JP6005663B2 - 血管画像における動静脈比の自動測定 - Google Patents

Description

関連特許出願の相互参照
本出願は、２０１１年１月２０日に出願された米国仮特許出願第６１／４３４，５５１号の優先権を主張し、その全体は参照により本明細書に援用される。

血管（たとえば、脊椎動物における網膜血管および他の血管）における、細動脈対細静脈の直径比（ＡＶＲ）を自動測定できる方法およびシステムを提示する。

ＡＶＲは、脳卒中、脳委縮症、認知低下および心筋梗塞に対するリスク増加の重要な予測因子である。それゆえ、（ａ）たとえば糖尿病性網膜症スクリーニング等の他の理由で、眼底撮像をすでに受けている患者における心血管系事象のリスク分析、（ｂ）明確に上記理由のために眼底撮像を受けている患者に対するリスク分析、または（ｃ）他の状況におけるリスク分析を実行するために、ＡＶＲを用いることができる。

心血管系事象を予測できる方法およびシステムを提示する。異なる実施形態において、医学、神経学、プライマリーケア、眼科学を含む多くの分野において適用可能な方法およびシステム、ならびに、虹彩、肌、鼓膜およびアルビノ動物における他の器官等の、多波長イメージングに適した身体の他の部分における血管の特性を測定するための、他のアプリケーションにおいて適用可能な方法およびシステムを提示する。

これまで、ＡＶＲは常に、専門家が必要な、時間のかかるプロセスである網膜のカラー眼底撮像から手動で測定されていた。臨床医は網膜を見るが、実質的に異常なａ／ｖ比を大まかに計算することができるのみで、数値的な比率を測定することはできない。

網膜動脈の静脈に対する幅の比（細動脈対細静脈の直径比、ＡＶＲ）が減少すると、脳委縮症、脳卒中および他の心血管系事象等の医学的状態が推測されうる。蛇行、拡張した動脈および静脈、そしてＡＶＲの減少もまた、未熟児網膜症におけるＰｌｕｓ疾患に対するマーカーとなりうる。一つの態様において、視神経乳頭の位置を検出し、適切な関心領域（ＲＯＩ）を決定し、動脈または静脈として血管を分類し、幅を推定し、ＡＶＲを算出することによる、網膜のカラー画像におけるＡＶＲの推定ができる方法およびシステムが提示される。さらなる態様において、血管の区分および血管幅の測定の後、視神経乳頭が位置づけられ、ＡＶＲ測定ＲＯＩの外にあるすべての血管がシステムから排除されうる。骨格化する操作を残りの血管に適用した後、交差している血管および分枝点を除去し、血管中心線ピクセルである一連の血管の区分を残すことができる。特性を中心線ピクセルのそれぞれから抽出し、これらを、ピクセルが静脈の一部である尤度を示すソフトラベルに割り当てることができる。接続された血管区分におけるすべての中心線ピクセルは、同じタイプであるべきなので、中央ソフトラベルは、区分の中心線ピクセルのそれぞれに割りあてられることができる。動脈／静脈対は、反復アルゴリズム、およびＡＶＲの算出のために用いられる血管の幅を用いて一致させることができる。

ＡＶＲ測定のために提示される自動方法およびシステムは、臨床診療に大きな影響を与え、心血管系および脳疾患のリスクのある患者の評価法を改善することができる。

さらなる利点は、一部以下の記載、または実施例により習得されうる記載において記述される。利点は、添付の特許請求の範囲において特に挙げられる要素および組み合わせによって理解され、実現される。前述の概説および以下の詳述の両方が、例示および解説のみであり、特許請求されるように、限定的なものではないことが理解される。
本明細書に組み込まれ、その一部を構成する添付の図は、実施形態を図示し、本明細書とともに、本方法およびシステムの本質を説明するのに役立つものである。

図１は、自動測定されたＲＯＩ領域と重ね合わせた画像を示す。 図２は、本明細書において、小さな部分画像上で記載される様々な処理工程を示す画像である。図２ａは、カラー眼底画像である。図２ｂは、血管尤度マップである。この画像において、より高いピクセル値は、血管の尤度がより高いことを意味する。図２ｃは、個々のスプラットの境界が示される、スプラットマップである。図２ｄは、各スプラットが、そのスプラット下の血管尤度の中央値を割り当てられた、処理された血管尤度マップ。図２ｅは、各中央線ピクセルが静脈の内側である尤度を割り当てられた、血管中心線（表示のために拡張されている）である。図２ｆは、オリジナルの画像上に重ねられた最終の幅測定値。各３番目の測定値のみがプロットされている。 図３は、網膜画像上に重ねられた（図３ａ）、動脈静脈中心線の分類結果（図３ｂ）を図示する。 図４は、直径測定、および幅測定値が得られた血管交差を示す眼底写真の詳細である。 図５ａは、カラー眼底画像である。図５ｂは、対応する血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）の画像である。 図６は、血管の正常なプロファイルがどのようにグラフへと出力されたかを示す。図６ａは、図５から抽出された血管の小区分。図６ｂは、図６ａの血管確率画像。図６ｃは、図６ａの血管中心線画像。図６ｄは、血管増加方向が算出され、血管増加方向に垂直なノード正常プロファイルが構成されている。図６ｅには、図６ｄにおける赤色正常プロファイルを使用して、赤色グラフスライスが作られ、図６ｄにおける緑色正常プロファイルを使用して、緑色グラフスライスが作られている。黒いノードは、ベースノードを表し、図６ｄにおける黒色中心線ピクセルに対応している。結果として、赤色スライスは図６ｄにおける一つの境界を表し、緑色スライスは図６ｄにおける他の境界を表す。 図７ａは、緑色チャネル画像の拡大部分を示す。 図７ｂは、方向感受性のガウス１Ｄ導関数の結果を示す。 図８は、方法の工程を図示するフローチャートの例である。 図９は、ＲＯＣ分析からの曲線である。 図１０は、Ｂｌａｎｄ−Ａｌｔｍａｎプロットまたは自動システムと参照標準の間の一致（図１０ａ）、および２番目のオブザーバーと参照標準の間の一致（図１０ｂ）を提示する。 図１１は、得られた血管境界検出の品質を図示する。低いコントラストを有する最も小さい血管上でも、良い性能が得られた。図１１ａは、ＧＬＲＩＳデータベースからの一つの画像である。画像サイズは２１６０×１４４０、ａ＝４である。図１１ｂは、図１１ａの画像の拡大部分である。 図１２は、予測された血管幅およびオブザーバーによるＨＲＩＳの測定値の平均の相関関係を示す。 図１３は、血管幅と視神経乳頭への距離の間の関連性を図示する。 図１４は、異なる解像度の血管区分上の血管幅測定値を図示する。図１４ａは、ＨＲＩＳからの一つの検証血管区分である。血管区分の長さは１７３ピクセルである。図１４ｂは、ＫＰＩＳからの一つの検証血管区分である。血管区分の長さは２２６ピクセルである。図１４ｃは、（ａ）の血管幅測定結果である。もし検出された端が整数の位置ではない場合、最も近い整数の座標が示される。図１４ｄは、（ｂ）の血管幅測定結果である。もし検出された端が整数の位置ではない場合、最も近い整数の座標が示される。図１４ｅは、（ａ）に対する中心線への距離に関する血管明度の断面図である。黒い曲線は、血管区分における１７３の正常プロファイルの平均である。整数ではない位置にある明度は、直線的に内挿されている。赤い星は、オブザーバーによりマークされた血管区分全体にわたる血管幅の平均である。緑色の星は、提案された方法により測定された血管区分全体にわたる血管幅の平均である。２つの境界は、反転され、一つの図で示されている。図１４ｆは、図１４ｂに対する中心線への距離に関する血管明度の断面図である。 図１５は、操作環境の例示である。

本方法および本システムが開示および記載される前に、本方法および本システムは、特定の方法、特定の構成要素または特定の構造に限定されないことが理解される。また、本明細書に使用される専門用語は、特定の実施形態を記述する目的のためのみであり、限定は意図されないことが理解される。

本明細書および添付の特許請求の範囲に使用されるように、単数形の、「ある（ａｎ）」、「ある（ａ）」、および「その」は、その文脈が他に明確に指示しない限り、複数形の指示対象を含む。範囲は、本明細書において、「約」一方の特定の値から、および／または、「約」他方の特定の値までとして、表現されうる。そのような範囲が表現された場合、他の実施形態は、その一方の特定の値から、および／または、その他方の特定の値までを含む。同様に、値が近似値として表現された場合、先行する「約」の使用により、特定の値は他の実施形態を形成することが理解される。さらに、範囲のそれぞれのエンドポイントは、他のエンドポイントに関して、および他のエンドポイントから独立して、の両方で重要であることが理解される。

「任意で」または「任意に」は、引き続き記述される事象または状況が発生するかもしれないまたはしないかもしれないということと、および、その記述が、前記事象または状況が発生する例、および発生しない例を含むことを意味する。

本明細書の記述および特許請求の範囲を通して、「含む」という文言および、そのバリエーション（たとえば、「含むこと」および「含有する」）は、「含むが、限定されない」を意味し、たとえば、他の追加物、構成要素、整数または工程を除外する意図はない。「例示」は、「〜のある例」を意味し、好ましい、または理想的な実施形態の示唆を伝達することは意図されない。「たとえば」は、制限的な意味で用いられず、例示の目的でのみ用いられる。

開示された方法およびシステムを実行するために用いることができる構成要素が開示される。これら、および他の構成要素は、本明細書に開示され、様々な個々の組み合わせ各々のおよび集合的な組み合わせの特定の参照およびこれらの置換が明示的に開示されずに、これらの構成要素の組み合わせ、サブセット、相互作用、群等が開示される場合、各々は、すべての方法およびシステムに対し、具体的に熟考され、本明細書に記述されることが理解される。これは、限定されないが、開示される方法における工程を含む、本出願のすべての態様に適用される。ゆえに、もし実施可能な様々な追加工程がある場合、これら追加工程のそれぞれは、本開示方法の任意の特定の実施形態または実施形態の組み合わせとともに実行できることが理解される。

本方法および本システムは、以下の好ましい実施形態の詳細な記述、およびそれらに含まれる実施例、および図面、およびそれらの上述および後述の記載を参照することにより、さらに容易に理解される。

