｅｒ）３２１、３２２を含み、全結合層３２１の出力は全結合層３２２の入力に接続される。

特徴量抽出器３１０及び分類器３２０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。

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ＩＭＧ１（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。

第１推定器３０１は、ＶＧＧ１６、ＶＧＧ１９、ＩｎｃｅｐｔｉｏｎＶ３、ＲｅｓＮｅｔ１８、ＲｅｓＮｅｔ５０、Ｘｃｅｐｔｉｏｎ等の公知の層構造を有していてよい。分類器３２０は、Ｒａｎｄｏｍ Ｆｏｒｅｓｔやサポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ：ＳＶＭ）等の公知の構成を有していてよい。

緑内障推定部２２１における分類器３０６は、例えば、過去に取得された２以上の被検眼の画像ＩＭＧ１～ＩＭＧ５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生成される。分類器３０６は、第１推定器３０１～第５推定器３０５からの複数の推定情報に基づいて、被検眼が緑内障眼であるか否かを表す情報ＯＵＴ、又は被検眼が緑内障眼である確信度を表す確信度情報ＯＵＴを出力する。いくつかの実施形態では、分類器３０６は、第１推定器３０１～第５推定器３０５のそれぞれの所定の層から抽出された複数の特徴量に基づいて、被検眼が緑内障眼であるか否かを表す情報ＯＵＴ、又は被検眼が緑内障眼である確信度を表す確信度情報ＯＵＴを出力する。分類器３０６は、図８に示す分類器３２０と同様に、Ｒａｎｄｏｍ Ｆｏｒｅｓｔやサポートベクターマシン等の公知の構成を有していてよい。

眼科装置１０、又は眼科装置１０からＯＣＴデータの受信処理を行う通信部１４０は、実施形態に係る「取得部」の一例である。５種類の画像として、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、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、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、プロジェクション画像、及びｅｎ－ｆａｃｅ画像は、実施形態に係る「複数の画像」の一例である。緑内障推定部２２１は、実施形態に係る「疾患推定部」の一例である。

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スキャン画像は、実施形態に係る「第１Ｂスキャン画像」の一例である。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スキャン画像は、実施形態に係る「第２Ｂスキャン画像」の一例である。中心窩（又はその付近）を通過する垂直方向のＢスキャン画像は、実施形態に係る「第３Ｂスキャン画像」の一例である。

Ｂスキャン画像ＩＭＧ１用の個別推定モデル、Ｂスキャン画像ＩＭＧ２用の個別推定モデル、Ｂスキャン画像ＩＭＧ３用の個別推定モデル、プロジェクション画像ＩＭＧ４用の個別推定モデル、及びｅｎ－ｆａｃｅ画像ＩＭＧ５用の個別推定モデルは、実施形態に係る「複数の学習済みモデル」の一例である。Ｂスキャン画像は、実施形態に係る「断層像」の一例である。プロジェクション画像又はｅｎ－ｆａｃｅ画像は、実施形態に係る「正面画像」の一例である。緑内障推定学習部２１１は、実施形態に係る「学習部」の一例である。水平方向は、実施形態に係る「第１断面方向」の一例である。垂直方向は、実施形態に係る「第２断面方向」の一例である。

［動作例］
実施形態に係る眼科情報処理装置１００の動作例について説明する。

図９及び図１０に、実施形態に係る眼科情報処理装置１００の動作例のフロー図を示す。図９は、緑内障推定を行うための学習済みモデルの生成処理の一例のフロー図を表す。図１０は、図９に示す生成処理により生成された学習済みモデルを用いた緑内障推定処理の一例のフロー図を表す。記憶部１１２には、図９及び図１０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１１０（主制御部１１１）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９及び図１０に示す処理を実行することが可能である。

図９では、眼科装置１０において、事前に複数の被検眼の眼底に対してＯＣＴが実行され、複数の３次元ＯＣＴデータが取得されているものとする。

（Ｓ１：３次元ＯＣＴデータから訓練データ群を作成）
まず、主制御部１１１は、通信部１４０を制御して、眼科装置１０において取得された複数の被検眼に対する複数の３次元ＯＣＴデータを取得させる。

