CN112656507A - 一种基于bp神经网络模型的smile手术参数预测方法 - Google Patents

一种基于bp神经网络模型的smile手术参数预测方法 Download PDF

Info

Publication number
CN112656507A
CN112656507A CN202011627434.6A CN202011627434A CN112656507A CN 112656507 A CN112656507 A CN 112656507A CN 202011627434 A CN202011627434 A CN 202011627434A CN 112656507 A CN112656507 A CN 112656507A
Authority
CN
China
Prior art keywords
neural network
network model
thickness
input
output
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
Application number
CN202011627434.6A
Other languages
English (en)
Other versions
CN112656507B (zh
Inventor
袁冬青
汤福南
杨春花
张晖
汪缨
刘庆淮
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.)
Jiangsu Province Hospital First Affiliated Hospital With Nanjing Medical University
Original Assignee
Jiangsu Province Hospital First Affiliated Hospital With Nanjing Medical University
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 Jiangsu Province Hospital First Affiliated Hospital With Nanjing Medical University filed Critical Jiangsu Province Hospital First Affiliated Hospital With Nanjing Medical University
Priority to CN202210848932.6A priority Critical patent/CN115099158A/zh
Priority to CN202011627434.6A priority patent/CN112656507B/zh
Publication of CN112656507A publication Critical patent/CN112656507A/zh
Application granted granted Critical
Publication of CN112656507B publication Critical patent/CN112656507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Eye Examination Apparatus (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Prostheses (AREA)

Abstract

本发明公开一种基于BP神经网络模型的SMILE手术参数预测方法，包括如下步骤：步骤1：选定模型训练阶段的输入值和期望输出值，步骤2：构建BP神经网络模型；步骤3：训练模型；步骤4：选定模型应用阶段的输入值和输出值；步骤5：模型应用；步骤6：计算剩余基底厚度的预测值；步骤7：得出SMILE手术参数预测结果。优点：基于BP神经网络对现有的大量数据进行深度学习，并可独立于SMILE手术机器实现预测功能。因此，本发明能够在保证预测精度的基础之上，从根本上实现全飞秒手术适应症的科学、快速筛查，并可节约临床时间。

