WO2018087002A1 - Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten korrektionswerten und computerprogramm - Google Patents

Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten korrektionswerten und computerprogramm Download PDF

Info

Publication number
WO2018087002A1
WO2018087002A1 PCT/EP2017/078161 EP2017078161W WO2018087002A1 WO 2018087002 A1 WO2018087002 A1 WO 2018087002A1 EP 2017078161 W EP2017078161 W EP 2017078161W WO 2018087002 A1 WO2018087002 A1 WO 2018087002A1
Authority
WO
WIPO (PCT)
Prior art keywords
subjective
data
refraction data
predicted
eye
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.)
Ceased
Application number
PCT/EP2017/078161
Other languages
English (en)
French (fr)
Inventor
Arne OHLENDORF
Siegfried Wahl
Christian Leibig
Alexander Leube
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.)
Carl Zeiss Vision International GmbH
Original Assignee
Carl Zeiss Vision International GmbH
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=57348474&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=WO2018087002(A1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by Carl Zeiss Vision International GmbH filed Critical Carl Zeiss Vision International GmbH
Priority to KR1020197016402A priority Critical patent/KR102072637B1/ko
Priority to CN201780070361.5A priority patent/CN109923618A/zh
Priority to JP2019522324A priority patent/JP6672529B2/ja
Publication of WO2018087002A1 publication Critical patent/WO2018087002A1/de
Priority to US16/404,991 priority patent/US20190258930A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • 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
    • A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61B3/1015—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for wavefront analysis