続いて、主制御部１１１は、画像生成部２０１を制御して、複数の３次元ＯＣＴデータのそれぞれから、訓練データ群として上記の５種類の画像を生成させる。すなわち、画像生成部２０１は、３次元ＯＣＴデータから、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、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、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、プロジェクション画像、及びｅｎ－ｆａｃｅ画像を生成する。更に、画像生成部２０１は、生成された５種類の画像のそれぞれに対してクロッピング処理を施し、クロッピング画像を生成する。医師等は、生成されたクロッピング画像（又はクロッピング処理前のＢスキャン画像）を読影し、当該被検眼が緑内障眼であるか否かを示すラベルを付す。主制御部１１１は、クロッピング画像とラベルとを関連付けて記憶部１１２に保存する。

（Ｓ２：緑内障推定モデルを生成）
次に、主制御部１１１は、緑内障推定学習部２１１を制御して、上記の５種類の画像の１つについて、当該画像用の個別推定モデル（疾患推定モデル）を生成させる。緑内障推定学習部２１１は、上記のように教師あり機械学習を実行することにより個別推定モデルを生成する。

（Ｓ３：次？）
続いて、主制御部１１１は、次の画像について、個別推定モデルの生成処理を行うか否かを判定する。例えば、主制御部１１１は、あらかじめ決められた画像の種別数、又はステップＳ１において生成された画像の種別数をカウントすることにより、次の画像について個別推定モデルの生成処理を行うか否かを判定する。

次の画像について個別推定モデルの生成処理を行うと判定されたとき（ステップＳ３：Ｙ）、眼科情報処理装置１００の動作はステップＳ２に移行する。

次の画像について個別推定モデルの生成処理を行うと判定されなかったとき（ステップＳ３：Ｎ）、眼科情報処理装置１００の動作は終了である（エンド）。

図１０に示すように、眼科情報処理装置１００は、図９に示すフローに従って生成された学習済みモデルを用いて、被検眼が緑内障眼であるか否かを推定するための推定情報を生成する。

図１０では、眼科装置１０において、事前に推定対象である被検眼の眼底に対してＯＣＴが実行され、３次元ＯＣＴデータが取得されているものとする。

（Ｓ１１：３次元ＯＣＴデータから画像群を作成）
まず、主制御部１１１は、通信部１４０を制御して、眼科装置１０において取得された推定対象である被検眼の３次元ＯＣＴデータを取得させる。

続いて、主制御部１１１は、画像生成部２０１を制御して、３次元ＯＣＴデータから画像群として上記の５種類の画像を生成させる。すなわち、画像生成部２０１は、３次元ＯＣＴデータから、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、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、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、プロジェクション画像、及びｅｎ－ｆａｃｅ画像を生成する。更に、画像生成部２０１は、生成された５種類の画像のうち３つのＢスキャン画像のそれぞれに対してクロッピング処理を施し、クロッピング画像を生成する。

（Ｓ１２：緑内障推定）
次に、主制御部１１１は、緑内障推定部２２１を制御して、ステップＳ１１において生成された５種類の画像群に対し、図９のステップＳ２～ステップＳ３を繰り返すことで生成された緑内障推定モデル（各画像用の個別推定モデル）を用いて、被検眼が緑内障眼であるか否かを推定するための推定情報を出力させる。

以上で、眼科情報処理装置１００の動作は終了である（エンド）。

ここで、実施形態に係る眼科情報処理装置１００による緑内障の分類精度（判定精度）を評価するために、実施形態の比較例と対比する。実施形態の比較例に係る眼科情報処理装置は、実施形態と同様の５種類の画像のいずれかを単一の入力データとする畳み込みニューラルネットワークを含み、公知の教師あり機械学習を行うことにより、被検眼の眼底の５種類の画像のそれぞれについて被検眼が緑内障眼であるか否かを判定するように構成されている。