Description

一种基于BP神经网络模型的SMILE手术参数预测方法
技术领域
本发明涉及一种应用BP神经网络预测SMILE手术参数的方法，属于眼科手术参数设计领域。
背景技术
目前飞秒激光在近视角膜屈光手术中的应用日趋广泛，特别是飞秒激光小切口角膜基质透镜取出术(SMILE)显示出较好的安全性、有效性、稳定性和可预测性。但不同患者其术后临床效果仍不尽相同，因此，如何做到真正的个体化还需要不断探讨，手术参数设计仍存在许多未知因素。近年来，屈光手术医生们在遵循视觉光学基本理论的前提下不断探索和优化SMILE手术参数的设计，以保证手术的精确度，提高患者术后视觉质量。
SMILE作为相对较新的角膜屈光手术方式，目前还处在不断探索的发展阶段，其中最重要的问题是对手术参数的设定尚缺乏足够的经验。为了减少对角膜组织的损伤，实现个体化的手术设计，达到最佳手术效果，需要对手术参数的设定和相关手术设计进行认真分析，并给予优化和必要的调整。
BP神经网络(Back-Propagation Neural Network)又称为反向传播神经网络，是通过误差反向传播算法的多层前向神经网络，该网络具有良好的非线性函数逼近能力，能够实现精准的预测。
SMILE手术的关键参数主要为切削厚度和剩余基底厚度，其中切削厚度受到患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)等数据的影响，而剩余基底厚度数值受到角膜厚度、切削厚度、基底厚度以及帽厚度等参数的影响。
由于SMILE手术的关键参数受到以上多方面因素的影响，临床上很难直观地得出判断结果，包括切削厚度、剩余基底厚度、以及患者是否符合手术条件等。
通常情况下，想要的出手术参数结论，需要借助SMILE手术机器，输入各项参数来得出切削厚度和剩余基底厚度等结果，然而这种方式会占用SMILE手术机器的时间，且在术前筛查过程中无法迅速进行计算和判断。
因此，如果能以厂家提供的部分数据和长期积累的患者数据为先验条件，建立科学的SIMLE手术参数预测方法，快速预测出切削厚度和剩余基底厚度，帮助临床医生判断患者是否符合手术条件，同时又能避免占用SMILE手术机器的时间，获得较好的经济和社会效益。
发明内容
针对以上不足，本发明提供了提供一种基于BP神经网络对SMILE手术参数进行快速预测的方法该方法，是基于BP神经网络的机器学习模式，模拟并预测SMILE手术的角膜切削公式，通过输入患者的当前手术数据，计算SMILE手术需要切削的角膜厚度，以预测患者手术的可行性，辅助评估手术风险，并指导手术医生选择个性化设计的手术方案。
本发明采取的技术方案如下：
一种基于BP神经网络模型的SMILE手术参数预测方法，包括如下步骤:
步骤1：根据厂家提供的官方数据以及历史患者数据，选定患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)4项指标作为模型训练阶段的输入值，选定输入量所一一对应的切削厚度值Y作为模型训练阶段的期望输出值；
步骤2：根据步骤1中的输入量和期望输出量，构建BP神经网络模型，BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，输入层的输入指标是步骤1选择的输入量，输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差W；
步骤3：训练步骤2中的BP神经网络模型；具体的训练步骤如下：
步骤31、以步骤1中选定的4项指标的数据生成输入向量P1；以步骤1中选定的期望输出值的数据生成输出向量T1，此输出向量T1作为期望输出向量；
P1＝[S1,S2,S3,…,Sn；C1,C2,C3,…,Cn；K1,K2,K3,…,Kn；D1,D2,D3,…,Dn]；
T1＝[Y1,Y2,Y3,…,Yn]；
其中，n为历史样本数据个数，输入向量P由患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)组成，患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)分别简称为S、C、K和D；
步骤32、将输入向量P1输入BP神经网络模型得到实际输出向量，此实际输出向量为切削厚度值Y的预测值；
步骤33、将输出向量T1输入BP神经网络模型，计算出切削厚度值Y的预测值与期望值的均方根误差；
步骤34、以此均方根误差作为BP神经网络误差反向传播算法的输入数据，对BP神经网络模型进行循环往复训练，直至输出的切削厚度值Y的预测值与期望值之间的误差小于设定的期望误差W，模型训练完成，并保存该BP神经网络模型；
步骤35、得到适用于SMILE手术切削厚度预测的BP神经网络模型；
步骤4、根据当前待预测患者手术数据，选定S、C、K和D4项指标作为模型应用阶段的输入值，将选定的模型应用阶段的输入值的数据生成输入向量P2，
P2＝[S1；C1；K1；D1]；
步骤5、模型应用，将步骤4中的输入向量P2输入步骤35中的BP神经网络模型内，得到输出向量T2，该输出向量T2为该患者切削厚度值Y的预测值；
步骤6、计算剩余基底厚度的预测值，公式如下：
剩余基底厚度＝角膜厚度-基底厚度-帽厚度-切削厚度值Y
其中，公式中的切削厚度值Y为步骤5中获得的该患者切削厚度值Y的预测值，角膜厚度、基底厚度和帽厚度为当前患者的手术数据；
