第四十九篇:2021基于图卷积神经对长内窥镜视频中的异常进行弱监督定位
Graph Convolution Neural Network For Weakly Supervised Abnormality Localization In Long Capsule Endoscopy Videos
作者:Sodiq Adewole
目的:对WCE长视频中的异常帧进行识别以及时间定位
方法:使用GCNN图卷积神经网络。①先用VGG19来提取视频特征;②接着使用变化点检测技术将视频时间自动分割成均匀可识别的片段;③然后使用GraphSage为GCNN的基础模型对每个片段进行识别是否有异常,有异常的则进行异常的时间轴定位;④最后输出识别结果及定位结果。其中用到了LSTM进行每个层的相邻节点的聚合。
数据:有九个视频,每个视频被分割成许多段。前五个训练,后四个测试
特别地:该文献新奇点在于它的异常定位是时间轴,生成高能帧。
不足:实验数据不足
结果:分类89.9%,定位97.5%
注:学习指数8.5
第五十篇:2022用于腔内图像分类的序列模型
Sequential models for endoluminal image classification
作者:Joana Reuss
目的:使用序列模型处理消化道图像分类问题。主要是在序列信息的利用下,消化道的息肉分类出来。
方法:在原有的自监督网络SSL上增加CNN(ResNet50)、TIME和BiLSTM。使用resnet50提取图像特征,压平块删除了时间轴。使用TIME模块恢复BiLSTM的时间轴。BiLSTM将过去的信息、当前的输入和输出相整合在一起,得到序列的相关信息。使用BiLSTM相比其他非序列结构效果更优。
特别地:使用了LSTM的改进版BiLSTM,使实验效果更加显著了。
不足:该研究只处理了息肉,在其他异常的处理上未知。它使用的也不是一整个视频,而是剪裁下的多个片段,以9张图片为一个序列,一段video在CNN处为八个序列,在BiLSTM阶段有16个序列。
结果:AUC为93.83%。
注:学习指数8。IF1.10
第五十一篇:2021残差LSTM层的CNN用于胃肠道疾病分类
Residual LSTM layered CNN for classification of gastrointestinal tract diseases
作者:Saban Oztürk
目的:研究使用残差LSTM层做CNN的分类器在胃肠道中的息肉分类的效果
方法:使用迁移学习的方法。一个预训练的CNN分别加上ANN(全连接层FCL)、SVM、LSTM最后softmax输出结果。其中CNN分别为AlexNet、GoogLeNet、ResNet。一共九个组合进行实验。ANN和SVM是取 CNN最后一层输出为输入,而LSTM是取CNN的第一层、中间层和最后一层到三个LSTM块中。每个LSTM块中有两个LSTM(详细原因看原文)。
特别地:这是第一次看到使用LSTM作为分类器使用。LSTM用过去的信息来预测未来。这个息肉分类有八个类别,有根据场景的也有程度的。
不足:仅使用一个数据库Kvasir
结果:最后ResNET加LSTM效果最好,结果达到了98.05%的准确率。
注:学习指数8。Q2。IF4.5
第五十二篇:2020基于深度模型的半监督WCE图像异常检测
Deep model-based semi-supervised learning way for outlier detection in wireless capsule endoscopy images
作者:YAN GAO
目的:更少误差的将WCE图像的异常图像检测出来
方法:使用CNN+LSTM的方法。用CNN提取特征,用LSTM提取序列信息。其还使用原始图像与伪异常图像的不同、异常图像和正常图像的不同作为参数影响模型OAM部分。OAM由一个异常检测器和两个功能单元组成。从而实现更小的误差识别异常图像。实验还与多种方法做比较。(提出了一种新的模型SODM来解决WCE图像中的异常点检测问题。SODM旨在从WCE图像块中学习适当的特征来构建状态预测器,利用真实状态与期望状态的差值来筛选出异常值。此外,SODM还包含一个异常值评估模型,使异常值报警具有更少的误报。实际WCE图像的实验证实了这一点)
数据:正常来自北京某医院20个不同的男性病例,异常图像来自某文献的公开数据
不足:数据集不够具有普遍性
特别地:巧妙的运用的正常与异常的差值来检测图像。
结果:在其他性能结果差不多的情况下,准确率93.27%和灵敏度86.17%都较高。
注:学习指数8。Q2