当業者により理解されるように、本方法および本システムは、完全にハードウェアの実施形態、完全にソフトウェアの実施形態、またはソフトウェアとハードウェアの態様を組み合わせた実施形態の形態をとりうる。さらに、本方法および本システムは、記憶媒体内に具現化されたコンピューターで読み取り可能なプログラムの指示（たとえば、コンピューターソフトウェア）を有する、コンピューターで読み取り可能な記憶媒体上のコンピュータープログラム製品の形態をとりうる。より詳細には、本方法および本システムは、ウェブで実行されるコンピューターソフトウェアの形態をとりうる。ハードディスク、ＣＤ−ＲＯＭ、光学式記憶媒体または磁気記憶デバイスを含む、任意の適切なコンピューターで読み取り可能な記憶媒体が使用されうる。

本方法および本システムの実施形態は、方法、システム、装置およびコンピュータープログラム製品のブロック図およびフローチャート図の参照とともに、以下に記述される。ブロック図およびフローチャート図の各ブロック、ならびにブロック図およびフローチャート図のブロックの組み合わせは、それぞれ、コンピュータープログラムの指示により実施できることが、理解される。これらのコンピュータープログラムの指示は、コンピューターまたは他のプログラム可能なデータ処理装置上で実行する指示が、フローチャートブロック（ｂｌｏｃｋ）またはブロック（ｂｌｏｃｋｓ）で特定される機能を実施するための手段を生み出すように、汎用コンピューター、特殊用途のコンピューター、または機械を製造するための他のプログラム可能なデータ処理装置上にロードされ得る。

これらのコンピュータープログラムの指示はまた、コンピューターで読み取り可能なメモリ内に保存された指示が、フローチャートブロック（ｂｌｏｃｋ）またはブロック（ｂｌｏｃｋｓ）で特定される機能を実施するための、コンピューターで読み取り可能な指示を含む製品を製造するように、特定の方法で機能するようにコンピューターまたは他のプログラム可能なデータ処理装置を指示することができる、コンピューターで読み取り可能なメモリ内に保存され得る。コンピュータープログラムの指示はまた、コンピューターまたは他のプログラム可能な装置上で実施される指示が、フローチャートブロック（ｂｌｏｃｋ）またはブロック（ｂｌｏｃｋｓ）内で特定される機能を実施するための工程を提供するように、コンピューターまたは他のプログラム可能なデータ処理装置上にロードされ得、コンピューターで実施されるプロセスを生み出すための、コンピューターまたは他のプログラム可能な装置上で実施される一連の操作手順をもたらし得る。

その結果、ブロック図およびフローチャート図のブロックは、特定の機能を実行するための手段の組み合わせ、特定の機能を実行するための工程の組み合わせ、および特定の機能を実行するためのプログラム指示手段を支持する。ブロック図およびフローチャート図の各ブロック、およびブロック図とフローチャート図のブロックの組み合わせは、特定の機能または工程を実施する特殊用途のハードウェアがベースとなるコンピューターシステム、または特種用途のハードウェアとコンピューター指示の組み合わせにより実施されうることがまた、理解される。

ある態様において、ＡＶＲの正確な推定は、視神経乳頭検出、血管の区分化、血管幅の測定、血管ネットワークの解析および動脈／静脈分類、の１つ以上を包含することができる。視神経乳頭の検出は、測定が得られた関心領域（ＲＯＩ）の位置を決定できる。血管の区分化は、血管自身、およびそれが用いられる方法によっては、血管の幅を見出すために用いることができる。次いで、本方法および本システムは、どの血管が動脈で、どの血管が静脈かを高い精度で識別することができる。小さな分類エラーは、最終ＡＶＲに多大な影響を有しうる。

ＡＶＲ測定のためのプロトコールは確立されている。プロトコールは、測定をどこで得るか、測定をどのように得るか、定義する。本明細書に記載される自動方法およびシステムは、可能ならいつでもこのプロトコールを追随する。ある態様において、本方法および本システムは、視野（ＦＯＶ）の境界周辺の勾配を除去するための、ならびに画像の中の鈍い明度変化を除去するための、画像の前処理でありうる。前処理を、解剖学的ランドマークの検出にさらに集中させることができる。これらは、視神経乳頭、測定値が得られる網膜周辺上のランドマーク、実際に測定される構造の脈血管系を包含することができる。血管幅の測定値を得ることができ、測定領域内の血管は、動脈および静脈に分類できる。最終的に、動脈静脈比が決定される。

Ａ．前処理

本方法および本システムは、一つ以上の前処理技術を実施することができる。たとえば、視野ミラーリングおよびバックグラウンドの除去である。デジタルカラー眼底写真は、ＦＯＶ周辺に黒い境界を有する。大きな勾配により、ＦＯＶ境界に近い特性測定が乱される。それは、ミラーリング技術を適用することにより、除外することができる。この方法は、視野の円内からＦＯＶの外まで、ピクセル値を正確に映し出す。この操作は、オリジナル画像の解像度で実行することができる。鈍いバックグラウンド変化は、大きな標準偏差を伴うガウスフィルターで画像をぼやけさせ、オリジナルからぼやけた画像を差し引くことにより除去できる。ガウスフィルターの標準偏差の値は、ぼやけた画像が、例えば血管等の構造を一切含まないことが確実にできるほどに十分に大きい限りは、重要なパラメーターではない。この手順は、赤ならびに緑色面の両方で別々に実施することができる。ここから、緑および赤色面について述べたときはいつでも、それは前処理バージョンを指す。青色面は使用されない。

ある態様において、ピクセル分類は、網膜脈管構造の区分化のために用いられることができる。ガウスフィルターバンクのフィルター出力は、脈管構造を検出するためのｋＮＮ−分類器を訓練するための特性として用いることができる。この方法は、ガウスフィルターバンク特性は特定のスケールで抽出されているため、スケール非依存性ではない。さらに、血管区分化法が訓練される画像（たとえば、当業者に既知のＤＲＩＶＥデータベース）が、特定の解像度を有し、ゆえに特定の血管幅の範囲（ピクセルで測定）を有している。さらなる態様において、画像は、血管区分化を適用する前に、例えば要素４と共にダウンサンプルすることができる。

ある態様において、血管区分法は、画像中の各ピクセルに、ピクセルが血管内であると、０と１の間の尤度を割り与えることができる。これは、二進法の血管区分化を作る閾値でありうる、「血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）マップ」をもたらす。ある態様において、閾値化の前に、血管らしさマップを、たとえば五次スプライン内挿を用いて、オリジナル画像の解像度へアップサンプルして戻しうる。血管ネットワークを解析するために、骨格化法が閾値尤度マップに適用することができ、すべての血管を単一の中心線にまとめることができる。ある態様において、中心線は、一つ以上のピクセル幅でありうる。区分化された血管の骨格化の後、すべての中心線ピクセルに対する近隣ピクセルの数を数え、２つ以上の近隣ピクセルを有する中心線ピクセルを除去することにより、交差点および分枝点が除去されうる。この操作は、血管ネットワークを、個々に分析可能な血管区分の集まりにまでさらに区分化する。

ある態様において、教師あり位置回帰法が、視神経乳頭の中心点を検出するために用いられうる。この方法は、画像の中のある位置が視神経乳頭中心からどのくらい離れているかを推測できる。この推測は、画像中、および血管区分から得られる測定値に基づきうる。画像の中の多数の位置における推測値を得て、視神経乳頭から遠いと推測された位置を除外し、視神経乳頭中心に近いと推測された位置周辺を探索することによって、標的位置が見つけられる。本方法は、視神経乳頭の位置が判明している画像の多数のセットを用いて、最初に訓練することができる。この方法は、視神経乳頭サイズの推測値をもたらさないので、おおよその一定サイズが推定されうる。たとえば、３６０ピクセルの値は、視神経乳頭の直径（ＤＤ）に用いられうる。他の直径は、当業者により使用され、決定されうる。

ＡＶＲ算出プロトコールは、ＡＶＲが測定されるべき関心領域（ＲＯＩ）を定義する。このＲＯＩは、視神経乳頭の中心に置かれる（図１を参照のこと）。図１は、自動的に決定されたＲＯＩ領域と重ね合わせた画像を示す。「Ｂ」と標識された領域は、ＡＶＲ測定が行われた場所である。ＲＯＩは、円領域をいくつか含み、そのサイズは視神経乳頭のおおよその直径に基づいている。領域Ａは、視神経乳頭中心から０．５と１ＤＤの間にあり、領域Ｂは血管測定がなされた場所であり、視神経乳頭中心から１ＤＤと１．５ＤＤの間にある。ある態様において、本方法および本システムにより実行されたすべての分析と評価は、領域Ｂ内にあるが、しかし、本方法および本システムが操作できる領域内に広げる、または縮小させることは有益でありうる。

Ｂ．血管幅測定

ある態様において、前処理の後、脈管構造を細くして、一連の血管区分へさらに細分化することができる。領域Ｂの中に（部分的に）ない全ての血管区分（図１）は、ＡＶＲ分析で用いられないため、除去することができる。提示される血管区分化法はほとんどの血管（すなわち、広いもの、および狭いもの）をうまく位置づけることができるが、部分的な血管幅を決定するために用いられる脈管構造の二進法の区分化を生じさせる単一の閾値を選択することは、難しい。血管区分化法により作られる、尤度マップにおける値は、血管境界から網膜バックグラウンドへ離れるにつれ、ゼロになる傾向がある。この効果はまた、より広い血管より、全体的に低い尤度応答を有する、より狭い血管の血管幅に依存する。結果として、適用された閾値における比較的小さい変化は、十分な血管幅の差異をもたらし、より広い血管に対し視覚的に満足のいく結果を与える閾値は、より小さい血管を完全に見逃す。これは、血管検出が、より低い解像度で実行され、アップサンプル後のより大きなエラーをもたらすという事実により、さらに複雑になる。

ある態様において、トボガニングと呼ばれる技術を、血管区分化と組み合わせることができる。これは血管幅分析を、それらのオリジナルの解像度で、オリジナルの画像の上に実施できるという付加価値を有する。トボガニングは、画像を、ある基準に基づき均質である領域（すなわち、スプラット）へと細分化する区分化技術である。この技術の結果は、流域区分化における「集水流域」と同類である。マルチスケールの勾配度画像は、均質性を定義するために使用できる。勾配度を算出するために、画像は、ｘおよびｙ方向の両方において、最初に派生したガウスフィルターによる畳み込みを行うことができ、その後、各ピクセルに対する勾配度を得る。様々なスケールでの勾配度（すなわち、様々な標準偏差σ）は、たとえば脈管構造のような高いコントラストの構造の境界で、最大値を有する傾向がある。より低いスケールのフィルターは、小さい血管の境界でより応答することができ、より高いスケールのフィルターは、より広い血管の境界でより応答することができる。マルチスケール勾配度画像を得るために、スケールを標準化した勾配度を、σ＝１，２，３，４，５，６のスケールで算出することができ、画像の中の各ピクセルに対するスケールを超える最大値を使用することができる。トボガニング法を適用した後、スプラットマップ（図２ｃを参照のこと）を得ることができる。血管区分化アルゴリズムにより作られた尤度マップは、次に、各スプラットに対する、血管の中にある尤度を決定するために用いることができる。これは、スプラットの一部であるピクセルのすべての尤度値の中央値を、各スプラットに割り当てることにより達成される。スプラットは血管の内部または外部のいずれかにあると仮定される（この仮定は、低いコントラスト、狭い血管のケースでは、常には適用できないことに注意されたい）。正しい尤度マップと仮定すると、これは、血管の外部にあるものよりも、より高い尤度を割り当てられた血管の内部のスプラットをもたらす。結果として得られた血管マップにおいて、血管の境界は、より良く定義され、血管の幅の、選択された血管区分化閾値への依存はより少なくなる。この強化された血管マップは、血管幅の決定のために用いることができる。図２は、小さい部分画像上のより詳細なプロセスを示す。

