视网膜建模的研究现状及进展

视网膜建模的研究现状及进展探

摘要视网膜模型的建立是视网膜视觉假体中一个重要组成部分。视网膜模型是从已知的生理知识和实验数据出发模拟视网膜处理信息的功能,研究输入图像和输出神经冲动的关系。我们可以根据视网膜模型的原理将其分为硬件实现模型和算法模型。本文就对视网膜建模的国内外研究现状进行分析和讨论。

关键词人工视觉假体视神经视觉假体视网膜视觉假体人工神经网络神经生理模型

1 引言

视觉是人类获得信息的一个重要途径。然而世界上有很多人存在不同程度的视觉障碍,不能通过视觉获得信息。所以建立人工视觉假体来帮助盲人恢复视力有重要的意义。

视觉是一个非常复杂的神经生理活动过程。光信息医学论文网从1·3亿个光感受细胞输入,通过复杂的处理由100多万个神经节细胞产生相应神经冲动,经视神经、视交叉、视束传到外侧膝状体,再经视中枢的复杂处理,最终形成视觉。对于某些有视觉障碍的人(如老年黄斑变性、色素性视网膜炎)来说,他们的大部分视网膜细

胞的轴突穿过眼球组成了视神经。而光感受细胞还可被分为视杆细胞和视锥细胞。视网膜上视觉最敏锐的区域叫黄斑区,其中央有一直径1·5 mm 的中央凹。

在中心凹处主要集中的是视锥细胞,在中央凹以外视杆细胞逐渐增多。

视网膜的刺激传递是从光感受细胞到双极视网膜模型细胞最后传到神经节细胞产生放电。水平细胞和无长突细胞则构成视网膜传递的横向结构。光感受细胞的主要功能是接受光刺激。视锥细胞主要对强光敏感,而视杆细胞主要对弱光敏感。光感受细胞的电反应强度与细胞膜色素分子吸收的光子个数有关。

水平细胞位于光感受细胞下方,通过化学传递来接受光感受细胞的信号以及和其相邻层的电信号。水平细胞的作用相当于一个低通滤波器,为双极细胞提供一低频信号。双极细胞可以接受或抑制水平细胞和光感受细胞传来的信号,双极细胞根据其感受野的中心极性可以分为on和off两类。无长突细胞和水平细胞一样都是横向结构的细胞。无长突细胞接受双极细胞及其他无

长突细胞的信号,它是首先产生神经冲动的细胞。它的反应与所给刺激的特性有关,并且各个细胞体都有所差异。无长突细胞对运动较为敏感。神经节细胞分为瞬时和持续两类,它主要接受双极细胞和无长突细胞的信号然后产生神经冲动,通过轴突传递到视神经。

3 视网膜模型

3.1 基于算法的模型基于算法的模型是应用人工神经网络、实验数据及数学算法等通过调节模型中的参数达到最优效果来模拟视网视网膜模型膜功能。

3.1.1 人工神经网络模型应用人工神经网络来进行视网膜建模十分普遍,因为视网膜有很明确的分层结构。同时,在视觉假体中实现人的视觉重建是一个不断学习的过程,所以应用人工神经网络的各个学习算法来进行模型优化是可行的。

①Cellular Neural Network (CNN)网络对视网膜建模提供了良好的基础,因为CNN网络和视网膜结构有着很多相似之处。CNN网络是一个非线性计算仿真网络。CNN计算网络框架的所有基本单元都是一阶的RC细胞。所有细胞间的冲

动传递都是空间不变的,并且只能在相邻的层间作用。它的所有非线性的突触连接是突触前电压单调连续函数。冲动传递的时间间隙是连续的。用CNN网络对视网膜建模一般分成三步,即构造框架、选择参数、选择刺激。CNN模型为视网膜结构提供了一个有效、灵活的模拟。

目前美国和奥地利的Werblin等[14,15]采用CNN网络对视网膜进行研究。该视网膜模型运用了多层CNN网络来实现。生理学上的每个视网膜层由一层CNN网络来模拟,通过CNN网络的结构和参数的调节来模拟从光感受器到神经节细胞各个部分的视网膜结构。两种分别控制运动和边缘检测的神经节细胞有着相同的结构,可以通过双极细胞传播和无长突细胞抑制这两个参数在其间进行转换。参数的值被分配到各个CNN模板上。每个层的参数包括神经元时间常数、空间常数及神经元输出函数,神经元输出函数可以是线性或非线性的。

该视网膜模型的输入是光感受器层,输出是神经节细胞的放电;输出是输入图像的一个特殊的编码。

模型通过突触来进行层间的传递。有三种接

受模型,即普通模型(plain)、延迟模型(delayed)和减感模型(desensitizing)。

视网膜模型的计算过程分为4步。首先,通过外视网膜模块(OPL)来计算外视网膜(光感受细胞)。其次,通过内视网膜(双极细胞)激发模块(IRE)和特征检测器的时空模式来计算不同的刺激模式。再次,通过内视网膜抑制模块(IRI)来产生抑制模式。最后,通过内视网膜抑制模块和内视网膜激发模块的输出来计算单个神经节细胞模式以得到视网膜对视觉的时空表达。

CNN模型的输出和脊椎动物的视网膜输出尤为相似。通过该模型及其算法我们可以了解视网膜是如何调节各个参数的,可以解决一些真实的图像处理问题,当然也可以作为视觉假体中的视网膜编码器来产生刺激信号。

②比利时的Archambeau等[8]基于Veraart 等[9~11]所进行的刺激视神经的实验用人工神经网络对其进行建模。他们采用了两种模型来预测刺激参数。第一种是完全黑箱模型,运用了线性回归算法、多层感受器人工神经网络(MLP)、径向基函数网(RBFN)。第二种是灰箱模型,该模型把目前所知的神经生理学知识和人工神经网

络黑箱模型相结合来预测视觉感受的特征。模型还采用了交叉确认以得到更好的估计。这些模型医学论文网的目的在于找出能够把输入图像转换成脉冲刺激的算法来建立视觉编码。

黑箱和灰箱模型为电刺激得到的光斑的位置提供了一定的预测。这些预测值为今后的视神经模型的建立提供了参考。结果显示用人工神经网络来预测要比线性方法预测更准确,从而证实了视神经是非线性结构。今后,需要基于神经生理学来进一步优化预测,使黑箱白化。

③Eckmiller等[16-17]则提出了视网膜编码模型(RE)。该模型假设视网膜的图像处理可以通过一系列的时空滤波器(ST filter)来实现。该模型通过对各个编码参数的反复调整和对话学习来优化图像和视网膜放电的映射关系。模型由视网膜模块(RM)和视觉模块(VM)两部分组成。RM由16×16=256个可调的时空滤波器组成。时空滤波器的输入模拟了不同类型的神经节细胞的输入,它的输出则是用来刺激电极的脉冲串。RM把一个视觉图像(P1)映射成一组视网膜输出参数R1(t)。而VM则把视网膜参数R1(t)通过反映射转换成视觉对象(P2)。不可逆时空滤波器模