CN115251822B - 一种基于神经网络的对比敏感度快速测量方法 - Google Patents
一种基于神经网络的对比敏感度快速测量方法 Download PDFInfo
- Publication number
- CN115251822B CN115251822B CN202210827710.6A CN202210827710A CN115251822B CN 115251822 B CN115251822 B CN 115251822B CN 202210827710 A CN202210827710 A CN 202210827710A CN 115251822 B CN115251822 B CN 115251822B
- Authority
- CN
- China
- Prior art keywords
- contrast sensitivity
- map
- sensitivity
- answer
- contrast
- 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.)
- Active
Links
- 230000035945 sensitivity Effects 0.000 title claims abstract description 195
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000000691 measurement method Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 27
- 238000001228 spectrum Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000004438 eyesight Effects 0.000 description 6
- 208000022873 Ocular disease Diseases 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- 230000004382 visual function Effects 0.000 description 2
- 201000009487 Amblyopia Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000038015 macular disease Diseases 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/02—Subjective types, i.e. testing apparatus requiring the active assistance of the patient
- A61B3/022—Subjective types, i.e. testing apparatus requiring the active assistance of the patient for testing contrast sensitivity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Ophthalmology & Optometry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于神经网络的对比敏感度快速测量方法，包括步骤：S1：获取受试者在受试的空间频率和敏感度下的可视情况，并将已完成受试的检测结果整合为回答图谱；S2：对所述回答图谱进行填补和修复错误，得到对比敏感度图谱；S3：根据所述对比敏感度图谱的结果推荐下一组空间频率和敏感度作为受试者下一次受试的空间频率和敏感度；S4：重复步骤S1至S3，直到重复受试次数达到预设的数量，进入步骤S5；S5：利用最后一次受试后得到的对比敏感度图谱计算得到对比敏感度函数曲线和测量信息。本发明将CSF曲线表示为二维图谱，同时通过神经网络模型学习并模拟大量现实中存在的CSF曲线。相对于现有技术，受试次数更少，结果更准确。
Description
技术领域
本发明涉及视力对比敏感度检测领域，更具体地，涉及一种基于神经网络的对比敏感度快速测量方法。
背景技术
视力反映了黄斑中心凹在高对比度的情况下对细小物体的分辨能力，但生活中的视觉信息大部分都不是高对比度的，反映视功能需要对不同空间频率的对比敏感度进行全面评价。对比敏感度是测定视觉系统辨认不同大小物体空间频率(周/度)时，所需的物体表面的黑白反差(对比度)，用以评价视觉系统对不同大小物体的分辨能力，是一种新的视觉功能定量检查方法。对比敏感度可以用于评估多种眼部疾病的造成的视功能异常，包括视神经损伤、弱视、黄斑部疾病、视网膜病变、青光眼等。
