CN111553402B - 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法 - Google Patents

基于大数据和深度学习的智能化角膜塑形镜选片系统及方法 Download PDF

Info

Publication number
CN111553402B
CN111553402B CN202010323170.9A CN202010323170A CN111553402B CN 111553402 B CN111553402 B CN 111553402B CN 202010323170 A CN202010323170 A CN 202010323170A CN 111553402 B CN111553402 B CN 111553402B
Authority
CN
China
Prior art keywords
data
cornea
model
lens
historical
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.)
Active
Application number
CN202010323170.9A
Other languages
English (en)
Other versions
CN111553402A (zh
Inventor
王开杰
宋红欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tongren Hospital
Original Assignee
Beijing Tongren Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Tongren Hospital filed Critical Beijing Tongren Hospital
Priority to CN202010323170.9A priority Critical patent/CN111553402B/zh
Publication of CN111553402A publication Critical patent/CN111553402A/zh
Application granted granted Critical
Publication of CN111553402B publication Critical patent/CN111553402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C7/00—Optical parts
    • G02C7/02—Lenses; Lens systems ; Methods of designing lenses
    • G02C7/024—Methods of designing ophthalmic lenses
    • G—PHYSICS
    • G02—OPTICS
    • G02C—SPECTACLES; SUNGLASSES OR GOGGLES INSOFAR AS THEY HAVE THE SAME FEATURES AS SPECTACLES; CONTACT LENSES
    • G02C7/00—Optical parts
    • G02C7/02—Lenses; Lens systems ; Methods of designing lenses
    • G02C7/04—Contact lenses for the eyes
    • G02C7/047—Contact lens fitting; Contact lenses for orthokeratology; Contact lenses for specially shaped corneae
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Optics & Photonics (AREA)
  • Eyeglasses (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明属于角膜塑形镜技术领域，特别涉及一种基于大数据和深度学习的智能化角膜塑形镜选片系统及方法。本发明提供一种新的基于大数据和深度学习的智能化角膜塑形镜选片系统及方法，该基于大数据和深度学习的智能化角膜塑形镜选片系统及方法通过镜片型号数据及其对应的历史角膜数据进行机器学习并构建型号识别数据模型，并基于实际角膜数据通过型号识别数据模型识别塑形镜的镜片型号，完全通过验证后，输出确定的镜片型号数据，在部分通过验证后，以分梯度以及加权重的方式进行识别验证，以达到快速、精准、稳定识别镜片型号数据的目的。