Definitions

  • the present invention relates to a device for determining predicted subjective refraction data or predicted subjective correction values for an eye on the basis of measured objective refraction data of the eye.
  • the invention relates to a computer program with program code, which makes it possible to determine predicted subjective refraction data or predicted subjective correction values for an eye on the basis of measured objective refraction data of the eye.
  • the refraction determination relates to the determination of the refractive properties of the (human) eye.
  • Methods for subjective refraction determination are based on a (subjective) feedback from a person to be examined about their visual perception.
  • An example of a subjective refraction determination is a determination of the refractive properties on the basis of visual charts with ever smaller visual symbols (eg numbers or letters) or ever smaller symbols, whereby the person to be examined provides feedback as to which characters they can recognize.
  • the subjective determination of refraction using measuring glasses and measuring glasses or manual or digital phoropter and using optotypes, which are displayed on an external monitor.
  • Phoropters are described, for example, at https://de.wikipedia.org/wiki/Phoropter, as of 13.10.201 6.
  • a person to be examined looks at the optotypes, and an optician or ophthalmologist inserts different measuring glasses with different corrective powers into the measuring goggles, or changes a correction setting when using a phoropter.
  • the person to be examined then provides feedback with which measuring glasses or which settings of the phoropter the optotypes are best recognizable.
  • the measuring glasses used here or the corresponding correction settings of the phoropter are in each case assigned to a specific refraction error, which is corrected by the respective measuring glass or the setting of the phoropter.
  • the subjective refraction determination described above can be carried out separately (binocular) for each eye (monocular) or also for both eyes.
  • Methods and devices for objective refraction determination need no feedback from the person to be examined about their visual perception.
  • WO 2004/1 12576 A2 describes a method and a device for determining a visual acuity based on a measured wavefront error.
  • the visual acuity measure is calculated using a point spread function from the lower and higher order wavefront errors.
  • the objective refraction determination is e.g. with the help of autorefractors, photorefractors, wavefront analyzers, retinoscopes etc.
  • refraction data Data describing the ametropia (colloquial deficiency) of an eye are referred to as refraction data in the context of this description.
  • Subjective refraction data are data obtained by means of subjective refraction
  • objective refraction data are those which have been determined by means of objective refraction determination.
  • the subjective refraction data and / or the objective refraction data may, for example, be in the form of Zernike coefficients, in the classical notation sphere, cylinder and axis, where sphere is the spherical refractive power S, cylinder is the cylindrical refractive index C and axis is the position of the cylinder axis (axis position) in the power vector notation (SA, Jo, J45), where in S ⁇ the so-called spherical equivalent, J 0 the horizontal or vertical component of the cross cylinder and J 45 to the horizontal or vertical component at an angle of 45 0th or 135 ° extending component of the cross cylinder, or be specified in any other suitable notation.
  • Correction values are values which characterize a correction means, such as a spectacle lens, adapted to the respectively determined ametropy, and which in the classical notation sphere, cylinder and axis contain at least the value S for the sphere. If the ametropia includes astigmatism, the correction values also include the values C and ⁇ for cylinder and axis. In addition, the correction values may include other values, such as prism and its base position for correcting strabismus (squint) and a value of addition (near addition) that corrects the senile deficiency vision.
  • the results of the objective refraction and the subjective refraction can be used alone or in combination to determine the correction values of the prescribed glasses (synonyms: prescription, spectacle values, correction, prescription values, prescription, prescription). If the objective or subjective refraction data obtained by means of the objective or subjective refraction are present in the notation sphere, cylinder and axis, the objective or subjective refraction data can be used directly as correction values. In the following, correction values based on objective refraction data are referred to as objective correction values, and subjective subjective correction values are based on subjective refraction data.
  • provisional subjective refraction data can be predicted from results of objective measurements of the aberrations of the eye which characterize wavefront errors of the eye, which an optician or an ophthalmologist can use as a starting point for determining subjective refraction data.
  • the determination of the preliminary subjective refraction data from the objective measurements of the aberrations is carried out using a linear system of equations with coefficients which are associated with scaling factors, wherein the values suitable for the measured eye for the scaling factors are determined using an algorithm be determined.
  • the provisional subjective refraction data is then calculated by means of the equation system and the determined values for the scaling factors.
  • WO 2008/049503 A2 describes a method for determining a spectacle lens prescription in which the spectacle lens prescription is determined from objective refraction data or a combination of objective refraction data and determined subjective refraction data.
  • US Pat. No. 7,357,509 B2 discloses metrics which predict the subjective effects of a wavefront aberration of the eye. The metrics depend on wavefront aberration or wavefront aberration and neuronal transfer function. In particular, US Pat. No. 7,357,509 B2 describes metrics in which neuronal contrast sensitivity is incorporated. The metrics can be used to determine predicted correction values to correct for ametropia.
  • US 2015/0346512 A1 also discloses a method for determining a spectacle lens prescription, i. for determining correction values for correcting an ametropia, from measured aberrations of the eye using metrics representing the quality of vision.
  • the metric is added to a term representing an evaluation function that takes into account the degree of astigmatism correction in the predicted prescription lens prescriptions.
  • the previously used metrics for the calculation of predicted correction values for the correction of an ametropia are limited in the consideration of the sense-physiological sensation of vision.
  • the contrast sensitivity is used in part to determine the best correction values.
  • the objective refraction data are determined here, for example, with a simple autorefractor or wavefront aberrometer.
  • a metric from US 7,357,509 B2 attempts both the optical as well as to model the neural part of the image in order to predict the best possible correction values from objective refraction data.
  • it is known that especially the contrast sensitivity is subject to very strong individual differences.
  • the neuronal transfer function may be highly nonlinear and difficult to describe, the results obtained may be inaccurate.
  • the consideration of only contrast sensitivity does not describe seeing as a combination of physical-optical properties and sensory-physiological sensations with sufficient accuracy unless an individual CSF (contrast sensitivity function) is used.
  • DE 10 2014 226 824 A1 describes a method for providing a learning-based diagnostic support model. For this purpose, new or extended training data, which usually represent negative case studies, are collected. Then, a learning software is used to train the diagnostic system with training examples representing training data. To design a learning software so-called neural networks can be used.
  • WO 2005/079546 A2 discloses a device for determining a correlation between subjective correction values of an eye to be examined and objective refraction data of the eye to be examined. To determine the correlation, a statistical model is used which has been obtained by means of a neural network.
  • the first object is achieved by a device according to claim 1, the second object by a computer program product according to claim 9.
  • the dependent claims contain advantageous embodiments of the invention.
  • the inventive solution uses methods of machine learning.
  • a nonlinear multi-dimensional function or a family of functions is modeled using a model of sufficiently large capacity and preferably with matching regularization to avoid overfitting nonlinear multi-dimensional functions, which are then used to predict subjective refraction data or subjective correction values from objective refraction data.
  • the device according to the invention is characterized in that the function is a non-linear multi-dimensional function or a family of non-linear multi-dimensional functions, which is the result of training a regression model or classification model based on a training data set which is at least one of a plurality of subjects has been trained objective refraction data and associated, obtained by subjective refraction subjective refraction data or associated, determined by subjective refraction subjective correction values has been trained.
  • the classification model one obtains discrete predicted subjective refraction data or discrete predicted subjective correction values.
  • the subjects may be a group of persons that forms a representative cross section of the population.
  • the larger the group of persons the more accurate subjective refraction data or subjective correction values from measured objective refraction data can later be predicted.
  • the device for determining predicted subjective refraction data or predicted subjective correction values is to be used only for correcting a particular refractive error, it is advantageous to use a group of persons with the corresponding refractive error as subjects instead of a group of persons forming a representative cross section of the population.
  • the number of subjects compared to subjects that form a representative cross section of the population in which the refractive error is present only in a percentage of people can be reduced.
  • the nonlinear multi-dimensional function or family of nonlinear multi-dimensional functions is then a function specific to the refractive error that can not be generally used.
  • the subsequent determination of predicted subjective refraction data or predicted subjective correction values of an eye to be examined on the basis of objective refraction data of the eye to be examined is to be carried out in a cycloplegic manner
  • the measurement on the test persons can also be carried out in a cycloplegic manner.
  • Cycloplegic means that the ability of the eye to accommodate is eliminated during the measurement of the objective refraction data.
  • the device determines the predicted subjective refraction data or the predicted subjective correction values non-cycloplegically, ie without the accommodation of the eye switched off, even if the measurement of the objective refraction values at the subjects cyclogenesis, since a large number of subjects are able to model the effect of the accommodation of the eye with a sufficient degree of precision when training the regression model or classification model.
  • the nonlinear multidimensional function or family of nonlinear multidimensional functions also provides refraction data for children when measured non-cycloplegically. The refraction results obtained with the nonlinear multidimensional function or with the family of nonlinear multi-dimensional functions are comparable to measurements in children measured under cycloplegia.
  • the classes of subjective refraction data differ in at least one of the discrete values for sphere, cylinder, and axis.
  • the classes of subjective refraction data can also be defined by other discrete indications representing the subjective refraction, for example by discrete values of power vector coefficients.
  • the class characteristic of the discrete classification variables in the example mentioned above, of the discrete values for sphere, cylinder and axis, results from the characteristics of the attributes of the data objects, ie in the example mentioned above from the expression of Zernike Coefficients as attributes of the objective refraction data.
  • the basis for a classification model is a database, in the present example the objective and subjective refraction data measured on the subjects, whose data objects, which in the example given are given by the objective refraction data, each have a predetermined class, in the example thus one each by the values for sphere, cylinder and axis defined class of subjective refraction data, are assigned.
  • a classification model is used for predicting the class membership of data objects whose class affiliation is not yet known, in the present case for predicting the membership of objective refraction data measured on a patient to a class defined by the values for sphere, cylinder and axis.
  • a regression model In contrast to a classification model, a regression model explains a dependent, continuous variable by several independent variables. Thus, in the example mentioned, there is no assignment of the objective refraction data to classes of subjective refraction data defined by discrete values for sphere, cylinder and axis, but rather an individual assignment to subjective refraction data defined by continuous values for sphere, cylinder and axis are. With a regression model can thus also for predicting the unknown value of the dependent variable by the Variants of the associated independent variables are used. The difference to a classification model lies in the cardinality of the dependent variables.
  • a classification model has a discrete variable and a regression model a continuous variable.
  • the evaluation unit can be designed, in particular, for processing objective refraction data in the form of objectively determined wavefront errors, for example in the form of coefficients of an orthogonal function system in the form of objective wavefront errors, for example in the form of Zernike coefficients.
  • the evaluation unit can be designed to output predicted subjective refraction data or predicted subjective correction values in the form of power vector coefficients, in the classic notification with sphere, cylinder and axis, or in any other suitable notation.
  • Suitable approaches include linear regression on nonlinear features (polynomial features, deep network features, etc.), neural networks, ie networks of artificial neurons, with multiple layers, support vector regression with nonlinear kernels (eg Radial Basis Function Kernel), decision trees, Gauss processes, ensemble regressors, etc. Reforming the regression model as a classification model - by discretizing output values such as the sphere values - provides an equivalent solution. From this, all classification methods that achieve a sufficiently high performance come into question. Examples of possible classification methods are: neural networks, support vector machines, nearest neighbors, linear / square
  • the image can be detected without having to know the mechanistic model for the optical and neural part .
  • the determination of predicted subjective refraction data or predicted subjective correction values can be carried out very quickly since no measurement of contrast sensitivity is required.
  • the device according to the invention reliably enables subjective refraction data or subjective correction values for the patient predict.
  • the prognosis of subjective refraction data or predicted subjective correction values includes the neuronal transfer function, which is highly non-linear as mentioned above. Results obtained using contrast sensitivity are therefore inaccurate due to the non-linearity of neuronal transfer function.
  • the use of a nonlinear multidimensional function allows reliable and accurate calculation of predicted subjective refraction data or predicted subjective correction values.
  • the trained model ie the resulting nonlinear multidimensional function or family of nonlinear multi-dimensional functions, records all optical and neural contributions which are reproducible over the measurement population represented by the training data sets, ie the group of persons forming the test persons.
  • the highly nonlinear neural transfer function can be taken into account particularly well when calculating the subjective refraction data or subjective correction values.
  • the multidimensionality of the nonlinear function or the family of nonlinear functions also makes it possible, via a plurality of variables, to obtain a multiplicity of optical aberrations in the calculation of the subjective refraction values or the subjective correction values from the objective refraction values.
  • At least three variables for example at least three Zernike coefficients, ie at least one three-dimensional nonlinear function or one family of three-dimensional nonlinear functions should be present.
  • there should be at least ten variables for example at least ten Zernike coefficients, ie at least one ten-dimensional nonlinear function or one family of ten-dimensional nonlinear functions should be present. It is particularly advantageous for whom the number of variables, that is, for example, the number of Zernike coefficients used, is between 30 and 50, because then a very precise modeling of the optical aberrations is possible.
  • the evaluation device can also take into account in particular pupil diameter data of the eye to be examined.
  • the evaluation device comprises the regression model or classification model.
  • the training module includes a training module with which the regression model or classification model based on a training data set, which for each of a plurality of subjects respectively determined objective refraction data and associated, determined by subjective refraction subjective refraction data or associated, determined by subjective refraction subjective correction values, for Obtaining the nonlinear multi-dimensional function or the family of multi-dimensional functions trainable.
  • the multi-dimensional function or the family of multi-dimensional functions can thus be further optimized as needed or adapted to specific requirements if the evaluation device comprises an input interface connected to the training module for receiving or inputting training data records. With the received training data sets can then be carried out a further training of the regression model.
  • the evaluation device comprises a regularization unit tailored to the regression model or classification model in order to avoid overfitting during training. Over-fitting would cause the nonlinear multidimensional function or family of nonlinear multi-dimensional functions to be adjusted for statistical variations rather than the underlying statistical relationship between the objective refraction data and the subjective refraction data obtained by subjective refraction or subjective correction values determined by subjective refraction ,
  • the regularization unit carries out a regularization, ie it introduces additional information into the training with which an adaptation of the non-linear multi-dimensional function or the family of non-linear multidimensional functions to statistical fluctuations is prevented.
  • the device according to the invention can also include a refraction measuring device for determining and providing the objective refraction data of the eye to be examined.
  • the refraction measuring device can have an output interface for outputting the objective refraction data, which is connected to a corresponding input interface of the evaluation unit for receiving the objective refraction data.
  • the refraction measurement device may be based on methods such as autorefraction, photorefraction, as well as on wavefront aberrometers or other objective refractors to determine the objective refraction data.
  • the non-linear multidimensional function or the family of non-linear multidimensional functions can also be designed to calculate the predicted subjective refraction data or predicted subjective correction values of the eye from the objective refraction data of the eye and the pupil diameter of the eye training data set used for training for each subject also includes a detected pupil diameter.
  • the device according to the invention comprises a pupil diameter measuring device for determining the pupil diameter of the eye to be examined. The pupil diameter measuring device can be used to create a measured pupil diameter
  • Pupillen catchmesseraries be formed and have an output interface for outputting the pupil diameter data, which is connected to a corresponding input interface of the evaluation device for receiving the pupil diameter data.
  • the device according to the invention can be integrated into an optical observation device which comprises a module for refraction measurement.
  • optical observation devices may be, for example, auto-refractors, aberrometers, microscopes, surgical microscopes, telescopes, binoculars, etc.
  • the invention also provides a computer program product with program code for determining predicted subjective refraction data or predicted subjective correction values of an eye based on objective refraction data of the eye.
  • a computer program product is a program code stored on a suitable medium and / or accessible via a suitable medium.
  • any medium suitable for storing software for example a DVD, a USB stick, a flashcard or the like may be used.
  • the retrieval of the program code can take place, for example, via the Internet or an intranet or via another suitable wireless or wired network.
  • the program code of the computer program product according to the invention is embodied such that the determination of predicted subjective refraction data or predicted subjective correction values takes place by means of the following method steps, when it is loaded into a computer and / or executed in a computer, namely:
  • the program code may include the regression model or classification model and an optional method step of training the regression model or classification model on the basis of a training data set.
  • the program code can be designed, in particular, for receiving objective refraction data in the form of objectively determined wavefront errors, for example in the form of coefficients of an orthogonal function system that indicate objective wavefront error, for example in the form of Zernike coefficients.
  • it can be designed to output predicted subjective refraction data or predicted subjective correction values in the form of power vector coefficients, in the classic notification with sphere, cylinder and axis or in any other suitable notification.
  • the program code may also include a regularization tailored to the regression model or classification model.
  • the program code introduces additional information into training that during training aligns the non-linear multidimensional function or family of non-linear multidimensional functions to statistical variations rather than the underlying statistical relationship between the objective refraction data and subjective refraction prevent determined subjective refraction data or the subjective correction values determined by subjective refraction.
  • the program code can be designed such that, in addition to the objective refraction data of the eye, the pupillary diameter of the eye is also taken into account in the method step of calculating the predicted subjective refraction data or the predicted subjective correction values.
  • the training data set used to train the regression model or classification model then also includes a recorded pupil diameter for each subject.
  • FIG. 1 shows a device for determining subjective
  • FIG. 2 shows a schematic representation of the determination of predicted subjective refraction data or predicted subjective correction values of an eye to be examined on the basis of measured objective refraction data of the eye to be examined.
  • An exemplary embodiment for the device according to the invention for determining predicted subjective refraction data or predicted subjective correction values of an eye to be examined on the basis of determined objective refraction data of the eye to be examined is explained below with reference to FIG.
  • the figure shows an evaluation device 1, to which in the present embodiment, as optional additions, a refraction measuring device 2 and a
  • the evaluation device 1 comprises an input interface 4 for receiving objective refraction data, which in the present exemplary embodiment is connected to an output interface 5 of the refraction measuring device 2. Via the output interface 5, the refraction measuring device 2 outputs objective refraction data representing the objective refraction data measured on an eye.
  • a wavefront aberrometer is used in the present exemplary embodiment.
  • the input interface 4 can also receive the objective refraction data from a data memory, such as a USB stick, a CD, a DVD or a memory card. It is also possible to obtain the objective refraction data from a network, for example from the Internet or an intranet.
  • the evaluation device 1 additionally comprises a further input interface 6, which is connected to an output interface 7 of the pupil diameter measuring device 3, which, for example, can also be integrated into the refraction measuring device 2.
  • the input interface 6 receives pupil diameter data which is output from the pupil diameter measuring device via the output interface 7 and which represents the measured pupil diameter of the eye. Again, the input interface 6 is the pupil diameter data rather than a
  • Pupillen vommessermessvortechnisch 3 from a data storage such as a USB stick, a CD, a DVD or a memory card can relate.
  • a data storage such as a USB stick, a CD, a DVD or a memory card
  • the pupil diameter data can relate to a network, for example from the Internet or an intranet.
  • the evaluation device 1 in the present exemplary embodiment comprises an optional further input interface 8, via which training data records can be entered into the evaluation device 1 as required.
  • the meaning of these training records will be explained later.
  • the training data records can also be obtained from a data memory, such as a USB stick, a CD, a DVD or a memory card, or from a network, for example from the Internet or an intranet.
  • the evaluation device 1 in the present exemplary embodiment comprises a regression model 9, a calculation unit 10, a training module 12 for training the regression model 9 and an output interface 11.
  • the training module 12 also includes a in the present embodiment Regularization unit 13 to avoid overfitting during the training of the regression model 9.
  • the calculation unit 10 is connected to the input interface for receiving objective refraction data 4 and to the regression model 9. In the calculation unit 10, the predicted subjective refraction data or predicted subjective correction values are calculated on the basis of the received objective refraction data. The calculation result is then output via the output interface 1 1.
  • the calculation of the predicted subjective refraction data and the predicted subjective correction values will be described with reference to the block diagram shown in FIG.
  • the calculation in the present exemplary embodiment takes place on the basis of a nonlinear multi-dimensional function (block 101), which has been obtained by training the regression model 9 or has been obtained.
  • block 101 nonlinear multi-dimensional function
  • training data are read in via the input interface for training data sets 8 (block 102) which contain objective refraction data determined for a measurement population and associated subjective refraction data determined by subjective refraction or associated subjective correction values determined by subjective refraction.
  • the determined objective refraction data and the subjective refraction data determined by subjective refraction and the subjective correction values determined by subjective refraction contain a determined objective refraction data set for each person of the measurement population and a subjective refraction data set assigned to this objective refraction data set and / or a subjective refraction data set determined by subjective refraction Objective Refr stressesskorsatz, determined by subjective refraction subjective Korretechnischswertatz.
  • the determined objective refraction data in the form of Zernike coefficients and the determined subjective refraction data or the determined subjective correction values are available in the notification sphere, cylinder and axis according to DIN EN ISO 13666-21 3.
  • the training data in the present exemplary embodiment also contain data about the measured pupil diameter, which are associated with the objective refraction data, for each person in the measurement population.
  • the training data thus contain a generally high number of training data sets, each of which represents objective refraction data determined on a subject, the determined pupil diameter and the subjective refraction data determined by subjective refraction or the subjective correction values determined by subjective refraction.
  • the training (block 1 03) is carried out in the present embodiment using a deep neural network (DNN), with the help of which the mean square deviation between the regression model based on objective refraction data predicted subjective refraction data or predicted subjective correction values on the one hand and the subjective refraction data or subjective correction values determined for this objective refraction data by subjective refraction on the other hand.
  • DNN deep neural network
  • a small multi-layered feedforward network with a single linear output unit is used in the present case.
  • the network has two hidden layers of 1 28 and 37 hidden units, respectively, and parametric non-linearities for a rectifier, as described in He, K.
  • All data is pretreated by subtracting the average of each feature dimension calculated via the training data set.
  • RMSprop can be used with a learning rate of 0.001 to minimize the mean squared deviation between the predicted subjective refraction data or correction values and the subjective refraction data or correction values determined in the training data sets.
  • This approach is described by Hinton et al, "Neutral Networks for Machine Learning, Lecture 6, available at” http://www.cs.toronto.edu/ ⁇ tijmen/csc321/slides/lecture_slides_lec6.pdf.
  • training data is read in (block 102) and trained with one of the above methods, DNN in the present embodiment (block 103).
  • the result of the training is then the multidimensional nonlinear function (block 101), which is finally used to calculate the projected subjective refraction data or the predicted subjective correction values from the objective refraction data (block 104).
  • training the regression model to obtain the non-linear multi-dimensional function may be performed in advance, so that this step does not result in later calculating the projected subjective refraction data or predictive subjective correction values from the objective refraction data (block 104) must be carried out again.
  • the calculation of the predicted subjective refraction data or the predicted subjective correction values then only requires reading in (block 105) the objective refraction data and, if the nonlinear multi-dimensional function considering the pupil diameter allows for reading in the pupil diameter data (block 106). Since the training of the regression model (block 103) only needs to be done once in advance, the speed at which the calculation of the projected subjective refraction data or the predicted subjective correction values from the objective refraction data and, if appropriate, the pupil diameter data (block 104), is only by the speed with which the calculation can be made, and thus limited by the computing power of the device.
  • the calculated predicted subjective refraction data or the calculated predicted subjective correction values are finally output (block 107). Based on this data, a prescription for glasses, for contact lenses, for intraocular lenses, for refractive surgery, etc. can be created. It is also possible to make a surgical correction of the refraction of the eye on the basis of the output data.
  • the training (block 103) of the regression model 9 usually takes place before the device is used in practice for determining the predicted subjective refraction data or the predicted subjective correction values, it may be advantageous, if it is possible, to continue the regression model 9 to be able to train.
  • the basis for determining the non-linear multi-dimensional function may be broadened, thereby offering the possibility of further improving reliability in determining the projected subjective refraction data or predictive subjective correction values from the objective refraction data.
  • additional data sets can be used, for example, to account for regional differences or individual differences in different populations. In addition, it is possible to expand the field of application of the device.
  • the original training data did not include pupil diameter data and the Therefore, if trained nonlinear multi-dimensional function is unable to account for pupil diameter, it is possible to retrain by re-training with training data sets also containing pupil diameter data to adapt the device to a new area of use, such as predicted subjective refraction data or predicted correction values for the night or twilight.
  • the evaluation device 1 of the device for determining predicted subjective refraction data or predicted subjective correction values can be realized as a device specially created for this purpose. However, it is also possible to realize the evaluation unit 1 by a commercially available computer.
  • the input and output interfaces 4, 6, 8, 1 1 are implemented as data interfaces and the regression model 9 and the calculation unit 10 are in the form of software modules that can be represented by program code.
  • the program code can then be stored as a computer program product on a storage medium or be retrievable as a computer program product from a network.
  • the device according to the invention for determining predicted subjective refraction data or predicted subjective correction values on the basis of objective refraction data can be integrated into an optical device which measures the objective refraction values and then makes a correction on the basis of the calculated predicted subjective refraction data.
  • the correction can then be done manually or automatically, once or repeatedly or continuously and in particular in real time.
  • a device may be, for example, a refractometer, a microscope, a surgical microscope, a telescope, binoculars, data glasses, a subjective refraction unit, etc.
  • the evaluation unit alone or the evaluation unit in combination with the refraction measurement device and / or the pupil diameter measurement device is integrated into the device.
  • the optical Device for example, a refractometer, only the evaluation and possibly the
  • the refraction measuring device integrated in the refractometer.
  • the optical unit is a surgical microscope
  • the refraction measuring device can also be integrated into the surgical microscope. The same applies to other optical devices which do not include a refraction measuring device.
  • the device according to the invention When the device according to the invention is integrated into a surgical microscope, this offers the possibility of performing intraoperative objective measurements on the patient and of predicting an evaluation of the surgical result or the finally achieved refraction on the basis of the calculated prognosticated subjective refraction data, for example in the implantation of intraocular lenses ( Intraocular lenses, lOLs).
  • a measurement of the refraction can be carried out especially in mobile or portable devices. This is primarily to think of smartphones or screening devices. In the case of smartphones, the implementation of the invention in the form of a computer program product, namely in the form of an app, which can be loaded on the smartphone.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Ophthalmology & Optometry (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

Es wird eine Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines zu untersuchenden Auges auf der Basis von objektiven Refraktionsdaten des zu untersuchenden Auges zur Verfügung gestellt. Die Vorrichtung umfasst eine Auswerteeinrichtung (1) mit einer Berechnungseinheit (10), die die prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerte des Auges mittels einer Funktion (101) aus den objektiven Refraktionsdaten des Auges ermittelt. Die Funktion ist eine nichtlineare mehrdimensionale Funktion (101) oder eine Familie von nichtlinearen mehrdimensionalen Funktionen, welche das Ergebnis des Trainierens eines Regressionsmodells (9) oder Klassifikationsmodells ist, wobei das Regressionsmodell (9) oder Klassifikationsmodell auf der Basis eines Trainingsdatensatzes, welcher für eine Vielzahl von Probanden jeweils zumindest objektive Refraktionsdaten und zugeordnete ermittelte subjektive Refraktionsdaten bzw. zugeordnete ermittelte subjektive Korrektionswerte umfasst, trainiert worden ist (103).

