一种角膜塑形镜度数的计算装置的制作方法

本实用新型涉及塑形镜验配技术领域，具体涉及一种角膜塑形镜度数的计算装置。

背景技术：

现在眼科医疗行业中验配角膜塑形镜的方式都是通过验光师根据角膜地形图参数人工对用户进行多次试戴角膜塑形镜的试戴片，然后得出一个合适的用户需配带的角膜塑形镜参数。

技术实现要素：

针对上述问题，本实用新型提供一种角膜塑形镜度数的计算装置。

本实用新型的目的采用以下技术方案来实现：

一种角膜塑形镜度数的计算装置，该计算装置包括：输入模块、判断模块、第一计算模块、第二计算模块和输出模块；

所述输入模块，用于输入用户的角膜地形图，或，角膜地形图参数；

所述判断模块在输入的是用户的角膜地形图时，将用户的角膜地形图传输至所述第一计算模块；所述判断模块在输入的是用户的角膜地形图参数时，将用户的角膜地形图参数传输至所述第二计算模块；

所述第一计算模块，用于根据接收到的角膜地形图，计算用户的角膜曲率值；

所述第二计算模块，用于根据接收到的角膜地形图参数，计算用户的角膜曲率值；

所述输出模块，用于输出计算得到的用户的角膜曲率值。

在一种可选的实施方式中，所述第一计算模块包括：

第一历史数据获取单元，用于获取第一历史数据，所述第一历史数据包括：已验配用户的角膜地形图以及对应的角膜曲率值数据；

第一模型构建单元，用于根据所述第一历史数据，构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型；

第一角膜曲率值计算单元，用于将用户的角膜地形图输入至所述模型，得到所述用户的角膜曲率值。

在一种可选的实施方式中，所述神经网络模型是采用深度学习算法构建得到的，构建过程包括：

s1：对所述已验配用户的角膜地形图进行图像分割处理，得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像，将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据；

s2：将所有样本数据划分为训练集和测试集；

s3：保留一张颜色对照标识板特征区域图像，根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系；

根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理，得到各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。

在一种可选的实施方式中，所述深度学习算法为：cnn卷积神经网络算法；

所述步骤s3包括：

对所述颜色对照标识板特征区域图像中每个像素点进行降噪处理，得到降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值；

根据降噪后的所述颜色对照标识板特征区域图像中每个像素点的颜色像素值建立颜色像素值与角膜曲率值的对应关系；

对所述训练集中的各个样本数据进行降噪处理，得到降噪后的各个样本数据中像素点的颜色像素值；

根据建立的颜色像素值与角膜曲率值的对应关系，确定训练集中的各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。

在一种可选的实施方式中，所述第一计算模块还包括：评估单元；

所述评估单元，用于将所述测试集的各个样本数据输入至所述神经网络模型中，得到所述测试集的各个样本数据的角膜曲率预测值，基于得到的测试集的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值，评估所述神经网络模型的准确率。

在一种可选的实施方式中，所述第二计算模块包括：

第二历史数据获取单元，用于获取第二历史数据，所述第二历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；

第二数据处理单元，用于对所述第二历史数据进行预处理，剔除无效数据；

第二模型构建单元，用于根据所述第二历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；

第二角膜曲率值计算单元，用于获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值。

在一种可选的实施方式中，所述的线性回归模型是采用有监督的学习算法构建得到的，具体包括：

t1：将预处理后的用户的角膜地形图参数与其对应的角膜塑形镜的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；

t2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；

t3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到线性回归模型：

ke＝b0+b1×kf+b2×mink+b3×em

式中，ke是角膜曲率值，b0为常数项，b1、b2、b3分别为kf、mink、em的回归系数，kf为平坦子午线屈光力，即水平向曲率，mink为最小子午线屈光力，即最小曲率，em为最小角膜曲率子午线方向的角膜偏心率。

