CN111134613A - 一种基于图像识别的角膜塑形镜验配方法及系统 - Google Patents
一种基于图像识别的角膜塑形镜验配方法及系统 Download PDFInfo
- Publication number
- CN111134613A CN111134613A CN201911150850.9A CN201911150850A CN111134613A CN 111134613 A CN111134613 A CN 111134613A CN 201911150850 A CN201911150850 A CN 201911150850A CN 111134613 A CN111134613 A CN 111134613A
- Authority
- CN
- China
- Prior art keywords
- value
- sample data
- corneal curvature
- corneal
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/107—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining the shape or measuring the curvature of the cornea
Abstract
本发明一方面提供了一种角膜塑形镜验配方法,方法包括:获取历史数据;根据历史数据,构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型;获取待测用户的角膜地形图,将该角膜地形图输入至模型,得到待测用户的角膜曲率值。本发明另一方面提供了一种角膜塑形镜验配系统,该系统包括:历史数据获取模块、模型构建模块和角膜曲率值计算模块。本发明只需要有角膜地形图的基础上就可根据用于计算角膜塑形镜参数的模型轻易得出合适的角膜塑形镜参数,从而省去了多次试戴角膜塑形镜试戴片的步骤,也方便了验光师的工作和保证了患者的用眼安全。
Description
技术领域
本发明涉及塑形镜验配领域,具体涉及一种基于图像识别的角膜塑形镜验配方法及系统。
背景技术
目前在眼科医疗行业中,角膜塑形镜的验配方式还是根据角膜地形图的参数,通过查表法多次试戴角膜塑形镜的试戴片,然后根据试戴结果得出适合该用户佩戴的角膜塑形镜参数。该验配方式需要用户反复试戴角膜塑形镜的试戴片,可能会使用户眼睛感染病毒和细菌,进而威胁用户的眼睛健康。
发明内容
针对上述问题,本发明提供了一种基于图像识别的角膜塑形镜验配方法及其系统。
本发明的目的采用以下技术方案来实现:
本发明第一方面提供了一种基于图像识别的角膜塑形镜验配方法,该方法包括:
获取历史数据,所述历史数据包括:已验配用户的角膜地形图以及对应的角膜曲率值数据;
根据所述历史数据,构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型;
获取待测用户的角膜地形图,将该角膜地形图输入至所述模型,得到所述待测用户的角膜曲率值。
在一种可选的实施方式中,采用深度学习算法构建所述神经网络模型,包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理,得到各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
在一种可选的实施方式中,所述深度学习算法为:CNN卷积神经网络算法;
采用所述CNN卷积神经网络算法构建所述神经网络模型,包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,对所述颜色对照标识板特征区域图像中每个像素点进行降噪处理,得到降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值;
根据降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
对所述训练集中的各个样本数据进行降噪处理,得到降噪后的各个样本数据中像素点的颜色像素值;
根据建立的颜色像素值与角膜曲率值的对应关系,确定训练集中的各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
在一种可选的实施方式中,所述方法还包括:
将所述测试集的各个样本数据输入至所述神经网络模型中,得到所述测试集的各个样本数据的角膜曲率预测值,基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值,评估所述神经网络模型的准确率。
为了配出适合用户的角膜塑形镜,需要获取用户的角膜曲率值,进而根据该角膜曲率值配出合适的角膜塑形镜。本发明上述实施方式提供的一种基于图像识别的角膜塑形镜验配方法,该验配方法使得在只需要有待测用户的角膜地形图的基础上就可以根据构建的神经网络模型得到该待测用户的角膜曲率值,进而根据得到的角膜曲率值配出适合待测用户的角膜塑形镜,该验配方法省去了多次试戴角膜塑形镜试戴片的步骤,也方便了验光师的工作和保证了患者的用眼安全。
本发明第二方面提供了一种基于图像识别的角膜塑形镜验配系统,该角膜塑形镜验配系统包括:
历史数据获取模块,用于获取历史数据,所述历史数据包括:已验配用户的角膜地形图以及对应的角膜曲率值数据;
模型构建模块,用于根据所述历史数据,构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型;
角膜曲率值计算模块,用于获取待测用户的角膜地形图,将该角膜地形图输入至所述模型,得到所述待测用户的角膜曲率值。
在一种可选的实施方式中,所述神经网络模型是采用深度学习算法构建得到的,构建过程包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理,得到各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
在一种可选的实施方式中,所述深度学习算法为:CNN卷积神经网络算法;
采用所述CNN卷积神经网络算法构建所述神经网络模型过程包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,对所述颜色对照标识板特征区域图像中每个像素点进行降噪处理,得到降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值;
