基于机器学习模型和波前分析的视觉质量评估的制作方法

基于机器学习模型和波前分析的视觉质量评估


背景技术：

1.本披露总体上涉及一种基于至少一个机器学习模型和波前分析来评估眼睛的视觉质量的系统和方法。人类具有五种基本感觉：视觉、听觉、嗅觉、味觉和触觉。视觉赋予我们看到周围世界的能力并将我们与周围环境联系起来。根据一些科学报道，大脑用于处理和存储视觉信息的空间比其他四种感觉加起来还多，这凸显了视觉的重要性。世界上许多人很大程度上由于屈光不正而存在视觉质量问题。眼睛的屈光不正通常可以分类为低阶像差和高阶像差。低阶像差包括近视、远视和散光。高阶像差包括许多种类的像差，比如彗差、三叶像差和球面像差。传统的眼睛检查程序会导致仅评估眼睛的低阶像差的视觉质量评估。


技术实现要素：

2.本文披露了一种评估眼睛的视觉质量的系统和方法，该系统具有控制器，该控制器具有处理器和其上记录有指令的有形非暂态存储器。控制器被配置为选择性地执行至少一个机器学习模型。处理器对指令的执行使得控制器：接收眼睛的波前像差数据并将波前像差数据表达为泽尼克多项式的集合。控制器被配置为基于泽尼克多项式的集合获得多个输入因子。将该多个输入因子馈送到至少一个机器学习模型中，该模型被训练以分析该多个输入因子。机器学习模型部分地基于该多个输入因子来生成至少一个视力矫正因子。视力矫正因子可以被编程到用于在视力矫正手术/屈光外科手术期间重塑眼睛的激光设备中。视力矫正因子可以用于帮助为眼睛选择眼镜、接触镜片和/或人工晶状体。
3.该多个输入因子可以包括散焦、初级球面像差、斜轴散光和垂直散光的相应波前系数。该视力矫正因子可以是显性等效球镜度数。视力矫正因子可以是log mar(最小分辨角的对数)未矫正视力因子。该至少一个机器学习模型可以包含神经网络和/或支持向量回归模型。
4.机器学习模型可以包括第一机器学习模型和第二机器学习模型。训练第一机器学习模型可以包括接收第一训练数据集，该第一训练数据集具有第一组患者的相应波前像差测量结果和相应测得的显性等效球镜度数值。第一训练输入值基于相应波前像差测量结果来获得并且应用于第一机器学习模型的相应输入层。相应测得的显性等效球镜度数值可以包括术前数据和术后数据。可以将相应测得的显性等效球镜度数值馈送到第一机器学习模型的相应输出层。
5.第一训练输入值可以用于生成与第一机器学习模型的相应节点相关联的第一多个权重值。第一训练数据集中的第一组患者可以通过相应的健康状态和/或相应的生物特征参数来表征，相应的生物特征参数在第一预定义最大值与第一预定义最小值内。相应的生物特征参数可以是前房深度、晶状体厚度、晶状体直径或其他尺寸。
6.训练第二机器学习模型可以包括接收第二训练数据集，该第二训练数据集具有第二组患者的相应波前像差测量结果和相应测得的显性等效球镜度数值。第二训练输入值基于相应波前像差测量结果来获得。第二训练输入值应用于第二机器学习模型的相应输入
层。将相应测得的显性等效球镜度数值馈送到第二机器学习模型的相应输出层。第二训练输入值可以用于生成与第二机器学习模型的相应节点相关联的第二多个权重值。第二训练数据集中的第二组患者可以通过相应的健康状态和/或相应的生物特征参数来表征，相应的生物特征参数在第二预定义最大值与第二预定义最小值内。
7.通过以下结合附图对实施本披露内容的最佳模式的详细描述，本披露内容的上述特征和优点以及其他特征和优点将显而易见。
附图说明
8.图1是用于评估眼睛的视觉质量的系统的示意性图示，该系统具有控制器；
9.图2是可由图1的控制器执行的方法的示意性流程图；
10.图3是可由图1的控制器执行的神经网络的示意性示例；
11.图4是可由图1的控制器执行的支持向量回归(svr)网络的示意性示例；
12.图5是展示术前数据的显性等效球镜度数的测量值(纵轴)和预测值(横轴)的示意图；
13.图6是展示术后数据的显性等效球镜度数的测量值(纵轴)和预测值(横轴)的示意图；以及
14.图7是展示术前数据和术后数据的log mar(最小分辨角的对数)未矫正视力的测量值(纵轴)和预测值(横轴)的示意图。
具体实施方式