Description

Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten Korrektionswerten und
Computerprogramm
Die vorliegende Erfindung betrifft eine Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten für ein Auge auf der Basis von gemessenen objektiven Refraktionsdaten des Auges. Daneben betrifft die Erfindung ein Computerprogramm mit Programmcode, der ein Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten für ein Auge auf der Basis von gemessenen objektiven Refraktionsdaten des Auges ermöglicht.
Die Refraktionsbestimmung betrifft die Bestimmung der Brechungseigenschaften des (menschlichen) Auges. Bei der Refraktionsbestimmung kann zwischen subjektiver Refraktionsbestimmung und objektiver Refraktionsbestimmung unterschieden werden. Verfahren zur subjektiven Refraktionsbestimmung beruhen dabei auf einer (subjektiven) Rückmeldung einer zu untersuchenden Person über ihre visuelle Wahrnehmung. Ein Beispiel für eine subjektive Refraktionsbestimmung ist eine Bestimmung der Brechungseigenschaften auf Basis von Sehtafeln mit immer kleiner werdender Sehzeichen (z.B. Zahlen oder Buchstaben) oder immer kleiner werdenden Symbolen, wobei die zu untersuchende Person Rückmeldung gibt, welche Zeichen sie erkennen kann. Herkömmlicherweise erfolgt die subjektive Refraktionsbestimmung mittels Messbrille und Messgläsern oder manuellem oder digitalem Phoropter und unter Verwendung von Sehzeichen, welche auf einem externen Monitor dargestellt werden. Phoropter sind beispielsweise unter https://de.wikipedia.org/wiki/Phoropter, Stand 13.10.201 6, beschrieben. Dabei betrachtet eine zu untersuchende Person die Sehzeichen, und ein Augenoptiker oder Augenarzt setzt in die Messbrille verschiedene Messgläser mit verschiedenen Korrektionsstärken ein, oder verändert eine Korrektionseinstellung bei Verwendung eines Phoropters. Die zu untersuchende Person gibt dann eine Rückmeldung, mit welchen Messgläsern bzw. welchen Einstellungen des Phoropters die Sehzeichen am besten erkennbar sind.
Die dabei verwendeten Messgläser bzw. entsprechende Korrektionseinstellungen des Phoropters sind dabei jeweils einem bestimmten Refraktionsfehler zugeordnet, welcher durch das jeweilige Messglas bzw. die Einstellung des Phoropters korrigiert wird. Die vorstehend erläuterte subjektive Refraktionsbestimmung kann dabei getrennt für jedes Auge (monokular) oder auch für beide Augen gemeinsam (binokular) erfolgen. Verfahren und Vorrichtungen zur objektiven Refraktionsbestimmung benötigen keine Rückmeldung der zu untersuchenden Person über ihre visuelle Wahrnehmung. Es erfolgt eine Messung der Refraktionsfehler unter ggf. rechnerischer Aufbereitung aus den unmittelbar gemessenen Größen. Bspw. beschreibt die WO 2004/1 12576 A2 ein Verfahren und eine Vorrichtung zum Bestimmen eines Sehschärfemaßes auf der Basis eines gemessenen Wellenfrontfehlers. Das Sehschärfemaß wird dabei unter Verwendung einer Punktbildverwaschungsfunktion (Point Spread Function) aus dem Wellenfrontfehler niederer und höherer Ordnung berechnet. Die objektive Refraktionsbestimmung wird z.B. mit Hilfe von Autorefraktoren, Photorefraktoren, Wellenfrontanalysatoren, Retinoskopen etc. durchgeführt.
Die oben beschriebene Herangehensweise ist im Wesentlichen ortsfest, das heißt sie ist an die Räumlichkeiten des Augenoptikers oder Augenarztes gebunden, und benötigt einen entsprechend geschulten Augenoptiker oder Augenarzt, um die Refraktionsbestimmung durchzuführen. Refraktionsfehler zu bestimmen und gegebenenfalls adäquat zu korrigieren, beispielsweise durch die Verschreibung von Brillen. Eine anschauliche Erklärung der Unterschiede zwischen subjektiver Refraktion, objektiver Refraktion und Verordnung entnimmt man z.B.
,,https://de.wikipedia.org/wiki/Refraktion_(Augenoptik)", heruntergeladen am 21 .10.201 6.
Daten, welche die Ametropie (umgangssprachlich Fehlsichtigkeit) eines Auges beschreiben, werden im Rahmen dieser Beschreibung als Refraktionsdaten bezeichnet. Subjektive Refraktionsdaten sind dabei mittels subjektiver Refraktion gewonnene Daten, objektive Refraktionsdaten solche, die mittels objektiver Refraktionsbestimmung ermittelt worden sind. Die subjektiven Refraktionsdaten und/oder die objektiven Refraktionsdaten können bspw. in Form von Zernike-Koeffizienten, in der klassischen Notation Sphäre, Zylinder und Achse, wobei Sphäre den sphärischen Brechwert S, Zylinder den zylindrischen Brechwert C und Achse die Lage der Zylinderachse (Achslage) angeben, in der Power-Vektor-Schreibweise (SÄ, Jo, J45), wobei in SÄ das sog. sphärische Äquivalent, J0 die horizontale oder vertikale Komponente des Kreuzzylinders und J45 die zur horizontalen oder vertikalen Komponente unter einem Winkel von 45 0 bzw. 135° verlaufende Komponente des Kreuzzylinders bezeichnen, oder in einer anderen geeigneten Notation angegeben sein. Die Power-Vektoren-Komponenten SÄ, Jo und J45 stehen mit den Werten S, C und α für Sphäre, Zylinder und Achse über die Gleichungen SÄ= S+ 0, 5 - C
J0 = -0, 5 ' C' Cos(2«)
J45 = -0, 5 ' C' Sin(2«) in Beziehung.
Korrektionswerte sind Werte, die ein an die jeweils festgestellte Ametropie angepasstes Korrekturmittel wie bspw. ein Brillenglas charakterisieren und die in der klassischen Notation Sphäre, Zylinder und Achse zumindest den Wert S für die Sphäre enthalten. Falls die Ametropie einen Astigmatismus beinhaltet, enthalten die Korrektionswerte auch die Werte C und α für Zylinder und Achse. Darüber hinaus können die Korrektionswerte weitere Werte umfassen, etwa Prisma und dessen Basislage zur Korrektur von Strabismus (Schielen) und einen Wert der Addition (Nahzusatz) enthalten, der die Altersfehlsichtigkeit korrigiert. Die Ergebnisse der objektiven Refraktion und der subjektiven Refraktion können für sich oder in Kombination zur Bestimmung der Korrektionswerte der verordneten Brille (Synonyme: Verordnung, Brillenwerte, Korrektur, Rezeptwerte, Rezept, Verschreibung) verwendet werden. Wenn die mittels der objektiven oder subjektiven Refraktion gewonnenen objektiven oder subjektiven Refraktionsdaten in der Notation Sphäre, Zylinder und Achse vorliegen, können die objektiven oder subjektiven Refraktionsdaten direkt als Korrekturwerte herangezogen werden. Als objektive Korrektionswerte werden im Folgenden Korrektionswerte bezeichnet, die auf objektiven Refraktionsdaten basieren, und als subjektive Korrektionswerte solche, die auf subjektiven Refraktionsdaten basieren.
Seit geraumer Zeit existieren Ansätze, aus der Messung objektiver Refraktionsdaten des Auges Aussagen über die subjektiven Refraktionsdaten oder die subjektiven Korrektionswerte des Auges zu treffen. Dabei können Aberrationen niederer und/oder höherer Ordnung oder einer Kombination daraus verwendet werden.
Aus WO 2013/058725 A1 ist bekannt, dass aus Ergebnissen von objektiven Messungen der Aberrationen des Auges, welche Wellenfrontfehler des Auges charakterisieren, vorläufige subjektive Refraktionsdaten zu prognostizieren sind, die ein Augenoptiker oder ein Augenarzt als Ausgangspunkt für das Ermitteln subjektiver Refraktionsdaten heranziehen kann. Das Ermitteln der vorläufigen subjektiven Refraktionsdaten aus den objektiven Messungen der Aberrationen erfolgt dabei unter Verwendung eines linearen Gleichungssystems mit Koeffizienten, denen Skalierungsfaktoren zugeordnet sind, wobei die für das gemessene Auge geeigneten Werte für die Skalierungsfaktoren mit Hilfe eines Algorithmus ermittelt werden. Mittels des Gleichungssystems und der ermittelten Werte für die Skalierungsfaktoren werden dann die vorläufigen subjektiven Refraktionsdaten berechnet.
In WO 2008/049503 A2 ist ein Verfahren zum Ermitteln einer Brillenglasverschreibung beschrieben, in dem die Brillenglasverschreibung aus objektiven Refraktionsdaten oder eine Kombination aus objektiven Refraktionsdaten und ermittelten subjektiven Refraktionsdaten bestimmt wird.
Aus US 7,357,509 B2 sind Metriken bekannt, welche die subjektiven Auswirkungen einer Wellenfrontaberration des Auges prognostizieren. Die Metriken hängen von der Wellenfrontaberration oder von der Wellenfrontaberration und der neuronalen Transferfunktion ab. Insbesondere beschreibt US 7,357,509 B2 Metriken, in welche die neuronale Kontrastempfindlichkeit eingeht. Die Metriken können zum Bestimmen von prognostizierten Korrektionswerten zur Korrektur einer Ametropie herangezogen werden.
Aus US 2015/0346512 A1 ist ebenfalls ein Verfahren zum Ermitteln einer Brillenglasverschreibung, d.h. zum Ermitteln von Korrektionswerten zur Korrektur einer Ametropie, aus gemessenen Aberrationen des Auges anhand von die Sehqualität repräsentierenden Metriken bekannt. In US 2015/0346512 A1 wird der Metrik ein Term, hinzugefügt, der eine Bewertungsfunktion darstellt, die der Grad an Astigmatismuskorrektion in den prognostizierten Brillenglasverschreibungen berücksichtigt.
Die bisher verwendeten Metriken zur Berechnung von prognostizierten Korrektionswerten zur Korrektur einer Ametropie sind jedoch limitiert in der Berücksichtigung der sinnesphysiologischen Empfindung des Sehens. Meist wird nur eine physiologische Messgröße (die Kontrastempfindlichkeit) berücksichtigt. So wird bspw. in dem in US 7,357,509 B2 beschriebenen Verfahren teilweise die Kontrastempfindlichkeit zur Bestimmung der besten Korrektionswerte mit herangezogen. Die objektiven Refraktionsdaten werden hierbei bspw. mit einem einfachen Autorefraktor oder Wellenfrontaberrometer bestimmt. Eine Metrik aus US 7,357,509 B2 versucht, sowohl den optischen als auch den neuronalen Part der Abbildung zu modellieren, um aus objektiven Refraktionsdaten die bestmöglichen Korrektionswerte zu prognostizieren. Es ist jedoch bekannt, dass vor allem die Kontrastempfindlichkeit sehr starken individuellen Unterschieden unterliegt. Da insbesondere die neuronale Transferfunktion u.U. hochgradig nichtlinear und schwer zu beschreiben ist, sind die erzielten Ergebnisse unter Umständen ungenau. Zudem beschreibt die Berücksichtigung nur der Kontrastempfindlichkeit das Sehen als Kombination aus physikalischoptischen Eigenschaften und sinnesphysiologischen Empfindungen nicht hinreichend genau sofern keine individuelle CSF (contrast sensitivity function) Verwendung findet.
Die bisherigen Lösungen zur Berechnung prognostizierter subjektiver Refraktionsdaten oder prognostizierter subjektiver Korrektionswerte aus objektiven Messungen der Aberrationen des Auges unter Verwendung von Metriken sind daher entweder langwierig und/oder nicht hinreichend genau im Vergleich zur tatsächlichen Ermittlung der subjektiven Refraktionsdaten mittels eines Phoropters oder einer Messbrille.
Die DE 10 2014 226 824 A1 beschreibt ein Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells. Dazu werden neue oder erweiterte Trainingsdaten, die in der Regel negative Fallstudien repräsentieren, gesammelt. Dann wird eine Lernsoftware benutzt, um das Diagnosesystem mit Trainingsbeispielen repräsentierende Trainingsdaten zu trainieren. Zur Gestaltung einer Lernsoftware können sogenannte neuronale Netze verwendet werden. Aus WO 2005/079546 A2 ist eine Vorrichtung zum Ermitteln einer Korrelation zwischen subjektiven Korrektionswerten eines zu untersuchenden Auges und objektiven Refraktionsdaten des zu untersuchenden Auges bekannt. Zum Ermitteln der Korrelation kommt ein statistisches Modell zum Einsatz, das mittels eines neuronalen Netzwerks gewonnen worden ist. Gegenüber der WO 2005/079546 A2 als nächstkommendem Stand der Technik ist es eine Aufgabe der vorliegenden Erfindung, eine vorteilhafte Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten für ein Auge auf der Basis von objektiven Refraktionsdaten zur Verfügung zu stellen, die es ermöglicht, die Zuverlässigkeit der Berechnung der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte aus den objektiven Refraktionsdaten des Auges zu erhöhen.
Es ist eine weitere Aufgabe der vorliegenden Erfindung, ein vorteilhaftes Computerprogrammprodukt mit einer Software zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines zu untersuchenden Auges auf der Basis von objektiven Refraktionsdaten zur Verfügung zu stellen, das es insbesondere ermöglicht, die Zuverlässigkeit der Berechnung der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte aus den objektiven Refraktionsdaten des Auges zu erhöhen.
Die erste Aufgabe wird durch eine Vorrichtung nach Anspruch 1 gelöst, die zweite Aufgabe durch ein Computerprogrammprodukt nach Anspruch 9. Die abhängigen Ansprüche enthalten vorteilhafte Ausgestaltungen der Erfindung.
Die erfindungsmäße Lösung nutzt Verfahren des maschinellen Lernens. Durch Verwendung eines Trainingsdatensatzes von objektiven Refraktionsdaten mit zugeordneten erfassten subjektiven Refraktionsdaten bzw. zugeordneten erfassten subjektiven Korrektionswerte wird mittels eines Modells hinreichend großer Kapazität und vorzugsweise mit darauf abgestimmter Regularisierung, um Überanpassung (engl. Overfitting) zu vermeiden, eine nichtlineare mehrdimensionale Funktion oder eine Familie von nichtlinearen mehrdimensionalen Funktionen ermittelt, mit deren Hilfe dann aus objektiven Refraktionsdaten subjektive Refraktionsdaten bzw. subjektiven Korrektionswerte prognostiziert werden.
Eine erfindungsgemäße Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines zu untersuchenden Auges auf der Basis von objektiven Refraktionsdaten des zu untersuchenden Auges umfasst hierzu eine Auswerteeinheit, welche eine Berechnungseinheit umfasst, die die prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerte des Auges mittels einer Funktion aus den objektiven Refraktionsdaten des Auges berechnet. Die erfindungsgemäße Vorrichtung zeichnet sich dadurch aus, dass die Funktion eine nichtlineare mehrdimensionale Funktion oder eine Familie von nichtlinearen mehrdimensionalen Funktionen ist, welche das Ergebnis des Trainierens eines Regressionsmodells oder Klassifikationsmodells ist, das auf der Basis eines Trainingsdatensatzes, welcher für eine Vielzahl von Probanden jeweils zumindest ermittelte objektive Refraktionsdaten und zugeordnete, durch subjektive Refraktion ermittelte subjektive Refraktionsdaten bzw. zugeordnete, durch subjektive Refraktion ermittelte subjektive Korrektionswerte umfasst, trainiert worden ist. Im Falle des Klassifikationsmodells erhält man diskrete prognostizierte subjektive Refraktionsdaten bzw. diskrete prognostizierte subjektive Korrektionswerte.
