A New Method Based on Convolutional Neural Networks and Discrete Wavelet Transform for Detection, Classification and Tracking of Colon Polyps in Colonoscopy Videos
Notice bibliographique
Résumé
In this study, a new method based on Convolutional Neural Network (CNN), Discrete Wavelet Transform (DWT) and Support Vector Machine (SVM) is presented for polyp detection, classification and tracking during colonoscopy.The proposed method is constructed in 3 parts.1) Detection of polyps with deep learning based Faster R-CNN for detection of polyps 2) Classification of detected polyps by CNN-DWT-SVM.3) Tracking for polyps counting.The proposed method was trained and tested with the Colonoscopy Dataset, a public data set.In the first step of the method, polyp detection was carried out with pre-trained ResNet 50 CNN architecture with 92.6% precision.The regions identified in the second step of the method were classified for four classes adenoma, hyperplastic, lumen, serrated and 94.7% classification accuracy was obtained.With the proposed method, the detection sensitivity of Faster R-CNN was increased from 92.6% to 99.2%, and the accuracy of 95.4% was achieved by using DWT in the classification of polyp classes.In the classification process, 98% correct adenoma, 95% hyperplastic, 90% luminal intestine, 96% serrated polyp were reached.The proposed method reached an average of 94% MOTA in polyp tracking and was able to detect polyp frames with their classes with 99.2% precision.
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 | 0,001 | 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 | 0,000 |
| 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 ».