Description

基于大数据和深度学习的智能化角膜塑形镜选片系统及方法
技术领域
本发明属于角膜塑形镜技术领域，特别涉及一种基于大数据和深度学习的智能化角膜塑形镜选片系统及方法。
背景技术
角膜塑形镜起源于美国，是一种类似隐形眼镜的硬性角膜接触镜，通过夜晚睡眠时配戴，使中央区角膜弧度变平坦，周边区变陡峭，不仅能矫正中央视网膜的屈光状态，同时可以矫正周边视网膜的远视性离焦，从而达到有效控制儿童近视发展的目的。现在角膜塑形镜验配的方式都是医生或视光师人工对用户进行多次试戴片试戴及配试评估，确定最佳的角膜塑形镜参数，然后进行角膜塑形镜的订制和加工。然而，这种方式获取的角膜塑形镜参数的准确性，很大程度上依赖医生或视光师的验配技术和经验；同时因多次试戴影响用户的体验度，而且可能因镜片多次摘戴造成角膜上皮源性损伤，甚至交叉感染，疫情期间这点更应该值得重视。
发明内容
为了解决现有技术中存在的问题，本发明提供一种新的基于大数据和深度学习的智能化角膜塑形镜选片系统及方法。
本发明具体技术方案如下：
本发明提供一种基于大数据和深度学习的智能化角膜塑形镜选片方法，包括如下步骤：
S1：数据采集：
采集镜片型号数据及其对应的历史角膜数据，并构建训练集，所述镜片型号数据包括镜片品牌和对应的镜片参数；
S2：数据处理：
通过至少一种降维算法对所述训练集进行降维；
通过至少一种学习算法对降维后的训练集进行训练，建立型号识别数据模型；
S3：数据识别：
将实际角膜数据输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，循环将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型步骤，直至找到确定的镜片型号数据。
一种基于大数据和深度学习的智能化角膜塑形镜选片系统，包括如下部分：
数据采集模块，用于采集镜片型号数据及其对应的历史角膜数据，并构建训练集，所述镜片型号数据包括镜片品牌和对应的镜片参数；
数据处理模块，用于通过至少一种降维算法对所述训练集进行降维，且通过至少一种学习算法对降维后的训练集进行训练，建立型号识别数据模型；
数据识别模块，用于将实际角膜数据输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，循环将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型步骤，直至找到确定的镜片型号数据。
本发明的有益效果如下：
本发明提供一种新的基于大数据和深度学习的智能化角膜塑形镜选片系统及方法，该基于大数据和深度学习的智能化角膜塑形镜选片系统及方法通过镜片型号数据及其对应的历史角膜数据进行机器学习并构建型号识别数据模型，并基于实际角膜数据通过型号识别数据模型识别塑形镜的镜片型号数据，完全通过验证后，输出确定的镜片型号数据，在部分通过验证后，以分梯度以及加权重的方式进行识别验证，以达到快速、精准、稳定识别镜片型号数据的目的。
附图说明
图1为实施例1基于大数据和深度学习的智能化角膜塑形镜方法的流程图；
图2为实施例1步骤S3的流程图；
图3为实施例1步骤S34的流程图；
图4为实施例1步骤S344的流程图；
图5为实施例2基于大数据和深度学习的智能化角膜塑形镜方法的流程图；
图6为实施例3基于大数据和深度学习的智能化角膜塑形镜选片系统的结构框图；
图7为实施例3数据识别模块的结构框图
图8为实施例3第二判断单元的结构框图；
图9为实施例3第三判断子模块的结构框图；
图10为实施例4基于大数据和深度学习的智能化角膜塑形镜选片系统的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述，下列实施例仅用于解释本发明的发明内容，不用于限定本发明的保护范围。
附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所描述的步骤。
实施例1
本发明提供一种基于大数据和深度学习的智能化角膜塑形镜选片方法，如图1所示，包括如下步骤：
S1：数据采集：
采集镜片型号数据及其对应的历史角膜数据，并构建训练集，所述镜片型号数据包括镜片品牌和对应的镜片参数；
S2：数据处理：
通过至少一种降维算法对所述训练集进行降维，所述降维算法包括但不限于PCA理论；
通过至少一种学习算法对降维后的训练集进行训练，建立型号识别数据模型，所述算法包括但不限于已知的机器学习算法，比如神经网络算法、马尔可夫算法等，再如神经网络算法中的卷积神经网络算法；
S3：数据识别：
将实际角膜数据输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，循环将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型步骤，直至找到确定的镜片型号数据。
本发明提供一种新的基于大数据和深度学习的智能化角膜塑形镜选片方法，该基于大数据和深度学习的智能化角膜塑形镜选片方法通过镜片型号数据及其对应的历史角膜数据进行机器学习并构建型号识别数据模型，并基于实际角膜数据通过型号识别数据模型识别塑形镜的镜片型号数据，完全通过验证后，输出确定的镜片型号数据，在部分通过验证后，以分梯度以及加权重的方式进行识别验证，以达到快速、精准、稳定识别镜片型号数据的目的。
本实施例中所述的镜片型号数据指的是镜片品牌及相应的镜片参数，包括VST设计镜片参数：镜片直径、AC弧曲率、镜片降度；CRT设计镜片参数：镜片直径、BC区曲率半径、RZD、LZA。虽然患者戴镜前的实际测量数据是确定的，但是同一个患者可以同时输出适合的不同品牌的镜片参数。例如近视屈光度为-5.0D的患者，在输出镜片型号数据时，可同时输出多种镜片品牌及相应的镜片参数(一个患者可以适合多种品牌的镜片)，供医生和患者更好的选择，因此，本实施例中步骤S3中输出确定的镜片型号数据实际上就是输出相应的一种或多种镜片品牌及相应的镜片参数。
