WO2021148517A1

WO2021148517A1 - Physikalisch motiviertes machine-learning-system für optimierte intraokularlinsen-kalkulation

Info

Publication number: WO2021148517A1
Application number: PCT/EP2021/051298
Authority: WO
Inventors: Hendrik BURWINKEL; Holger Matz; Stefan Saur; Christoph Hauger; Nassir Navab
Original assignee: Carl Zeiss Meditec Ag
Priority date: 2020-01-24
Filing date: 2021-01-21
Publication date: 2021-07-29
Also published as: US20230057389A1; DE102020101762A1

Abstract

Es wird ein Computer-implementiertes Verfahren zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse vorgestellt. Das Verfahren weist ein Erzeugen von ersten Trainingsdaten für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells für eine Brechkraft für eine Intraokularlinse und ein Trainieren des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für eine Brechkraftbestimmung auf. Weiterhin weist das Verfahren ein Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für die Brechkraftbestimmung und ein Bereitstellen von ophthalmologischen Daten eines Patienten und einer erwarteten Position der einzusetzenden Intraokularlinse auf. Darüber hinaus weist das Verfahren eine Vorhersage der Brechkraft der einzusetzenden Intraokularlinse mittels des trainierten maschinellen Lernsystems und dem zweiten Lernmodell auf. Dabei werden die bereitgestellten ophthalmologischen Daten und die Position der Intraokularlinse als Eingabewerte für das maschinelle Lernsystem mit dem zweiten Lernmodell genutzt.

Description

B E S C H R E I B U N G

PHYSIKALISCH MOTIVIERTES MACHINE-LEARNING-SYSTEM FÜR OPTIMIERTE INTRAOKULARLINSEN-KALKULATION

Gebiet der Erfindung

[0001] Die Erfindung bezieht sich auf eine Brechkraftbestimmung für eine Intraokularlinse und insbesondere auf ein Computer-implementiertes Verfahren zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse mittels Transfer-Learning, ein entsprechendes System sowie ein entsprechendes Computerprogrammprodukt zur Ausführung des Verfahrens.

Technischer Hintergrund

[0002] In der Augenheilkunde ist es in den letzten Jahren immer üblicher geworden, die biologische Linse eines Auges gegen eine künstliche Intraokularlinse (IOL) - beispielsweise bei (Alters-) Fehlsichtigkeit oder bei Katarakten - auszutauschen. Dabei wird die biologische Linse durch einen minimalinvasiven Eingriff aus dem Kapselsack herausgelöst und entfernt. Die, im Falle eines Kataraktes, getrübte Linse wird dann durch ein künstliches Linsenimplantat ersetzt. Dieses künstliche Linsenimplantat oder Intraokularlinse wird dabei in den dann leeren Kapselsack eingesetzt. Die Kenntnis der richtigen Position der Intraokularlinse und der erforderlichen Brechkraft bedingen sich gegenseitig.

[0003] In bekannten aktuell verfügbaren lOL-Kalkulationsformeln werden physikalische Modelle unterschiedlicher Komplexität verwendet (z.B. das Vergenz-Prinzip in der bekannten Haigis-Formel). Auf diese Weise ist es möglich, nicht nur datenbasiert, sondern mit Hilfe von physikalischem Vorwissen, eine präzisere lOL-Brechkraft-Bestimmung durchzuführen. Trotz einer etwas verbesserten Genauigkeit handelt es sich bei diesen Formeln immer um Näherungen, die derzeit die komplette Realität des biologischen Auges nicht abzubilden können. Mithilfe der Nutzung von Ray-Tracing-Verfahren lässt sich die Genauigkeit eines Modells noch weiter verbessern, da viele andere ältere Modelle nur in paraxialer Näherung arbeiten; doch auch hier fließen Näherungen über zum Beispiel die Form der brechenden Grenzflächen in das System ein. Physikalische Modelle lassen sich mit Hilfe diverser Parameter in Bezug auf eine Datenlage feinjustieren bzw. tunen. Ihr Aufbau und die Wahl dieser Parameter ist aber vom jeweiligen Entwickler vorzugeben und daher nicht zwingend die bestmögliche Darstellung. Eine optimale Anpassung des gesamten Systems lässt sich in dieser Form nur bedingt durchführen und ist durch das gewählte Modell in seiner Flexibilität eingeschränkt.

[0004] Ausgehend von den Nachteilen der bekannten Verfahren zur näherungsweisen Bestimmung einer korrekten Brechkraft für eine einzusetzende IOL besteht eine zugrunde liegende Aufgabe für das hier vorgestellte Konzept darin, ein Verfahren und ein System für verbesserte IOL-Brechkraftvorhersagen für eine Intraokularlinse anzugeben.

Übersicht über die Erfindung

[0005] Diese Aufgabe wird durch das hier vorgeschlagene Verfahren, das entsprechende System und das zugehörige Computerprogrammprodukt entsprechend den unabhängigen Ansprüchen gelöst. Weitere Ausgestaltungen werden durch die jeweils abhängigen Ansprüche beschrieben.

[0006] Entsprechend einem Aspekt der vorliegenden Erfindung wird ein Computer implementiertes Verfahren zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse vorgestellt. Das Verfahren kann ein Erzeugen von ersten Trainingsdaten für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells für eine Brechkraft für eine Intraokularlinse aufweisen. Zum Verfahren kann ein Trainieren des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für eine Brechkraftbestimmung und ein Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für eine Brechkraftbestimmung gehören.

[0007] Das Verfahren kann weiterhin ein Bereitstellen von ophthalmologischen Daten eines Patienten und einer erwarteten Position der einzusetzenden Intraokularlinse und ein Vorhersagen der Brechkraft der einzusetzenden Intraokularlinse mittels des trainierten maschinellen Lernsystems und dem zweiten Lernmodell aufweisen. Dabei können die bereitgestellten ophthalmologischen Daten und die Position als Eingabewerte für das maschinelle Lemsystem mit dem zweiten Lernmodell genutzt werden.

[0008] Gemäß einem anderen Aspekt der vorliegenden Erfindung wird ein System zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse vorgestellt. Das System kann ein Erzeugungsmodul, das angepasst ist zum Erzeugen von ersten Trainingsdaten für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells für die Brechkraft einer Intraokularlinse und ein erstes Trainingsmodul, aufweisen, das angepasst ist zum Trainieren des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für die Brechkraftbestimmung.

[0009] Weiterhin kann das System ein zweites Trainingsmodul, das angepasst ist zum Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lemmodells für die Brechkraftbestimmung, und ein Empfangsmodul, aufweisen, das angepasst ist zum Bereitstellen von ophthalmologischen Daten eines Patienten und einer erwarteten Position der einzusetzenden Intraokularlinse.

[0010] Darüber hinaus kann das System eine Vorhersageeinheit aufweisen, die angepasst ist zum Vorhersagen der Brechkraft der einzusetzenden Intraokularlinse mittels des trainierten maschinellen Lernsystems und dem zweiten Lernmodell. Dabei können die bereitgestellten ophthalmologischen Daten und die Position der Intraokularlinse als Eingabewerte für das maschinelle Lemsystem mit dem zweiten Lernmodell genutzt werden.

[0011] Darüber hinaus können sich Ausführungsformen auf ein Computerprogrammprodukt beziehen, auf welches von einem Computer-verwendbaren oder Computer-lesbaren Medium zugegriffen werden kann, das Programm-Code zur Nutzung durch, oder in Verbindung mit, einem Computer oder anderen Instruktionsverarbeitungssystemen aufweist. Im Kontext dieser Beschreibung kann ein Computer-verwendbares oder Computer-lesbares Medium jede Vorrichtung sein, die zur Speicherung, zum Kommunizieren, zur Weiterleitung oder zum Transport des Programm-Codes geeignet ist.

