CN112674709A - 一种基于对抗噪声的弱视检测方法 - Google Patents
一种基于对抗噪声的弱视检测方法 Download PDFInfo
- Publication number
- CN112674709A CN112674709A CN202011536368.1A CN202011536368A CN112674709A CN 112674709 A CN112674709 A CN 112674709A CN 202011536368 A CN202011536368 A CN 202011536368A CN 112674709 A CN112674709 A CN 112674709A
- Authority
- CN
- China
- Prior art keywords
- noise
- amblyopia
- testee
- visual
- model
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于对抗噪声的弱视检测方法,通过将不同类型的噪声叠加在视标图像上,从而获得不同类型弱视患者对各类噪声的敏感性,并通过机器学习的方法训练上述数据,得到弱视分类模型,进而在采集了弱视患者的叠加噪声的视标级数后,能够通过弱视分类模型得到该弱视患者的弱视分类结果;本发明能够对弱视患者的病变检测更加透彻,提高确诊的精度。
Description
技术领域
本发明属于计算机视觉和眼科学的技术领域,具体涉及一种基于对抗噪声的弱视检测方法。
背景技术
弱视早检查/早干预非常重要,因而视功能准确检查对于弱视患者来说至关重要。弱视的诊断通常包括常规的视力、外眼、眼前节与眼底检查、视力检查以及颅脑视路电生理检查等。基于视力表的检测速度快、效率高,便于操作且对患者无任何副作用,被广泛应用于各类视障疾病的初级筛查,如标准对数远视力表对视力的检测,或是色盲测试本对于色盲患者的检查均采用这一原理。对于弱视的检测,基于Denis G.Pelli提出的噪声模型所设计出的噪声双视力表能够利用噪声处理能力的不同将弱视者和正常者区分开来,可作为常规视力检查的有益补充,实现弱视的临床初步筛查和诊断。
噪声双视力表通过向普通视力表中添加噪声,借助被测试者对噪声视觉效果和处理能力将弱视者与普通人区分开来,并且通过噪声视力表中噪声的加载不同程度来检测弱视患者的严重程度。但噪声双视力具有以下问题和缺点:噪声双视力表只使用了白噪声作为外部噪声的来源,无法通过噪声类型的改变对视神经中的缺陷进行更进一步的研究。并且其视标固定、测试功能单一、仅支持黑白视标等缺点限制其在更深层次研究上的应用,在此基础上,我们使用深度学习中的对抗攻击方法来生成不同类型的现实场景多种色彩的噪声,并将该算法用于临床检测以验证其效果,为弱视的病因及机理的深入研究提供技术手段。
发明内容
本发明提供了一种基于对抗噪声的弱视检测方法,能够对弱视患者的病变检测更加透彻,提高确诊的精度。
实现本发明的技术方案如下:
一种基于对抗噪声的弱视检测方法,包括以下步骤:
步骤一、利用视力表对被试者进行视力测试,测出被试者的最小视标的级数In并进行记录;
步骤二、将级数为In的视标顺序打乱后,在视标图像上叠加第k类噪声,k=1,2,3,4;再对被试者进行视力测试,若被试者无法分辨叠加噪声后该等级的视标,则增大视标的尺寸,直至被试者能够分辨出视标为止,记录下此时的视标级数
步骤三、将级数为In的视标顺序打乱后,在视标图像上叠加第k类噪声,再对被试者进行视力测试;若被试者无法分辨叠加噪声后该等级的视标,则减小噪声与视标之间的信噪比,将初始噪声的强度设为100%,按10%递减降低噪声的强度,直至被试者能够分辨出视标为止,记录下此时的噪声强度比例
步骤四、通过被试者所得到的In,与计算出其对各类噪声的敏感性,其中,被试者包括正常人组、斜视性弱视组、屈光参差性弱视、屈光不正性弱视、形觉剥夺性弱视共5组,将第i名被试者所属的组别作为标签y(i),其对应的噪声敏感性In,与作为样本特征x(i),即可建立起不同弱视症状与其对应的噪声敏感性的数据集;
进一步地,视标级数采用国际标准,取值范围从0.1-1。
进一步地,噪声的生成方式如下:
1、搭建并训练用于模拟人类视觉感知系统的胶囊神经网络模型;所述胶囊神经网络模型为4层,用于模拟人类视觉通路中的V1-V4初级视觉皮层区域;
2、通过关闭不同层的卷积核通道,从而模拟出视觉通路中不同位置缺陷所导致的弱视症状,从而得到不同的本地模型;
3、针对上述步骤所得到的不同的模型进行黑盒对抗攻击,从而生成其对应敏感的噪声,所生成噪声需满足:噪声攻击对正常模型无效、噪声攻击对通道抑制模型有效以及噪声攻击值最大化,从而为弱视症状的进一步细分研究提供参考;
具体黑盒攻击步骤为:分别对正常模型与通道抑制模型输入一张原始图像Im,得到两个模型输出的置信度与对原始图像加上随机干扰δ后再分别输入两个模型计算出和求出置信度的变化量,若ΔPn<ΔPs,则将Im+δ,反之,则将Im-δ作为新一轮的输入图像Im;重复以上步骤,直至通道抑制模型输出错误分类为止;
4、输出不同种类的所有噪声。
进一步地,步骤五中,所述机器学习方法为人工神经网络或者决策树算法。
