Clasificación de Lesiones del Intestino Delgado en Imágenes de Endoscopia por Videocápsula Utilizando un Modelo Mejorado de Aprendizaje Profundo
DOI:
https://doi.org/10.17488/RMIB.46.SI-TAIH.1526Palabras clave:
red neuronal convolucional, aprendizaje profundo, lesiones del intestino delgado, sobremuestreo sintético, endoscopia con videocápsulaResumen
La endoscopia por videocápsula (VCE, por sus siglas en inglés) es un procedimiento no invasivo para diagnosticar lesiones del intestino delgado (SB). Durante los procedimientos de VCE, la cámara en miniatura captura miles de imágenes, lo que requiere mucho tiempo y esfuerzo por parte de los profesionales de la salud para examinar cada imagen en busca de anomalías. El objetivo de este estudio es desarrollar y evaluar un modelo modificado de red neuronal convolucional (CNN) DenseNet-201 para ayudar en la clasificación automática de las lesiones del intestino delgado en imágenes de VCE. Se creó un conjunto de datos representativo de 5,899 imágenes mediante la combinación de dos conjuntos de datos del estado del arte, incluyendo seis tipos de lesiones y una clase sin lesiones. Un método de sobremuestreo sintético generó 1,273 imágenes sintéticas para la clase infrarrepresentada. La calidad de las imágenes sintéticas se evaluó mediante métricas de textura. El experimento se llevó a cabo con un conjunto de 7.172 imágenes utilizando particiones de datos del 70 %, 15 % y 15 % para entrenamiento, validación y prueba, respectivamente, con una validación cruzada Monte Carlo para verificar la coherencia de los resultados experimentales. El modelo alcanzó una exactitud del 89.78 %, una precisión del 89.66 %, una sensibilidad del 89.69 %, una especificidad del 89.72 % y una puntuación F1 del 89.67 % en el conjunto de pruebas. El modelo CNN DenseNet-201 modificado podría ser una valiosa herramienta para diagnosticar afecciones del SB y mejorar los resultados de los pacientes.
Descargas
Citas
M. F. Lynch Mejia, “La cápsula endoscópica como estudio diagnóstico en gastroenterología,” Rev. Med. Sinerg., vol. 4, no. 4, pp. 18-25, 2019, doi: https://doi.org/10.31434/rms.v4i4.179
J. A. Urrego, W. O. Regino, and M. G. Zuleta, “Is the videocapsule endoscopy the best option for diagnosis of possible bleeding from the small intestine?,” Rev. Colomb. Gastroenterol., vol. 35, no. 2, pp. 196–206, 2020, doi: https://doi.org/10.22516/25007440.262
J. Melson et al., “Video capsule endoscopy,” Gastrointest. Endosc., vol. 93, no. 4, pp. 784–796, 2021, doi: https://doi.org/10.1016/J.GIE.2020.12.00
D. Marin-Santos, et. al., “Automatic detection of Crohn disease in wireless capsule endoscopic images using a deep convolutional neural network,” Appl. Intell., vol. 53, no. 10, pp. 12632–12646, 2022, doi: https://doi.org/10.1007/s10489-022-04146-3
E. Klang et al., “Automated detection of Crohn’s Disease intestinal strictures on capsule endoscopy images using deep neural networks,” J. Crohns Colitis, vol. 15, no. 5, pp. 749–756, 2021, art. no. 103638, doi: https://doi.org/10.1093/ecco-jcc/jjaa234
Ş. Öztürk and U. Özkaya, “Residual LSTM layered CNN for classification of gastrointestinal tract diseases,” J. Biomed. Inform., vol. 113, 2021, art. no. 103638, doi: https://doi.org/10.1016/j.jbi.2020.103638
T. Agrawal, R. Gupta, S. Sahu, and C. Espy-Wilson, “SCL-UMD at the medico task-mediaeval 2017: Transfer learning based classification of medical images,” in CEUR Workshop Proc., vol. 1984, Dublin, Ireland, 2017, pp. 3–5. [Online]. Available: https://ceur-ws.org/Vol-1984/Mediaeval_2017_paper_21.pdf
Y. Chang, Z. Huang, W. Chen and Q. Shen, “Gastrointestinal tract diseases detection with deep attention neural network,” in Proc. of the 27th ACM International Conference on Multimedia, New York, NY, US, 2019, pp. 2568–2572, doi: https://doi.org/10.1145/3343031.3356061
T. H. Hoang, et al., “An application of residual network and faster - RCNN for medico: Multimedia task at MediaEval 2018,” in CEUR Workshop Proc, vol. 2283, Sophia Antipolis, France, 2018, pp. 3–5. [Online]. Available: https://ceur-ws.org/Vol-2283/MediaEval_18_paper_11.pdf
Z. M. Lonseko et al., “Gastrointestinal Disease Classification in Endoscopic Images Using Attention-Guided Convolutional Neural Networks,” Appl. Sci., vol. 11, no. 23, 2021, art. no. 11136, doi: https://doi.org/10.3390/APP112311136
T. Rahim, M. A. Usman, and S. Y. Shin, “A survey on contemporary computer-aided tumor, polyp, and ulcer detection methods in wireless capsule endoscopy imaging,” Comput. Med. Imag. Graph., vol. 85, 2020, art. no. 101767, doi: https://doi.org/10.1016/J.COMPMEDIMAG.2020.101767
A. Caroppo, A. Leone, and P. Siciliano, “Deep transfer learning approaches for bleeding detection in endoscopy images,” Comput. Med. Imag.Graph., vol. 88, 2021, art. no. 101852, doi: https://doi.org/10.1016/J.COMPMEDIMAG.2020.101852
