[论文解读] Superpixels Based Segmentation and SVM Based Classification Method to Distinguish Five Diseases from Normal Regions in Wireless Capsule Endoscopy

Omid Haji Maghsoudi|arXiv (Cornell University)|Nov 17, 2017

Gastrointestinal Bleeding Diagnosis and Treatment参考文献 26被引用 3

一句话总结

本文提出了一种基于超像素的分割与SVM分类方法，用于在无线胶囊内镜（WCE）图像中检测五种胃肠道疾病——出血、克罗恩病、乳糜性肠病、黄色瘤和淋巴组织增生。通过SLIC和快速移位（QS）超像素方法，该方法提取颜色和纹理特征进行SVM分类，准确率达到92–94%，特异性为91–95%，敏感度为88–93%；其中SLIC的处理速度显著快于QS。

ABSTRACT

Wireless Capsule Endoscopy (WCE) is relatively a new technology to examine the entire GI trace. During an examination, it captures more than 55,000 frames. Reviewing all these images is time-consuming and prone to human error. It has been a challenge to develop intelligent methods assisting physicians to review the frames. The WCE frames are captured in 8-bit color depths which provides enough a color range to detect abnormalities. Here, superpixel based methods are proposed to segment five diseases including: bleeding, Crohn's disease, Lymphangiectasia, Xanthoma, and Lymphoid hyperplasia. Two superpixels methods are compared to provide semantic segmentation of these prolific diseases: simple linear iterative clustering (SLIC) and quick shift (QS). The segmented superpixels were classified into two classes (normal and abnormal) by support vector machine (SVM) using texture and color features. For both superpixel methods, the accuracy, specificity, sensitivity, and precision (SLIC, QS) were around 92%, 93%, 93%, and 88%, respectively. However, SLIC was dramatically faster than QS.

研究动机与目标

• 开发一种自动化方法，用于检测WCE图像中的五种特定胃肠道疾病。
• 解决每项研究中超过55,000帧WCE图像人工审查耗时且易出错的问题。
• 通过基于超像素的分割与SVM分类，提升疾病检测的准确性。
• 比较SLIC与快速移位超像素算法在临床图像分割中的性能与效率。

提出的方法

• 利用SLIC和快速移位（QS）进行超像素分割，以整合空间上一致的图像区域。
• 从分割后的超像素中提取颜色与纹理特征用于分类。
• 应用支持向量机（SVM）根据提取的特征将区域分类为正常或异常。
• 采用HSI与RGB颜色空间，以及Haralick、Gabor和Law的纹理特征进行特征提取。
• 通过准确率、特异性、敏感度和精确率等指标，在多种超像素数量下评估性能。
• 从分割速度、准确率和对不同疾病类型的鲁棒性方面，比较SLIC与QS的性能。

实验结果

研究问题

• RQ1 SLIC与QS超像素方法在WCE图像中分割五种特定胃肠道疾病的效果如何？
• RQ2 超像素数量的变化对不同疾病分类准确率与敏感度有何影响？
• RQ3 与现有基于帧和基于像素的方法相比，该方法在检测性能方面表现如何？
• RQ4 在准确率与计算效率之间，SLIC与QS哪种超像素算法更具优势？
• RQ5 基于超像素的分割能否提升对空间范围各异疾病（如大范围区域的出血与小范围区域的黄色瘤）的检测能力？

主要发现

• SLIC与QS超像素方法在分类五种WCE疾病时，准确率达到92–94%，特异性为91–95%，敏感度为88–93%。
• SLIC处理时间显著更短（每帧0.7秒），而QS处理更慢且对参数更敏感。
• 对于大区域疾病（如出血、克罗恩病、淋巴组织增生），当超像素数量超过100个时，性能因过度分割而下降。
• 对于小病灶（如乳糜性肠病、黄色瘤），性能随超像素数量增加而提升，表明能更精细地识别小异常。
• 基于SLIC的分类方法在出血检测中达到97%的敏感度与97%的特异性，优于以往基于帧的方法。
• 该方法在性能上优于现有方法，尤其在淋巴组织增生（93%敏感度，90%精确率）和克罗恩病（92%敏感度，84%精确率）的敏感度与精确率方面表现更优。