WCE的相关文献学习四

第十三篇：2023用于去除内窥镜图像中镜面反射的无参数矩阵分解

作者：Jithin Joseph

Parameter-Free Matrix Decomposition for Specular Reflections Removal in Endoscopic Images

目的：消除内镜图像的镜面反射。内窥镜图像和视频受到镜面反射（或高光）的影响，可能对图像的诊断质量产生不利影响。这些分散的白色区域严重影响了内窥镜医生的图像视觉外观和计算机辅助诊断疾病。

方法：使用无参数矩阵分解。具体为将原始高光图像分解为伪低秩分量和高光分量。然后，无高光图像（即所需的输出）将成为伪低秩组件。本文利用高光组件的非稀疏特性提出了一种可推广的方法。该方法不需要任何参数设置，因此不涉及微调，使其成为无参数方法。。就是利用图像的整体信息作为本身的原始条件来自动设置阈值，所以无参数，但也正是这一特点导致了该方法在面对大面积高光图像时处理效果不佳。

特别地：该方法去除高光是先发现像素然后分解为高低，在自动阈值下，将低秩分量为输出图像。①使用了三个数据集。②与其他四种类似方法进行比较

结果：与比较的四个方法相比，所有三个指标（SSIM结构相似指数、剩余高亮点百分比、CoV变异系数）都有显著改善。该方法的统计显著性得到进一步验证，比其他最先进的方法更好。

注：学习指数8。3区Q3

第十四篇：2023基于内镜图像的计算机辅助诊断系统对消化道胶囊内镜的定位（会议）

作者：Kohei Suzuki

LOCALIZATION OF CAPSULE ENDOSCOPE IN ALIMENTARY TRACT USING COMPUTER-AIDED DIAGNOSIS SYSTEM BASED ON ENDOSCOPIC IMAGES

目的：基于胶囊内镜图像对胶囊内镜CAD进行定位

方法：特征提取由深度神经网络（SwinTransformer）执行，以构建一个区分胃，小肠（包括十二指肠）和结肠图像的CAD系统。定位的参考标准基于医生的目视检查。训练CAD系统对内窥镜图像的位置进行分类，并使用从验证视频中提取的静止图像评估相应的准确性。使用隔离树进一步消除图像分类的随机误差，隔离树是一种基于无监督树的异常检测算法。

特别地：该方法是使用深度神经网络数据是胶囊内镜图像，图像被分为胃、小肠、结肠。该系统的本质是对胶囊内镜图像的场景进行分类。提到的Swin Transformer可以学习《Swin Transformer: Hierarchical Vision Transformer using Shifted Windows》。

结果：开发的CAD系统提供了基于内窥镜图像的高精度定位胶囊内窥镜的信息，保证了临床实施

注：是会议，所以只有简单的介绍，无详细的说明。1区Q1。学习指数7

第十五篇：2023胶囊内窥镜的计算机辅助出血检测算法：系统综述

作者：Ahmmad Musha

Computer-Aided Bleeding Detection Algorithms for Capsule Endoscopy: A Systematic Review

目的：计算机辅助出血检测系统，以实时自动识别出血，综述了可用于胶囊内窥镜检查的最先进的计算机辅助出血检测算法。

方法：获取2001年至2023年间发表的所有关于计算机辅助出血检测的原始出版物。系统评价和meta分析的首选报告项目（PRISMA）方法用于进行综述，并审查了147篇科学论文全文。

特别地：参考文献多。分析全

结果：（I）确定了胶囊内镜计算机辅助出血检测算法的分类法;（II）讨论了现有的最先进的计算机辅助出血检测算法，包括各种色彩空间（RGB，HSV等），特征提取技术和分类器;（III）确定最有效的实际使用算法。最后，预测深度学习算法是未来CAD辅助WCE图像/影像出血检测的前景。

注：学习指数9

第十六篇：2023胶囊内镜检查的解剖标志定位

作者：Pablo Laiz

Anatomical landmarks localization for capsule endoscopy studies

目的：利用消化道的解剖生理来识别小肠、大肠的出入口

方法：基于深度学习结合图像、时间、运动数据来实现自动定位相关解剖标志。定位WCE视频中的解剖标志，（1）开发深度学习模型来预测每个图像属于感兴趣区域，小肠或大肠的概率;（2）使用额外的信息（时间和运动数据）平滑和减轻概率的任何噪声行为;（3） 通过最小化问题使用矩形脉冲函数预测边界。

特别地：使用了三个数据集，进行多个对比.本质是利用幽门和回盲瓣作为主要因素进行场景分类，分类出小肠的进出口。

结果：该系统能够近似定位，同时在分类问题上实现高精度（器官内部/外部）。在比较所研究器官的入口和出口时，与以前最先进的方法相比，预测和真实地标之间的距离从1.5倍减少到10倍。

注：学习指数9。2区Q1