有益效果:
1、本发明通过深度学习中的对抗攻击方法来生成多种噪声,从而替代单一的高斯白噪声,并借助临床实验对不同噪声与不同弱视种类的相关性进行验证,有助于深入探索弱视的发病机制。
2、本发明对弱视患者的病变检测更加透彻,提高了确诊的精度,并为弱视的病因及机理的深入研究提供了技术手段。
附图说明
图1为本发明方法流程图。
图2为胶囊神经网络基本结构。
图3为对抗攻击噪声生成算法流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供一种弱视检测方法,如图1所示,包括以下步骤:
步骤一、利用普通视力表对被试者进行视力测试,测出被试者的最小视标的级数In并进行记录,视标级数采用国际标准,取值范围从0.1-1;
步骤三、将级数为In的视标顺序打乱后,在视标图像上叠加第k类噪声,再对被试者进行视力测试;若被试者无法分辨叠加噪声后该等级的视标,则减小噪声与视标之间的信噪比,将初始噪声的强度设为100%,按10%递减降低噪声的强度,直至被试者能够分辨出视标为止,记录下此时的噪声强度比例
步骤四、通过被试者所得到的In,与计算出其对各类噪声的敏感性,其中,被试者包括正常人组、斜视性弱视组、屈光参差性弱视、屈光不正性弱视、形觉剥夺性弱视共5组,将第i名被试者所属的组别作为标签y(i),其对应的噪声敏感性In,与作为样本特征x(i),即可建立起不同弱视症状与其对应的噪声敏感性的数据集;
步骤五、利用机器学习方法如人工神经网络或者决策树等算法,在步骤四中的数据集上训练后,即得到弱视分类模型,当一名患者使用步骤一、二、三中的方法测出其对各类噪声的敏感性后,将In,与输入模型,即可得到该名患者的弱视分类结果。
其中,共生成4类噪声,如图3所示,检测弱视的噪声的生成方式如下:
1、搭建并训练用于模拟人类视觉感知系统的胶囊神经网络模型;如图2所示,所述胶囊神经网络模型为4层,用于模拟人类视觉通路中的V1-V4初级视觉皮层区域。
2、通过关闭不同层的卷积核通道,从而模拟出视觉通路中不同位置缺陷所导致的弱视症状,从而得到不同的本地模型。
3、针对上述步骤所得到的不同的模型进行黑盒对抗攻击,从而产生其对应敏感的噪声,所生成噪声需满足:噪声攻击对正常模型无效、噪声攻击对通道抑制模型有效以及噪声攻击值最大化,从而为弱视症状的进一步细分研究提供参考;
具体黑盒攻击步骤为:分别对正常模型与通道抑制模型输入一张原始图像Im,得到两个模型输出的置信度与对原始图像加上随机干扰δ后再分别输入两个模型计算出和求出置信度的变化量,若ΔPn<ΔPs,则将Im+δ,反之,则将Im-δ作为新一轮的输入图像Im;重复以上步骤,直至通道抑制模型输出错误分类为止。
4、输出不同种类的所有噪声。
另外,为实现算法功能及验证算法性能,拟研发一套弱视检测系统,该系统包括:
高分辨率广色域显示硬件。为避免分辩率以及显示屏色域不足等硬件问题而导致的检测错误,拟采用搭载OS X操作系统、具有5K分辩率的imac作为硬件系统;
跨平台开发源码。为保证系统能够跨平台使用,同时方便深度学习算法的快速嵌入部署,使用python 3.6作为软件系统开发语言;
算法及数据云平台开发。将算法模型及软件所采集的测试数据放置于私有云平台上,从而方便算法模型的更新以及测试数据的一体化存储;
数据隐私保护。为保护参与测试人员的数据隐私,对测试数据中包含人员身份信息等数据进行不可逆加密,并对云平台数据库进行整体加密处理,保证数据隐私安全;
可视化软件界面设计。设计符合医生使用习惯和友好人机交互的集成软件,可从云平台上远程下载算法模型,实现动态加载。使用Pyqt5作为软件系统的UI开发模块。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于对抗噪声的弱视检测方法,其特征在于,包括以下步骤:
步骤一、利用视力表对被试者进行视力测试,测出被试者的最小视标的级数In并进行记录;
步骤二、将级数为In的视标顺序打乱后,在视标图像上叠加第k类噪声,k=1,2,3,4;再对被试者进行视力测试,若被试者无法分辨叠加噪声后该等级的视标,则增大视标的尺寸,直至被试者能够分辨出视标为止,记录下此时的视标级数
步骤三、将级数为In的视标顺序打乱后,在视标图像上叠加第k类噪声,再对被试者进行视力测试;若被试者无法分辨叠加噪声后该等级的视标,则减小噪声与视标之间的信噪比,将初始噪声的强度设为100%,按10%递减降低噪声的强度,直至被试者能够分辨出视标为止,记录下此时的噪声强度比例
步骤四、通过被试者所得到的In,与计算出其对各类噪声的敏感性,其中,被试者包括正常人组、斜视性弱视组、屈光参差性弱视、屈光不正性弱视、形觉剥夺性弱视共5组,将第i名被试者所属的组别作为标签y(i),其对应的噪声敏感性In,与作为样本特征x(i),即可建立起不同弱视症状与其对应的噪声敏感性的数据集;
2.如权利要求1所述的一种基于对抗噪声的弱视检测方法,其特征在于,视标级数采用国际标准,取值范围从0.1-1。
3.如权利要求1所述的一种基于对抗噪声的弱视检测方法,其特征在于,噪声的生成方式如下:
1、搭建并训练用于模拟人类视觉感知系统的胶囊神经网络模型;所述胶囊神经网络模型为4层,用于模拟人类视觉通路中的V1-V4初级视觉皮层区域;