Die Probanden können insbesondere eine Personengruppe sein, die einen repräsentativen Querschnitt der Bevölkerung bildet. Je größer die Personengruppe ist, desto genauer lassen sich später subjektiven Refraktionsdaten oder subjektiven Korrektionswerte aus gemessenen objektiven Refraktionsdaten prognostizieren. Wenn die Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten nur zur Korrektur eines bestimmten Refraktionsfehlers herangezogen werden soll, ist es vorteilhaft, statt einer einen repräsentativen Querschnitt der Bevölkerung bildenden Personengruppe, als Probanden eine Personengruppe mit dem entsprechenden Refraktionsfehler heranzuziehen. Dadurch kann die Zahl der Probanden im Vergleich zu Probanden, die einen repräsentativen Querschnitt der Bevölkerung bildenden, in dem der Refraktionsfehler nur bei einem Prozentsatz der Personen vorliegt, reduziert werden. Allerdings ist die nichtlineare mehrdimensionale Funktion oder die Familie von nichtlinearen mehrdimensionalen Funktionen dann eine für den Refraktionsfehler spezifische Funktion, die nicht allgemein eingesetzt werden kann. Insbesondere, wenn die spätere Ermittlung von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines zu untersuchenden Auges auf der Basis von objektiven Refraktionsdaten des zu untersuchenden Auges zykloplegisch erfolgen soll, kann die Messung an den Probanden ebenfalls zykloplegisch erfolgen. Zykloplegisch bedeutet dabei, dass die Fähigkeit des Auges zur Akkommodation während der Messung der objektiven Refraktionsdaten ausgeschaltet ist. Ist die Anzahl der Probanden groß genug besteht aber auch die Möglichkeit, mit der Vorrichtung die prognostizierten subjektiven Refraktionsdaten oder die prognostizierten subjektiven Korrektionswerte nicht-zykloplegisch, also ohne ausgeschaltete Akkommodation des Auges, zu ermitteln, selbst wenn die Messung der objektiven Refraktionswerte an der die Probanden bildenden Personengruppe zykloplegisch durchgeführt worden ist, da es eine große Anzahl an Probanden ermöglicht, die Wirkung der Akkommodation des Auges beim Trainieren des Regressionsmodells oder Klassifikationsmodells hinreichend genau mit zu modellieren. Selbstverständlich besteht auch die Möglichkeit, die Messung der objektiven Refraktionswerte an der die Probanden bildenden Personengruppe nicht-zykloplegisch vorzunehmen. Insbesondere liefert die nichtlineare mehrdimensionale Funktion oder die Familie von nichtlinearen mehrdimensionalen Funktionen auch Refraktionsdaten für Kinder, wenn diese nicht-zykloplegisch gemessen werden. Die mit der nichtlinearen mehrdimensionalen Funktion oder mit der Familie von nichtlinearen mehrdimensionalen Funktionen gewonnenen Refraktionsergebnisse sind zu Messungen bei Kindern, die unter Zykloplegie gemessen werden, vergleichbar.
Laut Enzyklopädie der Wirtschaftsinformatik - Onine-Lexikon; Heraus. Norbert Gronau, Jörg Becker, Karl Kurbel, Elmar Sinz, Leena Suhl (http://www.enzyklopaedie-der-wirtschaftsinformatik.de), Stand 27.09.2013 ist ein Klassifikationsmodell eine Abbildung, die die Zuordnung von Elementen zu vorgegebenen Klassen beschreibt. Im vorliegenden Fall erfolgt eine Zuordnung von objektiven Refraktionsdaten als den Elementen bzw. Datenobjekten zu subjektiven Refraktionsdaten als Klassen, wobei objektiven Refraktionsdaten bspw. in Form von Zernike-Koeffizienten und die jeweilige Klasse von subjektiven Refraktionsdaten bspw. in der klassischen Notifikation mit diskreten Werten für Sphäre, Zylinder und Achse gegeben sein können. Im Klassifikationsmodell unterscheiden sich die Klassen von subjektiven Refraktionsdaten in wenigstens einem der diskreten Werte für Sphäre, Zylinder und Achse voneinander. Anstatt durch diskrete Werte für Sphäre, Zylinder und Achse können die Klassen von subjektiven Refraktionsdaten aber auch durch andere diskrete, die subjektive Refraktion wiedergebende Angaben definiert werden, bspw. durch diskrete Werte von Powervektor-Koeffizienten. Bei der Zuordnung von Elementen bzw. Datenobjekten zu vorgegebenen Klassen ergibt sich die Klassenausprägung der diskreten Klassifikationsvariablen, im genannten Beispiel also der diskreten Werte für Sphäre, Zylinder und Achse, aus den Ausprägungen der Attribute der Datenobjekte, im genannten Beispiel also aus der Ausprägung der Zernike-Koeffizienten als Attribute der objektiven Refraktionsdaten. Die Grundlage für ein Klassifikationsmodell bildet ein Datenbestand, im vorliegenden Beispiel die an den Probanden gemessenen objektiven und subjektiven Refraktionsdaten, dessen Datenobjekte, die im genannten Beispiel durch die objektiven Refraktionsdaten gegeben sind, jeweils einer vorgegebenen Klasse, im genannten Beispiel also jeweils einer durch die Werte für Sphäre, Zylinder und Achse definierten Klasse von subjektiven Refraktionsdaten, zugeordnet sind. Ein Klassifikationsmodell wird zur Prognose der Klassenzugehörigkeit von Datenobjekten eingesetzt, deren Klassenzugehörigkeit bislang nicht bekannt ist, im vorliegenden Fall also zur Prognose der Zugehörigkeit von an einem Patienten gemessenen objektiven Refraktionsdaten zu einer durch die Werte für Sphäre, Zylinder und Achse definierten Klasse.
Im Unterschied zu einem Klassifikationsmodell wird mit einem Regressionsmodell wird eine abhängige, stetige Variable durch mehrere unabhängige Variablen erklärt. Es erfolgt im genannten Beispiel also keine Zuordnung der objektiven Refraktionsdaten zu Klassen von subjektiven Refraktionsdaten, die durch diskrete Werte für Sphäre, Zylinder und Achse definiert sind, sondern jeweils eine individuelle Zuordnung zu subjektiven Refraktionsdaten, die durch stetige Werte für Sphäre, Zylinder und Achse definiert sind. Mit einem Regressionsmodell kann somit ebenfalls zur Prognose des unbekannten Wertes der abhängigen Variablen durch die Ausprägungen der zugehörigen unabhängigen Variablen eingesetzt werden. Der Unterschied zu einem Klassifikationsmodells liegt in der Kardinalität der abhängigen Variablen. Bei einem Klassifikationsmodell liegt eine diskrete, bei einem Regressionsmodell eine stetige Variable vor. Die Auswerteeinheit kann insbesondere zum Verarbeitung von objektiven Refraktionsdaten in Form von objektiv ermittelten Wellenfrontfehlern, z.B. in Form von objektive Wellenfrontfehler angebenden Koeffizienten eines orthogonalen Funktionensystems, bspw. in Form von Zernike-Koeffizienten, ausgelegt sein. Zudem kann die Auswerteeinheit zum Ausgeben von prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerten in Form von Powervektor-Koeffizienten, in der klassischen Notifikation mit Sphäre, Zylinder und Achse oder in jeder anderen geeigneten Notation ausgelegt sein.
Bezüglich des Klassifikationsmodells oder Regressionsmodells kommen alle Ansätze in Frage, welche eine hinreichend hohe Performanz erzielen. Geeignete Ansätze sind beispielsweise lineare Regression auf nichtlinearen Merkmale (polynomielle Features, deep network features, etc.), neuronale Netzwerke, also Netzwerke aus künstlichen Neuronen, mit mehreren Schichten, Support Vector Regression mit nichtlinearen Kernels (z.B. Radial Basis Function Kernel), Entscheidungsbäume, Gauss Prozesse, Ensembling mehrerer Regressoren, etc. Eine Reformulierung des Regressionsmodells als Klassifikationsmodell - durch die Diskretisierung der Ausgabewerte wie zum Beispiel der Sphärenwerte - liefert eine äquivalente Lösung. Davon abgeleitet kommen alle Klassifikationsmethoden, die eine hinreichend hohe Performanz erzielen in Frage. Beispiele für denkbare Klassifizierungsmethoden sind: neuronale Netzwerke, Support Vektor Maschinen, Nächste Nachbarn, Lineare/Quadratische
Diskriminantenanalyse, Naive Bayes, Entscheidungsbäume, Gaussprozesse, Ensembling mehrerer Klassifizierer etc. Mit hinreichender Kapazität kann die Abbildung (objektive Refraktion— subjektive Refraktion; sowohl optisch als auch neuronal) erfasst werden, ohne dass das mechanistische Modell für den optischen und neuronalen Part bekannt sein müssen. Mit der erfindungsgemäßen Vorrichtung kann das Ermitteln prognostizierter subjektiver Refraktionsdaten bzw. prognostizierter subjektiver Korrektionswerte sehr schnell erfolgen, da keine Messung der Kontrastempfindlichkeit erforderlich ist. Zudem ermöglicht es die erfindungsgemäße Vorrichtung, mit der aus dem trainierten Regressionsmodell oder Klassifikationsmodell resultierenden nichtlinearen mehrdimensionalen Funktion bzw. der aus dem trainierten Regressionsmodell oder Klassifikationsmodell resultierenden Familie von nichtlinearen mehrdimensionalen Funktionen aus objektiven Refraktionsdaten eines Patienten zuverlässig subjektive Refraktionsdaten bzw. subjektive Korrektionswerte für den Patienten zu prognostizieren.
In die Prognose subjektiver Refraktionsdaten bzw. prognostizierter subjektiver Korrektionswerte geht u.a. die neuronale Transferfunktion ein, die wie eingangs erwähnt hochgradig nichtlinear ist. Ergebnisse, die unter Verwendung der Kontrastempfindlichkeit gewonnen wurden, sind daher ungenau, was auf die Nichtlinearität der neuronalen Transferfunktion zurückzuführen ist. Die Verwendung einer nichtlinearen mehrdimensionalen Funktion erlaubt es dagegen, prognostizierte subjektive Refraktionsdaten bzw. prognostizierte subjektive Korrektionswerte zuverlässig und genau zu berechnen. Das trainierte Modell, also die daraus resultierende nichtlineare mehrdimensionale Funktion bzw. Familie von nichtlinearen mehrdimensionalen Funktionen, erfasst dabei alle optischen und neuronalen Beiträge, welche über der von den Trainingsdatensätzen repräsentierten Messpopulation, d.h. der die Probanden bildenden Personengruppe, hinweg reproduzierbar sind. Dadurch, dass eine nichtlineare Funktion bzw. eine Familie von nichtlinearen Funktionen Verwendung findet, lässt sich die hochgradig nichtlineare neuronale Transferfunktion besonders gut beim Berechnen der subjektiven Refraktionsdaten bzw. subjektiven Korrektionswerte berücksichtigen. Die Multidimensionalität der nichtlinearen Funktion bzw. der Familie von nichtlinearen Funktionen ermöglicht es zudem, über eine Mehrzahl an Variablen eine Mehrzahl an optischen Aberrationen bei der Berechnung der subjektiven Refraktionswerte bzw. der subjektiven Korrektionswerte aus den objektiven Refraktionswerten zu berücksichtigen. Je mehr Variablen vorhanden sind, d.h. je höher die Dimension der der nichtlinearen Funktion bzw. der Familie von nichtlinearen Funktionen ist, desto mehr Aberrationen können berücksichtigt werden. Wenn die objektiven Refraktionsdaten bspw. in Form von Zernike-Koeffizienten gegeben sind, entspricht die Dimension der Anzahl der berücksichtigten Zernike-Koeffizienten. Um aus den objektiven Refraktionsdaten hinreichend genaue subjektiven Korrektionswerte zu berechnen, sollten wenigstens drei Variablen, also bspw. wenigstens drei Zernike-Koeffizienten, vorhanden sein, d.h. es sollte wenigstens eine dreidimensionale nichtlinearen Funktion bzw. eine Familie von dreidimensionalen nichtlinearen Funktionen vorhanden sein. Vorzugsweise sollten jedoch wenigstens zehn Variablen, also bspw. wenigstens zehn Zernike-Koeffizienten, vorhanden sein, d.h. es sollte wenigstens eine zehndimensionale nichtlinearen Funktion bzw. eine Familie von zehndimensionalen nichtlinearen Funktionen vorhanden sein. Besonders vorteilhaft ist es, wen die Anzahl der Variablen, also bspw. die Anzahl der verwendeten Zernike-Koeffizienten, zwischen 30 und 50 liegt, da dann eine sehr genaue Modellierung der optischen Aberrationen möglich ist.
Durch die mit der erfindungsgemäßen Vorrichtung bessere Berücksichtigung von physikalisch-optischen Eigenschaften und sinnesphysiologischen Empfindungen beim Sehen ist es darüber hinaus möglich, spezielle Korrektionswerte für unterschiedliche Sehanforderungen wie zum Beispiel das Sehen bei Nacht oder in der Dämmerung zu prognostizieren. Dies kann zum Beispiel dadurch erfolgen, dass beim Trainieren des Regressionsmodells Trainingsdatensätze Verwendung finden, bei denen die objektiven Refraktionsdaten für eine größere Pupille vorliegen und die durch subjektive Refraktion ermittelten subjektiven Refraktionsdaten bzw. die durch subjektive Refraktion ermittelten subjektiven Korrektionswerte solche subjektiven Refraktionsdaten bzw. subjektiven Korrektionswerte beinhalten, die für eine spezielle Korrektion (z.B. Nachtbedingungen) erforderlich sind. Hierzu kann die Auswerteeinrichtung insbesondere auch Pupillendurchmesserdaten des zu untersuchenden Auges berücksichtigen. In einer vorteilhaften Ausgestaltung umfasst die Auswerteeinrichtung das Regressionsmodell oder Klassifikationsmodell. Außerdem umfasst sie ein Trainingsmodul, mit dem das Regressionsmodell oder Klassifikationsmodell auf der Basis eines Trainingsdatensatzes, welcher für eine Vielzahl von Probanden jeweils ermittelte objektive Refraktionsdaten und zugeordnete, durch subjektive Refraktion ermittelte subjektive Refraktionsdaten bzw. zugeordnete, durch subjektive Refraktion ermittelte subjektive Korrektionswerte umfasst, zum Erhalt der nichtlinearen mehrdimensionalen Funktion bzw. der Familie von mehrdimensionalen Funktionen trainierbar ist. Insbesondere kann damit die mehrdimensionale Funktion bzw. die Familie von mehrdimensionalen Funktionen bei Bedarf weiter optimiert werden oder an spezielle Anforderungen angepasst werden, wenn die Auswerteeinrichtung eine mit dem Trainingsmodul verbundene Eingangsschnittstelle zum Empfang bzw. Eingeben von Trainingsdatensätzen umfasst. Mit den empfangenen Trainingsdatensätzen kann dann ein weiteres Trainieren des Regressionsmodells erfolgen.