根据降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
对所述训练集中的各个样本数据进行降噪处理,得到降噪后的各个样本数据中像素点的颜色像素值;
根据建立的颜色像素值与角膜曲率值的对应关系,确定训练集中的各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
在一种可选的实施方式中,该角膜塑形镜验配系统还包括:评估模块;
所述评估模块,用于将所述测试集的各个样本数据输入至所述神经网络模型中,得到所述测试集的各个样本数据的角膜曲率预测值,基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值,评估所述神经网络模型的准确率。
为了配出适合用户的角膜塑形镜,需要获取用户的角膜曲率值,进而根据该角膜曲率值配出合适的角膜塑形镜。本发明上述实施方式提供的一种基于图像识别的角膜塑形镜验配系统,该验配系统使得在只需要有待测用户的角膜地形图的基础上就可以根据构建的神经网络模型得到该待测用户的角膜曲率值,进而根据得到的角膜曲率值配出适合待测用户的角膜塑形镜,该验配方法省去了多次试戴角膜塑形镜试戴片的步骤,也方便了验光师的工作和保证了患者的用眼安全。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明实施例提供的一种角膜塑形镜验配系统的框架结构图;
图2是本发明实施例提供的角膜地形图和角膜地形图的颜色对照标识板。
附图标记:历史数据获取模块1、模型构建模块2、角膜曲率值计算模块3、评估模块4。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1-2,本发明实施例提供了一种基于图像识别的角膜塑形镜验配系统,该角膜塑形镜验配系统包括:历史数据获取模块1、模型构建模块2、角膜曲率值计算模块3、评估模块4。
历史数据获取模块1,用于获取历史数据,所述历史数据包括:已验配用户的角膜地形图以及对应的角膜曲率值数据;可选的,已验配用户的角膜地形图可通过角膜地形图仪来获取。
模型构建模块2,用于根据所述历史数据,构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型;
在一种可选的实施方式中,所述神经网络模型是采用深度学习算法构建得到的,构建过程包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理,得到各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
作为优选,所述深度学习算法为:CNN卷积神经网络算法;
采用所述CNN卷积神经网络算法构建所述神经网络模型过程包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,第一步,利用卷积层识别颜色对照标识板特征区域图像中每个像素点的颜色,得到各个像素点的颜色像素值;第二步,利用池化层对卷积层得到的各个像素点的颜色像素值进行降噪处理,从而只保留该颜色对照标识板特征区域图像中有用的信息,减少不必要的噪声传递;第三步,利用全连接层将各个像素点的颜色像素值进行汇总;第四步,分类对照转换,颜色对照标识板特征区域图像中的颜色对应的角膜曲率值是一个0~101.5的连续数值,与颜色像素值0~255的连续数值相对应,把角膜曲率值平均分为255份,然后将具体的角膜曲率值对应到0~255个颜色像素值上,从而使得颜色对照标识板特征区域图像中的颜色像素值和角膜曲率值形成了一一对应的关系,并进一步将建立的颜色像素值与角膜曲率值的对应关系进行存储。之后将训练集中各个样本数据依次经卷积层、池化层和全连接层处理后,得到训练集中各个样本数据中像素点的颜色像素值,根据建立的颜色像素值与角膜曲率值的对应关系,确定训练集中各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
角膜曲率值计算模块3,用于获取待测用户的角膜地形图,将该角膜地形图输入至所述模型,得到所述待测用户的角膜曲率值。
评估模块4,用于将所述测试集的各个样本数据输入至所述神经网络模型中,得到所述测试集的各个样本数据的角膜曲率预测值,基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值,评估所述神经网络模型的准确率。
为了配出适合用户的角膜塑形镜,需要获取用户的角膜曲率值,进而根据该角膜曲率值配出合适的角膜塑形镜。本发明上述实施方式提供的一种基于图像识别的角膜塑形镜验配系统,该验配系统使得在只需要有待测用户的角膜地形图的基础上就可以根据构建的神经网络模型得到该待测用户的角膜曲率值,进而根据得到的角膜曲率值配出适合待测用户的角膜塑形镜,该验配方法省去了多次试戴角膜塑形镜试戴片的步骤,也方便了验光师的工作和保证了患者的用眼安全。
本发明实施例还提供了该角膜塑形镜验配方法,所述方法包括:
获取历史数据,所述历史数据包括:已验配用户的角膜地形图以及对应的角膜曲率值数据;
根据所述历史数据,构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型;
获取待测用户的角膜地形图,将该角膜地形图输入至所述模型,得到所述待测用户的角膜曲率值。
在一种可选的实施方式中,采用深度学习算法构建所述神经网络模型,包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理,得到各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
在一种可选的实施方式中,所述深度学习算法为:CNN卷积神经网络算法;
采用所述CNN卷积神经网络算法构建所述神经网络模型,包括:
对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
将所有样本数据划分为训练集和测试集;
保留一张颜色对照标识板特征区域图像,对所述颜色对照标识板特征区域图像中每个像素点进行降噪处理,得到降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值;
根据降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
对所述训练集中的各个样本数据进行降噪处理,得到降噪后的各个样本数据中像素点的颜色像素值;