步骤7、若剩余基底厚度≥300μm，提示手术风险小，可考虑手术；若剩余基质厚度<280μm，提示手术风险较高，建议不可手术；如剩余基质厚度介于280μm和300μm之间，手术可以在一定情况下进行。
本发明，有助于筛查SMILE手术适应症，尤其对于初期开展SMILE手术的医生，可无需借助蔡司VISUMAX机器输机验证即可方便有效的获知患者手术参数，辅助医生选择安全合理的手术方式。
对本发明技术方案的优选，步骤2中，BP神经网络模型的隐含层可以有一层或多层；其中，隐含层和输出层激励函数均选取为tansig,网络训练函数为trainglm,网络性能函数为mse，训练次数设置为5000，期望误差W设置为10-3。
对本发明技术方案的优选，步骤2中，BP神经网络模型选用S型传递函数logsig或tansig，其表达式为
Figure BDA0002879479260000041
和
Figure BDA0002879479260000042
通过反传误差函数
Figure BDA0002879479260000043
不断调节网络权值和阈值使误差函数E达到小于期望误差W的程度；其中，Ti为期望输出，Qi为网络计算输出。
对本发明技术方案的优选，BP神经网络模型的神经元数目，隐含层的神经元数目L通过参照以下公式确定：
Figure BDA0002879479260000044
其中，c为输入层的节点数，b为输出层的节点数，a为[1，10]之间的常数。
本发明与现有技术相比，具有以下有益效果：
现有技术只能通过厂家机器来验证判断患者的手术参数，有可能占用手术时间，效率较低。另外，查表法也具有一定的可行性，但查表法仅对离散的输入数据有效，且对多维参数输入的情况下执行效率低，而深度学习训练达到期望误差后的网络，对合理范围内的任意输入参数，都可以实现快速精准的数据预测，快速判断出患者是否符合SMILE手术条件，节约临床时间。
本发明是基于BP神经网络对现有的大量数据进行深度学习，并可独立于SMILE手术机器实现预测功能。因此，本发明能够在保证预测精度的基础之上，从根本上实现全飞秒手术适应症的科学、快速筛查，并可节约临床时间。
附图说明
图1为本发明涉及的基于BP神经网络模型的SMILE手术参数预测方法的流程图。
图2为本发明的用于预测SMILE手术切削厚度的BP神经网络构成示意图。
图3为训练样本的拟合程度的训练结果。
图4为验证样本的拟合程度的训练结果。
图5为测试样本的拟合程度的训练结果。
图6为全部样本的拟合程度的训练结果。
图7为训练步骤2中的BP神经网络模型的训练效果随迭代次数变化的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图1-附图7及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下面对本发明做进一步的详细说明，其中tansig、logsig以及traingdx为现有计算公式或函数。
实施例1
如图1所示，一种基于BP神经网络模型的SMILE手术参数预测方法，具体包括以下步骤：
步骤1：根据厂家提供的官方数据以及历史患者数据，选定患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)4项指标作为模型训练阶段的输入值，选定输入量所一一对应的切削厚度值Y作为模型训练阶段的期望输出值；
步骤2：根据步骤1中的输入量和期望输出量，构建BP神经网络模型，BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，输入层的输入指标是步骤1选择的输入量，输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差W；
步骤3：训练步骤2中的BP神经网络模型；具体的训练步骤如下：
步骤31、以步骤1中选定的4项指标的数据生成输入向量P1；以步骤1中选定的期望输出值的数据生成输出向量T1，此输出向量T1作为期望输出向量；
P1＝[S1,S2,S3,…,Sn；C1,C2,C3,…,Cn；K1,K2,K3,…,Kn；D1,D2,D3,…,Dn]；
T1＝[Y1,Y2,Y3,…,Yn]；
其中，n为历史样本数据个数，n取值为13188；输入向量P由患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)组成，患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)分别简称为S、C、K和D；
步骤32、将输入向量P1输入BP神经网络模型得到实际输出向量，此实际输出向量为切削厚度值Y的预测值；
步骤33、将输出向量T1输入BP神经网络模型，计算出切削厚度值Y的预测值与期望值的均方根误差；
步骤34、以此均方根误差作为BP神经网络误差反向传播算法的输入数据，对BP神经网络模型进行循环往复训练，直至输出的切削厚度值Y的预测值与期望值之间的误差小于设定的期望误差W，模型训练完成，并保存该BP神经网络模型；
步骤35、得到适用于SMILE手术切削厚度预测的BP神经网络模型；
步骤4、根据当前待预测患者手术数据，选定S、C、K和D4项指标作为模型应用阶段的输入值，将选定的模型应用阶段的输入值的数据生成输入向量P2，
P2＝[S1；C1；K1；D1]；
步骤5、模型应用，将步骤4中的输入向量P2输入步骤35中的BP神经网络模型内，得到输出向量T2，该输出向量T2为该患者切削厚度值Y的预测值；
步骤6、计算剩余基底厚度的预测值，公式如下：
剩余基底厚度＝角膜厚度-基底厚度-帽厚度-切削厚度值Y
