WO2021148518A1 - Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse - Google Patents

Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse Download PDF

Info

Publication number
WO2021148518A1
WO2021148518A1 PCT/EP2021/051300 EP2021051300W WO2021148518A1 WO 2021148518 A1 WO2021148518 A1 WO 2021148518A1 EP 2021051300 W EP2021051300 W EP 2021051300W WO 2021148518 A1 WO2021148518 A1 WO 2021148518A1
Authority
WO
WIPO (PCT)
Prior art keywords
machine learning
intraocular lens
eye
data
refractive power
Prior art date
Application number
PCT/EP2021/051300
Other languages
English (en)
French (fr)
Inventor
Hendrik BURWINKEL
Holger Matz
Stefan Saur
Christoph Hauger
Original Assignee
Carl Zeiss Meditec Ag
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Carl Zeiss Meditec Ag filed Critical Carl Zeiss Meditec Ag
Priority to CN202180010612.7A priority Critical patent/CN115103653A/zh
Priority to EP21702871.1A priority patent/EP4093329A1/de
Priority to US17/759,359 priority patent/US20230078161A1/en
Priority to JP2022544699A priority patent/JP7579864B2/ja
Publication of WO2021148518A1 publication Critical patent/WO2021148518A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/14—Eye parts, e.g. lenses, corneal implants; Implanting instruments specially adapted therefor; Artificial eyes
    • A61F2/16—Intraocular lenses
    • A61F2/1662—Instruments for inserting intraocular lenses into the eye
    • 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
    • A61B3/107—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining the shape or measuring the curvature of the cornea
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/02—Prostheses implantable into the body
    • A61F2/14—Eye parts, e.g. lenses, corneal implants; Implanting instruments specially adapted therefor; Artificial eyes
    • A61F2/16—Intraocular lenses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2240/00—Manufacturing or designing of prostheses classified in groups A61F2/00 - A61F2/26 or A61F2/82 or A61F9/00 or A61F11/00 or subgroups thereof
    • A61F2240/001—Designing or manufacturing processes
    • A61F2240/002—Designing or making customized prostheses

