[发明专利]一种基于对抗噪声的弱视检测方法

说明书

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。

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I_n并进行记录；

步骤二、将级数为I_n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I_n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I_n，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I_n，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，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I_n，与输入模型，即可得到该名患者的弱视分类结果。

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；