对比度(Contrast)一般用对比度阈值(contrast threshold)来评价，它指物体与其背景之间可区分的最小亮度差异。我们常用对比度阈值的倒数，即对比敏感度(contrastsensitivity，CS)，来描述被试分辨对比度的能力。对比敏感度函数(contrastsensitivity function，CSF)可描述各个空间频率下的CS(图1)，横坐标是取对数单位的空间频率(Log spatial frequency，LogSF)，纵坐标是取对数单位的对比敏感度(Logcontrast sensitivity,LogCS)。
随着计算机硬件和编程的发展，可通过软件控制显示器产生不同空间频率和对比度的视标，被试者通过人机对话完成CSF检测。包括应用贝叶斯自适应法即传统的Ψ法(Kontsevich,Leonid L.,and Christopher W.Tyler."Bayesian adaptive estimationof psychometric slope and threshold."Vision research 39,16,1999)，Thomson公司的商业化软件TestChart和Holladay自动对比敏感度测试系统(Holladay automatedcontrast sensitivity system HACSS)(Thayaparan,Kavitha,Michael D.Crossland,andGary S.Rubin."Clinical assessment of two new contrast sensitivity charts."British Journal of Ophthalmology 91,6,2007)，Freiburg视力与对比敏感度测试(Freiburg Visual Acuity and Contrast Test,FrACT)(Anton,Alexandra,et al."Contrast sensitivity with bifocal intraocular lenses is halved,as measuredwith the Freiburg vision test(FrACT),yet patients are happy."Graefe'sArchivefor Clinical and Experimental Ophthalmology 252,3,2014)，快速对比敏感度检查法(quickCSF,qcSF)(Lesmes,Luis Andres,et al."Bayesian adaptive estimation of thecontrast sensitivity function:The quick CSF method."Journal of vision 10,3,2010)；以及利用光栅视标的快速测量视觉对比敏感度函数的系统(用于快速测量视觉对比敏感度函数的系统和方法)；
现有基于计算机实现CSF快速检测方法的主要问题是：(1)现有方法(如qCSF)基于正常人预先假设CSF函数，并推断受试者的CSF曲线参数令其符合假设的CSF函数。但是正常人的CSF曲线形态与眼部疾病中的CSF曲线形态差异大，因此在各种眼疾病中的适用性无法保证；(2)现有方法需要非常多的测试次数才能得到准确的CSF曲线形态，例如qCSF需要50个试次，才能得到精确的结果。
发明内容
本发明提供一种基于神经网络的对比敏感度快速测量方法，不需要预先假设CSF结构即可通过预测二维图并还原其对应的CSF曲线形态，并且可以通过少量的试次就能够预估受试者的CSF曲线大致形态。
为解决上述技术问题，本发明的技术方案如下：
一种基于神经网络的对比敏感度快速测量方法，包括以下步骤：
S1：获取受试者在受试的空间频率和敏感度下的可视情况，并将已完成受试的检测结果整合为回答图谱，所述回答图谱为二维矩阵，所述回答图谱中的每个元素代表一个空间频率和敏感度组合的检测情况；
S2：对所述回答图谱进行填补和修复错误，得到对比敏感度图谱；
S3：根据所述对比敏感度图谱的结果推荐下一组空间频率和敏感度作为受试者下一次受试的空间频率和敏感度；
S4：重复步骤S1至S3，直到重复受试次数达到预设的数量，进入步骤S5；
S5：利用最后一次受试得到的对比敏感度图谱计算得到对比敏感度函数曲线和测量信息。
优选地，所述步骤S1中获取受试者在受试的空间频率和敏感度下的可视情况，具体为：
通过常规的检测方法获取受试者在受试的空间频率和敏感度下的可视情况，所述测试方法包括条栅图法和字母表法。
优选地，所述步骤S1中所述回答图谱中的每个元素代表一个空间频率和敏感度组合的检测情况，具体为：
所述回答图谱为N*M的二维矩阵，将空间频率范围分为N份，敏感度范围分为M份，每个元素代表一组空间频率和敏感度组合的检测情况，表示为(n,m),1≤n≤N,1≤m≤M，所述回答图谱中每个元素只有三个取值，分别为0、+a和-a，其中，0表示没有检测此元素，+a表示检测过此元素并可以看见，-a表示检测过此元素并无法看见。
优选地，所述步骤S1中将已测试的测试结果整合为回答图谱，具体为：