図１１に、実施形態に係る眼科情報処理装置１００により得られた受信者動作特性曲線下面積（Ａｒｅａ Ｕｎｄｅｒ Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅ：ＡＵＲＯＣ）の一例を示す。

図１１では、正常眼のＯＣＴデータが１４３例、緑内障眼のＯＣＴデータが６７２例を用いて、５分割の交差検証で評価を行った結果がＡＵＲＯＣとして表されている。

具体的には、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スキャン画像だけで畳み込みニューラルネットワークで被検眼が緑内障眼であるか正常眼であるかを分類する場合（Ｄｉｓｃ Ｈ ＡＵＣ）、ＡＵＲＯＣは０．９２である。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スキャン画像だけで畳み込みニューラルネットワークで被検眼が緑内障眼であるか正常眼であるかを分類する場合（Ｄｉｓｃ Ｖ ＡＵＣ）、ＡＵＲＯＣは０．９７である。中心窩（又はその付近）を通過する垂直方向のＢスキャン画像だけで畳み込みニューラルネットワークで被検眼が緑内障眼であるか正常眼であるかを分類する場合（Ｆｏｖｅａ Ｖ ＡＵＣ）、ＡＵＲＯＣは０．９６である。プロジェクション画像だけで畳み込みニューラルネットワークで被検眼が緑内障眼であるか正常眼であるかを分類する場合（Ｐｒｏｊｅｃｔｉｏｎ ＡＵＣ）、ＡＵＲＯＣは０．８９である。ｅｎ－ｆａｃｅ画像だけで畳み込みニューラルネットワークで被検眼が緑内障眼であるか正常眼であるかを分類する場合（Ｅｎｆａｃｅ ＡＵＣ）、ＡＵＲＯＣは０．９４である。

これに対して、実施形態に係る眼科情報処理装置１００により上記の５種類の画像を入力データとして被検眼が緑内障眼であるか正常眼であるかを分類する場合（Ｃｏｍｂｉｎａｔｉｏｎ ＡＵＣ）、ＡＵＲＯＣは０．９８である。

以上のように、単純に畳み込みニューラルネットワークを用いて緑内障眼であるか否かを判定する場合に比べて、実施形態に係る構成によれば判定精度（分類精度）を向上させることが可能になる。

＜変形例＞
実施形態に係る構成は、上記の構成に限定されるものではない。

いくつかの実施形態に係る眼科装置は、眼科装置１０の機能に加えて、眼科情報処理装置１００の機能、操作装置１８０の機能、及び表示装置１９０の機能の少なくとも１つを備える。

以下、いくつかの実施形態の変形例に係る眼科装置について、上記の実施形態に係る眼科装置との相違点を中心に説明する。

図１２に、実施形態の変形例に係る眼科装置１０ａの構成例のブロック図を示す。図１２において、図２と同様の部分には同一符号を付し、適宜説明を省略する。

本変形例に係る眼科装置１０ａの構成が上記の実施形態に係る眼科装置１０の構成と異なる点は、眼科装置１０ａが、眼科情報処理装置１００の機能と、操作装置１８０の機能と、表示装置１９０の機能とを備えている点である。眼科装置１０ａは、制御部１１ａと、ＯＣＴ部１２と、ＯＣＴデータ処理部１３と、眼科情報処理部１５ａと、操作部１６ａと、表示部１７ａとを含む。

制御部１１ａは、眼科装置１０ａの各部を制御する。特に、制御部１１ａは、ＯＣＴ部１２と、ＯＣＴデータ処理部１３と、眼科情報処理部１５ａと、操作部１６ａと、表示部１７ａとを制御する。

眼科情報処理部１５ａは、眼科情報処理装置１００と同様の構成を有し、眼科情報処理装置１００と同様の機能を備えている。操作部１６ａは、操作装置１８０と同様の構成を有し、操作装置１８０と同様の機能を備えている。表示部１７ａは、表示装置１９０と同様の構成を有し、表示装置１９０と同様の機能を備えている。

本変形例によれば、コンパクトな構成で、被検眼が緑内障眼（疾患眼）であるか否かを推定するための推定情報を、より少ない訓練データを用いた機械学習により高精度に取得することが可能になる。それにより、緑内障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。

