View in EDS PDF Full Text

Classification of Small Bowel Lesions in Video Capsule Endoscopy Images Using Enhanced Deep Learning Model.

Saved in:
Bibliographic Details
Title: Classification of Small Bowel Lesions in Video Capsule Endoscopy Images Using Enhanced Deep Learning Model.
Alternate Title: Clasificación de Lesiones del Intestino Delgado en Imágenes de Endoscopia por Videocápsula Utilizando un Modelo Mejorado de Aprendizaje Profundo.
Authors: Cuevas Rodríguez, Erik Orlando1, Galván-Tejada, Carlos Eric1 ericgalvan@uaz.edu.mx, Quintanar, Rafael Magallanes1, Galván Tejada, Jorge Issac1, Celaya Padilla, José María1, Delgado Contreras, Juan Rubén1
Source: Revista Mexicana de Ingeniería Biomédica. 2025 Special Issue, Vol. 46, p1-17. 17p.
Subjects: DEEP learning, CONVOLUTIONAL neural networks, IMAGE recognition (Computer vision), COMPUTER-assisted image analysis (Medicine), DATA augmentation, DUODENAL tumors, CAPSULE endoscopy
Abstract (English): Video capsule endoscopy (VCE) is a noninvasive procedure for diagnosing small bowel (SB) lesions. During VCE procedures, the miniature camera captures thousands of images, requiring considerable time and effort from healthcare professionals to examine each image for abnormalities. This study aims to develop and evaluate a modified DenseNet-201 convolutional neural network (CNN) model to assist in the automatic classification of SB lesions in VCE images. A representative dataset of 5,899 images was created by merging two state-of-the-art datasets, including six types of lesions and one class without lesions. A synthetic oversampling approach generated 1,273 synthetic images for the underrepresented class. Synthetic image quality was evaluated using texture metrics. The experiment was conducted on a set of 7,172 images using data partitions of 70 %, 15 %, and 15 % for training, validation, and testing, respectively, with a Monte Carlo cross-validation to verify the consistency of the experimental results. The model achieved an accuracy of 89.78 %, a precision of 89.66 %, a sensitivity of 89.69 %, a specificity of 89.72 %, and an F1 score of 89.67 % in the test set. The modified DenseNet-201 CNN model could be a valuable tool for diagnosing SB conditions and improving patient outcomes. [ABSTRACT FROM AUTHOR]
Abstract (Spanish): 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. [ABSTRACT FROM AUTHOR]
Copyright of Revista Mexicana de Ingeniería Biomédica is the property of Sociedad Mexicana de Ingenieria Biomedica, A.C. and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)
Database: MedicLatina
FullText Links:
  – Type: pdflink
Text:
  Availability: 0
Header DbId: lth
DbLabel: MedicLatina
An: 188286492
AccessLevel: 6
PubType: Academic Journal
PubTypeId: academicJournal
PreciseRelevancyScore: 0
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: Classification of Small Bowel Lesions in Video Capsule Endoscopy Images Using Enhanced Deep Learning Model.
– Name: TitleAlt
  Label: Alternate Title
  Group: TiAlt
  Data: Clasificación de Lesiones del Intestino Delgado en Imágenes de Endoscopia por Videocápsula Utilizando un Modelo Mejorado de Aprendizaje Profundo.
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Cuevas+Rodríguez%2C+Erik+Orlando%22">Cuevas Rodríguez, Erik Orlando</searchLink><relatesTo>1</relatesTo><br /><searchLink fieldCode="AR" term="%22Galván-Tejada%2C+Carlos+Eric%22">Galván-Tejada, Carlos Eric</searchLink><relatesTo>1</relatesTo><i> ericgalvan@uaz.edu.mx</i><br /><searchLink fieldCode="AR" term="%22Quintanar%2C+Rafael+Magallanes%22">Quintanar, Rafael Magallanes</searchLink><relatesTo>1</relatesTo><br /><searchLink fieldCode="AR" term="%22Galván+Tejada%2C+Jorge+Issac%22">Galván Tejada, Jorge Issac</searchLink><relatesTo>1</relatesTo><br /><searchLink fieldCode="AR" term="%22Celaya+Padilla%2C+José+María%22">Celaya Padilla, José María</searchLink><relatesTo>1</relatesTo><br /><searchLink fieldCode="AR" term="%22Delgado+Contreras%2C+Juan+Rubén%22">Delgado Contreras, Juan Rubén</searchLink><relatesTo>1</relatesTo>
– Name: TitleSource
  Label: Source
  Group: Src
  Data: <searchLink fieldCode="JN" term="%22Revista+Mexicana+de+Ingeniería+Biomédica%22">Revista Mexicana de Ingeniería Biomédica</searchLink>. 2025 Special Issue, Vol. 46, p1-17. 17p.
