用于确定人工晶状体尺寸的机器学习支持的流水线制造技术

本发明专利技术涉及一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法。该方法包括提供眼睛的扫描结果。该扫描结果是该眼睛的解剖结构的图像。该方法进一步包括根据眼睛的扫描结果确定该眼睛的生物特征数据，以及使用第一经训练的机器学习系统来确定要插入的人工晶状体的最终位置，眼科数据被用作该第一机器学习系统的输入数据。该方法进一步包括确定该要插入的人工晶状体的第一屈光力，该确定基于物理模型，在该物理模型中，该人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。入变量。入变量。

【技术实现步骤摘要】
【国外来华专利技术】用于确定人工晶状体尺寸的机器学习支持的流水线


[0001]本专利技术涉及确定人工晶状体的屈光力，并且特别地，涉及一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法、一种对应的系统以及一种用于执行该方法的对应计算机程序产品。

技术介绍

[0002]近年来，在眼科领域，例如在（与年龄相关的）屈光不正的情况下或在白内障的情况下，用人工晶状体（IOL）代替眼睛的生物晶状体已变得越来越普遍。在该过程中，通过微创介入将生物晶状体从囊袋中分离并取出。随后，用人造晶状体植入物代替在白内障的情况下已变得混浊的晶状体。在该过程中，将这种人造晶状体植入物或人工晶状体插入到当时的空囊袋中。对人工晶状体的正确位置和必要的屈光力的了解是相互依赖的。
[0003]当前利用的IOL计算公式有几个问题。首先，人工晶状体的位置在许多公式中被计算为有效晶状体位置（ELP）。由于该变量不是真正的解剖变量，因此其不能在物理模型中被直接考虑用于计算患者的复杂眼科光学。ELP是针对各自的公式计算和优化的，因此不同公式的ELP之间没有直接的可比性，并且该模型没有使用解剖学上正确的光学系统。
[0004]第二方面在于，当前IOL公式在预测中使用模型，这些模型试图通过一些参数来对数据的可用性进行微调。由于这些是由开发人员手动预定义的，因此这不一定是每种情况下的最佳表示。如Hill RBF公式等新公式通过使用机器学习方法规避了这一限制，这些机器学习方法能够在数据可用性的基础上独立进行优化。然而，在这种情况下，预测仅基于大量数据，也就是说该系统不使用任何物理概念，因此在其有效性方面受到限制。
[0005]一般来说，当前的方法没有表现出所有可用信息和现有模型的最佳组合。
[0006]从用于近似确定要插入的IOL的正确屈光力的已知方法的缺点出发，本文提出的概念的基本目的是指定一种用于可良好地延展的人工晶状体的改进的、综合的和快速的IOL屈光力预测的方法和系统。