在一种可选的实施方式中，在步骤t3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：

t31:对引入的自变量进行f检验，判断该自变量是否显著；

t32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；

t33：按照步骤t31-t32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。

在一种可选的实施方式中，所述第二计算子模块还包括：模型优化单元：

所述模型优化单元，用于优化所述线性回归模型，具体优化过程是：

重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；

将重新获取的角膜地形图参数代入到所述线性回归模型，计算出相应的角膜曲率值；

计算各角膜曲率值和与其对应的角膜曲率真实值之间的误差值，根据得到的误差值调整该模型参数，得到所述线性回归模型的优化模型：

ke＝b0′+b1′×kf+b2′×mink+b3′×em

式中，ke是角膜曲率值，b0'为常数项，b1'、b2'、b3'分别为kf、mink、em的优化后的回归系数，其中，b0'＝6.3982，b1'＝0.3395，b2'＝0.5234，b3'＝-0.9399。

本实用新型的有益效果为：本实用新型是通过输入模块获取用户的角膜地形图或者角膜地形图参数，通过判断模块判断输入模块输入的是用户的角膜地形图，还是角膜地形图参数，进而通过第一计算模块或者第二计算模块计算用户的角膜曲率值，该用户的角膜曲率值即为该用户所需的角膜塑形镜参数。相比于现有技术而言，本实用新型只需要获取用户的角膜地形图或者角膜地形图参数，即可得到相应的角膜塑形镜参数，从而避免了人工试戴产生的误差，并简化了验配角膜塑形镜的步骤，即省去了多次试戴角膜塑形镜试戴片的步骤，同时也方便了验光师的工作和保证了患者的用眼安全。

附图说明

利用附图对本实用新型作进一步说明，但附图中的实施例不构成对本实用新型的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本实用新型实施例提供的一种角膜塑形镜度数的计算装置的框架结构图；

图2是本实用新型实施例提供的第一计算模块30的框架结构图；

图3是本实用新型实施例提供的第二计算模块40的框架结构图；

图4是本实用新型实施例提供的计算装置计算角膜塑形镜参数的工作流程图。

附图标记：输入模块10、判断模块20、第一计算模块30、第二计算模块40、输出模块50、第一历史数据获取单元31、第一模型构建单元32、第一角膜曲率值计算单元33、评估单元34、第二历史数据获取单元41、第二数据处理单元42、第二模型构建单元43、第二角膜曲率值计算单元44、模型优化单元45。

具体实施方式

结合以下实施例对本实用新型作进一步描述。

图1示出了一种角膜塑形镜度数的计算装置，该计算装置包括：输入模块10、判断模块20、第一计算模块30、第二计算模块40和输出模块50。

输入模块10，用于输入用户的角膜地形图，或，角膜地形图参数。

判断模块20，用于判断输入模块10输入的是是否为角膜地形图，若是，则将输入的角膜地形图传输至第一计算模块30，反之，则将输入的角膜地形图参数传输至第二计算模块40。

第一计算模块30，用于根据接收到的角膜地形图，计算用户的角膜曲率值。

第二计算模块40，用于根据接收到的角膜地形图参数，计算用户的角膜曲率值。

输出模块50，用于输出计算得到的用户的角膜曲率值。

图4示出了该计算装置的计算角膜塑形镜参数的工作流程图。

具体工作流程如下所述：

开始时，通过输入模块10输入用户的角膜地形图或者角膜地形图参数；判断模块20判断输入模块10输入的是用户的角膜地形图还是角膜地形图参数，若判断模块20判定其输入的是用户的角膜地形图，则将用户的角膜地形图传输至第一计算模块30，由第一计算模块30计算用户的角膜曲率值，并经由输出模块50输出；若判断模块20判定其输入的是用户的角膜地形图参数，则将用户的角膜地形图参数传输至第二计算模块40，由第二计算模块40计算用户的角膜曲率值，并经由输出模块50输出。

在一种可选的实施方式中，参见图2，第一计算模块30包括：第一历史数据获取单元31、第一模型构建单元32、第一角膜曲率值计算单元33和评估单元34。

第一历史数据获取单元31，用于获取第一历史数据，该第一历史数据包括：已验配用户的角膜地形图以及对应的角膜曲率值数据；可选的，已验配用户的角膜地形图可通过角膜地形图仪来获取。

第一模型构建单元32，用于根据第一历史数据，构建用于根据角膜地形图的颜色像素值计算角膜曲率值的神经网络模型。

在一种可选的实施方式中，所述神经网络模型是采用深度学习算法构建得到的，构建过程包括：

对所述已验配用户的角膜地形图进行图像分割处理，得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像，将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据；

