第十七篇:2023无线胶囊内窥镜图像中基于深度学习的有效分割和分类
作者:Panguluri Padmavathi
Effective deep learning based segmentation and classification in wireless capsule endoscopy images![](https://i-blog.csdnimg.cn/blog_migrate/6ad6c18191cedd29fa8893a60a80db67.png)
目的:辅助WCE快速阅片
方法:使用分割和分类结合。①使用期望最大值算法EM对WCE的图像进行分割;②使用DeepLapV3+提取特征并加速鲁棒特征;③使用LeNet对图像分类并找到其所在位置。
特别地:该文献综述了近几年WCE图像处理的算法,并与当下流行的算法进行比较。IOU是测量真实和预测之间的相关度。
结果:该研究实现了99.12%的准确率,98.79%的精度,99.05%的召回率和98.49%的F1分数。在评估的所有性能变量上,通过多种当前最先进的竞争技术证明了有效性优势,特别是各种IOU,都有优异的数据。
注:学习指数9。4区Q2
第十八篇:2022使用卷积神经网络自动检测胶囊内窥镜图像中的溃疡和糜烂
作者:João Afonso
Automated detection of ulcers and erosions in capsule endoscopy images using a convolutional neural network![](https://i-blog.csdnimg.cn/blog_migrate/61f4b827b97bb5fabdcaec51ec0c7069.png)
目的:开发一种用于自动识别小肠粘膜溃疡和糜烂的CNN
方法:基于Xception模型开发了一种新的CNN模型
特别地:①黏膜病变可能仅限于极少数帧,这增加了忽视显著病变的风险。②是第一个准确区分溃疡和粘膜糜烂的网络,同时结合了出血潜力的自动分类。
结果:能够检测和区分小肠溃疡和粘膜糜烂,并根据其出血潜力进一步对这些发现进行分类
注:学习指数8。3区Q2
第十九篇:2022胶囊内镜检查图像中异常检测的特征提取
作者:Zahra Amiri
Feature extraction for abnormality detection in capsule endoscopy images
目的:对WCE图像中的异常进行检测
方法:总体是先提取特征,然后再进行二元分类。①利用基于期望最大化EM的图像分割算法识别潜在的ROI②结合颜色直方图分析HE和统计特征提取出特征③使用多层感知器神经网络MLP进行正常和异常的二元分类。
特别地:该研究只提到了出血这一种异常,并没有对其他病变的异常图像进行检测。在颜色直方图上使用了多种颜色空间,结果显示在某一种颜色空间上的某一指标效果较好。
结果:该方法在具有1800张图像的大型数据集上进行了测试。结果表明了所提方法的有效性。
注:2区Q2。学习指数8
第二十篇:2022基于元特征学习的混合卷积神经网络,用于无线胶囊内镜的异常检测
作者:Samir Jain
目的:检测胶囊内镜的异常
方法:使用三个并行CNN的混合CNN框架。①CNN中使用余弦归一化Conv(CNC)②CNN使用深度可分离Conv(DSC)③CNN使用一个元特征提取网络(MFE)
特别地:该文献总结了今年来对WCE图像处理的方法。该研究的分类类别较多。
结果:结果表明,所提出的 CNN 在 KID 和 Kvasir-C apsule 数据集上的准确率分别为 97%
和 98%,优于六种最先进的方法。使用混合 CNN 作为特征提取器也进行了实验,观察到 RF 分类器结合所提出的CNN作为特征提取器表现出最好的性能。但仍然出现一些误判,需要改进。
注:学习指数8。