将代表一组敏感度为m和空间频率为n组合特性的数字或光栅视标展示给受试者，得到此组合的检测情况，并将此结果更新到回答谱图对应的元素(n,m)，如看见记为+a,反之记为-a，每次检测的视标的敏感度和空间频率组合均不同，k次检测后将得到一张包含k个非0元素的二维矩阵。
优选地，所述步骤S2中对比敏感度图谱，具体为：
所述对比敏感度图谱为与所述回答图谱同样大小(N*M)的二维矩阵，所述对比敏感度图谱中的每个元素的取值范围为[-a，+a]，越接近+a代表受试者越大概率可以看到此元素，越接近-a代表受试者越大概率不能看见此元素，对比敏感度图谱存在一条交界线将可以看见和不能看见的元素区域划分开来。
优选地，所述步骤S2中对所述回答图谱进行填补和修复错误，具体为：
利用包括但不限于深度自编码器、卷积神经网络或机器学习算法估计所述回答图谱中每个0值元素的是否可见情况并进行填充，同时修复已经测试过的元素中存在的错误，其中输入为回答图谱，输出为对比敏感度图谱，输出搭配不限于tanh激活函数等，将回答图谱的离散取值范围转换为对比敏感度图谱的连续取值范围，每个元素的取值范围为[-a，+a]。
优选地，所述步骤S3中根据所述对比敏感度图谱的结果推荐下一组空间频率和敏感度作为受试者下一次的受试的空间频率和敏感度，具体为：
S3.1：判断所述对比敏感度图谱中的交界线的具体位置，交界线处于+a到-a的过渡区域，计算出对比敏感度图中的各元素处于过渡区域的概率g(n,m)，1≤n≤N,1≤m≤M，0≤g(n,m)≤1；
S3.2：推荐的视标需要平衡以下两个原则：
(1)接近对比敏感度图谱中的过渡区域；
(2)远离已推荐的视标；
采用以对比敏感度图谱每移动一格作为单位距离，以处于过渡区域概率最高的i个元素作为目标计算每个元素距离过渡区域的距离Dj(n,m)，以已测的k个元素作为目标计算每个元素距离已测区域的距离Dk(n,m)，以g(n,m)-α*Dj(n,m)+β*Dk(n,m)作为推荐打分，α，β为常数系数，排除掉已测过的元素及其距离p以内的周边元素，推荐打分最高的元素所代表的对比度和敏感度生成下一个视标。
优选地，所述步骤S3.1中计算出对比敏感度图中的过渡区域的各元素的概率g(n,m)，具体为：
利用包括但不限于图像梯度变化算法或区域平均的方法计算对比敏感度图中的各元素处于过渡区域的概率g(n,m)，并通过标准化将g(n,m)的取值范围限定到[0,1]。
优选地，所述步骤S5中利用最后一次重复得到的对比敏感度图谱计算得到对比敏感度函数曲线，具体为：
S5.1：对比敏感度图谱上的+a到-a的交界线即为对比敏感度曲线，因此每次重复得到的对比敏感度图谱都可以用于估计一条对比敏感度曲线，当处于边缘的交界点在计算不准确时，需要参考附近的交界点做出判断；采用N个预测器，对应设定的N个空间频率，每个预测器在参考了每个元素的对比敏感度图谱取值以及交界点位置之后，预测N个空间频率的交界点位置，即预测每个空间频率的交界点处于M个敏感度中的哪一个，得到对比敏感度曲线编码图，再选取每个空间频率上取值最大的敏感度，即为交界点位置把所有空间频率的交界点连接起来即为对比敏感度曲线，所述对比敏感度曲线编码图为与所述对比敏感度图谱同样大小的二维矩阵，所述对比敏感度曲线编码图中的每个元素的取值范围为[0，1]，越接近1代表此元素越大概率处于交界线上，越接近0代表此元素越大概率远离交界线；
S5.2：将得到的对比敏感度曲线进行平滑处理，得到光滑的对比敏感度曲线。
优选地，所述步骤S5.1中的预测器采用包括但不限于卷积神经网络、支持向量机、随机森林算法、朴素贝叶斯算法的方法，最后连接到SOFTMAX激活函数将输出约束到[0,1]，代表交界点出现在M个敏感度的概率。
与现有技术相比，本发明技术方案的有益效果是：
(1)对于现有方法预先假设的CSF分布，因此无法表示大幅偏离预先假设分布的CSF曲线，本发明提供了一种将CSF曲线表示为二维图谱，并通过深度学习CNN模型学习并模拟此二维图谱的方法，使得任何现实中存在的CSF曲线形式都能够被此方法所表示。
(2)本发明提出的方法归纳了大量受试者的测试反应与其CSF曲线的关系，因此通过少量的试次就能够预估受试者的CSF曲线大致形态，然后通过针对性的试次提高准确性，比现有方法需要的试次更少，耗时更少。同时，因为推荐的视标更加精准，也减少了受试者需要去观察其不所看见视标的次数，提高患者检测中的舒适度。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的算法整体框架示意图。
图3为本发明的回答图谱示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于神经网络的对比敏感度快速测量方法，如图1和图2所示，包括以下步骤：
S1：获取受试者在受试的空间频率和敏感度下的可视情况，并将已完成受试的检测结果整合为回答图谱，所述回答图谱为二维矩阵，如图3所示，所述回答图谱中的每个元素代表一组空间频率和敏感度组合的检测情况；
S2：对所述回答图谱进行填补和修复错误，得到对比敏感度图谱；
S3：根据所述对比敏感度图谱的结果推荐下一组空间频率和敏感度作为受试者下一次受试的空间频率和敏感度；