[0012] Das Computer-implementierte Verfahren zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse weist mehrere Vorteile und technische Effekte auf, die auch entsprechend für das zugehörige System gelten können: Ein Lernsystem für die Brechkraftbestimmung für eine einzusetzende Intraokularlinse, das ausschließlich auf verfügbaren klinischen ophthalmologischen Daten basiert, würde einerseits eine vergleichsweise lange Trainingszeit benötigen, und anderseits würden bekannte Eigenschaften von physikalischen Modellen nicht berücksichtigt werden können.

[0013] Das hiervorgestellte Verfahren nutzt dagegen das Beste aus beiden Welten: einerseits der Welt der physikalisch-mathematischen Modelle und andererseits aber auch die Welt der klinischen ophthalmologischen Daten. Dabei kann sich das vorgeschlagene Verfahren das Prinzip des Transfer-Learning doppelt zu Nutze machen. Einerseits kann das Prinzip des Transfer-Learning vom ersten Trainingsdurchlauf mit den ersten erzeugten Trainingsdaten zum zweiten Trainingsdurchlauf mittels Trainingsdaten aus einem zweiten, genaueren physikalischen Modell vorteilhafterweise eingesetzt werden. Andererseits kann es aber auch dort vorteilhafterweise eingesetzt werden, wo nur ein initialer Lernschritt, basierend auf durch ein physikalisches Modell erzeugte Trainingsdaten, genutzt wird und dann im Anschluss auf klinischen, ophthalmologischen Daten trainiert wird, um das zweite Lernmodell zu erzeugen, mit dem dann die Vorhersage der Brechkraft durchgeführt werden kann. Insbesondere wird durch das Vortraining auf einer großen, durch ein physikalisches Modell erzeugten, Datenmenge das System gezwungen, die physikalischen Zusammenhänge zu erkennen und dieses Vorwissen im Transferschritt auf die echten Daten zu überführen. Diese würden durch ihre begrenzte Menge und Messfehler ansonsten nicht ausreichen, um die Physik des unterliegenden Mechanismus präzise zu erfassen.

[0014] Das Vortraining auf physikalischen Daten erlaubt dabei auch ein Transfer-Training auf einem sehr kleinen realen Datensatz, da durch das Vortraining die Anfälligkeit für Overfitting reduziert wird. Normalerweise wären komplexe maschinelle Modelle ansonsten nicht für eine Vorhersage auf sehr kleinen Datensätzen geeignet, da sie durch Ihre starke Anpassungs fähigkeit zu wenig Daten für eine sinnvolle Generalisierung haben und so die Datengesamtheit schlecht abbilden.

[0015] Zusätzlich wird jeweils der Geschwindigkeitsvorteil ausgenutzt, der entsteht, wenn ein bereits trainiertes maschinelles Lernmodell durch bessere oder weitere Trainingsdaten erneut trainiert wird. Dies kann die gesamte Trainingszeit signifikant verkürzen, wodurch deutlich Rechenleistung gespart werden kann, und somit die vorhandenen Rechnerkapazitäten besser eingesetzt werden können.

[0016] Im Folgenden werden weitere Ausführungsbeispiele vorgestellt, die sowohl im Zusammenhang mit dem Verfahren, wie auch mit dem entsprechenden System, Gültigkeit haben können.

[0017] Gemäß einem vorteilhaften Ausführungsbeispiel des Verfahrens kann der Schritt des Trainierens des maschinellen Lernsystems zusätzlich ein Erzeugen von zweiten Trainingsdaten auf Basis eines zweiten physikalischen Modells für die Brechkraft für die Intraokularlinse, wobei das zweite physikalische Modell genauer ist als das erste Modell, aufweisen. Zusätzlich kann dieses Ausführungsbeispiel ein Trainieren des maschinellen Lernsystems, das bereits mit den ersten Trainingsdaten trainiert wurde, mittels der erzeugten zweiten Trainingsdaten zur Weiterentwicklung des ersten Lernmodells aufweisen.

[0018] Durch die Nutzung von Trainingsdaten eines zweiten physikalischen Modells, welches genauere Daten - d.h. eine bessere Näherung darstellt - für die Brechkraft der einzusetz enden IOL liefern kann, kann das hier vorgestellte Konzept zur Brechkraftbestimmung weiter verbessert werden. Dadurch, dass das Modell durch das erste Training auf der Basis des ersten physikalischen Modells bereits trainiert wurde, würde ein weiteres Training mit verbesserten Trainingsdaten eine vergleichsweise geringe Zeitspanne zum Training benötigen.

[0019] Ein weiterer Vorteil dieses iterativen Trainingsvorgehens besteht auch darin, dass in weiteren Schritten noch genauere physikalische Modelle verwendet werden können, um noch bessere Trainingsdaten zu erhalten. Auch hier würde das zu trainierende Lernmodel von dem Vortraining durch ungenauere physikalische Modelle zeitlich profitieren. Theoretisch ließen sich immer feinere physikalische Modelle für das Training bzw. zur Erzeugung von Trainingsdaten verwenden.

[0020] Gemäß einem weiteren Ausführungsbeispiel des Verfahrens kann das maschinelle Lernsystem ein neurales Netzwerk sein. Dabei kann es sich um ein Convolutional Neural Network (CNN) handeln. CNNs erweisen sich als besonders hilfreich, wenn es um eine Verarbeitung von Bilddaten geht, die zu klassifizieren sind. [0021] Alternativ könnten auch eventuell vorhandene zeitabhängige Daten aus 4D-Scans des Auges (drei Raumrichtungen und Veränderungen der Scan-Daten des Auges abhängig von der Zeit) verwendet werden. In diesem Fall könnte entweder als Ersatz für das oben genannte CNN oder in Ergänzung ein RNN (Recurrent Neural Network) verwendet werden.

[0022] Gemäß einem vorteilhaften Ausführungsbeispiel des Verfahrens können die ophthalmologischen Daten eines Auges mindestens eines aus der Gruppe aufweisen, die besteht aus einer axialen Länge, einer Vorderkammertiefe, einer Linsendicke, einer Hinterkammertiefe, einer Cornea-Dicke, einer Cornea-Keratometrie, einer Linsen- Äquatorialebene, Weiß-zu-Weiß-Abstand und einer Pupillengröße. Dabei versteht es sich, dass jeweilige numerische Werte der genannten Parameter gemeint sind. Diese Augenparameter lassen sich heutzutage elegant mittels eines Augenscans mit hoher Genauigkeit ermitteln.

[0023] Gemäß einem weiteren vorteilhaften Ausführungsbeispiel des Verfahrens kann das erste physikalische Modell durch ein mathematisches Modell bzw. eine Formel darstellbar sein. Damit würden Modelldaten einer Mehrzahl von hypothetischen Patienten als Basis für einen ersten Trainingsdurchlauf für das maschinelle Lernsystem genutzt werden können. Aus dem mathematischen Modell des physikalischen Modells lassen sich vorteilhafterweise elegant und ohne großen Rechenaufwand Trainingsdaten für das maschinelle Lernsystem erzeugen. Die erzeugten Daten können äquivalent zu klinischen ophthalmologischen Daten sein, d.h. , z.B. das gleiche Datenformat besitzen.

