本公开提供了一种模型的训练方法、人工晶状体度数确定方法和装置，涉及人工智能技术领域，具体涉及元学习技术领域。具体实现方案为：对人工晶状体数据集进行预处理，得到样本数据集；基于样本数据集，确定多个样本数据组；以及根据多个样本数据组，利用元学习训练方法对神经网络模型进行训练，得到人工晶状体度数计算模型。模型。模型。
【技术实现步骤摘要】
模型的训练方法、人工晶状体度数确定方法和装置
[0001]本公开涉及人工智能
，具体涉及元学习
，尤其涉及一种人工晶状体度数计算模型的训练方法和装置、一种人工晶状体度数确定方法、装置、电子设备、存储介质和计算机程序产品。
技术介绍
[0002]白内障摘除术中，在术前精确计算白内障患者适用的人工晶状体度数，对于精准预测术后屈光度数是极其关键的一步。由于不同的白内障患者在眼部生物学参数等方面存在个体差异，因此，需要根据各个白内障患者的实际情况来确定与之相适应的人工晶状体度数，从而保证患者的术后视觉质量。
[0003]但是，相关技术中针对人工晶状体度数的计算方法往往只适用于特定的眼轴范围，适应性较差，使得无法针对患者进行个性化的人工晶状体度数测算，导致人工晶状体度数的准确性较低，进而使得术后的屈光误差较大，影响了患者视力及视觉质量。尤其是针对高度近视白内障患者的人工晶状体度数计算，相较于非高度近视眼，高度近视白内障患者的眼部解剖结构复杂性和变异性较大，导致在高度近视白内障患者中应用时人工晶状体度数误差会显著增大。
技术实现思路
[0004]本公开提供了一种人工晶状体度数计算模型的训练方法和装置、一种人工晶状体度数确定方法、装置、电子设备、存储介质和计算机程序产品。
[0005]根据本公开的一个方面，提供了一种人工晶状体度数计算模型的训练方法，包括：对人工晶状体数据集进行预处理，得到样本数据集；基于样本数据集，确定多个样本数据组；以及根据多个样本数据组，利用元学习训练方法对神经网络模型进行训练，得到人工晶状体度数计算模型。
[0006]根据本公开的实施例，样本数据集包括多个样本数据；基于样本数据集，确定多个样本数据组包括：基于多个样本数据所属的类别，将多个样本数据划分为多组样本数据；分别从每组样本数据中抽取第一数量个第一样本数据和第二数量个第二样本数据；以及根据第一数量个第一样本数据和第二数量个第二样本数据，得到样本数据组。
[0007]根据本公开的实施例，根据多个样本数据组，利用元学习训练方法对神经网络模型进行训练，得到人工晶状体度数计算模型包括：从多个样本数据组中采样出至少一个样本数据组；利用至少一个样本数据组中的第一数量个第一样本数据，对神经网络模型进行训练，得到与至少一个样本数据组各自对应的模型参数；基于模型参数，利用至少一个样本数据组中的第二数量个第二样本数据，对神经网络模型的参数进行调整；重复执行上述步骤对神经网络模型进行迭代训练，直至神经网络模型收敛，得到人工晶状体度数计算模型。
[0008]根据本公开的实施例，对人工晶状体数据集进行预处理，得到样本数据集包括：对人工晶状体数据集中的每个人工晶状体数据进行数据清洗和正则化处理，得到样本数据
集。
[0009]根据本公开的实施例，样本数据包括目标对象的属性信息、眼轴长度、角膜曲率、前房深度和人工晶状体厚度。
[0010]根据本公开的另一方面，提供了一种人工晶状体度数确定方法，包括：将人工晶状体数据输入人工晶状体度数计算模型，得到与人工晶状体数据对应的人工晶状体度数；其中，人工晶状体度数计算模型是根据以上所述的人工晶状体度数计算模型的训练方法训练得到的。
[0011]根据本公开的实施例，上述人工晶状体度数确定方法还包括：确定人工晶状体度数与预设的人工晶状体度数标签之间的偏差度；响应于确定偏差度小于或等于预设偏差阈值，将人工晶状体度数确定为目标人工晶状体度数；以及输出目标人工晶状体度数。
[0012]根据本公开的实施例，上述人工晶状体度数确定方法还包括：响应于确定偏差度大于预设偏差阈值，将人工晶状体度数与人工晶状体度数阈值进行比较；响应于确定人工晶状体度数满足人工晶状体度数阈值，将人工晶状体度数确定为目标人工晶状体度数。
[0013]根据本公开的实施例，上述人工晶状体度数确定方法还包括：响应于确定人工晶状体度数不满足人工晶状体度数阈值，生成针对人工晶状体数据的提示信息，其中，提示信息用于提示用户剔除人工晶状体数据以及与人工晶状体数据对应的人工晶状体度数。