其中，公式中的切削厚度值Y为步骤5中获得的该患者切削厚度值Y的预测值，角膜厚度、基底厚度和帽厚度为当前患者的手术数据；
步骤7、若剩余基底厚度≥300μm，提示手术风险小，可考虑手术；若剩余基质厚度<280μm，提示手术风险较高，建议不可手术；如剩余基质厚度介于280μm和300μm之间，手术可以在一定情况下进行。
本发明的实施例，在剩余基质厚度介于280μm和300μm之间，手术可以在一定情况下进行。此时，可通过适当调整预设的Diameter，基底厚度，帽直径和帽厚度，来增加剩余角膜基质厚度至可手术范围。但是，调整预设参数有一定的区间范围，如Diameter过小，需考虑引入的高阶像差可能过大，从而影响视觉质量。因此，需合理选择患者预设参数，从而选择更安全有效合理的手术方案。
如图2所示，本发明的实施例步骤2中，BP神经网络模型的隐含层可以有一层或多层；其中，隐含层和输出层激励函数均选取为tansig,网络训练函数为trainglm,网络性能函数为mse，训练次数设置为5000，根据实际预测精度要求，设定期望误差W设置为10-3。步骤2中，BP神经网络模型选用S型传递函数tansig，其表达式为
Figure BDA0002879479260000071
通过反传误差函数
Figure BDA0002879479260000072
不断调节网络权值和阈值使误差函数E达到小于期望误差W的程度；其中，Ti为期望输出，Qi为网络计算输出。
步骤2中，BP神经网络模型的神经元数目，隐含层的神经元数目L通过参照以下公式确定：
Figure BDA0002879479260000073
其中，c为输入层的节点数，b为输出层的节点数，a为[1，10]之间的常数。
本实施例中，该BP神经网络模型由四组参数指标作为输入，以切削厚度值作为输出，输入层的节点数c为4，输出层的节点数b为1，隐含层的神经元数目L通过参照以下公式确定：
Figure BDA0002879479260000074
其中，a为[1，10]之间的常数，因此，隐含层的神经元数目最终由网络训练的效果来确定。
举例，实施例中a取3.764，从而隐含层神经元数目L设置为6。以切削厚度预测值与切削厚度期望值的均方根误差作为BP神经网络误差反向传播算法的输入数据，对BP神经网络模型进行循环往复训练，直至输出的预测值与实际值之间的误差小于设定阈值10-3为训练结束。
本实施例中，步骤3训练步骤2中的BP神经网络模型，在训练完成后，通过绘制回归线来测量神经网络与对应数据的拟合程度，如图3、4、5和6所示。
图3为训练样本的拟合程度的训练结果，图4为验证样本的拟合程度的训练结果，图5为测试样本的拟合程度的训练结果，图6为全部样本的拟合程度的训练结果；其中R指回归系数，R越接近1表示拟合程度越好。
本实施例中，步骤2中的BP神经网络模型，随机分组，将输入向量P1和输出向量T分为三个数据集，一组为训练集，一组为验证集，一组为测试集。
步骤3训练步骤2中的BP神经网络模型的过程中，通过验证集的数据，验证该BP神经网络模型的预测有效性，并通过测试集数据进行测试；如果验证和测试结果的均方根误差与期望误差大，则将返回训练集继续训练，直至达到小于期望误差的结果，或者完成前期预设的迭代次数。如三个数据集的结果的回归分析均可达到预期结果，那么该BP神经网络模型将被保存.mat格式。
如图7所示，本实施例中，步骤3训练步骤2中的BP神经网络模型，在迭代次数达到2313后达到最佳验证性能。
本实施例中，步骤3中，经过训练，保存训练后的BP神经网络模型，得到适用于SMILE手术切削厚度预测的BP神经网络模型；保存训练后的BP神经网络模型，保存格式为.mat文件。通过向该文件提供输入向量之后，即可得到输出向量，即切削厚度值Y的预测值。
将历史样本数据的数据总量13188条数据反向输入保存好的网络模型后，可得到反向预测的结果，由于实际使用过程中预测的切削厚度值应为整数，所以残差也会取整，取整后分布如表1所示，机器提供数据总量为13188的前提下，最终误差精度为(-0.00083±0.561255)μm。
表1反向预测机器提供数据结果残差取整后分布
Figure BDA0002879479260000081
Figure BDA0002879479260000091
本实施例的预测方法中，在步骤3中，经过训练，保存训练后的BP神经网络模型，得到适用于SMILE手术切削厚度预测的BP神经网络模型；为了验证保存后的BP神经网络模型的精确性，向BP神经网络模型输入4840条患者的历史样本数据信息，通过比较预测切削厚度值与实际切削厚度值的残差，验证其预测精度，结果如表2所示，患者实际数据总量为4840的前提下，最终误差精度为(-0.003791±0.42211)μm。
表2反向预测患者实际数据结果残差取整后分布
Figure BDA0002879479260000092
从结果来分析，绝大多数误差已经分布在±1μm范围内，并且随着数据量的增长和BP神经网络模型不断的优化训练，本发明所涉及的方法精度会越来越高。
本发明实施例中，步骤4，在具体应该适用于SMILE手术切削厚度预测的BP神经网络模型，根据当前待预测患者手术数据，利用BP神经网络模型，计算该患者切削厚度值Y的预测值。将一组患者手术数据，输入BP神经网络模型得到一个切削厚度值Y的预测值。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于BP神经网络模型的SMILE手术参数预测方法，其特征在于，包括如下步骤:
步骤1：根据厂家提供的官方数据以及历史患者数据，选定患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)4项指标作为模型训练阶段的输入值，选定输入量所一一对应的切削厚度值Y作为模型训练阶段的期望输出值；
步骤2：根据步骤1中的输入量和期望输出量，构建BP神经网络模型，BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，输入层的输入指标是步骤1选择的输入量，输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差W；
步骤3：训练步骤2中的BP神经网络模型；具体的训练步骤如下：
步骤31、以步骤1中选定的4项指标的数据生成输入向量P1；以步骤1中选定的期望输出值的数据生成输出向量T1，此输出向量T1作为期望输出向量；
P1＝[S1,S2,S3,…,Sn；C1,C2,C3,…,Cn；K1,K2,K3,…,Kn；D1,D2,D3,…,Dn]；
T1＝[Y1,Y2,Y3,…,Yn]；
其中，n为历史样本数据个数，输入向量P由患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)组成，患者球镜度数(SPH)、柱镜度数(CYL)、角膜曲率半径(K)和基质透镜直径(Diameter)分别简称为S、C、K和D；
步骤32、将输入向量P1输入BP神经网络模型得到实际输出向量，此实际输出向量为切削厚度值Y的预测值；
步骤33、将输出向量T1输入BP神经网络模型，计算出切削厚度值Y的预测值与期望值的均方根误差；
步骤34、以此均方根误差作为BP神经网络误差反向传播算法的输入数据，对BP神经网络模型进行循环往复训练，直至输出的切削厚度值Y的预测值与期望值之间的误差小于设定的期望误差W，模型训练完成，并保存该BP神经网络模型；
步骤35、得到适用于SMILE手术切削厚度预测的BP神经网络模型；
步骤4、根据当前待预测患者手术数据，选定S、C、K和D，4项指标作为模型应用阶段的输入值，将选定的模型应用阶段的输入值的数据生成输入向量P2，
P2＝[S1；C1；K1；D1]；
步骤5、模型应用，将步骤4中的输入向量P2输入步骤35中的BP神经网络模型内，得到输出向量T2，该输出向量T2为该患者切削厚度值Y的预测值；
步骤6、计算剩余基底厚度的预测值，公式如下：
剩余基底厚度＝角膜厚度-基底厚度-帽厚度-切削厚度值Y
其中，公式中的切削厚度值Y为步骤5中获得的该患者切削厚度值Y的预测值，角膜厚度、基底厚度和帽厚度为当前患者的手术数据；
步骤7、若剩余基底厚度≥300μm，提示手术风险小，可考虑手术；若剩余基质厚度<280μm，提示手术风险较高，建议不可手术；如剩余基质厚度介于280μm和300μm之间，手术可以在一定情况下进行。
2.根据权利要求1所述的基于BP神经网络模型的SMILE手术参数预测方法，其特征在于，步骤2中，BP神经网络模型的隐含层可以有一层或多层；其中，隐含层和输出层激励函数均选取为tansig,网络训练函数为trainglm,网络性能函数为mse。
3.根据权利要求2所述的基于BP神经网络模型的SMILE手术参数预测方法，其特征在于，步骤2中，BP神经网络模型选用S型传递函数logsig或tansig，其表达式为
Figure FDA0002879479250000021
Figure FDA0002879479250000022
和
Figure FDA0002879479250000023
通过反传误差函数
Figure FDA0002879479250000024
不断调节网络权值和阈值使误差函数E达到小于期望误差W的程度；其中，Ti为期望输出，Qi为网络计算输出。
4.根据权利要求2所述的基于BP神经网络模型的SMILE手术参数预测方法，其特征在于，步骤2中，BP神经网络模型的神经元数目，隐含层的神经元数目L通过参照以下公式确定：
Figure FDA0002879479250000025
其中，c为输入层的节点数，b为输出层的节点数，a为[1，10]之间的常数。
CN202011627434.6A 2020-12-31 2020-12-31 一种构建适用于smile手术切削厚度预测的bp神经网络模型的方法 Active CN112656507B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210848932.6A CN115099158A (zh) 2020-12-31 2020-12-31 一种参数预测模型的构建方法
CN202011627434.6A CN112656507B (zh) 2020-12-31 2020-12-31 一种构建适用于smile手术切削厚度预测的bp神经网络模型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011627434.6A CN112656507B (zh) 2020-12-31 2020-12-31 一种构建适用于smile手术切削厚度预测的bp神经网络模型的方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210848932.6A Division CN115099158A (zh) 2020-12-31 2020-12-31 一种参数预测模型的构建方法

