Search

For quantitative and qualitative evaluation of the imaging properties of IOLs, axial cross-sectional images can be obtained from the 3-dimensional light distribution by means of an optical bench, as is known from light sheet recordings in fluorescein baths. This paper presents a new image-processing algorithm to enhance the quality of generated axial cross-sectional images, and the two methods are then compared.The 3-dimensional point spread function of a diffractive trifocal IOL (AT LISA tri 839MP, Carl Zeiss Meditec AG, Jena, Germany) was recorded on an optical bench developed in Rostock for different pupil diameters. A specially adapted image processing algorithm was then applied to the measurements, allowing through-focus curves to be generated. In addition, cross-sectional images of the IOLs studied were acquired using the light sheet method in a fluorescein bath.The study clearly shows the superiority of the newly developed method over the light sheet method in terms of image quality. In addition to the individual focal points, fine focal structures as well as halos can be made visible in the cross-sectional images obtained using the new method. In the generated through-focus curves, 3 intensity peaks can be identified, which represent the near, intermediate and far focus of the tested MIOL and cannot be represented by light sheet methods.The interaction of the optical bench with the developed image processing algorithm allows a more detailed understanding of the image formation and false light phenomena of IOLs, which was restricted by the technical limitations of the existing light sheet method. In addition, other quantities such as the through-focus curve can be derived quantitatively.Zur quantitativen und qualitativen Bewertung der Abbildungseigenschaften von IOLs können mittels einer optischen Bank axiale Querschnittsbilder aus der 3-dimensionalen Lichtverteilung erstellt werden, wie sie von Lichtblattaufnahmen in Fluoresceinbädern bekannt sind. In dieser Arbeit wird ein neuer Bildverarbeitungsalgorithmus zur Verbesserung der Qualität solcher generierten axialen Querschnittsbilder vorgestellt und beide Methoden werden miteinander verglichen.Die 3-dimensionale Punktspreizfunktion einer diffraktiven trifokalen IOL (AT LISA tri 839MP, Carl Zeiss Meditec AG, Jena, Deutschland) wurde an einer in Rostock entwickelten optischen Bank für unterschiedliche Pupillendurchmesser aufgenommen. Anschließend wurde ein speziell angepasster Bildverarbeitungsalgorithmus auf die Messungen angewandt, der die Generierung von Durchfokuskurven erlaubt. Zusätzlich wurden Querschnittsbilder der untersuchten IOL unter Verwendung der Lichtblattmethode in einem Fluoresceinbad aufgenommen.Die Studie zeigt deutlich die Überlegenheit der neu entwickelten Methode in Bezug auf die Bildqualität gegenüber der Lichtblattmethode. Neben den einzelnen Fokuspunkten können in den Querschnittsbildern der neuen Methode sowohl feine Fokusstrukturen als auch Halos sichtbar gemacht werden. In den generierten Durchfokuskurven lassen sich 3 Intensitätsspitzen erkennen, die den Nah-, Intermediär- und Fernfokus der getesteten MIOL darstellen und mittels Lichtblattmethoden nicht darstellbar sind.Das Zusammenspiel der optischen Bank mit dem entwickelten Bildverarbeitungsalgorithmus ermöglicht ein detaillierteres Verständnis der Bildentstehung und Falschlichterscheinungen von IOLs, was mit der bisherigen Lichtblattmethode aufgrund technischer Beschränkungen nur begrenzt möglich war. Darüber hinaus lassen sich weitere Größen wie z. B. die Durchfokuskurve quantitativ ableiten.