S4：重复步骤S1至S3，直到重复次数达到预设的数量，进入步骤S5；
S5：利用最后一次重复得到的对比敏感度图谱计算得到对比敏感度函数曲线和测量信息。
本实施例将CSF曲线表示为二维图(二维矩阵)，其代表受试者在空间频率、敏感度二维空间中的视功能情况，并通过深度学习CNN模型学习和模拟大量受试者的CSF曲线所对应的二维图呈现模式(包括正常与疾病状态下的形态)，而二维图的呈现模式可表示任何在现实中存在的CSF曲线形式。因此，此发明不需要预先假设CSF结构即可通过预测二维图并还原其对应的CSF曲线形态。
实施例2
本实施例在实施例1的基础上，继续公开以下内容：
所述步骤S1中获取受试者在受试的空间频率和敏感度下的可视情况，具体为：
通过常规的测试方法获取受试者在受试的空间频率和敏感度下的可视情况，所述测试方法包括条栅图法和字母表法。
所述步骤S1中所述回答图谱中的每个元素代表一个空间频率和敏感度组合的检测情况，具体为：
所述回答图谱为N*M的二维矩阵，将空间频率范围分为N份，敏感度范围分为M份，每个元素代表一组空间频率和敏感度组合的检测情况，表示为(n,m),1≤n≤N,1≤m≤M，所述回答图谱中每个元素只有三个取值，分别为0、+a和-a，其中，0表示没有检测此元素，+a表示检测过此元素并可以看见，-a表示检测过此元素并无法看见。
在本实施例中，回答图谱的空间频率的范围是[1–C]CPD(或取0–log(C))(C通常取值大于32因为人类通常可见空间频率小于32CPD)，对比度的范围是0-1(敏感度的倒数)，因此设定敏感度为1–S(或0–log(S))(S通常取值为小于1000)，通常受试次数会大幅小于元素空间，因此回答图谱包含大量的0值元素(代表没有测试过)。同样，+a，-a可分别乘以任意实数常量转换为其它数字，均在此发明所定义的框架内。
所述步骤S1中将已测试的测试结果整合为回答图谱，具体为：
将代表一组敏感度为m和空间频率为n组合的数字或光栅视标展示给受试者，得到此组合的检测情况，并将此结果更新到回答谱图对应的元素(n,m)，如看见记为+a,反之记为-a，每次检测的视标的敏感度和空间频率组合均不同，k次检测后将得到一张包含k个非0元素的二维矩阵。
所述步骤S2中对比敏感度图谱，具体为：
所述对比敏感度图谱为与所述回答图谱同样大小的二维矩阵，所述对比敏感度图谱中的每个元素的取值范围为[-a，+a]，越接近+a代表受试者越大概率可以看到此元素，越接近-a代表受试者越大概率不能看见此元素，对比敏感度图谱存在一条交界线将可以看见和不能看见的元素区域划分开来。
所述步骤S2中对所述回答图谱进行填补和修复错误，具体为：
利用包括但不限于深度自编码器、卷积神经网络或机器学习算法估计所述回答图谱中每个0值元素的是否可见情况并进行填充，同时修复已经测试过的元素中存在的错误，其中输入为回答图谱，输出为对比敏感度图谱，输出搭配不限于tanh激活函数等，将回答图谱的离散取值范围转换为对比敏感度图谱的连续取值范围，每个元素的取值范围为[-a，+a]，在本实施例中，机器学习算法包括但不限于支持向量机、随机森林算法或朴素贝叶斯算法。
对比敏感度图谱中的交界线即为算法想要得知的CSF曲线。而推荐的视标的意义在于验证预测的交界线是否横跨可见与不可见元素区域，所述步骤S3中根据所述对比敏感度图谱的结果推荐下一组空间频率和敏感度作为受试者下一次的受试的空间频率和敏感度，具体为：
S3.1：判断所述对比敏感度图谱中的交界线的具体位置，交界线处于+a到-a的过渡区域，计算出对比敏感度图中的过渡区域的各元素的概率g(n,m)，1≤n≤N,1≤m≤M，0≤g(n,m)≤1，计算方法包括但不限于图像梯度变化算法(如Sobel算子、scharr滤波器、Robinson算子、Laplace算子)、区域平均等
S3.2：推荐的视标需要平衡以下两个原则：
(1)接近对比敏感度图谱中的过渡区域；
(2)远离已推荐的视标；
采用以对比敏感度图谱每移动一格作为单位距离，以过渡区域概率最高的i个元素作为目标计算每个元素距离过渡区域的距离Dj(n,m)，以已测的k个元素作为目标计算每个元素距离已测区域的距离Dk(n,m)，以g(n,m)-α*Dj(n,m)+β*Dk(n,m)作为推荐打分，α，β为常数系数，排除掉已测过的元素及其距离p以内的周边元素，推荐打分最高的元素所代表的对比度和敏感度生成下一个视标。
所述步骤S3.1中计算出对比敏感度图中的过渡区域的各元素的概率g(n,m)，具体为：
利用包括但不限于图像梯度变化算法或区域平均的方法计算对比敏感度图中的过渡区域的各元素的概率g(n,m)，并通过标准化将g(n,m)的取值范围限定到[0,1]。
所述步骤S5中利用最后一次重复得到的对比敏感度图谱计算得到对比敏感度函数曲线，具体为：
