晶状体屈光力测算方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种晶状体屈光力测算方法，该方法中提出将既往的晶状体屈光力计算方法和眼前节影像分析相互结合，利用深度学习方法对眼前节影像进行晶状体屈光力测算，避免了复杂的几何图像计算工作，也减少了对于设备的要求，通过建立一个比较简单的根据图像获得晶状体屈光力的计算模型即可实现屈光力的精准测算，实现过程对于设备要求低，容易在临床上推广，且计算精准度高。本申请还提供了一种晶状体屈光力测算装置、设备及一种可读存储介质，具有上述有益效果。

【技术实现步骤摘要】
晶状体屈光力测算方法、装置、设备及存储介质
本申请涉及眼前节检查
，特别涉及一种晶状体屈光力测算方法、装置、设备及一种可读存储介质。
技术介绍
晶状体屈光力在人的视觉功能中起着重要的角色。儿童青少年的视觉发育、近视发展都涉及到晶状体屈光力的动态变化。因此，研究晶状体屈光力对于了解眼科的屈光系统疾病以及青少年视觉发育过程将有帮助。由于晶状体位于角膜后方眼球内部，因此晶状体屈光力并无法直接测量，对于活体晶状体的屈光力评估一直是眼前节检查设备的技术难点。目前眼前节检查设备测量晶状体屈光力的方法主要包括以下几种：1)基于Purkinje或者oct影像数据的测量方法：根据角膜晶体表面的Purkinje或者oct图像来确定晶状体的曲率半径以计算获得晶状体屈光力；2)基于眼球生物参数与屈光状态，建立在Gullstrand-Emsley模型眼基础上的计算公式，如Bennett公式；3)基于Schiempflug三维晶状体图像以及OCT图像的分析。但以上三种方法存在着临床推广困难、适应人群较窄以及需要进行复杂的数学矫正的不足。因此，如何简化晶状体屈光力测量的实现过程，同时保证测量的精准度，是本领域技术人员急需解决的问题。
技术实现思路
本申请的目的是提供一种晶状体屈光力测算方法，该方法可以简化晶状体屈光力测量的实现过程，同时测量的精准度高；本申请的另一目的是提供一种晶状体屈光力测算装置、设备及一种可读存储介质。为解决上述技术问题，本申请提供一种晶状体屈光力测算方法，包括：>确定目标眼前节影像；其中，所述目标眼前节影像包括：眼前节分析仪器Schiempflug眼前节图像和/或扫频OCT眼前节图像；将所述目标眼前节影像输入至预训练的深度学习模型中进行屈光力测算，得到测算结果；将所述测算结果作为所述目标眼前节影像的晶状体屈光力测算结果输出。可选地，将所述目标眼前节影像输入至预训练的深度学习模型中进行屈光力测算，包括：将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络进行屈光力测算。可选地，将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络进行屈光力测算，包括：将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络中；所述屈光力自动预测卷积神经网络通过多层端到端的方式调用低中高三个层次的特征和分类器进行屈光力测算，得到测算结果。可选地，所述屈光力自动预测卷积神经网络的训练方法，包括：获取眼前节样本图像；所述眼前节样本图像包括：眼前节分析仪器Schiempflug眼前节图像和/或扫频OCT眼前节图像；调用改良的Bennett公式计算所述眼前节样本图像的晶状体屈光力，得到屈光力计算结果；根据所述屈光力计算结果对对应的所述眼前节样本图像进行屈光力标注；将标注后的所述眼前节样本图像输入至预搭建的屈光力自动预测卷积神经网络进行样本训练。可选地，所述屈光力自动预测卷积神经网络的训练方法，还包括：采用残差网络进行残差映射拟合；根据所述残差网络的拟合结果对所述屈光力自动预测卷积神经网络的参数进行反馈优化。本申请提供了一种晶状体屈光力测算装置，包括：影像确定单元，用于确定目标眼前节影像；其中，所述目标眼前节影像包括：眼前节分析仪器Schiempflug眼前节图像和/或扫频OCT眼前节图像；测算单元，用于将所述目标眼前节影像输入至预训练的深度学习模型中进行屈光力测算，得到测算结果；结果输出单元，用于将所述测算结果作为所述目标眼前节影像的晶状体屈光力测算结果输出。可选地，所述测算单元具体为第一测算单元，所述第一测算单元用于将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络进行屈光力测算。可选地，所述第一测算单元包括：输入子单元，用于将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络中；多层次测算子单元，用于所述屈光力自动预测卷积神经网络通过多层端到端的方式调用低中高三个层次的特征和分类器进行屈光力测算，得到测算结果。本申请提供了一种晶状体屈光力测算设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现所述的晶状体屈光力测算方法的步骤。本申请提供了一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述晶状体屈光力测算方法的步骤。本申请所提供的晶状体屈光力测算方法，该方法中提出将既往的晶状体屈光力计算方法和眼前节影像分析相互结合，利用深度学习方法对眼前节影像进行晶状体屈光力测算，避免了复杂的几何图像计算工作，也减少了对于设备的要求，通过建立一个比较简单的根据图像获得晶状体屈光力的计算模型即可实现屈光力的精准测算，实现过程对于设备要求低，容易在临床上推广，且计算精准度高。本申请还提供了一种晶状体屈光力测算装置、设备及一种可读存储介质，具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的一种晶状体屈光力测算方法的流程图；图2为本申请实施例提供的一种样本测算的实现示意图；图3为本申请实施例提供的一种训练过程的流程示意图；图4为本申请实施例提供的一种CNN网络结构示意图；图5为本申请实施例提供的一种晶状体屈光力测算装置的结构框图；图6为本申请实施例提供的一种晶状体屈光力测算设备的结构示意图。具体实施方式本申请的核心是提供一种晶状体屈光力测算方法，该方法可以简化晶状体屈光力测量的实现过程，同时测量的精准度高；本申请的另一核心是提供一种晶状体屈光力测算装置、设备及一种可读存储介质。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。请参考图1，图1为本实施例提供的晶状体屈光力测算方法的流程图，该方法主要包括：步骤s110、确定目标眼前节影像；目标眼前节影像指目标对象的眼前节影像，本实施例中对于目标眼前节影像的图像形式不做限定，可以根据深度学习模型(比如屈光力自动预测卷积神经网络或者类似方法)训练过程中采用的图像形式进行设定，具体地可以为：眼前节分析仪器Schiempflug眼前节图像、扫频OCT眼前节图像或眼前节分析仪器Schiempflug眼前节图像与扫频OCT眼前节图像两种图像的组合形式。...

