Learning disease severity for capsule endoscopy images

Kumar, Rajesh; Rajan, Purnima; Bejakovic, Srdan; Seshamani, Sharmishtaa; Mullin, Gerard E.; Dassopoulos, T.; Hager, Gregory D.

doi:10.1109/isbi.2009.5193306

Cited by 8 publications

(3 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A comparison is drawn using these feature descriptors by training using ans SVM and an ANN classifier. [322], proposes computing a 10-bin normalized hue and saturation histograms and training a SVM classifier for retrieving the class of the tissue in the ROI. [323] proposes representing the localized features in HD endoscopy images in semantic space to generate a CBIR system for clinicians to review online selected regions.…”

Section: -[229] 10) Intra and Inter-operative Re-localization (Iao An...mentioning

confidence: 99%

Survey of Computer Vision and Machine Learning in Gastrointestinal Endoscopy

Vemuri

2019

Preprint

View full text Add to dashboard Cite

Section: -[229] 10) Intra and Inter-operative Re-localization (Iao An...mentioning

confidence: 99%

Survey of Computer Vision and Machine Learning in Gastrointestinal Endoscopy

Vemuri

2019

Preprint

View full text Add to dashboard Cite

“…However, due to its long-running time of more than 10 hours, automatic potential ulcer lesions detection and classification becomes essential factor of WCE performance. Machine learning approaches have shown meaningful performance in lesion detection from color images: intestine, polyp [3], ulcer [5] [6] and hookworm [2]. Recently, deep learning methods show much improved results in these applications.…”

Section: Introductionmentioning

confidence: 99%

Decision Boundary Re-Sampling in Imbalanced Learning for Ulcer Detection

et al. 2020

View full text Add to dashboard Cite

Data imbalance problem between normal and lesion endoscopy images makes it difficult to employ deep learning approaches in automatic Ulcer detection and classification. Due to the large variety of normal images in their appearance, characterizing ulcer with limited training samples is not a trivial task. In this work, we propose decision boundary re-sampling (DBR) in imbalanced learning that extrapolates ulcer samples in a latent space of deep convolutional neural network. Proposed method shows improved ulcer classification performance on wireless endoscopy images compared to state-of-the-art methods.

show abstract

“…Οι συγγραφείς των εργασιών (Bejakovic et al;2009;Kumar et al, 2009Kumar et al, , 2012Girgis et al, 2010;Jebarami & Daisy, 2013) ασχολήθηκαν με την αναγνώριση φλεγμονών και διαβρώσεων από NC, κάνοντας χρήση χαρακτηριστικών υφής, χρώματος και ακμών. Πιο συγκεκριμένα, χρησιμοποιήθηκαν περιγραφείς MPEG-7 για την εξαγωγή πληροφοριών χρώματος (περιγραφέας κυρίαρχου χρώματος, dominant color descriptor) και ακμών (περιγραφέας ιστογράμματος ακμών -edge histogram descriptor), ενώ για τις πληροφορίες υφής εκμεταλλεύτηκαν τον MPEG-7 περιγραφέα ομογενούς υφής (homogenous texture descriptor), σε συνδυασμό με χαρακτηριστικά από ΤΔΠ, χαρακτηριστικά Haralick και στατιστικές χρωματικού ιστογράμματος.…”

Section: ανίχνευση έλκους και διαβρώσεων από Ncunclassified

Χρήση Προηγμένων Μεθόδων Επεξεργασίας Σήματος Και Εικόνας Στην Περιοχή Της Πεπτικής Ενδοσκοπίας Με Χρήση Ασύρματης Ενδοσκοπικής Κάψουλας