15.参考附图，其中相似的附图标记指代相似的部件，图1示意性地展示了用于评估眼睛e的视觉质量的系统10。如下所述，系统10采用稳健的方法，该方法利用一个或多个机器学习模型，优化视觉质量的评估并产生更高的视觉质量预测成功率。参考图1，系统10包括具有光源14的验光设备12，该光源被配置为将光束16投射到眼睛e中。光束16被视网膜r反射。参考图1，反射光20在行进穿过晶状体22之后作为波前24离开眼睛e。波前24的特征在于眼睛e的物理构造所特有的失真。
16.参考图1，波前24被小透镜阵列26捕获并被传感器30检测到。通过将所捕获的波前24的形状与具有相同瞳孔大小的预编程参考波前的形状进行比较来创建眼睛e的像差图(在波前24穿过眼睛e中的瞳孔时)。例如，可以在特定点获得这两者之间的差异点。验光设备12可以包括相关联的光束引导元件(未示出)、电子部件和本领域技术人员可用的其他部件。应当理解，验光设备12可以采取许多不同的形式，并且包括多个部件和/或替代的部件。
17.参考图1，系统10包括控制器c，该控制器被配置为从传感器30接收数据。控制器c可以嵌入到验光设备12中。参考图1，控制器c可以被配置为经由短程网络32与验光设备12和其他实体通信。短程网络32可以是无线的或者可以包括物理部件。短程网络32可以是以各种方式实施的总线，比如局域网形式的串行通信总线。局域网可以包括但不限于控制器局域网(can)、具有灵活数据速率的控制器局域网(can-fd)、以太网、蓝牙、wifi和其他形式的数据连接。短程网络32可以是bluetooth
tm
连接，其被定义为短程无线电技术(或无线技术)，旨在简化互联网设备之间以及设备与互联网之间的通信。bluetooth
tm
是用于短距离传输固定和移动电子设备数据的开放式无线技术标准，并且创建在2.4ghz频带内运行的个人
网络。可以采用其他类型的连接。
18.参考图1，控制器c可以与用户接口34通信，该用户接口可以包括显示单元。另外，控制器c可以被配置为经由长程网络44与远程服务器40和/或云单元42通信。远程服务器40可以是由比如研究所、公司、大学和/或医院等组织维护的私有或公共信息源。云单元42可以包括托管在互联网上的一个或多个服务器，以存储、管理和处理数据。长程网络44可以是使用无线分布方法链接多个设备的无线局域网(lan)、连接几个无线lan的无线城域网(man)或覆盖比如相邻城镇和城市等大区域的无线广域网(wan)。可以采用其他类型的连接。
19.如图1所示，控制器c可以被配置为通过移动应用46从远程服务器40接收无线通信和向该远程服务器发射无线通信。移动应用46可以经由短程网络32与控制器c通信，从而可以访问控制器c中的数据。在一个示例中，移动应用46物理连接(例如，有线连接)到控制器c。在另一个示例中，移动应用46嵌入到控制器c中。可以采用本领域技术人员可用的远程服务器40和移动应用46(“app”)的电路系统和部件。
20.控制器c具有至少一个处理器p和其上记录有用于执行方法100的指令的至少一个存储器m(或非暂态有形计算机可读存储介质)。下面参考图2示出并描述方法100。控制器c被特别编程为选择性地执行一个或多个机器学习模型35(此后省略“一个或多个”)，比如图1所示的第一机器学习模型36和第二机器学习模型38。控制器c可以经由短程网络32、长程网络44和/或移动应用46访问机器学习模型35。可替代地，机器学习模型35可以嵌入到控制器c中。机器学习模型35可以被配置为寻找使相应的成本函数最小化的参数、权重或结构，并且可以包含相应的回归模型。
21.现在参考图2，示出了可由图1的控制器c执行的方法100的流程图。方法100不需要以本文列举的特定顺序应用，并且可以省略一些框。存储器m可以存储控制器可执行指令集，并且处理器p可以执行存储在存储器m中的控制器可执行指令集。
22.按照图2的框110，控制器c被配置为接收眼睛e的波前像差数据并依照泽尼克多项式的集合来转译或表达该波前像差数据。波前像差数据(a)被分解为一组在圆上的正交多项式，使得：其中a
i,j
是在眼睛e上测得的相应波前系数，并且表示泽尼克多项式。每个泽尼克多项式描述了在穿过眼睛e之后存在于波前24上的特定点的像差类型或种类。
23.控制器c被配置为基于泽尼克多项式的集合获得多个输入因子，其中，该多个输入因子是在眼睛e上测得的相应波前系数中的一个或多个。在一个示例中，控制器c采用两个输入因子：散焦的相应波前系数和初级球面像差的相应波前系数在另一个示例中，控制器c采用四个输入因子：散焦的相应波前系数初级球面像差的相应波前系数斜轴散光的相应波前系数和垂直散光的相应波前系数