図２は、本明細書に記載の、小さな部分画像上での様々なプロセス工程を示す図である。図２ａは、カラー眼底画像。図２ｂは、血管尤度マップである。この画像における、より高いピクセル値は、より高い血管尤度を意味する。図２ｃは、スプラットマップ、個々のスプラットの境界を示す。図２ｄは、各スプラットが、そのスプラット下の中央血管尤度値を割り当てられた、処理された血管尤度マップ。図２ｅは、各中心線ピクセルが、静脈の内部にある尤度を割り当てられた、血管中心線（表示のために拡張された）。図２ｆは、オリジナル画像に重ね合わせた最終血管幅測定。各３番目の測定値のみ、プロットされた。

ある態様において、部分的な血管幅の測定は、測定プロセスの間のエラーを最小化するために、部分的な血管の角度と垂直に実施されうる。部分的な血管の角度は、各血管区分におけるすべての中心線ピクセルに対して決定されうる。部分的な血管の角度は、両側に繋がれた７つの近隣ピクセルの座標と共に、中心線ピクセルの座標（すなわち、総数で１５座標）の共分散行列の最大固有ベクトルの方向として定義されうる。血管が始まる、または終わるところが知られていないため、角度の範囲は、［０…π］である。血管区分の末端近くでは、血管内部の中心線座標のみが、末端ピクセルに対して、８、使用される。他の値は、当業者により決定され、使用されることができる。図３は、網膜画像に重ね合わせた（図３ａ）、動脈静脈中心線分類結果（図３ｂ）を図示する。高いピクセル明度を伴う中心線ピクセルは、静脈である尤度がより高いものでありうる。

ある態様において、各中心線ピクセルに対する部分的な血管幅は、解像度を上げた血管マップにおいて左および右の血管の端を見つけ、それらの間の距離を算出することにより測定することができる。血管の端の位置を決定するために、尤度を、中心線ピクセルを通って、部分的な血管の角度と垂直に、線に沿って測定することができる。中心線ピクセルから始まり、血管境界は、左および右方向の両方で見いだされうる。スプラットがもはや血管の一部ではない尤度の閾値は、このアルゴリズムの重要なパラメーターでありうる。血管スプラットに割り当てられた尤度は、画像と共に変化し、部分的な血管のコントラストおよび血管幅に依存するため、部分的な血管の閾値は、各中心線ピクセルに対し決定されうる。中心線ピクセルのもとでの血管の尤度は、血管の閾値に対する適切な値を決定するために、例えば０．７の比率で乗じることができる。

ある態様において、血管区分に対する血管幅が決定された後、エラー補正が、血管幅における突然の部分的な変化を見出すことにより実行することができる。突然の変化は、１つの中心線ピクセルから他の中心線ピクセルへの、所定のピクセル数よりも大きいもの（たとえば、３）として定義されうる。突然の変化は、血管スプラットが血管幅測定に含まれないとき、またはバックグラウンドスプラットが血管幅測定に含まれるときに発生しうる。この比率閾値は、幅測定値が先行血管中心線ピクセル（たとえば、８先行血管中心線ピクセル）に類似（＜３ピクセルの差異）するまで、部分的に変化しうる。もし、血管幅が平均幅に一致するように調整できない場合、もともと検出された血管幅が使用されうる。図２は、小さな部分画像における幅測定結果を示す。血管幅測定に加えて、各中心線ピクセルに対する左および右の血管境界の位置が、保存されうる。これら２つのポイントを使用し、血管を交差するプロファイルが定義され、次いで、血管の交差から特性データを抽出するために用いられうる。図４は、測定直径および幅測定値を得た場所での交差血管を示す眼底写真の詳細である。白いドットは、測定を得た場所での血管上のポイントを指す。

さらなる態様において、グラフに基づく手法が、血管境界の描写に用いられうる。血管中心線画像は、血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）マップに由来し、血管の２つの境界は、次いで、血管ピクセル明度の一次導関数を、２−スライス３次元面区分化問題へと変換することにより、同時に区分化されうる。網膜画像において、血液カラムの境界は、血管直径に対する確実なプロキシを形成する。スプラットに基づく手法は確実な結果を提供するが、グラフに基づく手法は全体的に最適であると知られているため、血管境界の位置を決定するためのグラフに基づく手法は、より早く、正確に提供できる。ＡＶＲ分析に加え、両方の血管境界の区分化に基づく血管幅測定の自動化された測定はまた、網膜血管の形状を定量化させることができ、これはその形状もまた、心臓血管の疾患、糖尿病および網膜疾患により影響されるからである。最終的に、血管境界の正確な測定は、たとえばねじれや血管が数珠つなぎになること等の局所的な病的血管の変化を、正確に測定されるようにしうる。

両方の境界を同時に検出するために、２−スライス３−Ｄグラフが作製され、２つのスライス間の平滑度制約が適用されうる。ゆえに、同時の２−Ｄ境界区分化は、２−スライス３−Ｄ面区分化問題へと変換される。この問題は、次いで、ノードに重み付けたグラフにおける最小の閉集合をコンピューターで計算する問題へとさらに転換される。

最初の区分化が、グラフを作製するために必要とされる。血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）マップは、最初の区分化として用いられうる。一つの画像の例を、図５に示す。図５ａは、カラーの眼底画像である。白い長方形は、図６において拡大され、図示のために用いられる。図５ｂは、対応する血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）の画像である。グレースケール画像の閾値化により、二進法の血管区分化が作製される。（一定の）低閾値は、血管の継続性をよりよく維持するために選択されうる。その代償は、ノイズの小さな領域が適切に抑制されない可能性があることである。この問題を解決するために、所定数（たとえば、２０）ピクセルより小さい面積の血管領域を、閾値化された画像から削除することができる。次いで、逐次細線化手法を、血管中心線を見つけるために、二進法血管区分化に適用することができる。別の態様において、血管幅を、血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）マップから直接測定することができる。血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）画像は、閾値化され、二進法血管区分化を作製することができる。例示のために、固定された１９０の閾値が用いられる。次いで、幅は、この二進法血管マップ上で測定されうる。

血管中心線画像から、分枝点および交差点を除外することができる。分枝点は、３つの８接続隣接ピクセルを伴う中心線ピクセルとして定義され、交差点は、４つ以上の８接続隣接ピクセルを伴う中心線ピクセルとして定義されうる。ゆえに、血管中心線画像は、３つ以上の隣接ピクセルを有する中心線ピクセルを得るために最初にスキャンされうる。分枝点および交差点を削除することにより、血管ツリーが血管区分に分けられる。もう一度画像をスキャンすることにより、これらの血管区分から、一つの隣接ピクセルのみを有する末端ポイントが見いだされる。一つのエンドポイントから始めて、他のエンドポイントに届くまで、血管区分はトレースされることができる。このような方法で、画像上のすべての血管区分がトレースされ、標識される。

標識された各血管区分に対し、各中心線ピクセルに対する増加方向が算出される。ｎの隣接した中心線ピクセルが、標的中心線ピクセルの両側上で用いられ、結果として得られる血管区分上で、重要な構成要素の分析が適用される。ｎの値は、画像サイズのパラメーターであり得、画像サイズの最初の大きさの約０．００５倍である。たとえば、画像の最初の大きさが６００ピクセルであった場合、ｎの値は、３ピクセルであり、すべての血管区分の長さは７ピクセルとなる。ある態様において、ｎの最小値は、２でありうる。最初の重要な構成要素は、ピクセルの増加方向に一致しうる。血管増加方向を定義するための十分な隣接中心線ピクセルを有しないエンドポイントは、血管増加方向の定義を有するもっとも近い中心線ピクセルの方向を有するように決定されうる。

血管増加方向に対し、反時計方向に９０度は、このポイントに対し正常方向とみなされる。図６に示すように、ベースノードとして中心線ピクセルを用いて、正常のプラス方向上のプロファイルが、一つのスライスとして作られ、マイナス方向上のプロファイルは、他のスライスとして作られる。

図６は、血管正常プロファイルをどのようにグラフへ出力するかを図示したものである。図６ａは、図５から抽出された血管の小さな区分。図６ｂは、図６ａの血管の可能性の画像。図６ｃは、図６ａの血管中心線の画像。図６ｄは、血管増加方向が算出され、血管増加方向に垂直なノード正常プロファイルが構築される。図６ｅは、図６ｄにおける赤い正常プロファイルが、赤いグラフスライスを作製するために用いられ、図６ｄにおける緑の正常プロファイルが、緑のグラフスライスを作製するために用いられる。黒いノードは、図６ｄにおける黒い中心線ピクセルに対応する、ベースノードを表す。その結果、赤いスライスは、図６ｄにおける一つの境界を表し、緑のスライスは、図６ｄにおける他の境界を表す。平滑度制約（隣接カラムの間のアークにより調整される）は、別々に適用され、一つの境界内および二つの境界間の境界平滑度を調整する。

