JP2023548197A - 眼域の画像からの少なくとも一方の眼の眼科に関連するバイオメトリの判定 - Google Patents

Abstract

本発明は、少なくとも一方の眼の個別生体パラメータを判定するコンピュータ実装方法、および判定された生体データを考慮して眼鏡レンズを製造する対応する方法に関する。さらに、本発明は、対応するコンピュータ・プログラム製品およびデバイスに関する。生体データを判定する方法は、画像データを提供するステップであって、画像データが、－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像、および／または－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接得られる使用者の眼域の少なくとも一部分に関する幾何学的情報を含む、ステップと、提供された画像データに基づいて、使用者の少なくとも一方の眼の少なくとも１つの個別生体パラメータを含む個別追加データを、画像データと追加データとの間の関係を記述する統計モデルを使用して判定するステップとを含む。

Description

本発明は、眼の生体データを判定する（コンピュータ実装）方法、および判定された生体データを考慮して眼鏡レンズを製造する対応する方法に関する。さらに、本発明は、対応するコンピュータ・プログラム製品およびデバイスに関する。

眼鏡レンズ、特に累進眼鏡レンズの計算では、たとえば米国特許第９，９１０，２９４（Ｂ２）号に記載されているように、眼鏡着用者の眼のバイオメトリクスが考慮されうる。これらのバイオメトリック眼鏡レンズは、簡単なモデルの仮想点である頂点球で結像の品質が評価されるのではなくなり、実際に眼の網膜上で結像が行われるため、大きな利点を与える。したがって、眼の媒体を通る屈折および伝播中に生じる個別収差間の相互作用も考慮される。

しかし、この方法の欠点は、複雑な機器およびデバイスを用いた広範囲にわたる測定が必要になることである。これは、大きな労力および高いコストの原因となる。その結果、高品質のバイオメトリック眼鏡レンズの利点が、比較的小さい割合の視覚障害患者にしか利用できなくなる。

本発明の目的は、複雑な測定という欠点を生じることなく、バイオメトリック眼鏡レンズの利点を広範囲にわたって使用することである。

この目的は、眼の生体データを判定するコンピュータ実装方法、対応するデバイス、および対応するコンピュータ・プログラム製品、ならびにそれぞれの独立請求項に指定される特徴を有する眼鏡レンズを製造する方法および対応するデバイスによって実現される。

本発明は、使用者の眼の少なくとも一方の個別生体パラメータを判定または導出することが可能であるという驚くべき発見に基づいており、そのような生体パラメータは、使用者の眼域の少なくとも一部分の１つまたは複数の画像から得られるデータを使用して、眼鏡レンズの改善された個別計算または製造または調整に使用される。したがって、そのために追加の生体データの複雑でコスト集約的な測定を必要とすることなく、高い結像品質および着用快適性を有する個別バイオメトリック眼鏡レンズを計算および製造することが可能である。

本発明の第１の態様は、使用者の眼の少なくとも一方の個別生体パラメータを判定するコンピュータ実装方法であって、
画像データを提供することであり、画像データが、
－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像、および／または
－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接得られる使用者の眼域の少なくとも一部分に関する幾何学的情報を含み、またはからなる、提供することと、
提供された画像データに基づいて、使用者の少なくとも一方の眼の少なくとも１つの個別生体パラメータを含む個別追加データを、画像データと追加データとの間の関係を記述する統計モデルを使用して判定することとを含むコンピュータ実装方法に関する。

本発明は、画像データが一般的で非常に簡単なデバイス（カメラ）に記録されてよく、または記録済みであってよく、そのようなデバイスは、追加データが画像データから直接判定されうるように特に設計される必要がないことから、特に有利である。たとえば、この方法は、測定された人物の個別画像データから個別追加データが直接判定される可能性がない場合、そのような関係は、他の人物からの対応する追加データに関する追加情報なく使用される測定方法から導出される可能性がなく、たとえば画像データを提供するデバイスが追加情報を直接測定することが可能でないことから、利点を与える。

統計モデルは、複数の基準データ・セットによる訓練データ・セットの統計分析を使用して導出され、または導出済みであってよく、基準データ・セットの各々は、画像データと、画像データに割り当てられた追加データとを含む。この方法は、画像データと追加データとの間の関係を記述する統計モデルを提供することを含むことができる。別法または追加として、この方法は、訓練データ・セットを提供することと、訓練データ・セットの統計分析を使用して統計モデルを導出することとを含むことができる。統計モデルを導出することは、たとえば、訓練データ・セットを使用して元の（訓練されていない）モデルを訓練することを含むことができる。たとえば、モデルは、訓練データ・セットによる訓練中に変更または適合されるいくつかのモデル・パラメータを含むことができる。

本出願の意味範囲において、「提供する」という用語は、「指定する」、「伝送する」、「取得する」、「読み出す」、「メモリ、データベース、および／またはテーブルから取り出す」、「受け取る」などを含む。本出願の意味範囲において、「判定する」という用語はまた、「指定する」、「計算する」、「識別する」、「予測する」などを含む。

したがって、人物の一方の眼または有利には両方の眼のバイオメトリクスに関連付けられた人物の少なくとも１つのパラメータの値が、人物に関連付けられたデータ・セット内で推定され、データ・セットは、眼域の少なくとも一部分の画像に関連付けられた、またはそこから判定された、データを含む。判定には、少なくとも複数の人物に当てはまる前記パラメータと眼域の一部分の少なくとも１つの画像に関連付けられたデータとの間の関係がマッピングされた統計モデルが使用される。

そのように判定された値は、眼鏡レンズまたはコンタクト・レンズもしくは眼内レンズなどの他の眼科用レンズの計算で考慮されうる。

画像データ
本説明の意味範囲において、画像データは特に、使用者の眼域の少なくとも一部分の画像に関連付けられたデータである。これは、たとえば、眼域の少なくとも一部分の直接画像、特にカメラ画像、および／または使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接得られる、もしくはそこから導出されうる、使用者の眼域の少なくとも一部分に関する（特に幾何学的）データ／情報、または使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接導出されたそのようなデータ／情報に関する。たとえば、カメラ画像自体は、この方法でそこから瞳孔距離を判定するために使用されてよく、たとえばそのような瞳孔距離に基づいて、次いで統計モデルを使用して追加データが判定され、またはカメラ画像から判定された個別瞳孔距離が、次いで統計モデルを使用して追加データを判定するための画像データとして提供される。最初に瞳孔距離の個別の値を明示的に判定することなく、追加データを個別カメラ画像から直接判定することも可能である。

画像データに関するこれらの記載は、たとえば個別生体データを判定するための個別の注文の文脈で使用される個別画像データにも、訓練データ・セットの文脈で対応する基準データの一部となりうる統計的画像データにも当てはまり、そのような訓練データ・セットそれに基づいて、統計モデルが作成もしくは訓練されており、作成もしくは訓練されうる。