24.按照图2的框120，方法100包括将多个输入因子馈送到机器学习模型35中，这些机器学习模型被训练以分析该多个输入因子。按照图2的框130，控制器c被配置为通过执行机器学习模型35，部分地基于该多个输入因子来生成至少一个视力矫正因子。视力矫正因子可以包括以下组成部分：球镜度数、柱镜度数和等效球镜度数，并且可以表达为显性等效球镜度数(mrse)。视力矫正因子可以表达为log mar(最小分辨角的对数)未矫正视力因子。视
力矫正因子可以用于建立用于屈光外科手术的消融曲线，并且用于帮助为眼睛选择眼镜、接触镜片和/或人工晶状体。另外，控制器c可以被配置为经由长程网络44在云42和/或远程服务器40中为(具有眼睛e的)患者创建患者简档，并将视力矫正因子上传或“保存”到患者简档中。
25.图1的机器学习模型35可以包括神经网络，该神经网络的示例在图3中示出。参考图3，神经网络200是具有至少三层的前馈人工神经网络，这些层包括输入层201、至少一个隐藏层220和输出层240。每个层由被配置为执行输入的线性和的仿射变换的相应节点n构成。相应节点n的特征在于相应的偏差和相应的加权链接。每个相应节点n的参数可以独立于其他节点，即，特征在于唯一的一组权重。输入层201可以包括第一输入节点202、第二输入节点204、第三输入节点206、第四输入节点208、第五输入节点210和第六输入节点212。输入层201中的相应节点n接收输入，对它们进行归一化，并将它们转发给隐藏层220中的相应节点n。
26.参考图3，隐藏层220可以包括第一隐藏节点222、第二隐藏节点224、第三隐藏节点226、第四隐藏节点228和第五隐藏节点230。当前层中的每个相应节点n计算前一层的输出的线性组合。具有三个层的网络将形成激活函数f(x)＝f(3)(f(2)(f(1)(x)))。对于输出层240中的相应的节点n，激活函数f可以是线性的。对于隐藏层220，激活函数f可以是s形函数。可以使用s形函数的线性组合来逼近表征输出向量y的连续函数。由神经网络200识别的模式可以被转译或转换成数字形式并嵌入到向量或矩阵中。
27.机器学习模型35可以包括支持向量回归模型300，该支持向量回归模型的示例在图4中示出。支持向量回归模型300被配置为找到函数(图4中的超平面304)，该函数使得数据点302在该函数的条带306内，即，在第一边界线308和第二边界线310内。参考图4，超平面304可以被定义为将输入向量x与输出向量y进行匹配(即，预测目标值)的线。超平面304是个性化的，以使条带306最大化并使预定义的误差最小化。如果存在位于条带306之外的点(比如外部点312)，则可以向支持向量回归模型300中引入惩罚。在确定超平面304之前，支持向量回归模型300可以使用核函数来将较低维度的数据集映射成较高维度的数据集。可以采用本领域技术人员可获得的其他机器学习模型。
28.机器学习模型35可以使用深度学习映射，以通过学习激活函数f使得f(x)映射到y来匹配输入向量x与输出向量y。训练过程使机器学习模型35能够关联适当的激活函数f(x)，以将输入向量x变换为输出向量y。例如，在简单线性回归模型的情况下，学习了两个参数：偏差和斜率。偏差是输入向量x为0时输出向量y的水平，并且斜率是输入向量x每增加一个单位时输出向量y的预测增加速率或减少速率。一旦分别训练了机器学习模型35，就可以用输入向量x的新值来计算输出向量y的估计值。
29.参考图1，控制器c可以被配置为经由长程网络44从远程服务器40获得一个或多个训练数据集。训练第一机器学习模型36和第二机器学习模型38可以包括接收第一训练数据集和第二训练数据集，该第一训练数据集和该第二训练数据集分别具有第一组患者和第二组患者的相应波前像差测量结果和相应测得的显性等效球镜度数值。可以基于眼睛的生物特征参数对训练数据集进行分层。换言之，该过程可以通过针对相似大小的眼睛尺寸或其他健康状况因子对训练数据集进行分组(例如，将受青光眼影响的患者分组在第一组患者中，并且将受视网膜脱落病史影响的患者分组在第二组患者中)来进行优化。
30.在一个非限制性示例中，第一训练数据集中的第一组患者可以通过在第一预定义最大值与第一预定义最小值内的相应生物特征参数来表征。相应的生物特征参数可以是眼睛的前房深度、晶状体厚度、晶状体直径或其他物理尺寸。第二训练数据集中的第二组患者可以通过在第二预定义最大值与第二预定义最小值内的相应生物特征参数来表征。