[0024] Alternativ kann bereits dieser Schritt des vorgeschlagenen Verfahrens auf der Basis eines Ray-Tracing-Modells oder auf der Basis eines anderen maschinellen Lernsystems Daten für das Training des vorschlaggemäßen Lernsystems ausgeführt werden.

[0025] Gemäß einem erweiterten Ausführungsbeispiel des Verfahrens kann das zweite physikalische Modell als ein mathematisches Modell oder als ein Ray-Tracing-Modell darstellbar sein. Folglich gibt es auch in der zweiten Stufe der Erzeugung von Trainingsdaten die Optionen unterschiedliche Verfahren einzusetzen, um verbesserte modellbasierte Trainingsdaten verfügbar zu machen. Dies kann den Spielraum bei einer Individualisierung des vorgeschlagenen Verfahrens für bestimmte Einsatzzwecke erweitern. [0026] Gemäß einem wiederum erweiterten Ausführungsbeispiel des Verfahrens können die klinischen ophthalmologischen Trainingsdaten manuell oder mittels eines dritten maschinellen Lernsystems bestimmt oder erzeugt werden. Manuell würde in diesem Zusammenhang bedeuten, dass sie mittels einer Augen-Scan-Vorrichtung vermessen würden. Im Gegensatz dazu wären die Trainingsdaten, die mittels eines dritten maschinellen Lernsystems erzeugt würden, eher künstlicher Natur, wobei es allerdings auch möglich wäre, eine vergleichsweise geringe Menge an klinischen ophthalmologischen Daten einzusetzen, um mittels des dritten, bereits trainierten, maschinellen Lernsystems eine größere Trainingsdatenmenge für den finalen Lernschritt bereitzustellen. Auf diese Weise wäre das hier vorgestellte Verfahren auch mit einer vergleichsweise geringen Menge an klinischen ophthalmologischen Daten einsetzbar, die normalerweise nicht ausreichen würden, um mittels des Transfer-Learning- Schrittes vom(n) physikalischen Modell(en) auf echte klinische Daten präzisiert zu werden.

Übersicht über die Figuren

[0027] Es sei darauf hingewiesen, dass Ausführungsbeispiele der Erfindung mit Bezug auf unterschiedliche Implementierungskategorien beschrieben sein können. Insbesondere sind einige Ausführungsbeispiele in Bezug auf ein Verfahren beschrieben, während andere Ausführungsbeispiele im Kontext von entsprechenden Vorrichtungen beschrieben sein können. Unabhängig davon ist es einem Fachmann möglich, aus der hier vorstehenden und nachfolgenden Beschreibung - wenn nicht anderweitig darauf hingewiesen - mögliche Kombinationen der Merkmale des Verfahrens sowie mögliche Merkmalskombinationen mit dem entsprechenden System zu erkennen und zu kombinieren, auch, wenn sie zu unterschiedlichen Anspruchskategorien gehören.

[0028] Bereits oben beschriebene Aspekte sowie zusätzliche Aspekte der vorliegenden Erfindung ergeben sich unter anderem aus den beschriebenen Ausführungsbeispielen und aus den zusätzlichen weiteren, durch Bezug auf die Figuren beschriebenen, konkreten Ausgestaltungen.

[0029] Bevorzugte Ausführungsbeispiele der vorliegenden Erfindung werden beispielhaft und mit Bezug auf die folgenden Figuren beschrieben: Fig. 1 stellt eine flussdiagrammartige Darstellung eines Ausführungsbeispiels des Computer-implementierten Verfahrens zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse dar.

Fig. 2 stellt ein Auge zusammen mit verschiedenen biometrischen Parametern des Auges dar.

Fig. 3 stellt einen schematischen Aufbau wesentlicher Funktionsblöcke des zugrundeliegenden vorgeschlagenen Verfahrens dar.

Fig. 4 zeigt eine schematische Darstellung für den Ablauf der Vorhersage der Brechkraft der IOL.

Fig. 5 stellt ein Diagramm des erfinderischen Vorhersagesystems dar.

Fig. 6 stellt ein Diagramm eines Computersystems dar, welches zusätzlich das System gemäß Fig. 5 ganz oder teilweise aufweisen kann.

Detaillierte Figurenbeschreibung

[0030] Im Kontext dieser Beschreibung sollen Konventionen, Begriffe und/oder Ausdrücke folgendermaßen verstanden werden:

[0031] Der Begriff „Intraokularlinse“ beschreibt eine künstliche Linse, die operativ anstelle der natürlichen, biologischen Linse in das Auge eines Patienten eingesetzt werden kann.

[0032] Der Begriff „maschinelles Lernsystem“ beschreibt ein System, das auch typischerweise einem Verfahren zugeordnet ist, welches aus Beispielen lernt. Dazu wird das maschinelle Lernsystem mit annotierten (d.h. auch Metadaten enthaltend) Trainingsdaten gefüttert, um bereits vorher festgelegte Ausgabewerte - im Falle eines Klassifikationssystems Ausgabeklassen - vorherzusagen. Wenn die Ausgabeklassen mit genügender Präzision - d.h. einer vorher bestimmten Fehlerrate - korrekt ausgegeben werden, bezeichnet man das maschinelle Lernsystem als trainiert. Es sind verschiedene maschinelle Lernsysteme bekannt. Dazu gehören neuronale Netzwerke, gefaltete neuronale Netzwerke (CNN = Convolutional Neural Network) oder auch rekurrente neuronale Netzwerke (RNN, Recurrent Neural Network).

[0033] Grundsätzlich ist der Begriff „Machine-Learning“ (bzw. maschinelles Lernen) ein Grundbegriff bzw. eine Grundfunktion aus dem Gebiet der künstlichen Intelligenz, wobei z.B. statistische Verfahren verwendet werden, um Computersystemen die Fähigkeit des „Lernens“ zu geben. Beispielsweise werden dabei bestimmte Verhaltensmuster innerhalb eines spezifischen Aufgabenbereiches optimiert. Die verwendeten Verfahren versetzen trainierte Systeme des maschinellen Lernens in die Lage, Daten zu analysieren, ohne, dass es dazu einer expliziten prozeduralen Programmierung bedarf. Typischerweise handelt es sich z.B. bei einem NN (neuronales Netzwerk) oder CNN (Convolutional Neural Network) um Beispiele für Systeme für maschinelles Lernen, um ein Netzwerk von Knoten zu bilden, welche als künstliche Neuronen agieren, und um künstliche Verbindungen zwischen den künstlichen Neuronen (sogenannte Links), wobei den künstlichen Verbindungen Parameter (z.B. Gewichtsparameter für die Verbindung) zugeordnet werden können. Während des Trainings des neuronalen Netzes passen sich die Gewichtsparameterwerte der Verbindungen automatisch auf Basis von Eingangssignalen zur Erzeugung eines gewünschten Ergebnisses an. Beim überwachten Lernen werden die als Eingabewerte (Trainingsdaten) gelieferten Bilder

- allgemein (Eingangs-)Daten - durch gewünschte Ausgabedaten (Annotationen) ergänzt, um einen gewünschten Ausgabewert (gewünschte Klasse) zu erzeugen. Ganz allgemein betrachtet, wird eine Abbildung von Eingangsdaten auf Ausgangsdaten gelernt.

[0034] Der Begriff „neuronales Netzwerk“ beschreibt ein Netzwerk aus elektronisch realisierten Knoten mit einem oder mehreren Eingängen und einem oder mehreren Ausgängen zur Durchführung von Rechenoperationen. Dabei sind ausgewählte Knoten mittels Verbindungen

- sogenannte Links oder Edges - miteinander verbunden. Die Verbindungen können bestimmte Attribute, zum Beispiel Gewichtsparameterwerte, aufweisen, durch die Ausgangswerte von vorangegangenen Knoten beeinflusst werden können.