好ましい実施形態では、画像データは、
－ 少なくとも一方の眼、好ましくは両方の眼が特に前から見えうる１つまたは複数のカメラ画像、
－ 少なくとも一方の眼が特に横から見えうる１つまたは複数のカメラ画像、
－ 瞳孔距離、
－ 角膜頂点から虹彩が位置する平面までの距離、
－ 角膜表面の一部分（たとえば、横からのカメラ画像における角膜の垂直部分）の幾何学的経路、
－ 眼の回転中心（特に、光学的な眼の回転中心）の距離、
－ 角膜径（ｗｈｉｔｅ－ｔｏ－ｗｈｉｔｅ、特に水平に測定）、
－ 瞳孔またはその部分の形状および／または位置（所与の表現では、たとえば閉じたまたは開いた多角形、スプライン係数など）、
－ 虹彩またはその部分の外縁の形状および／または位置（所与の表現では、たとえば閉じたまたは開いた多角形、スプライン係数など）、
－ 眼域の３Ｄモデル（たとえば、深さカメラを使用して判定されうる３次元点群、３次元エッジ・ネットワークなど）、
－ 現在の視線方向、
－ 斜位の存在および／または好ましくはその形態／程度
のパラメータのうちの１つもしくは複数を含み、または画像データは、上記のパラメータのうちの１つもしくは複数からなる。

追加データ
追加データは、使用者の眼の少なくとも一方の生体データであり、またはそのような生体データを含み、特にそのような生体データは、画像データから（たとえば、マークされた点同士の間の幾何学的距離として）直接読み取られまたは測定される可能性はないが、画像データは、たとえば従来の方法で、特に任意選択で（たとえば眼鏡技師によって）、眼鏡レンズの注文に関連して、判定されまたは判定済みであり、特に眼鏡または少なくとも１つの眼鏡レンズの個別の選択および／または最適化および／または調整の場合に考慮される。たとえば、追加データは、収差計、トポグラフ、シャインプルーフ・カメラ、ＯＣＴ、バイオメータ、眼底カメラ、（低コヒーレンス）レーザ反射率計、および／または別の測定デバイスもしくは別の多角的屈折法によって（通常は）記録されてよくまたは記録されているデータを含むことができる。

好ましい実施形態では、少なくとも１つの個別生体パラメータは、
－ 眼の長さ（特に、眼の幾何学的な全体の長さ）、
－ 眼の光路長（網膜上の最高視力点および瞳孔の中心を通過する５５０ｎｍなどの所与の波長の光ビームに沿った屈折率の積分）、
－ 眼の屈折面の頂点の互いに対する、または眼の屈折面の頂点と別の共通の基準点（たとえば、網膜上の最高視力点）に対する、１つまたは複数の幾何学的距離および／または光路長、
－ 所与のパラメータ化（たとえば、主要な部分の曲率半径および向き、頂点深さのゼルニケ係数、幾何学的な曲率または相当表現、たとえばパワーベクトルまたは極座標表現による）で存在することができ、座標系（たとえば、視線方向がｚ軸の負の方向に一致し、ｘ軸が水平平面内に位置する座標系）に関して理解されるべき、屈折面の形状（たとえば、角膜または水晶体表面のうちの１つの形状および／または傾斜）、
－ 特に画像データが記録されたときに優勢な照明条件とは異なる所与の照明条件（たとえば、所与または平均の屋内照明）で与えられうる眼の物理的な開口（すなわち、虹彩の開口）または光学的な入射瞳（角膜を通る虹彩の像）の直径または半径、
－ 眼の光学媒体の屈折率、
－ 網膜のサイズおよび／または形状、特に中心窩のサイズおよび／または形状、
－ 網膜（特に、中心窩）の向き、たとえば光入射方向（たとえば、瞳孔の中心および最高視力点を通過する光線）に対する最高視力点内で網膜に直交するベクトルの方向、
－ 網膜上の受容体の位置および向き、
－ 網膜上の受容野のサイズ
のパラメータのうちの１つまたは複数を含む。

使用者の眼の少なくとも一方の生体データは特に、個別の眼のデータ、または頭部に対する一方もしくは両方の眼のデータ、または両方の眼の互いに対するデータに関することができる。

追加データは特に、眼または少なくとも角膜の高次収差（コマ、トレフォイル、２次乱視、球面収差など）、角膜の低次および高次収差（球面（Ｓｐｈ）、円柱（Ｃｙｌ）、軸（またはＭ、Ｊ０、Ｊ４５）、コマ、トレフォイル、２次乱視、球面収差など）、前眼房深さ、距離および近距離ならびに／または薄明視および明所視条件下の瞳孔径のパラメータのうちの１つまたは複数を含むことができる。

基準データ・セット内の追加データは、画像データに加えて、たとえば収差計、トポグラファ、シャインプルーフ・カメラ、ＯＣＴ、バイオメータ、眼底カメラ、（低コヒーレンス）レーザ反射率計、および／または別の測定デバイスによってバイオメトリック眼鏡レンズの以前の注文に対して記録または測定されたデータであってよい。

使用者の標準個別データに基づいて指定される個別追加データと、統計モデルを使用して判定される追加データとは、基準データ・セットに含まれて統計モデルを導出するために使用される同じタイプの追加データであってよいが、必須ではない。

統計モデル
統計モデルは、統計的方法を使用して既存のデータ・セット（訓練データ・セット）から導出される統計モデルとすることができる。例示的な統計的方法としては、回帰（特に非線形特徴の線形回帰、非線形回帰、注意機構の非線形回帰、非線形マルチタスク回帰、ノンパラメトリックまたはセミパラメトリック回帰など）、分類方法、および他の機械学習方法が挙げられる。機械学習アルゴリズムは、たとえば、Ｊｅｒｅｍｙ Ｗａｔｔ、Ｒｅｚａ Ｂｏｒｈａｎｉ、Ａｇｇｅｌｏｓ Ｋａｔｓａｇｇｅｌｏｓ、「Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｆｉｎｅｄ：Ｆｏｕｎｄａｔｉｏｎｓ，Ａｌｇｏｒｉｔｈｍｓ，ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ」、Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ、２０２０に記載されている。

統計モデルは、そこから導出された個別画像データおよび／または変数の少なくとも一部を入力変数として受け取り、これらを使用して、追加の個別生体パラメータまたは追加データの少なくとも一部を計算する。画像データと統計モデルによって指定される画像データとの間の関係は、線形の関係であっても非線形の関係であってもよい。さらに、この関係はマルチパラメトリックであってもよい。