Definitions

  • the invention relates to a refractive power determination for an intraocular lens and in particular to a computer-implemented method for a machine learning-based processing pipeline for determining parameter values for an intraocular lens to be used, a corresponding system and a corresponding computer program product for executing the method.
  • IOL intraocular lens
  • the biological lens is detached from the capsular bag and removed using a minimally invasive procedure.
  • the lens that is clouded in the case of a cataract is then replaced by an artificial lens implant.
  • This artificial lens implant or intraocular lens is inserted into the then empty capsular bag.
  • IOL calculation formulas currently in use have several problems.
  • ELP effective lens position
  • a second aspect is that current IOL formulas use models in their prediction that attempt to fine-tune some parameters to a data situation. Since these are predefined manually by the developers, this is not necessarily the best representation in each case.
  • New formulas such as the Hill RBF formula circumvent this limitation by using machine learning approaches that are able to optimize themselves based on the data situation. In this case, however, their prediction is based on pure data, ie the system does not use any physical concepts and is therefore limited in its effectiveness.
  • an underlying task for the concept presented here is to provide a method and a system for improved, integrated and fast IOL refractive power predictions for an intraocular lens that can be elegantly expanded.
  • a computer-implemented method for a machine learning-based processing pipeline for determining parameter values for an intraocular lens to be used is presented.
  • the method can include providing a scan result of an eye.
  • the scan result can represent an image of an anatomical structure of the eye.
  • the method can further include determining biometric data of the eye from the scan results of an eye and using a first trained machine Have learning system for determining a final position of an intraocular lens to be used. Ophthalmological data can serve as input data for the first machine learning system. Finally, the method can include determining a first refractive power of the intraocular lens to be inserted based on a physical model in which the determined final position of the intraocular lens and the determined biometric data are used as input variables for the physical model.
  • a processing pipeline system for a machine learning based processing pipeline for parameter value determination for an intraocular lens to be used is presented.
  • the processing pipeline system can have a receiving module which is adapted to provide a scan result of an eye.
  • the scan result can represent an image of an anatomical structure of the eye.
  • the processing pipeline system can have a determination unit which is adapted to determine biometric data of the eye from the scan results of an eye, and a first trained machine learning system for determining a final position of an intraocular lens to be inserted.
  • the ophthalmological data can serve as input data for the first machine learning system.
  • the processing pipeline system can have a determination unit which is adapted to determine a first refractive power of the intraocular lens to be inserted based on a physical model, in which the determined final position of the intraocular lens and the determined biometric data are used as input variables for the physical model , exhibit.
  • embodiments may relate to a computer program product that is accessible from a computer-usable or computer-readable medium that includes program code for use by or in connection with a computer or other instruction processing system.
  • a computer-usable or computer-readable medium can be any device suitable for storing, communicating, forwarding or transporting the program code.
  • the computer-implemented method for determining the refractive power for an intraocular lens to be used has several advantages and technical effects that can also apply accordingly to the associated system: the method presented here elegantly addresses the known negative properties of the disadvantages already described above.
  • the "ZAI" algorithm on which the method is based enables an optimized calculation of the necessary refractive power of an intraocular lens used during a cataract operation.
  • the presented algorithm allows an anatomically correct prediction of the IOL position with a complex physical one, optimized by machine learning Combine the model and refine the IOL calculation through machine learning, so that both an IOL position and an IOL refractive power determination can be determined in one process - or in other words: within a pipeline - without media disruptions.
  • Both physical computational models and machine learning concepts based on clinical ophthalmological data can be linked to one another in a pipeline for the integrated position determination as well as for the refractive power determination of the intraocular lens.
  • a machine learning system for determining the refractive power for an intraocular lens to be used which is based exclusively on available clinical ophthalmological data, on the one hand would require a comparatively long training time, and on the other hand, known properties of physical models would not be able to be taken into account.
  • the use of the real physical position of the IOL allows models of any accuracy and ultimately also exact physical models to be used.
  • the presented method is therefore not limited to models of certain sizes and the The final value to be determined is ultimately universal.
  • the formulas used so far are the effective lens position (ELP), since this size is not a real anatomical size. It cannot therefore be taken into account directly in a physical model in order to use it to calculate the complex ophthalmic optics of a patient.
  • Intraocular lens calculated in many formulas as effective lens position (ELP). Since this variable is not a real anatomical variable, it cannot be taken into account directly in a physical model in order to calculate the complex ophthalmic optics of a patient.
  • the ELP is calculated and optimized for the respective formula, so that there is no direct comparability between the ELPs of different formulas and the model does not use an anatomically correct optical system
  • the method can additionally have a determination of a final refractive power of the intraocular lens by means of a second machine learning system, wherein at least one variable from the biometric data and the first refractive power can be used as input variables.
  • the at least one variable can be, for example, the axial length of the eye.
  • a transfer learning step can practically be carried out, which takes the knowledge available in the physical model as a basis in order to enable a more precise determination of the refractive power.
  • the second machine learning system should have been trained with clinical ophthalmological data, i.e. with data from real previous patients. Typically, such clinical ophthalmic data is annotated. In this way, no information is lost in the pipeline: both the theoretical data of the physical model and the practical experience data from everyday clinical practice can be taken into account.
  • the biometric data of the eye can have at least one selected from the group consisting of the following: a preoperational axial length, a preoperational lens thickness, a preoperative atrial chamber depth, and an intraoperational atrial chamber depth. These can be derived from the process step “Determination of biometric data of the eye from the scan results of an eye”. This can either be done classically; However, a machine learning system can also be used for this purpose, which determines the biometric data of the eye in a direct scan process in which no manual steps are required. The recorded image data of a scan result can be used directly to determine the biological parameters.
  • a convolutional neural network can be used in the first machine learning system.
  • the convolutional neural network can be used, for example, to recognize characteristic features in the recorded scan results and to compress the image data generated.
  • the Graph Attention Network allows known, annotated images or their compressed representation to be arranged in a graph. A newly recorded, current image of a patient's eye can then be used to determine the required biometric data, e.g. the postoperative final position of the intraocular lens, by measuring the distance to images already in the graph. This can then be used immediately in the ZAI pipeline.
  • the second machine learning system can be trained in two stages, the first training step generating - in particular by means of a computer - of first training data for a machine learning system, based on a first physical model for a refractive power, for a May have intraocular lens.
  • the second machine learning system can then be trained using the first training data generated to form a corresponding learning model for determining the refractive power.
  • the hyperparameters of the machine learning system are determined by the design and selection of the machine learning system, while the internal parameters of the machine learning system are adapted piece by piece through the training.
  • the machine learning system trained with the first training data can then be trained with clinical ophthalmological training data to form a second learning model for determining the refractive power.
  • the principle of transfer leaming is used; ie the knowledge already learned from the physical model is now further specified through the use of real, clinical, ophthalmological training data. In this way, the training process can be accelerated significantly and fewer clinical ophthalmological training data are required, since the basic structure is already preconditioned by the training with the data from the physical model.
  • the one variable from the biometric data can be the preoperational axial length.
  • This variable size can be elegantly determined with known measuring methods (e.g. by means of OCT measurement, e.g. an A-scan, a B-scan or an en-face OCT measurement).
  • the biometric data of the eye can be determined from the image manually or by means of a machine learning system from the provided scan results of the eye.
  • the proposed method leaves open which sub-method is used to determine the biometric data of the eye.
  • a machine learning-based determination of the biometric data is advisable.
  • further parameters of the eye can be determined when determining the final position of the intraocular lens to be inserted.
  • the IOL position - in particular the expected final position of the IOL after a waxing process - could be named as a typical further parameter.
  • a value for IOL shift can also be used, which denotes a shift perpendicular to the optical axis. Depending on the shift value, the beam path would change in the selected model.
  • an IOL tilt value ie, the tilt angle of the IOL with respect to the optical axis
  • the IOL type would also be conceivable - in particular which haptics, which shape, etc. are used. She can determine the position of the lens through the haptics / shape and thus influence the final quality of the operation (use of the correct IOL).
  • exemplary embodiments of the invention can be described with reference to different implementation categories.
  • some exemplary embodiments are described in relation to a method, while other exemplary embodiments can be described in the context of corresponding devices. Regardless of this, it is possible for a person skilled in the art to recognize and combine possible combinations of the features of the method and possible combinations of features with the corresponding system from the description above and below - unless otherwise indicated - even if they belong to different claim categories.
  • FIG. 1 shows a flowchart-like illustration of an exemplary embodiment of the computer-implemented method for machine learning-based Processing pipeline for determining parameter values for an intraocular lens to be used.
  • Fig. 2 shows a cross section of part of an eye.
  • Fig. 3 depicts an eye, along with various biometric parameters of the eye.
  • FIG. 4 shows a schematic structure of essential function blocks of the machine learning-supported pipeline for dimensioning an intraocular lens by means of the above-mentioned method.
  • FIG. 5 shows a diagram of the inventive processing pipeline system for a machine learning-based processing pipeline for determining parameter values for an intraocular lens to be used.
  • FIG. 6 shows a diagram of a computer system which can additionally have the processing pipeline system according to FIG. 5, in whole or in part.
  • machine learning-based processing pipeline describes the overall concept of the method presented here and also of the system presented here. Starting from a recorded digital image, the final refractive power of an intraocular lens to be inserted can be determined without media discontinuity and without manual parameter determination in between. The final postoperative IOL position is used as an interim result, even without the need for manual parameter determination.
  • the processing pipeline uses machine learning systems that have been trained with real patient data at various points. In addition, physical models be used. In this way, both the know-how of theoretical models and real empirical values flow into the final determination of the refractive power.
  • intraocular lens describes an artificial lens that can be surgically inserted into a patient's eye instead of the natural, biological lens.
  • machine learning system describes a system that is also typically assigned to a method that learns from examples.
  • the machine learning system is fed with annotated (i.e. also containing metadata) training data in order to predict previously defined output values - in the case of a classification system, output classes. If the output classes are correctly output with sufficient precision - i.e. a previously determined error rate - the machine learning system is referred to as trained.
  • machine learning is a basic term or a basic function from the field of artificial intelligence, with statistical methods being used, for example, to give computer systems the ability to “learn”. For example, certain behavior patterns are optimized within a specific area of responsibility.
  • the methods used enable trained machine learning systems to analyze data without the need for explicit procedural programming.
  • an NN neural network
  • CNN convolutional neural network
  • machine learning systems to form a network of nodes that act as artificial neurons and artificial connections between the artificial neurons ( so-called links), whereby parameters (e.g. weight parameters for the connection) can be assigned to the artificial connections.
  • the weight parameter values automatically adapt to the connections on the basis of input signals to generate a desired result.
  • the images supplied as input values (training data) - generally (input) data - are supplemented by desired output data (annotations) to generate a desired output value (desired class).
  • desired output data annotations
  • a mapping of input data to output data is learned.
  • neural network describes a network of electronically implemented nodes with one or more inputs and one or more outputs for performing arithmetic operations. Selected nodes are connected to one another by means of connections - so-called links or edges. The connections can have certain attributes, for example weight parameter values, by means of which output values from previous nodes can be influenced.
  • Neural networks are typically built up in several layers. There is at least one input layer, one hidden layer, and one output layer.
  • image data can be fed to the input layer, and the output layer can have classification results with respect to the image data.
  • Typical neural networks however, have a large number of hidden layers. The way in which the nodes are connected with links depends on the type of neural network in question.
  • the predictive value of the neural learning system can be the sought refractive power of the intraocular lens.
  • CNN convolutional neural network
  • GAT Graph Attention Network
  • CGN Graph Convolution Networks
  • GCN graphical convolutional network
  • GraphSage framework
  • transfer learning (or also curriculum learning) describes in the context of this text that a learning model that has been developed once - developed via training of the machine learning system with the training data of the physical model - is trained again. This second time it is trained with related data; however, this data comes from a different source than during the first training session. They can either consist of clinical ophthalmic data or a second physical model known to be more accurate in the results obtained. This creates a second learning model that combines both the physical model parameters and the real clinical data. The “knowledge” of the first learning model in each case is therefore used as the basis or starting point for the training to generate the second learning model. The learning effect of the first training can thus be transferred to the learning effect of the second training.
  • An essential advantage is that the second training can be carried out comparatively more effectively, as a result of which computer resources can be saved and as a result of which the second training runs faster and in a more targeted manner.
  • parameter value describes geometric or biometric values or ophthalmological data of a patient's eye. Examples of parameter values of an eye are discussed in more detail with reference to FIG. 2.
  • scan result describes digital data, e.g. based on digital images / recordings, which represent the result of an OCT examination (optical coherence tomography) on a patient's eye.
  • OCT examination optical coherence tomography
  • A-Scan (also axial depth scan) describes a one-dimensional result of a scan of a patient's eye, which describes information about geometric dimensions and locations of structures within the eye.
  • B-scan describes a lateral superposition of several of the named A-scans in order to generate a section through the eye. Volume views can also be generated by combining several slices of the eye generated in this way.
  • en-face OCT here describes a method for producing transverse sectional images of the eye - in contrast to longitudinal sectional images with the A or B scans mentioned above.
  • image or “digital image” - e.g. from a scan - describes an image or the result of a generation of data in the form of pixel data of a real object: here, for example, a retina of an eye.
