Feature Extraction and Classification Techniques for Wireless Endoscopy Images: A Review
Notice bibliographique
Résumé
Wireless Capsule Endoscopy (WCE) is one of the convenient ways to observe human digestive system, like esophagus, stomach, duodenum, small intestine, large intestine, liver, gallbladder and pancreas which are involved in metabolism.There are no incision-related injuries, no anaesthetic complications, and no negative effects on the patient.The researchers started this investigation because early detection of abnormalities is essential.Through WCE imaging data, polyps, ulcers, and cancers can be identified early.Feature extraction and selection, classification, and image pre-processing are the next three main procedures used to handle the WCE images.One of the crucial phases that can gauge the efficacy of WCE picture classification and, ultimately, the disease, is the feature extraction and selection.This study investigates three feature selection approaches and nine feature extraction methods for classifying WCE photos.It also examines the benefits and drawbacks of each technique.Both of these are taken into account while deciding which approach to use in various situations.A table with a synopsis of each technique is supplied as supporting documentation.This study demonstrates that the suitable feature extraction technique for the civic DVC dataset is Local Binary Pattern combined with GLRLM (Gray Level Run-Length Matrix), ZM (Zero Shot Manipulation Net), PHOG (Pyramid Histogram of Oriented Gradients) and GLCM (Gray-Level Co-Occurrence Matrix), while the best feature selection and extraction techniques for general knowledge bases is CSRN (Cellular Simultaneous Recurrent Networks) and DELM (Deep Extreme Learning Machine) and the classification accuracy achieved is 96.5%.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 ».