好ましい実施形態では、少なくとも統計モデルは、
－ 線形モデル（場合により、眼域に関する幾何学的情報を表すパラメータの非線形特徴、たとえば非線形関数に関連付けられる）、
－ ガウス過程、
－ ニューラル・ネットワーク（たとえば、ディープ・ニューラル・ネットワーク）、
－ 決定木または回帰木（回帰木）、
－ ボルツマン・マシン（制限ボルツマン・マシン）、
－ サポート・ベクター・マシン
のモデルのうちの１つもしくは複数を含み、または好ましくは、上記のモデルのうちの１つもしくは複数に基づく。

例示的な統計モデルは、線形または非線形の回帰モデルである。たとえば、ニューラル・ネットワークは、ディープ・ニューラル・ネットワークも含み、非線形回帰モデルとして使用されうる。機械学習の分野から知られている他の非線形回帰モデルを使用することも可能である。ニューラル・ネットワークなどの回帰モデルは、提供される訓練データ・セットを使用して訓練されうる。

統計モデルはまた、異なるタイプのいくつかの統計モデルの組合せ、たとえば線形回帰モデル、非線形回帰モデル（ニューラル・ネットワークなど）、分類モデル、および／または別の統計モデルの組合せとすることができる。

好ましくは、統計モデルは、新しいデータが追加される（たとえば、ニューラル・ネットワークの進行中の訓練に新しいデータが追加される）とさらに改善される。統計モデルによる推定または予測を改善するために、眼域の画像に関連付けられたデータに加えて、眼域に関連付けられていない追加のパラメータ、たとえば年齢、性別、民族、身長、体重、頭囲などが使用されうる。統計モデルはまた、制約（たとえば、予測された眼モデルが知られている屈折に一貫していること）を含むことができる。

訓練データ・セットから導出される統計モデルは、データベース、計算器、コンピュータまたはデータ・クラウドなどの好適な記憶デバイスに記憶されうる。導出に使用される訓練データ・セットの少なくとも一部は、統計モデルとともに記憶されうる。

訓練データ・セットから導出される統計モデルはまた、連続して、または定期的な間隔で、たとえば新しい基準データ・セットに基づいて、確認および／または修正されうる。それに応じて、この方法は、統計モデルを修正することを含むことができる。

訓練データ・セット
画像データと追加データとの間の関係を記述する統計モデルは、統計的方法を使用して、複数の個別データ・セット（基準データ・セット）を含む訓練データ・セットに基づいて導出される。基準データ・セットの各々は、たとえば画像データと、好適な測定方法を使用して判定された特有の使用者の追加データとを含むことができる。訓練データ・セット内の異なる基準データ・セットは、好ましくは、複数の異なる使用者（基準使用者）からのデータ（画像データおよび追加データ）を含むことができる。

この目的で、バイオメトリック眼鏡レンズに対する既存の注文が、データ・セットによってニューラル・ネットワークまたは別の統計モデルを訓練するために使用されうる。新しい個別注文の場合、追加の測定データ（追加データ）が、訓練された統計モデルを使用して、新しい注文に含まれる個別画像データに基づいて計算または予想されうる。したがって、バイオメトリック眼鏡レンズは、個別画像データおよびニューラル・ネットワークまたは他の統計モデルを使用してそこから計算された追加データに基づいて計算されうる。

基準データ・セットの数は変動してよい。たとえば、１０、１００、１，０００、１０，０００、１００，０００、または１，０００，０００を上回る基準データ・セットが使用されうる。基準データ・セットは、好ましくは、眼鏡レンズが後に注文されうる広い範囲、好ましくは範囲全体をカバーする。たとえば、基準データ・セットは、たとえば球面の場合は－２０ｄｐｔ～＋２０ｄｐｔ、円柱の場合は－８ｄｐｔ～＋８ｄｐｔの屈折値の範囲をカバーすることができる。

さらに、使用者の眼の少なくとも一方の個別生体パラメータを判定する方法は、個別画像データおよび計算された個別追加データを、眼科用レンズの製造者、製造ユニット、製造デバイスなどの外部実体へ伝送することを含むことができる。

本発明の第２の態様は、眼鏡レンズを製造する方法であって、
本明細書に記載される発明の方法のうちの１つによって、特に本明細書に記載される好ましい実施形態のうちの１つにおいて、提供された画像データに基づいて、使用者の少なくとも一方の眼の少なくとも１つの個別生体パラメータを含む個別追加データを判定することと、
判定された個別追加データに基づいて眼鏡レンズを計算することとを含む方法に関する。

たとえば、眼鏡レンズは、米国特許第９，９１０，２９４（Ｂ２）号に記載されている方法を使用して、または眼鏡レンズを計算するときに個別生体パラメータが考慮される別の知られている方法を使用して、計算されうる。この方法はまた、計算された眼鏡レンズを製造することを含むことができる。眼鏡レンズは、たとえば単焦点眼鏡レンズ、多焦点眼鏡レンズ、または累進眼鏡レンズとすることができる。

特に、本発明は、眼鏡レンズを製造する方法、および／または眼鏡レンズを製造するための製造データ・セットを提供する方法であって、
－ 画像データを提供することであり、画像データが、
－ 使用者の少なくとも眼域の少なくとも１つの画像、および／または
－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接得られる使用者の眼域の少なくとも一部分に関する幾何学的情報を含む、提供することと、
－ 提供された画像データに基づいて、使用者の少なくとも一方の眼の少なくとも１つの個別生体パラメータを含む個別追加データを、画像データと追加データとの間の関係を記述する統計モデルを使用して判定することと、
－ 判定された個別追加データに基づいて眼鏡レンズを計算することとを含む方法に関する。

本発明の第３の態様は、統計モデルを判定するコンピュータ実装方法であって、
－ 訓練データ・セットに複数の基準データ・セットを提供することであり、基準データ・セットの各々が、画像データおよび画像データに関連付けられた追加データを含む、提供することと、
－ 訓練データ・セットの統計分析を使用して、画像データと追加データとの間の関係を記述する統計モデルを導出することと、
－ 統計モデルを記憶デバイスに記憶することとを含むコンピュータ実装方法に関する。

本発明の第４の態様は、コンピュータのメモリにロードされて実行されたとき、上記の態様のうちの１つによる方法をコンピュータに実行させるコンピュータ・プログラム製品に関する。

上記の方法およびコンピュータ・プログラム製品に関連して、前述の好ましい実施形態および前述の利点も同様に当てはまる。

上記の態様のうちの１つによる方法は、それに対応して設計されたデバイスを使用して実施されうる。したがって、本発明の第５の態様は、使用者の眼の少なくとも一方の個別生体パラメータを判定するためのデバイスであって、個別生体パラメータを判定する前述の方法を実施するように設計された計算デバイスを備えるデバイスに関する。

