CN110338906B - 用于光交联手术的智能治疗***及建立方法 - Google Patents
用于光交联手术的智能治疗***及建立方法 Download PDFInfo
- Publication number
- CN110338906B CN110338906B CN201910622122.7A CN201910622122A CN110338906B CN 110338906 B CN110338906 B CN 110338906B CN 201910622122 A CN201910622122 A CN 201910622122A CN 110338906 B CN110338906 B CN 110338906B
- Authority
- CN
- China
- Prior art keywords
- corneal
- treatment
- parameters
- corneal topography
- training
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
- A61F9/007—Methods or devices for eye surgery
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Vascular Medicine (AREA)
- Robotics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Eye Examination Apparatus (AREA)
Abstract
一种用于角膜光交联手术的智能治疗***,包括:角膜地形图图像采集***,经配置采集用户角膜地形图图像;光交联手术引导***,经预训练以通过将角膜激光交联前角膜地形图与预期术后角膜地形图对比来输出光交联手术的参数;治疗前角膜地形图与光交联手术参数对应数据库,用于对所述光交联手术引导***进行预训练和修正;其中由角膜地形图图像采集***获取图像,获取到患者的角膜地形图,而后将所述角膜地形图输入由所述治疗前角膜地形图与光交联手术参数对应数据库预训练完毕的光交联手术引导***,获取到光交联手术的参数。还公开一种智能治疗***的建立方法。使用本***,能够对角膜光交联手术提供高效、精准和稳定的治疗引导。
Description
技术领域
本发明涉及眼科医疗技术,特别是涉及一种用于光交联手术的智能治疗***及智能治疗***的建立方法。
背景技术
角膜是眼球前端的透明组织,在眼球光学***中起到重要作用,其屈光能力占眼球屈光***能力的四分之三以上,角膜形状的轻微变化会引起视力的大幅度改变。近视、远视和散光,都是涉及眼球***屈光能力的眼科疾病,通过改变角膜的屈光能力能对病情进行缓解,起到恢复视力的效果。
一种紫外交联手术方法,它利用涂抹在角膜表面的光敏剂在紫外光的照射下,与角膜胶原纤维发生交联反应,从而提高角膜力学强度,进而缓解例如圆锥角膜疾病的进一步恶化和近视、远视和散光下眼球***屈光能力的下降。另一种红外激光交联手术方法,基于一种不同的激光—眼角膜相互作用模式。在这种作用模式下,近红外波段激光(参数为1059.2nm52.06MHz 99fs)可以诱导形成一种低密度等离子体,这种低密度等离子体能产生与周围蛋白质发生反应的活性氧物质,与眼角膜形成交联并在空间上引发眼角膜机械性能的改变。从而提高角膜力学强度。
现有角膜交联手术的参数设置,很大程度上还是依靠医生多年经验来进行主观判断。而在眼科疾病案例数量急速上升的近些年,有足够经验的医生数量已经愈发难以满足要求。并且即便再专业的医生的主观判断也难免会出现纰漏,并没有一种有效的***可以在交联手术参数设定上进行辅助。
发明内容
本发明的主要目的在于克服现有技术的不足,提供一种用于光交联手术的智能治疗***及智能治疗***的建立方法,解决现有角膜交联仪器过度依赖使用者的主观判断的问题,能够对仪器使用者提供清晰明了的辅助并显著提高角膜交联手术的治疗效果和效率。
为实现上述目的,本发明采用以下技术方案:
在本发明的一个方面,一种用于角膜光交联手术的智能治疗***,包括:
角膜地形图图像采集***,经配置采集用户角膜地形图图像;
光交联手术引导***,经预训练以通过将角膜激光交联前角膜地形图与预期术后角膜地形图对比来输出光交联手术的参数;
治疗前角膜地形图与光交联手术参数对应数据库,用于记录光交联手术参数对角膜地形图产生的影响,用于对所述光交联手术引导***进行预训练和修正;