S5.1：对比敏感度图谱上的+a到-a的交界线即为对比敏感度曲线，因此每次重复得到的对比敏感度图谱都可以用于估计一条对比敏感度曲线，当处于边缘的交界点在计算不准确时，需要参考附近的交界点做出判断；采用N个预测器，对应设定的N个空间频率，每个预测器在参考了每个元素的对比敏感度图谱取值以及交界点位置之后，预测N个空间频率的交界点位置，即预测每个空间频率的交界点处于M个敏感度中的哪一个，得到对比敏感度曲线编码图，再选取每个空间频率上取值最大的敏感度，即为交界点位置把所有空间频率的交界点连接起来即为对比敏感度曲线，所述对比敏感度曲线编码图为与所述对比敏感度图谱同样大小的二维矩阵，所述对比敏感度曲线编码图中的每个元素的取值范围为[0，1]，越接近1代表此元素越大概率处于交界线上，越接近0代表此元素越大概率远离交界线；
S5.2：将得到的对比敏感度曲线进行平滑处理，处理方法包括但不限于savgol滤波、kalman滤波、Gaussian滤波等，得到光滑的对比敏感度曲线。
所述步骤S5.1中的预测器采用包括但不限于卷积神经网络、支持向量机、随机森林算法、朴素贝叶斯算法的方法，最后连接到SOFTMAX激活函数将输出约束到[0,1]，代表交界点出现在M个敏感度的概率。
实施例3
本实施例提供实施例1和实施例2的一个具体实施例：
训练数据：
基于现有算法测出CSF曲线，将CSF曲线转换为对比敏感度图谱(N*M二维矩阵)，以CSF曲线作为分界线，可见区域标为+a,不可见区域标为-a。此对比敏感度图谱记为Y1。同时生成CSF编码图Y2(N*M二维矩阵)，即CSF曲线所在的元素取值为1，其余均为0。
视标的可见性估计方法：
以CSF曲线作为分界线，如果一个视标落在可见区域则为可见(+a)，反之则为不可见(-a)。
算法起始：
选择几组视标作为回答图谱的起始视标，所述模型选择(2，2)，(2，10)，(2，50)，(6，2)，(6，10)，(6，50)共6个组合作为起始视标(前为空间频率，后为敏感性)，但不限于此种选择，所有的空间频率、敏感性组合均可作为起始视标，也可以不用起始视标。整合起始视标及视标的可见性，得到起始回答图谱，如果不用起始视标则回答图谱所有元素都为0。以起始回答图谱填补得到起始对比敏感度图谱，然后计算得到第一个推荐视标。
生成模型输出：
(1)第i次测试(1<i<K,K为一共试次数量)，估计第i个视标的可见性，并更新回答图谱；
(2)采用神经网络模型对回答矩阵进行填补得到第i次的对比敏感度图谱CSi，以及推荐第i+1次的视标；
(3)对比敏感度矩阵Xi作为输入，用预测矩阵预测第i次的CSF编码图位置CSFi；
(4)重复以上步骤，直到完成K次测试，因此得到K个CSi和K个CSFi。
训练目标函数：
用y1、y2作为目标，采用以下目标函数f用后向传递梯度下降优化算法对模型进行优化：
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于神经网络的对比敏感度快速测量方法，其特征在于，包括以下步骤：
S1：获取受试者在受试的空间频率和敏感度下的可视情况，并将已完成受试的检测结果整合为回答图谱，所述回答图谱为二维矩阵，所述回答图谱中的每个元素代表一个空间频率和敏感度组合的检测情况；
S2：对所述回答图谱进行填补和修复错误，得到对比敏感度图谱；
S3：根据所述对比敏感度图谱的结果推荐下一组空间频率和敏感度作为受试者下一次受试的空间频率和敏感度；
S4：重复步骤S1至S3，直到重复次数达到预设的数量，进入步骤S5；
S5：利用最后一次受试得到的对比敏感度图谱计算得到对比敏感度函数曲线和测量信息；
所述步骤S1中所述回答图谱中的每个元素代表一组空间频率和敏感度组合的检测情况，具体为：
所述回答图谱为N*M的二维矩阵，将空间频率范围分为N份，敏感度范围分为M份，每个元素代表一组空间频率和敏感度组合的检测情况，表示为(n,m),1≤n≤N,1≤m≤M，所述回答图谱中每个元素只有三个取值，分别为0、+a和-a，其中，0表示没有检测此元素，+a表示检测过此元素并可以看见，-a表示检测过此元素并无法看见；
所述步骤S2中对所述回答图谱进行填补和修复错误，具体为：
利用包括但不限于深度自编码器、卷积神经网络或机器学习算法估计所述回答图谱中每个0值元素的是否可见情况并进行填充，同时修复已经测试过的元素中存在的错误，其中输入为回答图谱，输出为对比敏感度图谱，且输出搭配但不限于tanh激活函数，将回答图谱的离散取值范围转换为对比敏感度图谱的连续取值范围，每个元素的取值范围为[-a，+a]。
2.根据权利要求1所述的基于神经网络的对比敏感度快速测量方法，其特征在于，所述步骤S1中获取受试者在受试的空间频率和敏感度下的可视情况，具体为：
通过常规的测试方法获取受试者在受试的空间频率和敏感度下的可视情况，所述测试方法包括但不限于条栅图法和字母表法。
3.根据权利要求2所述的基于神经网络的对比敏感度快速测量方法，其特征在于，所述步骤S1中将已完成受试的检测结果整合为回答图谱，具体为：
将代表一组敏感度为m和空间频率为n组合特性的数字或光栅视标展示给受试者，得到此组合的检测情况，并将此结果更新到回答谱图对应的元素(n,m)，如看见记为+a,反之记为-a，每次检测的视标代表的敏感度和空间频率组合特性均不同，k次检测后将得到一张包含k个非0元素的二维矩阵。