In einer weiteren vorteilhaften Ausgestaltung umfasst die Auswerteeinrichtung eine auf das Regressionsmodell oder Klassifikationsmodell abgestimmte Regularisierungseinheit, um beim Trainieren Überanpassung (Overfitting) zu vermeiden. Einer Überanpassung würde dazu führen, dass die nichtlineare mehrdimensionale Funktion bzw. die Familie von nichtlinearen mehrdimensionalen Funktionen an statistische Schwankungen anstatt an den zugrundeliegenden statistischen Zusammenhang zwischen den objektiven Refraktionsdaten und den durch subjektive Refraktion ermittelten subjektiven Refraktionsdaten bzw. durch subjektive Refraktion ermittelten subjektiven Korrektionswerten angepasst wird. Um dies zu vermeiden, führt die Regularisierungseinheit eine Regularisierung durch, d.h. sie führt zusätzliche Informationen in das Training ein, mit denen eine Anpassung der nichtlinearen mehrdimensionalen Funktion bzw. der Familie von nichtlinearen mehrdimensionalen Funktionen an statistischen Schwankungen unterbunden wird. Die erfindungsgemäße Vorrichtung kann neben der Auswerteeinrichtung auch eine Refraktionsmessvorrichtung zum Bestimmen und Bereitstellen der objektiven Refraktionsdaten des zu untersuchenden Auges umfassen. Die Refraktionsmessvorrichtung kann dabei eine Ausgabeschnittstelle zum Ausgeben der objektiven Refraktionsdaten aufweisen, die mit einer entsprechenden Eingabeschnittstelle der Auswerteeinheit zum Empfang der objektiven Refraktionsdaten verbunden ist. Die Refraktionsmessvorrichtung kann zum Bestimmen der objektiven Refraktionsdaten auf Verfahren wie Autorefraktion, Photorefraktion, sowie auf Wellenfrontaberrometern oder anderen objektiven Refraktoren basieren.
Im Rahmen der erfindungsgemäßen Vorrichtung kann die nichtlineare mehrdimensionale Funktion bzw. die Familie von nichtlinearen mehrdimensionalen Funktionen auch dazu ausgelegt sein, die prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerte des Auges aus den objektiven Refraktionsdaten des Auges und dem Pupillendurchmesser des Auges zu berechnen, wobei der zum Trainieren verwendeten Trainingsdatensatz für jeden Probanden jeweils auch einen erfassten Pupillendurchmesser umfasst. Es ist dabei auch eine Option, dass die erfindungsgemäße Vorrichtung eine Pupillendurchmessermessvorrichtung zum Bestimmen des Pupillendurchmessers des zu untersuchenden Auges umfasst. Die Pupillendurchmessermessvorrichtung kann dabei zum Erstellen von einen gemessenen Pupillendurchmesser repräsentierenden
Pupillendurchmesserdaten ausgebildet sein und eine Ausgabeschnittstelle zum Ausgeben der Pupillendurchmesserdaten aufweisen, die mit einer entsprechenden Eingabeschnittstelle der Auswerteinrichtung zum Empfang der Pupillendurchmesserdaten verbunden ist.
Die erfindungsgemäße Vorrichtung kann insbesondere in ein optisches Beobachtungsgerät integriert sein, das ein Modul zur Refraktionsmessung umfasst. Derartige optische Beobachtungsgeräte können bspw. AutoRefraktoren, Aberrometer, Mikroskope, Operationsmikroskope, Fernrohre, Ferngläser, etc. sein. Die Erfindung stellt außerdem ein Computerprogrammprodukt mit Programmcode zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines Auges auf der Basis von objektiven Refraktionsdaten des Auges zur Verfügung. Als Computerprogrammprodukt ist dabei ein auf einem geeigneten Medium gespeicherter und/oder über ein geeignetes Medium abrufbarer Programmcode zu verstehen. Zum Speichern des Programmcodes kann jedes zum Speichern von Software geeignete Medium, beispielsweise eine DVD, ein USB-Stick, eine Flashcard oder dergleichen Verwendung finden. Das Abrufen des Programmcodes kann beispielsweise über das Internet oder ein Intranet erfolgen oder über ein anderes geeignetes drahtloses oder kabelgebundenes Netzwerk.
Der Programmcode des erfindungsgemäßen Computerprogrammprodukts ist derart ausgestaltet, dass das Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten mittels der nachfolgenden Verfahrensschritte erfolgt, wenn er in einem Computer geladen und/oder in einem Computer ausgeführt wird, nämlich:
Bereitstellen der objektiven Refraktionsdaten;
Berechnen der prognostizierten subjektiven Refraktionsdaten oder der prognostizierten subjektiven Korrektionswerte auf der Basis einer nichtlinearen mehrdimensionalen Funktion oder einer Familie von nichtlinearen mehrdimensionalen Funktionen, die das Ergebnis des Trainierens eines Regressionsmodells oder Klassifikationsmodells ist, wobei das Regressionsmodell oder Klassifikationsmodell auf der Basis eines Trainingsdatensatzes, welcher für eine Vielzahl von Probanden jeweils zumindest ermittelte objektive Refraktionsdaten und zugeordnete, durch subjektive Refraktion ermittelte subjektive Refraktionsdaten bzw. zugeordnete, durch subjektive Refraktion ermittelte subjektive Korrektionswerte umfasst, trainiert worden ist, und - Ausgeben der prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerte des Auges. Der Programmcode kann dabei das Regressionsmodell oder Klassifikationsmodell und einen optionalen Verfahrensschritt des Trainierens des Regressionsmodells oder Klassifikationsmodells auf der Basis eines Trainingsdatensatzes beinhalten. Der Programmcode kann insbesondere zum Empfang von objektiven Refraktionsdaten in Form objektiv ermittelter Wellenfrontfehler, z.B. in Form von objektive Wellenfrontfehler angebenden Koeffizienten eines orthogonalen Funktionensystems, etwa, in Form von Zernike-Koeffizienten, ausgelegt sein. Zudem kann er zum Ausgeben von prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerten in Form Powervektorkoeffizienten, in der klassischen Notifikation mit Sphäre, Zylinder und Achse oder in jeder anderen geeigneten Notifikation ausgelegt sein.
Um Überanpassung (Overfitting) beim Trainieren des Regressionsmodells zu vermeiden kann der Programmcode zudem eine auf das Regressionsmodell oder Klassifikationsmodell abgestimmte Regularisierung beinhalten. Mit anderen Worten, der Programmcode führt zusätzliche Informationen in das Training ein, die während des Trainings eine Anpassung der nichtlinearen mehrdimensionalen Funktion bzw. der Familie von nichtlinearen mehrdimensionalen Funktionen an statistische Schwankungen anstatt an den zugrundeliegenden statistischen Zusammenhang zwischen den objektiven Refraktionsdaten und den durch subjektive Refraktion ermittelten subjektiven Refraktionsdaten bzw. den durch subjektive Refraktion ermittelten subjektiven Korrektionswerten unterbinden. Der Programmcode kann so ausgestaltet sein, dass in dem Verfahrensschritt des Berechnens der prognostizierten subjektiven Refraktionsdaten oder der prognostizierten subjektiven Korrektionswerte neben den objektiven Refraktionsdaten des Auges auch der Pupillendurchmesser des Auges berücksichtigt wird. Der zum Trainieren des Regressionsmodells oder Klassifikationsmodells verwendete Trainingsdatensatz umfasst dann für jeden Probanden jeweils auch einen erfassten Pupillendurchmesser. Mittels des Computerprogrammprodukts kann eine erfindungsgemäße Vorrichtung mit Hilfe eines handelsüblichen Computers realisiert werden. Hinsichtlich der erzielbaren Vorteile wird daher auf die Vorteile der erfindungsgemäßen Vorrichtung verwiesen. Weitere Merkmale, Eigenschaften und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen unter Bezugnahme auf die beiliegenden Figuren.
Figur 1 zeigt eine Vorrichtung zum Ermitteln von subjektiven
Refraktionsdaten in Form eines Blockschaltbildes. Figur 2 zeigt eine schematische Darstellung des Ermitteins prognostizierter subjektiver Refraktionsdaten oder prognostizierter subjektiver Korrektionswerte eines zu untersuchenden Auges auf der Basis gemessener objektiver Refraktionsdaten des zu untersuchenden Auges. Nachfolgend wird unter Bezugnahme auf Figur 1 ein Ausführungsbeispiel für die erfindungsgemäße Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines zu untersuchenden Auges auf der Basis von ermittelten objektiven Refraktionsdaten des zu untersuchenden Auges erläutert. Die Figur zeigt eine Auswerteeinrichtung 1 , an die im vorliegenden Ausführungsbeispiel als optionale Ergänzungen eine Refraktionsmessvorrichtung 2 und eine
Pupillendurchmessermessvorrichtung 3 angeschlossen sind.
Die Auswerteeinrichtung 1 umfasst eine Eingangsschnittstelle 4 zum Empfangen objektiver Refraktionsdaten, die im vorliegenden Ausführungsbeispiel mit einer Ausgabeschnittstelle 5 der Refraktionsmessvorrichtung 2 verbunden ist. Über die Ausgabeschnittstelle 5 gibt die Refraktionsmessvorrichtung 2 objektive Refraktionsdaten aus, die die an einem Auge gemessenen objektiven Refraktionsdaten repräsentieren. Zum Ermitteln der objektiven Refraktionsdaten kommt im vorliegenden Ausführungsbeispiel ein Wellenfrontaberrometer zur Anwendung. Alternativ können aber auch Refraktionsmessvorrichtungen Verwendung finden, die auf Autorefraktion oder Fotorefraktion beruhen. Statt von einer Refraktionsmessvorrichtung 2 kann die Eingabeschnittstelle 4 die objektiven Refraktionsdaten aber auch von einem Datenspeicher, etwa einem USB- Stick, einer CD, einer DVD oder einer Speicherkarte, beziehen. Ebenso ist es möglich, die objektiven Refraktionsdaten aus einem Netzwerk zu beziehen bspw. aus dem Internet oder einem Intranet.
Die Auswerteeinrichtung 1 umfasst zudem eine weitere Eingangsschnittstelle 6, die mit einer Ausgangsschnittstelle 7 der Pupillendurchmessermessvorrichtung 3 verbunden ist, die bspw. auch in die Refraktionsmessvorrichtung 2 integriert sein kann. Die Eingangsschnittstelle 6 empfängt Pupillendurchmesserdaten, welche von der Pupillendurchmessermessvorrichtung über die Ausgabeschnittstelle 7 ausgegeben werden und welche den gemessenen Pupillendurchmesser des Auges repräsentieren. Auch hier gilt, dass die Eingabeschnittstelle 6 die Pupillendurchmesserdaten statt von einer
Pupillendurchmessermessvorrichtung 3 von einem Datenspeicher, etwa einem USB-Stick, einer CD, einer DVD oder einer Speicherkarte, beziehen kann. Ebenso ist es auch wieder möglich, die Pupillendurchmesserdaten aus einem Netzwerk zu beziehen bspw. aus dem Internet oder einem Intranet.
Außerdem umfasst die Auswerteeinrichtung 1 im vorliegenden Ausführungsbeispiel eine optionale weitere Eingabeschnittstelle 8, über die bei Bedarf Trainingsdatensätze in die Auswerteeinrichtung 1 eingegeben werden können. Die Bedeutung dieser Trainingsdatensätze wird später erläutert werden. Auch die Trainingsdatensätze können von einem Datenspeicher, etwa einem USB-Stick, einer CD, einer DVD oder einer Speicherkarte, oder aus einem Netzwerk, bspw. aus dem Internet oder einem Intranet, bezogen werden.
Als weitere Komponenten umfasst die Auswerteeinrichtung 1 im vorliegenden Ausführungsbeispiel ein Regressionsmodell 9, eine Berechnungseinheit 10, ein Trainingsmodul 12 zum Trainieren des Regressionsmodells 9 und eine Ausgabeschnittstelle 1 1 . Das Trainingsmodul 12 enthält im vorliegenden Ausführungsbeispiel zudem eine Regularisierungseinheit 13, um Überanpassung (Overfitting) während des Trainings des Regressionsmodells 9 zu vermeiden.
Die Berechnungseinheit 10 ist mit der Eingabeschnittstelle zum Empfangen objektiver Refraktionsdaten 4 sowie mit dem Regressionsmodell 9 verbunden. In der Berechnungseinheit 10 werden auf der Basis der empfangenen objektiven Refraktionsdaten die prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerte berechnet. Das Berechnungsergebnis wird dann über die Ausgabeschnittstelle 1 1 ausgegeben.
Das Berechnen der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte wird unter Bezugnahme auf das in Figur 2 dargestellte Blockdiagramm beschrieben. Das Berechnen erfolgt im vorliegenden Ausführungsbeispiel auf der Basis einer nichtlinearen mehrdimensionalen Funktion (Block 101 ), die durch Trainieren des Regressionsmodells 9 gewonnen wird bzw. gewonnen worden ist. Es besteht aber auch die Möglichkeit, das Berechnen auf der Basis einer durch Trainieren eines entsprechenden Regressionsmodells 9 gewonnenen Familie von nichtlinearen mehrdimensionalen Funktionen durchzuführen. Zum Trainieren des Regressionsmodells 9 werden im vorliegenden Ausführungsbeispiel über die Eingabeschnittstelle für Trainingsdatensätze 8 Trainingsdaten eingelesen (Block 102), welche für eine Messpopulation ermittelte objektive Refraktionsdaten und zugeordnete, durch subjektive Refraktion ermittelte subjektive Refraktionsdaten bzw. zugeordnete, durch subjektive Refraktion ermittelte subjektive Korrektionswerte enthalten. Die ermittelten objektiven Refraktionsdaten und die durch subjektive Refraktion ermittelten subjektiven Refraktionsdaten bzw. die durch subjektive Refraktion ermittelten subjektiven Korrektionswerte enthalten dabei für jede Person der Messpopulation einen ermittelten objektiven Refraktionsdatensatz und einen diesem objektiven Refraktionsdatensatz zugeordneten, durch subjektive Refraktion ermittelten subjektiven Refraktionsdatensatz und/oder einen diesem objektiven Refraktionsdatensatz zugeordneten, durch subjektive Refraktion ermittelten subjektiven Korrektionswertesatz. Im vorliegenden Ausführungsbeispiel liegen die ermittelten objektiven Refraktionsdaten in Form von Zernike-Koeffizienten und die ermittelten subjektiven Refraktionsdaten bzw. die ermittelten subjektiven Korrektionswerte in der Notifikation Sphäre, Zylinder und Achse gemäß der DIN EN ISO 13666-21 3 vor. Zudem enthalten die Trainingsdaten im vorliegenden Ausführungsbeispiel für jede Person der Messpopulation auch Daten über den gemessenen Pupillendurchmesser, welche den objektiven Refraktionsdaten zugeordnet sind. Die Trainingsdaten enthalten also eine in der Regel hohe Anzahl an Trainingsdatensätzen, die jeweils an einem Probanden ermittelte objektive Refraktionsdaten, den ermittelten Pupillendurchmesser sowie die durch subjektive Refraktion ermittelten subjektiven Refraktionsdaten bzw. die durch subjektive Refraktion ermittelten subjektiven Korrektionswerte repräsentieren.