其中由角膜地形图图像采集***获取图像,获取到患者的角膜地形图,而后将所述角膜地形图输入由所述治疗前角膜地形图与光交联手术参数对应数据库预训练完毕的光交联手术引导***,获取到光交联手术的参数。
进一步地:
所述角膜地形图图像采集***包括placido光学***和图像采集模块,所述placido光学***用于提供红色LED光,所述图像采集模块用于采集角膜地形图图像,优选地,所述placido光学***采用波长为760nm的发光二极管,采用光功率不大于0.42W的光源。
所述角膜地形图图像采集***对完成光交联手术的患者进行再一次角膜地形图图像的采集,将术前角膜地形图与术后实际角膜地形图以及输入的角膜交联参数储存入所述治疗前角膜地形图与光交联手术参数对应数据库,并随着数据库的更新对所述光交联手术引导***进行再训练;优选地,所述光交联手术的参数包括照射路径、照射功率、照射时间。
还包括:治疗前角膜地形图图像以及对应治疗后角膜地形图数据库,用于储存治疗前角膜地形图图像、治疗后角膜地形图的图像对,以用于所述光交联手术引导***模型的训练以及不断修正模型。
所述光交联手术引导***采取卷积神经网络模型,输入交联手术前以及预期术后角膜地形图两张角膜地形图,所述卷积神经网络模型通过执行回归任务,输出执行激光操作的参数;优选地,所述光交联手术引导***的隐藏层的激活函数均为ReLU,输出层的激活函数为LReLU。
所述治疗前角膜地形图与光交联手术参数对应数据库内预先储存一些光交联手术前后的角膜地形图以及基于预判断的交联参数,优选地,光交联手术前后的两张角膜地形图加入所述治疗前角膜地形图与光交联手术参数对应数据库,所述光交联手术引导***在所述治疗前角膜地形图与光交联手术参数对应数据库更新后对模型参数进行再修正。
所述光交联手术的参数为紫外核黄素交联手术的参数或红外飞秒激光无创交联手术的参数。
在本发明的另一方面,一种用于角膜光交联手术的智能治疗***的建立方法,包括:
角膜信息采集步骤,经配置采集患者术前术后角膜信息,包括角膜的图像信息和参数信息;包括角膜地形图、OCT眼前节图像、角膜地形图仪测量参数信息、OCT测量参数信息;
数据库建立步骤,根据角膜信息采集步骤采集的角膜信息,建立相应的数据库;
光交联手术引导***模型训练步骤,经预训练以通过角膜激光交联前角膜信息与交联后角膜信息对比来输出实施光交联手术所需要的参数,优选地,参数分别对应紫外核黄素交联手术和红外飞秒激光无创交联手术两种***;
模型反馈和修正步骤,利用治疗前后的角膜信息的采集,不断扩增数据库和修正模型。
进一步地:
所述训练包括:
数据组与数据组之间的训练,其方式为BP神经网络训练治疗前后角膜地形图参数或OCT眼前节图像参数与治疗参数训练;
图像与数据之间训练,其方式为CNN神经网络训练术前术后角膜地形图或OCT眼前节图像与治疗参数对比;
图像与图像之间的训练,其方式为利用对抗神经网络训练术前术后角膜地形图或OCT眼前节图像与治疗参数图像化对比;
所述BP神经网络采用具有两层sigmoid单元的前馈网络的反向传播算法,其输入层为m维向量包括治疗前后多组数据,其输出层n维向量包括治疗参数;
所述CNN神经网络,输入术前术后图像执行回归任务,输出执行激光操作的参数,其隐藏层的激活函数、输出层的激活函数为LreL;
所述对抗神经网络深度采用卷积生成对抗网络DCGAN,在判别器D中,用带有步长(Stride)的卷积来代替池化层;在G、D中均使用批量归一化(Batch Normalization)帮助模型收敛;在G中,激活函数使用ReLU函数,而最后一层使用tanh函数,使用中将tanh函数返回像素值;在D中,激活函数都使用Leaky ReLU作为激活函数。
将治疗参数中的照射路径、照射时间、照射功率图像化,其具体包括:将激光器路径参数图像二维化为用闭合或非闭合的曲线,以及将时间、功率参数转化为能量密度并且用颜色深浅代表其值大小,使治疗参数图像化为闭合或非闭合曲线,以颜色密度代表激光交联能量大小。
所述的训练方法,对于激光治疗路径变化特征比较明显的用对抗神经网络,对于激光时间和功率变化特征主导的用BP神经网络或者CNN网络。
本发明具有如下有益效果:
本发明提供了一种用于角膜光交联手术的智能治疗***,能够对角膜光交联手术提供高效、精准和稳定的治疗引导。本发明提供的角膜光交联手术的智能治疗***能够将主观性的经验转变为更为更精准、效率更高的治疗。本***中,光交联手术引导***可以根据不同预期交联手术后的地形图配置不同的激光参数,同时,光交联手术引导***皆可在对应数据库更新后进行进一步训练,提高模型准确性。由于这些优点,使本***可以用于有效、精准地治疗近视、远视、散光等有关眼球光学***屈光能力的眼科疾病。
