WCE的相关文献学习二

第五篇：2022研究彩色空间对无线胶囊内镜图像异常检测的意义

Investigating the significance of color space for abnormality detection in wireless capsule endoscopy images

目的：研究颜色空间对WCE图像异常检测的意义

方法:使用新的方法TICT-CNN，即是先将图像进行动态的色彩空间转换，再输入到CNN里提取特征，最后进行分类。分类类别为正常与异常。

特别地：在文献里，解释了颜色空间对图像分类特征提取的重要性，其中的研究的颜色空间有HSV、RGB、YcbCr、XYZ、LAB。阐述了每个颜色空间的偏向重点。文献还对数据集进行了比较详细的说明。

结果：最终颜色空间HSV在医学需要的特异性方面以及综合方便最优。它在处理纹理和颜色的综合性最好。选择合适的色彩空间可以提高准确性，避免漏报，同时保持较低的计算复杂度。

注：Q2，2区。学习指数9

第六篇：2021卷积神经网络在无线胶囊内窥镜图像上的计算机辅助诊断胃肠道溃疡和/或出血中的高聚合性能：系统评价和meta分析

… of convolutional neural networks in computer-aided diagnosis of GI ulcers and/or hemorrhage on wireless capsule endoscopy images: a systematic review and meta …

目的：对CNN在CAD对WCE图像中的胃肠道溃疡和出血的诊断效果的系统评价和meta分析

方法：使用meta分析法（meta分析的具体要求不知道，但是可以看出文献是通过使用基于对cnn算法的检测算法，使用多方面数据得出特异性、PPV、NPV等数据来说明）

特别地：感觉要弄懂mate分析，meta分析是定量分析，系统评价是定性分析，两者有交集，不是包含关系。

结果：基于cnn的CAD显示，合并的准确性为95.4%，敏感性为95.5%，特异性为95.8%，PPV为95.8%，NPV为96.8%。计算出的综合准确性、敏感性、特异性和NPV似乎是稳健的，I2 %的异质性最小和狭窄的预测区间。

注：学习指数8，属于综述

第七篇：2022空洞卷积用于无线胶囊内窥镜图像的异常检测(第五篇相关)

 Dilated CNN for abnormality detection in wireless capsule endoscopy images

目的：提高WCE异常检测和分类性能

方法：创建一种高效、轻量级的CNN模型---DICR-CNN框架，采用max-pool操作作为其主要特征提取能力，并使用膨胀卷积保持分辨率特性。膨胀卷积层而不是传统的卷积层，以保持分辨率，并减少可训练参数的数量。在不同的分支中使用了不同的膨胀速率来提取多尺度特征，这些特征随后融合在一起。

特别地：①从德里AIIMS收集了真实的WCE数据及其注释，并且没有进行重大的预处理以避免丢失任何重要的医疗信息。②为了验证所提出的DICR-CNN架构的有效性，还使用标准KID数据集获得了结果。③其中AIIMS为私人数据集，标准KID数据集为公开数据集。④Threshold：阈值。⑤SOTA架构是为了标准KID数据集开发的。⑥该文献研究方法不同的是是学术上少数研究检测WCE图像多种异常的算法。

结果：该算法框架较好，总体比SATO好

注：该论文为第五篇论文中提到的框架，为同一个作者。学习指数8，3区Q2

第八篇：2023基于CNN-GRU网络的WCE图像出血检测计算机辅助系统

Computer-aided system for bleeding detection in WCE images based on CNN-GRU network

目的：检测WCE图像中的胃肠道出血

方法：采用由卷积神经网络（CNN）和门控循环单元（GRU）组成的级联神经网络。首先，WCE样本在预处理管道中进行缩放、随机排序和归一化，以确定实际特征并最大限度地减少样本中不需要的噪声。之后，数据集分为训练集和测试集。在训练数据集上将深度CNN架构与三个不同的分类器RNN，Bi-LSTM和GRU结合使用。在测试阶段，将预处理的测试图像馈送到正则化的CNN-GRU模型中，并通过Sigmoid层检索分类结果。

特别地：CNN提取空间关系，GRU获取顺序依赖关系（就是能联系上下文）

结果：①三个递归神经网络（RNN，BiLSTM和GRU）做实验对比GRU最好。②CNN-GRU模型具有99.39%的准确率、99.09%的灵敏度和99.54%的特异性，被公认为我们工作中检测出血病例的最佳网络。

注：阅读指数8.Q2.4区。