Classification of Small Bowel Lesions in Video Capsule Endoscopy Images Using Enhanced Deep Learning Model.
Saved in:
| 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 |
Be the first to leave a comment!