附图说明
图1为本发明一种实施例的用于角膜光交联手术的智能治疗***的结构框图;
图2为本发明一种实施例的角膜地形图图像采集***的示意图;
图3为本发明一种实施例的训练方法结构框图;
图4为本发明一种实施例的训练方法BP神经网络的示意图:
图5为本发明一种实施例的DCGAN模型的训练步骤的结构框图:
图6为本发明一种实施例的训练方法和数据库结构框图;
图7为本发明一种实施例的光交联手术引导***利用的数据库结构框图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
参阅图1至图7,在一种实施例中,一种用于角膜光交联手术的智能治疗***,包括角膜地形图图像采集***、光交联手术引导***、以及治疗前角膜地形图与光交联手术参数对应数据库,其中所述角膜地形图图像采集***经配置采集用户角膜地形图图像,所述光交联手术引导***经预训练以通过将角膜激光交联前角膜地形图与预期术后角膜地形图对比来输出光交联手术的参数,所述治疗前角膜地形图与光交联手术参数对应数据库,用于记录光交联手术参数对角膜地形图产生的影响,用于对所述光交联手术引导***进行预训练和修正;其中由角膜地形图图像采集***获取图像,获取到患者的角膜地形图,而后将所述角膜地形图输入由所述治疗前角膜地形图与光交联手术参数对应数据库预训练完毕的光交联手术引导***,获取到光交联手术的参数。
如图2所示,在优选的实施例中,所述角膜地形图图像采集***包括placido光学***和图像采集模块,所述placido光学***用于提供红色LED光,所述图像采集模块用于采集角膜地形图图像,更优选地,所述placido光学***采用波长为760nm的发光二极管,采用光功率不大于0.42W的光源。所述角膜地形图图像采集***还可以包括三维运动平台、颌托支架、工作站等配套设备。
在优选的实施例中,所述角膜地形图图像采集***对完成光交联手术的患者进行再一次角膜地形图图像的采集,将术前角膜地形图与术后实际角膜地形图以及输入的角膜交联参数储存入所述治疗前角膜地形图与光交联手术参数对应数据库,并随着数据库的更新对所述光交联手术引导***进行再训练;更优选地,所述光交联手术的参数包括照射路径、照射功率、照射时间。
参阅图1,在优选的实施例中,用于角膜光交联手术的智能治疗***还包括:治疗前角膜地形图图像以及对应治疗后角膜地形图数据库,用于储存治疗前角膜地形图图像、治疗后角膜地形图的图像对,以用于所述光交联手术引导***模型的训练以及不断修正模型。
参阅图6,在优选的实施例中,所述光交联手术引导***采用卷积神经网络模型,输入交联手术前以及预期术后角膜地形图两张角膜地形图,所述卷积神经网络模型通过执行回归任务,输出执行激光操作的参数;更优选地,所述光交联手术引导***的隐藏层的激活函数均为ReLU,输出层的激活函数为LReLU。
在优选的实施例中,所述治疗前角膜地形图与光交联手术参数对应数据库内预先储存一些光交联手术前后的角膜地形图以及基于预判断的交联参数,更优选地,光交联手术前后的两张角膜地形图加入所述治疗前角膜地形图与光交联手术参数对应数据库,所述光交联手术引导***在所述治疗前角膜地形图与光交联手术参数对应数据库更新后对模型参数进行再修正。
在不同的实施例中,所述光交联手术的参数可以为实施紫外核黄素交联手术的参数,也可以为实施红外飞秒激光无创交联手术的参数。
在另一种实施例中,一种用于角膜光交联手术的智能治疗***的建立方法,包括:
角膜信息采集步骤,经配置采集患者术前术后角膜信息,包括角膜的图像信息和参数信息;具体可以包括角膜地形图、OCT眼前节图像、角膜地形图仪测量参数信息、OCT测量参数信息;角膜地形图参数信息包括但不限于Ks最大屈光力的子午线方向和数值)、Kf(与Ks成90度夹角的子午线方向及其数值)、SAI(表层不对称指数)等;OCT测量参数信息包括但不限于角膜厚度(角膜中心最薄处)、前房厚度、瞳孔宽度等;
数据库建立步骤,根据角膜信息采集步骤采集的角膜信息,建立相应的数据库,参见图3、图4、图6、图7所示;
光交联手术引导***模型训练步骤,经预训练以通过角膜激光交联前角膜信息与交联后角膜信息对比来输出实施光交联手术所需要的参数,其参数可分别对应紫外核黄素交联手术和红外飞秒激光无创交联手术两种***;参见如图3至图6所示的训练结构;
模型反馈和修正步骤,利用治疗前后的角膜信息的采集,不断扩增数据库和修正模型。
在优选的实施例中,所述训练包括:
数据组与数据组之间的训练,其方式为BP神经网络训练治疗前后角膜地形图参数或OCT眼前节图像参数与治疗参数训练(参见图4);
