A Saliency-Based Unsupervised Method for Angioectasia Detection in Capsule Endoscopic Images
Notice bibliographique
Résumé
Angioectasia is the most common origin of obscure gastrointestinal bleeding (OGIB), constituting 30-40% of the OGIB cases. It consists of dilated, ectatic, tortuous, thin-walled vessels of the mucosa or submucosa, involving small capillaries, veins, and arteries. Angioectasias lesions are mostly located in small bowel, and thus inaccessible to conventional wired endoscopy. Small bowel capsule endoscopy (SBCE), enabling the visualization of the entire small bowel, has become a particularly useful tool in the detection and management of angioectasia. To address the inadequate investigation in the field of automatic detection of angioectasia from capsule endoscopic images, we propose a two-staged saliency-based unsupervised detection algorithm. In the first stage, we construct a saliency map by combining a patch distinctness (PD) map and an Index of Hemoglobin ( IHb) map obtained from original endoscopic images. The PD map is formed using a distance measure which computes the distinctness of image patches compared to an average image patch. The IHb map is formed using index of hemoglobin (IHb) to exploit the characterizing red hue of angioectasias. Finally, the PD map and the IHb map are combined to form the final saliency map. In the second stage, we perform a local maxima search from gradient image obtained from the saliency map to localize the ROIs (region-of-interests) containing angioectasias lesions. The proposed method yields 100% sensitivity and 90.1% accuracy in detecting angioectasia with low computational effort.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».