Se-Resnet: A Novel Method for Gastrointestinal (GI) Diseases Classification from Wireless Capsule Endoscopy (WCE) Images
Notice bibliographique
Résumé
The GI tract can develop some medical issues that may require a doctor to evaluate them.These consist of growth anomalies, tissue inflammations, and gastrointestinal issues.In this work, we propose a novel deep-learning (DL) technique to classify the categories of Gastrointestinal Diseases from Wireless Capsule Endoscopy (WCE) images.It has five steps to evaluate.Initially, utilizing the mean filter to remove the noise from given input images.Then extract the features such as shape and position from wireless capsule endoscopy images using the DenseNet-121 technique.To select the features, we utilize the Enhanced Whale Optimization Algorithm (EWOA).Finally, to classify the eight classes of gastrointestinal diseases, we propose a SE-ResNet technique to classify the GI diseases into Ulcerative-colitis, Normal-cecum, Dyed-resection-margins, Esophagitis, Normal-pylorus, Dyed-lifted-polyps, Normal-z-line, Polyps categories with Bald Eagle Search optimization technique to get better accuracy of classification outcomes.In our experiments, we used the Kvasir v2 dataset, and the experiments performed well in terms of recall, precision, accuracy, and f1-score.The performance of the classification technique achieves 99.66% accuracy.The proposed method detects GI disorders on WCE images better than "state-ofthe-art" methods while also classifying the items.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».