各正常プロファイルＣｏｌ（ｘ，ｙ）に従い、各ノードＶ（ｘ，ｙ，ｚ）（ｚ＞０）は、ノードＶ（ｘ，ｙ，ｚ−１）に方向づけられたアークを有する。ｘ方向（同じ境界に沿うことを意味する）に従い、各ノードに対して、方向づけられたアークは、Ｖ（ｘ，ｙ，ｚ）∈Ｃｏｌ（ｘ，ｙ）からＶ（ｘ＋１，ｙ，ｍａｘ（０，ｚ−Δ_x））∈Ｃｏｌ（ｘ＋１，ｙ）へ構築される。同様に、Ｖ（ｘ，ｙ，ｚ）∈Ｃｏｌ（ｘ，ｙ）からＶ（ｘ−１，ｙ，ｍａｘ（０，ｚ−Δ_x））∈Ｃｏｌ（ｘ−１，ｙ，ｚ）へのアークが構築される。Δ_xは、１つの境界内で２つの隣接する正常プロファイル間に許可される最大差異である。ｙ方向（２つのスライス間を意味する）に従い、Ｖ（ｘ，ｙ，ｚ）∈Ｃｏｌ（ｘ，ｙ）からＶ（ｘ，ｙ＋１，ｍａｘ（０，ｚ−Δ_y））∈Ｃｏｌ（ｘ，ｙ＋１，ｚ）へのアーク、およびＶ（ｘ，ｙ，ｚ）∈Ｃｏｌ（ｘ，ｙ）からＶ（ｘ，ｙ−１，ｍａｘ（０，ｚ−Δ_y））∈Ｃｏｌ（ｘ，ｙ−１，ｚ）へのアークが構築される。Δ_yは、二つの境界間の対応する二つの正常プロファイル間で許可される最大差異である。ベースノードはすべて接続される。面は、Δ_xおよびΔ_yで定義される平滑度制約を満たす場合、実行可能とみなされる。最適な面は、３−Ｄ容積中で定義されるすべての実行可能な面の間での最小コストを伴う面として、定義される。

コスト画像は、緑のチャネルの、方向感受性のあるガウス１Ｄ一次導関数から作製される。カラー画像の緑のチャネルは、通常、血管とバックグラウンドの間で最も高いコントラストを示す。異なる方向で、異なる位置で特定される血管の勾配を見つけるため、ガウス１Ｄ導関数を伴う離散コンボリューションが、血管増加方向に垂直な方向に沿って、適用される（図７で示される）。ガウスカーネルの導関数は、以下の数式１に示される。
ここで、σは、ガウス一次導関数における唯一のパラメーターである。図７は、例である。図７ａは、緑のチャネル画像の一部分を拡大したものを示す。図７ｂは、方向感受性のあるガウス１Ｄ導関数の結果を示す。

Δ_xの値は、一つの境界内での平滑度を維持するために、１とすることができ、Δ_yは、中心線が、二つの端の中心に正確にはない場合に、中心線から左端、および中心線から右端の幅の間の差異を許可するために、２とすることができる。ノードに重み付けた方向のグラフが構築された後、最適面が決定されうる。血管幅を決定するために、２つのスライスからの最適面の上にある２つの対応するノードの間の座標の差異を、算出することができる。画像上の境界を示すために、最適面の上の各ノードの最も近い整数の座標が算出され、画像の上に示すことができる。

Ｃ．動脈および静脈への分類

画像の中の動脈および静脈の分離分析を可能にするために、従前に検出された血管区分が、これら２つの分類のうちの１つに割り当てられる。ある態様において、教師ありシステム（すなわち、例で訓練された）を用いることができる。訓練手順の後、分類法を、以前には見えなかった中心線ピクセルを、動脈または静脈のいずれかへ分類する（ＡＶ分類）ために、用いることができる。前処理手順および血管幅測定を、訓練セット中のすべての画像に適用することができる。専門家であれば、訓練画像のそれぞれに対し、所与の主な血管が動脈または静脈のいずれであるかを示すことができる。

訓練段階において、分類器は、中心線ピクセルの両分類間を識別するために、訓練セット中の専門家により標識された血管を用いて、訓練されることができる。訓練セット中のすべての血管が動脈または静脈としてマークされているわけではないので、マークされていない血管からの中心線ピクセルは、訓練データセット中に含まれない。訓練画像における残りのすべての中心線ピクセルに対し、一連の部分的な特性が抽出された。表Ｉにおいて、用いることができる例示的に抽出された特性のリストを示す。一般的に、特性は、色ならびに血管内の色変化を明らかにする。血管全体で測定されたすべての特性は、従前に決定されたようにプロファイル上で測定されることができる。

血管内の血液の明白な色は、画像間、および対象の全体で変化する。この変化には、いくつかの原因がありうる。主には、ヘモグロビン酸素飽和の量が血液カラムの反射性に影響し、この差異が、可視化される静脈血液の低い彩度と、動脈血液の高い彩度の間の差異をもたらす。次に、異なる波長に対するレンズ吸収が、加齢および白内障の発症により影響され、血液により反射された光のスペクトル分布におけるシフトをもたらす。血管の下の網膜色素上皮の色素沈着における個々の差異がまた、光反射のスペクトルに影響を与える。最後に、検査の全体において、同じ対象からであっても、フラッシュの明度、フラッシュのスペクトラム、カメラの非線形の光学的なゆがみ、フラッシュのアーチファクト、およびフォーカスにおける差異がまた、かなりのばらつきの原因となる。これらの要因が、分類を実質的に複雑化し、個々のすべての画像に対する血管のカラー特性のユニット標準偏差、およびゼロ平均への標準化が、分類を改善することができる。各中心線ピクセルに対する特性をサンプリングした後、適切なラベルが、参照標準に基づき割り当てられ、すべての訓練サンプルが訓練データセットに保存されうる。このサンプリングプロセスは、訓練セットのすべての画像に対し繰り返されることができる。

訓練セットは、次いで、別々の分類器の選択トレーニングおよび検証セットへ分けることができる。いくつかの異なる分類器（たとえば、ｋ−Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ Ｃｌａｓｓｉｆｉｅｒ、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ Ｃｌａｓｓｉｆｉｅｒ、Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ ＣｌａｓｓｉｆｉｅｒまたはＱｕａｄｒａｔｉｃ Ｄｉｓｃｒｉｍｉｎａｎｔ Ｃｌａｓｓｉｆｉｅｒ）を用いることができる。受信者動作特性（ＲＯＣ）曲線のもと、面積を最大化する分類器が選択されうる。

訓練段階が完了した後、訓練された分類器を、検証セットの画像に適用することができる。すべての検証画像は、訓練画像と同様に前処理されうる。各中心線ピクセルに対し、完全な２７の特性のセットが抽出されるが、より少ない、および／または異なる特性を使用することができる。訓練された分類器は、次いで、ソフトラベルｌ＝［０…１］を割り当てるために用いられうる。ここで、０に近いラベルは、そのピクセルが動脈内であった可能性があることを意味し、１に近いラベルは、ピクセルが静脈内であった可能性を意味する。血管区分中のすべてのピクセルが、動脈または静脈内のいずれかであると仮定することができる。中心線ピクセルに割り当てられた各ソフトラベルは、完全区分のラベルに対する票とみなすことができる。全体の血管区分に対する中央ラベルを取ることを含む、多くの異なる方法において、これらの票の組み合わせを行うことができる。

部分的な画像の特徴における変化により、区分のそれぞれに割り当てられたソフトラベルは、画像の全体にわたり変化しうる。全体的な閾値は、単一の対象内で静脈から動脈を常に成功裏に分離するとは限らず、対象間で変化する。最終的な分類を実施するために、動脈と静脈は通常、対をなすという公知の事実を使用することができる。これは、ＲＯＩの領域Ｂにおける円内で視神経乳頭の周囲に行く場合、最初に静脈に出会った後、通常は動脈にも出会う（逆もまた然り）ことを意味する。このルールはいつも守られるわけではなく、特定の異なる血管区分に適合する血管区分を見つけることは簡単ではないため、投票手順が実行されうる。

投票手順の間、視神経乳頭の周囲およびＲＯＩの領域Ｂ内のある直径を有する円と交差する全ての血管区分が、マッチングにふさわしいものでありうる。円上で、最も近い隣接血管区分を見つけることは容易であり、円上で最も近い交差点を見つけることによって行われうる。両点のソフトＡＶラベルは比較することができ、そして最も高いソフトラベルを備える血管区分は「静脈」の票を受け取ることができ、その他は「動脈」の票を受けることができる。次いで、次に近い、対をなしていない血管が選択され、手順が繰り返される。この手順の結果は、開始血管区分に依存する。異なる血管区分を開始区分として選択することにより、血管区分の間のＡＶ票の分布は、変化する。それゆえ、マッチングに適したすべての血管区分は、開始血管としていったん選択され得、マッチング手順が繰り返される。最終的に、票が数えられ、血管区分のそれぞれがハードラベルを割り当てられる（すなわち、受け取った票に基づき、動脈または静脈のいずれか）。動脈および静脈票が等しい数の血管区分は、分析から除外することができる。

Ｄ．ＡＶＲの測定

ある態様において、細動脈対細静脈の比は、
ＡＶＲ＝ＣＲＡＥ
ＣＲＶＥ
として定義づけられ、
ここで、ＣＲＡＥは、中心網膜動脈当量（Ｃｅｎｔｒａｌ Ｒｅｔｉｎａｌ Ａｒｔｅｒｙ Ｅｑｕｉｖａｌｅｎｔ）であり、ＣＲＶＥは、中心網膜静脈当量（Ｃｅｎｔｒａｌ Ｒｅｔｉｎａｌ Ｖｅｉｎ Ｅｑｕｉｖａｌｅｎｔ）である。これらの数を算出するために、血管を適合させ、ＣＲＡＥおよびＣＲＶＥを算出するための反復プロセスを用いることができる。最も広い６つの静脈と動脈（これらは対である必要はない）を用いることができるが、十分な測定点が利用できない場合には、幅の総数がより少なくても、用いることができる。アルゴリズム１は、例示的な実施を示す。

ある態様において、最終的な投票手順は、ある直径の円上で得られた測定値に基づき得る。ＲＯＩ中のすべての血管区分が、任意の特定の直径の円と交差するチャンスは、小さい。それゆえ、投票手順およびＡＶＲ算出は、ＡＶＲ ＲＯＩ内の様々な直径で繰り返されるべきである（図４を参照のこと）。例示のために、ＤＤが３６０ピクセルであった、０．１ＤＤの工程において、直径は１ＤＤから１．５ＤＤであり、投票とＡＶＲ算出手順は、６回繰り返されうる。これは、ＡＶＲ ＲＯＩを等距離にした見本であることに注意されたい。円の直径それぞれに対し、ＡＶ投票手順が実行され、部分的な血管幅が測定され、２つのベクトルに保存される。Ａが動脈であり、Ｖが静脈である。次に、アルゴリズム１を、ＡＶＲ算出のために用いることができる。結果として得られる６つのＡＶＲ値は、平均すると、完全画像に対する最終ＡＶＲ推定値となる。

図８に図示される、ある態様において、動静脈比（ＡＶＲ）の自動決定方法およびシステムが開示され、それらには、８０１での画像の受領、８０２での画像中の関心領域の検出、８０３で関心領域中の動脈および静脈の識別、８０４で識別された動脈および静脈に対する血管幅測定値の決定、８０５で血管幅測定値からの、動静脈比（ＡＶＲ）の推定、が含まれる。ある態様において、ＡＶＲの減少は、疾患に対する高い傾向を示す。たとえば、「正常な」ＡＶＲからの減少、または従前のＡＶＲからの減少である。ゆえに、本方法および本システムは、網膜および心血管系疾患の早期検出への新規定量的手法を提供する。