[0035] Neuronale Netze sind typischerweise in mehreren Schichten aufgebaut. Es ist mindestens eine Eingangsschicht, eine verborgene Schicht und eine Ausgangschicht vorhanden. In einem einfachen Beispiel können Bilddaten der Eingangsschicht zugeführt werden, und die Ausgangsschicht kann Klassifikationsergebnisse bezüglich der Bilddaten aufweisen. Typische neuronale Netze weisen allerdings eine große Vielzahl von verborgenen Schichten auf. Die Art und Weise der Verbindung der Knoten mit Links hängt von der Art des jeweiligen neuronalen Netzes ab. Im vorliegenden Beispiel kann der Vorhersagewert des neuronalen Lernsystems die gesuchte Brechkraft der Intraokularlinse sein.

[0036] Der Begriff „rekurrentes neuronales Netzwerk“ bezeichnet neuronale Netze, die sich im Gegensatz zu den Feed-Forward-Netzen durch Verbindungen von Neuronen (d.h. Knoten) einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht auszeichnen. Im Gehirn ist dies die bevorzugte Verschaltungsweise neuronaler Netze, insbesondere im Neocortex. In künstlichen neuronalen Netzen werden rekurrente Verschaltungen von Modellneuronen benutzt, um zeitlich kodierte - d.h. dynamische - Informationen in den Daten zu entdecken. Beispiele für solche rekurrenten neuronalen Netze sind das Elman-Netz, das Jordan-Netz, das Hopfield-Netz, sowie das vollständig verschaltete neuronale Netz. Sie eigenen sich auch für die Untersuchung eines dynamischen Verhaltens in Aufnahmen von Augen, insbesondere für eine Berücksichtigung des Akkommodationsverhaltens des Auges.

[0037] Der Begriff „Convolutional Neural Network“ (CNN) - als ein Beispiel für einen Klassifikator/ein Klassifikatorsystem - beschreibt eine Klasse von künstlichen neuronalen Netzwerken, die auf Feed-Forward-Techniken basieren. Sie werden häufig für Bildanalysen mit Bildern, bzw. deren Pixeln, als Eingangsdaten eingesetzt. Hauptbestandteil von Convolutional Neural Networks sind dabei Faltungsschichten (daher der Name), welche eine effiziente Auswertung durch Parameter-Sharing ermöglicht. Im Gegensatz zum CNN würde in einem klassischen neuronalen Netzwerk typischerweise jeder Pixel des aufgenommenen Bildes einem künstlichen Neuron des neuronalen Netzwerkes als Eingangswert zugewiesen.

[0038] Der Begriff „Transfer-Learning“ (oder auch Curriculum-Learning) beschreibt im Kontext dieses Textes, dass ein einmal entwickeltes Lernmodell - entwickelt über ein Training des maschinellen Lernsystems mit den Trainingsdaten des physikalischen Modells - erneut trainiert wird. Dieses zweite Mal wird es zwar mit verwandten Daten trainiert; allerdings stammen diese Daten aus einer anderen Quelle als beim ersten Training. Sie können entweder aus klinischen ophthalmologischen Daten bestehen oder aus einem zweiten physikalischen Modell, das für eine höhere Genauigkeit der erzielten Ergebnisse bekannt ist. Dadurch wird ein zweites Lernmodell erzeugt, dass sowohl die physikalischen Modellparameter als auch die realen klinischen Daten in sich vereint. Das „Wissen“ des jeweils ersten Lernmodells wird also als Basis bzw. Ausgangspunkt für das Training zur Erzeugung des zweiten Lernmodells herangezogen. Der Lerneffekt des ersten Trainings kann so also auf den Lerneffekt des zweiten Trainings transferiert werden. Ein wesentlicher Vorteil besteht darin, dass das zweite Training vergleichsweise effektiver durchgeführt werden kann, wodurch Computerressourcen gespart werden können und wodurch das zweite Training schneller und gezielter abläuft.

[0039] Der Begriff „Parameterwert“ beschreibt geometrische bzw. biometrische Werte, bzw. ophthalmologische Daten eines Auges eines Patienten. Beispiele für Parameterwerte eines Auges werden anhand von Fig. 2 näher diskutiert.

[0040] Der Begriff „Scan-Ergebnis“ beschreibt digitale Daten, z.B. basierend auf digitalen Bildern/Aufnahmen, welche das Ergebnis einer OCT-Untersuchung (optische Kohärenz tomographie) an einem Auge eines Patienten darstellt.

[0041] Der Begriff „optische Kohärenztomographie“ (abgekürzt OCT = optical coherence tomopgraphy) beschreibt ein in der Augenheilkunde bekanntes bildgebendes Verfahren, um zwei- und dreidimensionale Aufnahmen (2D oder 3D) aus streuenden Materialien (beispiels weise biologisches Gewebe) in Mikrometerauflösung zu erhalten. Dabei werden im Wesent lichen eine Lichtquelle, ein Strahlenteiler und ein Sensor - beispielsweise in Form eines digitalen Bildsensors - eingesetzt. In der Ophthalmologie werden durch OCT räumliche Unterschiede im Reflexionsverhalten einzelner Netzhautschichten erfasst, und morphologische Strukturen können hochaufgelöst dargestellt werden.

[0042] Der Begriff „A-Scan“ (auch axialer Tiefenscan) beschreibt ein eindimensionales Ergebnis eines Scans eines Patientenauges, welches Aufschluss über geometrische Dimensionen und Orte von Strukturen innerhalb des Auges beschreibt.

[0043] Der Begriff „B-Scan “ beschreibt eine laterale Überlagerung mehrerer der genannten A- Scans, um einen Schnitt durch das Auge zu erzeugen. Durch eine Kombination von mehreren, so erzeugten, Schichten des Auges sind auch Volumenansichten erzeugbar. [0044] Der Begriff „en-face OCT“ beschreibt hier ein Verfahren zur Herstellung von transversalen Schnittbildern des Auges - im Gegensatz zu longitudinalen Schnittbildern mit den oben genannten A- bzw. B-Scans.

[0045] Der Begriff „dynamische Augendaten“ beschreibt eine Abfolge von einfachen Schnittbildern des Auges - meist an der gleichen Stelle - um dynamische, d.h. , zeitliche Veränderungen - z.B. die Adaptionsfähigkeit des Auges - zu erkennen.

[0046] Der Begriff „digitales Bild“ - z.B. aus einem Scan - beschreibt hier eine Abbildung oder das Ergebnis einer Erzeugung einer Datenmenge in Form von Pixel-Daten eines real existierenden Gegenstandes: hier beispielsweise eine Retina eines Auges. Verallgemeinert kann ein „digitales Bild“ als eine zweidimensionale Signalmatrix verstanden werden. Die Einzelvektoren der Matrix lassen sich auch aneinander fügen, um so einen Eingangsvektor für eine Schicht eines CNN zu erzeugen. Die digitalen Bilder können auch einzelne Frames von Videosequenzen sein.

[0047] Der Begriff „klinische ophthalmologische Trainingsdaten“ - beschreibt Daten über Patientenaugen und bereits bei diesen Patienten in der Vergangenheit eingesetzte Intraokularlinsen. Zu den klinischen ophthalmologischen Trainingsdaten können ermittelte ophthalmologische Parameterwerte, wie auch die Brechkraft und die Position der eingesetzten Linse, gehören. Diese Daten werden zu Trainingszwecken des maschinellen Lernsystems, das bereits vorher auf Basis von Daten aus einem physikalischen Modell trainiert wurde, genutzt. Die klinischen ophthalmologischen Trainingsdaten sind in der Regel annotiert.

