Automated Detection of Bleeding in Capsule Endoscopy Using On-Chip Multispectral Imaging Sensors
Notice bibliographique
Résumé
Gastrointestinal (GI) bleeding is a common problem and may lead to fatal consequences. The detection of bleeding is currently determined through conventional examination of wireless capsule endoscopy (WCE) images. Image-based bleeding detection is performed using only color pixels; therefore, image and color distortion affect the accuracy of RGB-based methods adversely. On the other hand, imaging modalities like multispectral features contain several unique characteristics of the target material, and therefore are less error-prone. In this regard, an on-chip bleeding detection sensor based on blood's optical properties is developed in this article. For creating this sensor, an array of 12 optical sensors, six in visible and six in near-infrared range, is tested with blood samples (BS) in various concentrations and non-blood samples (NBS), such as food pigments and natural foods (digestible and nondigestible). Various feature selection and machine learning approaches have been used to select the optimal bandwidth for the best detection accuracy. A capsule prototype is designed that uses 450 nm, 610 nm, and 810 nm of wavelengths. The prototype is tested in two in vitro experiments using two porcine intestines to validate the proof of concept. The results indicate that the designed system can distinguish occult and acute bleeding from a distance of 1 cm with angles of 45 and 90 degrees. An F1-score of 99% is achieved using the bagged decision tree algorithm. The proposed solution for detecting GI bleeding will eliminate the need to use a camera module and large data transmission, and thereby consumes 1.48 times less power than conventional WCE systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».