根据建立的颜色像素值与角膜曲率值的对应关系,确定训练集中的各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
在一种可选的实施方式中,所述方法还包括:
将所述测试集的各个样本数据输入至所述神经网络模型中,得到所述测试集的各个样本数据的角膜曲率预测值,基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值,评估所述神经网络模型的准确率。
本发明上述实施例提供的角膜塑形镜验配方法,使得只需要有角膜地形图的基础上就可根据计算角膜塑形镜参数的模型轻易得出合适的角膜塑形镜参数,从而省去了多次试戴角膜塑形镜试戴片的步骤,也方便了验光师的工作和保证了患者的用眼安全。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (8)
1.一种基于图像识别的角膜塑形镜验配方法,其特征是,所述方法包括:
获取历史数据,所述历史数据包括:已验配用户的角膜地形图以及对应的角膜曲率值数据;
根据所述历史数据,构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型;
获取待测用户的角膜地形图,将该角膜地形图输入至所述模型,得到所述待测用户的角膜曲率值。
2.根据权利要求1所述的角膜塑形镜验配方法,其特征是,采用深度学习算法构建所述神经网络模型,包括:
S1:对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
S2:将所有样本数据划分为训练集和测试集;
S3:保留一张颜色对照标识板特征区域图像,根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理,得到各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
3.根据权利要求2所述的角膜塑形镜验配方法,其特征是,所述深度学习算法为:CNN卷积神经网络算法;
所述步骤S3包括:
对所述颜色对照标识板特征区域图像中每个像素点进行降噪处理,得到降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值;
根据降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
对所述训练集中的各个样本数据进行降噪处理,得到降噪后的各个样本数据中像素点的颜色像素值;
根据建立的颜色像素值与角膜曲率值的对应关系,确定训练集中的各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
4.根据权利要求2所述的角膜塑形镜验配方法,其特征是,所述方法还包括:
将所述测试集的各个样本数据输入至所述神经网络模型中,得到所述测试集的各个样本数据的角膜曲率预测值,基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值,评估所述神经网络模型的准确率。
5.一种基于图像识别的角膜塑形镜验配系统,其特征在于,包括:
历史数据获取模块,用于获取历史数据,所述历史数据包括:已验配用户的角膜地形图以及对应的角膜曲率值数据;
模型构建模块,用于根据所述历史数据,构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型;
角膜曲率值计算模块,用于获取待测用户的角膜地形图,将该角膜地形图输入至所述模型,得到所述待测用户的角膜曲率值。
6.根据权利要求5所述的角膜塑形镜验配系统,其特征在于,所述神经网络模型是采用深度学习算法构建得到的,构建过程包括:
S1:对所述已验配用户的角膜地形图进行图像分割处理,得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像,将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据;
S2:将所有样本数据划分为训练集和测试集;
S3:保留一张颜色对照标识板特征区域图像,根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理,得到各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
7.根据权利要求6所述的角膜塑形镜验配系统,其特征在于,所述深度学习算法为:CNN卷积神经网络算法;
所述步骤S3包括:
对所述颜色对照标识板特征区域图像中每个像素点进行降噪处理,得到降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值;
根据降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值建立颜色像素值与角膜曲率值的对应关系;
对所述训练集中的各个样本数据进行降噪处理,得到降噪后的各个样本数据中像素点的颜色像素值;
根据建立的颜色像素值与角膜曲率值的对应关系,确定训练集中的各个样本数据的角膜曲率预测值,计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值,根据得到的误差值调整该模型参数,以使该模型达到一个稳定状态。
8.根据权利要求6所述的角膜塑形镜验配系统,其特征在于,还包括:评估模块;
所述评估模块,用于将所述测试集的各个样本数据输入至所述神经网络模型中,得到所述测试集的各个样本数据的角膜曲率预测值,基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值,评估所述神经网络模型的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150850.9A CN111134613B (zh) | 2019-11-21 | 2019-11-21 | 一种基于图像识别的角膜塑形镜验配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911150850.9A CN111134613B (zh) | 2019-11-21 | 2019-11-21 | 一种基于图像识别的角膜塑形镜验配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111134613A true CN111134613A (zh) | 2020-05-12 |