ある態様において、画像中の関心領域を検出することは、画像中の視神経乳頭を検出することをさらに含みうる。関心領域中の動脈および静脈を識別することは、画像の上で血管区分化を実行することを含みうる。画像の上での血管区分化の実行は、動脈または静脈ピクセルとして画像中のピクセルを分類するための、訓練された分類器の使用をさらに含み得る。

ある態様において、画像は、カラー画像、多波長の画像、光コヒーレンストモグラフィー画像のうち一つ以上でありうる。画像は、網膜、虹彩、肌、脳表面または任意の２つの異なる波長イメージングプロセスを用いて撮像された可視血管を伴う任意の組織でありうる。

訓練された分類器は、導関数、テクスチャおよび色特性のうち１つ以上を含む特性ベクトルを使用することができる。

ある態様において、識別された動脈および静脈に対し血管幅の長さを測定することは、グラフサーチ、マルチスケールピクセル特性に基づくトボガニング法およびスプラットのうち１つ以上を使用することを含む。グラフサーチは、マルチスケールコスト機能を使用することができる。マルチスケールコスト機能は、ガボール、ガウス導関数（Ｇａｕｓｓｉａｎ ｄｅｒｉｖａｔｉｖｅ）およびガウスカーネルの差（Ｄｉｆｆｅｒｅｎｃｅ ｏｆ Ｇａｕｓｓｉａｎ ｋｅｒｎeｌｓ）を含む、ウェーブレットカーネルリフティングのいくつかの組み合わせから誘導されうる。

提示される本方法および本システムは、たとえば心臓および脳の血管造影のような、他の二次元血管画像へ適用することができる。

さらなる態様において、本方法および本システムは、疾患傾向の指標を提供するために用いることができる。本方法および本システムは、バッチ処理のための大量の画像、およびヒトの集団に対する疾患傾向の測定に適用することができる。

ある態様において、画像中の画像領域における動脈／静脈の長さを自動測定するための方法およびシステムが提示される。本方法および本システムは、画像領域を識別するために、乳頭検出、乳頭中心点測定および乳頭直径長を利用することができる。ピクセル分類および数理形態学を、動脈／静脈の長さを測定するために用いることができる。画像は、カラー画像でありうる。画像は、多波長の画像でありうる。画像は、ＯＣＴ画像および多波長の画像の組み合わせでありうる。画像は、網膜、虹彩、肌、脳表面、または任意の２つの異なる波長のイメージングプロセスを用いて撮像された可視血管を伴う他の組織でありうる。

ある態様において、本方法および本システムは、動脈および静脈の長さを用いる画像中のピクセルを分類することができる。分類は、導関数、テクスチャおよびカラー特性を含む、特性ベクトルを使用することができる。カラー特性は、個別画像のそれぞれに対して、標準化することができる。例示の目的で、ｋｎｎ分類器またはサポートベクトル機械を、ピクセルを分類するために用いることができる。一つまたは複数の血管の中心線が、分類に割り当てられることができる。

さらなる態様において、開示される本方法に特性を供するために、部分的な血管パラメーターを正確に測定するための、方法およびシステムが開示される。さらなる態様において、本方法および本システムは、フィルターを用いて部分的な血管テクスチャパターンを測定することができる。フィルターは、たとえば、ガウス導関数、ガボールフィルター、もしくはウェーブレットフィルターに基づくフィルターバンク、またはそれらの組み合わせでありうる。フィルターは、画像サンプル、および例えばそれらの主要構成要素分析等の変換を用いて得ることができる。

よりさらなる態様において、血管全体自身を分類するために、ピクセルに基づく動脈静脈分類を血管全部へ広げるための方法およびシステムが提示される。さらなる態様において、血管境界間の網膜血管の正確な幅測定を実行するための方法およびシステムが提示される。血管境界は、グラフサーチを用いて測定することができる。グラフサーチは、マルチスケールコスト機能を用いることができる。マルチスケールコスト機能は、ガボール、ガウス導関数およびガウスカーネルの差を含む、ウェーブレットカーネルリフティングのいくつかの組み合わせから誘導することができる。境界は、トボガニング法に基づくマルチスケールピクセル特性およびスプラットを用いて測定することができる。

ある態様において、どのように血管ネットワークが接続されているかを測定するために、部分的な血管構成を分析することができる方法およびシステムが開示される。さらなる態様において、ＡＶ比を算出するために幅の長さを得る必要がある画像中の位置を測定することができる方法およびシステムが開示される。乳頭検出、乳頭中心点測定、および乳頭直径長が、画像の位置を識別するために用いることができる。特性は、すべての血管ピクセルに対し標準化されうる。特性は、すべての乳頭血管ピクセルに対し、標準化されうる。特性は、すべてのバックグラウンドピクセルに対し標準化されうる。

以下の例示は、特許請求される化合物、組成物、物品、デバイスおよび／または方法が本明細書において、どのように作製され、評価されるかについての完全な開示および記述を当業者に提供するために提示されるものであり、純粋に例示を目的としており、本方法および本システムの範囲を制限する意図はない。数字（たとえば、量、温度等）に関し、正確性を期しているが、いくつかのエラーおよび誤差が含まれうる。他で示されない限り、部は重量部であり、温度は℃または周囲温度であり、圧力は大気圧であるか、それに近いものである。

最初の実験において、６５枚のデジタルカラー眼底写真を、訓練および検証のために得た。すべての画像は、アイオワ大学病院で、デジタルバック（ＯＩＳ ｓｙｓｔｅｍｓ，Ｓａｃｒａｍｅｎｔ，ＣＡ）を備えた３０度のツァイス眼底カメラ（Ｃａｒｌ Ｚｅｉｓｓ Ｍｅｄｉｔｅｃ，Ｄｕｂｌｉｎ，ＣＡ）を用いて、初期の開放隅角緑内障の患者から得られた。画像は、乳頭を中心にした。画像の面積は、色平面ごとのピクセルにつき、８ビットで、２３９２×２０４８ピクセルであり、出力のためにＪＰＥＧフォーマットで保存される。ＡＶ分類コンポーネントの訓練およびアルゴリズムに対するパラメーターの決定のために、２５枚のデジタルカラーの眼底写真が、ランダムに、１組６５枚から選択された。残りの４０画像は、検証セットに割り当てられ、完全なシステムの評価のためにのみ用いられた。

動脈静脈分類法の訓練のために、訓練セットの画像中の主要な血管を、動脈または静脈のいずれかとして、眼科医（ＡＶＤ）が標識した。血管中心線のみが標識される必要があったので、正確な血管分類は必要ではなかった。標準的なペインティングプログラムを用いて、主要な血管の上に線を手で引くことにより、標識が行われた。青色および赤色が、それぞれ静脈および動脈として用いられた。

本方法の２つのコンポーネントが、検証画像、ＡＶ分類およびＡＶＲ測定で評価された。ＡＶ分類を評価するために、検証セット中の画像のそれぞれにおける血管が、眼科医（ＡＶＤ）により動脈または静脈のいずれかとして手で標識された。主要な動脈および静脈が検証セット中で標識された方法とは対照的に、すべての血管のうち、ＡＶＲ ＲＯＩの内側にある部分のみ（すなわち、小血管を含む）が、検証セット中で標識された。専門家が、ＲＯＩ中のすべての血管を、動脈または静脈のいずれかとして標識した。

ＡＶＲ参照標準をセットするために、米国ウィスコンシン州マディソンのウィスコンシン大学で開発された半自動のコンピュータープログラムが用いられた（ＩＶＡＮ）。２人の眼科医が、このソフトウェアを用いて検証セット中の画像を処理した。両眼科医は、ソフトウェア開発者により規定されたプロトコールを用いて、ソフトウェアの使用について指導を受けた。ＩＶＡＮは、半自動であり、ＡＶＲ ＲＯＩの位置づけ、血管幅測定および動脈静脈分類は、手動の調整を必要とする。ヒトのオブザーバーは、分析を実行するため、画像ごとに平均で約１０分かかる。ソフトウェアは、いくつかの異なるＡＶＲ測定値を出すことができる。最初の眼科医により得られた比（ＭＤＡ）は、参照標準として用いられ、２番目の眼科医（ＡＶＤ）の比が専門家間の変動を測定するために用いられた。

本明細書に提示される本方法およびシステムは、４０枚の検証画像すべてに対し適用された。本システムは、視神経乳頭を見つけ出し、４０画像すべてにおいて、ＡＶＲを成功裏に位置させた。これは、目視検査により確認され、ＡＶＲ ＲＯＩは４０画像すべてにおいて視神経乳頭を中心におかれた。

ヒト専門家により標識された動脈／静脈分類を比較するために、動脈をクラス０、および静脈をクラス１として、ＲＯＣ分析を実施した。この分析は、血管中心線ピクセル上でのみ実施されたことに注意されたい。提案された分類システムは、各中心線ピクセルに、静脈の内側であったという尤度値を割り当てた。すなわち、０の値は、中心線ピクセルが動脈の内側にある可能性が高いことを示し、１の値は、中心線ピクセルが静脈内にある可能性が高いことを示す。ＲＯＣ分析を実施し、結果として得られた曲線を図９に示す。本システムは、０．８４の曲線下の領域を得た。これは、ランダムに動脈ピクセルが選ばれ、ランダムに静脈ピクセルが選ばれたとすると、本自動システムは、８４％のケースで、正確に、静脈中心線ピクセルにより高い尤度を割り当てることを意味する。

本システムの、画像に動静脈比を割り当てる能力を評価するために、本システムおよび２番目のオブザーバーにより出されたＡＶＲを、直接、参照標準と比較した。対応ｔ検定により、参照標準と本システムの測定値の間に有意差が無いことが示された（ｐ＝０．６６）。同様に、二番目のオブザーバーの測定値にも、有意差は無かった（ｐ＝０．５９）。表２において、個々の画像に対する結果を示す。「参照」列は、測定値に対する参照標準を含み、「システム」は、自動システムからの出力であり、「Ｏｂｓ．２」は、２番目のオブザーバーからの測定値を含む。イタリック体のすべての数値は、最初と２番目の間の差異を表す。自動システムおよび２番目のオブザーバーの両方と参照標準の間の一致を視覚的に評価するために、結果を、図１０において、Ｂｌａｎｄ−Ａｌｔｍａｎプロットにプロットした。このグラフは、それらの間の差に対する２つのＡＶＲ測定の平均をプロットし、エラー分布および２つの方法の間の一致の分析を、視覚的にもたらした。図１０は、Ｂｌａｎｄ−Ａｌｔｍａｎプロットまたは自動システムおよび参照標準の間の一致（図１０ａ）、および２番目のオブザーバーと参照標準の間の一致（図１０ｂ）を提示する。赤線は、９５％限界または一致を表す。点線は、ＡＶＲ測定間の差の平均を表す。