＜作用＞
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、及びプログラムについて説明する。

いくつかの実施形態に係る眼科情報処理装置（眼科情報処理装置１００、眼科情報処理部１５ａ）は、取得部（眼科装置１０、又は眼科装置１０からＯＣＴデータの受診処理を行う通信部１４０）と、疾患推定部（緑内障推定部２２１）とを含む。取得部は、互いに断面方向が異なる被検眼の複数の画像を取得する。緑内障推定部は、複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、複数の画像から被検眼が緑内障眼であるか否かを推定するための推定情報を出力する。

このような構成によれば、互いに異なる複数の断面方向の画像のそれぞれについて、機械学習により得られた学習済みモデルを用いて被検眼が緑内障眼であるか否かを推定するための推定情報を取得するようにしたので、高精度、且つ、早期に緑内障を発見することができる。それにより、緑内障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。

いくつかの実施形態では、疾患推定部は、複数の画像の種別毎に複数の学習済みモデルのそれぞれを用いて、特徴量又は被検眼が緑内障眼である確信度を表す確信度情報を出力する複数の推定器（第１推定器３０１～第５推定器３０５）と、機械学習により得られた分類モデルを用いて、複数の推定器から出力された複数の特徴量又は複数の確信度情報から推定情報を出力する分類器（３０６）と、を含む。

このような構成によれば、機械学習により得られた学習済みモデルを用いて複数の画像の種別毎に特徴量又は確信度情報を出力し、機械学習により得られた分類モデルを用いて複数の特徴量又は複数の確信度情報から推定情報を出力するようにしたので、高精度、且つ、早期に緑内障を発見することができる。それにより、緑内障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。

いくつかの実施形態では、複数の画像は、被検眼の眼底の断層像又は正面画像を含む。

このような構成によれば、簡便に、緑内障を発見するための画像を取得することができる。それにより、簡便に、緑内障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。

いくつかの実施形態では、複数の画像は、視神経乳頭を通過する第１断面方向（水平方向）の第１Ｂスキャン画像、視神経乳頭を通過し第１断面方向に交差する第２断面方向（垂直方向）の第２Ｂスキャン画像、及び中心窩を通過する第３Ｂスキャン画像を含む。

このような構成によれば、視神経乳頭又は中心窩の断面の形態に影響を及ぼす緑内障を高精度、且つ、早期に発見することができる。

いくつかの実施形態では、第１Ｂスキャン画像、第２Ｂスキャン画像、及び第３Ｂスキャン画像の少なくとも１つは、被検眼の眼底における所定の層領域を基準に硝子体側に第１画素数だけ深さ方向にシフトした第１深さ位置から所定の層領域を基準に脈絡膜側に第２画素数だけ前記深さ方向シフトした第２深さ位置までの範囲をクロッピングすることにより得られたＢスキャン画像（クロッピング画像）である。

このような構成によれば、Ｂスキャン画像に含まれる情報密度を向上させることにより、被検眼が緑内障眼であるか否かの分類精度をより一層向上させることができるようになる。

いくつかの実施形態では、所定の層領域は、被検眼の３次元ＯＣＴデータに基づいて特定された内境界膜の深さ位置の平均から第３画素数だけ深さ方向にシフトした層領域である。

このような構成によれば、緑内障に起因した形態の変化が顕著に表れると考えられている注目部位に着目して被検眼が緑内障眼であるか否かを分類するようにしたので、より一層高精度、且つ、早期に緑内障を発見することができるようになる。

いくつかの実施形態では、正面画像は、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ｅｎ－ｆａｃｅ画像、及びプロジェクション画像の少なくとも１つを含む。