CN111134613B CN111134613B (zh) | 2022-04-05 |
Family
ID=70516597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911150850.9A Active CN111134613B (zh) | 2019-11-21 | 2019-11-21 | 一种基于图像识别的角膜塑形镜验配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111134613B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784641A (zh) * | 2020-06-08 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种基于拓扑结构的神经图像弯曲度估计方法及装置 |
CN113378414A (zh) * | 2021-08-12 | 2021-09-10 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
CN114239208A (zh) * | 2021-08-04 | 2022-03-25 | 美视(杭州)人工智能科技有限公司 | 基于角膜塑形镜配镜的数据处理方法和相关设备 |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4452235A (en) * | 1982-01-04 | 1984-06-05 | Reynolds Alvin E | Method for corneal curvature adjustment |
JP2003102688A (ja) * | 2001-09-28 | 2003-04-08 | Topcon Corp | 眼科装置 |
US20050225724A1 (en) * | 2004-03-31 | 2005-10-13 | Nidek Co., Ltd. | Corneal topography analysis system |
US20070046894A1 (en) * | 2005-08-24 | 2007-03-01 | Dieter Muckenhirn | Rigid contact lens |
JP2008112121A (ja) * | 2006-10-30 | 2008-05-15 | Eyemed Co Ltd | マルチリバースゾーンオルソkレンズ |
US20110007144A1 (en) * | 2007-11-02 | 2011-01-13 | Victor Arni De Paz Sicam | Method of evaluating a reconstructed surface, corneal topographer and calibration method for a corneal topographer |
CN102508944A (zh) * | 2011-10-10 | 2012-06-20 | 沈阳理工大学 | 一种角膜面形拟合方法 |
CN102961118A (zh) * | 2012-11-23 | 2013-03-13 | 浙江工业大学 | 一种基于Placido盘测量屈光度及绘制角膜地形图的方法 |
CN103370002A (zh) * | 2010-12-27 | 2013-10-23 | 尼德克株式会社 | 角膜形状测定装置 |
CN103558695A (zh) * | 2013-05-28 | 2014-02-05 | 邵海平 | 角膜塑形镜 |
CN103648450A (zh) * | 2011-07-04 | 2014-03-19 | 威孚莱有限公司 | 用于激光辅助的眼部外科治疗系统的装置及方法 |
CN104087088A (zh) * | 2014-07-03 | 2014-10-08 | 三棵树涂料股份有限公司 | 光能转换热能室内水性涂料及其制备方法 |
CN104545790A (zh) * | 2014-12-17 | 2015-04-29 | 温州医科大学 | 活体监测角膜塑形镜塑形效果的oct成像系统和方法 |
US20160081853A1 (en) * | 2009-07-25 | 2016-03-24 | Lensar, Inc. | System and method for measuring tilt |
US20160109725A1 (en) * | 2012-08-10 | 2016-04-21 | Osio Corporation d/b/a Yolia Health | Contact lens use in the treatment of an ophthalmologic condition |
CN105813543A (zh) * | 2013-10-10 | 2016-07-27 | 波技术视觉系统股份有限公司 | 用于iol屈光力估计值的校正值 |
WO2016168759A1 (en) * | 2015-04-16 | 2016-10-20 | Lensar, Llc | Laser methods and systems for addressing conditions of the lens |
CN107427388A (zh) * | 2015-03-24 | 2017-12-01 | 朴真盈 | 机器可读介质、角膜切削系统及角膜切削方法 |
CN107847126A (zh) * | 2015-07-24 | 2018-03-27 | 卡尔蔡司医疗技术股份公司 | 用于确定眼角膜地形图的方法 |
CN107861261A (zh) * | 2017-12-05 | 2018-03-30 | 罗辉 | 角膜塑形镜验配方法及装置 |
CN108985328A (zh) * | 2018-06-08 | 2018-12-11 | 佛山市顺德区中山大学研究院 | 用于判别角膜溃烂的深度学习模型的构建方法及其系统 |
CN108986674A (zh) * | 2017-11-23 | 2018-12-11 | 北京市眼科研究所 | 具有护眼功能的led显示屏 |