[0048] Der Begriff „erste Trainingsdaten“ beschreibt Daten mit denen das maschinelle Lernsystem trainiert werden kann. Diese ersten Trainingsdaten werden auf Basis eines physikalischen Modells des Auges erzeugt. Das Ergebnis des Trainings kann das erste Lernmodell des maschinellen Lernsystems sein. Die so erstellten ersten Trainingsdaten werden mittels des physikalischen Modells quasi zufällig erzeugt (d.h., durch eine statistische Variation von unabhängigen Variablen, ggfs auch durch zusätzliche Randparameter); zusätzlich werden Label bzw. Annotationen erzeugt, die die aus dem physikalischen Modell errechnete Brechkraft für dieses bestimmte Auge angibt. [0049] Der Begriff „physikalisches Modell“ bezieht sich auf eine mathematische Formel, welche verschiedene Parameter eines Auges in Beziehung zueinander setzt, um Brechkraftbestimmungen vorzunehmen. Bekannte Formel sind die von Haigis und die Universal Barrett II Formel. Außerdem ließe sich ein Ray-Tracing-Verfahren verwenden.

[0050] Der Begriff „Brechkraft einer Intraokularlinse“ beschreibt den Brechungsindex der IOL.

[0051] Im Folgenden wird eine detaillierte Beschreibung der Figuren angegeben. Dabei versteht es sich, dass alle Details und Anweisungen in den Figuren schematisch dargestellt sind. Zunächst wird ein Blockdiagramm eines Ausführungsbeispiels des erfindungsgemäßen Computer-implementierten Verfahrens zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse dargestellt. Nachfolgend werden weitere Ausführungsbeispiele, bzw. Ausführungsbeispiele für das entsprechende System beschrieben:

[0052] Fig. 1 stellt eine flussdiagrammartige Darstellung eines Ausführungsbeispiels des erfinderischen Computer-implementierten Verfahrens 100 zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse - insbesondere einzusetzen in ein menschliches Auge - dar. Das Verfahren 100 weist ein Erzeugen 102 von ersten Trainingsdaten für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells für eine Brechkraft für eine Intraokularlinse auf. Dadurch werden Trainingsdaten künstlich auf der Basis einer mathematischen Formel, die das physikalische Modell darstellen, erzeugt.

[0053] Dann weist das Verfahren 100 ein Trainieren 104 des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für die Brechkraft-bestimmung auf. Bei dem maschinellen Lernsystem kann es sich um ein neuronales Netzwerksystem handeln. Durch die Nutzung der Trainingsdaten aus dem physikalischen Modell - oder aus mehreren physikalischen Modellen - wird theoretisches Know-how für die Bestimmung der Brechkraft der IOL genutzt. Dieses theoretische Know-how manifestiert sich durch das Trainieren in dem ersten Lemmodell.

[0054] Weiterhin weist das Verfahren 100 ein Trainieren 106 des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für die Brechkraftbestimmung auf. Auf diese Weise werden Erfahrungswerte aus früheren Operationen - insbesondere von eingesetzten Intraokularlinsen - genutzt. Dieses Know-how manifestiert sich dann durch den zweiten Trainingsschritt in dem zweiten Lernmodell, das auf dem ersten Lernmodell aufsetzt, welches mit theoretischen Daten trainiert wurde. An dieser Stelle kommen die Vorteile des Transfer-Learning zu Tragen. Das Datenformat der Trainingsdaten für die Erzeugung des ersten Lernmodells und die Trainingsdaten für die Erzeugung des zweiten Lernmodells sollten grundsätzlich vergleichbar sein.

[0055] Auf diese Weise wird es ermöglicht, sowohl physikalisches Vorwissen als auch reale Daten optimal für das Training des maschinellen Lernsystems zu nutzen, um so die IOL- Brechkraftvorhersage zu verbessern. Das Modell kann sich in seiner Gesamtheit unter Berücksichtigung eines komplexen physikalischen Vorwissens bestmöglich an die Datenlage aus den praktischen klinischen Daten anpassen.

[0056] Anschließend werden bei dem Verfahren 100 ophthalmologische Daten eines Patienten und eine erwartete Position der einzusetzenden Intraokularlinse bereitgestellt, 108. Potenziell abschießend weist das Verfahren 100 ein Vorhersagen 110 (im Englischen „inference“ ) der Brechkraft der einzusetzenden Intraokularlinse mittels des trainierten maschinellen Lernsystems mit dem zweiten Lernmodell auf. Dabei werden die bereitgestellten ophthalmologischen Daten und eine Position der Intraokularlinse als Eingabewerte für das maschinelle Lernsystem mit dem zweiten Lernmodell genutzt. Die bestimmte Brechkraft kann auch angezeigt oder anderweitig ausgegeben werden. Die Position der Linse im Auge des Patienten kann anderweitig bestimmt werden.

[0057] Fig. 2 stellt ein Auge 200 mit verschiedenen biometrischen bzw. ophthalmologischen Parametern eines Auges dar. Insbesondere sind folgende Parameter dargestellt: axiale Länge 202 (AL, axial length), vordere Kammerdicke 204 (ACD, anterior chamber depth), Keratometriewert 206 (K, Radius), Brechkraft der Linse Power), Linsendicke 208 (LT, lense thickness), zentrale Korneadicke 210 (CCT, central cornea thickness), Weiß-zu-Weiß-Abstand 212 (WTW, white-to-white distance), Pupillengröße 214 (PS, pupil size), hintere Kammertiefe 216 (PCD, posterior chamber depth), Retinadicke 218 (RT, retina thickness). Mindestens einer dieser Parameter ist sowohl in den ophthalmologischen Trainingsdaten als auch in den ophthalmologischen Daten eines Patienten enthalten, die jeweils in dem Gegenstand des hier vorgestellten Konzeptes enthalten sind. [0058] Fig. 3 stellt einen schematischen Aufbau 300 wesentlicher Funktionsblöcke, die für die Ausführung des vorgeschlagenen Verfahrens hilfreich sind, dar. Zunächst wird ein geeignetes physikalisches Modell 302 des Auges für eine Brechkraftbestimmung ausgewählt. Hiermit werden Trainingsdaten dadurch erzeugt, dass ein oder mehrere Parameter des Modells variiert werden und andere Paramater errechnet werden. Somit wird eine Mehrzahl von Tuplen von Parameterwerten bzw. ersten Trainingsdaten 304 auf einer theoretischen Basis generiert. Mit diesen Daten wird das maschinelle Lernsystem trainiert, sodass das erste Lernmodell entsteht. Es kann sich um ein neuronales Netzwerksystem handeln, dessen Hyperparameter vordefiniert sind und dessen variable Parameterwerte sich durch das Training an die Datenlage anpassen.

[0059] Optional kann ein zweites physikalisches Modell 306 genutzt werden, um zusätzliche Trainingsdaten 308 zu generieren. Dabei sollte das zweite physikalische Modell 306 optional so gewählt sein, dass es bessere bzw. genauere Ergebnisse für die Brechkraftbestimmung liefern kann. Die so generierten zusätzlichen Trainingsdaten 308 können genutzt werden, das bereits trainierte (erste) maschinelle Lernsystem 310 erneut zu trainieren (zusätzliches Training 312), sodass auf diese Weise das theoretische Know-how der beiden physikalischen Modelle im Lernsystem 1a abgebildet sind und für eine Brechkraftvorhersage genutzt werden können.