图像与数据之间训练,其方式为CNN神经网络训练术前术后角膜地形图或OCT眼前节图像与治疗参数对比(参见图3);
图像与图像之间的训练,其方式为利用对抗神经网络训练术前术后角膜地形图或OCT眼前节图像与治疗参数图像化对比(参见图5);
其中,所述BP神经网络采用具有两层sigmoid单元的前馈网络的反向传播算法,其输入层为m维向量包括治疗前后多组数据,其输出层n维向量包括治疗参数;
其中,所述CNN神经网络,输入术前术后图像执行回归任务,输出执行激光操作的参数,其隐藏层的激活函数、输出层的激活函数为LreL;
其中,所述对抗神经网络深度采用卷积生成对抗网络DCGAN,在判别器D中,用带有步长(Stride)的卷积来代替池化层;在G、D中均使用批量归一化(Batch Normalization)帮助模型收敛;在G中,激活函数使用ReLU函数,而最后一层使用tanh函数,使用中将tanh函数返回像素值;在D中,激活函数都使用Leaky ReLU作为激活函数。
在优选的实施例中,所述方法还包括将治疗参数中的照射路径、照射时间、照射功率图像化,其具体包括:将激光器路径参数图像二维化为用闭合或非闭合的曲线,以及将时间、功率参数转化为能量密度并且用颜色深浅代表其值大小,使治疗参数图像化为闭合或非闭合曲线,以颜色密度代表激光交联能量大小。
参阅图7,在优选的实施例中,角膜参数数据库包括向量化的数据库(照射路径、照射时间、照射功率)和图像化的数据库。
在优选的实施例中,所述的训练方法中,对于激光治疗路径变化特征比较明显的采用对抗神经网络,而对于激光时间和功率变化特征主导的采用BP神经网络或者CNN网络。可以预先设定相关的判定阈值,来判断激光治疗路径变化特征是否比较明显,以及是否为激光时间和功率变化特征主导。
以下结合附图进一步描述本发明的典型实施例和应用实例。
参阅图1至图4,在一种实施例中,一种用于光交联手术的智能治疗***,该***包括角膜地形图图像采集***、光交联手术引导***、治疗前角膜地形图与角膜光交联手术参数对应数据库。
如图2所示,所述角膜地形图图像采集***包括placido光学***以及图像采集模块,所述placido光学***用于提供红色LED光,所述图像采集模块用于采集角膜地形图图像。
所述光交联手术引导***经预训练以通过将手术前角膜地形图与预期术后角膜地形图对比来输出实施光交联手术所需要的参数,其参数分别对应紫外核黄素交联手术和红外飞秒激光无创交联手术两种***。
所述治疗前角膜地形图与角膜光交联手术参数对应数据库,用于记录角膜交联参数对角膜地形图产生的影响,以用于对所述光交联手术引导***进行预训练和修正。
其中由角膜地形图图像采集***获取图像,获取到患者的角膜地形图,而后将所述角膜地形图输入由所述治疗前角膜地形图与角膜光交联手术参数对应数据库预训练完毕的光交联手术引导***,获取到光交联手术的参数。
在优选的实施例中,所述角膜地形图图像采集***对完成光交联手术的患者进行再一次角膜地形图图像的采集,将术前角膜地形图与术后实际角膜地形图以及输入的角膜交联参数储存入所述治疗前角膜地形图与角膜光交联手术参数对应数据库,并随着数据库的更新对所述光交联手术引导***进行再训练。
如图4所示,在优选的实施例中,所述光交联手术引导***采取CNN卷积神经网络模型,输入交联手术前以及预期术后角膜地形图两张角膜地形图,所述卷积神经网络模型通过执行回归任务,输出照射路径、照射时间以及照射功率。
在更优选的实施例中,所述光交联手术引导***的隐藏层的激活函数均为ReLU,输出层的激活函数为LReLU,以保证负值信息不会丢失。
在优选的实施例中,所述治疗前角膜地形图与角膜光交联手术参数对应数据库内预先储存一些光交联手术前后的角膜地形图以及基于预判断的激光交联参数。
在更优选的实施例中,光交联手术前后的两张角膜地形图加入所述治疗前角膜地形图与角膜光交联手术参数对应数据库,所述光交联手术引导***在所述治疗前角膜地形图与角膜光交联手术参数对应数据库更新后对模型参数进行再修正。
如图2所示,在优选的实施例中,所述图像采集模块主要由角膜地形图仪主机、计算机主机、电源指示灯数据采集卡,所述角膜地形图仪主机包括placido光学***、三维运动平台、手动遥感,所述placido光学***为红色LED可见光模块、placido圆环、对焦CCD、成像CCD等。所述红色LED采用波长为760nm的发光二极管,采用光功率不大于0.42W的光源,