特に、本発明は、使用者の眼の少なくとも一方の個別生体パラメータを判定するためのデバイスを提供し、このデバイスは、
－ 画像データを提供することであり、画像データが、
－ 使用者の少なくとも眼域の少なくとも１つの画像、および／または
－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接得られる使用者の眼域の少なくとも一部分に関する幾何学的情報を含む、提供することと、
－ 提供された画像データに基づいて、使用者の少なくとも一方の眼の少なくとも１つの個別生体パラメータを含む個別追加データを、画像データと追加データとの間の関係を記述する統計モデルを使用して判定することとを実施するように設計された計算デバイスを備える。

計算デバイスは、好ましくは、
使用者の個別画像データを提供するための画像データ入力インターフェースであり、画像データが、
－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像、および／または
－ 使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接得られる使用者の眼域の少なくとも一部に関する幾何学的情報を含む、画像データ入力インターフェースと、
－ 個別追加データを計算するための追加データ計算デバイスであり、追加データが、使用者の少なくとも一方の眼の少なくとも１つの個別生体パラメータを含み、計算が、個別画像データに基づいて、統計モデルを使用して行われ、統計モデルが、複数の基準データ・セットによる訓練データ・セットの統計分析を使用して導出され、基準データ・セットの各々が、画像データおよび画像データに関連付けられた追加データを含む、追加データ計算デバイスとを備えることができる。

さらに、デバイスは、統計モデルを提供するためのモデル入力インターフェースを含むことができる。たとえば、統計モデルは、データベース、計算器、および／またはデータもしくは計算器クラウドなどのデバイスに記憶されうる。さらに、デバイスは、訓練データ・セットを提供するための訓練データ・セット入力インターフェースと、訓練データ・セットの統計分析を使用して統計モデルを導出または計算するためのモデル計算デバイスとを提供することができる。統計モデルは、たとえば、訓練データ・セットを使用して元の（訓練されていない）モデルを訓練することによって導出または計算されうる。

本発明の第６の態様は、眼鏡レンズを製造するためおよび／または眼鏡レンズ製造データを提供するためのデバイスであって、
第５の態様による使用者の眼の少なくとも一方の個別生体パラメータを判定するためのデバイスと、
少なくとも計算された個別生体パラメータに基づいて眼鏡レンズを計算するように設計されたレンズ計算デバイスとを備えるデバイスに関する。

製造デバイスはまた、計算された眼鏡レンズを製造するための製造デバイスを備えることができる。

データ（（個別）画像データ、（個別）追加データ、統計モデル、モデル・パラメータ、重みなど）を提供、判定、指定、または計算するための前述のデバイスは、適当なコンピューティング・ユニット、電子インターフェース、ストレージ、およびデータ伝送ユニットを有する好適に構成またはプログラムされたデータ処理デバイス（特に、コンピュータまたはデータ・クラウドなどの特殊なハードウェア・モジュール、コンピュータ、またはコンピュータ・システム）によって実現されうる。デバイスは、少なくとも、使用者がデータを閲覧および／または入力および／または修正することを可能にする好ましくは対話型のグラフィカル・ユーザ・インターフェース（ＧＵＩ）をさらに備えることができる。

上記のデバイスはまた、データ（訓練データ・セット、基準データ・セット、（個別）画像データ、（個別）追加データなど）が伝送、入力、および／または読み出しされることを可能にする好適なインターフェースを有することができる。デバイスはまた、たとえばデータベースの形態で、使用されたデータを記憶する少なくとも１つの記憶ユニットを含むことができる。

製造デバイスは、たとえば、判定された最適化指定によるレンズ・ブランクの直接処理のための少なくとも１つのＣＮＣ制御機械を備えることができる。別法として、眼鏡レンズは、鋳造プロセスを使用して製造されうる。仕上げられた眼鏡レンズは、第１の簡単な球面または回転対称の非球面と、個別画像データおよび計算される個別追加データの関数として計算された第２の個別の表面とを有することができる。簡単な球面または回転対称の非球面は、眼鏡レンズの前面（すなわち、物体側の表面）とすることができる。しかし、当然ながら、個別の表面を眼鏡レンズの前面として配置することも可能である。眼鏡レンズのどちらの表面も、個別に計算されうる。

眼鏡レンズを製造するためのデバイスは、単体としてまたは独立した機械として設計されてよく、すなわちデバイス（特に、使用者の眼の少なくとも一方の個別生体パラメータを判定するデバイスおよびレンズ計算デバイス）のすべての構成要素が、１つの同じシステムの一部であってよく、または１つの同じ機械であってよい。しかし、好ましい実施形態では、眼鏡レンズを製造するためのデバイスは、単体として設計されるのではなく、異なる（特に独立した）システムまたは機械によって実現される。たとえば、使用者の眼の少なくとも一方の個別生体パラメータを判定するためのデバイスおよびレンズ計算デバイスが第１のシステム（特に、コンピュータを備える）として実現され、製造デバイスが第２のシステムとして実現されてもよい。様々なシステムは、異なる場所に配置されてよく、すなわち互いから物理的に分離されてよい。たとえば、１つまたは複数のシステムはフロントエンドに配置され、１つまたは複数の他のシステムはバックエンドに配置されてよい。個別のシステムは、たとえば、異なる会社拠点に配置されてよく、または異なる会社によって操作されてよい。ここで、個別のシステムは特に、互いにデータを交換するための通信手段を有する。好ましくは、デバイスの異なるシステムは、特にネットワークを介して（たとえば、ローカル・エリア・ネットワークおよび／またはインターネットを介して）、互いに直接通信することができる。眼鏡レンズを製造するためのデバイスに関する上記の記載は、このデバイスだけでなく、概して本発明の範囲内に記載されるすべてのデバイスに当てはまる。特に、本明細書に記載されるデバイスは、システムとして設計されうる。特に、システムは、対応する方法の個別の方法ステップを実施するように設計された複数のデバイス（場合により、局所的に分離される）を含むことができる。

本発明のさらなる態様は、上記の製造方法によって製造された眼鏡レンズに関する。さらに、本発明は、使用者の視覚障害を補正するための特有の使用者の眼の前の眼鏡レンズの所定の平均または概念または個別の着用位置における上記の製造方法によって製造された眼鏡レンズの使用を提供する。

以下、本発明の好ましい実施形態が、添付の図を参照して例として説明される。記載される実施形態の個別の要素は、それぞれの実施形態に限定されるものではない。逆に、所望される場合、これらの実施形態の要素が互いに組み合わされてよく、それによって新しい実施形態が作成されてよい。

使用者の眼の少なくとも一方の個別生体データを判定し、眼鏡レンズを計算する例示的な方法の図である。 例示的な基準データ・セットの図である。 例示的な線形回帰モデルの図である。 例示的な非線形回帰モデルの図である。 角膜のゼルニケ係数の成分ｃ_２ ^０を瞳孔距離（図５Ａ）または球面距離（図５Ｂ）の関数として示す図である。

図１は、使用者の眼の少なくとも一方の個別生体パラメータを判定し、判定された個別生体パラメータに基づいて眼鏡レンズを計算する例示的な方法を示す。この方法は、以下のステップを含む。