[0060] In beiden Fällen wird das trainierte maschinelle Lernsystem 1 (oder 1a) genutzt, um erneut mit klinischen ophthalmologischen Daten trainiert, 314, zu werden. Auch hier findet wieder ein Transfer-Learning-Schritt statt, sodass nun das physikalische Modell (mindestens das erste, evtl auch das zweite) und die praktischen, klinischen Daten in dem 2. Lemmodell 316 manifestiert sind. Auf dieser Basis kann nun eine optimierte Brechkraftbestimmung (nicht dargestellt) erfolgen.

[0061] Mit anderen Worten wird zunächst mithilfe physikalischer Modelle ein maschinelles Lernsystemmodell erstellt, das das bekannte physikalische Vorwissen inkorporiert. Dies kann geschehen, indem zum Beispiel das maschinelle Lernsystem auf Simulationsdaten vortrainiert wird, oder das Training selbst kann physikalische Randbedingungen enthalten (constraint based training). Anschließend wird das Lernmodell mithilfe realer klinischer ophthalmolo- gischer Daten an echte anatomische Variationen angepasst. Hierbei ermöglicht der gewählte Ansatz eine selbst erlernte Optimierung für das gesamte maschinelle Lernsystem auf eine beliebige Datenlage (z.B. Post-LASIK-Operationen). Hierbei kann für jeden Arzt bzw. jedes Klinikum explizit eine Anpassung vorgenommen werden. In der Anwendungsphase des maschinellen Lernsystems werden dann reale biometrische Daten als Eingabewerte für das maschinelle Lernsystem genutzt, um so die optimierte Intraokularlinsenbrechkraft zu bestimmen bzw. vorherzusagen.

[0062] Die Formulierung eines physikalischen Modells wird in die reine Parameterform eines neuronalen Netzwerkes überführt. Dieses kann sich dann in einer zweiten Trainingsphase selbstständig und bestmöglich an eine reale Datenstruktur anpassen. Mithilfe des optischen physikalischen Modells können somit eine beliebige Anzahl an Trainingsdaten erzeugt werden. Diese enthalten die Parameter des Augenmodells sowie die zugehörige IOL-B rech kraft als sogenannter Ground Truth. Mithilfe des Konzeptes „Transfer-Learning“ kann das so trainierte Modell an ein komplexeres, physikalisches Modell weitergegeben werden, das nach dem gleichen Konzept Trainingsdaten erzeugt. Somit besitzt das neuronale Netzwerk bereits vortrainierte künstliche Neuronen und kann sich so schneller und leichter an das stärkere bzw. bessere physikalische Modell anpassen. Dieses Curriculum-Learning kann bis zu einem Modell beliebiger Stärke fortgeführt werden (z.B. ein Ray-Tracing-Modell).

[0063] Im letzten Schritt wird dann das Lernmodell durch reale biometrische Daten von Patienten Augen „feinge-tuned“, wobei die dabei tatsächlich verwendeten lOL-Brechkräfte als Ground Truth verwendet werden. Somit kann das trainierte Modell in der Prädikationsphase die Vorhersage der final nötigen IOL- Brechkraft durchführen. In der Realität zeigt sich, dass, je mehr reale Daten (klinisch ophthalmologische Daten) zur Verfügung stehen, sich das maschinelle Lernsystem umso stärker in Bezug auf diese Daten optimieren lässt. Daher lässt sich das Lernmodell entsprechend der Datenlage sukzessive weiterentwickeln sowie auf verschiedene reale Datensätze anpassen.

[0064] Fig. 4 zeigt eine schematische Darstellung 400 für den Ablauf der Vorhersage (Prädikationsphase) der Brechkraft der einzusetzenden Intraokularlinse. Als Eingangs parameter 406 für das zweite Lernmodell des maschinellen Lernsystems werden ophthalmologische Daten 402 des Patienten, der die IOL eingesetzt bekommen soll, ermittelt. Diese können durch einen Augen-Scan quasi manuell ermittelt werden. Außerdem wird die erwartete IOL-Position 404 im Auge - im Wesentlichen der Abstand zur Cornea in der Vorderkammer - als Eingabeparameter 406 genutzt. Mittels des zweiten Lernmodell kann nun zuverlässig die Brechkraft dadurch bestimmt bzw. vorhergesagt werden (408), dass sowohl das Wissen des/der physikalischen Modells/e als auch die praktischen Erfahrungen, die durch die klinischen ophthalmologischen Daten manifestiert sind, verwendet werden.

[0065] Fig. 5 stellt - der Vollständigkeit halber - ein bevorzugtes Ausführungsbeispiel von Komponenten des Systems 500 zur Brechkraftbestimmung dar, die das Trainieren des maschinellen Lernsystems des vorgeschlagenen Verfahrens 100 unterstützen und die auch in der operativen Phase des Verfahrens zum Einsatz kommen. Das System zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse weist ein Erzeugungsmodul 502 auf, das angepasst ist zum Erzeugen von ersten Trainingsdaten für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells für die Brechkraft für eine Intraokularlinse.

[0066] Das System 500 weist weiterhin ein erstes Trainingsmodul 504 auf, welches angepasst ist zum Trainieren des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für die Brechkraftbestimmung.

[0067] Ein zweites Trainingsmodul 506, ist angepasst ist zum Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für die Brechkraftbestimmung.

[0068] Zusätzlich weist das System 500 ein Empfangsmodul 508 auf, das angepasst ist zum Bereitstellen von ophthalmologischen Daten eines Patienten und einer erwarteten Position der einzusetzenden Intraokularlinse. Schließlich weist das System 500 auch eine Vorhersage einheit 510 (oder Prädikationseinheit, engl.: inference unit) auf, die angepasst ist zum Vorhersagen der Brechkraft der einzusetzenden Intraokularlinse mittels des trainierten maschinellen Lernsystems und dem zweiten Lernmodell, wobei die bereitgestellten ophthalmologischen Daten und die Position der Intraokularlinse als Eingabewerte für das maschinelle Lernsystem mit dem zweiten Lernmodell genutzt werden.

[0069] Es sei ausdrücklich darauf hingewiesen, dass die Module und Einheiten - insbesondere das Erzeugungsmodul 502, das erste Trainingsmodul 504, das zweite Trainingsmodul 506, Empfangsmodul 508 und das Vorhersageeinheit 510 (d.h., inference unit) - mit elektrischen Signalleitungen oder über ein systeminternes Bussystem 512 verbunden sein können. Zusätzlich kann auch eine Anzeigeeinheit an das Bussystem 512 angeschlossen sein, um die Brechkraft anzuzeigen (oder anderweitig weiterzuverarbeiten).

[0070] Wird als maschinelles Lernsystem ein Klassifikationssystem eingesetzt, ergibt sich die vorhergesagte Brechkraft entsprechend der vorhergesagten Klasse, die mit der größten Wahrscheinlichkeit vorhergesagt wird. Alternativ kann die finale Brechkraft der IOL auch mittels eines Regressionssystems als maschinelles Lernsystem mit numerischen Ausgabegrößen implementiert werden.

[0071] Weiterhin kann das System 500 eine Ausgabeneinheit (nicht dargestellt) aufweisen, welche zur Ausgabe oder Anzeige der vorhergesagten Brechkraft eignet ist.

