[论文解读] Feature Based Framework to Detect Diseases, Tumor, and Bleeding in Wireless Capsule Endoscopy

Omid Haji Maghsoudi, Mahdi Alizadeh|arXiv (Cornell University)|Jan 27, 2018

Gastrointestinal Bleeding Diagnosis and Treatment参考文献 3被引用 3

一句话总结

本文提出了一种基于特征的框架，通过结合颜色、纹理和几何特征，实现对无线胶囊内镜（WCE）图像帧中肿瘤、出血及其他胃肠道异常的自动检测。该方法在分割区域上使用支持向量机（SVM）和神经网络分类器，实现了帧基分析中肿瘤检测100%的敏感度，以及像素基分割中出血检测97%的敏感度，显著优于先前方法，通过整合多特征分析实现了更广泛的病变检测。

ABSTRACT

Studying animal locomotion improves our understanding of motor control and aids in the treatment of motor impairment. Mice are a premier model of human disease and are the model system of choice for much of basic neuroscience. High frame rates (250 Hz) are needed to quantify the kinematics of these running rodents. Manual tracking, especially for multiple markers, becomes time-consuming and impossible. Therefore, an automated method is necessary. We propose a method to track the paws of the animal in the following manner: first, segmenting all the possible paws based on color; second, classifying the segmented objects using a support vector machine (SVM) and neural network (NN); third, classifying the objects using the kinematic features of the running animal, coupled with texture features from earlier frames; and finally, detecting and handling collisions to assure the correctness of labelled paws. The proposed method is validated in sixty 1,000 frame video sequences (4 seconds) captured by four cameras from five mice. The total sensitivity for tracking of the front and hind paw is 99.70% using the SVM classifier and 99.76% using the NN classifier. In addition, we show the feasibility of 3D reconstruction using the four camera system.

研究动机与目标

• 解决现有WCE中对除出血和溃疡外多种胃肠道异常缺乏综合自动化检测系统的问题。
• 克服以往方法依赖单一特征类型（如仅颜色）且仅针对特定病变类型的局限性。
• 开发一种统一框架，能够检测三类主要异常：肿瘤、出血及其他五种疾病（如克罗恩病、乳糜性淋巴管扩张）。
• 通过在帧基和像素基分析中整合多样化的特征（颜色、纹理（LBP、GLCM、Gabor）、几何特征），提升检测精度与鲁棒性。
• 通过自动化、精确的病灶定位与分类，减少医生阅片时间，提升临床实用性。

提出的方法

• 使用基于强度和颜色的阈值分割法，在WCE图像帧中分割出潜在异常区域，以隔离可能的病灶。
• 提取多尺度特征：颜色（RGB、HSI、LUV）、纹理（LBP、GLCM、Gabor滤波器、Law’s特征）以及几何特征（形状、大小、方向）。
• 采用相关性与Fisher评分进行特征选择，以减少冗余并为每类异常选择最优特征。
• 在所选特征上训练并评估两种分类器——支持向量机（SVM）与神经网络（NN），用于帧基分析中肿瘤、出血及其他疾病的分类。
• 实施基于像素的分割方法，利用选定的纹理与颜色特征在图像帧内定位异常区域，并通过后处理优化边界。
• 集成碰撞检测逻辑，以解决在重叠或遮挡区域中跟踪与标记的模糊性问题。

实验结果

研究问题

• RQ1 与单一特征方法相比，结合颜色、纹理和几何特征的多特征融合方法是否能显著提升WCE中多种胃肠道异常的检测准确率？
• RQ2 当应用于WCE中肿瘤、出血及其他病灶的帧基检测时，SVM与神经网络分类器的性能表现如何比较？
• RQ3 基于像素的分割方法在定位异常区域（尤其是出血与肿瘤）方面，能否实现高敏感度与高特异度？
• RQ4 所提出的框架是否能泛化应用于多种病变类型（如克罗恩病、淋巴组织增生、黄瘤病）之外的出血与溃疡？
• RQ5 时间运动学特征与前一帧的纹理信息的整合，如何增强异常区域检测的鲁棒性？

主要发现

• 帧基方法在肿瘤检测中达到100%敏感度，显著优于以往方法中85%至88%的敏感度报告。
• 基于像素的出血检测方法实现了97%敏感度、97%特异度与94%精确度，优于以往研究中报告的较低特异度与精确度。
• 对于其他异常（如克罗恩病、乳糜性淋巴管扩张）的检测，基于像素的方法实现了96%敏感度、93%特异度与85%精确度，表明在多种病变类型中均表现优异。
• 特征选择将输入特征数量从110个减少至出血为3个、肿瘤为12个、其他疾病为10个，提升了计算效率，且未牺牲准确性。
• 结合颜色、纹理与几何特征的方法检测率高于仅依赖单一特征类型的方法，证实了多模态特征融合的重要性。
• 该框架在帧基与像素基病灶分类中均优于现有方法，经对比表格验证，在多项研究中均表现出更优的敏感度与特异度。