本实施例中步骤S1中的历史角膜数据包括历史角膜e值和误差数据、历史角膜k值和误差数据、历史角膜Sag值和误差数据、历史角膜直径和误差数据、历史角膜厚度和误差数据、历史远视或近视度数和误差数据、历史散光度数和误差数据中的一个或多个；镜片参数包括VST设计镜片的镜片直径、AC弧曲率、镜片降度和CRT设计镜片的镜片直径、BC区曲率半径、RZD、LZA中的一个或多个；步骤S3中的角膜数据包括实际角膜e值、实际角膜k值、实际角膜Sag值、实际角膜直径、实际角膜厚度、实际远视或近视度数、实际散光度数中的一个或多个；步骤S2中建立型号识别数据模型后，形成历史角膜数据与镜片参数的第一映射，镜片参数与镜片品牌的第二映射。
如图2所示，本实施例中步骤S3中包括如下步骤：
S31：将实际角膜数据输入型号识别数据模型中，且基于第一映射和第二映射并在历史角膜数据中各参数的误差范围内初步识别出型号数据及对应的历史角膜数据；
S32：判断历史角膜数据与实际角膜数据之间是否存在交集，若不存在，则识别出的历史角膜数据对应的型号数据为确定的镜片型号数据，若存在，则进行步骤S33；
S33：将实际角膜数据中的各参数随机分为至少两个梯度，为每个梯度都加上权重，并按照权重的高低顺序依次输入型号识别数据模型中，并在历史角膜数据中各参数的误差范围内分别二次识别出型号数据以及对应的历史角膜数据；
S34：将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若其中一个梯度不存在交集，则相应历史角膜数据对应的镜片型号数据为确定的型号数据，若均存在交集，则进行步骤S33。
本实施例中通过上述方法来通过历史角膜数据来精确识别角膜塑形镜镜片的型号数据；在建模时，需要采集镜片的型号数据及其对应的每位患者的历史角膜数据和各角膜塑形镜镜片参数，得到的患者的实际角膜数据与参考模型提供的历史角膜数据在误差允许范围内能精确匹配，这样能正确识别下镜片型号数据；如果患者的实际角膜数据与识别出的对应型号的历史角膜数据有交集时，对实际角膜数据随机分梯度并添加权重，并依次输入模型进行识别，判断实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数是否存在交集，若存在交集，重复随机分梯度并添加权重的步骤，依次类推，直至识别出确定的镜片型号数据；所述交集是指：在建模时，历史角膜数据包括多个参数及对应的误差数据，因此，历史角膜数据中各参数值都是一范围值；实际角膜输入后，型号识别数据模型会初步输出对应的实际角膜数据，判断实际角膜数据中的各参数是否对应在实际角膜数据中各参数的范围值内，若在，则没有交集，只要有一个不在，则存在交集。
如图3所示，本实施例中步骤S34包括如下步骤：
S341：将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若只有一个梯度不存在交集，则进行步骤S342，若至少有两个梯度不存在交集，则进行步骤S343，若均存在交集，则进行步骤S33；
S342：判断不存在交集的唯一梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若相同，则进行步骤S33，若不同，则相应梯度对应的型号数据为确定的镜片型号数据；
S343：判断不存在交集的各梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若均相同，则进行步骤S33，若只有一个不同，则相应梯度对应的型号数据为确定的镜片型号数据，若至少两个不同，则进行步骤S344；
S344：判断二次识别出的各型号数据是否相同，若相同，则该型号数据为确定的镜片型号数据，若不同，则各型号数据对应梯度的最大权重与所有梯度中最大的权重进行比较，若差值在阈值范围内，则与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不在阈值内，则进行步骤S33。
本实施例对步骤S34进行了进一步的细化，使得最终结果更加精确；在采用分梯度识别镜片型号数据时，可能存在只有一个梯度的参数与实际角度数据中对应的参数不存在交集，可能有多个不存在交集，还有可能全部存在交集，在这种情况下，需要根据上述方法进行分别判断，以进一步确定最终的镜片型号数据。
如图4所示，本实施例中步骤S344中还包括如下步骤：
S3441：判断二次识别出的各型号数据是否相同，若相同，则识别出的型号数据为确定的镜片型号数据，若不同，则进行步骤S3442；
S3442：识别各型号数据对应的镜片参数，判断各镜片参数对应的是否均是VST设计镜片或CRT设计镜片，若是，则比较各型号数据对应梯度的最大权重与所有梯度中最大的权重，当差值在阈值范围内时，与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不是，则进行步骤S3443；
S3453：判断各VST设计镜片和CRT设计镜片对应的是否是同一组历史角膜数据，若是，则比较相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况，矫正情况基数较大的镜片对应的型号数据为最终的镜片型号数据，若不是，则进行步骤S33，所述镜片参数还包括相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况。