ステップＳ１：複数のデータ・セット（基準データ・セット）１０から訓練データ・セット１を作成または提供し、各基準データ・セットは、画像データ１２と、この画像データに割り当てられた追加データ１４とを含む。

例示的な基準データ・セット１０が図２に示されている。画像データ１２は特に、
－ 少なくとも一方の眼、好ましくは両方の眼が特に前から見えうる１つまたは複数のカメラ画像、
－ 少なくとも一方の眼が特に横から見えうる１つまたは複数のカメラ画像、
－ 瞳孔距離、
－ 眼の回転中心（特に、光学的な眼の回転中心）の距離、
－ 角膜径（ｗｈｉｔｅ－ｔｏ－ｗｈｉｔｅ、特に水平に測定）、
－ 瞳孔またはその部分の形状および／または位置（所与の表現では、たとえば閉じたまたは開いた多角形、スプライン係数など）、
－ 虹彩またはその部分の外縁の形状および／または位置（所与の表現では、たとえば閉じたまたは開いた多角形、スプライン係数など）、
－ 眼域の３Ｄモデル（たとえば、深さカメラを使用して判定されうる３次元点群、３次元エッジ・ネットワークなど）、
－ 現在の視線方向、
－ 斜位の存在および／または好ましくはその形態／程度
のデータまたはパラメータのうちの１つまたは複数を含む。

追加データ１４は特に、
－ 眼の長さ（特に、眼の幾何学的な全体の長さ）、
－ 眼の光路長（網膜上の最高視力点および瞳孔の中心を通過する５５０ｎｍなどの所与の波長の光ビームに沿った屈折率の積分）、
－ 眼の屈折面の頂点の互いに対する、または眼の屈折面の頂点と別の共通の基準点（たとえば、網膜上の最高視力点）に対する、１つまたは複数の距離、
－ 所与のパラメータ化（たとえば、主要な部分の曲率半径および向き、頂点深さのゼルニケ係数、幾何学的な曲率または相当表現、たとえばパワーベクトルまたは極座標表現による）で存在することができ、座標系（たとえば、視線方向がｚ軸の負の方向に一致し、ｘ軸が水平平面内に位置する座標系）に関して理解されるべき、屈折面の形状（たとえば、角膜または水晶体表面のうちの１つの形状および／または傾斜）、
－ 所与の照明条件（たとえば、所与または平均の屋内照明）で与えられうる眼の物理的な開口（すなわち、虹彩の開口）または光学的な入射瞳（角膜を通る虹彩の像）の直径または半径、
－ 眼の光学媒体の屈折率、
－ 網膜のサイズおよび／または形状、特に中心窩のサイズおよび／または形状、
－ 網膜（特に、中心窩）の向き、たとえば光入射方向（たとえば、瞳孔の中心および最高視力点を通過する光線）に対する最高視力点内で網膜に直交するベクトルの方向、
－ 網膜上の受容体の位置および向き、
－ 網膜上の受容野のサイズ
のデータまたはパラメータのうちの１つまたは複数を含む。

訓練データ・セットを形成するために、バイオメトリック眼鏡レンズに対する既存の注文が使用されてよく、それに対する追加データが測定方法を使用して記録されている。例示的な測定方法は、収差計、トポグラファ、シャインプルーフ・カメラ、ＯＣＴ、および／またはバイオメータを使用する測定である。

ステップＳ２：統計的方法を使用して、複数の基準データ・セットから画像データと追加データとの間の関係が導出される。言い換えれば、訓練データ・セットに基づいて、画像データと追加データとの間の相関などの関係を記述する統計モデルが判定または訓練される。

統計モデルの判定は、たとえば、元は訓練されていないニューラル・ネットワークを訓練データ・セットによって訓練することを含むことができ、訓練データ・セットは、複数の基準データ・セットを含む。訓練されたニューラル・ネットワークは、試験データ・セットを使用して試験されてよく、かつ／または認証データ・セットを使用して認証されてよい。試験データ・セットおよび認証データ・セットは各々、以前の注文からの複数のデータ・セット（基準データ・セット）、たとえば図２に示されている複数の基準データ・セットを含むことができる。好ましくは、試験データ・セットに含まれる基準データ・セットは、認証データ・セットにも訓練データ・セットにも含まれない。同様に、認証データ・セットに含まれる基準データ・セットは、好ましくは、試験データ・セットにも訓練データ・セットにも含まれない。

ステップＳ３：少なくとも個別画像データを含む個別データ・セット（個別注文）を提供する。個別画像データは、眼鏡技師によって、使用者のための眼鏡に対する個別注文の一部として記録されうる。個別注文はまた、特にこれが複雑な測定なしで判定されうる個別情報である場合、さらなる個別情報、特に個別屈折データを含むことができる。これは、簡単な屈折データ（特に、低次収差）、ならびに／または個別の着用状況、ならびに／または使用者の民族および／もしくは年齢および／もしくは身長および／もしくは性別および／もしくは体重に関する情報を含むことができる。

ステップＳ４：ステップＳ３で提供された個別データ・セットに含まれる個別画像データに基づいて、さらにステップＳ２で判定された画像データと追加データとの間の関係に基づいて、個別追加データ（追加データ）を計算する。たとえば、個別画像データは、ステップＳ２の訓練されたニューラル・ネットワークに入力されうる。ニューラル・ネットワークの対応する出力データは、個別追加データとして直接使用されうる。ニューラル・ネットワークの出力データを直接使用するだけでなく、最初にこの出力データをさらなる処理（妥当性の確認、平滑化、フィルタリング、カテゴリ化、変換など）にかけることも可能である。

ステップＳ５：ステップＳ３で提供された個別データ・セットに含まれる個別画像データに基づいて、さらにステップＳ４の計算された個別追加データに基づいて、個別眼鏡レンズを計算する。

個別眼鏡レンズの計算は特に、個別画像データおよび計算された個別追加データに基づいた眼鏡レンズの少なくとも１つの表面の計算を含む。そのように計算された表面は、眼鏡レンズの裏面であっても前面であってもよい。「眼鏡レンズの少なくとも１つの表面の計算」は、少なくとも表面の一部分または表面の一部の計算を含む。言い換えれば、「眼鏡レンズの少なくとも１つの表面の計算」は、表面の少なくとも一部の計算または表面全体の計算を意味する。

計算される表面とは反対の表面は、球面、回転対称、非球面、円環状、または非円環状の表面など、簡単な表面とすることができる。両方の表面を個別に計算することも可能である。

個別眼鏡レンズは、知られている方法を使用して、たとえば米国特許第９，９１０，２９４（Ｂ２）号から知られている方法を使用して計算されうる。

図３および図４は、訓練データ・セット１に基づいて各々訓練された例示的な統計モデル２を示す。したがって、そのような統計モデルは、少なくとも部分的にニューラル・ネットワークとして設計されうる。