本研究は、完全自動方法は、網膜カラー画像におけるＡＶＲを平均エラーを伴って推定でき、このエラーは、参照標準システムＩＶＡＮを使用したヒト専門家と同等の平均エラーであることを示す。本自動方法はまた、網膜血管ピクセルを、動脈または静脈の部分であると、成功裏に分類した。

従前に提示された方法と比較し、ＡＶ分類に対するＲＯＣ曲線下の領域は、改善が見えないように思われる。しかしながら、従前に提示された方法とは対照的に、ＲＯＩの領域Ｂの内側で検出されたすべての血管中心線ピクセルが分類されたことを注記しておくことが重要である。これは、オブザーバーが、それらが動脈または静脈のいずれであるのか、その元まで血管をたどることなしには判明することができなかった血管も含む。従前の方法では、眼底画像の間にある高い変動性により作り出される課題を克服するために、分類の代わりにクラスタリングを用いていた。個々の画像に対し標準化されたカラー特性の使用は、教師あり分類手法と組み合わされて、クラスタリングの使用よりも良い結果をもたらす。

表２は、各画像に対する自動システムの参照標準に関するエラーを示す。平均ＡＶＲ値およびそれらの参照標準の標準偏差は、自動システムおよびオブザーバー２の間で非常に近く、統計検証は、その平均の間に有意差は無かったことを示した。にもかかわらず、自動システムによる８つのＡＶＲ測定が、参照標準と比較した場合に、０．１０を超えるエラーを有する。しかしながら、これらのうち、５つが、２番目のオブザーバーにより行われた測定と比較的良い一致を示す。Ｂｌａｎｄ−Ａｌｔｍａｎプロット（図１０を参照のこと）は、ＡＶＲ測定値間の平均差異が、０に近く、自動システムおよび２番目のオブザーバーの両方が、バイアスを有しないことを示す。自動化と２番目のオブザーバーの両方に対する一致の９５％限界はまた、ほぼ同じである。しかしながら、２番目のオブザーバーは、２つの大きな異常値を有し、それが無ければ、９５％限界の一致は多少、０近くに移動するであろう。

２番目の実験において、我々の方法をさらに評価するために、平均血管幅（動脈および静脈の両方）および視神経乳頭への距離の間の関連性が、６００枚の合成カラー眼底画像のサンプル（それぞれは、登録および混合眼底画像の２つからなる）において測定された。

ＲＥＶＩＥＷデータベースを用いて、本方法および本システムの正確性を認証した。ＲＥＶＩＥＷデータベースの各プロファイルは１５の数字からなる。シリーズ番号、画像番号、区分番号および３つのオブザーバーのそれぞれに対する４つのデータである。３つのオブザーバーは、Ｏ₁、Ｏ₂、およびＯ₃で表される。各オブザーバーに対し、各端（ｘ₁、ｙ₁ｘ₂、およびｙ₂）上の２つのポイントに対する４つの測定値がある。血管中心線は、各オブザーバーに対し、（ｘ₁−ｘ₂）²＋（ｙ₁−ｙ₁）²として定義され、血管の幅は、（ｘ₁−ｘ₂）²＋（ｙ₁−ｙ₂）²として定義される（ｈｔｔｐ：／／ＲｅｖｉｅｗＤＢ.ｌｉｎｃｏｌｎ.ａｃ.ｕｋ）。次いで、ＲＳとして表される参照標準が、３つのオブザーバーの手動の結果を平均することにより、作り出される。

血管中心線は、本明細書に記述されるように決定され、ＲＳ中の中心線に位置され、ＲＳ中にも発生した血管中心線ピクセルのみが分析された。さもなければ、中心線ピクセルは無しとして標識された。

本明細書に記述される本方法および本システムは、従前の方法（１ＤＧおよび２ＤＧはそれぞれ、１−Ｄガウスモデルフィッティングおよび２−Ｄガウスモデルフィッティングを意味する）の結果と比較された。

６００枚の登録された眼底画像のデータセット上で、この関係性を測定するために、すべての血管の血管幅が、本明細書に記述されるように得られた。一つのピクセル幅の円形の関心領域は、視神経乳頭を中心とした。各関心領域（すなわち、動脈および静脈の両方）中のすべての血管の平均幅が、次いで、グラフにプロットされ、並びに平均幅の９５％信頼区間（ＣＩ）もプロットされた。乳頭から４５０ピクセル超の大きさの距離がある中心線ピクセルは、画像の端に近すぎた。それはすべての中心線ピクセルの２．１％未満であり、さらなる分析からは除外された。

得られた血管境界検出の品質の例を、図１１に示す。低いコントラストを有する最も小さい血管上でさえ、良い性能が得られた。図１１ａは、ＣＬＲＩＳデータベースからの一つの画像である。画像サイズは、２１６０×１４４０、ａ＝４である。図１１ｂは、図１１ａの画像の拡大部分である。

本明細書に提示される本方法および本システムは、表３〜表６にある他の既知のアルゴリズムと比較された。最初の３行は、オブザーバーからの手動の結果である。４〜８行は、他のアルゴリズムの結果を示す。最後の行は、開示された本方法および本システムの結果を示す。最初の列は、成功率である。対応するグラウンドトルス（ｇｒｏｕｎｄ ｔｒｕｔｈ）を有する各中心線ピクセルは、幅推定に関わりなく、「成功測定値」として描画する。ゆえに、意味のある推定結果をもたらす測定値ではなかったとしても、対応するグラウンドトルスプロファイルを伴うすべての測定値が含まれた。２〜３列は、「成功測定値」として標識されたすべての測定の平均および標準偏差である。４〜５列は、ポイントごとの差異の、符号付きの平均および標準偏差である。

４つのデータセットの間で、ＨＲＩＳデータセットは、最も高い解像度を有する（３５８４×２４３８ピクセル）。血管幅検出の性能はオブザーバーと同程度である。

ＣＬＲＩＳデータセット画像は、２１６０×１４４０ピクセルの解像度を有する。平均血管幅およびポイントごとの差異平均は、オブザーバーの性能と非常に近い。しかし、ポイントごとの差異の標準偏差は高い。ＶＤＩＳデータセットは１３６０×１０２４ピクセルの解像度を有する。平均血管幅は、グラウンドトルスより０．５３ピクセル小さい。ＫＰＩＳデータセットは、最も小さい画像解像度（２８８×１１９ピクセルおよび１７０×９２ピクセル）を有する。

検証により、高い解像度を伴う眼底画像は、より高いσでより正確に測定できることが示される。ａの最終選択は、ＨＲＩＳデータセットに対してはσ＝７、ＣＬＲＩＳおよびＶＤＩＳに対してはσ＝４、ＫＰＩＳに対してはσ＝１である。

図１２は、ＨＲＩＳに対する予測血管幅およびオブザーバーの測定値平均の相関関係を示す。回帰線は、オブザーバーの測定値に比較して、微細血管を伴う血管に対してより小さい長さを与え、大きな血管に対してより大きな長さを与える予測傾向を示す。各々のポイントは、一つのプロファイルを表す。赤線はｙ＝ｘの直線である。黒線は、回帰直線（ｙ＝０．８７ｘ＋１．５６）である。

血管幅と視神経乳頭中心からの距離の相関関係を、図１３に示す。全部で２，９３６，７４９の中心線ピクセルが６００枚の画像から抽出された。血管が非常に複雑な構造を示す場所で、視神経乳頭中心に近いピクセルが考慮されなかった場合、平均血管幅は、２０ピクセルから４５０ピクセルの距離まで単調な減少を示し、視神経乳頭まで３００ピクセルの距離で突然の勾配変化を示す。視神経乳頭境界に近い血管に対しては、平均血管幅は約５．０ピクセル（おおよそ７５ミクロン）であり、一方で視神経乳頭まで４５０ピクセルの距離を有する血管は、３．５ピクセル（おおよそ５２．５ミクロン）の平均血管幅を有する。

図１３は、血管幅と視神経乳頭までの距離の間の相関関係を図示する。黒い円は、視神経乳頭中心まで４００ピクセルを示す。血管幅分析は、視神経乳頭中心から開始し、４５０ピクセルの距離（ｘ軸）で終了する。ｙ軸は、ピクセルでの血管幅を示す。緑の線は、平均血管幅である。黒の線は、９５％信頼区間線である。画像解像度は約８００×７００ピクセルである。スケールパラメーター（Ｊ＝４ピクセル）を用いた。

本明細書に提示される本方法および本システムにより、グラフに基づく手法を用いて、網膜血管境界を識別することができる。評価結果により、血管境界が正確であり、本方法および本システムが、標準網膜画像解像度の２つのデータセット上の従前のアルゴリズムよりも性能が優れていることが示される。本明細書に開示される方法およびシステムは、世界中で糖尿病性網膜症のスクリーニングプログラムで用いられている標準後極画像上の小さな血管でさえ、網膜血管境界の識別を可能にする。

結果は、距離とともに血管幅と視神経乳頭中心の間の関係性が反比例し、単調になることを示す。この方法を用いて、６００人の糖尿病患者からの、平均網膜血管径と視神経乳頭からの距離の間の関係性を、確実に測定した。視神経乳頭中心に近い（約２０ピクセル）血管ピクセルを除き、血管幅は、視神経乳頭から中心までの距離を考慮すると、単調な減少を示す。これは、血管容積が変化しないと仮定すると、分枝により引き起こされた可能性が最も高い。血管の数が一定に保たれていれば、視神経乳頭までの距離が増加するとともに分枝頻度が高くなり、幅減少の勾配が大きくなる。約３００ピクセルの距離で、平均血管幅のわずかな勾配変化があり、これは、ここで視神経乳頭を中心にした画像が終わり、我々のデータセットに登録された窩を中心とした画像へ遷移するという事実によるところが、最も可能性が高い。