本实施例中识别出的最终型号可能是两种不同设计理论的镜片，此时需要根据镜片参数来判断，首先根据镜片参数判断是否均是VST设计镜片或CRT设计镜片(患者可能既适合VST设计镜片也适合CRT设计镜片，或者，根据实际情况，具有相同角膜参数的两位患者中，一位适合VST设计镜片，而另一位适合CRT设计镜片，此时就会出现本实施例所述的情况)，此时，需要调取患者佩戴这两种镜片后的矫正情况，根据矫正基数来确定最终的镜片型号数据，使得选片更加精确。
实施例2
一种基于大数据和深度学习的智能化角膜塑形镜选片方法，与实施例1不同的是，如5图所示，所述选片方法还包括如下步骤：
S4：模拟预测：
通过至少一种学习算法对降维后的部分训练集进行，建立预测模型，将识别出的镜片型号数据与实际角膜数据输入到预测模型中，输出预测的矫正角膜数据，其中，所述历史角膜数据还包括患者佩戴角膜塑形镜后的矫正角膜数据，所述矫正角膜数据包括矫正角膜e值、矫正角膜k值、矫正角膜Sag值、矫正角膜直径、矫正角膜厚度、矫正远视或近视度数、矫正散光度数中的一个或多个，所述算法包括但不限于已知的机器学习算法，比如神经网络算法、马尔可夫算法等，再如神经网络算法中的卷积神经网络算法。
本实施例中通过预测模型对患者的矫正情况进行预测，使得患者可以对镜片的矫正情况更好的了解，且增强患者矫正的信心；在识别出镜片型号数据后，将镜片型号数据及对应的实际角膜参数输入到预测模型中进行预测，输出预测的矫正角膜参数；其中，预测模型为通过部分训练集构建而成，矫正角膜参数为佩戴镜片型号数据对应的角膜塑形镜一段时间后患者的角膜参数，一段时间可以是一天，一周，一个月等，且预测模型预测出来的矫正数据与之对应，可以是预测佩戴一天、一周、一个月的矫正情况，通过预测的矫正角膜数据可以了解该镜片型号数据对应的角膜塑形镜佩戴后的实际效果；本实施例中在进行模拟预测时，可以对输出的不同品牌的镜片进行预测模拟，以供医生和患者更好的进行选择。
实施例3
一种基于大数据和深度学习的智能化角膜塑形镜选片系统，如图6所示，包括如下部分：
数据采集模块1，用于采集镜片型号数据及其对应的历史角膜数据，并构建训练集，所述镜片型号数据包括镜片品牌和对应的镜片参数；
数据处理模块2，用于通过至少一种降维算法对所述训练集进行降维，且通过至少一种学习算法对降维后的训练集进行训练，建立型号识别数据模型；
数据识别模块3，用于将实际角膜数据输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，循环将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型步骤，直至找到确定的镜片型号数据。
本发明提供一种新的基于大数据和深度学习的智能化角膜塑形镜选片系统，该基于大数据和深度学习的智能化角膜塑形镜选片系统通过镜片型号数据及其对应的历史角膜数据进行机器学习并构建型号识别数据模型，并基于实际角膜数据通过型号识别数据模型识别塑形镜镜片的型号数据，完全通过验证后，输出确定的镜片型号数据，在部分通过验证后，以分梯度以及加权重的方式进行识别验证，以达到快速、精准、稳定识别镜片型号数据的目的。
本实施例中所述的镜片型号数据指的是镜片品牌及相应的镜片参数，包括VST设计镜片参数：镜片直径、AC弧曲率、镜片降度；CRT设计镜片参数：镜片直径、BC区曲率半径、RZD、LZA。虽然患者戴镜前的实际测量数据是确定的，但是同一个患者可以同时输出适合的不同品牌的镜片参数。例如近视屈光度为-5.0D的患者，在输出镜片型号数据时，可同时输出多种镜片品牌及相应的镜片参数(一个患者可以适合多种品牌的镜片)，供医生和患者更好的选择，因此，本实施例中步骤S3中输出确定的镜片型号数据实际上就是输出相应的一种或多种镜片品牌及相应的镜片参数。
本实施例中所述数据采集模块1中的历史角膜数据包括历史角膜e值和误差数据、历史角膜k值和误差数据、历史角膜Sag值和误差数据、历史角膜直径和误差数据、历史角膜厚度和误差数据、历史远视或近视度数和误差数据、历史散光度数和误差数据中的一个或多个；镜片参数包括VST设计镜片的镜片直径、AC弧曲率、镜片降度和CRT设计镜片的镜片直径、BC区曲率半径、RZD、LZA中的一个或多个；所述数据识别模块3中的角膜数据包括实际角膜e值、实际角膜k值、实际角膜Sag值、实际角膜直径、实际角膜厚度、实际远视或近视度数、实际散光度数中的一个或多个；所述数据处理模块2中建立型号识别数据模型后，形成历史角膜数据与镜片参数的第一映射，镜片参数与镜片品牌的第二映射。
如图7所示，本实施例中所述数据识别模块3中包括如下部分：
初步识别单元31：用于将实际角膜数据输入型号识别数据模型中，且基于第一映射和第二映射并在历史角膜数据中各参数的误差范围内初步识别出型号数据及对应的历史角膜数据；
第一判断单元32：用于判断历史角膜数据与实际角膜数据之间是否存在交集，若不存在，则识别出的历史角膜数据对应的型号数据为确定的镜片型号数据，若存在，则向二次识别单元33发送指令；
二次识别单元33：用于将实际角膜数据中的各参数随机分为至少两个梯度，为每个梯度都加上权重，并按照权重的高低顺序依次输入型号识别数据模型中，并在历史角膜数据中各参数的误差范围内分别二次识别出型号数据以及对应的历史角膜数据；
第二判断单元34：将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若其中一个梯度不存在交集，则相应历史角膜数据对应的镜片型号数据为确定的型号数据，若均存在交集，则向二次识别单元33发送指令。