統計モデルがニューラル・ネットワークに基づく場合、またはニューラル・ネットワークからなる場合、たとえばニューラル・ネットワークの入力層は、画像データの少なくとも一部分および／またはそこから計算された補助変数によって占有される。出力層は、少なくとも１つの追加のパラメータまたは追加データの少なくとも一部分に対する値を出力する。ニューラル・ネットワークはまた、好ましくは、入力および出力層に加えて、１つまたは複数の隠れ層を含むことができる。最初の訓練されていないニューラル・ネットワークの訓練中に、適当な学習アルゴリズムを使用して、重みが変更される。訓練されたニューラル・ネットワークは、画像データと追加データとの間の関係を指定する。ニューラル・ネットワークの構造（層の数およびタイプ、異なる層内のニューロンの数およびタイプ、層およびニューロンが互いに結び付けられる方法など）および学習アルゴリズムは異なってもよい。

図３は、入力層および出力層を有する例示的な線形回帰モデルを示す。Ｋの変数を有する出力変数ｆ（ｘ）が、多次元入力変数ｘから次元Ｄ（たとえば、Ｄ＝２６）で計算される。

ｆ（ｘ）＝Ｗｘ （１）
上式で、

は重み行列を示す。

図４は、入力層、出力層、およびいくつかの隠れ層を有する例示的な非線形回帰モデルを示す。ここで、ｋの変数を有する出力変数ｆ（ｘ）が、多次元入力変数ｘから次元Ｄ（たとえば、Ｄ＝２６）で計算される。

ｆ（ｘ）＝σ（Ｗ^３σ（Ｗ^２σ（Ｗ^１ｘ））） （２）
σ（ａ）＝ｍａｘ（ａ，０）正規化線形ユニット（ＲｅＬＵ）
上式で、

、

、および

は、重み行列を示す。

図５は、例示的な線形モデルを使用する好ましい実施形態の一例を示す。示されている例は、瞳孔距離からの角膜頂点の周りに約７ｍｍの直径を有する眼の角膜のゼルニケ係数の計算に基づく。これは、瞳孔距離が画像データとして使用されることを意味する。これは特に、使用者の眼域の少なくとも一部分の少なくとも１つの画像から直接もしくは間接的に判定されてもよく、またはそのように判定されたものである。特に、図５Ａは、多数の基準データ・セットを含む訓練データ・セットを示し、これらの基準データ・セットは、多数の人物または眼に対して、それぞれの瞳孔距離を、３．５５ｍｍの半径に対する角膜の関連付けられたゼルニケ係数ｃ_２ ^０（平均曲率）に関係付ける。

好ましくは、簡単な線形回帰が統計モデルとして使用され、それにより３．５５ｍｍの半径を有する角膜頂点の周りに展開される角膜のゼルニケ係数が、眼域に関連付けられたパラメータとして、瞳孔距離（ＰＤ）から判定される。ゼルニケ係数の個別判定のために、モデル・パラメータは、線形回帰を使用する統計モデルで判定される。

ｃ_２ ^０（ＰＤ）＝－３０４．１μｍ＋０．９４２２μｍ／ｍｍＰＤ。

このモデルの予測度数は０．１１である（Ｒ－ｓｑｕａｒｅｄ調整済み）。

ｗｈｉｔｅ－ｔｏ－ｗｈｉｔｅ（ＷＴＷ）などの追加の項を追加することによって、このモデルを改善することができる。

ｃ_２ ^０（ＰＤ，ＷＴＷ）＝－３２９，７μｍ＋０，９８４１μｍ／ｍｍＰＤ＋２，１７２μｍ／ｍｍＷＴＷ
ここで、予測度数は０．１５である（Ｒ－ｓｑｕａｒｅｄ調整済み）。

図５Ｂとの比較はまた、個別画像データを使用する本発明の手法によって、個別眼鏡レンズの最適化および製造のための（光学的に）関連するパラメータとの（統計的）相関にアクセス可能になることを示し、これは従来ではそのように予期されなかったものであり、または予期されないものである。特に、図５Ｂは、平均角膜曲率（ｃ_２ ^０）の統計的分布を、関連付けられた眼の屈折の球面相当の関数として示す。生理学的に分離されたように見えるとき、平均角膜曲率の変化が眼の屈折の球面相当に非常に大きな影響を与える場合でも、統計的に平均角膜曲率と球面相当との間に目立った相関は存在しない。非常に簡単な（個別に最適化されていない）眼鏡レンズの場合、好適な眼鏡レンズを選択することを可能にするには、球面相当の知識で十分である。しかし、眼鏡レンズの改善された個別の製造または調整のためには、たとえば眼の個別屈折面に関する詳細を知ることが明らかに有益である。したがって、平均角膜曲率（追加データとして）の知識によって、または少なくとも統計的推定によって、通常は眼鏡レンズの改善された個別調整が実現されうる。追加データを知る（または近似する）というこの利点は、本発明による方法で非常に簡単な手段によって実現される。

必ずしも眼域に関連付けられない他のパラメータ（たとえば、使用者の年齢および／または性別）も同様に使用されうる。線形関数の代わりに、非線形関数（たとえば、ニューラル・ネットワーク）および正規分布以外の残差の分布も調整されうる（たとえば、異常値を含みうるデータからモデル・パラメータをしっかりと判定することを可能にするため）。

さらに好ましい実施形態では、画像データを使用して、すなわち特にこの場合も瞳孔距離に基づいて、特に屈折の球面相当（Ｍ）を考慮して、眼の長さ（ＡＬ）に関する統計的記載がなされる。眼の長さの個別判定のために、モデル・パラメータが、線形回帰によって統計モデルで判定される。

このモデルの予測度数は０．６７である（Ｒ－ｓｑｕａｒｅｄ調整済み）。

眼域の幾何学的パラメータ、すなわち瞳孔距離（画像データ）を使用すると、瞳孔距離を考慮しない線形モデルの予測度数の比較は、

を示すため、純粋に球面相当からの予測に比べて利点をもたらす。

このモデルの予測度数は０．６３である（Ｒ－ｓｑｕａｒｅｄ調整済み）。

さらに好ましい実施形態では、角膜トポグラフィに関する情報が、画像データを使用して判定される。訓練された人工ディープ・ニューラル・ネットワークは、好ましくは、眼域の画像（画像データ）と角膜トポグラフィ（追加データ）との間の関係に関して訓練済みまたは訓練中である統計モデルとして使用される。特に、場合により画像データ上ですでに事前に訓練されているネットワークの最後の層は、好ましくは、角膜トポグラフィを判定するように訓練される。特に、統計モデルで形成される特徴として統計モデルによって抽出または学習された、民族、（近似）年齢、頭部サイズ（たとえば、頭囲）、眼の色、身長、体重の特徴のうちの少なくとも１つを（場合により中間変数として）有する眼のバイオメトリクスが、頭部および／または眼の周辺領域の画像（画像データ）から、少なくとも部分的および／または近似的に判定されうる。モデルによって学習されるべき因果関係が示唆される、または対応する相関が除外されえない、他の特徴も同様に、演繹的に考えられる。

