第二十九篇:2023结合深度特征和手工制作的特征,对WCE图像进行异常检测
作者:Z Amiri
Combining deep features and hand-crafted features for abnormality detection in WCE images
目的:使用深度学习的方法和手动设计的特征提取,来对WCE图像的异常进行检测
方法:在深度学习方面使用ResNet-50来提取深层特征,在手动特征提取方面使用EM期望最大化算法提取感兴趣区域ROI,然后对ROI进行颜色、形状、纹理的特征提取。手动提取分三步①图像增强变亮,②ROI提取,③ROI特征提取。最后用SVM分类。该文献除了深度提取方面外,其他与第二十八篇文献相同。
特别地:与第二十八篇文献不同的是,这篇文献对使用的特征提取的多种方法进行了讲解,两篇文献有不同,但是不多。两篇可结合来看。
结果:病灶检测效果好。
注:学习指数8。4区Q2
第三十篇:2023使用具有插值潜在特征的基于距离度量的学习对内窥镜图像和视频帧进行分类
作者:Fatemeh Sedighipour Chafjiri
目的:对内窥镜图像和视频使用深度学习技术进行肠道位置进行分类
方法:在DenseNet121架构下使用脉冲神经网络SNN基于距离度量的方法,分类出解剖位置食道、贲门、幽门、十二指肠、回肠、空肠、结肠。使用FSL少镜头学习法使用少的数据量实现训练。
特别地:该方法与其他研究方法不同的是使用少量数据即可训练,解决了胶囊内镜数据、类数量不足不平衡的问题。
结果:平均 F1 分数、AUC 和 CE 的总体准确率分别为 90%、96% 和 93%,WCE 分别为 80%、92% 和 86%
注:学习指数8.5。4区Q2
第三十一篇:2022基于WCE序列多尺度特征融合的胃肠道息肉和肿瘤检测
作者:卓发林
Gastrointestinal Polyps and Tumors Detection Based on Multi-scale Feature-fusion with WCE Sequences
目的:实现WCE序列的肠道息肉和肿瘤检测
方法:使用多尺度特征融合。使用两阶段多尺度特征融合学习网络TMFNet进行病变检测网络和病变识别网络。病变检测网络使用改进的Faster R-CNN,改进①ResNet代替VGG,②增加RPN模块分类网络,修改参数,③在Faster R-CNN的目标检测模块中使用ResNet50增加网络深度。
特别地:RPN风险量化;FPR误识别率(误识别为阳性);TPR召回率(检测到的正确阳性占正确检测总数的比例);IOU交并比(预测与真实的叠合率)。
结果:两阶段多尺度特征融合网络TMFNet病变检测方法在胃肠道肿瘤和息肉的筛查中表现良好,尤其是对小息肉的筛查。
注:这篇文献比较难懂阅读了两个多小时才读通。学习指数8
第三十二篇文献:2009从无线胶囊内窥镜视频检测小肠自适应运输时间的收缩
作者:Hai Vu
Detection of contractions in adaptive transit time of the small bowel from wireless capsule endoscopy videos
目的:使用计算机视觉技术自动检测和量化肠收缩
方法:根据收缩模式的特征及其频率信息提出使用时间和空间特征识别小肠收缩。使用三步检测小肠收缩①边缘提取可能收缩的图像,②评估连续帧之间的相似性消除非收缩图像③通过空间特征检测真正的收缩即边缘方向直方图并用KNN进行分类。
特别地:该方法使用的是传统法。在时间方面在第二阶段检测连续帧之间的相似。
结果:检测到81%的小肠收缩。
注:该文献中说使用了时间和空间的特性,其中时间是第二阶段的连续帧图像的处理,空间是第三阶段使用边缘方向直方图的处理。2区Q1。学习指数8。