本实施例中通过上述方法来通过历史角膜数据来精确识别角膜塑形镜镜片的型号数据；在建模时，需要采集镜片的型号数据及其对应的每位患者的历史角膜数据和各角膜塑形镜镜片参数，得到的患者的实际角膜数据与参考模型提供的历史角膜数据在误差允许范围内能精确匹配，这样能正确识别下镜片型号数据；如果患者的实际角膜数据与识别出的对应型号的历史角膜数据有交集时，对实际角膜数据随机分梯度并添加权重，并依次输入模型进行识别，判断实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数是否存在交集，若存在交集，重复随机分梯度并添加权重的步骤，依次类推，直至识别出确定的镜片型号数据；所述交集是指：在建模时，历史角膜数据包括多个参数及对应的误差数据，因此，历史角膜数据中各参数值都是一范围值；实际角膜输入后，型号识别数据模型会初步输出对应的实际角膜数据，判断实际角膜数据中的各参数是否对应在实际角膜数据中各参数的范围值内，若在，则没有交集，只要有一个不在，则存在交集。
如图8所示，本实施例中所述第二判断单元34包括如下部分：
第一比较子模块341：用于将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若只有一个梯度不存在交集，则向第一判断子模块342发送指令，若至少有两个梯度不存在交集，则向第二判断子模块343发送指令，若均存在交集，则向二次识别单元33发送指令；
第一判断子模块342：用于判断不存在交集的唯一梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若相同，则向二次识别单元33发送指令，若不同，则相应梯度对应的型号数据为确定的镜片型号数据；
第二判断子模块343：用于判断不存在交集的各梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若均相同，则向二次识别单元33发送指令，若只有一个不同，则相应梯度对应的型号数据为确定的镜片型号数据，若至少两个不同，则向第三判断子模块344发送指令；
第三判断子模块344：用于判断二次识别出的各型号数据是否相同，若相同，则该型号数据为确定的镜片型号数据，若不同，则各型号数据对应梯度的最大权重与所有梯度中最大的权重进行比较，若差值在阈值范围内，则与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不在阈值内，则向二次识别单元33发送指令。
本实施例对第二判断单元进行了进一步的细化，使得最终结果更加精确；在采用分梯度识别镜片型号数据时，可能存在只有一个梯度的参数与实际角度数据中对应的参数不存在交集，可能有多个不存在交集，还有可能全部存在交集，在这种情况下，需要根据上述方法进行分别判断，以进一步确定最终的镜片型号数据。
如图9所示，优选的，所述第三判断子模块344中还包括如下部分：
型号判断子单元3441：用于判断二次识别出的各型号数据是否相同，若相同，则识别出的型号数据为确定的镜片型号数据，若不同，则向镜片参数判断子单元3442发送指令；
镜片参数判断子单元3442：用于识别各型号数据对应的镜片参数，判断各镜片参数对应的是否均是VST设计镜片或CRT设计镜片，若是，则比较各型号数据对应梯度的最大权重与所有梯度中最大的权重，当差值在阈值范围内时，与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不是，则向数据判断子单元3443发送指令；
角膜数据判断子单元3443：用于判断各VST设计镜片和CRT设计镜片对应的是否是同一组历史角膜数据，若是，则比较相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况，矫正情况基数较大的镜片对应的型号数据为最终的镜片型号数据，若不是，则向二次识别单元33发送指令，所述镜片参数还包括相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况。
本实施例中识别出的最终型号可能是两种不同设计理论的镜片，此时需要根据镜片参数来判断，首先根据镜片参数判断是否均是VST设计镜片或CRT设计镜片(患者可能既适合VST设计镜片也适合CRT设计镜片，或者，根据实际情况，具有相同角膜参数的两位患者中，一位适合VST设计镜片，而另一位适合CRT设计镜片，此时就会出现本实施例所述的情况)，此时，需要调取患者佩戴这两种镜片后的矫正情况，根据矫正基数来确定最终的镜片型号数据，使得选片更加精确。
实施例4
一种基于大数据和深度学习的智能化角膜塑形镜选片系统，与实施例3不同的是，如图10所示，本实施例中所述选片系统还包括如下步骤：
模拟预测模块4，用于通过至少一种学习算法对降维后的部分训练集进行，建立预测模型，将识别出的镜片型号数据与实际角膜数据输入到预测模型中，输出预测的矫正角膜数据，其中，所述历史角膜数据还包括患者佩戴角膜塑形镜后的矫正角膜数据，所述矫正角膜数据包括矫正角膜e值、矫正角膜k值、矫正角膜Sag值、矫正角膜直径、矫正角膜厚度、矫正远视或近视度数、矫正散光度数中的一个或多个，所述算法包括但不限于已知的机器学习算法，比如神经网络算法、马尔可夫算法等，再如神经网络算法中的卷积神经网络算法。
本实施例中通过预测模型对患者的矫正情况进行预测，使得患者可以对镜片的矫正情况更好的了解，且增强患者矫正的信心；在识别出镜片型号数据后，将镜片型号数据及对应的实际角膜参数输入到预测模型中进行预测，输出预测的矫正角膜参数；其中，预测模型为通过部分训练集构建而成，矫正角膜参数为佩戴镜片型号数据对应的角膜塑形镜一段时间后患者的角膜参数，一段时间可以是一天，一周，一个月等，且预测模型预测出来的矫正数据与之对应，可以是预测佩戴一天、一周、一个月的矫正情况，通过预测的矫正角膜数据可以了解该镜片型号数据对应的角膜塑形镜佩戴后的实际效果；本实施例中在进行模拟预测时，可以对输出的不同品牌的镜片进行预测模拟，以供医生和患者更好的进行选择。
以上所述实施例仅仅是本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (9)