2、通过关闭不同层的卷积核通道,从而模拟出视觉通路中不同位置缺陷所导致的弱视症状,从而得到不同的本地模型;
3、针对上述步骤所得到的不同的模型进行黑盒对抗攻击,从而生成其对应敏感的噪声,所生成噪声需满足:噪声攻击对正常模型无效、噪声攻击对通道抑制模型有效以及噪声攻击值最大化,从而为弱视症状的进一步细分研究提供参考;
具体黑盒攻击步骤为:分别对正常模型与通道抑制模型输入一张原始图像Im,得到两个模型输出的置信度与对原始图像加上随机干扰δ后再分别输入两个模型计算出和求出置信度的变化量,若ΔPn<ΔPs,则将Im+δ,反之,则将Im-δ作为新一轮的输入图像Im;重复以上步骤,直至通道抑制模型输出错误分类为止;
4、输出不同种类的所有噪声。
4.如权利要求1所述的一种基于对抗噪声的弱视检测方法,其特征在于,步骤五中,所述机器学习方法为人工神经网络或者决策树算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536368.1A CN112674709B (zh) | 2020-12-22 | 2020-12-22 | 一种基于对抗噪声的弱视检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536368.1A CN112674709B (zh) | 2020-12-22 | 2020-12-22 | 一种基于对抗噪声的弱视检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112674709A true CN112674709A (zh) | 2021-04-20 |
CN112674709B CN112674709B (zh) | 2022-07-29 |
Family
ID=75451000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536368.1A Active CN112674709B (zh) | 2020-12-22 | 2020-12-22 | 一种基于对抗噪声的弱视检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112674709B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03179882A (ja) * | 1990-09-28 | 1991-08-05 | Hamamatsu Photonics Kk | 微弱な映像を撮像する撮像装置 |
US20110013138A1 (en) * | 2009-07-14 | 2011-01-20 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Vision Treatment Procedures and Devices |
US20120229768A1 (en) * | 2011-03-09 | 2012-09-13 | The Johns Hopkins University | Method and apparatus for detecting fixation of at least one eye of a subject on a target |
CN107095733A (zh) * | 2017-04-21 | 2017-08-29 | 杭州瑞杰珑科技有限公司 | 基于ar技术的弱视治疗系统 |
CN108269245A (zh) * | 2018-01-26 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于新型生成对抗网络的眼部图像修复方法 |
CN109770842A (zh) * | 2019-02-19 | 2019-05-21 | 上海明恺中医药技术有限公司 | 一种弱视健康的康复方法 |
CN109992931A (zh) * | 2019-02-27 | 2019-07-09 | 天津大学 | 一种基于噪声压缩的可迁移的非黑盒攻击对抗方法 |
US20200074234A1 (en) * | 2018-09-05 | 2020-03-05 | Vanderbilt University | Noise-robust neural networks and methods thereof |
US20200121184A1 (en) * | 2018-10-22 | 2020-04-23 | Zongqi Hu | Apparatus and method for objective visual acuity measurement using dynamic velocity threshold filter in optokinetic response processing |
CN111494177A (zh) * | 2020-06-07 | 2020-08-07 | 北京以明视觉科技有限公司 | 一种兼顾双眼视觉发育的视力训练方法 |
