[发明专利]晶状体屈光力测算方法、装置、设备及存储介质

权利要求书

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，其特征在于，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。

6.一种晶状体屈光力测算装置，其特征在于，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。

7.如权利要求6所述的晶状体屈光力测算装置，其特征在于，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。

8.如权利要求7所述的晶状体屈光力测算装置，其特征在于，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。

9.一种晶状体屈光力测算设备，其特征在于，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如权利要求1至5任一项所述的晶状体屈光力测算方法的步骤。

10.一种可读存储介质，其特征在于，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如权利要求1至5任一项所述晶状体屈光力测算方法的步骤。