1.一种基于大数据和深度学习的智能化角膜塑形镜选片方法，其特征在于，包括如下步骤：
S1：数据采集：
采集镜片型号数据及其对应的历史角膜数据，并构建训练集，所述镜片型号数据包括镜片品牌和对应的镜片参数；
S2：数据处理：
通过至少一种降维算法对所述训练集进行降维；
通过至少一种学习算法对降维后的训练集进行训练，建立型号识别数据模型；
步骤S2中建立型号识别数据模型后，形成历史角膜数据与镜片参数的第一映射，镜片参数与镜片品牌的第二映射；
S3：数据识别：
将实际角膜数据输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，循环将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型步骤，直至找到确定的镜片型号数据；
步骤S3中包括如下步骤：
S31：将实际角膜数据输入型号识别数据模型中，且基于第一映射和第二映射并在历史角膜数据中各参数的误差范围内初步识别出型号数据及对应的历史角膜数据；
S32：判断历史角膜数据与实际角膜数据之间是否存在交集，若不存在，则识别出的历史角膜数据对应的型号数据为确定的镜片型号数据，若存在，则进行步骤S33；
S33：将实际角膜数据中的各参数随机分为至少两个梯度，为每个梯度都加上权重，并按照权重的高低顺序依次输入型号识别数据模型中，并在历史角膜数据中各参数的误差范围内分别二次识别出型号数据以及对应的历史角膜数据；
S34：将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若其中一个梯度不存在交集，则相应历史角膜数据对应的镜片型号数据为确定的型号数据，若均存在交集，则进行步骤S33。
2.根据权利要求1所述的基于大数据和深度学习的智能化角膜塑形镜选片方法，其特征在于，步骤S1中的历史角膜数据包括历史角膜e值和误差数据、历史角膜k值和误差数据、历史角膜Sag值和误差数据、历史角膜直径和误差数据、历史角膜厚度和误差数据、历史远视或近视度数和误差数据、历史散光度数和误差数据中的一个或多个；镜片参数包括VST设计镜片的镜片直径、AC弧曲率、镜片降度和CRT设计镜片的镜片直径、BC区曲率半径、RZD、LZA中的一个或多个；步骤S3中的角膜数据包括实际角膜e值、实际角膜k值、实际角膜Sag值、实际角膜直径、实际角膜厚度、实际远视或近视度数、实际散光度数中的一个或多个。
3.根据权利要求1所述的基于大数据和深度学习的智能化角膜塑形镜选片方法，其特征在于，步骤S34包括如下步骤：
S341：将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若只有一个梯度不存在交集，则进行步骤S342，若至少有两个梯度不存在交集，则进行步骤S343，若均存在交集，则进行步骤S33；
S342：判断不存在交集的唯一梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若相同，则进行步骤S33，若不同，则相应梯度对应的型号数据为确定的镜片型号数据；
S343：判断不存在交集的各梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若均相同，则进行步骤S33，若只有一个不同，则相应梯度对应的型号数据为确定的镜片型号数据，若至少两个不同，则进行步骤S344；
S344：判断二次识别出的各型号数据是否相同，若相同，则该型号数据为确定的镜片型号数据，若不同，则各型号数据对应梯度的最大权重与所有梯度中最大的权重进行比较，若差值在阈值范围内，则与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不在阈值内，则进行步骤S33。
4.根据权利要求3所述的基于大数据和深度学习的智能化角膜塑形镜选片方法，其特征在于，步骤S344中还包括如下步骤：
S3441：判断二次识别出的各型号数据是否相同，若相同，则识别出的型号数据为确定的镜片型号数据，若不同，则进行步骤S3442；
S3442：识别各型号数据对应的镜片参数，判断各镜片参数对应的是否均是VST设计镜片或CRT设计镜片，若是，则比较各型号数据对应梯度的最大权重与所有梯度中最大的权重，当差值在阈值范围内时，与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不是，则进行步骤S3443；
S3453：判断各VST设计镜片和CRT设计镜片对应的是否是同一组历史角膜数据，若是，则比较相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况，矫正情况基数较大的镜片对应的型号数据为最终的镜片型号数据，若不是，则进行步骤S33，所述镜片参数还包括相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况。
5.根据权利要求1所述的基于大数据和深度学习的智能化角膜塑形镜选片方法，其特征在于，所述选片方法还包括如下步骤：
S4：模拟预测：
通过至少一种学习算法对降维后的部分训练集进行，建立预测模型，将识别出的镜片型号数据与实际角膜数据输入到预测模型中，输出预测的矫正角膜数据，其中，所述历史角膜数据还包括患者佩戴角膜塑形镜后的矫正角膜数据，所述矫正角膜数据包括矫正角膜e值、矫正角膜k值、矫正角膜Sag值、矫正角膜直径、矫正角膜厚度、矫正远视或近视度数、矫正散光度数中的一个或多个。
6.一种基于大数据和深度学习的智能化角膜塑形镜选片系统，其特征在于，包括如下部分：
数据采集模块(1)，用于采集镜片型号数据及其对应的历史角膜数据，并构建训练集，所述镜片型号数据包括镜片品牌和对应的镜片参数；数据处理模块(2)，用于通过至少一种降维算法对所述训练集进行降维，且通过至少一种学习算法对降维后的训练集进行训练，建立型号识别数据模型；