根据本发明的实施例,该用于角膜交联的人工智能引导***中,角膜地形图图像采集***经配置能够清晰采集用户角膜地形图图像,充分反映角膜信息;光交联手术引导***经预训练能够通过交联前角膜地形图与预期术后角膜地形图对比输出交联手术所需要的参数,其参数分别对应紫外核黄素交联手术和红外飞秒激光无创交联手术两种***;治疗前角膜地形图与角膜光交联手术参数对应数据库可以记录角膜交联参数对角膜地形图产生的影响,对于交联引导***起到再修正作用。该***可以大大提高光交联手术过程的效率、精准性和稳定性,减少因医生主观判断造成的失误。
在一些应用实例中,被测者应该自然坐定在地形图前的测量椅上,下巴放置于下颌托上,尽量不眨眼,扩大获得地形图区域,获取到患者的高精度角膜地形图,而后我们将角膜地形图输入由治疗前角膜地形图与角膜光交联手术参数对应数据库预训练完毕的光交联手术引导***,获取到光交联手术参数向量,其中包括但不局限于照射路径、照射时间以及照射功率。而后操作者可以根据光交联手术引导***的输出向量在交联仪上选择对应的参数进行手术。
在手术进行完毕后,对患者进行再一次角膜地形图图像的采集,将术前角膜地形图与术后实际角膜地形图以及输入的交联参数储存入治疗前角膜地形图与角膜光交联手术参数对应数据库,并且随着数据库的更新,对光交联手术引导***进行再训练,更新卷积核等参数。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (3)
1.一种建立角膜光交联手术的智能治疗***的方法,其特征在于,包括:
角膜信息采集步骤,经配置采集患者术前术后角膜信息,包括角膜的图像信息和参数信息;具体可包括:角膜地形图、OCT眼前节图像;角膜地形图仪测量参数信息、OCT测量参数信息;
数据库建立步骤,根据角膜信息采集步骤采集的角膜信息,建立相应的数据库;
光交联手术引导***模型训练步骤,经预训练以能够通过角膜激光交联前角膜信息与交联后角膜信息对比来输出光交联手术的参数,其参数分别对应紫外核黄素交联手术和红外飞秒激光无创交联手术两种***;
模型反馈和修正步骤,利用治疗前后的角膜信息的采集,不断扩增数据库和修正模型;
所述训练中,对于激光治疗路径变化特征比较明显的采用对抗神经网络,而对于激光时间和功率变化特征主导的采用BP神经网络或者CNN神经网络;其中预先设定相关的判定阈值,来判断所述激光治疗路径变化特征是否比较明显,以及是否为激光时间和功率变化特征主导。
2.如权利要求1所述的方法,其特征在于,所述训练包括:
数据组与数据组之间的训练,其方式为BP神经网络训练治疗前后角膜地形图参数或OCT眼前节图像参数与治疗参数训练;
图像与数据之间训练,其方式为CNN神经网络训练术前术后角膜地形图或OCT图像与治疗参数对比;
图像与图像之间的训练,其方式为利用对抗神经网络训练术前术后角膜地形图或OCT眼前节图像与治疗参数图像化对比;
所述BP神经网络采用具有两层sigmoid单元的前馈网络的反向传播算法,其输入层为m维向量包括治疗前后多组数据,其输出层n维向量包括治疗参数;
所述CNN神经网络,输入术前术后图像执行回归任务,输出执行激光操作的参数,其隐藏层的激活函数、输出层的激活函数为LreL;
所述对抗神经网络深度采用卷积生成对抗网络DCGAN,在判别器D中,用带有步长的卷积来代替池化层;在G、D中均使用批量归一化(Batch Normalization)帮助模型收敛;在G中,激活函数使用ReLU函数,而最后一层使用tanh函数,使用中将tanh函数返回像素值;在D中,激活函数都使用Leaky ReLU作为激活函数。
3.如权利要求1或2所述的方法,其特征在于,将治疗参数中的照射路径、照射时间、照射功率图像化,其具体包括:将激光器路径参数图像二维化为用闭合或非闭合的曲线,以及将时间、功率参数转化为能量密度并且用颜色深浅代表其值大小,使治疗参数图像化为闭合或非闭合曲线,以颜色密度代表激光交联能量大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622122.7A CN110338906B (zh) | 2019-07-10 | 2019-07-10 | 用于光交联手术的智能治疗***及建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622122.7A CN110338906B (zh) | 2019-07-10 | 2019-07-10 | 用于光交联手术的智能治疗***及建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110338906A CN110338906A (zh) | 2019-10-18 |
CN110338906B true CN110338906B (zh) | 2020-10-30 |