図１４は、異なる解像度の血管区分上の血管幅の測定値を図示し、図１４ａは、ＨＲＩＳからの一つの検証血管区分である。血管区分の長さは１７３ピクセルである。図１４ｂは、ＫＰＩＳからの一つの検証血管区分である。血管区分の長さは２２６ピクセルである。図１４ｃは（ａ）の血管幅測定結果である。もし検出された端が整数の位置ではない場合、最も近い整数の座標が示される。図１４ｄは（ｂ）の血管幅測定結果である。もし検出された端が整数の位置でない場合、最も近い整数の座標が示される。図１４ｅは、（ａ）に対する中心線への距離に関する血管明度の断面図である。黒い曲線は、血管区分における１７３の正常プロファイルの平均である。整数座標ではない明度は、直線的に内挿されている。赤い星は、オブザーバーによりマークされた血管区分全体にわたる平均血管幅である。緑の星は、提案された方法により測定された血管区分全体にわたる血管幅の平均である。２つの境界は反転され、１つの図に示される。図１４ｆは、図１４ｂに対する中心線への距離に関する血管明度の断面図である。黒い曲線は、血管区分における２２６の正常プロファイルの平均である。整数座標ではない明度は、直線的に内挿されている。赤い星は、オブザーバーによりマークされた血管区分全体にわたる血管幅の平均である。緑の星は、提案された方法により測定された血管区分全体にわたる血管幅の平均である。２つの境界は反転され、一つの図に示される。

提示される方法は、高いコンピューター性能を有する。２１６０×１４４０ピクセルのサイズの網膜画像に対する、血管らしさ（ｖｅｓｓｅｌｎｅｓｓ）マップの創作には、約１１０秒かかり、これは操作Ｏ（ｎ）であり、ｎはピクセル数である。画像骨格化および小領域の除去には、約１２０秒かかり、これもまた操作Ｏ（ｎ）である。中心線ピクセルの総数は、およそ２００００ピクセル（または０．００６４ｎ）であり、血管区分の総数は１６０である。結果的に、グラフの長さの平均は、約１２５ピクセルとなる。グラフの平均サイズは、スライス数×グラフの高さ×グラフの長さであり得、この場合には４５０００（または０．０１４５ｎ）である。画像中のすべてのグラフを作り上げるには約９秒かかる。最大流量の問題を解決するために我々が用いた方法は、偽流量アルゴリズムである。ランニングタイムはＯ（ｎ³）［２３］である。例示の画像中のすべてのグラフを解決するためには約４１秒かかる。

グラフサーチに基づく網膜血管境界検出のための、提示される本方法および本システムは、公的に利用できる、専門家が注釈をつけた血管幅のデータセット上で認証された。有利な点は、両境界の同時検出にあり、それゆえ、一つずつ境界を検出する方法よりも、より強固なものである。両方の境界の同時検出は、たとえ一つの境界が低いコントラストまたは不鮮明であったとしても、正確な検出を可能とする。全体的に、本方法は、コスト機能中の唯一のアルゴリズムパラメーターがσであるため、強固であり、最終的な測定はσの選択に左右されない。

当業者であれば、実用的な記述が提示されていることを認識し、各機能がソフトウェア、ハードウェアまたはソフトウェアおよびハードウェアの組み合わせにより実行できることを十分に理解する。ある例示的な態様において、本方法および本システムは、図１５に図示および以下に記述されるコンピューター１５０１を含むことができる。

図１５は、本開示方法を実行するための、例示的な操作環境を図示するブロック図である。この例示的な操作環境は、操作環境の例示のみであり、使用範囲および操作環境構造の機能性についていかなる制限も提案する意図はない。操作環境は、操作環境の例示において図示される構成要素の任意の一つまたは組み合わせに関して、いかなる依存状態または必要条件を有するとも解釈されてはならない。

本方法および本システムは、非常に多くの他の汎用もしくは特殊用途のコンピューターシステム環境または機器構成とともに、操作することができる。本システムおよび本方法との使用に適用することができる、良く知られたコンピューターシステム、環境および／または機器構成の例には、パーソナルコンピューター、サーバコンピューター、ラップトップデバイスおよびマルチプロセッサシステムが含まれるが、これらに限定されない。さらなる例には、セットトップボックス、プログラム可能な家庭用電化製品、ネットワークＰＣ、ミニコンピューター、メインフレームコンピューター、任意の上記のシステムまたはデバイス等を含む、分散コンピューター環境が含まれる。

開示された本方法および本システムのプロセスは、ソフトウェアコンポーネントにより実行することができる。開示された本システムおよび本方法は、たとえばプログラムモジュール等の一つ以上のコンピューターまたは他のデバイスにより実行される、コンピューターで実行可能な使用の指示の一般的な文脈において記載することができる。一般的に、プログラムモジュールは、特定のタスクを実行するまたは特定の抽象データ型を実装する、コンピューターコード、ルーティン、プログラム、オブジェクト、コンポーネント、データ構造等を含む。開示された本方法はまた、コミュニケーションネットワークを通じてリンクされる遠隔処理デバイスによりタスクが実行される、グリッドベースおよび分散コンピューター環境において、実行することができる。分散コンピューター環境において、プログラムモジュールは、メモリ記憶デバイスを含む、ローカルおよび遠隔コンピューターの記憶媒体の両方に設置することができる。

さらに、当業者であれば、本明細書に開示される本システムおよび本方法が、コンピューター１５０１の形式をとる汎用のコンピューターデバイスを介して実行されうることを理解する。コンピューター１５０１のコンポーネントは、一つ以上のプロセッサまたは処理ユニット１５０３、システムメモリ１５１２、およびシステムメモリ１５１２へのプロセッサ１５０３を含む様々なシステムコンポーネントに連結するシステムバス１５１３を含むが、これらに限定されない。マルチプル処理ユニット１５０３の場合、本システムは、パラレルコンピューティングを利用できる。

システムバス１５１３は、バス構造のいくつかの可能性のある型のうち１つ以上を表し、メモリバスまたはメモリコントローラー、周辺機器用バス、アクセラレイテッドグラフィックスポートおよびプロセッサまたは様々なバスアーキテクチャのうち任意のものを使用するローカルバスを含む。例示を目的として、そのようなアーキテクチャは、業界標準アーキテクチャ（ＩＳＡ）バス、マイクロチャネルアーキテクチャ（ＭＣＡ）バス、改良ＩＳＡ（ＥＩＳＡ）バス、ビデオエレクトロニクス標準協会（ＶＥＳＡ）ローカルバス、アクセラレイテッドグラフィックスポート（ＡＧＰ）バス、および周辺機器用コンポーネントインターコネクト（ＰＣＩ）、ＰＣＩエクスプレスバス、パーソナルコンピューターメモリカード業界団体（ＰＣＭＣＩＡ）、ユニバーサルシリアルバス（ＵＳＢ）等を含むことができる。バス１５１３、およびこの記述において指定されるすべてのバスはまた、有線または無線ネットワーク接続上で実行することができ、そのサブシステム（プロセッサ１５０３、大容量記憶装置１５０４、オペレーティングシステム１５０５、画像分析ソフトウェア１５０６、画像分析データ１５０７、ネットワークアダプター１５０８、システムメモリ１５１２、入力／出力インターフェース１５１０、ディスプレイアダプター１５０９、ディスプレイデバイス１５１１およびヒト機械インターフェース１５０２を含む）は、１つ以上の遠隔コンピューターデバイス１５１４ａ、ｂ、ｃの中に物理的に分離された配置で含まれ得、この形態のバスを通じて接続され、事実上、完全な分散システムを実行する。

コンピューター１５０１は、一般に、様々なコンピューターで読み取り可能なメディアを含む。例示的な読み取り可能メディアは、コンピューター１５０１によりアクセス可能な、任意の市販メディアであることができ、たとえば、揮発性および非揮発性メディアならびにリムーバブルおよび非リムーバブルのメディアの両方を含むがこれらへの限定を意図しない。システムメモリ１５１２は、揮発性メモリ（たとえば、ランダムアクセスメモリ（ＲＡＭ））および／または非揮発性メモリ（たとえば読み取り専用メモリ（ＲＯＭ））の形態にあるコンピューター読み取り可能なメディアを含む。システムメモリ１５１２は、一般に、たとえば画像分析データ１５０７等のデータおよび／またはプログラムモジュール（たとえば、すぐにアクセス可能な、および／または現に処理ユニット１５０３により作動している、オペレーティングシステム１５０５および画像分析ソフトウェア１５０６等）を含む。

他の態様において、コンピューター１５０１はまた、他のリムーバブル／非リムーバブル、揮発性／非揮発性のコンピューター記憶媒体を含みうる。例示の目的で、図１５において、コンピューター１５０１のための、コンピューターコード、コンピューターで読み取り可能な指示、データ構造、プログラムモジュールおよび他のデータの、非揮発性記憶を提供できる大容量記憶装置１５０４を図示する。たとえば、限定する意図はないが、大容量記憶装置１５０４は、ハードディスク、リムーバブルの磁気ディスク、リムーバブルの光学ディスク、磁気カセットもしくは他の磁気記憶装置、フラッシュメモリカード、ＣＤ−ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）、または他の光学式記憶、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、電気的消去可能なプログラム可能な読み取り専用メモリ（ＥＥＰＲＯＭ）等でありうる。

任意に、プログラムモジュールをいくつでも、大容量記憶装置１５０４（例示として、オペレーティングシステム１５０５、画像分析ソフトウェア１５０６を含む）上に保存することができる。オペレーティングシステム１５０５および画像分析ソフトウェア１５０６（またはそれのいくつかの組み合わせ）のそれぞれは、プログラミングの要素および画像分析ソフトウェア１５０６を含むことができる。画像分析データ１５０７はまた、大容量記憶装置１５０４上に保存することができる。画像分析データ１５０７は、当分野に既知の、任意のデータベースの１つ以上に保存することができる。そのようなデータベースの例には、ＤＢ２（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）Ａｃｃｅｓｓ、Ｍｉｃｒｏｓｏｆｔ（登録商標）ＳＱＬ Ｓｅｒｖｅｒ、Ｏｒａｃｌｅ（登録商標）、ｍｙＳＱＬ、ＰｏｓｔｇｒｅＳＱＬ等を含む。データベースはマルチプルシステムで集中または分散させることができる。

他の態様において、ユーザーはコマンドおよび情報を、入力デバイス（示さず）を介して、コンピューター１５０１へ入力することができる。そのような入力デバイスの例には、キーボード、ポインティングデバイス（たとえば、「マウス」）、マイクロフォン、ジョイスティック、スキャナー、たとえばグローブおよび他の体を覆う物等の触覚入力デバイス等が含まれるが、これらに限定されない。これらの、および他の入力デバイスは、システムバス１５１３に連結されるヒト機械インターフェース１５０２を介して、処理ユニット１５０３に接続されることができるが、他のインターフェース、およびたとえばパラレルポート、ゲームポート、ＩＥＥＥ１３９４ポート（ファイヤーポートとしても知られる）、シリアルポートまたはユニバーサルシリアルバス（ＵＳＢ）等のバス構造により接続されることができる。