4.根据权利要求3所述的基于神经网络的对比敏感度快速测量方法，其特征在于，所述步骤S2中对比敏感度图谱，具体为：
所述对比敏感度图谱为与所述回答图谱同样大小(N*M)的二维矩阵，所述对比敏感度图谱中的每个元素的取值范围为[-a，+a]，越接近+a代表受试者越大概率可以看到此元素，越接近-a代表受试者越大概率不能看见此元素，对比敏感度图谱存在一条交界线将可以看见和不能看见的元素区域划分开来。
5.根据权利要求4所述的基于神经网络的对比敏感度快速测量方法，其特征在于，所述步骤S3中根据所述对比敏感度图谱的结果推荐下一组空间频率和敏感度作为受试者下一次的受试的空间频率和敏感度，具体为：
S3.1：判断所述对比敏感度图谱中的交界线的具体位置，交界线处于+a到-a的过渡区域，计算出对比敏感度图中各元素处于过渡区域的概率g(n,m)，1≤n≤N,1≤m≤M，0≤g(n,m)≤1；
S3.2：推荐的视标需要平衡以下两个原则：
(1)接近对比敏感度图谱中的过渡区域；
(2)远离已推荐的视标；
采用以对比敏感度图谱每移动一格作为单位距离，以处于过渡区域概率最高的i个元素作为目标计算每个元素距离过渡区域的距离Dj(n,m)，以已测的k个元素作为目标计算每个元素距离已测区域的距离Dk(n,m)，以g(n,m)-α*Dj(n,m)+β*Dk(n,m)作为推荐打分，α，β为常数系数，排除掉已测过的元素及其距离p以内的周边元素，推荐打分最高的元素所代表的对比度和敏感度生成下一个视标。
6.根据权利要求5所述的基于神经网络的对比敏感度快速测量方法，其特征在于，所述步骤S3.1中计算出对比敏感度图中各元素处于过渡区域的概率g(n,m)，具体为：
利用包括但不限于图像梯度变化算法或区域平均的方法计算对比敏感度图中的各元素与周边元素取值的变化情况作为此元素处于过渡区域的概率g(n,m)，并通过标准化将g(n,m)的取值范围限定到[0,1]，越接近1意味着此元素与周边元素取值差异较大，因此越有可能处于过渡区域。
7.根据权利要求6所述的基于神经网络的对比敏感度快速测量方法，其特征在于，所述步骤S5中利用最后一次重复得到的对比敏感度图谱计算得到对比敏感度函数曲线，具体为：
S5.1：对比敏感度图谱上的+a到-a的交界线即为对比敏感度曲线，因此每次重复得到的对比敏感度图谱都可以用于估计一条对比敏感度曲线，当处于边缘的交界点在计算不准确时，需要参考附近的交界点做出判断；采用N个预测器，对应设定的N个空间频率，每个预测器在参考了每个元素的对比敏感度图谱取值以及交界点位置之后，预测N个空间频率的交界点位置，即预测每个空间频率的交界点处于M个敏感度中的哪一个，得到对比敏感度曲线编码图，再选取每个空间频率上取值最大的敏感度，即为交界点位置把所有空间频率的交界点连接起来即为对比敏感度曲线，所述对比敏感度曲线编码图为与所述对比敏感度图谱同样大小的二维矩阵，所述对比敏感度曲线编码图中的每个元素的取值范围为[0，1]，越接近1代表此元素越大概率处于交界线上，越接近0代表此元素越大概率远离交界线；
S5.2：将得到的对比敏感度曲线进行平滑处理，得到光滑的对比敏感度曲线。
8.根据权利要求7所述的基于神经网络的对比敏感度快速测量方法，其特征在于，所述步骤S5.1中的预测器采用包括但不限于卷积神经网络、支持向量机、随机森林算法、朴素贝叶斯算法的方法，最后连接到SOFTMAX激活函数将输出约束到[0,1]，代表交界点出现在M个敏感度的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210827710.6A CN115251822B (zh) | 2022-07-14 | 2022-07-14 | 一种基于神经网络的对比敏感度快速测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210827710.6A CN115251822B (zh) | 2022-07-14 | 2022-07-14 | 一种基于神经网络的对比敏感度快速测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115251822A CN115251822A (zh) | 2022-11-01 |
| CN115251822B true CN115251822B (zh) | 2023-08-18 |
Family
ID=83765907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210827710.6A Active CN115251822B (zh) | 2022-07-14 | 2022-07-14 | 一种基于神经网络的对比敏感度快速测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115251822B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115553707A (zh) * | 2022-11-21 | 2023-01-03 | 中山大学中山眼科中心 | 一种基于眼动追踪的对比敏感度测量方法及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4526452A (en) * | 1982-06-08 | 1985-07-02 | Interzeag Ag | Method and apparatus for measuring contrast sensitivity |
| CN105809624A (zh) * | 2016-03-07 | 2016-07-27 | 中国科学院信息工程研究所 | 一种依赖观看条件的图像显示适配方法 |
| WO2018169838A1 (en) * | 2017-03-13 | 2018-09-20 | Ohio State Innovation Foundation | Systems and methods for measuring behavior changes of processes |
| CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
| CN109727508A (zh) * | 2018-12-11 | 2019-05-07 | 中山大学中山眼科中心 | 以动态脑适能为基础的提高视觉能力的视觉训练方法 |
| CN111248851A (zh) * | 2019-10-11 | 2020-06-09 | 中山大学中山眼科中心 | 一种视功能自测方法 |
| CN113628130A (zh) * | 2021-07-22 | 2021-11-09 | 上海交通大学 | 基于深度学习的视障辅助的图像增强方法、设备和介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102004055754B4 (de) * | 2004-11-19 | 2012-09-13 | Carl Zeiss Vision Gmbh | Verfahren zur Durchführung eines Kontrastsehtests |
| US7938538B2 (en) * | 2008-05-09 | 2011-05-10 | University Of Southern California | Methods and devices for rapid measurement of visual sensitivity |
| CN111107779B (zh) * | 2017-06-23 | 2023-06-30 | 自适应传感技术公司 | 用于测试和分析视敏度及其变化的系统和方法 |
-
2022
- 2022-07-14 CN CN202210827710.6A patent/CN115251822B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4526452A (en) * | 1982-06-08 | 1985-07-02 | Interzeag Ag | Method and apparatus for measuring contrast sensitivity |
| CN105809624A (zh) * | 2016-03-07 | 2016-07-27 | 中国科学院信息工程研究所 | 一种依赖观看条件的图像显示适配方法 |
| WO2018169838A1 (en) * | 2017-03-13 | 2018-09-20 | Ohio State Innovation Foundation | Systems and methods for measuring behavior changes of processes |
| CN108615231A (zh) * | 2018-03-22 | 2018-10-02 | 浙江科技学院 | 一种基于神经网络学习融合的全参考图像质量客观评价方法 |
| CN109727508A (zh) * | 2018-12-11 | 2019-05-07 | 中山大学中山眼科中心 | 以动态脑适能为基础的提高视觉能力的视觉训练方法 |
| CN111248851A (zh) * | 2019-10-11 | 2020-06-09 | 中山大学中山眼科中心 | 一种视功能自测方法 |
| CN113628130A (zh) * | 2021-07-22 | 2021-11-09 | 上海交通大学 | 基于深度学习的视障辅助的图像增强方法、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 人眼明度视觉对比敏感度特性测量;杨晟炜，等;《包装工程》;第第 40 卷卷(第第 19 期期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115251822A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110837803B (zh) | 基于深度图网络的糖尿病视网膜病变分级方法 | |