Family
ID=68174853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910622122.7A Active CN110338906B (zh) | 2019-07-10 | 2019-07-10 | 用于光交联手术的智能治疗***及建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110338906B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989199A (zh) * | 2019-11-21 | 2020-04-10 | 明灏科技(北京)有限公司 | 一种角膜塑形镜度数的计算装置 |
CN115099158A (zh) * | 2020-12-31 | 2022-09-23 | 江苏省人民医院(南京医科大学第一附属医院) | 一种参数预测模型的构建方法 |
CN113515561B (zh) * | 2021-07-20 | 2023-12-12 | 苏州景昱医疗器械有限公司 | 参数比对方法、装置、电子设备及计算机可读存储介质 |
CN114618090A (zh) * | 2022-03-14 | 2022-06-14 | 重庆大学 | 一种强脉冲激光干眼治疗仪能量控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104382689A (zh) * | 2014-12-02 | 2015-03-04 | 中国科学院光电研究院 | 一种同时用于成像和手术的飞秒激光*** |
CN108577966A (zh) * | 2018-03-20 | 2018-09-28 | 河南省洛阳正骨医院(河南省骨科医院) | 一种智能骨科手术*** |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101259009B (zh) * | 2008-03-26 | 2010-12-08 | 中国科学院光电技术研究所 | 一种角膜地形图测量仪 |
CN102908118A (zh) * | 2012-11-09 | 2013-02-06 | 苏州四海通仪器有限公司 | 一种角膜地形图仪 |
ITFI20120262A1 (it) * | 2012-11-28 | 2014-05-29 | Strumenti Oftalmici C S O S R L Costruzioni | Proiettore a disco di placido con illuminazione a led per un sistema di topografia corneale |
CN103278771B (zh) * | 2013-05-22 | 2015-06-17 | 广西电网公司电力科学研究院 | 工业现场三相异步电机异常状态的辨识方法 |
AU2015331733A1 (en) * | 2014-10-17 | 2017-05-04 | Optimedica Corporation | Laser eye surgery lens fragmentation |
EP3281138A4 (en) * | 2015-04-08 | 2018-11-21 | Wavefront Biometric Technologies Pty Limited | Multi-biometric authentication |
EP3462412B1 (de) * | 2017-09-28 | 2019-10-30 | Siemens Healthcare GmbH | Bestimmen eines zweidimensionalen mammographiedatensatzes |
CN110163230A (zh) * | 2018-06-15 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种图像标注方法和装置 |
CN109620223A (zh) * | 2018-12-07 | 2019-04-16 | 北京工业大学 | 一种脑卒中康复***脑机接口关键技术方法 |
CN109977841A (zh) * | 2019-03-20 | 2019-07-05 | 中南大学 | 一种基于对抗深度学习网络的人脸识别方法 |
CN109994195B (zh) * | 2019-03-22 | 2020-12-29 | 清华大学深圳研究生院 | 一种用于角膜交联的人工智能引导*** |