CN111513999A (zh) * | 2020-05-09 | 2020-08-11 | 胡敏 | 游戏化、记忆性弱视训练方法和系统 |
CN111914929A (zh) * | 2020-07-30 | 2020-11-10 | 南京邮电大学 | 零样本学习方法 |
US20200383562A1 (en) * | 2017-12-01 | 2020-12-10 | The Board Of Trustees Of The University Of Illinois | Methods and diagnostic tools for measuring visual noise-based contrast sensitivity |
-
2020
- 2020-12-22 CN CN202011536368.1A patent/CN112674709B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03179882A (ja) * | 1990-09-28 | 1991-08-05 | Hamamatsu Photonics Kk | 微弱な映像を撮像する撮像装置 |
US20110013138A1 (en) * | 2009-07-14 | 2011-01-20 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Vision Treatment Procedures and Devices |
US20120229768A1 (en) * | 2011-03-09 | 2012-09-13 | The Johns Hopkins University | Method and apparatus for detecting fixation of at least one eye of a subject on a target |
CN107095733A (zh) * | 2017-04-21 | 2017-08-29 | 杭州瑞杰珑科技有限公司 | 基于ar技术的弱视治疗系统 |
US20200383562A1 (en) * | 2017-12-01 | 2020-12-10 | The Board Of Trustees Of The University Of Illinois | Methods and diagnostic tools for measuring visual noise-based contrast sensitivity |
CN108269245A (zh) * | 2018-01-26 | 2018-07-10 | 深圳市唯特视科技有限公司 | 一种基于新型生成对抗网络的眼部图像修复方法 |
US20200074234A1 (en) * | 2018-09-05 | 2020-03-05 | Vanderbilt University | Noise-robust neural networks and methods thereof |
US20200121184A1 (en) * | 2018-10-22 | 2020-04-23 | Zongqi Hu | Apparatus and method for objective visual acuity measurement using dynamic velocity threshold filter in optokinetic response processing |
CN109770842A (zh) * | 2019-02-19 | 2019-05-21 | 上海明恺中医药技术有限公司 | 一种弱视健康的康复方法 |
CN109992931A (zh) * | 2019-02-27 | 2019-07-09 | 天津大学 | 一种基于噪声压缩的可迁移的非黑盒攻击对抗方法 |
CN111513999A (zh) * | 2020-05-09 | 2020-08-11 | 胡敏 | 游戏化、记忆性弱视训练方法和系统 |
CN111494177A (zh) * | 2020-06-07 | 2020-08-07 | 北京以明视觉科技有限公司 | 一种兼顾双眼视觉发育的视力训练方法 |
CN111914929A (zh) * | 2020-07-30 | 2020-11-10 | 南京邮电大学 | 零样本学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112674709B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep learning based early stage diabetic retinopathy detection using optical coherence tomography | |
Saxena et al. | A glaucoma detection using convolutional neural network | |