将所有样本数据划分为训练集和测试集；

保留一张颜色对照标识板特征区域图像，根据颜色对照标识板特征区域图像的颜色像素值建立颜色像素值与角膜曲率值的对应关系；

根据所述颜色像素值与角膜曲率值的对应关系对所述训练集中的各个样本数据进行处理，得到各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。

作为优选，所述深度学习算法为：cnn卷积神经网络算法；

采用所述cnn卷积神经网络算法构建所述神经网络模型过程包括：

对所述已验配用户的角膜地形图进行图像分割处理，得到用户角膜地形图特征区域图像和颜色对照标识板特征区域图像，将用户角膜地形图特征区域图像与其对应的角膜曲率值作为一样本数据；

将所有样本数据划分为训练集和测试集；

保留一张颜色对照标识板特征区域图像,第一步，利用卷积层识别颜色对照标识板特征区域图像中每个像素点的颜色，得到各个像素点的颜色像素值；第二步，利用池化层对卷积层得到的各个像素点的颜色像素值进行降噪处理，从而只保留该颜色对照标识板特征区域图像中有用的信息，减少不必要的噪声传递；第三步，利用全连接层将各个像素点的颜色像素值进行汇总；第四步，分类对照转换，颜色对照标识板特征区域图像中的颜色对应的角膜曲率值是一个0～101.5的连续数值，与颜色像素值0～255的连续数值相对应，把角膜曲率值平均分为255份，然后将具体的角膜曲率值对应到0～255个颜色像素值上，从而使得颜色对照标识板特征区域图像中的颜色像素值和角膜曲率值形成了一一对应的关系，并进一步将建立的颜色像素值与角膜曲率值的对应关系进行存储。之后将训练集中各个样本数据依次经卷积层、池化层和全连接层处理后，得到训练集中各个样本数据中像素点的颜色像素值，根据建立的颜色像素值与角膜曲率值的对应关系，确定训练集中各个样本数据的角膜曲率预测值，计算各个样本数据的角膜曲率预测值与其样本数据对应的角膜曲率值的误差值，根据得到的误差值调整该模型参数，以使该模型达到一个稳定状态。

第一角膜曲率值计算单元33，用于将用户的角膜地形图输入至上述模型，得到所述用户的角膜曲率值。

评估模块34，用于将所述测试集的各个样本数据输入至所述神经网络模型中，得到所述测试集的各个样本数据的角膜曲率预测值，基于得到的测试集中的各个样本数据的角膜曲率预测值和对应的样本数据的角膜曲率值，评估所述神经网络模型的准确率。

为了配出适合用户的角膜塑形镜，需要获取用户的角膜曲率值，进而根据该角膜曲率值配出合适的角膜塑形镜。本实用新型上述实施方式提供的第一计算模块30在只需要有待测用户的角膜地形图的基础上就可以根据构建的神经网络模型得到该待测用户的角膜曲率值，进而根据得到的角膜曲率值配出适合待测用户的角膜塑形镜，该第一计算模块30省去了多次试戴角膜塑形镜试戴片的步骤，也方便了验光师的工作和保证了患者的用眼安全。

在一种可选的实施方式中，参见图3，第二计算模块40包括：第二历史数据获取单元41、第二数据处理单元42、第二模型构建单元43、第二角膜曲率值计算单元44和模型优化单元45。