[0072] Fig. 6 stellt ein Blockdiagramm eines Computersystems dar, welches mindestens Teile des Systems zur Brechkraftbestimmung aufweisen kann. Ausführungsformen des hier vorge schlagenen Konzepts können grundsätzlich zusammen mit praktisch jedem Typ von Computer, unabhängig von der darin verwendeten Plattform zur Speicherung und/oder Ausführung von Programmcodes, genutzt werden. Fig. 6 stellt beispielhaft ein Computersystem 600 dar, welches zur Ausführung von Programmcode entsprechend des hier vorgestellten Verfahrens geeignet ist, aber auch das Vorhersagesystem ganz oder teilweise enthalten kann.

[0073] Das Computersystem 600 weist eine Mehrzahl von allgemein nutzbaren Funktionen (general purpose functions) auf. Dabei kann das Computersystem ein Tablet-Computer, ein Laptop-/Notebook-Computer, ein anderes tragbares oder mobiles elektronisches Gerät, ein Mikroprozessorsystem, ein Mikroprozessor-basiertes System, ein Smartphone, ein Computer system mit speziell eingerichteten Sonderfunktionen, oder auch ein Bestandteil von einem Mikroskopsystem sein. Das Computersystem 600 kann eingerichtet sein zur Ausführung vom Computer-System ausführbaren Anweisungen - wie beispielsweise Programmmodulen - die ausgeführt werden können, um Funktionen der hier vorgeschlagenen Konzepte umzusetzen. Dazu können die Programmmodule Routinen, Programme, Objekte, Komponenten, Logik, Datenstrukturen usw. aufweisen, um bestimmte Aufgaben oder bestimmte abstrakte Datentypen zu implementieren. [0074] Die Komponenten des Computersystems können Folgendes aufweisen: einen oder mehrere Prozessoren oder Verarbeitungseinheiten 602, ein Speichersystem 604 und ein Bussystem 606, welches verschiedene Systemkomponenten, inklusive des Speichersystems 604, mit dem Prozessor 602 verbindet. Typischerweise weist das Computersystem 600 eine Mehrzahl von durch das Computersystem 600, zugreifbaren flüchtigen oder nicht-flüchtigen Speichermedien auf. Im Speichersystem 604 können die Daten und/oder Instruktionen (Befehle) der Speichermedien in flüchtiger Form - wie beispielsweise in einem RAM (random access memory) 608 - gespeichert sein, um von dem Prozessor 602 ausgeführt zu werden. Diese Daten und Instruktionen realisieren einzelne oder mehrere Funktionen bzw. Schritte des hier vorgestellten Konzeptes. Weitere Komponenten des Speichersystems 604 können ein Permanentspeicher (ROM) 610 und ein Langzeitspeicher 612 sein, in dem die Programm- module und Daten (Bezugszeichen 616), wie auch Workflows, gespeichert sein können.

[0075] Das Computersystem weist zur Kommunikation eine Reihe von dedizierten Vorrich tungen (Tastatur 618, Maus/Pointing Device (nicht dargestellt), Bildschirm 620, usw.) auf. Diese dedizierten Vorrichtungen können auch in einem berührungsempfindlichen Display vereint sein. Ein separat vorgesehener I/O-Controller 614 sorgt für einen reibungslosen Datenaustausch zu externen Geräten. Zur Kommunikation über ein lokales oder globales Netzwerk (LAN, WAN, beispielsweise über das Internet) steht ein Netzwerkadapter 622 zur Verfügung. Auf dem Netzwerkadapter kann durch andere Komponenten des Computer systems 600 über das Bussystem 606 zugegriffen werden. Dabei versteht es sich, dass - obwohl nicht dargestellt - auch andere Vorrichtungen an das Computersystem 600 angeschlossen sein können.

[0076] Darüber hinaus können mindestens Teile des Systems 500 für eine Brechkraft bestimmung einer IOL (vgl. Fig. 5) an das Bussystem 606 angeschlossen sein.

[0077] Die Beschreibung der verschiedenen Ausführungsbeispiele der vorliegenden Erfindung wurde zum besseren Verständnis dargestellt, dient aber nicht einer unmittelbaren Einschrän kung der erfinderischen Idee auf diese Ausführungsbeispiele. Weitere Modifikationen und Variationen erschließt sich der Fachmann selbst. Die hier genutzte Terminologie wurde so gewählt, um die grundsätzlichen Prinzipien der Ausführungsbeispiele am besten zu beschrei ben und sie dem Fachmann leicht zugänglich zu machen. [0078] Das hiervorgestellte Prinzip kann sowohl als System, als Verfahren, Kombinationen davon und/oder auch als Computerprogrammprodukt verkörpert sein. Dabei kann das Com puterprogrammprodukt ein (oder mehrere) Computer-lesbare/s Speichermedium/-medien aufweisen, welches Computer-lesbare Programminstruktionen aufweist, um einen Prozessor oder ein Steuerungssystem dazu zu veranlassen, verschiedene Aspekte der vorliegenden Erfindung auszuführen.

[0079] Als Medien kommen elektronische, magnetische, optische, elektromagnetische, Infra rot-Medien oder Halbleitersysteme als Weiterleitungsmedium zum Einsatz; beispielsweise SSDs (solid state device/drive als Festkörperspeicher), RAM (Random Access Memory) und/oder ROM (Read-Only Memory), EEPROM (Electrically Eraseable ROM) oder eine beliebige Kombination davon. Als Weiterleitungsmedien kommen auch sich ausbreitende elektromagnetische Wellen, elektromagnetische Wellen in Wellenleitern oder anderen Über tragungsmedien (z.B. Lichtimpulse in optischen Kabeln) oder elektrische Signale, die in Drähten übertragen werden, in Frage.

[0080] Das Computer-lesbare Speichermedium kann eine verkörpernde Vorrichtung sein, welche Instruktionen für eine Nutzung durch ein Instruktionsausführungsgerät vorhält bzw. speichert. Die Computer-lesbaren Programminstruktionen, die hier beschrieben sind, können auch auf ein entsprechendes Computersystem heruntergeladen werden, beispielsweise als (Smartphone-) App von einem Service-Provider über eine kabelbasierte Verbindung oder ein Mobilfunknetzwerk.

[0081] Die Computer-lesbaren Programminstruktionen zur Ausführung von Operationen der hier beschriebenen Erfindung können maschinenabhängig sein oder maschinenunabhängige Instruktionen, Microcode, Firmware, Status-definierende Daten oder jeglicher Source-Code oder Objektcode, der beispielsweise in C++, Java oder ähnlichen bzw. in konventionellen prozeduralen Programmiersprachen, wie beispielsweise der Programmiersprache „C“ oder ähnlichen Programmiersprachen, geschrieben sein. Die Computer-lesbaren Programm instruktionen können komplett durch ein Computersystem ausgeführt werden. In einigen Ausführungsbeispielen können es auch elektronische Schaltkreise, wie beispielsweise programmierbare Logikschaltkreise, Feld-programmierbare Gate Arrays (FPGA) oder pro grammierbare Logik-Arrays (PLA), sein, die die Computer-lesbaren Programminstruktionen durch Nutzung von Statusinformationen der Computer-lesbaren Programminstruktionen ausführen, um die elektronischen Schaltkreise entsprechend Aspekten der vorliegenden Erfindung zu konfigurieren bzw. zu individualisieren.

[0082] Darüber hinaus ist die hier vorgestellte Erfindung mit Bezug auf Flussdiagramme und/oder Blockdiagramme von Verfahren, Vorrichtungen (Systemen) und Computerprogramm produkten entsprechend Ausführungsbeispielen der Erfindung dargestellt. Es sei darauf hingewiesen, dass praktisch jeder Block der Flussdiagramme und/oder Blockdiagramme als Computer-lesbare Programminstruktionen ausgestaltet sein kann.

