WCE的相关文献学习十

第三十七篇：2006基于支持向量分类器和隐马尔可夫模型的无线胶囊内镜视频分割

作者：Michal Mackiewicz

Wireless capsule endoscopy video segmentation using support vector classifiers and hidden markov models

目的：将WCE视频进行场景分类

方法：使用SVC和HMM相结合的方法将WCE视频进行分割。①将RGB转换为SVC颜色空间，形成二维HS直方图，忽略强度，提取颜色特征，又用DCT压缩和PCA组成混合变化提取特征，又用LBP局部二值模式算子提取纹理特征；②使用SVC将提取到的特征进行分为入口、胃、小肠和结肠；④使用HMM进行视频分割。

特别地：该方法提出较早，特征提取没有35的全面，但也和35一样用到了svm然后用HMM来进行分割。

结果：实现了基本的WCE视频场景的基本分割。

注：学习指数8。

第三十八篇：2019用于无线胶囊内镜图像溃疡检测的计算机辅助诊断系统

作者：Said Charfi

Computer‐aided diagnosis system for ulcer detection in wireless capsule endoscopy images

目的：设计CAD检测WCE图像中溃疡图像

方法：①通过使用三维中值滤波器消除噪声和校正照明来实现图像增强；②使用新的方法来是被分割区域，即使用显著性的纹理、颜色和阈值来对WCE图像进行分割；③使用灰度LBP在RGB颜色空间提取颜色特征、PHOG方向直方图金字塔提取形状特征、BoW视觉词袋来提取特征向量；④使用传统方法支持向量机SVM、多层感知器MLP、随机森林RF对每个特征向量进行单独分类；⑤然后把分类器得分向量作为观测值提供给HMM，两个HMM（因为是二元分类）使用Baun-Welch算法（向前过程）进行训练，由HMM输出最大概率。

特别地：这是基于HMM使用传统分类器将WCE图像分类的研究

结果：使用多种颜色空间，最终CLBP（LBP有三种为LBP、均匀LBP、颜色LBP） + PHOG + BoW结果最好。准确率为94.8%，灵敏度为96.2%，特异性为95.5%。

注：学习指数8。4区Q3

第三十九篇：2018无线胶囊内镜检查图像中小肠溃疡和糜烂的计算机辅助检测

作者：Shanhui Fan

Computer-aided detection of small intestinal ulcer and erosion in wireless capsule endoscopy images

目的：设计自动检测小肠溃疡和糜烂的CAD

方法：使用AlexNet 卷积神经网络(CNN)驱动他们自己的数据库，其中包含8000幅WCE图像。

特别地：没有具体的网络结构,只针对糜烂和溃疡和正常的图像分类

结果:溃疡和糜烂检测结果分别达到 95.16%和 95.34%的高精度、96.80%和 93.67%的灵敏度、
94.79%和 95.98%的特异性。 (ROC)曲线下面积均大于0.98

注：2区Q2。学习指数7。和所需要的关键词没有联系

第四十篇：2019利用深度循环注意神经网络在无线胶囊内窥镜图像中精确检测小肠病变

作者：R´emi Vall´ee

Accurate small bowel lesions detection in wireless capsule endoscopy images using deep recurrent attention neural network

目的：利用深度神经网络检测WCE图像的小肠病变位置

方法：预先训练VGG16,然后进行强化学习RL

特别地：该篇文献使用了基于强化学习的深度卷积神经网络处理wce图像

结果：不同的数据集表现出的结果不一样，在两个数据集上进行实验，一个达到了300张错一张，另一个达到了10张错一张。

注：学习指数9。