Charisis¹,

Χαρίσης²

View full text Add to dashboard Cite

Σκοπός της διατριβής ήταν η ανάπτυξη νέων μεθοδολογιών ανάλυσης ιατρικών εικόνων που προέρχονται από ασύρματη ενδοσκόπηση με κάψουλα για την αναγνώριση περιοχών διαβρωμένου βλεννογόνου που σχετίζονται με ελκώσεις και τη νόσο του Crohn. Οι προτεινόμενες μεθοδολογίες χωρίσθηκαν σε τέσσερις πυλώνες, ανάλογα με τα χαρακτηριστικά τους και τα μαθηματικά εργαλεία που χρησιμοποιούν. Αρχικά εξετάσθηκε η διάκριση εικόνων διάβρωσης και φυσιολογικού ιστού χρησιμοποιώντας χαρακτηριστικά υφής που εξάγονται από εικόνες στην κλίμακα του γκρι με την εφαρμογή της Ανάλυσης Διαφορικής Κενότητας (ΑΔΚ), αφού προηγουμένως είχε αφαιρεθεί ο θόρυβος με χρήση της Δισδιάστατης Συλλογικής Εμπειρικής Μεθόδου Αποσύνθεσης (ΔΣΕΜΑ). Το διάνυσμα χαρακτηριστικών (ΔΧ) που προέκυψε από την εφαρμογή του συνδυασμού ΔΣΕΜΑ-ΑΔΚ εμφάνισε ενθαρρυντικά αποτελέσματα και οδήγησε στην αξιοποίηση χαρακτηριστικών υφής-χρώματος εφαρμόζοντας το συνδυασμό ΔΣΕΜΑ-ΑΔΚ στις χρωματικές συνιστώσες του χώρου RGB. Ακολούθως, διενεργήθηκε εμπεριστατωμένη μελέτη του βέλτιστου τρόπου υλοποίησης της ΑΔΚ και προτάθηκε ένα βελτιωμένο ΔΧ που συνοψίζει την τοπική και συνολική συμπεριφορά της καμπύλης ΔΚ. Ολοκληρώνοντας τον πρώτο πυλώνα, διερευνήθηκε ο ρόλος τριών χρωματικών μοντέλων (RGB, HSV, CIE Lab) στην απόδοση του συστήματος αναγνώρισης. Στο δεύτερο πυλώνα προσεγγίσεων έγινε προσπάθεια αξιοποίησης του συνόλου των δυνατοτήτων που παρέχει η ΔΣΕΜΑ μελετώντας την κατανομή των μοτίβων του διαβρωμένου ιστού στα εγγενή δομικά συστατικά των εικόνων που εξάγονται από τη ΔΣΕΜΑ. Στα πλαίσια αυτά, προτάθηκε ένα νέο σύστημα προσαρμοσμένης ανασύνθεσης, το οποίο, όχι μόνο απομακρύνει το θόρυβο, αλλά ανακατασκευάζει μια εικόνα βάσει των καταλληλότερων συνιστωσών, οι οποίες παρουσιάζουν ιδιότητες σχετικές με διάβρωση. Στον τρίτο πυλώνα προσεγγίσεων διεξάχθηκε περαιτέρω αξιοποίηση των προϊόντων της ΔΣΕΜΑ μελετώντας αναλυτικά τις μεταξύ τους αλληλεπιδράσεις και το πως αυτές μεταβάλλονται ανάλογα με την κατηγορία του ιστού που απεικονίζεται. Για το λόγο αυτό, εισάχθηκε το μέτρο της εγγενούς συσχέτισης δεύτερης και ανώτερης τάξης. Επίσης, παρουσιάστηκε ένα υβριδικό σύστημα εξαγωγής χαρακτηριστικών, που βασίστηκε τόσο στα χαρακτηριστικά υφής αποθορυβοποιημένων εικόνων, όσο και στις πληροφορίες εγγενούς συσχέτισης ανώτερης τάξης. Τα ενθαρρυντικά αποτελέσματα του μέτρου της εγγενούς συσχέτισης οδήγησαν στην ανάπτυξη μιας αναβαθμισμένης έκδοσης του παραπάνω συστήματος αναγνώρισης διαβρώσεων και στην παρουσίαση ενός βελτιωμένου υβριδικού ΔΧ. που δομείται από τις πληροφορίες εγγενούς συσχέτισης υφής δεύτερης και ανώτερης τάξης και τα χαρακτηριστικά υφής ανακατασκευασμένων εικόνων μέσω της διαδικασίας προσαρμοσμένης ανασύνθεσης. Τέλος, στον τέταρτο πυλώνα προσεγγίσεων αξιοποιήθηκε ο Μετασχηματισμός Κυρτοκυματιδίων (ΜΚ), ένα εργαλείο πολυκλιμακωτής ανάλυσης που αποσυνθέτει μια εικόνα σε συνιστώσες πολλών κλιμάκων και κατευθύνσεων που φέρουν πληροφορίες για τις εγγενείς καμπυλόγραμμες δομές. Στα πλαίσια αυτά, αρχικά, διερευνήθηκε η αποτελεσματικότητα της αναπαράστασης της υφής του βλεννογόνου στα προϊόντα της ανάλυσης ΜΚ και προτάθηκε ένα ΔΧ βασισμένο στη στατιστική ανάλυση της καμπύλης ΔΚ. Στη συνέχεια, αναπτύχθηκε η διαδικασία του Υβριδικού Προσαρμοσμένου Φιλτραρίσματος η οποία στοχεύει στην απομόνωση των εγγενών συνιστωσών των εικόνων που σχετίζονται με τα χαρακτηριστικά υφής του βλεννογόνου με τη βοήθεια ενός γενετικού αλγορίθμου (ΓΑ). Το προτεινόμενο σύστημα ελέγχθηκε ως προς την ευρωστία στην ύπαρξη θορύβου και στη μεταβολή παραμέτρων του ΓΑ και της ΑΔΚ και αποδείχθηκε ότι επιδεικνύει την υψηλότερη επίδοση σε σύγκριση με μεθοδολογίες της βιβλιογραφίας και όλες τις υπόλοιπες μεθοδολογίες που προτάθηκαν στα πλαίσια της παρούσας διατριβής.

show abstract

Learning disease severity for capsule endoscopy images

Cited by 8 publications

References 12 publications

Survey of Computer Vision and Machine Learning in Gastrointestinal Endoscopy

Survey of Computer Vision and Machine Learning in Gastrointestinal Endoscopy

Decision Boundary Re-Sampling in Imbalanced Learning for Ulcer Detection

Χρήση Προηγμένων Μεθόδων Επεξεργασίας Σήματος Και Εικόνας Στην Περιοχή Της Πεπτικής Ενδοσκοπίας Με Χρήση Ασύρματης Ενδοσκοπικής Κάψουλας

Contact Info

Product

Resources

About