[0083] Die Computer-lesbaren Programminstruktionen können einem General-Purpose- Computer, einem Spezialcomputer oder einem anderweitig programmierbaren Datenver arbeitungssystem zur Verfügung gestellt werden, um eine Maschine herzustellen, sodass die Instruktionen, welche durch den Prozessor oder den Computer oder andere programmierbare Datenverarbeitungsvorrichtungen ausgeführt werden, Mittel erzeugen, um die Funktionen oder Vorgänge, die in dem Flussdiagramm und/oder Blockdiagrammen dargestellt sind, zu imple mentieren. Diese Computer-lesbaren Programminstruktionen können entsprechend auch auf einem Computer-lesbaren Speichermedium gespeichert werden.

[0084] In diesem Sinne kann jeder Block in dem dargestellten Flussdiagramm oder den Block diagrammen ein Modul, ein Segment oder Anteile an Instruktionen darstellen, welche mehrere ausführbare Instruktionen zur Implementierung der spezifischen Logikfunktion darstellt. In einigen Ausführungsbeispielen können die Funktionen, die in den einzelnen Blöcken darge stellt sind, in einer anderen Reihenfolge - gegebenenfalls auch parallel - ausgeführt werden.

[0085] Die dargestellten Strukturen, Materialien, Abläufe und Äquivalente aller Mittel und/oder Schritte mit zugehörigen Funktionen in den untenstehenden Ansprüchen sind dazu gedacht, alle Strukturen, Materialien oder Abläufe anzuwenden, wie es durch die Ansprüche ausgedrückt ist. BEZUGSZEICHEN

100 Verfahren zum kontextsensitiven Weißabgleich

102 Verfahrensschritt zu 100

104 Verfahrensschritt zu 100

106 Verfahrensschritt zu 100

108 Verfahrensschritt zu 100

110 Verfahrensschritt zu 100

200 Augenparameter

202 axiale Länge

204 vordere Kammerdicke

206 Keratometriewert

208 Linsendicke

210 zentrale Corneadicke

212 Weiß-zu-Weiß-Abstand

214 Pupillengröße

216 hintere Kammertiefe

218 Retinadicke

300 Funktionsblöcke für die Ausführung des Verfahrens

302 erstes physikalisches Modell

304 erzeugte erste Trainingsdaten

306 zweites physikalisches Modell

308 zusätzliche Trainingsdaten

310 erstes maschinelles Lernmodell

312 zusätzliches T raining

314 erneutes Trainieren des ersten maschinellen Lernsystems

316 zweites Lernmodell

400 Diagramm Prädikationsphase

402 ophthalmologische Patientendaten

404 erwartete IOL Position

406 Eingangsparameter

408 Brechkraft

500 System zur Brechkraftvorhersage 502 Erzeugungsmodul 1. Trainingsmodul

2. Trainingsmodul Empfangsmodul Vorhersageeinheit

B rech kraftsy ste m bu s

Vorhersagesystem

Computersystem

Prozessor

Speichersystem

Bussystem

RAM

ROM

Langzeitspeicher

I/O-Controller

Programmmodule, potenzielle Daten

Tastatur

Bildschirm

Netzwerkadapter

Claims

PATENTANSPRÜCHE

1. Ein Computer-implementiertes Verfahren (100) zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse, das Verfahren (100)aufweisend

- Erzeugen (102) von ersten Trainingsdaten (304) für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells (302) für eine Brechkraft (408) für eine Intraokularlinse,

- Trainieren (104) des maschinellen Lemsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells (310) für eine Brechkraftbestimmung,

- Trainieren (106) des mit den ersten Trainingsdaten (304) trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells (316) für die Brechkraftbestimmung,

- Bereitstellen (108) von ophthalmologischen Daten (402) eines Patienten und einer erwarteten Position (404) der einzusetzenden Intraokularlinse, und

- Vorhersagen (110) der Brechkraft (408) der einzusetzenden Intraokularlinse mittels des trainierten maschinellen Lernsystems und dem zweiten Lernmodell (316), wobei die bereitgestellten ophthalmologischen Daten (402) und eine Position (404) der Intraokularlinse als Eingabewerte (406) für das maschinelle Lernsystem mit dem zweiten Lernmodell (316) genutzt werden.

2. Das Verfahren gemäß Anspruch 1 , wobei der Schritt des T rainierens des maschinellen Lernsystems zusätzlich aufweist

- Erzeugen von zweiten Trainingsdaten (308) auf Basis eines zweiten physikalischen Modells (306) für die Brechkraft (408) für die Intraokularlinse, wobei das zweite physikalische Modell (306) genauer ist als das erste Modell (302), und

- Trainieren des maschinellen Lernsystems, das bereits mit den ersten Trainingsdaten (304) trainiert wurde, mittels der erzeugten zweiten Trainingsdaten (308) zur Weiterentwicklung des ersten Lernmodells (310).

3. Das Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei das maschinelle Lernsystem ein neurales Netzwerk ist.

4. Das Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei die ophthalmologischen Daten eines Auges mindestens eines aus der Gruppe aufweisen, die besteht aus einer axialen Länge (202), einer Vorderkammertiefe (204), einer Linsendicke (208), einer Hinterkammertiefe (216), einer Cornea-Dicke (210), Cornea- Keratometrie (216), einer Linsen-Äquatorialebene, einem Weiß-zu-Weiß-Abstand (212) und einer Pupillengröße (214).

5. Das Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei das erste physikalische Modell (302) durch ein mathematisches Modell darstellbar ist.

6. Das Verfahren (100) gemäß Anspruch 2, wobei das zweite physikalische Modell (306) als ein mathematisches Modell oder ein Ray-Tracing-Modell darstellbar ist.

7. Das Verfahren (100) gemäß einem der vorangegangenen Ansprüche, bei dem die ophthalmologischen Trainingsdaten manuell oder mittels eines dritten maschinellen Lernsystems bestimmt werden.

8. Ein System (500) zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse, das System (500) aufweisend

- ein Erzeugungsmodul (502), das angepasst ist zum Erzeugen von ersten Trainingsdaten (304) für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells (302) für eine Brechkraft (408) für eine Intraokularlinse,

- ein erstes Trainingsmodul (504), das angepasst ist zum Trainieren des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für die Brechkraftbestimmung, - ein zweites Trainingsmodul (506), das angepasst ist zum Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für die Brechkraftbestimmung,

- ein Empfangsmodul (508), das angepasst ist zum Bereitstellen von ophthalmologischen Daten (402) eines Patienten und einer erwarteten Position (404) der einzusetzenden Intraokularlinse, und

- eine Vorhersageeinheit (510), die angepasst ist zum Vorhersagen der Brechkraft (408) der einzusetzenden Intraokularlinse mittels des trainierten maschinellen Lernsystems und dem zweiten Lernmodell (316), wobei die bereitgestellten ophthalmologischen (402) Daten und eine Position (404) der Intraokularlinse als Eingabewerte (316) für das maschinelle Lernsystem mit dem zweiten Lernmodell (316) genutzt werden.

9. Ein Computerprogrammprodukt zur Brechkraftbestimmung für eine einzusetzende Intraokularlinse, wobei das Computerprogrammprodukt ein Computer-lesbares Speichermedium aufweist, welches darauf gespeicherte Programminstruktionen aufweist, wobei die Programminstruktionen durch einen oder mehrere Computer (600) oder Steuereinheiten ausführbar sind und den einen oder die mehreren Computer (600) oder Steuereinheiten dazu veranlasst, das Verfahren entsprechend einem der Ansprüche 1 bis 7 auszuführen.