  • a “digital image” can be understood as a two-dimensional signal matrix.
  • the individual vectors of the matrix can also be added to one another in order to generate an input vector for a layer of a CNN.
  • the digital images can also be individual frames from video sequences. Image and digital image can be understood here as synonyms.
  • clinical ophthalmological training data describes data on patient eyes and intraocular lenses already used in these patients in the past.
  • the clinical ophthalmological training data can include determined ophthalmological parameter values, as well as the refractive power and the position of the lens used. This data is used for training purposes of the machine learning system, which has already been trained on the basis of data from a physical model.
  • the clinical ophthalmological training data are usually annotated.
  • the term “physical model” refers to a mathematical formula that relates various parameters of an eye to one another in order to determine the refractive power. A well-known formula is that of Haigis.
  • refractive power of an intraocular lens describes the refractive index of the IOL.
  • FIG. 1 shows a flowchart-like representation of an exemplary embodiment of the inventive computer-implemented method 100 for a machine learning-based processing pipeline for determining parameter values for an intraocular lens to be inserted - in particular to be inserted into a patient's eye 102 of a scan result of an eye, the scan result representing an image of an anatomical structure of the eye.
  • This can be done using OCT.
  • An alternative, but less precise, method is based on ultrasound.
  • the method 100 further includes determining 104 biometric data of the eye - either traditionally or already with the help of a machine learning system - from the scan results of an eye and using 106 a first trained machine learning system to determine a final position of the one to be used Intraocular lens in the eye.
  • the long-term post-operative position of the IOL is understood as the final position.
  • a determination based on a trained machine learning system can determine the long-term post-operative position directly from a recorded image (or several) of the patient's eye; manual intermediate steps can be omitted.
  • the ophthalmological data - in particular those from the previous step or those that are determined by means of “scan-directly” - can serve as input data for the first trained machine learning system.
  • the method 100 includes determining 108 a first refractive power of the intraocular lens to be inserted, based on a physical model, in which the determined final position of the intraocular lens and the determined biometric data are used as input variables for the physical model.
  • the physical model is a mathematical, deterministic model.
  • the determination 110 of the final refractive power can optionally be refined or improved by means of a second machine learning system.
  • the first refractive power and at least one size of the biometric data - e.g. the axial length - are used as input data for the second trained machine learning system.
  • FIG. 2 shows a symbolic representation of a cross section of an eye 200.
  • the inserted intraocular lens 202 can be seen, which was surgically inserted into the capsular bag 204 after the natural lens of the eye was removed.
  • Lateral structures 206 on the intraocular lens 202 are intended to ensure that the intraocular lens 202 is anchored in a really stable manner in the capsular bag 204.
  • an exact position of the intraocular lens 202 which occurs after a longer growing-in phase of, for example, several weeks, has not yet been able to be predicted in practice. This is due, among other things, to the fact that the capsular bag 204 is significantly larger in comparison to the inserted intraocular lens 202 and therefore previously enclosed the entire natural, but now removed, eye lens.
  • These tendons and muscle tissue 208 which anchor the capsular bag 204 in the eye or in the skull, change after such an operation, whereby the size, shape and position of the capsular bag 204 and thus also the position of the inserted intraocular lens 202 change. This also changes the distance between the inserted intraocular lens 202 and the retina located further back in the eye.
  • optimal postoperative results can only be achieved by optimally coordinating the refractive power (refractive index) of the intraocular lens 202 used and the distance to the retina. Since the refractive power of the inserted intraocular lens 202 cannot normally be changed subsequently, a position prediction of the inserted intraocular lens 202 is very desirable.
  • axial length 302 (AL, axial length), anterior Chamber thickness 304 (ACD, anterior chamber depth), keratometry value 306 (K, radius), refractive power of the lens, lens thickness 308 (LT, lense thickness), central cornea thickness 310 (CCT, central cornea thickness), white-to-white distance 312 (WTW, white-to-white distance), pupil size 314 (PS, pupil size), posterior chamber depth 316 (PCD, posterior chamber depth), retina thickness 318 (RT, retina thickness).
  • AL anterior length
  • ACD anterior Chamber thickness
  • K keratometry value 306
  • K radius
  • refractive power of the lens lens thickness 308
  • LT lense thickness
  • central cornea thickness 310 CCT, central cornea thickness
  • white-to-white distance 312 WTW, white-to-white distance
  • PS pupil size
  • posterior chamber depth 316 PCD, posterior chamber depth
  • retina thickness 318 RT, retina thickness
  • a machine learning system model that incorporates the known physical prior knowledge is first created with the aid of physical models. This can be done, for example, by pre-training the machine learning system on simulation data, or the training itself can contain physical boundary conditions (constraint-based training).
  • the learning model is then adapted to real anatomical variations using real clinical ophthalmological data.
  • the chosen approach enables self-learned optimization for the entire machine learning system to any data situation (e.g. post-LASIK operations).
  • An adaptation can be made explicitly for each doctor or each clinic.
  • real biometric data are then used as input values for the machine learning system in order to determine or predict the optimized intraocular lens refractive power.
  • the formulation of a physical model is converted into the pure parameter form of a neural network.
  • this can then adapt itself to a real data structure as best as possible.
  • any number of training data can be generated. These contain the parameters of the eye model and the associated IOL refractive power as a so-called ground truth.
  • the model trained in this way can be passed on to a more complex, physical model that generates training data according to the same concept.
  • the neural network thus has already pre-trained artificial neurons and can thus adapt more quickly and easily to the stronger or better physical model.
  • This curriculum learning can be continued up to a model of any strength (e.g. a ray tracing model).
  • the learning model is then “finely tuned” by real biometric data from patient eyes, with the IOL refractive powers actually used being used as the ground truth. In this way, the trained model can predict the final IOL refractive power required in the prediction phase.
  • the more real data clinical ophthalmological data
  • the machine learning system can be optimized in relation to this data. Therefore, the learning model can be successively further developed according to the data situation and adapted to different real data sets.
  • the pipeline uses a machine learning model in order to use the input data from OCT measurements of the patient's eye for an optimized predication of the anatomically correct position of the intraocular lens.
  • This position is then used in a physical model which, based on the known position of the intraocular lens, can be any realistic model (e.g. a normal mathematical physical model or ray tracing).
  • the physical model calculates the necessary IOL refractive power for the eye, then the result is further refined with the help of machine learning in order to correct minor model errors in the physical model.
  • Both the IOL refractive power ground truth data and the IOL position ground truth data are used for training in order to optimize the use of information.
  • FIG. 4 shows a schematic structure of essential function blocks 400 of the machine learning-based pipeline for dimensioning an intraocular lens, by means of the method mentioned, including the scan results / the images 402 of the scan of the eye. These results - in particular in the form of at least one digital image - can be used for a classic extraction of biometric data 404. At least some of this biometric data, as well as the scan results themselves, are fed to a graph-based neural network 406 as input data in order to determine a postoperative final IOL position 408 directly therefrom.
  • a manual, formula-based refractive power determination 410 takes place on the basis of a mathematical physical model. Both the extracted biometric data (or a part thereof) and the final IOL position 408 serve as input values for this refractive power determination 410.
  • a further machine learning system 412 can be used for an optimized refractive power determination, which uses both the first determined refractive power of the intraocular lens (as a result of the refractive power determination 410) and the previously determined biometric data 404 (or a part thereof) as input data.
  • the trained machine learning system 412 then delivers the final, final refractive power 414 on the basis of a corresponding machine learning model.
  • FIG. 5 shows a preferred exemplary embodiment of components of the processing pipeline system 500 for a machine learning-based processing pipelines for determining parameter values for an intraocular lens to be used is for providing a scan result of an eye, the scan result representing at least one image of an anatomical structure of the eye.
  • the pipeline processing system 500 has a determination unit 504, which is adapted to determine biometric data of the eye from the scan results of an eye, and a first trained machine learning system 506 (cf. also the graph-based neural network 406, 4) to determine a final position of an intraocular lens to be inserted, with ophthalmological data serving as input data for the first machine learning system.
  • a determination unit 504 which is adapted to determine biometric data of the eye from the scan results of an eye
  • a first trained machine learning system 506 cf. also the graph-based neural network 406, 4) to determine a final position of an intraocular lens to be inserted, with ophthalmological data serving as input data for the first machine learning system.
  • the processing pipeline system 500 has a determination unit 508 (cf. also function block 410, FIG. 4), which is adapted to determine a first refractive power of the intraocular lens to be inserted based on a physical model in which the determined final position the intraocular lens and the specific biometric data are used as input variables for the physical model.
  • a determination unit 508 cf. also function block 410, FIG. 4
  • a further machine learning system 510 can also be used for an improved prediction of the IOL refractive power (cf. function block 412, FIG. 4).
  • the modules and units - in particular the receiving module 502, the determination unit 504, the first trained machine learning system 506, and the determination unit 508 for determining a first refractive power are connected to electrical signal lines or via a system-internal bus system 512 can be in order to transmit corresponding signals and / or data from one module (a unit) to another.
  • additional modules or functional units can optionally be connected to the system-internal bus system 512.
  • the predicted refractive power results in accordance with the predicted class that is predicted with the greatest probability.
  • the final refractive power of the IOL can also be implemented using a regression system as a machine learning system with numerical output variables.
  • system 500 can have an output unit (not shown) which is suitable for outputting or displaying the predicted final IOL refractive power, optionally also for displaying the predicted IOL position.
  • FIG. 6 shows a block diagram of a computer system which can have at least parts of the system for determining the refractive power. Embodiments of the concept proposed here can in principle be used together with practically any type of computer, regardless of the platform used therein for storing and / or executing program code. 6 shows an example of a computer system 600 which is suitable for executing program code in accordance with the method presented here, but which can also contain the prediction system in whole or in part.
  • the computer system 600 has a plurality of general purpose functions.
  • the computer system can be a tablet computer, a laptop / notebook computer, another portable or mobile electronic device, a microprocessor system, a microprocessor-based system, a smartphone, a computer system with specially set up special functions, or a component of be a microscope system.
  • the computer system 600 may be configured to execute from Instructions that can be executed by the computer system - such as, for example, program modules - that can be executed to implement functions of the concepts proposed here.
  • the program modules can have routines, programs, objects, components, logic, data structures, etc. in order to implement specific tasks or specific abstract data types.
  • the components of the computer system can have the following: one or more processors or processing units 602, a memory system 604 and a bus system 606, which connects various system components, including the memory system 604, to the processor 602.
  • the computer system 600 has a plurality of volatile or non-volatile storage media accessible by the computer system 600.
  • the data and / or instructions (commands) of the storage media can be stored in volatile form - for example in a RAM (random access memory) 608 - in order to be executed by the processor 602.
  • RAM random access memory
  • Further components of the storage system 604 can be a permanent memory (ROM) 610 and a long-term memory 612, in which the program modules and data (reference number 616), as well as workflows, can be stored.
  • the computer system has a number of dedicated devices (keyboard 618, mouse / pointing device (not shown), screen 620, etc.) for communication. These dedicated devices can also be combined in a touch-sensitive display.
  • a separately provided I / O controller 614 ensures smooth data exchange with external devices.
  • a network adapter 622 is available for communication via a local or global network (LAN, WAN, for example via the Internet). The network adapter can be accessed by other components of the computer system 600 via the bus system 606. It goes without saying that - although not shown - other devices can also be connected to the computer system 600.
  • the system 500 for determining the refractive power of an IOL can be connected to the bus system 606.
  • the description of the various exemplary embodiments of the present invention has been presented for better understanding, but does not serve to limit the inventive idea directly to these exemplary embodiments.
  • the person skilled in the art will find further modifications and variations.
  • the terminology used here has been chosen so as to best describe the basic principles of the exemplary embodiments and to make them easily accessible to the person skilled in the art.
  • the principle presented here can be embodied both as a system, as a method, combinations thereof and / or as a computer program product.
  • the computer program product can have one (or more) computer-readable storage medium (s) which have computer-readable program instructions in order to cause a processor or a control system to carry out various aspects of the present invention.
  • the media used are electronic, magnetic, optical, electromagnetic, infrared media or semiconductor systems as the forwarding medium;
  • SSDs solid state device / drive as solid state memory
  • RAM Random Access Memory
  • ROM Read-Only Memory
  • EEPROM Electrically Eraseable ROM
  • Propagating electromagnetic waves, electromagnetic waves in waveguides or other transmission media (e.g. light pulses in optical cables) or electrical signals that are transmitted in wires can also be used as transmission media.
  • the computer-readable storage medium may be an embodied device that holds or stores instructions for use by an instruction execution device.
  • the computer-readable program instructions that are described here can also be downloaded to a corresponding computer system, for example as a (smartphone) app from a service provider via a cable-based connection or a cellular network.
  • the computer-readable program instructions for carrying out operations of the invention described here can be machine-dependent or machine-independent instructions, microcode, firmware, status-defining data or any source code or object code, for example in C ++, Java or the like or in conventional procedural programming languages, such as the programming language "C” or similar programming languages.
  • the computer-readable program instructions can be completely executed by a computer system. In some exemplary embodiments, it can also be electronic circuits, such as programmable logic circuits, field-programmable gate arrays (FPGA) or programmable logic arrays (PLA), which execute the computer-readable program instructions by using status information of the computer-readable program instructions to configure or individualize the electronic circuitry in accordance with aspects of the present invention.
  • the computer-readable program instructions can be provided to a general-purpose computer, a special purpose computer or another programmable data processing system in order to produce a machine, so that the instructions which are executed by the processor or the computer or other programmable data processing devices create means to implement the functions or operations depicted in the flowchart and / or block diagrams.
  • These computer-readable program instructions can accordingly also be stored on a computer-readable storage medium.
  • each block in the illustrated flow diagram or the block diagrams can represent a module, a segment or portions of instructions which represent several executable instructions for implementing the specific logic function.
  • the functions that are illustrated in the individual blocks can be executed in a different order - possibly also in parallel.