このような構成によれば、被検眼の正面の形態に影響を及ぼす緑内障を高精度、且つ、早期に発見することができる。

いくつかの実施形態は、複数の画像の種別毎に、教師あり機械学習により複数の学習済みモデルを生成する学習部（緑内障推定学習部２１１）を含む。

このような構成によれば、被検眼の緑内障を高精度、且つ、早期に発見するための学習済みモデルを生成することが可能な眼科情報処理装置を提供することができるようになる。

いくつかの実施形態は、被検眼の３次元ＯＣＴデータに基づいて、複数の画像の少なくとも１つを生成する画像生成部（２０１）を含む。

このような構成によれば、被検眼の３次元ＯＣＴデータを取得することにより、緑内障を高精度、且つ、早期に発見することが可能な眼科情報処理装置を提供することができるようになる。

いくつかの実施形態に係る眼科装置（１０、１０ａ）は、被検眼に対して光コヒーレンストモグラフィを実行するＯＣＴ部（１２）と、ＯＣＴ部により取得された３次元データに基づいて複数の画像の少なくとも１つを生成する画像生成部（２０１）と、上記のいずれかに記載の眼科情報処理装置（１００、眼科情報処理部１５ａ）と、を含む。

このような構成によれば、被検眼に対して光コヒーレンストモグラフィを実行し、得られたＯＣＴデータから緑内障を高精度、且つ、早期に発見す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。

いくつかの実施形態に係る眼科情報処理方法は、互いに断面方向が異なる被検眼の複数の画像を取得する取得ステップと、複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、複数の画像から被検眼が緑内障眼であるか否かを推定するための推定情報を出力する疾患推定ステップと、を含む。

このような方法によれば、互いに異なる複数の断面方向の画像のそれぞれについて、機械学習により得られた学習済みモデルを用いて被検眼が緑内障眼であるか否かを推定するための推定情報を取得するようにしたので、高精度、且つ、早期に緑内障を発見することができる。それにより、緑内障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。

いくつかの実施形態では、疾患推定ステップは、複数の画像の種別毎に複数の学習済みモデルのそれぞれを用いて、特徴量又は前記被検眼が緑内障眼である確信度を表す確信度情報を出力する複数の推定ステップと、機械学習により得られた分類モデルを用いて、前記複数の推定ステップにおいて出力された複数の特徴量又は複数の確信度情報から推定情報を出力する分類ステップと、を含む。

このような方法によれば、機械学習により得られた学習済みモデルを用いて複数の画像の種別毎に特徴量又は確信度情報を出力し、機械学習により得られた分類モデルを用いて複数の特徴量又は複数の確信度情報から推定情報を出力するようにしたので、高精度、且つ、早期に緑内障を発見することができる。それにより、緑内障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。

いくつかの実施形態では、複数の画像は、被検眼の眼底の断層像又は正面画像を含み、疾患は、眼底疾患である。

このような方法によれば、簡便に、緑内障を発見するための画像を取得することができる。それにより、簡便に、緑内障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。

いくつかの実施形態では、複数の画像は、視神経乳頭を通過する第１断面方向（水平方向）の第１Ｂスキャン画像、視神経乳頭を通過し第１断面方向に交差する第２断面方向（垂直方向）の第２Ｂスキャン画像、及び中心窩を通過する第３Ｂスキャン画像を含む。

このような方法によれば、視神経乳頭又は中心窩の断面の形態に影響を及ぼす緑内障を高精度、且つ、早期に発見することができる。

いくつかの実施形態では、第１Ｂスキャン画像、第２Ｂスキャン画像、及び第３Ｂスキャン画像の少なくとも１つは、被検眼の眼底における所定の層領域を基準に硝子体側に第１画素数だけ深さ方向にシフトした第１深さ位置から所定の層領域を基準に脈絡膜側に第２画素数だけ前記深さ方向シフトした第２深さ位置までの範囲をクロッピングすることにより得られたＢスキャン画像（クロッピング画像）である。

このような方法によれば、Ｂスキャン画像に含まれる情報密度を向上させることにより、被検眼が緑内障眼であるか否かの分類精度をより一層向上させることができるようになる。

いくつかの実施形態では、所定の層領域は、被検眼の３次元ＯＣＴデータに基づいて特定された内境界膜の深さ位置の平均から第３画素数だけ深さ方向にシフトした層領域である。