Thompson et al. | A deep learning algorithm to quantify neuroretinal rim loss from optic disc photographs | |
Yousefi et al. | Glaucoma progression detection using structural retinal nerve fiber layer measurements and functional visual field points | |
KR101898414B1 (ko) | 3차원 안구 움직임 측정 방법 및 전자동 딥러닝 기반 어지럼 진단 시스템 | |
JP5923445B2 (ja) | 緑内障の組み合わせ解析 | |
CN110570421B (zh) | 多任务的眼底图像分类方法和设备 | |
JP2018520820A (ja) | 視覚の様相を検査する方法及びシステム | |
CN108765422A (zh) | 一种视网膜图像血管自动分割方法 | |
Zheng et al. | Detection of referable horizontal strabismus in children's primary gaze photographs using deep learning | |
Van Craenendonck et al. | Systematic comparison of heatmapping techniques in deep learning in the context of diabetic retinopathy lesion detection | |
Yugha et al. | An automated glaucoma detection from fundus images based on deep learning network | |
Serener et al. | Geographic variation and ethnicity in diabetic retinopathy detection via deeplearning | |
Wang et al. | Explainable deep learning for biomarker classification of oct images | |
Sun et al. | Deep learning for the detection of multiple fundus diseases using ultra-widefield images | |
CN114372985A (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及系统 | |
Gupta et al. | Glaucoma precognition: Recognizing preclinical visual functional signs of glaucoma | |
CN112674709B (zh) | 一种基于对抗噪声的弱视检测方法 | |
Vermeer et al. | Modeling of scanning laser polarimetry images of the human retina for progression detection of glaucoma | |
CN110598652A (zh) | 眼底数据预测方法和设备 | |
Preethy Rebecca et al. | Detection of DR from retinal fundus images using prediction ANN classifier and RG based threshold segmentation for diabetes | |
Cárdenas-Delgado et al. | VR-test ViKi: VR test with visual and kinesthetic stimulation for assessment color vision deficiencies in adults | |
Intaraprasit et al. | MobileNetV2-based Deep Learning for Retinal Disease Classification on a Mobile Application | |
Goldbaum | Unsupervised learning with independent component analysis can identify patterns of glaucomatous visual field defects | |
Clauser et al. | The generalizability of scores from a performance assessment of physicians' patient management skills |
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 |