Landscapes

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

Abstract

Es wird ein Computer-implementiertes Verfahren für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse vorgestellt. Das Verfahren weist ein Bereitstellen eines Scan-Ergebnisses eines Auges. Dabei stellt das Scan-Ergebnis ein Bild einer anatomischen Struktur des Auges dar. Weiterhin weist das Verfahren ein Bestimmen von biometrischen Daten des Auges aus den Scan-Ergebnissen eines Auges und ein Verwenden eines ersten, trainierten maschinellen Lernsystems zur Bestimmung einer finalen Lageposition einer einzusetzenden Intraokularlinse, wobei ophthalmologische Daten als Eingangsdaten für das erste maschinelle Lernsystem dienen. Darüber hinaus weist das Verfahren ein Bestimmen einer ersten Brechkraft der einzusetzenden Intraokularlinse auf, welches auf einem physikalischen Modell basiert, bei dem die bestimmte finale Lageposition der Intraokularlinse und die bestimmten biometrischen Daten als Eingangsvariablen für das physikalische Modell genutzt werden.

Description

B E S C H R E I B U N G
MACHINE-LEARNING GESTUTZTE PIPELINE ZUR DIMENSIONIERUNG EINER
INTRAOKULARLINSE
Gebiet der Erfindung
[0001] Die Erfindung bezieht sich auf eine Brechkraftbestimmung für eine Intraokularlinse und insbesondere auf ein Computer-implementiertes Verfahren für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse, ein entsprechendes System sowie ein entsprechendes Computerprogramm produkt 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] Aktuell genutzte lOL-Kalkulationsformeln weisen mehrere Problematiken auf. Zunächst wird die Position der Intraokularlinse in vielen Formeln als effektive Linsenposition (ELP) berechnet. Da es sich bei dieser Größe nicht um eine reale anatomische Größe handelt, kann sie nicht direkt in einem physikalischen Modell berücksichtigt werden, um hiermit die komplexe Augenoptik eines Patienten zu berechnen. Die ELP ist für die jeweilige Formel berechnet und optimiert, sodass keine direkte Vergleichbarkeit zwischen den ELPs verschiedener Formeln gegeben ist und das Modell kein anatomisch korrektes optisches System nutzt. [0004] Ein zweiter Aspekt ist, dass aktuelle IOL-Formeln in ihrer Prädiktion Modelle nutzen, die versuchen, über einige Parameter ein Fine-Tuning auf eine Datenlage vorzunehmen. Da diese von den Entwicklern manuell vordefiniert sind, handelt es sich hierbei nicht zwangsläufig um die jeweils beste Repräsentation. Neue Formeln wie die Hill-RBF-Formel umgehen diese Beschränkung durch die Nutzung von Machine-Learning-Ansätzen, die in der Lage sind, sich selbstständig an der Datenlage zu optimieren. Hierbei beruht ihre Vorhersage aber auf reiner Datenmasse, d.h. , das System nutzt keine physikalischen Konzepte und ist daher in seiner Effektivität beschränkt.
[0005] Generell zeigen die aktuellen Ansätze keine optimale Kombination aller vorhandenen Informationen und Modelle, die zur Verfügung stehen.
[0006] 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, integrierte und schnelle IOL-Brechkraftvorhersagen für eine Intraokularlinse anzugeben, das elegant erweiterbar ist.
Übersicht über die Erfindung
[0007] 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.
[0008] Entsprechend einem Aspekt der vorliegenden Erfindung wird ein Computer implementiertes Verfahren für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse vorgestellt. Das Verfahren kann ein Bereitstellen eines Scan-Ergebnisses eines Auges aufweisen. Das Scan-Ergebnis kann ein Bild einer anatomischen Struktur des Auges darstellen.
[0009] Das Verfahren kann weiterhin ein Bestimmen von biometrischen Daten des Auges aus den Scan-Ergebnissen eines Auges und ein Verwenden eines ersten trainierten maschinellen Lernsystems zur Bestimmung einer finalen Lageposition einer einzusetzenden Intraokularlinse aufweisen. Dabei können ophthalmologische Daten als Eingangsdaten für das erste maschinelle Lernsystem dienen. Schließlich kann das Verfahren ein Bestimmen einer ersten Brechkraft der einzusetzenden Intraokularlinse basierend auf einem physikalischen Modell, bei dem die bestimmte finale Lageposition der Intraokularlinse und die bestimmten biometrischen Daten als Eingangsvariablen für das physikalischen Modell genutzt werden, aufweisen.
[0010] Gemäß einem anderen Aspekt der vorliegenden Erfindung wird ein Verarbeitungs pipeline-System für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameter wertebestimmung für eine einzusetzende Intraokularlinse vorgestellt.
[0011] Das Verarbeitungspipeline-System kann ein Empfangsmodul, das angepasst ist zum Bereitstellen eines Scan-Ergebnisses eines Auges, aufweisen. Dabei kann das Scan-Ergebnis ein Bild einer anatomischen Struktur des Auges darstellen.
[0012] Weiterhin kann das Verarbeitungspipeline-System eine Bestimmungseinheit, die angepasst ist zum Bestimmen von biometrischen Daten des Auges aus den Scan-Ergebnissen eines Auges, und ein erstes trainiertes maschinelles Lernsystem zur Bestimmung einer finalen Lageposition einer einzusetzenden Intraokularlinse aufweisen. Die ophthalmologische Daten können als Eingangsdaten für das erste maschinelle Lernsystem dienen.
[0013] Schließlich kann das Verarbeitungspipeline-System eine Bestimmungseinheit, die angepasst ist zum Bestimmen einer ersten Brechkraft der einzusetzenden Intraokularlinse basierend auf einem physikalischen Modell, bei dem die bestimmte finale Lageposition der Intraokularlinse und die bestimmten biometrischen Daten als Eingangsvariablen für das physikalische Modell genutzt werden, aufweisen.
[0014] 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. [0015] 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: das hier vorgestellte Verfahren adressiert elegant die bekannten negativen Eigenschaften der bereits oben beschriebenen Nachteile. Insbesondere ermöglicht der dem Verfahren zugrunde liegende Algorithmus ,,ZAI" eine optimierte Berechnung der notwendigen Brechkraft einer während einer Katarakt- Operation eingesetzten Intraokularlinse. Der vorgestellte Algorithmus erlaubt es, eine durch Machine-Learning optimierte anatomisch korrekte Prädiktion der IOL-Position mit einem komplexen physikalischen Modell zu vereinen und die IOL Kalkulation durch Machine-Learning zu verfeinern. Damit können sowohl eine IOL-Position wie auch eine IOL- Brechkraftbestimmung in einem Vorgang - oder anders ausgedrückt: innerhalb eine Pipeline - ohne Medienbrüche bestimmt werden.
[0016] Dabei können sowohl physikalische Rechenmodelle wie auch Konzepte des maschinellen Lernens auf der Basis von klinischen ophthalmologischen Daten miteinander verknüpft in einer Pipeline zur integrierten Positionsbestimmung wie auch zur Brechkraftbestimmung der Intraokularlinse genutzt werden.
[0017] Ein maschinelles Lemsystem 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.
[0018] Dabei 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.
[0019] Weiterhin erlaubt es die Nutzung der echten physikalischen Position der IOL, Modelle beliebiger Genauigkeit und letztlich auch exakte physikalische Modelle zu verwenden. Das vorgestellte Verfahren ist also nicht auf Modelle von bestimmten Größen beschränkt und der final zu bestimmende Wert ist letztlich universell. Im Gegensatz dazu stehen die bisher verwendeten Formeln als effektive Linsenposition (ELP), da es sich bei dieser Größe nicht um eine reale anatomische Größe handelt. Sie kann deshalb auch nicht direkt in einem physikalischen Modell berücksichtigt werden, um hiermit die komplexe Augenoptik eines Patienten zu berechnen.
[0020] Intraokularlinse in vielen Formeln als effektive Linsenposition (ELP) berechnet. Da es sich bei dieser Größe nicht um eine reale anatomische Größe handelt, kann sie nicht direkt in einem physikalischen Modell berücksichtigt werden, um hiermit die komplexe Augenoptik eines Patienten zu berechnen. Die ELP ist für die jeweilige Formel berechnet und optimiert, sodass keine direkte Vergleichbarkeit zwischen den ELPs verschiedener Formeln gegeben ist und das Modell kein anatomisch korrektes optisches System nutzt
[0021] Im Folgenden werden weitere Ausführungsbeispiele vorgestellt, die sowohl im Zusammenhang mit dem Verfahren, wie auch mit dem entsprechenden System, Gültigkeit haben können.
[0022] Gemäß einem vorteilhaften Ausführungsbeispiel, kann das Verfahren zusätzlich ein Bestimmen einer finalen Brechkraft der Intraokularlinse mittels eines zweiten maschinellen Lernsystems aufweisen, wobei mindestens eine Größe aus den biometrischen Daten und die erste Brechkraft als Eingangsvariablen genutzt werden können. Die mindestens eine Größe kann beispielsweise die axiale Länge des Auges sein. Damit kann praktisch ein Transfer- Learning-Schritt vollzogen werden, der das in dem physikalischen Modell vorhandene Wissen als Basis nimmt, um eine genauere Brechkraftbestimmung zu ermöglichen. Das zweite maschinelle Lernsystem sollte dazu mit klinischen ophthalmologischen Daten, also mit Daten von realen früheren Patienten, trainiert worden sein. Typischerweise werden solche klinischen ophthalmologischen Daten annotiert. Auf diese Weise geht keine Information in der Pipeline verloren: sowohl die theoretischen Daten des physikalischen Modells wie auch die praktischen Erfahrungsdaten aus dem klinischen Alltag können berücksichtigt werden.
