WCE的相关文献学习十一

第四十一篇：2023基于深度学习的内镜图像胃肠道疾病分类的改进Salp群算法

作者：MARWA OBAYYA

Modified Salp Swarm Algorithm With Deep Learning Based Gastrointestinal Tract Disease Classification on Endoscopic Images

目的：基于深度学习的方法将肠胃道疾病进行分类

方法：使用改进的MSSADL-GITDC基于深度学习 的胃肠道疾病分类。①用MF中值滤波器技术进行图像平滑；②改进胶囊网络CapsNet进行特征提取；③用有极限学习机DBN-ELM的深度信念网络；④最后，应用反向传播对DBN-ELM模型进行监督微调。

特别地：该文献的综述部分很值得学习

结果：后续进行了改进，最大准确率为98.03%。

注：2区Q3。学习指数9

第四十二篇：2020使用改进的基于 LSTM 的 CNN 进行胃肠道分类

作者：Şaban Öztürk

Gastrointestinal tract classification using improved LSTM based CNN

目的：改进CNN将胃肠道疾病图像进行分类

方法：使用改进的基于LSTM的CNN进行分类。①首先将特征提取出来，使用三个网络AlexNet、GoogLeNet、ResNet；②然后再使用分类器分别对三个模型提取出的特征进行特征分类，三个分类器分别为softmax、SVM、改进的LSTM。改进的LSTM是该研究提出的新方法。该实验还对数据量进行了实验分析，得出结论数据量越大拟合效果更好，准确率更高。

特别地：不需要预处理，端到端的训练。LSTM是长短期记忆结构是递归神经网络的一种，LSTM是用来分析时间序列数据以预测数据的未来情况。使用的是堆叠LSTM模型。改进的LSTM使用dropout来避免内存问题。

结果：与其他现有方法相比，所提方法具有更成功的分类性能，准确率为97.90%。

注：研究的方法的三种分类法值得学习。学习指数9.1。

第四十三篇：2018使用基于区域的深度 CNN 和后学习方法自动检测结肠息肉

作者：YOUNGHAK SHIN

Automatic colon polyp detection using region based deep CNN and post learning approaches

目的：使用区域卷积神经网络和后方法进行息肉的自动检测

方法：主体结构是Faster R-CNN和Inception ResNet的结合。①图像增强；②使用区域建议网络RPPN获取ROI区域；③对ROI分类且预测（探测器）；④使用Post learning的假阳性和离线学习两者方法区提高息肉检测系统。

特别地：算是早期使用ROI方法的文献。一样的用到了迁移学习

结果：实验中精度、召回和反应时间（RT）方面具有卓越的检测性能。

注：学习指数7.8

第四十四篇：2021用于无监督WCE视频摘要的循环生成对抗网络

作者：兰利宾

Recurrent generative adversarial networks for unsupervised WCE video summarization

目的：对WCE视频进行摘要。

方法：采用生成对抗网络GAN框架。①汇总器：基于变分自动编码器的LSTM框架对原始视频提取关键帧，使用Ptr-Net指针网络和DM去冗余机制；②鉴别器：使用LSTM区分原始视频和来自汇总器的重建视频，实现优化汇总器；③对汇总器和鉴别器使用生成对抗网络训练这两个模型。设计的模型为Adv-Ptr-Der-Sum。

特别地：实验流程文字叙述清楚。实验过程使用了消融法（控制变量）来验证提出的研究方案。

结果：所提出的模型在监督和无监督设置中都大大优于其他视频摘要方法

注：跟第九篇是同一个作者。学习指数9。该研究用到了LSTM。1区Q1