CN109119150A (zh) * | 2018-08-23 | 2019-01-01 | 北京天明眼科新技术开发公司 | 一种试戴片辅助系统 |
CN109222884A (zh) * | 2018-08-03 | 2019-01-18 | 北京邮电大学 | 一种角膜塑形镜配适状态评估方法及装置 |
CN109646177A (zh) * | 2018-11-27 | 2019-04-19 | 南昌素问科技有限公司 | 基于大数据的智能视力恢复方法及系统 |
CN109800772A (zh) * | 2019-01-30 | 2019-05-24 | 广州市载道信息科技有限公司 | 一种数据识别方法 |
CN109994195A (zh) * | 2019-03-22 | 2019-07-09 | 清华大学深圳研究生院 | 一种用于角膜交联的人工智能引导系统 |
CN110013216A (zh) * | 2019-03-12 | 2019-07-16 | 中山大学中山眼科中心 | 一种人工智能白内障分析系统 |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
-
2019
- 2019-11-21 CN CN201911150850.9A patent/CN111134613B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4452235A (en) * | 1982-01-04 | 1984-06-05 | Reynolds Alvin E | Method for corneal curvature adjustment |
JP2003102688A (ja) * | 2001-09-28 | 2003-04-08 | Topcon Corp | 眼科装置 |
US20050225724A1 (en) * | 2004-03-31 | 2005-10-13 | Nidek Co., Ltd. | Corneal topography analysis system |
US20070046894A1 (en) * | 2005-08-24 | 2007-03-01 | Dieter Muckenhirn | Rigid contact lens |
JP2008112121A (ja) * | 2006-10-30 | 2008-05-15 | Eyemed Co Ltd | マルチリバースゾーンオルソkレンズ |
US20110007144A1 (en) * | 2007-11-02 | 2011-01-13 | Victor Arni De Paz Sicam | Method of evaluating a reconstructed surface, corneal topographer and calibration method for a corneal topographer |
US20160081853A1 (en) * | 2009-07-25 | 2016-03-24 | Lensar, Inc. | System and method for measuring tilt |
CN103370002A (zh) * | 2010-12-27 | 2013-10-23 | 尼德克株式会社 | 角膜形状测定装置 |
CN103648450A (zh) * | 2011-07-04 | 2014-03-19 | 威孚莱有限公司 | 用于激光辅助的眼部外科治疗系统的装置及方法 |
CN102508944A (zh) * | 2011-10-10 | 2012-06-20 | 沈阳理工大学 | 一种角膜面形拟合方法 |
US20160109725A1 (en) * | 2012-08-10 | 2016-04-21 | Osio Corporation d/b/a Yolia Health | Contact lens use in the treatment of an ophthalmologic condition |
CN102961118A (zh) * | 2012-11-23 | 2013-03-13 | 浙江工业大学 | 一种基于Placido盘测量屈光度及绘制角膜地形图的方法 |
CN103558695A (zh) * | 2013-05-28 | 2014-02-05 | 邵海平 | 角膜塑形镜 |
CN105813543A (zh) * | 2013-10-10 | 2016-07-27 | 波技术视觉系统股份有限公司 | 用于iol屈光力估计值的校正值 |
CN104087088A (zh) * | 2014-07-03 | 2014-10-08 | 三棵树涂料股份有限公司 | 光能转换热能室内水性涂料及其制备方法 |
CN104545790A (zh) * | 2014-12-17 | 2015-04-29 | 温州医科大学 | 活体监测角膜塑形镜塑形效果的oct成像系统和方法 |
CN107427388A (zh) * | 2015-03-24 | 2017-12-01 | 朴真盈 | 机器可读介质、角膜切削系统及角膜切削方法 |
WO2016168759A1 (en) * | 2015-04-16 | 2016-10-20 | Lensar, Llc | Laser methods and systems for addressing conditions of the lens |
CN107847126A (zh) * | 2015-07-24 | 2018-03-27 | 卡尔蔡司医疗技术股份公司 | 用于确定眼角膜地形图的方法 |
CN108986674A (zh) * | 2017-11-23 | 2018-12-11 | 北京市眼科研究所 | 具有护眼功能的led显示屏 |
CN107861261A (zh) * | 2017-12-05 | 2018-03-30 | 罗辉 | 角膜塑形镜验配方法及装置 |
CN108985328A (zh) * | 2018-06-08 | 2018-12-11 | 佛山市顺德区中山大学研究院 | 用于判别角膜溃烂的深度学习模型的构建方法及其系统 |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
CN109222884A (zh) * | 2018-08-03 | 2019-01-18 | 北京邮电大学 | 一种角膜塑形镜配适状态评估方法及装置 |