このような方法によれば、緑内障に起因した形態の変化が顕著に表れると考えられている注目部位に着目して被検眼が緑内障眼であるか否かを分類するようにしたので、より一層高精度、且つ、早期に緑内障を発見することができるようになる。

いくつかの実施形態では、正面画像は、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ｅｎ－ｆａｃｅ画像、及びプロジェクション画像の少なくとも１つを含む。

このような方法によれば、被検眼の正面の形態に影響を及ぼす緑内障を高精度、且つ、早期に発見することができる。

いくつかの実施形態は、複数の画像の種別毎に、教師あり機械学習により複数の学習済みモデルを生成する学習ステップを含む。

このような方法によれば、被検眼の緑内障を高精度、且つ、早期に発見するための学習済みモデルを生成することが可能な眼科情報処理方法を提供することができるようになる。

いくつかの実施形態は、被検眼の３次元ＯＣＴデータに基づいて、複数の画像の少なくとも１つを生成する画像生成ステップを含む。

このような方法によれば、被検眼の３次元ＯＣＴデータを取得することにより、緑内障を高精度、且つ、早期に発見することが可能な眼科情報処理方法を提供することができるようになる。

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。

このようなプログラムによれば、互いに異なる複数の断面方向の画像のそれぞれについて、機械学習により得られた学習済みモデルを用いて被検眼が緑内障眼であるか否かを推定するための推定情報を取得するようにしたので、高精度、且つ、早期に疾患を発見することができる。それにより、緑内障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。

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。

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。

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。

１ 眼科システム
１０、１０ａ 眼科装置
１１、１１ａ、１１０ 制御部
１２ ＯＣＴ部
１２Ａ 干渉光学系
１２Ｂ スキャン光学系
１４、１４０ 通信部
１５ａ 眼科情報処理部
１６ａ 操作部
１７ａ 表示部
１００ 眼科情報処理装置
１１１ 主制御部
１１２ 記憶部
１３０ データ処理部
１８０ 操作装置
１９０ 表示装置
２００ 解析部
２０１ 画像生成部
２１０ 推定モデル構築部
２１１ 緑内障推定学習部
２２０ 推定部
２２１ 緑内障推定部

Claims (16)