【技术保护点】
1.一种晶状体屈光力测算方法，其特征在于，包括：/n确定目标眼前节影像；其中，所述目标眼前节影像包括：眼前节分析仪器Schiempflug眼前节图像和/或扫频OCT眼前节图像；/n将所述目标眼前节影像输入至预训练的深度学习模型中进行屈光力测算，得到测算结果；/n将所述测算结果作为所述目标眼前节影像的晶状体屈光力测算结果输出。/n

【技术特征摘要】
1.一种晶状体屈光力测算方法，其特征在于，包括：
确定目标眼前节影像；其中，所述目标眼前节影像包括：眼前节分析仪器Schiempflug眼前节图像和/或扫频OCT眼前节图像；
将所述目标眼前节影像输入至预训练的深度学习模型中进行屈光力测算，得到测算结果；
将所述测算结果作为所述目标眼前节影像的晶状体屈光力测算结果输出。


2.如权利要求1所述的晶状体屈光力测算方法，其特征在于，将所述目标眼前节影像输入至预训练的深度学习模型中进行屈光力测算，包括：
将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络进行屈光力测算。


3.如权利要求2所述的晶状体屈光力测算方法，其特征在于，将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络进行屈光力测算，包括：
将所述目标眼前节影像输入至预训练的屈光力自动预测卷积神经网络中；
所述屈光力自动预测卷积神经网络通过多层端到端的方式调用低中高三个层次的特征和分类器进行屈光力测算，得到测算结果。


4.如权利要求2所述的晶状体屈光力测算方法，其特征在于，所述屈光力自动预测卷积神经网络的训练方法，包括：
获取眼前节样本图像；所述眼前节样本图像包括：眼前节分析仪器Schiempflug眼前节图像和/或扫频OCT眼前节图像；
调用改良的Bennett公式计算所述眼前节样本图像的晶状体屈光力，得到屈光力计算结果；
根据所述屈光力计算结果对对应的所述眼前节样本图像进行屈光力标注；
将标注后的所述眼前节样本图像输入至预搭建的屈光力自动预测卷积神经网络进行样本训练。


5.如权利要求4所述的晶状体屈光力测算方法，其特征...

【专利技术属性】
技术研发人员：陈旭，
申请(专利权)人：上海爱尔眼科医院有限公司，
类型：发明
国别省市：上海;31