画像データに加えて、利用可能である場合、民族、（近似）年齢、頭部サイズ（たとえば、頭囲）、眼の色、身長、体重などの追加のパラメータ（拡張データ）が、好ましくは、追加データを訓練または判定するための入力データとして、統計モデルの作成および／または適用で使用される。

好ましい実施形態では、追加データは、角膜トポグラフィに関するデータ（たとえば、曲率として、ゼルニケ多項式として、または別の一般的な記述を使用）を含み、このデータは、統計モデルによって、画像データとして異なる方向から撮られた（たとえば、２カメラを有する２カメラ式ビデオ・センタリング・デバイスを使用）眼域または眼の少なくとも２つの画像に関連付けられる。好ましくは、角膜の異なる区域によって結像される虹彩の特異点が画像内で探される。仮定（たとえば、虹彩が平坦であり、かつ／または物理的な開口絞りが丸く、角膜の既知の屈折率、および眼の前眼房）の下で、角膜の形状が判定され（たとえば、角膜前面および場合により角膜裏面の数学モデル、ならびに虹彩上の特異点の位置のモデルを変動させることによる）、角膜の同じ物理モデルは、可能な限りすべての画像における特異な虹彩点の位置を記述しなければならない。特に好ましくは、瞳孔が同じ状態になるように、画像は同時に記録される。

特に特別な事例として、本発明は、好ましい実施形態では、特に虹彩および角膜と強膜との間の境界が同じ平面内に位置するという仮定の下で、前眼房深さを判定することに関する。

瞳孔形状の楕円率（画像データ）を使用して、角膜の乱視に関する結論（追加データ）を導くことも可能である。

値が眼域の画像からすでに導出されていてもよいため（たとえば、角膜径のｗｈｉｔｅ－ｔｏ－ｗｈｉｔｅ）、統計モデルを使用して、眼のバイオメトリのより複雑な特性（たとえば、適当なパラメータ化において自然に発生する角膜形状、ならびに／または前眼房深さおよび／もしくは角膜の中心厚さもしくは厚さ分布）を計算することが可能であり、必ずしも過度に簡略化されたモデル（たとえば、球面または円環面の一部としての角膜のモデル）に制限される必要はない。このようにして、角膜の自然に発生する形態が最適に推定されうる。虹彩または瞳孔に関する仮定はまた、年齢、屈折、民族、性別、または他の知られている変数（上記の可能なパラメータを参照されたい）などの他のパラメータの統計モデルに依存することもできる。

さらに好ましい実施形態は、角膜と強膜との間を走る線の形状（画像データ）、または別法もしくは追加として、虹彩の外側境界（画像データ）から、角膜トポグラフィ（追加データ）を判定することに関する。好ましくは、角膜と強膜との間を走る線の形状、または虹彩の外側境界の形状、たとえば、
水平および垂直に測定されるｗｈｉｔｅ－ｔｏ－ｗｈｉｔｅ、
たとえば半軸によってパラメータ化された線の平坦な長円形状、および場合により水平に対するその向き、
２つの円形部分または長円形部分から構成される平坦な形状、
たとえば異なる方向からのいくつかの画像（たとえば、ステレオ・カメラ・システムを使用）によって判定される線の３次元形状、
角度の関数として指定された点（たとえば、瞳孔の質量中心）からの境界の距離のフーリエ係数を使用するパラメータ化
がパラメータ化される。

線の形状に関する仮定を表す好適なパラメータ化の場合、線（角膜と強膜との間、または別法もしくは追加として、虹彩の外側境界）が画像内で完全には見えなくても（たとえば、まぶたの一部が覆っているため）、それにもかかわらず、特に統計モデルを使用して、パラメータが判定されうる。パラメータは、すでに知られている（たとえば、すでに較正されたデータを使用すること、またはたとえば知られている瞳孔距離における近似較正を可能にすることによる）身長に関することができる。

角膜トポグラフィは、好ましくは、これらのパラメータから判定され、これは、角膜と強膜との間の境界の知られている角膜トポグラフィおよび好適なパラメータの両方を含む既存のデータ・セットからの予測による統計モデルを使用する。

別の好ましい実施形態は、統計モデルを使用して、角膜表面の単一の部分、たとえば横からのカメラ画像内の角膜の垂直部分のみの幾何学的プロファイル（画像データ）から、角膜トポグラフィ（追加データ）を判定することに関し、他の変数も統計モデルで考慮されうる。

要約すると、従来のビデオ・センタリングは、レンズを個別に改善するために使用されることが知られているが、統計モデルを使用して眼の生体に関連付けられたパラメータを推定しないことに留意されたい。たとえば、瞳孔径または瞳孔距離が判定されうるが、これは統計モデルを使用しないで行われ、統計モデルは、たとえば詳細には知られていない角膜を通じて眼（虹彩）の物理的な開口絞りを結像することによってこれらのパラメータの判定を改善するが、これは統計モデルを使用して推定されうるものである。

本発明の範囲内では、１つまたは２つの眼が見られる画像から、少なくとも眼域に関するデータが判定されうる。そのような画像データは、特により大きい距離から判定されうるものであり、眼のバイオメトリの完全な測定よりはるかに迅速に実施されうる。

眼のバイオメトリクスに関連付けられたデータは、幾何学的データ（たとえば、眼の屈折面の記述、およびいくつかの表面が存在する場合、互いに対する相対位置）とすることができ、特に角膜（たとえば、角膜表面のうちの１つ、特に角膜の前面）の形状を含むことができる。このようにして、複雑な眼のモデルが判定されてよく、それによって眼鏡レンズがより良好に個別に適合されてよく、個別の事例で複雑な眼のモデルを判定するために複雑な測定が実施される必要はなく、対応する測定デバイスが利用可能である必要はない。

眼のバイオメトリクスに関連付けられたデータはまた、１つの眼に単独で関係付けられうる（個別の１つの眼自体の生体パラメータではなく、頭部または両眼の生体パラメータである眼の回転点と区別される）。複雑な眼のモデルの光学特性は、１つの眼に単独で関係するそのようなパラメータを使用して判定されてよく、これは、改善された眼鏡レンズを計算するために使用されてよく、個別の事例で複雑な眼のモデルを判定するために、対応する測定デバイスが存在する必要はない。特に、個別の事例でそのような眼のモデルを判定するために（すなわち、統計モデルが提供された後）、このために特別に設計された照明デバイスは必要とされない（たとえば、ケラトメータまたはシャインプルーフ・カメラの場合）。ＬＥＤなどの簡単な照明デバイスで十分であり、これは場合により、短時間のみ電源投入されてよい（たとえば、少なくとも眼域を照明するフラッシュとして）。

