在本文中,我们提出了一种使用深度学习特征进行胃病检测的算法。首先,使用超像素分割将图像分割成块,并随机选择超像素边缘上的点作为图像块的中心。然后利用卷积神经网络 (CNN) 获得无线胶囊内窥镜 (WCE) 胃图像的更多通用特征。最后,将检测到的补丁标签转移到超像素标签上,以获得更准确的病变检测区域。
胃图像诊断有许多突出的工作,如出血区[1]、小肠息肉和溃疡[2]和克罗恩病[3];WCE视频摘要[4]和在线跟踪[5];还有使用WCE视频[6]对消化壁进行三维重建。现有的WCE图像分析方法通常从手动预定义的特征提取步骤开始,然后对分类器进行单独的训练过程。首先,从原始WCE图像中手动提取颜色[7]、纹理[8]、统计信息[9]、[10]等特征。然后使用生成的特征向量学习二值或离散分类器,如支持向量机(SVM)[11]和K-最近邻(KNN)[10]。
为了获得更准确的病变区域,我们将 CNN 特征与输入图像的超像素分割相结合。 具体来说,该方法首先将输入图像划分为超像素,并根据超像素分割结果生成图像块。 接下来,训练一个 CNN 模型来提取图像特征。 最后,在检测阶段,所提出的方法将检测到的补丁标签投影到超像素标签中,以获得准确的病变检测区域。
图 1. 所提出方法的示意图。 在训练阶段,每个输入的训练图像被划分为块,同时根据超像素分区分配标签。 训练 CNN 模型以提取补丁特征。 在推理阶段,输入测试图像的每个patch通过CNN模型获得其patch label,最终的图像检测结果是通过patch la