さらなる他の態様において、ディスプレイデバイス１５１１はまた、インターフェース（たとえば、ディスプレイアダプター１５０９）を介してシステムバス１５１３に接続することができる。コンピューター１５０１は１つ以上のディスプレイアダプター１５０９を有することができること、およびコンピューター１５０１は１つ以上のディスプレイデバイス１５１１を有することができることが企図される。たとえば、ディスプレイデバイスは、モニター、ＬＣＤ（液晶ディスプレイ）、またはプロジェクターでありうる。ディスプレイデバイス１５１１に加え、他の出力周辺機器は、たとえば、入力／出力インターフェース１５１０を介してコンピューター１５０１に接続することができるスピーカー（示さず）およびプリンター（示さず）等のコンポーネントを含むことができる。本方法の任意の工程および／または結果は、出力デバイスへ任意の形態で出力されることができる。そのような出力は、テクスチャ、グラフィック、アニメーション、オーディオ、触覚等を含むがこれらに限定されない、出力表示の任意の形態でありうる。

コンピューター１５０１は、１つ以上の遠隔コンピューターデバイス１５１４ａ、ｂ、ｃへの論理的な接続を用いて、ネットワーク化された環境において操作することができる。例示の目的で、遠隔コンピューターデバイスは、パーソナルコンピューター、ポータブルコンピューター、サーバ、ルータ、ネットワークコンピューター、ピアデバイスまたは他の普遍的なネットワークノード等でありうる。コンピューター１５０１と遠隔コンピューターデバイス１５１４ａ、ｂ、ｃの間の論理的な接続は、ローカルエリアネットワーク（ＬＡＮ）および一般広域ネットワーク（ＷＡＮ）を介して行うことができる。そのようなネットワーク接続は、ネットワークアダプター１５０８を通じうる。ネットワークアダプター１５０８は、有線および無線環境の両方において実装されることができる。そのようなネットワーク環境は、オフィス、企業規模のコンピューターネットワーク、イントラネットおよびインターネットにおいて従来存在しており、通常のものである。任意のタイプのネットワーク１５１５を使用することができる。

図示の目的で、アプリケーションプログラム、およびたとえばオペレーティングシステム１５０５のような他の実行可能なプログラムコンポーネントが、離散ブロックとして本明細書に図示されるが、そのようなプログラムおよびコンポーネントがコンピューターデバイス１５０１の異なる記憶コンポーネント中に様々な時点で存在し、コンピューターのデータプロセッサ（複数を含む）により実行されることを認識されたい。画像分析ソフトウェア１５０６の実行は、コンピューターで読み取り可能なメディアのいくつかの形態で保存または送信することができる。開示された方法のいずれも、コンピューターで読み取り可能なメディア上に具現化された、コンピューターで読み取り可能な指示により、実行することができる。コンピューターで読み取り可能なメディアは、コンピューターによりアクセスすることができる、任意の市販メディアでありうる。例示の目的で、コンピューターで読み取り可能なメディアは、「コンピューター記憶媒体」および「コミュニケーション媒体」を含み得るが、これらに限定する意図はない。「コンピューター記憶媒体」は、たとえばコンピューターで読み取り可能な指示、データ構造、プログラムモジュールまたは他のデータ等の、情報記憶のための任意の方法または技術において実行される、揮発性および非揮発性、ならびにリムーバブルおよび非リムーバブルメディアを含む。コンピューター記憶媒体の例示には、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリもしくは他のメモリ技術、ＣＤ−ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）もしくは他の光学記憶、磁気カセット、磁気テープ、磁気ディスク記憶もしくは他の磁気記憶デバイス、または所望の情報を記憶するために用いることができ、コンピューターによりアクセスすることができる任意の他のメディアを含むが、これらに限定されない。

本方法および本システムは、好ましい実施形態および特定の実施例に関連付けられて記述されているが、本明細書の実施形態は、すべての点において、制限ではなく、実例を意図しており、記述される特定の実施形態に範囲を制限する意図は無い。

他で明確に述べられない限り、本明細書において説明されるいかなる方法も、工程を特定の順で実行することが必要であるとみなされることは全く意図していない。したがって、方法クレームが実際に、その工程が従う順序を列挙していない場合、またはさもなければ具体的に特許請求の範囲または明細書において、その工程が特定の順序に限定されると記述していない場合において、どのような点においても、順序の暗示は全く意図していない。これは、解釈に対する、明示されていない起こりうるあらゆる根拠に当てはまり、その解釈には、工程または操作フローの配置に関する論理の問題、文法構成または句読点から導かれる明白な意味、明細書に記述される実施形態の数または形態が含まれる。

この出願全体を通じて、様々な公表文献が参照されている。これらの公表文献の開示は、本方法および本システムに付随する技術の状態をより完全に記述するために、その全体において、この出願への参照により、本明細書に援用される。

当業者であれば、様々な改変および変更が、範囲および精神から逸脱することなくなされ得ることが明確である。他の実施形態は、本明細書に開示される明細書および実践への検討から、当業者に明らかである。明細書および実施例は、例示のみとしてみなされることを意図しており、真の範囲および精神は、以下の特許請求の範囲により示される。

Claims (22)

1. 組織における動静脈比（ＡＶＲ）の自動測定方法であって、
   画像を受信することと、
   前記画像中の関心領域を検出することと、
   前記関心領域中の動脈および静脈を識別することと、
   前記識別された動脈および静脈に対する血管幅の長さを測定することであって、前記識別された動脈および静脈に対する血管幅の長さを測定することが、グラフサーチ、マルチスケールピクセル特性に基づくトボガニング法およびスプラット、ならびにプロファイルフィッティングのうち１つ以上を使用することを含むことと、および
   前記血管幅の長さから、動静脈比（ＡＶＲ）を推定することと、
   を含む、方法。
2. 前記画像中の関心領域を検出することが、前記画像中の視神経乳頭を検出することをさらに含む、請求項１に記載の方法。
3. 前記関心領域中の動脈および静脈を識別することが、前記画像上の血管区分化を実行することを含む、請求項１に記載の方法。
4. 前記画像上の血管区分化を実行することが、前記画像上の血管ピクセルまたは血管区分を分類するために訓練された分類器を使用することをさらに含む、請求項３に記載の方法。
5. 前記訓練された分類器が、血管ピクセルまたは血管区分を分類するために、導関数、テクスチャおよび色特性のうち１つ以上を含む特性ベクトルを使用する、請求項４に記載の方法。
6. 血管ピクセルまたは血管区分を分類するために、血管ツリー分析が使用される、請求項４に記載の方法。
7. 血管ピクセルまたは血管区分を分類するために、血流が使用される、請求項４に記載の方法。
8. ＡＶＲの減少が、疾患に対する高い傾向を示す、請求項１に記載の方法。
9. 前記画像が、カラー画像、多波長の画像、光コヒーレンストモグラフィー画像のうち一つ以上である、請求項１に記載の方法。
10. 前記画像が、網膜、虹彩、肌、脳表面または任意の２つの異なる波長イメージングプロセスを用いて撮像された可視血管を伴う任意の組織である、請求項１に記載の方法。
11. 前記グラフサーチが、マルチスケールコスト機能を使用する、請求項１に記載の方法。
12. 前記マルチスケールコスト機能が、ウェーブレットカーネルリフティングの組み合わせから誘導される、請求項１１に記載の方法。
13. 動静脈比（ＡＶＲ）の自動測定のためのシステムであって、
    メモリおよび
    前記メモリに連結されたプロセッサを含み、
    前記プロセッサは、
    画像を受信することと、
    前記画像中の関心領域を検出することと、
    前記関心領域中の動脈および静脈を識別することと、
    前記識別された動脈および静脈に対する血管幅の長さを測定することであって、前記識別された動脈および静脈に対する血管幅の長さを測定することが、グラフサーチ、マルチスケールピクセル特性に基づくトボガニング法およびスプラットのうち１つ以上を使用することを含むことと、および
    前記血管幅の長さから、動静脈比（ＡＶＲ）を推定することと、
    を含む工程を実行するために構成される、システム。
14. 動脈または静脈ピクセルとして、前記画像中のピクセルを分類するために訓練された分類器を使用することをさらに含む、請求項１３に記載のシステム。
15. ＡＶＲの減少が、疾患に対する高い傾向を示す、請求項１３に記載のシステム。
16. 前記画像が、網膜、虹彩、肌、脳表面または任意の２つの異なる波長イメージングプロセスを用いて撮像された可視血管を伴う任意の組織である、請求項１３に記載のシステム。
17. 前記グラフサーチ、が、マルチスケールコスト機能を使用する、請求項１３に記載のシステム。
18. 前記マルチスケールコスト機能が、ガボール、ガウス導関数（Ｇａｕｓｓｉａｎ ｄｅｒｉｖａｔｉｖｅ）およびガウスカーネルの差（Ｄｉｆｆｅｒｅｎｃｅ ｏｆ Ｇａｕｓｓｉａｎ ｋｅｒｎｅｌｓ）を含む、ウェーブレットカーネルリフティングのいくつかの組み合わせから誘導される、請求項１７に記載のシステム。
19. コンピューターで読み取り可能なメディアであって、動静脈比（ＡＶＲ）の自動測定のために、そのメディア上で具現化されるコンピューターで実行可能な指示を有し、前記コンピューターで実行可能な指示が、
    メモリおよび、
    前記メモリに連結されたプロセッサを含み、
    前記プロセッサは、
    画像を受信することと、
    前記画像中の関心領域を検出することと、
    前記関心領域中の動脈および静脈を識別することと、
    前記識別された動脈および静脈に対する血管幅の長さを測定することであって、前記識別された動脈および静脈に対する血管幅の長さを測定することが、グラフサーチ、マルチスケールピクセル特性に基づくトボガニング法およびスプラットのうち１つ以上を使用することを含むことと、および
    前記血管幅の長さから、動静脈比（ＡＶＲ）を推定することと、
    を含む工程を実行するために構成される、メディア。
20. 前記関心領域中の動脈および静脈を識別することが、前記画像上の血管ピクセルまたは血管区分を分類するために訓練された分類器を使用することによって、前記画像上の血管区分化を実行することを含む、請求項１９に記載のコンピューターで読み取り可能なメディア。
21. 前記グラフサーチが、マルチスケールコスト機能を使用する、請求項１９に記載のコンピューターで読み取り可能なメディア。
22. 前記マルチスケールコスト機能が、ガボール、ガウス導関数およびガウスカーネルの差を含む、ウェーブレットカーネルリフティングのいくつかの組み合わせから誘導される、請求項２１に記載のコンピューターで読み取り可能なメディア。