Publications (2)

Publication Number Publication Date
CN112656507A true CN112656507A (zh) 2021-04-16
CN112656507B CN112656507B (zh) 2022-08-26

Family

ID=75412529

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011627434.6A Active CN112656507B (zh) 2020-12-31 2020-12-31 一种构建适用于smile手术切削厚度预测的bp神经网络模型的方法
CN202210848932.6A Pending CN115099158A (zh) 2020-12-31 2020-12-31 一种参数预测模型的构建方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210848932.6A Pending CN115099158A (zh) 2020-12-31 2020-12-31 一种参数预测模型的构建方法

Country Status (1)

Country Link
CN (2) CN112656507B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055222A1 (en) * 1999-10-21 2007-03-08 Kristian Hohla Iris recognition and tracking for optical treatment
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
CN110338906A (zh) * 2019-07-10 2019-10-18 清华大学深圳研究生院 用于光交联手术的智能治疗系统及建立方法
CN110891511A (zh) * 2017-03-31 2020-03-17 安玛莉·希思黎 用于眼激光外科手术和疗法治疗的系统和方法
WO2020227250A1 (en) * 2019-05-04 2020-11-12 Ace Vision Group, Inc. Systems and methods for ocular laser surgery and therapeutic treatments

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055222A1 (en) * 1999-10-21 2007-03-08 Kristian Hohla Iris recognition and tracking for optical treatment
CN110891511A (zh) * 2017-03-31 2020-03-17 安玛莉·希思黎 用于眼激光外科手术和疗法治疗的系统和方法
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
WO2020227250A1 (en) * 2019-05-04 2020-11-12 Ace Vision Group, Inc. Systems and methods for ocular laser surgery and therapeutic treatments
US20220125639A1 (en) * 2019-05-04 2022-04-28 Ace Vision Group, Inc. Systems and methods for ocular laser surgery and therapeutic treatments
CN110338906A (zh) * 2019-07-10 2019-10-18 清华大学深圳研究生院 用于光交联手术的智能治疗系统及建立方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁华等: "反向传播人造神经网络预测激光微孔表面粗糙度", 《激光与光电子学进展》 *
胡丽玲等: "基于BP网络的人眼组织切片图像角膜分割", 《厦门大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN112656507B (zh) 2022-08-26
CN115099158A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CA2480197C (en) System and method for predictive ophthalmic correction
EP1613253B1 (en) Method and system related to treatment planning for vision correction
JP4307851B2 (ja) 眼科手術用の適応型波面式調節システムおよび方法
Canovas et al. Customized eye models for determining optimized intraocular lenses power
US20070162265A1 (en) Method and apparatus for automated simulation and design of corneal refractive procedures
JP2006510455A (ja) 切除手術ベースのパラメトリックモデルのためのシステム及び方法
JP4125606B2 (ja) レーザ式屈折手術用の適応型波面式調節システムおよび方法
Vinciguerra et al. Advanced surface ablation with a new software for the reduction of ablation irregularities
CN102202617A (zh) 用于提供激光照射文件的设备和方法
CN114269302A (zh) 基于云的系统白内障治疗数据库和算法系统
CN112656507B (zh) 一种构建适用于smile手术切削厚度预测的bp神经网络模型的方法
US7844425B2 (en) Finite element modeling of the cornea
CN109300548A (zh) 一种预测smile屈光手术中屈光度调整值的优化方法及系统
Fraldi et al. The role of viscoelasticity and stress gradients on the outcome of conductive keratoplasty
Bryant et al. Computer-aided surgical design in refractive keratotomy
US7987077B2 (en) System and method for simulating an LIOB protocol to establish a treatment plan for a patient
Fernández et al. A finite element model for ultrafast laser–lamellar keratoplasty
CN113171172B (zh) 一种角膜术后情况的模拟方法
Businaro et al. Gaussian process prediction of the stress-free configuration of pre-deformed soft tissues: Application to the human cornea
Navarro et al. Lower-and higher-order aberrations predicted by an optomechanical model of arcuate keratotomy for astigmatism
US20200397283A1 (en) A method to quantify the corneal parameters to improve biomechanical modeling
EP2328528B1 (en) Treatment pattern monitor
EP3371722A1 (en) Method and device for modelling human or animal tissue
CN115798706A (zh) 一种预测白内障超声乳化术后发生角膜水肿的辅助分析模型
CN110675929B (zh) 一种基于角膜地形图的数据处理系统

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