[0023] Auf diese Weise lassen sich auch charakteristische Eigenschaften bestimmter Kliniken bzw. deren Operationsverfahren in die Pipeline einbeziehen. Der Einsatz physikalischer Modelle erlaubt das in der Regel nicht oder nur mit dem Nachteil, von den bekannten Standards abzuweichen. [0024] Gemäß einem weiteren Ausführungsbeispiel des Verfahrens können die biometrischen Daten des Auges mindestens eines ausgewählt aus der Gruppe bestehend aus folgendem aufweisen: einer präoperationalen axialen Länge, einer präoperationalen Linsendicke, einer präoperativen Vorkammertiefe, und einer intraoperationalen Vorkammertiefe. Diese können aus dem Verfahrensschritt „Bestimmen von biometrischen Daten des Auges aus den Scan- Ergebnissen eines Auges“ abgeleitet werden. Dies kann entweder klassisch geschehen; allerdings kann bereits auch hierfür ein maschinelles Lernsystem eingesetzt werden, welches die biometrischen Daten des Auges in einem Scan-Direkt-Verfahren bestimmen, bei dem keine manuellen Schritte erforderlich sind. Die aufgenommenen Bilddaten eines Scan- Ergebnisses können direkt zur Bestimmung der biologischen Parameter genutzt werden.
[0025] Gemäß einem vorteilhaften Ausführungsbeispiel des Verfahrens kann bei dem ersten maschinellen Lernsystem ein Convolutional Neural Network, ein Graph Attention Network, oder eine Kombination der beiden vorgenannten, eingesetzt werden. Das Convolutional Neural Network kann beispielsweise eingesetzt werden, um charakteristische Merkmale in den aufgenommenen Scan-Ergebnissen zu erkennen und um die erzeugten Bilddaten zu komprimieren. Durch das Graph Attention Network können bekannte, annotierte Bilder bzw. deren komprimierte Darstellung in einem Graphen angeordnet sein. Durch ein neu aufgenommenes, aktuelles Bild eines Patientenauges können dann durch eine Distanzmessung, zu bereits im Graphen vorhandenen Bildern, die erforderlichen biometrischen Daten bestimmt werden, z.B. die postoperative finale Lageposition der Intraokularlinse. Diese kann dann gleich in der ZAI-Pipeline genutzt werden.
[0026] Gemäß einem weiterentwickelten Ausführungsbeispiel des Verfahrens kann das zweite maschinelle Lernsystem zweistufig trainiert werden, wobei der erste Trainingsschritt ein Erzeugen - insbesondere mittels eines Computers - von ersten Trainingsdaten für ein maschinelles Lernsystem, auf Basis eines ersten physikalischen Modells für eine Brechkraft, für eine Intraokularlinse aufweisen kann. Anschießend kann dann ein Trainieren des zweiten maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines entsprechenden Lernmodells für eine Brechkraftbestimmung erfolgen. Dabei sind die Hyperparameter des maschinellen Lernsystems durch das Design und die Auswahl des maschinellen Lernsystems festgelegt, während die internen Parameter des maschinellen Lernsystems durch das Training stückweise angepasst werden. [0027] In einem zweiten Trainingsschritt kann dann ein Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für die Brechkraftbestimmung erfolgen. Dabei wird das Prinzip des Transfer-Leaming genutzt; d.h. das bereits erlernte Wissen aus dem physikalischen Modell wird jetzt durch die Nutzung von realen, klinischen, ophthalmologischen Trainingsdaten weiter spezifiziert. Auf diese Weise lässt sich der Trainingsprozess bedeutend beschleunigen und es sind weniger klinische ophthalmologische Trainingsdaten erforderlich, da die Grundstruktur bereits durch das Training mit den Daten aus dem physikalischen Modell vorkonditioniert sind.
[0028] Gemäß einem erweiterten Ausführungsbeispiel des Verfahrens kann die eine Größe aus den biometrischen Daten die präoperationale axiale Länge sein. Diese variable Größe lässt sich elegant mit bekannten Messverfahren bestimmen (z.B. mittels OCT-Messung, z.B. einem A-Scan, einem B-Scan oder eine en-face OCT-Messung).
[0029] Gemäß einem wiederum erweiterten Ausführungsbeispiel des Verfahrens kann die Bestimmung der biometrischen Daten des Auges aus dem Bild manuell oder mittels eines maschinellen Lernsystems aus den bereitgestellten Scan-Ergebnissen des Auges erfolgen. An dieser Stelle bleibt es bei dem vorgeschlagenen Verfahren offen, welches Teilverfahren für die Bestimmung der biometrischen Daten des Auges verwendet wird. Allerdings bietet sich im Sinne des Pipeline-Gedankens eine Machine-Learning-basierte Ermittlung der biometrischen Daten an.
[0030] Gemäß einem erneut erweiterten Ausführungsbeispiel des Verfahrens können bei der Bestimmung der finalen Lageposition der einzusetzenden Intraokularlinse weitere Parameter des Auges bestimmt werden. Diese können sich auf die folgenden beziehen: Als typischer weiterer Parameter könnte die IOL-Position - insbesondere die erwartete finale Lageposition der IOL nach einem Einwachsprozess - genannt werden. Darüber hinaus kann auch ein Wert von IOL-Shift genutzt werden, der eine Verschiebung senkrecht zur optischen Achse bezeichnet. Abhängig vom Shift-Wert würde sich der Strahlengang im jeweils gewählten Modell verändern. [0031] Zusätzlich oder ergänzend kann auch ein IOL-Tilt-Wert (d.h., Verkippungswinkel der IOL gegenüber der optischen Achse) genutzt werden; auch hierdurch würde sich durch die Änderung der Strahlengang anzupassen sein. Denkbar wäre auch der IOL-Typ - insbesondere welche Haptik, welche Form, etc. eingesetzt werden. Sie kann die Position der Linse durch die Haptik/Form bestimmen und so Einfluss auf die finale Qualität der Operation (Einsatz der richtigen IOL) nehmen.
[0032] Ergänzend als zusätzlicher Parameter des Auges seien noch Kräfte auf die IOL durch den Kapselsack, etc. genannt. Hiermit können mögliche langfristige erwartete Änderungen in der Position berücksichtigt werden.
Übersicht über die Figuren
[0033] 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.
[0034] 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.
[0035] 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 für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse dar.
Fig. 2 stellt einen Querschnitt eines Teils eines Auges dar.
Fig. 3 stellt ein Auge, zusammen mit verschiedenen biometrischen Parametern des Auges, dar.
Fig. 4 stellt einen schematischen Aufbau wesentlicher Funktionsblöcke der Machine- Learning-gestützten Pipeline zur Dimensionierung einer Intraokularlinse, mittels des genannten Verfahrens, dar.
Fig. 5 stellt ein Diagramm des erfinderischen Verarbeitungspipeline-Systems für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse dar.
Fig. 6 stellt ein Diagramm eines Computersystems dar, welches zusätzlich das Verarbeitungspipeline-System gemäß Fig. 5, ganz oder teilweise, aufweisen kann.
Detaillierte Figurenbeschreibung
[0036] Im Kontext dieser Beschreibung sollen Konventionen, Begriffe und/oder Ausdrücke folgendermaßen verstanden werden:
[0037] Der Begriff „Machine-Learning gestützte Verarbeitungspipeline“ beschreibt das Gesamtkonzept des hier vorgestellten Verfahrens bzw. auch des hier vorgestellten Systems. Ausgehend von einem aufgenommenen digitalen Bild kann die finale Brechkraft einer einzusetzenden Intraokularlinse ohne Medienbruch und ohne zwischengeschobene manuelle Parameterbestimmung bestimmt werden. Dabei wird als Zwischenergebnis die finale postoperative IOL-Position auch ohne eine notwendige manuelle Parameterbestimmung genutzt. Die Verarbeitungspipeline setzt an verschiedenen Stellen maschinelle Lernsysteme ein, die mit realen Patientendaten trainiert wurden. Zusätzlich können physikalische Modelle genutzt werden. Auf diese Weise fließen in die finale Brechkraftbestimmung sowohl das Know- how theoretischer Modelle als auch von realen Erfahrungswerten ein.
[0038] Der Begriff „Intraokularlinse“ beschreibt eine künstliche Linse, die operativ anstelle der natürlichen, biologischen Linse in das Auge eines Patienten eingesetzt werden kann.
[0039] 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 enthaltenden) 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).
[0040] 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 den 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.
[0041] 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.
[0042] 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.
[0043] Der Begriff „Convolutional Neural Network“ (CNN) beschreibt - als ein Beispiel für einen Klassifikator/ein Klassifikatorsystem - 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.
[0044] Der Begriff „Graph Attention Network“ (GAT) beschreibt ein neuronales Network, das auf graphenstrukturierten Daten operiert. Es zeigt ein besseres Verhalten als die älteren „Graph-Convolution-Netzwerke“ (CGN). Dabei kommen maskierte selbstbezogenen Schichten von Knoten zum Einsatz, die die bekannten Näherungen in CGNs verbessern, ohne auf rechenintensive Matrixoperationen aufzubauen. Statt eines GAT wäre auch ein „GCN“ (graphical convolutional network) denkbar, bei welchem es sich um eine bestimmte Architektur von neuronalen Netzen handelt, welche auch direkt auf Graphen operieren können und die dort vorhandenen strukturellen Informationen nutzen können. Alternativ wäre auch das Framework „GraphSage“ einsetzbar. Es ist für induktives Repräsentationsiemen im Kontext von großen Graphen gut geeignet. Dabei kann GraphSage zum Generieren von niedrigdimensionalen Vektordarstellungen für Knoten verwendet werden und ist besonders nützlich für Diagramme mit umfangreichen Knotenattributinformationen.
[0045] 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, das 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.
[0046] 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.
[0047] Der Begriff „Scan-Ergebnis“ beschreibt digitale Daten, z.B. basierend auf digitalen Bildern/Aufnahmen, welche das Ergebnis einer OCT-Untersuchung (optische Kohärenztomographie) an einem Auge eines Patienten darstellt.