技术实现思路

[0007]本专利技术的目的通过根据独立权利要求这里提出的方法、对应的系统和相关联的计算机程序产品来实现。进一步的实施例由相应的从属权利要求来描述。
[0008]根据本专利技术的一方面，提出了一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的计算机实施的方法。该方法可以包括提供眼睛的扫描结果。该扫描结果可以表示该眼睛的解剖结构的图像。
[0009]该方法还可以包括根据眼睛的扫描结果确定该眼睛的生物特征数据，以及使用第一经训练的机器学习系统来确定要插入的人工晶状体的最终位置。在这种情况下，眼科数据可以用作该第一机器学习系统的输入数据。最后，该方法可以包括确定该要插入的人工晶状体的第一屈光力，该确定基于物理模型，在该物理模型中，该人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。
[0010]根据本专利技术的另一方面，提出了一种用于确定要插入的人工晶状体的参数值的机器学习支持的处理流水线的处理流水线系统。
[0011]该处理流水线系统可以包括被配置为提供眼睛的扫描结果的接收模块。在这种情况下，该扫描结果可以表示该眼睛的解剖结构的图像。
[0012]此外，该处理流水线系统可以包括被配置为根据眼睛的扫描结果确定该眼睛的生物特征数据的确定单元，以及用于确定要插入的人工晶状体的最终位置的第一经训练的机器学习系统。该眼科数据可以用作该第一机器学习系统的输入数据。
[0013]最后，该处理流水线系统可以包括被配置为确定该要插入的人工晶状体的第一屈光力的确定单元，该确定基于物理模型，在该物理模型中，该人工晶状体的确定的最终位置和确定的生物特征数据被用作该物理模型的输入变量。
[0014]此外，实施例可以涉及能够从计算机可用介质或计算机可读介质访问的包含程序代码的计算机程序产品，这些程序代码由计算机或其他指令处理系统使用或与其结合使用。在本说明书的上下文中，计算机可用介质或计算机可读介质可以是适合于存储、通信、传输或传送程序代码的任何设备。
[0015]该用于确定要插入的人工晶状体的屈光力的计算机实施的方法具有多个优点和技术效果，这些优点和技术效果也可以相应地适用于相关联的系统：这里提出的方法良好地解决了上述缺点的已知负面属性。特别地，该方法所基于的“ZAI”算法有助于优化计算在白内障手术期间插入的人工晶状体的所需屈光力。所提出的算法允许将通过机器学习优化的IOL位置的解剖学上正确的预测与复杂的物理模型统一起来，并允许通过机器学习对IOL计算进行细化。因此，可以在一个过程中——或者换句话说：在流水线内——确定IOL位置和IOL屈光力确定两者，而无需介质中断。
[0016]在这种情况下，可以在流水线内将物理计算模型和基于临床眼科数据的机器学习概念两者联系起来，以综合确定人工晶状体的位置并确定人工晶状体的屈光力。
[0017]仅基于可用的临床眼科数据来确定要插入的人工晶状体的屈光力的机器学习系统首先需要相对较长的训练时间，其次将无法考虑物理模型的已知属性。
[0018]在这种情况下，当已经经训练的机器学习模型通过更好的或进一步的训练数据来重新训练时所产生的速度优势在每种情况下都得到了利用。这可以显著缩短整体训练时间，从而显著节省计算能力，并因此更好地利用可用的计算机容量。
[0019]此外，使用IOL的真正物理位置允许使用具有任何所需准确度的模型，并最终还允许使用精确的物理模型。因此，所提出的方法不限于某些大小的模型，并且最终确定的值最终具有普遍性。这与先前使用的有效晶状体位置（ELP）公式形成对比，因为该变量不是真正的解剖变量。因此，它也不能直接在用于计算患者的复杂眼科光学的物理模型中考虑。
[0020]人工晶状体在许多公式中被计算为有效晶状体位置（ELP）。由于该变量不是真正的解剖变量，因此其不能在物理模型中被直接考虑用于计算患者的复杂眼科光学。ELP是针对各自的公式计算和优化的，因此不同公式的ELP之间没有直接的可比性，并且该模型没有使用解剖学上正确的光学系统。
[0021]下面呈现了进一步的示例性实施例，这些示例性实施例在结合该方法和对应的系统时都是有效的。
[0022]根据有利的示例性实施例，该方法可以另外包括通过第二机器学习系统确定该人
工晶状体的最终屈光力，来自该生物特征数据的至少一个变量和该第一屈光力能够用作输入变量。举例来说，该至少一个变量可以是该眼睛的眼轴长度。因此，可以实际执行迁移学习步骤，该步骤使用物理模型中存在的知识作为基础，以便于更准确地确定屈光力。为此，第二机器学习系统应该使用临床眼科数据进行训练，也就是说来自早期真实患者的数据。这种临床眼科数据通常带有注释。以这种方式，流水线中不会丢失任何信息：物理模型的理论数据和来自临床常规的实际经验数据两者都可以考虑在内。
[0023]以这种方式，还可以将某些诊所的特性属性或其操作方法包括在流水线中。通常，物理模型的使用不允许这样做，或者仅允许这样做，其缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于确定要插入的人工晶状体（202）的参数值的机器学习支持的处理流水线的计算机实施方法（100），该方法（100）包括以下步骤
‑ꢀ
提供（102）眼睛（300）的扫描结果（402），该扫描结果（402）表示该眼睛（300）的解剖结构的图像，
‑ꢀ
根据眼睛的扫描结果（402）确定（104）该眼睛（300）的生物特征数据（404），
‑ꢀ
使用（106）第一经训练的机器学习系统（406）来确定要插入的人工晶状体（202）的最终位置（408），眼科数据（404）用作该第一机器学习系统（406）的输入数据，
‑ꢀ
确定（108）该要插入的人工晶状体（202）的第一屈光力（414），该确定基于物理模型（410），在该物理模型中，该人工晶状体（202）的确定的最终位置（408）和确定的生物特征数据（404）被用作该物理模型（410）的输入变量，以及
‑ꢀ
通过第二机器学习系统确定该人工晶状体的最终屈光力，来自该生物特征数据（404）的至少一个变量和该第一屈光力（414）被用作输入变量，该第二机器学习系统（412）分两个阶段进行训练，其中
‑ꢀ
第一训练步骤包括：
‑ꢀ
基于用于人工晶状体屈光力的第一物理模型为机器学习系统产生第一训练数据，
‑ꢀ
通过所产生的第一训练数据来训练该机器学习系统，以形成用于确定屈光力的第一学习模型，并且
‑ꢀ
其中，第二训练步骤包括：
‑ꢀ
使用临床眼科训练数据来训练用该第一训练数据训练的该机器学习系统，以形成用于确定屈光力的第二学习模型。2.如权利要求1所述的方法（100），其中，该眼睛的生物特征数据包括选自由术前眼轴长度（302）、术前晶状体厚度、术前前房深度（304）、和术中前房深度组成的组中的至少一项。3.如权利要求1或2所述的方法（100），其中，该第一机器学习系统（406）是卷积神经网络、图注意力网络或上述两种网络的组合。4.如前述权利要求中任一项所述的方法（100），其中，来自该生物特征数据（404）的一个变量是该术前眼轴长度。5.如前述权利要求中任一项所述的方法（100），其中，该眼睛的生物特征数据（404）是从该图像手动确定的或者是通过机器学习系统从该眼睛...

【专利技术属性】
技术研发人员：H，
申请(专利权)人：卡尔蔡司医疗技术股份公司，
类型：发明
国别省市：