– Name: Subject
  Label: Subjects
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22DEEP+learning%22">DEEP learning</searchLink><br /><searchLink fieldCode="DE" term="%22CONVOLUTIONAL+neural+networks%22">CONVOLUTIONAL neural networks</searchLink><br /><searchLink fieldCode="DE" term="%22IMAGE+recognition+%28Computer+vision%29%22">IMAGE recognition (Computer vision)</searchLink><br /><searchLink fieldCode="DE" term="%22COMPUTER-assisted+image+analysis+%28Medicine%29%22">COMPUTER-assisted image analysis (Medicine)</searchLink><br /><searchLink fieldCode="DE" term="%22DATA+augmentation%22">DATA augmentation</searchLink><br /><searchLink fieldCode="DE" term="%22DUODENAL+tumors%22">DUODENAL tumors</searchLink><br /><searchLink fieldCode="DE" term="%22CAPSULE+endoscopy%22">CAPSULE endoscopy</searchLink>
– Name: Abstract
  Label: Abstract (English)
  Group: Ab
  Data: Video capsule endoscopy (VCE) is a noninvasive procedure for diagnosing small bowel (SB) lesions. During VCE procedures, the miniature camera captures thousands of images, requiring considerable time and effort from healthcare professionals to examine each image for abnormalities. This study aims to develop and evaluate a modified DenseNet-201 convolutional neural network (CNN) model to assist in the automatic classification of SB lesions in VCE images. A representative dataset of 5,899 images was created by merging two state-of-the-art datasets, including six types of lesions and one class without lesions. A synthetic oversampling approach generated 1,273 synthetic images for the underrepresented class. Synthetic image quality was evaluated using texture metrics. The experiment was conducted on a set of 7,172 images using data partitions of 70 %, 15 %, and 15 % for training, validation, and testing, respectively, with a Monte Carlo cross-validation to verify the consistency of the experimental results. The model achieved an accuracy of 89.78 %, a precision of 89.66 %, a sensitivity of 89.69 %, a specificity of 89.72 %, and an F1 score of 89.67 % in the test set. The modified DenseNet-201 CNN model could be a valuable tool for diagnosing SB conditions and improving patient outcomes. [ABSTRACT FROM AUTHOR]
– Name: Abstract
  Label: Abstract (Spanish)
  Group: Ab
  Data: 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. [ABSTRACT FROM AUTHOR]
– Name: AbstractSuppliedCopyright
  Label:
  Group: Ab
  Data: <i>Copyright of Revista Mexicana de Ingeniería Biomédica is the property of Sociedad Mexicana de Ingenieria Biomedica, A.C. and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract.</i> (Copyright applies to all Abstracts.)
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=lth&AN=188286492
RecordInfo BibRecord:
  BibEntity:
    Identifiers:
      – Type: doi
        Value: 10.17488/RMIB.46.SI-TAIH.1526
    Languages:
      – Code: eng
        Text: English
    PhysicalDescription:
      Pagination:
        PageCount: 17
        StartPage: 1
    Subjects:
      – SubjectFull: DEEP learning
        Type: general
      – SubjectFull: CONVOLUTIONAL neural networks
        Type: general
      – SubjectFull: IMAGE recognition (Computer vision)
        Type: general
      – SubjectFull: COMPUTER-assisted image analysis (Medicine)
        Type: general
      – SubjectFull: DATA augmentation
        Type: general
      – SubjectFull: DUODENAL tumors
        Type: general
      – SubjectFull: CAPSULE endoscopy
        Type: general
    Titles:
      – TitleFull: Classification of Small Bowel Lesions in Video Capsule Endoscopy Images Using Enhanced Deep Learning Model.
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Cuevas Rodríguez, Erik Orlando
      – PersonEntity:
          Name:
            NameFull: Galván-Tejada, Carlos Eric
      – PersonEntity:
          Name:
            NameFull: Quintanar, Rafael Magallanes
      – PersonEntity:
          Name:
            NameFull: Galván Tejada, Jorge Issac
      – PersonEntity:
          Name:
            NameFull: Celaya Padilla, José María
      – PersonEntity:
          Name:
            NameFull: Delgado Contreras, Juan Rubén
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 02
              M: 01
              Text: 2025 Special Issue
              Type: published
              Y: 2025
          Identifiers:
            – Type: issn-print
              Value: 01889532
          Numbering:
            – Type: volume
              Value: 46
          Titles:
            – TitleFull: Revista Mexicana de Ingeniería Biomédica
              Type: main
ResultId 1