Many studies in the rigid gas permeable (RGP) lens fitting field have focused on providing the best fit for patients with irregular astigmatism, a challenging issue. Despite the ease and accuracy of fitting in the current fitting methods, no studies have provided a high-pace solution with the final best fit to assist experts. This work presents a deep learning solution for identifying features in Pentacam four refractive maps and RGP base curve identification. An authentic dataset of 247 samples of Pentacam four refractive maps was gathered, providing a multi-view image of the corneal structure. Scratch-based convolutional neural network (CNN) architectures and well-known CNN architectures such as AlexNet, GoogLeNet, and ResNet have been used to extract features and transfer learning. Features are aggregated through a fusion technique. Based on a comparison of means square error (MSE) of normalized labels, the multi-view scratch-based CNN provided R-squared of 0.849, 0.846, 0.835, and 0.834 followed by GoogLeNet, comparable with current methods. Transfer learning outperforms various scratch-based CNN models, through which proper specifications some scratch-based models were able to increase coefficient of determinations. CNNs on multi-view Pentacam images have enabled fast detection of the RGP lens base curve, higher patient satisfaction, and reduced chair time. Graphical abstract The Pentacam four refractive maps is learned by the proposed scratch-based and transfer learning-based CNN methodology. The deep network-based solutions enable identification of rigid gas permeable lens for patients with irregular astigmatism.

中文翻译：

---

基于Pentacam图像的多角度深度学习，用于刚性透气镜基体曲线拟合。

刚性透气性（RGP）镜片验配领域的许多研究都集中在为具有不规则散光的患者提供最佳配合，这是一个具有挑战性的问题。尽管在当前的拟合方法中拟合容易且准确，但是没有研究提供最终最佳拟合的高步速解决方案来协助专家。这项工作提出了一种深度学习解决方案，用于识别Pentacam四个折射图和RGP基本曲线识别中的特征。收集了247个Pentacam四个折射图的真实数据集，提供了角膜结构的多视图图像。基于Scratch的卷积神经网络（CNN）架构和著名的CNN架构（例如AlexNet，GoogLeNet和ResNet）已用于提取特征并转移学习。通过融合技术聚合特征。基于对标准化标签的均方误差（MSE）的比较，基于多视图刮擦的CNN提供的R平方分别为0.849、0.846、0.835和0.834，其后为GoogLeNet，与当前方法相当。转移学习的性能优于各种基于刮擦的CNN模型，通过这些规范，某些基于刮擦的模型能够适当地提高确定系数。多视角Pentacam图像上的CNN能够快速检测RGP镜片的基本曲线，提高患者满意度，并减少椅子时间。图形摘要通过提出的基于划痕和基于转移学习的CNN方法学习了Pentacam的四个折射图。基于深层网络的解决方案可为患有不规则散光的患者识别硬质透气镜。基于多视图从头开始的CNN提供的R平方分别为0.849、0.846、0.835和0.834，其次是GoogLeNet，与当前方法相当。转移学习的表现优于各种基于刮擦的CNN模型，通过这些规范，某些基于刮擦的模型能够适当地提高确定系数。多视角Pentacam图像上的CNN能够快速检测RGP镜片的基本曲线，提高患者满意度，并减少椅子时间。图形摘要通过提出的基于划痕和基于转移学习的CNN方法学习了Pentacam的四个折射图。基于深层网络的解决方案可为患有不规则散光的患者识别刚性透气性晶状体。基于多视图从头开始的CNN提供的R平方分别为0.849、0.846、0.835和0.834，其次是GoogLeNet，与当前方法相当。转移学习的性能优于各种基于刮擦的CNN模型，通过这些规范，某些基于刮擦的模型能够适当地提高确定系数。多视角Pentacam图像上的CNN能够快速检测RGP镜片的基本曲线，提高患者满意度，并减少椅子时间。图形摘要通过提出的基于划痕和基于转移学习的CNN方法学习了Pentacam的四个折射图。基于深层网络的解决方案可为患有不规则散光的患者识别硬质透气镜。与当前方法相当。转移学习的表现优于各种基于刮擦的CNN模型，通过这些规范，某些基于刮擦的模型可以通过适当的规格来增加确定系数。多视角Pentacam图像上的CNN能够快速检测RGP镜片的基本曲线，提高患者满意度，并减少椅子时间。图形摘要通过提出的基于划痕和基于转移学习的CNN方法学习了Pentacam的四个折射图。基于深层网络的解决方案可为患有不规则散光的患者识别硬质透气镜。与当前方法相当。转移学习的表现优于各种基于刮擦的CNN模型，通过这些规范，某些基于刮擦的模型能够适当地提高确定系数。多视角Pentacam图像上的CNN能够快速检测RGP镜片的基本曲线，提高患者满意度，并减少椅子时间。图形摘要通过提出的基于划痕和基于转移学习的CNN方法学习了Pentacam的四个折射图。基于深层网络的解决方案可为患有不规则散光的患者识别刚性透气性晶状体。多视角Pentacam图像上的CNN能够快速检测RGP镜片的基本曲线，提高患者满意度，并减少椅子时间。图形摘要通过提出的基于划痕和基于转移学习的CNN方法学习了Pentacam的四个折射图。基于深层网络的解决方案可为患有不规则散光的患者识别刚性透气性晶状体。多视角Pentacam图像上的CNN能够快速检测RGP镜片的基本曲线，提高患者满意度，并减少椅子时间。图形摘要通过提出的基于划痕和基于转移学习的CNN方法学习了Pentacam的四个折射图。基于深层网络的解决方案可为患有不规则散光的患者识别硬质透气镜。