31.第一训练输入值和第二训练输入值可以分别基于相应的波前像差测量结果来获得并且应用于第一机器学习模型36和第二机器学习模型38的相应输入层。相应测得的显性等效球镜度数值可以包括术前数据和术后数据。可以将相应测得的显性等效球镜度数值馈送到第一机器学习模型36和第二机器学习模型38的相应输出层。第一训练输入值和第二训练输入值可以分别用于生成与第一机器学习模型36和第二机器学习模型38的相应节点相关联的第一多个权重值和第二多个权重值。这可以通过与验光设备12和/或控制器c分离的训练程序来完成。
32.现在参考图5、图6和图7，这些图示出了表示使用地形引导激光屈光研究的拟合模型的各种示例的示意图。图5示出了术前数据的模型拟合线400，其中，纵轴y1指示测得的显性等效球镜度数(mrse)值，而横轴x1指示预测的mrse值。图6示出了术后数据的模型拟合线500，其中，纵轴y2指示测得的mrse值，而横轴x2指示预测的mrse值。注意，图5和图6中的刻度不同，其中图6具有更小的相应范围。
33.图7示出了术前数据和术后数据两者的模型拟合线600和相应轮廓610，其中，纵轴y3指示测得的log mar(最小分辨角的对数)未矫正视力值，而横轴x3表示预测的log mar(最小分辨角的对数)未矫正视力值。下面的表1和表2分别示出了图5和图6的拟合模型的比较，这些拟合模型利用了二阶泽尼克多项式与四阶泽尼克多项式的线性和。
34.表1-术前数据
[0035] 机器学习模型拟合二阶泽尼克四阶泽尼克平均绝对预测误差0.3140.4370.531成功百分比78.065.554.1偏差因子0.9880.9870.984
[0036]
表2-术后数据
[0037][0038][0039]
如上面的表1和表2所示，机器学习模型35提高了视觉质量评估的平均绝对预测误差和预测成功率。另外，系统10消除了当在远处观测对象时重新调整瞳孔直径的需要。
[0040]
图1的控制器c包括计算机可读介质(也称为处理器可读介质)，该计算机可读介质包括参与提供可以由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的非暂态(例如，有形)介质。这种介质可以采取多种形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘或磁盘以及其他持久性存储器。易失性介质可以包括例如动态随机存取存储器(dram)，其可以构成主存储器。这样的指令可以通过一个或多个传输介质来传输，包括同轴电缆、铜线和光纤，包括包含耦合到计算机的处理器的系统总线
的线。一些形式的计算机可读介质包括，例如，软盘、软磁盘、硬盘、磁带、其他磁介质、cd-rom、dvd、其他光学介质、穿孔卡、纸带、其他具有孔图案的物理介质、ram、prom、eprom、flash-eeprom、其他存储芯片或盒、或计算机可以读取的其他介质。
[0041]
本文描述的查找表、数据库、数据存储库或其他数据存储可以包括用于存储、访问和检索各种数据的各种机制，包括分层数据库、文件系统中的文件集、专有格式的应用程序数据库、关系数据库管理系统(rdbms)等。每个这样的数据存储可以被包括在采用诸如上述那些之一的计算机操作系统的计算设备中，并且可以经由网络以各种方式中的一种或多种来访问。文件系统可以从计算机操作系统访问，并且可以包括以各种格式存储的文件。rdbms可以采用结构化查询语言(sql)，以及用于创建、存储、编辑和执行所存储的过程的语言，比如上面提到的pl/sql语言。
[0042]
具体实施方式和附图或图对于本披露内容是支持性的和描述性的，但是本披露内容的范围仅由权利要求限定。虽然已经详细描述了用于实施所要求保护的披露内容的一些最佳模式和其他实施例，但是存在各种替代设计和实施例来实践所附权利要求中限定的披露内容。此外，附图中所示的实施例或本说明书中提到的各种实施例的特性不一定要被理解为彼此独立的实施例。而是，在实施例的一个示例中描述的每个特性可以与来自其他实施例的一个或多个其他期望的特性相结合，从而产生没有用文字描述或参考附图描述的其他实施例。因此，这样的其他实施例落入所附权利要求的范围框架内。