CN109119150A (zh) * | 2018-08-23 | 2019-01-01 | 北京天明眼科新技术开发公司 | 一种试戴片辅助系统 |
CN109646177A (zh) * | 2018-11-27 | 2019-04-19 | 南昌素问科技有限公司 | 基于大数据的智能视力恢复方法及系统 |
CN109800772A (zh) * | 2019-01-30 | 2019-05-24 | 广州市载道信息科技有限公司 | 一种数据识别方法 |
CN110013216A (zh) * | 2019-03-12 | 2019-07-16 | 中山大学中山眼科中心 | 一种人工智能白内障分析系统 |
CN109994195A (zh) * | 2019-03-22 | 2019-07-09 | 清华大学深圳研究生院 | 一种用于角膜交联的人工智能引导系统 |
Non-Patent Citations (3)
Title |
---|
SICAM, VICTOR ARNI D. P等: "《Pseudo forward ray-tracing: A new method for surface validation in cornea topography》", 《OPTOMETRY AND VISION SCIENCE 》 * |
何远清等: "《成像角膜曲率计的光学设计》", 《中国光学》 * |
张清桃等: "《基于视光检查数据的角膜塑形镜验配机器学习模型研究》", 《中华眼科杂志》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784641A (zh) * | 2020-06-08 | 2020-10-16 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种基于拓扑结构的神经图像弯曲度估计方法及装置 |
CN111784641B (zh) * | 2020-06-08 | 2024-04-05 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种基于拓扑结构的神经图像弯曲度估计方法及装置 |
CN114239208A (zh) * | 2021-08-04 | 2022-03-25 | 美视(杭州)人工智能科技有限公司 | 基于角膜塑形镜配镜的数据处理方法和相关设备 |
CN113378414A (zh) * | 2021-08-12 | 2021-09-10 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
CN113378414B (zh) * | 2021-08-12 | 2021-11-12 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111134613B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111134613B (zh) | 一种基于图像识别的角膜塑形镜验配方法及系统 | |
AU2005215056B2 (en) | System and method for analyzing wavefront aberrations | |
EP3295863B1 (en) | Measurement method for determining a value of a visual correction need for near vision of an individual in a natural posture for near vision | |
CN111000525B (zh) | 一种基于大数据的角膜塑形镜验配方法及系统 | |
CN110555845A (zh) | 眼底oct图像识别方法及设备 | |
CN111105881B (zh) | 一种3d测量人类表型的数据库系统 | |
US20220039646A1 (en) | Determination of a refractive error of an eye | |
US11596328B2 (en) | Method and system for postural stability assessment | |
CN112700858A (zh) | 一种儿童青少年近视预警方法及设备 | |
CN109549619B (zh) | 眼底盘沿宽度确定方法、青光眼疾病诊断装置和系统 | |
CN113806908A (zh) | 基于角膜塑形镜配镜的参数处理方法和相关设备 | |
US20230020160A1 (en) | Method for determining a value of at least one geometrico-morphological parameter of a subject wearing an eyewear | |
CN109414348B (zh) | 角膜塑形镜的决定系统 | |
US20240041653A1 (en) | Intelligent topographic corneal procedure advisor | |
CN211627958U (zh) | 一种角膜塑形镜度数的计算装置 | |
CN110908140A (zh) | 一种角膜塑形镜的生产装置 | |
CN114239208A (zh) | 基于角膜塑形镜配镜的数据处理方法和相关设备 | |
CN108703738A (zh) | 一种远视屈光度的测量系统及方法 | |
CN211786441U (zh) | 一种角膜塑形镜的生产装置 | |
US11701258B2 (en) | Intelligent corneal procedure advisor | |
CN114468977A (zh) | 一种眼科视力检查数据收集分析方法、系统及计算机存储介质 | |
CN115375611A (zh) | 一种基于模型训练的屈光检测方法和检测系统 | |
CN111259743A (zh) | 一种近视图像深度学习识别模型训练方法及系统 | |
CN112674714A (zh) | 一种通过滤镜与外设结合的手机检影验光方法 | |
CN108567406A (zh) | 一种人眼屈光度的分析测量系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |