使用机器学习增强 Ishihara 和教育图像:朝着色盲个体可访问的学习

科学领域:

• 眼科和计算机视觉眼科和计算机视觉
• 医学成像和机器学习

背景情况:

• 全球有超过3亿人患有色视障碍 (CVD),前视障碍和双视障碍导致红绿色混.
• 现有的诊断工具和教育材料给心血管疾病患者带来了挑战.

研究的目的:

• 使用机器学习对正常和模拟的CVD石原板图像进行分类.
• 为改善心血管疾病感知,生成 Ishihara 板和教育图的增强版本.
• 通过诊断患者的反来验证增强图像的有效性.

主要方法:

• 在1400张伊希哈拉板上使用sRGB到LMS圆建模模模拟了protanopia和deuteranopia.
• 通过变色函数进行图像增强,优化增强强度 (α).
• 机器学习模型 (ResNet-50,EfficientNet-B0,DenseNet-201,PCA,OVA分类器,随机森林,梯度增强,神经网络) 用于分类和增强.

主要成果:

• 最佳的增强参数 (α=0.54为deuteranopia,0.64为protanopia) 实现了显著的对比度增长 (69.6%和64.3%),颜色扭曲最小 (ΔE≈4.9).
• 机器学习模型实现了高精度 (OvA:99.7%,MLP:100%).
• 用户验证显示了显著的感知改善,以前不可读的数字/符号变得完全可见,用户评分高 (4/5).

结论:

• OvA技术与色彩化相结合,有效地增强了石原板和红绿色CVD的教育图像.
• 这种方法提供实时帮助,以改善心血管疾病患者可访问视觉信息的机会.
• 该研究提供了一种经过验证的方法,用于改善对心血管疾病患者中很大一部分人群的教育资源和诊断工具.