[论文解读] Survey of Computer Vision and Machine Learning in Gastrointestinal Endoscopy

Anant Vemuri|arXiv (Cornell University)|Apr 26, 2019

Colorectal Cancer Screening and Detection参考文献 340被引用 6

一句话总结

本综述回顾了深度学习时代之前计算机视觉与机器学习在胃肠道内镜中的应用，将18项临床任务（如息肉和溃疡检测）进行分类。评估了传统方法，包括纹理分析、小波变换和基于SVM的分类，突出展示了在内镜图像分析任务中特征工程与分类器性能的表现。

ABSTRACT

This paper attempts to provide the reader a place to begin studying the application of computer vision and machine learning to gastrointestinal (GI) endoscopy. They have been classified into 18 categories. It should be be noted by the reader that this is a review from pre-deep learning era. A lot of deep learning based applications have not been covered in this thesis.

研究动机与目标

• 提供对深度学习兴起之前应用于胃肠道内镜的计算机视觉与机器学习技术的全面综述。
• 对胃肠道内镜中的18项不同临床应用进行分类与分析，包括息肉检测、溃疡识别和疾病分类。
• 评估传统特征提取方法（如GLCM、LBP、Gabor和小波变换）与经典分类器（如SVM和AdaBoost）结合的有效性。
• 评估颜色、纹理和基于形状的特征在内镜图像分类中的判别能力，以支持临床决策。
• 为进入胃肠道内镜医学图像分析领域的研究人员提供基础参考，尤其聚焦于深度学习出现之前的时代。

提出的方法

• 将临床应用分类为18项不同任务，包括息肉检测、溃疡检测和乳糜泻识别。
• 使用手工设计的图像特征，如颜色、纹理（GLCM、LBP、Gabor）和形状描述符（凸包、骨架化）进行特征提取。
• 采用经典机器学习分类器，包括SVM、KNN、AdaBoost和多层感知机，用于分类任务。
• 应用信号分解技术（如EMD、EEMD和二维经验模态分解）以提取本征模态函数，用于纹理分析。
• 采用特征融合策略，包括颜色空间（RGB、HSV、CIE Lab）、小波域互相关矩阵以及多尺度局部模式，以提高分类鲁棒性。
• 使用降维与特征选择技术（如模拟退火和LDA）以优化分类器性能。

实验结果

研究问题

• RQ1 传统计算机视觉与机器学习方法在检测和分类胃肠道病变（如息肉和溃疡）方面效果如何？
• RQ2 在内镜图像中分类异常组织时，哪种图像特征——颜色、纹理或形状——具有最高的判别能力？
• RQ3 当与经典分类器结合时，不同特征提取技术（如Gabor、小波、LBP）的性能表现如何比较？
• RQ4 像EMD和EEMD这样的信号分解方法在增强内镜图像中细微病理纹理检测方面能发挥多大作用？
• RQ5 在多个颜色空间和变换域中进行特征融合，对胃肠道内镜分类准确率有何影响？

主要发现

• 基于颜色和像素位置的特征描述符结合SVM可实现有效的息肉检测，通过引入纹理和形状特征进一步提升了性能。
• 使用SVM时，GLCM和LBP特征在息肉分类中表现优异，部分对比研究中GLCM纹理特征优于LBP。
• CoRF算法在息肉检测与分割方面优于k-means和LGB聚类，通过解决向量量化中的块选择问题实现了更优性能。
• 小波域颜色纹理特征（尤其是颜色小波交叉互相关矩阵）在分类准确率上优于仅基于亮度的方法，尤其在与KNN分类器结合时表现更佳。
• 血管分割与拓扑特征提取生成了22个用于息肉分类的判别性特征，模拟退火法实现了最优特征选择。
• 基于分形维数的纹理特征在多种颜色空间（RGB、HSV、CIE Lab）中有效捕捉了健康与病变组织之间的结构差异，支持了准确的溃疡检测。