WCE的相关文献学习一

第一篇： 基于CNN模型的无线胶囊内镜出血图像分类（2021）

Wireless Capsule Endoscopy Bleeding Images

Classification Using CNN Based Model

目的：将胶囊内镜WCE的图像中的出血图像和其他图像分类出来

方法：利用出血图像的颜色和纹理，使用MobileNet模型提取特征，然后用CNN模型进行训练，构成了BIR结构进行分类。

特别地：①数据样本不均衡，出血图像样本少------进行了图像增强，将出血样本图像翻转；②进行了多个模型对比，有当下优秀的其他分类模型包括机器学习和深度学习对比，还有自身结合的两种模型单拎出来的对比，结果都是BIR模型最优。

结果：效果达到了准确率0.993

其他：无代码来源，有网络结果但是不详细，学习指数8

第二篇：一种用于无线胶囊内窥镜图像中异常检测和定位的深度CNN模型（2021）

A deep CNN model for anomaly detection and localization in wireless

capsule endoscopy images

目的:对WCE图像进行分类并对异常图像病灶定位，分为四类：息肉、出血、炎症、正常

方法：分为两个阶段①用CNN进行分类先分出四类即息肉、出血、炎症、正常；②对不正常的分类进行病灶定位，其中使用Grad-CAM分割生成热图和SegNet分类像素的概率，两者相结合得出异常区域的定位

特别的：大多数计算机辅助技术都集中在特定的病理检测上; 目前只有少数技术被开发出来来检测WCE图像中的多种异常。有传统的机器学习对WCE图像进行检测，但效果没有深度学习好，所以人们进行了深度学习，但是大多的深度学习对WCE的自动检测，只是针对一种异常情况进行检测，而不是多种情况。然而该研究的自动检测分类于四类且能实现定位，对于CAD系统来说异常区域的定位较为重要。该研究也是和多种方法做结果对比，包括Grad-CAM、SegNet的参数设置的对比

结果：效果能达到98%的精确率

注：该论文结构比较清楚，学习指数9。无源代码。Q1，2区

第三篇：基于时间滤波的无线胶囊内镜小肠检测（2022）（定位出小肠图像）

Small Bowel Detection for Wireless Capsule Endoscopy Using

Convolutional Neural Networks with Temporal Filtering

目的：将WCE的图像进行场景分类，即胃、小肠、结肠。主要是分出小肠，以便针对wce快速检测的研究者提供便利

方法：使用ResNet50和时间滤波结合（找到胃和小肠、小肠和结肠的分界）找到小肠，把小肠前端就是胃，后端就是结肠。其中的时间滤波是中值滤波和Savitzkt-Golay滤波器的组合

特别的：文献中说，目前的大多wce算法研究的主要针对的是小肠，使用的数据也是小肠，写了找出小肠部分对现实的意义：①节约时间②方便后续研究。还说了当下研究wce的局限①病例老久时间跨度长②局限一家数据

结果：对小肠的分类准确率为99.8%，时间误差非常小。

注：这个没怎么看懂，主要是不太理解它的算法结构，不知道时间滤波在其中的作用。学习指数8，有代码

第四篇：基于差异的主动学习弱监督出血分割的无线胶囊内镜图像

Discrepancy-based Active Learning for Weakly

Supervised Bleeding Segmentation in Wireless

Capsule Endoscopy Images

目的：建立一种新的标签分割方法从而实现减少标签误差，降低人工分标签的成本

方法：①先分割生成三种CAM：优良的、标准的、粗略的三种标签图；②三步法训练差异解码器，利用差异解码得到伪标签提取器（也就是粗略的标签图）③基于模型的发散和CAM发散的CAMPUS标准（这一步骤根本不懂）

特别的：不理解它的方法和结构。它只针对出血的分割

结果：该方法优于最先进的主动学习方法，并达到了与仅标记10%训练数据的训练集训练相当的性能。

注：这一篇有很多我不懂的名词，许多地方没看懂。没代码，学习指数8.5