[0048] 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 (beispielsweise biologisches Gewebe) in Mikrometerauflösung zu erhalten. Dabei werden im Wesentlichen 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.
[0049] 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.
[0050] 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.
[0051] 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.
[0052] Der Begriff „Bild“ oder auch „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. Bild und digitales Bild können hier als Synonyme verstanden werden.
[0053] 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. [0054] Der Begriff „physikalisches Modell“ bezieht sich auf eine mathematische Formel, welche verschiedene Parameter eines Auges in Beziehung zueinander setzt, um Brechkraftbestimmungen vorzunehmen. Eine bekannte Formel ist die von Haigis.
[0055] Der Begriff „Brechkraft einer Intraokularlinse“ beschreibt den Brechungsindex der IOL.
[0056] 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 des erfinderischen Computer-implementierten Verfahrens für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse dargestellt. Nachfolgend werden weitere Ausführungsbeispiele, bzw. Ausführungsbeispiele für das entsprechende System beschrieben:
[0057] Fig. 1 stellt eine flussdiagrammartige Darstellung eines Ausführungsbeispiels des erfinderischen Computer-implementierten Verfahrens 100 für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse - insbesondere einzusetzen in ein Auge eines Patienten - dar. Das Verfahren 100 weist dabei ein Bereitstellen 102 eines Scan-Ergebnisses eines Auges auf, wobei das Scan-Ergebnis ein Bild einer anatomischen Struktur des Auges darstellt. Dies kann mittels OCT geschehen. Ein alternatives - aber ungenaueres verfahren basiert auf Ultraschall.
[0058] Das Verfahren 100 weist weiterhin ein Bestimmen 104 von biometrischen Daten des Auges - entweder traditionell oder bereits mit Hilfe eines maschinellen Lernsystems - aus den Scan-Ergebnissen eines Auges und ein Verwenden 106 eines ersten trainierten maschinellen Lernsystems zur Bestimmung einer finalen Lageposition der einzusetzenden Intraokularlinse im Auge auf. Als finale Lageposition wird dabei die langfristige post-operative Position der IOL verstanden. Eine Bestimmung, die auf einem trainierten maschinellen Lernsystem basiert, kann die langfristige post-operative Position direkt aus einem aufgenommen Bild (oder mehreren) des Patientenauges bestimmen; manuelle Zwischenschritte können dabei entfallen. Alternativ können die ophthalmologischen Daten - insbesondere die aus dem Vorschritt oder solche, die mittels „Scan-direkt“ ermittelt werden - als Eingangsdaten für das erste trainierte maschinelle Lernsystem dienen. [0059] Schließlich weist das Verfahren 100 ein Bestimmen 108 einer ersten Brechkraft der einzusetzenden Intraokularlinse, basierend auf einem physikalischen Modell, auf, bei dem die bestimmte finale Lageposition der Intraokularlinse und die bestimmten biometrischen Daten als Eingangsvariablen für das physikalische Modell genutzt werden. Das physikalische Modell ist dabei ein mathematisches, deterministisches Modell.
[0060] Optional kann das Bestimmen 110 der finalen Brechkraft mittels eines zweiten maschinellen Lernsystems verfeinert bzw. verbessert werden. Dabei werden die erste Brechkraft und mindestens eine Größe der biometrischen Daten - z.B. die axiale Länge - als Eingangsdaten für das zweite trainierte maschinelle Lernsystem genutzt.
[0061] Fig. 2 zeigt eine symbolische Darstellung eines Querschnittes eines Auges 200 dar. Man erkennt die eingesetzte Intraokularlinse 202, die operativ nach einem Entfernen der natürlichen Augenlinse in den Kapselsack 204 eingesetzt wurde. Seitliche Strukturen 206 an der Intraokularlinse 202 sollen dafür sorgen, dass die Intraokularlinse 202 sich wirklich stabil im Kapselsack 204 verankert. Allerdings kann eine genaue Position der Intraokularlinse 202, die sich nach einer längeren Einwachsphase von beispielsweise mehreren Wochen einstellt, bisher praktisch nicht vorhergesagt werden. Das liegt unter anderem daran, dass der Kapselsack 204 im Vergleich zur eingesetzten Intraokularlinse 202 deutlich größer ist, daher vorher die komplette natürliche, aber nun entfernte Augenlinse umschlossen hat. Diese Sehnen und Muskelgewebe 208, die den Kapselsack 204 im Auge bzw. im Schädel verankern, verändern sich nach einer derartigen Operation, wodurch sich auch die Größe, die Form und die Lage des Kapselsackes 204 und damit auch die Lage der eingesetzten Intraokularlinse 202 verändern. Damit verändert sich auch der Abstand zwischen der eingesetzten Intraokularlinse 202 und der weiter hinten im Auge liegenden Retina. Optimale postoperative Ergebnisse können aber nur durch eine optimale Abstimmung der Brechkraft (Brechungsindex) der eingesetzten Intraokularlinse 202 und des Abstandes zur Retina erzielt werden. Da die Brechkraft der eingesetzten Intraokularlinse 202 nachträglich normalerweise nicht veränderbar ist, ist eine Lagevorhersage der eingesetzten Intraokularlinse 202 sehr wünschenswert.
[0062] Fig. 3 stellt ein Auge 300 mit verschiedenen biometrischen Parametern des Auges dar. Insbesondere sind folgende Parameter dargestellt: axiale Länge 302 (AL, axial length), vordere Kammerdicke 304 (ACD, anterior chamber depth), Keratometriewert 306 (K, Radius), Brechkraft der Linse, Linsendicke 308 (LT, lense thickness), zentrale Korneadicke 310 (CCT, central cornea thickness), Weiß-zu-Weiß-Abstand 312 (WTW, white-to-white distance), Pupillengröße 314 (PS, pupil size), hintere Kammertiefe 316 (PCD, posterior chamber depth), Retinadicke 318 (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.
[0063] 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.
[0064] 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-Brechkraft 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). [0065] Im letzten Schritt wird dann das Lernmodell durch reale biometrische Daten von Patientenaugen „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 Lemsystem 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.
[0066] Grundsätzlich verwendet die Pipeline ein maschinelles Lernmodell, um die Eingangsdaten aus OCT-Messungen des Patientenauges für eine optimierte Prädikation der anatomisch korrekten Position der Intraokularlinse zu verwenden. Diese Position wird dann in einem physikalischen Modell genutzt, das aufgrund der bekannten Position der Intraokularlinse ein beliebig realistisches Modell sein kann (z.B. ein normales mathematisch physikalisches Modell oder auch Ray-Tracing). Das physikalische Modell berechnet die notwendige IOL- Brechkraft für das Auge, anschließend wird das Ergebnis mithilfe von maschinellem Lernen zusätzlich verfeinert, um kleinere Modellfehler im physikalischen Modell zu korrigieren. Für das Training werden sowohl die IOL-Brechkraft-Ground-Truth-Daten als auch die IOL-Positions- Ground-Truth-Daten verwendet, um die Informationsnutzung zu optimieren.
[0067] Dazu zeigt Fig. 4 einen schematischen Aufbau wesentlicher Funktionsblöcke 400 der Machine-Learning-gestützten Pipeline zur Dimensionierung einer Intraokularlinse, mittels des genannten Verfahrens inklusive der Scanergebnisse/die Images 402 des Scans des Auges. Diese Ergebnisse - insbesondere in Form mindestens einen digitalen Bildes - können für eine klassische Extraktion biometrischer Daten 404 genutzt werden. Mindestens ein Teil dieser biometrischen Daten, wie auch die Scan-Ergebnisse selbst, werden einem Graphen basierenden neuronalen Netzwerk 406 als Eingangsdaten zugeführt, um daraus direkt eine postoperative finale IOL-Position 408 zu bestimmen.
[0068] Als nächstes erfolgt eine manuelle, formelbasierte Brechkraftbestimmung 410 auf der Basis eines mathematisch physikalischen Modells. Als Eingangswerte für diese Brechkraft bestimmung 410 dienen sowohl die extrahierten biometrischen Daten (oder ein Teil davon) als auch die finale IOL-Position 408. Zusätzlich kann ein weiteres maschinelles Lernsystem 412 für eine optimierte Brechkraftbestimmung eingesetzt werden, welches als Eingangsdaten sowohl die zuerst bestimmte Brechkraft der Intraokularlinse (als Ergebnis der Brechkraftbestimmung 410) als auch die zuvor bestimmten biometrischen Daten 404 (oder ein Teil davon) nutzt. Das trainierte maschinelle Lernsystem 412 liefert dann auf der Basis eines entsprechenden maschinellen Lernmodells die endgültige finale Brechkraft 414.
[0069] Durch die Darstellung der in Fig. 4 genannten einzelnen Stufen bzw.
Funktionseinheiten erschließt sich unmittelbar und eindeutig der Begriff der Pipeline, da sowohl die finale postoperative IOL-Position 408 wie auch die finale optimierte IOL-Brechkraft, mittels eines integrierten Prozesses, mit ineinandergreifenden Teilprozessen bestimmt werden kann.
[0070] Fig. 5 stellt - der Vollständigkeit halber - ein bevorzugtes Ausführungsbeispiel von Komponenten des Verarbeitungspipeline-Systems 500 für eine Machine-Learning gestützten Verarbeitungspipelines zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse dar. Das Verarbeitungspipeline-System 500 weist ein Empfangsmodul 502 auf, das angepasst ist zum Bereitstellen eines Scan-Ergebnisses eines Auges, wobei das Scan- Ergebnis mindestens ein Bild einer anatomischen Struktur des Auges darstellt.