所述数据处理模块(2)中建立型号识别数据模型后，形成历史角膜数据与镜片参数的第一映射，镜片参数与镜片品牌的第二映射；
数据识别模块(3)，用于将实际角膜数据输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型中，且完全通过验证后，输出确定的镜片型号数据；当部分验证通过后，循环将实际角膜数据中的各参数随机分为至少两个梯度，加上权重后重新输入型号识别数据模型步骤，直至找到确定的镜片型号数据；
所述数据识别模块(3)中包括如下部分：
初步识别单元(31)：用于将实际角膜数据输入型号识别数据模型中，且基于第一映射和第二映射并在历史角膜数据中各参数的误差范围内初步识别出型号数据及对应的历史角膜数据；
第一判断单元(32)：用于判断历史角膜数据与实际角膜数据之间是否存在交集，若不存在，则识别出的历史角膜数据对应的型号数据为确定的镜片型号数据，若存在，则向二次识别单元(33)发送指令；二次识别单元(33)：用于将实际角膜数据中的各参数随机分为至少两个梯度，为每个梯度都加上权重，并按照权重的高低顺序依次输入型号识别数据模型中，并在历史角膜数据中各参数的误差范围内分别二次识别出型号数据以及对应的历史角膜数据；
第二判断单元(34)：将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若其中一个梯度不存在交集，则相应历史角膜数据对应的镜片型号数据为确定的型号数据，若均存在交集，则向二次识别单元(33)发送指令。
7.根据权利要求6所述的基于大数据和深度学习的智能化角膜塑形镜选片系统，其特征在于，所述数据采集模块(1)中的历史角膜数据包括历史角膜e值和误差数据、历史角膜k值和误差数据、历史角膜Sag值和误差数据、历史角膜直径和误差数据、历史角膜厚度和误差数据、历史远视或近视度数和误差数据、历史散光度数和误差数据中的一个或多个；镜片参数包括VST设计镜片的镜片直径、AC弧曲率、镜片降度和CRT设计镜片的镜片直径、BC区曲率半径、RZD、LZA中的一个或多个；所述数据识别模块(3)中的角膜数据包括实际角膜e值、实际角膜k值、实际角膜Sag值、实际角膜直径、实际角膜厚度、实际远视或近视度数、实际散光度数中的一个或多个。
8.根据权利要求6所述的基于大数据和深度学习的智能化角膜塑形镜选片系统，其特征在于，所述第二判断单元(34)包括如下部分：
第一比较子模块(341)：用于将实际角膜数据各梯度的参数分别与对应历史角膜数据的对应参数进行比较，判断是否存在交集，若只有一个梯度不存在交集，则向第一判断子模块(342)发送指令，若至少有两个梯度不存在交集，则向第二判断子模块(343)发送指令，若均存在交集，则向二次识别单元(33)发送指令；
第一判断子模块(342)：用于判断不存在交集的唯一梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若相同，则向二次识别单元(33)发送指令，若不同，则相应梯度对应的型号数据为确定的镜片型号数据；
第二判断子模块(343)：用于判断不存在交集的各梯度对应的二次识别出的型号数据与初步识别出的型号数据是否相同，若均相同，则向二次识别单元(33)发送指令，若只有一个不同，则相应梯度对应的型号数据为确定的镜片型号数据，若至少两个不同，则向第三判断子模块(344)发送指令；
第三判断子模块(344)：用于判断二次识别出的各型号数据是否相同，若相同，则该型号数据为确定的镜片型号数据，若不同，则各型号数据对应梯度的最大权重与所有梯度中最大的权重进行比较，若差值在阈值范围内，则与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不在阈值内，则向二次识别单元(33)发送指令。
9.根据权利要求8所述的基于大数据和深度学习的智能化角膜塑形镜选片系统，其特征在于，所述第三判断子模块(344)中还包括如下部分：
型号判断子单元(3441)：用于判断二次识别出的各型号数据是否相同，若相同，则识别出的型号数据为确定的镜片型号数据，若不同，则向镜片参数判断子单元(3442)发送指令；
镜片参数判断子单元(3442)：用于识别各型号数据对应的镜片参数，判断各镜片参数对应的是否均是VST设计镜片或CRT设计镜片，若是，则比较各型号数据对应梯度的最大权重与所有梯度中最大的权重，当差值在阈值范围内时，与初步识别出的型号数据不同的二次识别出的各型号数据中权重最大的一型号数据为确定的镜片型号数据，若不是，则向数据判断子单元(3443)发送指令；
角膜数据判断子单元(3443)：用于判断各VST设计镜片和CRT设计镜片对应的是否是同一组历史角膜数据，若是，则比较相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况，矫正情况基数较大的镜片对应的型号数据为最终的镜片型号数据，若不是，则向二次识别单元(33)发送指令，所述镜片参数还包括相同历史角膜数据情况下，VST设计镜片和CRT设计镜片的佩戴矫正情况。
CN202010323170.9A 2020-04-22 2020-04-22 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法 Active CN111553402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010323170.9A CN111553402B (zh) 2020-04-22 2020-04-22 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010323170.9A CN111553402B (zh) 2020-04-22 2020-04-22 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法

