文献阅读十二"/>
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
更多推荐
WCE视频的相关文献阅读十二
发布评论