[0014]根据本公开的另一方面，提供了一种人工晶状体度数计算模型的训练装置，包括：预处理模块，用于对人工晶状体数据集进行预处理，得到样本数据集；第一确定模块，用于基于样本数据集，确定多个样本数据组；以及训练模块，用于根据多个样本数据组，利用元学习训练方法对神经网络模型进行训练，得到人工晶状体度数计算模型。
[0015]根据本公开的另一方面，提供了一种人工晶状体度数确定装置，包括：第二确定模块，用于将人工晶状体数据输入人工晶状体度数计算模型，得到与人工晶状体数据对应的人工晶状体度数；其中，人工晶状体度数计算模型是根据以上所述的人工晶状体度数计算模型的训练装置训练得到的。
[0016]根据本公开的另一方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。
[0017]根据本公开的另一方面，还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。
[0018]根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。
附图说明
[0019]通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
[0020]图1是根据本公开实施例的可以应用人工晶状体度数计算模型的训练方法和装置、人工晶状体度数确定方法和装置的示例性系统架构示意图；
[0021]图2是根据本公开实施例的人工晶状体度数计算模型的训练方法的流程图；
[0022]图3是根据本公开实施例的人工晶状体度数确定方法的流程图；
[0023]图4是根据本公开另一实施例的人工晶状体度数确定方法的流程图；
[0024]图5是根据本公开实施例的人工晶状体度数计算模型的训练装置的结构框图；
[0025]图6是根据本公开实施例的人工晶状体度数确定装置的结构框图；以及
[0026]图7是根据本公开实施例的适于实现人工晶状体度数计算模型的训练方法和人工晶状体度数确定方法的电子设备的方框图。
具体实施方式
[0027]以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
[0028]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种人工晶状体度数计算模型的训练方法，包括：对人工晶状体数据集进行预处理，得到样本数据集；基于所述样本数据集，确定多个样本数据组；以及根据所述多个样本数据组，利用元学习训练方法对神经网络模型进行训练，得到人工晶状体度数计算模型。2.根据权利要求1所述的方法，其中，所述样本数据集包括多个样本数据；所述基于所述样本数据集，确定多个样本数据组包括：基于所述多个样本数据所属的类别，将所述多个样本数据划分为多组样本数据；分别从每组样本数据中抽取第一数量个第一样本数据和第二数量个第二样本数据；以及根据所述第一数量个第一样本数据和所述第二数量个第二样本数据，得到所述样本数据组。3.根据权利要求2所述的方法，其中，所述根据所述多个样本数据组，利用元学习训练方法对神经网络模型进行训练，得到人工晶状体度数计算模型包括：从多个样本数据组中采样出至少一个样本数据组；利用所述至少一个样本数据组中的第一数量个第一样本数据，对所述神经网络模型进行训练，得到与所述至少一个样本数据组各自对应的模型参数；基于所述模型参数，利用所述至少一个样本数据组中的第二数量个第二样本数据，对所述神经网络模型的参数进行调整；重复执行上述步骤对所述神经网络模型进行迭代训练，直至所述神经网络模型收敛，得到所述人工晶状体度数计算模型。4.根据权利要求1所述的方法，其中，所述对人工晶状体数据集进行预处理，得到样本数据集包括：对所述人工晶状体数据集中的每个人工晶状体数据进行数据清洗和正则化处理，得到所述样本数据集。5.根据权利要求2至4中任一项所述的方法，其中，所述样本数据包括目标对象的属性信息、眼轴长度、角膜曲率、前房深度和人工晶状体厚度。6.一种人工晶状体度数确定方法，包括：将人工晶状体数据输入人工晶状体度数计算模型，得到与所述人工晶状体数据对应的人工晶状体度数；其中，所述人工晶状体度数计算模型是根据权利要求1至5中任一项所述的方法训练得到的。7.根据权利要求6...
【专利技术属性】
技术研发人员：李绍伟，肖登宝，李鑫鑫，
申请(专利权)人：爱尔眼科医院集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。