Publications (2)

Publication Number Publication Date
CN111553402A CN111553402A (zh) 2020-08-18
CN111553402B true CN111553402B (zh) 2023-07-18

Family

ID=72001217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010323170.9A Active CN111553402B (zh) 2020-04-22 2020-04-22 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法

Country Status (1)

Country Link
CN (1) CN111553402B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112807151B (zh) * 2021-01-12 2022-09-13 首都医科大学附属北京同仁医院 一种角膜塑形镜ac值的确定方法及系统
CN113017831A (zh) * 2021-02-26 2021-06-25 上海鹰瞳医疗科技有限公司 人工晶体植入术后拱高预测方法及设备
CN113806908A (zh) * 2021-08-04 2021-12-17 美视(杭州)人工智能科技有限公司 基于角膜塑形镜配镜的参数处理方法和相关设备
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
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
CN113743498A (zh) * 2021-09-02 2021-12-03 美视(杭州)人工智能科技有限公司 一种角膜塑形镜验配okai解决方法
CN116990450B (zh) * 2023-07-18 2024-04-26 欧几里德(苏州)医疗科技有限公司 一种角膜塑形镜的缺陷检测方法及系统
CN117253621B (zh) * 2023-11-17 2024-03-01 北京市眼科研究所 角膜塑形效果预估方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007000255A (ja) * 2005-06-22 2007-01-11 Yamashita Yuji オルソケラトロジー（角膜矯正療法）仕様におけるベスト・トライアルレンズの選定システム
CN110517219A (zh) * 2019-04-01 2019-11-29 刘泉 一种基于深度学习的角膜地形图判别方法及系统
CN111000525A (zh) * 2019-11-21 2020-04-14 明灏科技（北京）有限公司 一种基于大数据的角膜塑形镜验配方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9357911B2 (en) * 2011-05-09 2016-06-07 Carl Zeiss Meditec, Inc. Integration and fusion of data from diagnostic measurements for glaucoma detection and progression analysis
US10018854B2 (en) * 2016-06-22 2018-07-10 Indizen Optical Technologies of America, LLC Custom ophthalmic lens design derived from multiple data sources

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007000255A (ja) * 2005-06-22 2007-01-11 Yamashita Yuji オルソケラトロジー（角膜矯正療法）仕様におけるベスト・トライアルレンズの選定システム
CN110517219A (zh) * 2019-04-01 2019-11-29 刘泉 一种基于深度学习的角膜地形图判别方法及系统
CN111000525A (zh) * 2019-11-21 2020-04-14 明灏科技（北京）有限公司 一种基于大数据的角膜塑形镜验配方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Corneal Endothelium Cell Field Analysis by means of Interacting Bayesian Shape Models;Marco Foracchia等;2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society;全文 *
影响角膜塑形镜定位的因素分析;赵艳等;国际眼科杂志(第05期);全文 *
角膜塑形镜的临床验配;巩朝雁等;中国眼镜科技杂志(第01期);全文 *
计算机数据库系统在眼科教学中的应用;宋红欣等;眼科;第12卷(第02期);全文 *

Also Published As

Publication number Publication date
CN111553402A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111553402B (zh) 基于大数据和深度学习的智能化角膜塑形镜选片系统及方法
US8862447B2 (en) Apparatus, system and method for predictive modeling to design, evaluate and optimize ophthalmic lenses
US10123687B2 (en) Method for optimizing the selection of the IOL to be implanted in an eye
AU2005215056B2 (en) System and method for analyzing wavefront aberrations
CN110235051B (zh) 接触式镜片
JP2003144387A (ja) 眼内レンズの選択用情報表示方法および表示装置
US20230037772A1 (en) Method for determining lens and apparatus using the method
WO2020120595A1 (en) Method and apparatus for evaluating efficacy of ophthalmic lens in controlling sightedness impairment
US11143886B2 (en) Method for optimizing an optical aid by way of automatic subjective visual performance measurement
CN114239208A (zh) 基于角膜塑形镜配镜的数据处理方法和相关设备
KR102542015B1 (ko) 렌즈 결정 방법 및 이를 이용하는 장치
CN115209786A (zh) 用于确定适于受试者眼睛的至少一个矫正镜片的光学特征的主观值的系统和相关联方法
EP3522771B1 (en) Realistic eye models to design and evaluate intraocular lenses for a large field of view
KR102323355B1 (ko) 볼팅값 예측 방법 및 이를 이용하는 장치
KR102645226B1 (ko) 노안가입도 산출방법
US20230008122A1 (en) System and method for selection of a preferred intraocular lens
CN116209943A (zh) 用于影响近视发展的镜片和方法
CN116602616A (zh) 一种屈光检测方法、装置及设备
CN116670568A (zh) 从眼睛区域的图像确定至少一只眼睛的眼科相关生物特征
CN110960349A (zh) 一种smile屈光手术屈光度调整值的预测方法
CN115101196A (zh) 一种基于机器学习的高度近视专用人工晶状体度数计算软件
Ribeiro et al. Morphology, topography, and optics of the orthokeratology cornea

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