1. 互いに断面方向が異なる被検眼の複数の画像を取得する取得部と、
   前記複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、前記複数の画像から前記被検眼が緑内障眼であるか否かを推定するための推定情報を出力する疾患推定部と、
   を含み、
   前記複数の画像は、前記被検眼の眼底の断層像を含み、
   前記複数の画像は、視神経乳頭を通過する第１断面方向の第１Ｂスキャン画像、視神経乳頭を通過し前記第１断面方向に交差する第２断面方向の第２Ｂスキャン画像、及び中心窩を通過する第３Ｂスキャン画像を含む、眼科情報処理装置。
2. 前記第１Ｂスキャン画像、前記第２Ｂスキャン画像、及び前記第３Ｂスキャン画像の少なくとも１つは、前記被検眼の眼底における所定の層領域を基準に硝子体側に第１画素数だけ深さ方向にシフトした第１深さ位置から前記所定の層領域を基準に脈絡膜側に第２画素数だけ前記深さ方向シフトした第２深さ位置までの範囲をクロッピングすることにより得られたＢスキャン画像である
   ことを特徴とする請求項１に記載の眼科情報処理装置。
3. 前記所定の層領域は、前記被検眼の３次元ＯＣＴデータに基づいて特定された内境界膜の深さ位置の平均から第３画素数だけ前記深さ方向にシフトした層領域である
   ことを特徴とする請求項２に記載の眼科情報処理装置。
4. 互いに断面方向が異なる被検眼の複数の画像を取得する取得部と、
   前記複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、前記複数の画像から前記被検眼が緑内障眼であるか否かを推定するための推定情報を出力する疾患推定部と、
   を含み、
   前記複数の画像は、前記被検眼の眼底の正面画像を含み、
   前記正面画像は、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ｅｎ－ｆａｃｅ画像、及びプロジェクション画像の少なくとも１つを含む、眼科情報処理装置。
5. 前記疾患推定部は、
   前記複数の画像の種別毎に前記複数の学習済みモデルのそれぞれを用いて、特徴量又は前記被検眼が緑内障眼である確信度を表す確信度情報を出力する複数の推定器と、
   機械学習により得られた分類モデルを用いて、前記複数の推定器から出力された複数の特徴量又は複数の確信度情報から前記推定情報を出力する分類器と、
   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。
6. 前記複数の画像の種別毎に、教師あり機械学習により前記複数の学習済み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１～請求項５のいずれか一項に記載の眼科情報処理装置。
7. 前記被検眼の３次元ＯＣＴデータに基づいて、前記複数の画像の少なくとも１つを生成する画像生成部を含む
   ことを特徴とする請求項１～請求項６のいずれか一項に記載の眼科情報処理装置。
8. 前記被検眼に対して光コヒーレンストモグラフィを実行するＯＣＴ部と、
   前記ＯＣＴ部により取得された３次元データに基づいて前記複数の画像の少なくとも１つを生成する画像生成部と、
   請求項１～請求項７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。
9. 互いに断面方向が異なる被検眼の複数の画像を取得する取得ステップと、
   前記複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、前記複数の画像から前記被検眼が緑内障眼であるか否かを推定するための推定情報を出力する疾患推定ステップと、
   を含み、
   前記複数の画像は、前記被検眼の眼底の断層像を含み、
   前記複数の画像は、視神経乳頭を通過する第１断面方向の第１Ｂスキャン画像、視神経乳頭を通過し前記第１断面方向に交差する第２断面方向の第２Ｂスキャン画像、及び中心窩を通過する第３Ｂスキャン画像を含む、眼科情報処理方法。
10. 前記疾患推定ステップは、
    前記複数の画像の種別毎に前記複数の学習済みモデルのそれぞれを用いて、特徴量又は前記被検眼が緑内障眼である確信度を表す確信度情報を出力する複数の推定ステップと、
    機械学習により得られた分類モデルを用いて、前記複数の推定ステップにおいて出力された複数の特徴量又は複数の確信度情報から前記推定情報を出力する分類ステップと、
    を含む
    ことを特徴とする請求項９に記載の眼科情報処理方法。
11. 前記第１Ｂスキャン画像、前記第２Ｂスキャン画像、及び前記第３Ｂスキャン画像の少なくとも１つは、前記被検眼の眼底における所定の層領域を基準に硝子体側に第１画素数だけ深さ方向にシフトした第１深さ位置から前記所定の層領域を基準に脈絡膜側に第２画素数だけ前記深さ方向シフトした第２深さ位置までの範囲をクロッピングすることにより得られたＢスキャン画像である
    ことを特徴とする請求項９又は請求項１０に記載の眼科情報処理方法。
12. 前記所定の層領域は、前記被検眼の３次元ＯＣＴデータに基づいて特定された内境界膜の深さ位置の平均から第３画素数だけ前記深さ方向にシフトした層領域である
    ことを特徴とする請求項１１に記載の眼科情報処理方法。
13. 互いに断面方向が異なる被検眼の複数の画像を取得する取得ステップと、
    前記複数の画像の種別毎に機械学習により得られた複数の学習済みモデルを用いて、前記複数の画像から前記被検眼が緑内障眼であるか否かを推定するための推定情報を出力する疾患推定ステップと、
    を含み、
    前記複数の画像は、前記被検眼の眼底の正面画像を含み、
    前記正面画像は、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ｅｎ－ｆａｃｅ画像、及びプロジェクション画像の少なくとも１つを含む、眼科情報処理方法。
14. 前記複数の画像の種別毎に、教師あり機械学習により前記複数の学習済み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９～請求項１３のいずれか一項に記載の眼科情報処理方法。
15. 前記被検眼の３次元ＯＣＴデータに基づいて、前記複数の画像の少なくとも１つを生成する画像生成ステップを含む
    ことを特徴とする請求項９～請求項１４のいずれか一項に記載の眼科情報処理方法。
16. コンピュータに、請求項９～請求項１５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。