| JP5921533B2 (ja) | 観察者の視覚障害を補正するための表示を表現するシステム、方法、およびそのプログラムを格納している記憶媒体 | |
| CN109308692B (zh) | 基于改进Resnet与SVR混合模型的OCT图像质量评价方法 | |
| JP4148947B2 (ja) | 検眼装置およびレンズ度数決定方法 | |
| CN109829877A (zh) | 一种视网膜眼底图像杯盘比自动评估方法 | |
| CN111712179B (zh) | 用于改变受试者的视觉性能的方法、用于测量受试者的球镜屈光矫正需要的方法以及用于实现这些方法的光学系统 | |
| US9001316B2 (en) | Use of an optical system simulating behavior of human eye to generate retinal images and an image quality metric to evaluate same | |
| CN112351727B (zh) | 用于测量视觉功能图的系统和方法 | |
| CN115251822B (zh) | 一种基于神经网络的对比敏感度快速测量方法 | |
| Krösl et al. | Icthroughvr: Illuminating cataracts through virtual reality | |
| CA3044515C (en) | Progressive power and single focus lenses, and methods and systems for designing, manufacturing, and ordering spectacle lenses | |
| US20230307135A1 (en) | Automated screening for diabetic retinopathy severity using color fundus image data | |
| Iqbal et al. | Adaptive interface for color-blind people in mobile-phones | |
| CN112584750B (zh) | 用于通过自动确定主观视敏度来优化光学辅助件的方法 | |
| CN113657553B (zh) | 一种结节回声类型判断装置 | |
| US11141057B2 (en) | Method and apparatus for determining metamorphopsia based on user interaction | |
| CN110598652B (zh) | 眼底数据预测方法和设备 | |
| Munarto et al. | Automatic Cataract Classification System Using Neural Network Algorithm Backpropagation | |
| CN111611939A (zh) | 眼疲劳状态检测方法及装置 | |
| CN112365535A (zh) | 视网膜病变评估模型建立方法及系统 | |
| JP2007333709A (ja) | 検査基準決定方法、検査基準決定装置、及び外観検査装置 | |
| CN114093018B (zh) | 一种基于瞳孔定位的视力筛查设备及系统 | |
| CN115485717A (zh) | 使用分割和特征评估预测地图状萎缩进展 | |
| Avetisov et al. | Calculation of anisotropy and symmetry coefficients of corneal nerve orientation based on automated recognition of digital confocal images | |
| JP2020126563A (ja) | 視認性評価装置、視認性評価プログラムおよび視認性評価方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231208 Address after: 402283 No. 5 Yufo Road, Chongkan Town, Tongnan District, Chongqing Patentee after: Chongqing Shunge Medical Technology Co.,Ltd. Address before: 510060 No. 54 martyrs South Road, Guangzhou, Guangdong, Yuexiu District Patentee before: ZHONGSHAN OPHTHALMIC CENTER, SUN YAT-SEN University |