Das Trainieren (Block 1 03) erfolgt im vorliegenden Ausführungsbeispiel mithilfe eines tiefen neuronalen Netzwerkes (Deep Neural Network (DNN)), mit dessen Hilfe die mittlere quadratische Abweichung zwischen den mit dem Regressionsmodell auf der Basis objektiver Refraktionsdaten prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerte einerseits und den für diese objektiven Refraktionsdaten durch subjektive Refraktion ermittelten subjektiven Refraktionsdaten bzw. durch subjektive Refraktion ermittelten subjektiven Korrektionswerten andererseits minimiert wird. Hierzu wird im vorliegenden Fall ein kleines Multi-Layered Feedforward Network mit einer einzigen linearen Ausgangseinheit verwendet. Das Netzwerk hat zwei versteckte Layer mit 1 28 bzw. 37 versteckten Einheiten und parametrische Nichtlinearitäten für einen Rectifier, wie dies in He, K. et al., „Delving deep into rectifiers: Surpassing human level Performance on ImageNet Classification", International Conference on Computer Vision, 201 5, http://doi.org/1 0.1 1 09/ICCV.201 5.123 beschrieben ist. Die anfänglichen Gewichte werden von einer Gau ß-Funktion mit einem Mittelwert von 0 und einer Standartabweichung von y/2/η bezogen, wobei n die Anzahl der eingehenden Verbindungen darstellt. Diese Vorgehensweise ist ebenfalls in He et al. beschreiben. Abwandlungen der Netzwerk-Architektur, d.h. Anzahl der Schichten, Anzahl der Neurone und Typ der Nichtlinearität sind prinzipiell veränderbar. Je nach Stärke der Veränderungen, kann dies Einfluss auf die Performanz (mittlerer quadratischer Fehler, Kostenfunktionen, etc.) haben. Ebenso sind auch alternative Initialisierungen der Netzwerkparameter denkbar. Alle Daten werden durch Abzug des Mittelwertes jeder Merkmalsdimension, die über den Trainingsdatensatz berechnet worden ist, vorbehandelt. Zum Trainieren des Netzwerkes kann bspw. RMSprop mit einer Lernrate von 0,001 verwendet werden, um die mittlere quadratische Abweichung zwischen den prognostizierten subjektiven Refraktionsdaten bzw. Korrektionswerte und den in den Trainingsdatensätzen enthaltenen durch subjektive Refraktion ermittelten subjektiven Refraktionsdaten bzw. Korrektionswerte zu minimieren. Diese Vorgehensweise ist von Hinton et al, „Neutral Networks for Machine Learning, Lecture 6, erhältlich auf „http:// www.cs.toronto.edu/~tijmen/csc321 /slides/lecture_slides_lec6.pdf", beschrieben. Um Überanpassung (Overfitting) zu vermeiden, werden im vorliegenden Beispiel kleine Gewichte im Netzwerk mittels L2 Regularisierung mit Lambda = 0,02 bevorzugt.
Als Alternative zum Trainieren mit einem DNN besteht die Möglichkeit, das Trainieren mittels eines elastischen Netzwerkes auf polynomialen Merkmalen (Elastic Net on Polynomial Features) durchzuführen. Hierzu wird beispielsweise eine lineare Regression mit einer Kombination einer L1 (Lasso) und einer L2 (Ridge) Regularisierung (elastisches Netzwerk) auf festgelegten Basisfunktionen durchgeführt. Die Basisfunktionen sind dabei durch eine polynomiale Kombination der Merkmale bis einschließlich der zweiten Ordnung gegeben. Hyperparameter, welche die Gesamtstärke er der Regularisierung und die relative Verteilung p von Lasso und Ridge steuern, können über eine Kreuzvalidierung auf dem Trainingsdatensatz eingestellt werden.
Als eine weitere Alternative besteht die Möglichkeit, das Trainieren auf der Basis einer Support Vector Regression mit einem radialen Basisfunktionskern (Support Vector Regression with Radial Basis Function Kernel) durchzuführen. Im Falle der Support Vector Regression kann eine Nichtlinearität dadurch erreicht werden, dass ein radialer Basisfunktionskern Verwendung findet. Die Optimierung der Hyperparameter kann dann mittels Kreuzvalidierung auf den Trainingsdaten durchgeführt werden. Anregungen für Werte von C und ε enthält Kaneko et al, „Fast Optimization of Hyperparameters for Support Vector Regression Models with Highly Predictive Ability", Chemometrics and Intelligent Laboratory Systems, 142, Seiten 64 bis 69.
Die genannten Methoden wurden getestet, indem eine zehnfache Kreuzvalidierung durchgeführt wurde. Das heißt, für jede Kombination an subjektiven Refraktionsdaten bzw. Korrektionswerte und für jeden der drei beschriebenen Ansätze zum Trainieren wurden 10 Modelle auf der Basis eines Datensatzes getestet, von dem 90 % als Trainingsdaten Verwendung fanden und die verbleibenden 10 % dazu verwendet wurden, die Genauigkeit der Ermittlung der prognostizierten subjektiven Refraktionsdaten bzw. Korrektionswerte aus den objektiven Refraktionsdaten zu überprüfen. Alle drei Verfahren zum maschinellen Lernen und die Überprüfung wurden in Python 2.7 implementiert. Für den neuronalen Netzwerkteil wurde die Deep Learning Library „keras" verwendet, für das elastische Netzwerk und die Support Vector Regression wurde„scikit-learn" verwendet.
Wieder mit Bezug auf Figur 2 werden also Trainingsdaten eingelesen (Block 102) und mit einem der oben genannten Verfahren, im vorliegenden Ausführungsbeispiel mit DNN, trainiert (Block 103). Das Ergebnis des Trainierens ist dann die mehrdimensionale nichtlineare Funktion (Block 101 ), die schließlich für das Berechnen der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte aus den objektiven Refraktionsdaten herangezogen wird (Block 104). Es sei an dieser Stelle angemerkt, dass das Trainieren des Regressionsmodells, um die nichtlineare mehrdimensionale Funktion zu erhalten, vorab durchgeführt werden kann, sodass dieser Schritt beim späteren Berechnen der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte aus den objektiven Refraktionsdaten (Block104) nicht erneut durchgeführt werden muss. Das Berechnen der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte erfordert dann lediglich ein Einlesen (Block 105) der objektiven Refraktionsdaten und, wenn die nichtlineare mehrdimensionale Funktion das Berücksichtigen des Pupillendurchmessers ermöglicht, ein Einlesen der Pupillendurchmesserdaten (Block 106). Da das Trainieren des Regressionsmodells (Block 103) nur einmal vorab zu erfolgen braucht, ist die Geschwindigkeit, mit der das Berechnen der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte aus den objektiven Refraktionsdaten und gegebenenfalls den Pupillendurchmesserdaten (Block 104) erfolgen kann, lediglich durch die Geschwindigkeit, mit der die Berechnung erfolgen kann, und damit durch die Rechenleistung der Vorrichtung begrenzt.
Die berechneten prognostizierten subjektiven Refraktionsdaten bzw. die berechneten prognostizierten subjektiven Korrektionswerte werden schließlich ausgegeben (Block 107). Auf der Basis dieser Daten kann dann ein Rezept für eine Brille, für Kontaktlinsen, für Intraokularlinsen, für die refraktive Chirurgie, etc. erstellt werden. Ebenso besteht die Möglichkeit, auf der Basis der ausgegebenen Daten eine chirurgische Korrektur der Refraktion des Auges vorzunehmen.
Obwohl das Trainieren (Block 103) des Regressionsmodells 9 in der Regel erfolgt, bevor die Vorrichtung zum Ermitteln der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte in der Praxis Verwendung findet, kann es vorteilhaft sein, wenn die Möglichkeit besteht, das Regressionsmodell 9 weiter trainieren zu können. Beispielsweise kann bei Vorhandensein zusätzlicher Trainingsdatensätze die Basis für das Ermitteln der nichtlinearen mehrdimensionalen Funktion verbreitert werden, wodurch die Möglichkeit besteht, die Zuverlässigkeit beim Ermitteln der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte aus den objektiven Refraktionsdaten weiter zu verbessern. Des Weiteren können zusätzliche Datensätze dazu bspw. dazu verwendet werden, regionale Unterschiede oder individuelle Unterschiede in verschiedenen Populationen zu berücksichtigen. Darüber hinaus besteht die Möglichkeit, den Einsatzbereich der Vorrichtung zu erweitern. Wenn die ursprünglichen Trainingsdaten beispielsweise keine Pupillendurchmesserdaten umfasst haben und die trainierte nichtlineare mehrdimensionale Funktion daher nicht in der Lage ist, den Pupillendurchmesser zu berücksichtigen, besteht die Möglichkeit, durch ein erneutes Trainieren mit Trainingsdatensätzen, welche auch Pupillendurchmesserdaten enthalten, erneut zu trainieren, um die Vorrichtung an einen neuen Einsatzbereich anzupassen, beispielsweise an das Ermitteln prognostizierten subjektiver Refraktionsdaten bzw. prognostizierten Korrektionswerte für die Nacht oder die Dämmerung.
Die Auswerteeinrichtung 1 der Vorrichtung zum Ermitteln prognostizierter subjektiver Refraktionsdaten bzw. prognostizierter subjektiver Korrektionswerte kann als ein speziell zu diesem Zweck geschaffenes Gerät realisiert sein. Es besteht aber auch die Möglichkeit, die Auswerteeinheit 1 durch einen handelsüblichen Computer zu realisieren. In diesem Fall sind die Eingangs- und Ausgangsschnittstellen 4, 6, 8, 1 1 als Datenschnittstellen realisiert und das Regressionsmodell 9 sowie die Berechnungseinheit 10 liegen in Form von Softwaremodulen vor, die durch Programmcode repräsentiert werden können. Der Programmcode kann dann als Computerprogrammprodukt auf einem Speichermedium gespeichert sein oder als Computerprogrammprodukt aus einem Netzwerk abrufbar sein.
Die erfindungsgemäße Vorrichtung zum Ermitteln prognostizierter subjektiver Refraktionsdaten bzw. prognostizierter subjektiver Korrektionswerte auf der Basis objektiver Refraktionsdaten kann in eine optische Vorrichtung, die die objektiven Refraktionswerte misst und dann auf Basis der berechneten prognostizierten subjektiven Refraktionsdaten eine Korrektur vornimmt, integriert werden. Die Korrektur kann dann manuell oder automatisch, einmalig oder wiederholend bzw. kontinuierlich und insbesondere in Echtzeit erfolgen. Eine solche Vorrichtung kann beispielsweise ein Refraktometer, ein Mikroskop, ein Operationsmikroskop, ein Teleskop, ein Fernglas, eine Datenbrille, eine subjektive Refraktionseinheit, etc. sein. Je nach optischem Gerät, in das die Vorrichtung zum Ermitteln prognostizierter subjektiver Refraktionsdaten bzw. prognostizierter subjektiver Korrektionswerte integriert ist, wird entweder die Auswerteeinheit alleine oder die Auswerteeinheit in Kombination mit der Refraktionsmessvorrichtung und/oder der Pupillendurchmessermessvorrichtung in das Gerät integriert. Ist die optische Vorrichtung beispielsweise ein Refraktometer, werden lediglich die Auswerteeinheit und gegebenenfalls die
Pupillendurchmessermessvorrichtung in das Refraktometer integriert. Ist die optische Einheit dagegen ein Operationsmikroskop, kann zudem auch noch die Refraktionsmessvorrichtung in das Operationsmikroskop integriert werden. Gleiches gilt für andere optische Geräte, die keine Refraktionsmessvorrichtung beinhalten.
Wenn die erfindungsgemäße Vorrichtung in ein Operationsmikroskop integriert ist, bietet dies die Möglichkeit, intraoperative objektive Messungen am Patienten vorzunehmen und auf der Basis der berechneten prognostizierten subjektiven Refraktionsdaten eine Beurteilung des Operationsergebnisses bzw. der letztendlich erreichten Refraktion vorherzusagen, beispielsweise bei der Implantierung von intraokularen Linsen (Intraokularlinsen, lOLs). Eine Messung der Refraktion kann insbesondere auch bei mobilen oder transportablen Geräten erfolgen. Hier ist in erster Linie an Smartphones oder Screening Geräte zu denken. Im Falle von Smartphones bietet sich die Implementierung der Erfindung in Form eines Computerprogrammprodukts, nämlich in Form einer App, an, die auf das Smartphone geladen werden kann.
Die vorliegende Erfindung wurde anhand eines Ausführungsbeispiels zu Erläuterungszwecken im Detail beschrieben. Ein Fachmann erkennt jedoch, dass von dem Ausführungsbeispiel abgewichen werden kann. So können beispielsweise statt der Zernike-Koeffizienten auf anderen Polynomen basierende Koeffizienten oder andere Wellenfrontaberrationen kennzeichnende Größen zum Beschreiben der objektiven Refraktionsdaten herangezogen werden. Denkbar ist beispielsweise Koeffizienten zu verwenden, die auf Bessel-Polynomen, Jacobi-Polynomen, Legendre- Polynomen oder anderen orthogonalen Polynomen basieren. Selbst die mathematische Beschreibung der objektiven Refraktionsdaten mittels Splines oder anderen Polynomen sind denkbar. Analog zur alternativen mathematischen Beschreibung der Eingangsdaten können auch alternative Formulierungen des Regressions- bzw. Klassifikationsmodells verwendet werden. Für ein gegebenes konkretes Modell sind insbesondere oft auch in einem gewissen Rahmen alternative Hyperparameter möglich, welche zu äquivalenten Lösungen führen. Die vorliegende Erfindung soll daher nicht auf das beschriebene Ausführungsbeispiel beschränkt sein, sondern lediglich durch die beigefügten Ansprüche.
Bezuqszeichenliste
1 Auswerteeinrichtung
2 Refraktionsmessvorrichtung
3 Pupillendurchmessermessvorrichtung
4 Eingangsschnittstelle
5 Ausgabeschnittstelle
6 Eingangsschnittstelle
7 Ausgangsschnittstelle
8 Eingangsschnittstelle
9 Regressionsmodell
10 Berechnungseinheit
1 1 Ausgabeschnittstelle
12 Trainingsmodul
13 Regularisierungseinheit
101 nichtlineare mehrdimensionale Funktion
102 Einlesen Trainingsdatensätze
103 Trainieren des Regressionsmodells
104 Berechnen der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte
105 Einlesen objektiver Refraktionsdaten
106 Einlesen von Pupillendurchmesserdaten
107 Ausgeben der prognostizierten subjektiven Refraktionsdaten bzw. der prognostizierten subjektiven Korrektionswerte