[0071] Weiterhin weist das Pipeline Verarbeitungssystem 500 eine Bestimmungseinheit 504, die angepasst ist zum Bestimmen von biometrischen Daten des Auges aus den Scan- Ergebnissen eines Auges, und ein erstes trainiertes maschinelles Lemsystems 506 (vgl. auch das Graphen-basierte neuronale Netzwerk 406, Fig. 4) zur Bestimmung einer finalen Lageposition einer einzusetzenden Intraokularlinse auf, wobei ophthalmologische Daten als Eingangsdaten für das erste maschinelle Lernsystem dienen.
[0072] Darüber hinaus weist das Verarbeitungspipeline-System 500 eine Bestimmungseinheit 508 (vgl. auch Funktionsblock 410, Fig. 4) auf, die angepasst ist zum Bestimmen einer ersten Brechkraft der einzusetzenden Intraokularlinse basierend auf einem physikalischen Modell, bei dem die bestimmte finale Lageposition der Intraokularlinse und die bestimmten biometrischen Daten als Eingangsvariablen für das physikalische Modell genutzt werden.
[0073] Ergänzend kann auch ein weiteres maschinelles Lernsystem 510 für eine verbesserte Vorhersage der IOL-Brechkraft genutzt werden (vgl. Funktionsblock 412, Fig. 4). [0074] Es sei ausdrücklich darauf hingewiesen, dass die Module und Einheiten - insbesondere das Empfangsmodul 502, die Bestimmungseinheit 504, das erste trainierte maschinelle Lernsystem 506, und die Bestimmungseinheit 508 zum Bestimmen einer ersten Brechkraft mit elektrischen Signalleitungen oder über ein systeminternes Bussystem 512 verbunden sein können, um entsprechende Signale und/oder Daten von einem Modul (eine Einheit) zu einem anderen zu übertragen. Weiterhin optional können zusätzliche Module oder Funktionseinheiten an das systeminterne Bussystem 512 angeschlossen sein.
[0075] 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.
[0076] Weiterhin kann das System 500 eine Ausgabeneinheit (nicht dargestellt) aufweisen, welche zur Ausgabe oder Anzeige der vorhergesagten finalen IOL-Brechkraft, optional auch zur Anzeige der vorhergesagten IOL-Position, geeignet ist.
[0077] 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.
[0078] 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.
[0079] 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.
[0080] 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.
[0081] Darüber hinaus können mindestens Teile des Systems 500 für eine Brechkraft bestimmung einer IOL (vgl. Fig. 5) an das Bussystem 606 angeschlossen sein. [0082] 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.
[0083] 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.
[0084] 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.
[0085] 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.
[0086] 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.
[0087] 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.
[0088] 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.
[0089] 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.
[0090] 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 Auge mit Intraokularlinse
202 Intraokularlinse
204 Kapselsack
206 seitliche Strukturen
208 Sehnen und Muskeln
300 Auge
302 axiale Länge
304 vordere Kammerdicke
306 Keratometriewert
308 Linsendicke
310 zentrale Corneadicke
312 Weiß-zu-Weiß-Abstand
314 Pupillengröße
316 hintere Kammertiefe
318 Retinadicke
400 Funktionsblöcke für die Ausführung des Verfahrens
402 Scanergebnisse
404 biometrische Daten
406 neuronales Netzwerk
408 IOL-Position
410 formelbasierte Brechkraftbestimmung
412 maschinelles Lernsystem
414 finale Brechkraft
500 System zu Brechkraftvorhersage
502 Erzeugungsmodul
504 erstes Trainingsmodul zweites T rainingsmodul Empfangsmodul weiteres maschinelles Lernsystem
Bussystem
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) für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse (202), das Verfahren (100) aufweisend
- Bereitstellen (102) eines Scan-Ergebnisses (402) eines Auges (300), wobei das Scan-Ergebnis (402) ein Bild einer anatomischen Struktur des Auges (300) darstellt,
- Bestimmen (104) von biometrischen Daten (404) des Auges (300) aus den Scan- Ergebnissen (402) eines Auges,
- Verwenden (106) eines ersten, trainierten maschinellen Lernsystems (406) zur Bestimmung einer finalen Lageposition (408) einer einzusetzenden Intraokularlinse (202), wobei ophthalmologische Daten (404) als Eingangsdaten für das erste maschinelle Lernsystem (406) dienen,
- Bestimmen (108) einer ersten Brechkraft (414) der einzusetzenden Intraokularlinse (202), basierend auf einem physikalischen Modell (410), bei dem die bestimmte finale Lageposition (408) der Intraokularlinse (202) und die bestimmten biometrischen Daten (404) als Eingangsvariablen für das physikalische Modell (410) genutzt werden, und
- Bestimmen einer finalen Brechkraft der Intraokularlinse mittels eines zweiten, maschinellen Lernsystems, wobei mindestens eine Größe aus den biometrischen Daten (404) und die erste Brechkraft (414) als Eingangsvariablen genutzt werden, wobei das zweite maschinelle Lernsystem (412) zweistufig trainiert wird, wobei
- ein erster Trainingsschritt aufweist:
- Erzeugen von ersten Trainingsdaten für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells für eine Brechkraft für eine Intraokularlinse,
- Trainieren des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für eine Brechkraftbestimmung, und
- wobei ein zweiter Trainingsschritt aufweist:
- Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für die Brechkraftbestimmung.
2. Das Verfahren (100) gemäß Anspruch 1 , wobei die biometrischen Daten des Auges mindestens eines ausgewählte aus der Gruppe bestehend aus einer präoperationale axiale Länge (302), einer präoperationale Linsendicke, einer präoperativen Vorkammertiefe (304), und einer intraoperationale Vorkammertiefe aufweist.
3. Das Verfahren (100) gemäß Anspruch 1 oder 2, bei dem das erste maschinelle Lernsystem (406) ein Convolutional Neural Network, ein Graph Attention Network oder eine Kombination der beiden vorgenannten ist.
4. Das Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei die eine Größe aus den biometrischen Daten (404) die präoperationale axiale Länge ist.
5. Das Verfahren^ 00) gemäß einem der vorangegangenen Ansprüche, wobei die Bestimmung von biometrischen Daten (404) des Auges aus dem Bild manuell oder mittels eines maschinellen Lernsystems aus den bereitgestellten Scan-Ergebnissen (402) des Auges erfolgt.
6. Das Verfahren (100) gemäß einem der vorangegangenen Ansprüche, wobei bei der Bestimmung der finalen Lageposition (414) der einzusetzenden Intraokularlinse weitere Parameter des Auges (300) bestimmt werden.
7. Ein Verarbeitungspipeline-System (500) für eine Machine-Learning gestützte Verarbeitungspipeline zur Parameterwertebestimmung für eine einzusetzende Intraokularlinse (202), das Verarbeitungspipeline-System (500) aufweisend - ein Empfangsmodul (502), das angepasst ist zum Bereitstellen eines Scan- Ergebnisses (402) eines Auges (300), wobei das Scan-Ergebnis (402) ein Bild einer anatomischen Struktur des Auges (300) darstellt,
- eine Bestimmungseinheit (504), die angepasst ist zum Bestimmen von biometrischen Daten (404) des Auges (300) aus den Scan-Ergebnissen (402) eines Auges (300),
- ein erstes trainiertes maschinelles Lernsystem (406) zur Bestimmung einer finalen Lageposition (408) einer einzusetzenden Intraokularlinse (202), wobei ophthalmologische Daten (404) als Eingangsdaten für das erste maschinelle Lernsystem (406) dienen,
- eine Bestimmungseinheit (508), die angepasst ist zum Bestimmen einer ersten Brechkraft der einzusetzenden Intraokularlinse basierend auf einem physikalischen Modell, bei dem die bestimmte finale Lageposition der Intraokularlinse und die bestimmten biometrischen Daten als Eingangsvariablen für das physikalischen Modell genutzt werden, und eine Bestimmungseinheit, die angepasst ist zum Bestimmen einer finalen Brechkraft der Intraokularlinse mittels eines zweiten, maschinellen Lernsystems, wobei mindestens eine Größe aus den biometrischen Daten (404) und die erste Brechkraft (414) als Eingangsvariablen genutzt werden, wobei das zweite maschinelle Lernsystem (412) zweistufig trainiert wird, wobei
- ein erster Trainingsschritt aufweist:
- Erzeugen von ersten Trainingsdaten für ein maschinelles Lernsystem auf Basis eines ersten physikalischen Modells für eine Brechkraft für eine Intraokularlinse,
- Trainieren des maschinellen Lernsystems mittels der erzeugten ersten Trainingsdaten zur Bildung eines ersten Lernmodells für eine Brechkraftbestimmung, und - wobei ein zweiter Trainingsschritt aufweist:
- Trainieren des mit den ersten Trainingsdaten trainierten maschinellen Lernsystems mit klinischen ophthalmologischen Trainingsdaten zur Bildung eines zweiten Lernmodells für die Brechkraftbestimmung.
8. Ein Computerprogrammprodukt für eine Machine-Learning gestützte
Verarbeitungspipeline zur Parameterwertebestimmung 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 oder Steuereinheiten ausführbar sind und den einen oder die mehreren Computer oder Steuereinheiten dazu veranlasst, das Verfahren entsprechend einem der Ansprüche 1 bis 6 auszuführen.
PCT/EP2021/051300 2020-01-24 2021-01-21 Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse WO2021148518A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202180010612.7A CN115103653A (zh) 2020-01-24 2021-01-21 用于确定人工晶状体尺寸的机器学习支持的流水线
EP21702871.1A EP4093329A1 (de) 2020-01-24 2021-01-21 Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse
US17/759,359 US20230078161A1 (en) 2020-01-24 2021-01-21 Machine learning-supported pipeline for dimensioning an intraocular lens
JP2022544699A JP7579864B2 (ja) 2020-01-24 2021-01-21 眼内レンズを寸法決めするための機械学習支援パイプラインのためのコンピュータ実装方法、処理パイプラインシステムおよびコンピュータプログラム製品

