WCE视频的相关文献阅读十二

第四十五篇：2017使用简明的CNN进行胃癌病变分类

Gastric precancerous diseases classification using CNN with a concise model

作者：张旭

目的：使用更少参数实现胃癌前病变分类，即是将胃镜图片分类，溃疡、糜烂、息肉这三类

方法：设计的网络名叫GPDNet。基本构架是cifar-10，用squeezeNet的fire块代替cifar-10的卷积层，并且将3X3改为1X1使得参数减少。为了维持精度，该网络结构强制让模型训练。通过设置阈值小于0.001重置为0参与模型训练，在第六次迭代，也就是在第六次强制中得到最好结果。

特别地：该方法并不是强化学习，而是强制学习，迭代的强制学习。

结果：GPDNet的精度最后为88.9%。参数比为加入fire模块少了十倍，速度也变快了

第四十六篇：2021基于深度学习的系统自动检测胶囊内窥镜视频中的各种异常：一项多中心研究

Automatic detection of various abnormalities in capsule endoscopy videos by a deep learning-based system: a multicenter study

作者：Tomonori Aoki

目的：开发一个基于CNN的系统，并将其与现有的QuickView模式在检测各种异常的能力方面进行比较。

方法：使用一个基于 CNN 的组合系统，使用以下 4 个系统：（1） SSD 用于检测粘膜破裂，（2） SSD 用于检测结节，（3） SSD 用于检测其他异常（血管扩张、息肉、粘膜下肿瘤、静脉结构和上皮肿瘤），以及 （4） 用于检测血液内容物的 ResNet50。

数据：共使用66,028张CE图像作为CNN算法的训练图像数据集。这些训练图像是在 2009 年 2018 月至 3 年 2 月期间在 3 个机构收集的：东京大学、广岛大学医院和日本仙台兴成医院。在此期间，使用 PillCam SB<> 或 SB<> 设备（美敦力）进行 CE。

特别地：它训练时候使用的是图片，测试使用的是视频。这一点并不是很懂。文献中只有设计cnn的结构图，并没有对网络参数等其他进行较多的说明。

结果：CNN对每位患者异常的检出率显著高于QuickView模式。CNN对粘膜破裂、血管扩张、突出病变和血液含量的检出率分别为100%（9494例）、97%（2928例）、99%（8180例）和100%（23例），QuickView模式的检出率分别为91%、97%、80%和96%。

注：学习指数8.。IF1.6

第四十七篇：2020PS-DeVCEM：基于弱标记数据的视频胶囊内窥镜病理敏感深度学习模型

PS-DeVCEM: Pathology-sensitive deep learning model for video capsule endoscopy based on weakly labeled data

作者：Ahmed Mohammed

目的：针对胶囊内镜视频内的异常帧进行检测。能够在视频帧内的时间域中定位胃肠道异常，且具有通用性。

方法：空间和时间特征分别通过 ResNet50 和残余长短期记忆 （residual LSTM） 块获得。使用自注意块，识别出连续帧范围内的异常帧并显示出来。实现弱监督。

数据：数据集由 455 个短片段视频组成，每个训练样本由 50 到 100 帧组成，总共有14个类别。

不足：试图突破在一个样本中检测出多个病变，实验结果仍然不理想。

特别地：可以学习如何实现video的异常检测。

结果：精度和f1分数，分别达到61.6%和55.1%

注：学习指数9。该文献将参数设置及结构讲述得较清楚。

第四十八篇：2023基于深度学习的无线胶囊内窥镜器官分类与转运时间估计

Deep learning-based organ classification and transit time estimation for wireless capsule endoscopy

作者：Jung-Hwan Park

目的：将WCE视频进行器官分类以及估计WCE在胃和小肠的运动时间

方法：使用CNN+LSTM。其中CNN选择预先训练EfficientNet 模型的Noisy Student训练效应网络作为特征提取器。在CNN中按视频顺序提取出特征依次送入LSTM中关联序列帧间信息。

数据：2018年至2021年（康原国立大学医院和东国大学医院）的PillCam™SB3（明尼苏达州）胶囊内窥镜系统的数据。共包括126例患者。

不足：估计WCE场景运动的时间误差还有进步的空间

特别地：使用LSTM实现视频帧间的信息提取。

结果：胃、小肠和结肠）进行分类时的准确率、灵敏度和特异性超过95%，总体准确率和f1评分为97.1%。在胃和小肠运输时间的估计中，真实值与模型预测之间的平均时间差分别为4.3 ± 9.7分钟和24.7 ± 33.8分钟。

注：学习指数8。1区Q1