X. Wang et al., “Celiac disease diagnosis from videocapsule endoscopy images with residual learning and deep feature extraction,” Comput. Methods Programs Biomed., vol. 187, 2020, art. no. 105236, doi: https://doi.org/10.1016/J.CMPB.2019.105236
Y. Shin, et al., “Automatic Colon Polyp Detection Using Region Based Deep CNN and Post Learning Approaches,” IEEE Access, vol. 6, pp. 40950–40962, 2018, doi: https://doi.org/10.1109/ACCESS.2018.2856402
A. Nogueira-Rodríguez et al., “Deep Neural Networks approaches for detecting and classifying colorectal polyps,” Neurocomput., vol. 423, pp. 721–734, 2021, doi: https://doi.org/10.1016/J.NEUCOM.2020.02.123
M. Souaidi and M. El Ansari, “Multi-scale hybrid network for polyp detection in wireless capsule endoscopy and colonoscopy images,” Diagnostics, vol. 12, no. 8, 2022, art. no. 2030, doi: https://doi.org/10.3390/DIAGNOSTICS12082030
P. M. Vieira, et al., “Multi-pathology detection and lesion localization in WCE videos by using the instance segmentation approach,” Artif. Intell. Med., vol. 119, 2021, art. no. 102141, doi: https://doi.org/10.1016/j.artmed.2021.102141
F. Fonseca, B. Nunes, M. Salgado, and A. Cunha, “Abnormality classification in small datasets of capsule endoscopy images,” Procedia Comput. Sci., vol. 196, pp. 469–476, 2022, doi: https://doi.org/10.1016/J.PROCS.2021.12.038
S. Mahmood et al., “A robust deep model for classification of peptic ulcer and other digestive tract disorders using endoscopic images,” Biomedicines, vol. 10, no. 9, 2022, art. no. 2195, doi: https://doi.org/10.3390/BIOMEDICINES10092195
S. Jain et al., “A deep CNN model for anomaly detection and localization in wireless capsule endoscopy images,” Comput. Biol. Med., vol. 137, 2021, art. no. 104789, doi: https://doi.org/10.1016/j.compbiomed.2021.104789
Y. Ku, H. Ding, and G. Wang, “Efficient Synchronous real-time CADe for multicategory lesions in gastroscopy by using multiclass detection model,” Biomed. Res. Int., vol. 2022, 2022, art. no. 504149, doi: https://doi.org/10.1155/2022/8504149
P. H. Smedsrud et al., “Kvasir-Capsule, a video capsule endoscopy dataset,” Sci. Data, vol. 8, no. 1, 2021, art. no. 142, doi: https://doi.org/10.1038/s41597-021-00920-z
R. Vallée, et al., “CrohnIPI: An endoscopic image database for the evaluation of automatic Crohn’s disease lesions recognition algorithms,” in Proc. SPIE 11317, Medical Imaging 2020: Biomedical Applications in Molecular, Structural, and Functional Imaging, Houston, TX, US., 2020, pp. 440–446, doi: https://doi.org/10.1117/12.2543584
A. C. Bovik, “Chapter 3-Basic Gray Level Image Processing,” in The Essential Guide to Image Processing, 2nd. Ed., 2009, pp. 43–68, doi: https://doi.org/10.1016/B978-0-12-374457-9.00003-2
E. Mocsari and S. S. Stone, “Densely Connected Convolutional Networks,” 2017, arXiv:1608.06993, doi: https://doi.org/10.48550/arXiv.1608.06993
H. He, Y. Bai, E. A. Garcia, and S. Li, “ADASYN: Adaptive synthetic sampling approach for imbalanced learning,” in Proc. of the International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), Hong Kong, China, 2008, pp. 1322–1328, doi: https://doi.org/10.1109/IJCNN.2008.4633969
E. O. Cuevas-Rodriguez et al., “Comparative study of convolutional neural network architectures for gastrointestinal lesions classification,” PeerJ, vol. 11, 2023, art. no. e14806, doi: https://doi.org/10.7717/PEERJ.14806
T. Chauhan, H. Palivela, and S. Tiwari, “Optimization and fine-tuning of DenseNet model for classification of COVID-19 cases in medical imaging,” Int. J. Inf. Manag. Data Insights, vol. 1, no. 2, 2021, art. no. 100020, doi: https://doi.org/10.1016/J.JJIMEI.2021.100020
O. Russakovsky et al., “ImageNet large scale visual recognition challenge,” Int. J. Comput. Vis., vol. 115, no. 3, pp. 211–252, 2015, doi: https://doi.org/10.1007/s11263-015-0816-y
A. de Maissin et al., “Multi-expert annotation of Crohn’s disease images of the small bowel for automatic detection using a convolutional recurrent attention neural network,” Endosc. Int. Open, vol. 9, no. 7, pp. E1136–E1144, 2021, doi: https://doi.org/10.1055/A-1468-3964
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista Mexicana de Ingenieria Biomedica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Una vez que el artículo es aceptado para su publicación en la RMIB, se les solicitará al autor principal o de correspondencia que revisen y firman las cartas de cesión de derechos correspondientes para llevar a cabo la autorización para la publicación del artículo. En dicho documento se autoriza a la RMIB a publicar, en cualquier medio sin limitaciones y sin ningún costo. Los autores pueden reutilizar partes del artículo en otros documentos y reproducir parte o la totalidad para su uso personal siempre que se haga referencia bibliográfica al RMIB. No obstante, todo tipo de publicación fuera de las publicaciones académicas del autor correspondiente o para otro tipo de trabajos derivados y publicados necesitaran de un permiso escrito de la RMIB.