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020101763.4A DE102020101763A1 (de) 2020-01-24 2020-01-24 Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse
DE102020101763.4 2020-01-24

Publications (1)

Publication Number Publication Date
WO2021148518A1 true WO2021148518A1 (de) 2021-07-29

Family

ID=74505182

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/051300 WO2021148518A1 (de) 2020-01-24 2021-01-21 Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse

Country Status (5)

Country Link
US (1) US20230078161A1 (de)
EP (1) EP4093329A1 (de)
CN (1) CN115103653A (de)
DE (1) DE102020101763A1 (de)
WO (1) WO2021148518A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022125419B4 (de) 2022-09-30 2024-10-02 Carl Zeiss Meditec Ag Trainings-domänen-basiertes ai-boosting einer iol-bestimmung
CN117238514B (zh) * 2023-05-12 2024-05-07 中山大学中山眼科中心 一种人工晶状体屈光力预测方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060274268A1 (en) * 2001-04-27 2006-12-07 Andino Rafael V Automatic lens design and manufacturing system
DE102017122636A1 (de) * 2017-09-28 2019-03-28 Carl Zeiss Ag Verfahren und Vorrichtungen zum Entwerfen optischer Systeme
US20190099262A1 (en) * 2017-09-29 2019-04-04 John Gregory LADAS Systems, apparatuses, and methods for intraocular lens selection using artifical intelligence

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3491996A4 (de) 2016-07-29 2020-03-25 Nidek Co., Ltd. Ophthalmologische vorrichtung und programm zur bestimmung einer iol-stärke

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060274268A1 (en) * 2001-04-27 2006-12-07 Andino Rafael V Automatic lens design and manufacturing system
DE102017122636A1 (de) * 2017-09-28 2019-03-28 Carl Zeiss Ag Verfahren und Vorrichtungen zum Entwerfen optischer Systeme
US20190099262A1 (en) * 2017-09-29 2019-04-04 John Gregory LADAS Systems, apparatuses, and methods for intraocular lens selection using artifical intelligence

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHAO PAUL ET AL: "Intelligent actuation strategy via image feedbacks for a magnetically actuated autofocusing module in mobile phones", JOURNAL OF APPLIED PHYSICS, AMERICAN INSTITUTE OF PHYSICS, US, vol. 103, no. 7, 12 March 2008 (2008-03-12), pages 7F123 - 7F123, XP012110378, ISSN: 0021-8979, DOI: 10.1063/1.2835451 *

Also Published As

Publication number Publication date
CN115103653A (zh) 2022-09-23
DE102020101763A1 (de) 2021-07-29
EP4093329A1 (de) 2022-11-30
US20230078161A1 (en) 2023-03-16
JP2023511199A (ja) 2023-03-16

Similar Documents

Publication Publication Date Title
WO2021148517A1 (de) Physikalisch motiviertes machine-learning-system für optimierte intraokularlinsen-kalkulation
WO2022162013A1 (de) Theorie-motivierte domänenkontrolle für ophthalmologische machine-learning-basierte vorhersagemethode
DE10357203B4 (de) Verfahren und Steuereinrichtung zum Betrieb eines Magnetresonanztomographie-Geräts sowie Magnetresonanztomographie-Gerät
EP3103060A1 (de) 2d-bildanalysator
WO2016024017A1 (de) Augenchirurgievorrichtung zum einsetzen von intraokularlinsen in augen
WO2021148518A1 (de) Machine-learning gestützte pipeline zur dimensionierung einer intraokularlinse
DE102011106714A1 (de) "Verfahren zur optimierten Vorhersage der postoperativen, anatomischen Position einer in ein pseudophakes Auge implantierten Intraokularlinse"
WO2009007368A1 (de) Vorrichtung und verfahren zur bestimmung der erforderlichen korrektur der fehlsichtigkeit eines auges
DE102021109945B4 (de) Ki-basierte videoanalyse der kataraktchirurgie zur dynamischen anomalieerkennung und korrektur
EP3540632B1 (de) Verfahren zum klassifizieren von gewebeproben
WO2021148519A1 (de) MACHINE-LEARNING BASIERTE BRECHKRAFTBESTIMMUNG FÜR MAßNAHMEN ZUR KORREKTUR DER SEHFÄHIGKEIT VON OCT BILDERN
DE102020106607A1 (de) Maschinelles Lernsystem für eine Zustandserkennung einer Operation und Assistenzfunktion
DE102012213461B4 (de) Erzeugung modifizierter Bilddaten eines Zielobjekts
EP2705403B1 (de) Verfahren und vorrichtung zur präoperativen vorhersage einer postoperativen horizontalen tiefenlage einer intraokularlinse in einem auge
DE102013002293A1 (de) Augenchirurgiesysteme und Verfahren zum Einsetzen von Introkularlinsen
DE102011081987B4 (de) Verfahren zur Erzeugung eines Modells einer Oberfläche einer Hohlraumwand
EP3748574A1 (de) Adaptive bereinigung von messdaten um unterschiedliche arten von störungen
DE102009006765B4 (de) Verfahren zur Ansteuerung einer Bildausgabeeinrichtung, Verfahren zur Ermittlung von tangentialen Schnittebenen, Ansteuerungsmodul und Schnittebenenermittlungseinheit
WO2021148515A1 (de) Machine-learning basierte iol-positionsbestimmung
DE102022125421B4 (de) Physische iol-positionsbestimmung auf basis unterschiedlicher intraokularlinsentypen
DE102022128197B3 (de) Interpolationsbasierte Reverse Inference eines refraktiven Ergebnisses von AI-Basierter IOL-Bestimmung
DE102022128198B4 (de) Vergrössern einer Trainingsdatenmenge zur Verbesserung einer Vorhersagegenauigkeit einer AI-basierten IOL-Bestimmung
DE102019133174A1 (de) Kontextsensitiver Weißabgleich für Operationsmikroskope
DE112020006050T5 (de) Konfigurieren einer medizinischen Vorrichtung und Patientenbehandlung
DE102023126722A1 (de) Physikalische augmentierung von patientendaten für medizinische anwendungen

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21702871

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022544699

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: 2021702871

Country of ref document: EP

Effective date: 20220824