第二历史数据获取单元41，用于获取第二历史数据，所述第二历史数据包括：已验配用户的角膜地形图参数以及对应的角膜曲率真实值；

第二数据处理单元42，用于对所述第二历史数据进行预处理，剔除无效数据；

第二模型构建单元43，用于根据所述第二历史数据，构建用于根据所述预处理后的历史数据计算角膜曲率值的线性回归模型；

第二角膜曲率值计算单元44，用于获取待测用户的角膜地形图参数，将该角膜地形图参数输入至所述模型，得到所述待测用户的角膜曲率值；

模型优化单元45，用于优化所述线性回归模型。

在一种可选的实施方式中，所述的线性回归模型是采用有监督的学习算法构建得到的，具体包括：

t1：将预处理后的用户的角膜地形图参数与其对应的角膜塑形镜的角膜曲率真实值作为一样本数据；其中，所述样本数据中包括：多个自变量和一个因变量；

t2：根据得到的所有样本数据，采用有监督的学习算法构建一个多元线性回归模型；

t3：采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止；从而得到线性回归模型：

ke＝b0+b1×kf+b2×mink+b3×em

式中，ke是角膜曲率值，b0为常数项，b1、b2、b3分别为kf、mink、em的回归系数，kf为平坦子午线屈光力，即水平向曲率，mink为最小子午线屈光力，即最小曲率，em为最小角膜曲率子午线方向的角膜偏心率。

在一种可选的实施方式中，在步骤t3中，所述的采用逐步回归算法剔除作用不显著的自变量，直至不显著的自变量从所述多元线性回归模型中剔除为止，包括：

t31:对引入的自变量进行f检验，判断该自变量是否显著；

t32：若判断结果为显著，则将该自变量引入到建立的多元线性回归模型中，对已引入的自变量进行逐个检验，若原来引入的自变量因新引入的自变量而变得不再显著，则剔除原来引入的自变量，使其模型中只包含显著的自变量；

t33：按照步骤t31-t32，逐个引入自变量，直到所有的不显著的自变量从所述多元线性回归模型中剔除为止。

在一种可选的实施方式中，所述模型优化单元45的具体优化过程是：

重新获取新的已验配用户的角膜地形图参数以及对应的角膜曲率真实值；

将重新获取的角膜地形图参数代入到所述线性回归模型，计算出相应的角膜曲率值；

计算各角膜曲率值和与其对应的角膜曲率真实值之间的误差值，根据得到的误差值调整该模型参数，得到所述线性回归模型的优化模型：

ke＝b0′+b1′×kf+b2′×mink+b3′×em

式中，ke是角膜曲率值，b0'为常数项，b1'、b2'、b3'分别为kf、mink、em的优化后的回归系数，其中，b0'＝6.3982，b1'＝0.3395，b2'＝0.5234，b3'＝-0.9399。

设置一模型优化单元45，利用重新获取新用户的角膜地形图参数，将参数代入到建立的线性回归模型即可得到用户的角膜曲率值，将得到的角膜曲率值和验光师对该用户验配得到的角膜曲率真实值进行比较，根据比较结果对该模型进一步进行调优操作，以达到更高的准确率，从而为用户提供精确地角膜曲率值，进而方便后续为用户配置合适的角膜塑形镜。

本实用新型上述实施例的第二计算模块40，能够根据获取已验配用户的角膜地形图参数和其对应的角膜曲率真实值训练得到一个线性回归模型，然后利用该模型可以得到待测用户需要佩带的角膜塑形镜参数(即用户的角膜曲率值)。本实用新型上述实施例基于现有的角膜地形图参数，可用上述的线性回归模型就可计算出用户的角膜曲率值，进而为用户配置合适的角膜塑形镜，从而省去了多次试戴角膜塑形镜试戴片的步骤，也方便了验光师的工作和保证了患者的用眼安全。

本实用新型是通过输入模块获取用户的角膜地形图或者角膜地形图参数，通过判断模块判断输入模块输入的是用户的角膜地形图，还是角膜地形图参数，进而通过第一计算模块30或者第二计算模块40计算用户的角膜曲率值，该用户的角膜曲率值即为该用户所需的角膜塑形镜参数。相比于现有技术而言，本实用新型只需要获取用户的角膜地形图或者角膜地形图参数，即可得到相应的角膜塑形镜参数，从而避免了人工试戴产生的误差，并简化了验配角膜塑形镜的步骤，即省去了多次试戴角膜塑形镜试戴片的步骤，同时也方便了验光师的工作和保证了患者的用眼安全。

最后应当说明的是，以上实施例仅用以说明本实用新型的技术方案，而非对本实用新型保护范围的限制，尽管参照较佳实施例对本实用新型作了详细地说明，本领域的普通技术人员应当理解，可以对本实用新型的技术方案进行修改或者等同替换，而不脱离本实用新型技术方案的实质和范围。