特に、好ましい実施形態では、本発明は、眼のバイオメトリを判定する方法であって、
好ましくは互いに対して較正された１つまたは２つのカメラを有するカメラ・システム（ステレオ・カメラ・システム）を使用して眼の画像データを記録するステップと、
以下の入力パラメータ・セットのうちの少なくとも１つに基づいて、入力パラメータ・セットとしてバイオメトリクス（たとえば、角膜曲率または前眼房深さ）を予測する統計モデルを提供および／または適用するステップとを含み、入力パラメータ・セットが、
パラメータ・セット１：１つまたは異なる角度からの１つまたは２つのカメラによる角膜を通じた虹彩の結像、
パラメータ・セット２：虹彩の境界、
パラメータ・セット３：人物の瞳孔距離
を含み、統計モデルを提供するステップが訓練プロセスを含み、訓練プロセス中に、パラメータ１および／または２および／または３に加えて、眼の関連付けられたバイオメトリクスが知られており、訓練に使用される、方法に関する。虹彩の境界および瞳孔距離のどちらも、画像から判定されうる。

１ 訓練データ・セット
２ 統計モデル
１０ 基準データ・セット
１２ 画像データ
１４ 追加データ
Ｓ１～Ｓ５：方法ステップ

Claims (10)

1. 使用者の眼の少なくとも一方の個別生体パラメータを判定するコンピュータ実装方法であって、
   画像データを提供することであって、前記画像データが、
   － 前記使用者の眼域の少なくとも一部分の少なくとも１つの画像、および／または
   － 前記使用者の前記眼域の少なくとも一部分の少なくとも１つの画像から直接得られる前記使用者の前記眼域の少なくとも一部分に関する幾何学的情報を含む、ことと、
   前記提供された画像データに基づいて、前記使用者の前記少なくとも一方の眼の少なくとも１つの個別生体パラメータを含む個別追加データを、前記画像データと前記追加データとの間の関係を記述する統計モデルを使用して判定することとを含むコンピュータ実装方法。
2. 前記統計モデル（２）が、複数の基準データ・セット（１０）による訓練データ・セット（１）の統計分析を使用して導出され、または導出済みであり、前記基準データ・セット（１０）の各々が、画像データと、前記画像データに割り当てられた追加データとを含む、請求項１に記載の方法。
3. 前記訓練データ・セット（１）を提供することと、
   前記訓練データ・セット（１）の統計分析を使用して前記統計モデル（２）を導出することであって、前記統計モデル（２）を導出することが、前記訓練データ・セット（１）を使用して元のモデルを訓練することを含む、こととをさらに含む、請求項２に記載の方法。
4. 前記画像データが、
   － 少なくとも一方の眼、好ましくは両方の眼が特に前から見えうる１つまたは複数のカメラ画像、
   － 少なくとも一方の眼が特に横から見えうる１つまたは複数のカメラ画像、
   － 瞳孔距離、
   － 眼の回転中心の距離、
   － 角膜径、
   － 瞳孔またはその部分の形状および／または位置、
   － 虹彩またはその部分の外縁の形状および／または位置、
   － 眼域の３Ｄモデル（たとえば、深さカメラを使用して判定されうる３次元点群、３次元エッジ・ネットワークなど）、
   － 現在の視線方向、
   － 斜位の存在および／または好ましくはその形態／程度
   のパラメータのうちの１つまたは複数を含む、請求項１から３の一項に記載の方法。
5. 前記少なくとも１つの個別生体パラメータが、
   － 眼の長さ（特に、眼の幾何学的な全体の長さ）、
   － 眼の光路長（網膜上の最高視力点および瞳孔の中心を通過する５５０ｎｍなどの所与の波長の光ビームに沿った屈折率の積分）、
   － 眼の屈折面の頂点の互いに対する、または眼の屈折面の頂点と別の共通の基準点（たとえば、網膜上の最高視力点）に対する、１つまたは複数の距離、
   － 所与のパラメータ化（たとえば、主要な部分の曲率半径および向き、頂点深さのゼルニケ係数、幾何学的曲率または相当表現、たとえばパワーベクトルまたは極座標表現による）で存在することができ、座標系（たとえば、視線方向がｚ軸の負の方向に一致し、ｘ軸が水平平面内に位置する座標系）に関して理解されるべき、屈折面の形状（たとえば、角膜または水晶体表面のうちの１つの形状および／または傾斜）、
   － 所与の照明条件（たとえば、所与または平均の屋内照明）で与えられうる眼の物理的な開口（すなわち、虹彩の開口）または光学的な入射瞳（角膜を通る虹彩の像）の直径または半径、
   － 眼の光学媒体の屈折率、
   － 網膜のサイズおよび／または形状、特に中心窩のサイズおよび／または形状、
   － 網膜（特に、中心窩）の向き、たとえば光入射方向（たとえば、瞳孔の中心および最高視力点を通過する光線）に対する最高視力点内で網膜に直交するベクトルの方向、
   － 網膜上の受容体の位置および向き、
   － 網膜上の受容野のサイズ
   のパラメータのうちの１つまたは複数を含む、請求項１から４の一項に記載の方法。
6. 前記統計モデルが、
   － 線形モデル、
   － ガウス過程、
   － ニューラル・ネットワーク（たとえば、ディープ・ニューラル・ネットワーク）、
   － 決定木または回帰木（回帰木）、
   － ボルツマン・マシン（制限ボルツマン・マシン）、
   － サポート・ベクター・マシン
   のモデルのうちの１つまたは複数を含む、請求項１から５の一項に記載の方法。
7. 眼鏡レンズを製造する方法であって、
   請求項１から６の一項に記載の方法によって提供された前記画像データに基づいて、使用者の少なくとも一方の眼の少なくとも１つの個別生体パラメータを含む個別追加データ（１４）を判定することと、
   前記判定された個別追加データに基づいて前記眼鏡レンズを計算することとを含む方法。
8. コンピュータのメモリにロードされて実行されたとき、請求項１から７の一項に記載の方法を前記コンピュータに実施させるコンピュータ・プログラム製品。
9. 使用者の眼の少なくとも一方の個別生体パラメータを判定するためのデバイスであって、請求項１から６の一項に記載の方法を実施するように設計された計算デバイスを備えるデバイス。
10. 眼鏡レンズを製造するためのデバイスであって、
    請求項９に記載の使用者の眼の少なくとも一方の個別生体パラメータを判定するためのデバイスと、
    前記計算された個別生体パラメータに基づいて前記眼鏡レンズを計算するように設計されたレンズ計算デバイスとを備えるデバイス。