WCE的相关文献学习九

第三十三篇：2013基于全局约束隐马尔可夫模型和图像配准的无线胶囊内窥镜分割

作者：万一文

​​​​​​Wireless capsule endoscopy segmentation using global-constrained hidden markov model and image ​​​​​​

目的：对胶囊内镜图像进行食道、胃、小肠、大肠的场景分类。

方法：利用模式识别和统计分析的方法，通过全局约束隐马尔可夫HMM和图像配准分割来进行分类。①先时间建模，根据每个场景胶囊内镜运动的时长和时间帧间差异获得每个节点（胃总管、幽门、回盲瓣）后定量捕获连帧之间的颜色和纹理；②每个节点计算泊松拟合并把此作为HMM的约束转移的概率③用配准来进行分类，即提出颜色和纹理特征、分割，SVM分类，会根据特征点之间的差异来判别是不是同一个场景。

特别地：隐马尔可夫用于视频分割，具有固定的概率。该文献将其概率进行约束为泊松拟合。

结果：十个测试视频有两个效果好准确率达到98%。

注：该文献使用到了胶囊内镜在每个场景的运动时间来进行分割场景。学习指数8

第三十四篇：2013自适应图像剪切，用于使用WCE进行运动检测

作者：M Drozdzal

Adaptable image cuts for motility inspection using WCE

目的：通过剪切WCE视频来分析GI的运动检测，也就是检查肠的蠕动

方法：将3D视频图裁剪为2D纵向图。通过最小化成本函数使帧切割角度适应于流明位置，从而切割出纵向视图Acut来分析肠的蠕动。

特别地：该文献通过纵向图判断该图像为收缩或者静态、隧道、浑浊等。

结果：该研究方法比直接看视频时间节省四倍。

注：该文献使用到流明检测判断小肠的运动状态。学习指数7。2区Q1

第三十五篇：2015无线胶囊内镜检查研究概要的一般框架

作者：Qian Zhao

A general framework for wireless capsule endoscopy study synopsis

目的：研究出WCE图像或序列的分类方法

方法：基于HMM整合时间信息的方法对WCE图像和序列进行分类。①首先将图像的颜色、纹理、和边缘使用相对应的方法提取出特征；②在不整合的情况下，将这些特征输入到SVM中使用径向基函数RBF内核单独分类；③将SVM的输出结果编码作为HMM的观测值。研究还将WCE帧与WCE序列帧分别实验对比。

特别地：在WCE图像分类中组合时间信息。HMM的分类结果依赖与SVM的输出。

结果：分的六个类类别都达到0.9以上的准确率，处理病变这一类。

注：在该研究之前作者也发布了类似的研究，也是使用HMM进行WCE图像的分类，只不过是针对某一种特定的异常。学习指数9。2区Q1

第三十六篇：2017通过胶囊内窥镜视频的级联时空深度框架自动理解内容

作者：Honghan Chen

Automatic content understanding with cascaded spatial–temporal deep framework for capsule endoscopy videos

目的：利用时间特点将WCE图像使用深度学习进行分类

方法：使用深度学习和时间信息整合的方法实现WCE图像的去冗余且场景分类。CNN的框架为AlexNet。①使用N-CNN进行去除冗余图像气泡、杂质等；筛选出的清晰的图像进入下一步②使用O-CNN进行场景分类出入口、胃、小肠、结肠；③使用HMM集成时间信息更加准确的检测不同场景器官。O-CNN的输出被编码为观测序列。

特别地：该文献是使用深度学习与HMM结合，与35篇的传统学习与HMM结合形成了对比，在文献中也进行了这一对比分析。

注：学习指数9。2区Q2