The use of deep neural networks ("deep learning") creates new possibilities in digital image processing. This approach has been widely applied and successfully used for the evaluation of image data in ophthalmology. In this article, the methodological approach of deep learning is examined and compared to the classical approach for digital image processing. The differences between the approaches are discussed and the increasingly important role of training data for model generation is explained. Furthermore, the approach of transfer learning for deep learning is presented with a representative data set from the field of corneal confocal microscopy. In this context, the advantages of the method and the specific problems when dealing with medical microscope data will be discussed.Der Einsatz von Tiefen Neuronalen Netzen (Deep Learning) eröffnet neue Möglichkeiten in der digitalen Bildverarbeitung. Auch für die Auswertung von Bilddaten in der Ophthalmologie wird diese Methode erfolgreich eingesetzt und findet weite Verbreitung. In diesem Artikel wird die methodische Vorgehensweise beim Deep Learning betrachtet und der klassischen Vorgehensweise für die Entwicklung von Methoden für die digitale Bildverarbeitung gegenübergestellt. Dabei wird auf Unterschiede eingegangen und die wichtiger werdende Rolle von Trainingsdaten für die Modellbildung erklärt. Weiterhin wird die Vorgehensweise des Transfer-Lernens (Transfer Learning) für Deep Learning am Beispiel eines Datensatzes aus der kornealen Konfokalmikroskopie vorgestellt. Dabei wird auf die Vorteile der Methode und auf Besonderheiten beim Umgang mit medizinischen Mikroskopdaten eingegangen.

The development of new optical designs for intraocular lenses (IOL) is a major challenge for lens manufacturers, as postoperative patient satisfaction is difficult to assess a priori with new concepts. Until now, invasive clinical investigations were carried out for this purpose. In contrast, the simulated implantation of IOLs allows a risk-free determination of the achievable visual performance and a subjective evaluation of the visual impression of new optical concepts. For intraocular lens manufacturers, this offers, on the one hand, the possibility to take the subjective perception of test persons into account during the development and optimization of novel lens designs and, on the other hand, to carry out comparative performance tests with known products before the first implantation. By means of simulated implantation, subjectively optimized IOLs may lead to a better postoperative visual quality for the patients and minimize the risk of a cost-intensive development of products with clinically unacceptable visual perception achievements due to optical side effects. The application of the simulated implantation during the preoperative patient consultation may enable the determination of the patient's subjective visual preferences and result in a targeted IOL selection recommendation. In addition to an improved selection from an existing IOL portfolio, IOL manufacturers could also offer individualized multifocal IOLs that match the patient's previous preference pattern. This article explains the technical background and application scenarios of the simulated implantation and introduces current procedures and devices.Die Entwicklung neuer optischer Designs für Intraokularlinsen (IOL) ist eine große Herausforderung für die Linsenhersteller, da die postoperative Patientenzufriedenheit mit neuen Konzepten a priori schwer abzuschätzen ist. Bislang werden dazu invasive klinische Untersuchungen durchgeführt. Im Gegensatz dazu erlaubt die simulierte Implantation von IOLs eine risikofreie Bestimmung der erreichbaren Sehleistungen und eine subjektive Bewertung des Seheindrucks neuer optischer Konzepte. Für die Intraokularlinsenhersteller schafft dies die Möglichkeit, während der Entwicklung und Optimierung von neuartigen Linsendesigns einerseits die subjektive Wahrnehmung von Probanden zu berücksichtigen und andererseits schon vor der ersten Implantation vergleichende Leistungsuntersuchungen mit bekannten Produkten durchzuführen. Mittels simulierter Implantation können subjektiv optimierte IOLs zu einer besseren postoperativen Sehqualität für die Patienten führen und das Risiko einer kostenintensiven Entwicklung von Produkten mit klinisch nicht akzeptablen visuellen Wahrnehmungsleistungen, beispielsweise durch optische Nebeneffekte, minimieren. Die Anwendung der simulierten Implantation während der präoperativen Patientenkonsultation kann die Ermittlung der subjektiven Sehpräferenzen der Patienten und eine darauf zielgerichtete IOL-Auswahlempfehlung ermöglichen. Neben der verbesserten Auswahlmöglichkeit aus einem bestehenden IOL-Portfolio könnten IOL-Hersteller auch individualisierte, multifokale IOLs anbieten, die dem zuvor erhobenen Präferenzmuster der Patienten entsprechen. Dieser Artikel erläutert die technischen Hintergründe und Anwendungsszenarien der simulierten Implantation und stellt aktuelle Verfahren und Geräte vor.