第二十一篇:2011对胶囊内窥镜分析中时间信息的整合
作者:Qian Zhao
Towards integrating temporal information in capsule endoscopy image analysis
目的:实现对CE病理图像的定量评估。
方法:使用HMM隐马尔可夫模型结合K-NN弱分类器对CE图像是否具有息肉进行二元分类。
特别地:该研究只针对息肉这一病理特征,没有对其他如出血、溃疡等异常进行研究。
结果:该研究框架可以识别各种长度的息肉和正常CE图像,具有良好的分类性能,识别精度大于0.9。
注:不明白该框架与时间序列的关系和关于时间信息的整合。
第二十二篇:2022用于无线胶囊内镜病变分类和定位的注意力感知深度学习模型
作者:Prabhananthakumar Muruganantham
Attention aware deep learning model for wireless capsule endoscopy lesion classification and localization
目的:检测胶囊内镜图像的病变分类及其位置
方法:所提出的新型病变区域估计器模型使用ResNet-50作为卷积干和自注意力机制,在全局范围内准确聚合空间特征,以定位WCE图像中的病变注意力图。这些病变注意图与原始WCE图像融合,以提升原始WCE图像中的病变区域。将病灶注意力图估计器和分类网络相互训练,分别提高病灶注意力图估计器的检测精度和WCE图像的分类精度。
结果:所提出的病变感知分类网络具有较高的分类精度。
注:学习指数8。4区Q4
第二十三篇:2022DFCA-Net:无线胶囊内窥镜图像中出血区域分割的双特征上下文聚合网络
作者:李盛
Dfca-net: Dual feature context aggregation network for bleeding areas segmentation in wireless capsule endoscopy images
目的:解决检测胶囊内镜图像出血方面由于小出血区像素样本和有气泡干扰的出血导致分类错误的问题。
方法:使用基于注意力的双网络分支检测出血区域。①使用上下文信息聚合模块CIAM提取出图像的颜色特征;②使用特征注意模块FAM提取出图像的纹理特征;③使用特征融合模块FFM组合两支网络分支的输出。
特别地:提供了公共数据集的下载地址。骨干网络为ResNet50、ResNet101、Res2Net50、Res2Net101,但是我不知道这个骨干网络有什么用
结果:所提方法在PA、MPA、MIoU和FWIoU的评价指标较高,分别为91.264%, 95.211%, 86.858%, 和90.958%。结果表明,所提出的网络可以解决消化道出血区分割任务中存在的问题。比较结果还证明了提出的网络的显著有效性和更好的性能。
注:学习指数9。这篇论文的结构和内容比较看得懂。4区Q4
第二十四篇:2023使用深度卷积神经网络自动检测无线胶囊内窥镜图像中的克罗恩病
作者:Diego Marin-Santos
Automatic detection of crohn disease in wireless capsule endoscopic images using a deep convolutional neural network
目的:使用CNN自动检测WCE图像中的CD
方法:提出一种新的CNN结构。提出的卷积神经网络的体系结构:有 6 个连续的、结构相似的块,每个块输出端有一个池化层和一个带有 2 个神经元的最终全连接层。文献中叙述了具体细节。
特别地:该论文的结构清楚。该研究和其他方法不同,其他的CNN架构旨在解决图像或者更复杂的图像问题,该提出的构架是立足于WCE医学图像上,在画质处理上有所不同,相应的在参数方面也有所不同。
结果:在精度和速度方面比目前先进的架构(EfficientNet-B5,VGG-16,Xception或ResNet)更有效。AUC达到0.98。但是不足是该架构为二元分类,没有对克罗恩病进一步的分类,数据集不足时一部分主要原因。
注:2区Q2。学习指数9