Claims

Patentansprüche
Vorrichtung zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines zu untersuchenden Auges auf der Basis von objektiven Refraktionsdaten des zu untersuchenden Auges mit einer Auswerteeinrichtung (1 ), welche eine Berechnungseinheit (10) umfasst, die die prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerte des Auges mittels einer Funktion (101 ) aus den objektiven Refraktionsdaten des Auges berechnet, wobei die Funktion das Ergebnis des Trainierens eines Regressionsmodells (9) oder Klassifikationsmodells ist, wobei das Regressionsmodell (9) oder Klassifikationsmodell auf der Basis eines Trainingsdatensatzes, welcher für eine Vielzahl von Probanden jeweils zumindest ermittelte objektive Refraktionsdaten und zugeordnete, durch subjektive Refraktion ermittelte subjektive Refraktionsdaten bzw. zugeordnete, durch subjektive Refraktion ermittelte subjektive Korrektionswerte umfasst, trainiert worden ist (103)
dadurch gekennzeichnet, dass
die Funktion eine nichtlineare mehrdimensionale Funktion (101 ) oder eine Familie von nichtlinearen mehrdimensionalen Funktionen ist.
Vorrichtung nach Anspruch 1 , dadurch gekennzeichnet, dass die nichtlineare mehrdimensionale Funktion (101 ) oder die Familie von nichtlinearen mehrdimensionalen Funktionen wenigstens eine dreidimensionale nichtlineare Funktion bzw. eine Familie von dreidimensionalen nichtlinearen Funktionen ist.
Vorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass die nichtlineare mehrdimensionale Funktion (101 ) oder die Familie von nichtlinearen mehrdimensionalen Funktionen wenigstens eine zehndimensionale nichtlineare Funktion bzw. eine Familie von zehndimensionalen nichtlinearen Funktionen ist. Vorrichtung nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Auswerteeinrichtung (1 ) das Regressionsmodell (9) oder Klassifikationsmodell umfasst und außerdem ein Trainingsmodul (12) umfasst, mit dem das Regressionsmodell (9) oder Klassifikationsmodell auf der Basis eines Trainingsdatensatzes, welcher für eine Vielzahl von Probanden jeweils ermittelte objektive Refraktionsdaten und zugeordnete, durch subjektive Refraktion ermittelte subjektive Refraktionsdaten bzw. zugeordnete, durch subjektive Refraktion ermittelte subjektive Korrektionswerte umfasst, zum Erhalt der nichtlineare mehrdimensionalen Funktion (101 ) bzw. der Familie von nichtlinearen mehrdimensionalen Funktionen trainierbar ist.
Vorrichtung nach Anspruch 4, dadurch gekennzeichnet, dass das Trainingsmodul (12) zudem eine auf das Regressionsmodell (9) oder Klassifikationsmodell abgestimmte Regularisierungseinheit (13) umfasst.
Vorrichtung nach Anspruch 4 oder Anspruch 5, dadurch gekennzeichnet, dass sie außerdem eine mit dem Trainingsmodul (12) verbundene Eingangsschnittstelle (8) zum Empfangen bzw. Eingeben von Trainingsdatensätzen umfasst.
Vorrichtung nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Auswerteeinrichtung (1 ) außerdem eine Refraktionsmessvorrichtung (2) zum Bestimmen und Breitstellen der objektiven Refraktionsdaten des zu untersuchenden Auges umfasst.
Vorrichtung nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die nichtlineare mehrdimensionale Funktion (101 ) bzw. die Familie von nichtlinearen mehrdimensionalen Funktionen dazu ausgelegt ist, die prognostizierten subjektiven Refraktionsdaten bzw. prognostizierten subjektiven Korrektionswerte des Auges aus den objektiven Refraktionsdaten des Auges und dem Pupillendurchmesser des Auges zu berechnen, wobei der zum Trainieren verwendeten Trainingsdatensatz für jeden Probanden jeweils auch einen erfassten Pupillendurchmesser umfasst.
Vorrichtung nach Anspruch 8, dadurch gekennzeichnet, dass sie außerdem eine Pupillendurchmessermessvorrichtung (3) zum Bestimmen des Pupillendurchmessers des zu untersuchenden Auges umfasst.
Optisches Beobachtungsgerät mit einer Vorrichtung nach einem der vorangehenden Ansprüche.
Computerprogrammprodukt mit Programmcode, zum Ermitteln von prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerten eines Auges auf der Basis von objektiven Refraktionsdaten des Auges mittels der nachfolgenden Verfahrensschritte, wenn der Programmcode in einem Computer geladen und/oder in einem Computer ausgeführt wird, nämlich:
Bereitstellen (105) der objektiven Refraktionsdaten (4);
Berechnen (104) der prognostizierten subjektiven Refraktionsdaten oder der prognostizierten subjektiven Korrektionswerte auf der Basis einer nichtlinearen mehrdimensionalen Funktion (101 ) oder einer Familie von nichtlinearen mehrdimensionalen Funktionen, die das Ergebnis des Trainierens eines Regressionsmodells (9) oder Klassifikationsmodells ist, wobei das Regressionsmodell (9) oder Klassifikationsmodell auf der Basis eines Trainingsdatensatzes, welcher für eine Vielzahl von Probanden jeweils zumindest ermittelte objektive Refraktionsdaten und zugeordnete, durch subjektive Refraktion ermittelte subjektive Refraktionsdaten bzw. zugeordnete, durch subjektive Refraktion ermittelte subjektive Korrektionswerte umfasst, trainiert worden ist, und Ausgeben (107) der prognostizierten subjektiven Refraktionsdaten oder prognostizierten subjektiven Korrektionswerte des Auges.
12. Computerprogrammprodukt nach Anspruch 1 1 , in dem der Programmcode außerdem einen optionalen Verfahrensschritt des Trainierens (103) des das Regressionsmodells (9) oder Klassifikationsmodells auf der Basis eines Trainingsdatensatzes beinhaltet.
13. Computerprogrammprodukt nach Anspruch 12, in dem der Programmcode außerdem Verfahrensschritte zum Durchführen einer auf das Regressionsmodell oder Klassifikationsmodell abgestimmten Regularisierung während des Trainierens (103) umfasst.
14. Computerprogrammprodukt nach einem der Ansprüche 1 1 bis 13, in der Programmcode für den Verfahrensschritt des Berechnens (104) der prognostizierten subjektiven Refraktionsdaten oder der prognostizierten subjektiven Korrektionswerte ein Berechnen der prognostizierten subjektiven Refraktionsdaten oder der prognostizierten subjektiven Korrektionswerte auf der Basis einer nichtlineare mehrdimensionale Funktion (101 ) oder einer Familie von nichtlinearen mehrdimensionalen Funktionen vorsieht, die neben den objektiven Refraktionsdaten des Auges auch den Pupillendurchmesser des Auges berücksichtigt, wobei der zum
Trainieren verwendeten Trainingsdatensatz für jeden Probanden jeweils auch einen erfassten Pupillendurchmesser umfasst.
PCT/EP2017/078161 2016-11-14 2017-11-03 Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten korrektionswerten und computerprogramm Ceased WO2018087002A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020197016402A KR102072637B1 (ko) 2016-11-14 2017-11-03 예측된 주관적 굴절력 데이터 또는 예측된 교정 값을 확인하기 위한 장치, 및 컴퓨터 프로그램
CN201780070361.5A CN109923618A (zh) 2016-11-14 2017-11-03 用于确定预测主观验光数据或预测矫正值的设备和计算机程序
JP2019522324A JP6672529B2 (ja) 2016-11-14 2017-11-03 予測自覚屈折データまたは予測矯正値を確定するための装置およびコンピュータプログラム
US16/404,991 US20190258930A1 (en) 2016-11-14 2019-05-07 Apparatus for ascertaining predicted subjective refraction data or predicted correction values, and computer program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP16198607.0A EP3321831B1 (de) 2016-11-14 2016-11-14 Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten subjektiven korrektionsdaten und computerprogramm
EP16198607.0 2016-11-14