CN109966662B (zh) * | 2019-04-30 | 2020-11-24 | 四川省肿瘤医院 | 一种验证放射治疗剂量的*** |
-
2019
- 2019-07-10 CN CN201910622122.7A patent/CN110338906B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104382689A (zh) * | 2014-12-02 | 2015-03-04 | 中国科学院光电研究院 | 一种同时用于成像和手术的飞秒激光*** |
CN108577966A (zh) * | 2018-03-20 | 2018-09-28 | 河南省洛阳正骨医院(河南省骨科医院) | 一种智能骨科手术*** |
Also Published As
Publication number | Publication date |
---|---|
CN110338906A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110338906B (zh) | 用于光交联手术的智能治疗***及建立方法 | |
US10485416B2 (en) | Ocular modeling methods and apparatus | |
CN109994195B (zh) | 一种用于角膜交联的人工智能引导*** | |
US11487136B2 (en) | Customized wavefront-guided methods, systems, and devices to correct higher-order aberration | |
CN105451638B (zh) | 用于眼生物统计的集成oct屈光计*** | |
US10123687B2 (en) | Method for optimizing the selection of the IOL to be implanted in an eye | |
US6585375B2 (en) | Method for producing an artificial ocular lense | |
JP4459501B2 (ja) | 眼の収差を低減する眼レンズ | |
CN111616800B (zh) | 眼科手术导航*** | |
CN110179581B (zh) | 基于张力性调节机制防控近视及屈光不正的矫正方法 | |
JP2005525194A (ja) | 個別仕様眼内レンズの製作方法 | |
CN113940812A (zh) | 用于准分子激光角膜屈光手术的角膜中心定位方法 | |
RU2643417C1 (ru) | Способ позиционирования торической интраокулярной линзы при имплантации | |
EP3781013B1 (en) | Customized ablation to correct visual ametropia | |
US6610048B1 (en) | Prolate shaped corneal reshaping | |
CN115462955A (zh) | 角膜地形成像指导的精准角膜交联散光矫正*** | |
WO2001024728A2 (en) | Prolate shaped corneal reshaping | |
US20020115988A1 (en) | Keratometric to apical radius conversion | |
CN115836838A (zh) | 一种屈光度精准评估的方法及应用 | |
CN106420110A (zh) | 小儿人工晶状体度数预测方法 | |
CN113240711B (zh) | 一种实时个***联*** | |
US20240008811A1 (en) | Using artificial intelligence to detect and monitor glaucoma | |
WO2002056791A2 (en) | Keratometric to apical radius conversion | |
CN113096074A (zh) | 一种个性化角膜交联*** | |
CN117138244A (zh) | 自适应近弱视治疗仪 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |