WCE的相关文献学习七

第二十五篇：2022WCE-DCGAN：一种基于无线胶囊内镜图像的胃肠道疾病检测数据增强方法

作者：肖志国

WCE‐DCGAN: A data augmentation method based on wireless capsule endoscopy images for gastrointestinal disease detection

目的：增强WCE图像数据集的病理样本，提高目标检测网络的泛化能力

方式：使用WCE-DCGAN胶囊内镜图像深度卷积生成对抗网络生成胶囊内镜异常图像如溃疡、息肉、出血、糜烂。DCGAN增加了生成网和判别网络的网层数，WCE-ACGAN在DCGAN上增加了两个反卷积层来提高生成图的分辨率。

特别地：该方法与传统的数据增强方法不一样，传统的进行翻转、剪切等虽然数据量多了，但是包含的信息没有增多，该研究出的方式是实实在在的生成了新的胶囊内镜病理图像与原始图像数据效果相同，并有评价指标，增加的数据量在其他模型上进行使用，设置增加的数据与原图数据不同比例的效果。

结果：实验结果表明该研究设计的WCE-DCGAN网络可用于生成WCE图像，增强WCE图像数据的多样性，扩大图像数量，提高目标检测网络的泛化能力

注：学习指数8。4区Q3。

第二十六篇：2022无线胶囊内窥镜的基于时间的自监督学习

作者：Guillem Pascual

Time-based self-supervised learning for Wireless Capsule Endoscopy

目的：对视频进行自监督的方法检测出WCE视频中图像异常的帧，解决数据量少，类不平衡的问题

方法：首先使用SSL自监督学习WCE视频提取到伪标签，然后再嵌入真实标签结合来执行监督分类。主体构架为ResNet。

特别地：与大多处理不同在于它处理的是视频，利用的是时间特性。从时间轴提取的方法学习推断固有结构。

结果：使用 SSL 模型对息肉进行分类显示息肉检测成功率增加，实现了 95.00% AUC。但使用SSL模型有限制为输入需要为视频。

注：学习指数9。2区Q1

第二十七篇：2021基于卷积神经网络的胶囊内镜图像中小肠钩虫的自动检测

作者：Tao Gan

Automatic Detection of Small Intestinal Hookworms in Capsule Endoscopy Images Based on a Convolutional Neural Network

目的：使用CNN自动检测WCE图像中的小肠钩虫

方法：使用YOLO-V4，和目前足够多的图像数据，以及两名专业医师的手动标记。

特别地：使用的YOLO-V4文中没有说有改动。

结果：该检测的准确率较高，检测速度快，能检测出人工标记忽略的。

注：网络结构并没有详细的说明。学习指数8。4区Q4

第二十八篇：2022使用EM算法检测无线胶囊内窥镜图像中的异常（和第十九篇相关）

作者：Zahra Amiri

Abnormalities detection in wireless capsule endoscopy images using EM algorithm

目的：检测目前少有算法检测的异常：血管发育不良AD、淋巴增生LH、溃疡Ulcer

方法：使用改进的EM算法进行检测。①EM算法结合RGB色彩空间中的R、G、B三个色彩通道和sect中映入的纹理映射进行ROI的选取；②从三个方面提取ROI的特征：a从九个不同颜色通道提取ROI的颜色特征，b使用梯度直方图HOG提取ROI的形状特征，c使用统一局部二进制模式LBP提取ROI的纹理特征；③使用SVM进行分类，分为血管异常AD、淋巴增生LH、溃疡Ulcer和正常四类。

特别地：该文献与第十九篇相关，在讲解方法方面此文献比第十九篇更清楚，使用的方法和研究的具体对象与十九篇略有不同。

结果：所提方法在ROI提取中具有较高的效率。此外，将文本研究的方法与现有的几种病灶检测方法进行了比较，该方法优于其他方法。

注：学习指数8.5。3区Q2