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/404,991 Continuation US20190258930A1 (en) 2016-11-14 2019-05-07 Apparatus for ascertaining predicted subjective refraction data or predicted correction values, and computer program

Publications (1)

Publication Number Publication Date
WO2018087002A1 true WO2018087002A1 (de) 2018-05-17

Family

ID=57348474

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/078161 Ceased WO2018087002A1 (de) 2016-11-14 2017-11-03 Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten korrektionswerten und computerprogramm

Country Status (6)

Country Link
US (1) US20190258930A1 (de)
EP (1) EP3321831B1 (de)
JP (1) JP6672529B2 (de)
KR (1) KR102072637B1 (de)
CN (1) CN109923618A (de)
WO (1) WO2018087002A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018216295B4 (de) 2018-09-25 2022-05-05 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln eines Ansteuersignals zum Ansteuern eines Aktors

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11704600B2 (en) * 2019-06-27 2023-07-18 Microsoft Technology Licensing, Llc Multistage feed ranking system with methodology providing scalable multi-objective model approximation
US11950844B2 (en) * 2019-09-30 2024-04-09 Alcon Inc. Ocular aberrometer characterization systems and methods
CN112383829B (zh) * 2019-11-06 2022-06-24 致讯科技(天津)有限公司 一种体验质量测评方法及装置
AU2020409013B2 (en) * 2019-12-19 2026-03-26 Alcon Inc. Vision quality assessment based on machine learning model and wavefront analysis
CN111008945B (zh) * 2019-12-31 2024-03-29 哈工大机器人(中山)无人装备与人工智能研究院 基于机器学习的多像质参数自适应像差矫正方法及装置
DE102020101764A1 (de) * 2020-01-24 2021-07-29 Carl Zeiss Meditec Ag MACHINE-LEARNING BASIERTE BRECHKRAFTBESTIMMUNG FÜR MAßNAHMEN ZUR KORREKTUR DER SEHFÄHIGKEIT VON OCT BILDERN
CN111914995A (zh) * 2020-06-18 2020-11-10 北京百度网讯科技有限公司 正则化线性回归生成方法、装置、电子设备及存储介质
KR102878689B1 (ko) * 2020-06-18 2025-10-29 주식회사 엘지화학 굴절률 예측 방법
CA3186540A1 (en) * 2020-09-17 2022-03-24 Stephane Perrot A device and a computer-implemented method for determining a behavior of a target user
DE102020128958B4 (de) * 2020-11-03 2022-07-28 Rodenstock Gmbh Verfahren zum Bestimmen eines Brillenglases, Vorrichtung zum Bestimmen von individuellen biometrischen Daten sowie Vorrichtung zum Herstellen eines Brillenglases
DE102020128951B4 (de) * 2020-11-03 2022-07-28 Rodenstock Gmbh Verfahren zum Herstellen eines Brillenglases, Computerprogrammprodukt und Vorrichtung zum Bestimmen zumindest eines individuellen biometrischen Parameters
US20230081566A1 (en) * 2021-09-03 2023-03-16 Johnson & Johnson Vision Care, Inc. Systems and methods for predicting myopia risk
WO2023077411A1 (en) * 2021-11-05 2023-05-11 Carl Zeiss Vision International Gmbh Devices and methods for determining data related to a progression of refractive values of a person
DE102021213511A1 (de) 2021-11-30 2023-06-01 Carl Zeiss Meditec Ag Verfahren zum bestimmen eines ergebnisses einer postoperativen subjektiven refraktionsmessung
NL2035344B1 (en) * 2023-07-11 2025-01-24 Tianjin Eye Hospital Method for determining spectacle prescription based on diopter evaluation
CN120323913B (zh) * 2025-06-13 2025-09-19 湖南火眼医疗科技有限公司 一种波前像差与光学信号相结合的主观验光预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004112576A2 (en) 2003-06-20 2004-12-29 Visx, Incorporated Systems and methods for prediction of objective visual acuity based on wavefront measurements
WO2005079546A2 (en) 2004-02-20 2005-09-01 Ophthonix, Inc. System and method for analyzing wavefront aberrations
US7357509B2 (en) 2003-04-28 2008-04-15 University Of Rochester Metrics to predict subjective impact of eye's wave aberration
WO2008049503A2 (en) 2006-10-25 2008-05-02 Carl Zeiss Vision Gmbh Eyeglass prescription method
WO2013058725A1 (en) 2011-10-17 2013-04-25 Carl Zeiss Vision International Gmbh Statistical autorefractor
US20150346512A1 (en) 2013-02-11 2015-12-03 Carl Zeiss Vision International Gmbh Method and system for determining an eyeglass prescription
DE102014226824A1 (de) 2014-12-22 2016-06-23 Siemens Aktiengesellschaft Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724258A (en) 1996-05-09 1998-03-03 Johnson & Johnson Vision Products, Inc. Neural network analysis for multifocal contact lens design
US5839438A (en) 1996-09-10 1998-11-24 Neuralmed, Inc. Computer-based neural network system and method for medical diagnosis and interpretation
US7130835B2 (en) 2002-03-28 2006-10-31 Bausch & Lomb Incorporated System and method for predictive ophthalmic correction
EP3468445B1 (de) * 2016-06-14 2025-11-12 Plenoptika, Inc. Auf einer abstimmbaren linse basierte refraktive untersuchung

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7357509B2 (en) 2003-04-28 2008-04-15 University Of Rochester Metrics to predict subjective impact of eye's wave aberration
WO2004112576A2 (en) 2003-06-20 2004-12-29 Visx, Incorporated Systems and methods for prediction of objective visual acuity based on wavefront measurements
WO2005079546A2 (en) 2004-02-20 2005-09-01 Ophthonix, Inc. System and method for analyzing wavefront aberrations
WO2008049503A2 (en) 2006-10-25 2008-05-02 Carl Zeiss Vision Gmbh Eyeglass prescription method
WO2013058725A1 (en) 2011-10-17 2013-04-25 Carl Zeiss Vision International Gmbh Statistical autorefractor
US20150346512A1 (en) 2013-02-11 2015-12-03 Carl Zeiss Vision International Gmbh Method and system for determining an eyeglass prescription
DE102014226824A1 (de) 2014-12-22 2016-06-23 Siemens Aktiengesellschaft Verfahren zum Bereitstellen eines lernbasierten Diagnoseunterstützungsmodells für zumindest ein Diagnosesystem

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HE, K. ET AL.: "Delving deep into rectifiers: Surpassing human level performance on ImageNet classification", INTERNATIONAL CONFERENCE ON COMPUTER VISION, 2015
KANEKO ET AL.: "Fast Optimization of Hyperparameters for Support Vector Regression Models with Highly Predictive Ability", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, vol. 142, pages 64 - 69, XP029201987, DOI: doi:10.1016/j.chemolab.2015.01.001

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018216295B4 (de) 2018-09-25 2022-05-05 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln eines Ansteuersignals zum Ansteuern eines Aktors

Also Published As

Publication number Publication date
KR102072637B1 (ko) 2020-02-03
US20190258930A1 (en) 2019-08-22
EP3321831B1 (de) 2019-06-26
JP2019533516A (ja) 2019-11-21
EP3321831A1 (de) 2018-05-16
CN109923618A (zh) 2019-06-21
JP6672529B2 (ja) 2020-03-25
KR20190076044A (ko) 2019-07-01

Similar Documents

Publication Publication Date Title
EP3321831B1 (de) Vorrichtung zum ermitteln von prognostizierten subjektiven refraktionsdaten oder prognostizierten subjektiven korrektionsdaten und computerprogramm
DE102007032001B4 (de) Vorrichtung und Verfahren zur Bestimmung der erforderlichen Korrektur der Fehlsichtigkeit eines Auges
DE102019102373A1 (de) Verfahren, Softwareprodukt und System zur Refraktionsbestimmung auf einem mobilen Endgerät
EP2943114B1 (de) Aberrometer (o.ä.) mit astigmatischem target
DE102007032564A1 (de) Verfahren zum Überprüfen und/oder Bestimmen von Benutzerdaten, Computerprogrammprodukt und Vorrichtung
EP4304447B1 (de) Verfahren, vorrichtung und computerprogrammprodukt zum bestimmen einer sensitivität zumindest eines auges eines probanden
EP1641382A1 (de) Vorrichtung und verfahren zur bestimmung der fehlsichtigkeit eines optischen systems
WO2018077690A1 (de) Vorrichtungen, verfahren und computerprogramme zur bestimmung der refraktion des auges
EP2790566B1 (de) Universelle objektive refraktion
DE102021133152B4 (de) Verfahren, Vorrichtung und Computerprogrammprodukt zum Bestimmen einer Sensitivität zumindest eines Auges eines Probanden
EP3586721B1 (de) Verfahren zum optimieren eines optischen hilfsmittels mittels automatischer bestimmung subjektiver sehleistung
EP3972478B1 (de) Gemeinsame bestimmung von akkommodation und vergenz
WO2024056632A1 (de) Verfahren, verwenden von angepassten sehzeichen und vorrichtung zum bestimmen von sehschärfecharakteristika eines probanden
EP4241131A1 (de) Verfahren zur berechnung eines brillenglases basierend auf einem big data ansatz und auf maschinellem lernen
DE102020128951B4 (de) Verfahren zum Herstellen eines Brillenglases, Computerprogrammprodukt und Vorrichtung zum Bestimmen zumindest eines individuellen biometrischen Parameters
DE102024106838A1 (de) Verfahren und optische Vorrichtung zum Bestimmen von Sehschärfecharakteristika und/oder Refraktionscharakteristika eines Probanden

Legal Events

Date Code Title Description
DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17797299

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019522324

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20197016402

Country of ref document: KR

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 17797299

Country of ref document: EP

Kind code of ref document: A1