A capsule endoscopy abnormal detection system is used to classify the abnormal images in wireless capsule endoscopy videos. Wireless Capsule Endoscopy is a relatively new technology allowing doctor to view most of the small intestine. The research has been attempted to automatically find abnormal regions to reduce doctors' time needed to analyze the videos. The proposed system uses multi-resolution features, which is compatible with various disease sizes of capsule endoscopy. ICA, PCA and NMF are applied to four different window size based approach to extract the part-based and holistic feature representation of the abnormal pattern. The classification of abnormal windows for each resolution is carried out by means of a SVM classifier, and Single-Layer Perceptron combines the 4 SVM results. After that, feature extraction method with maximum performance is selected and frame based decision is brought out. The ROC curves are used to exhibit the true positive rate (sensitivity) versus false positive rate (1-specificity) of the classifier. The proposed algorithm shows high accuracy of abnormality detection with significant time reduction to inspect videos of WCE with a minimal loss of performance.
본 연구에서는, 캡슐 내시경 영상 정보를 이용하여 의료 영상을 정상과 비정상 그룹으로 분류하는 시스템을 제안하였다. 캡슐 내시경은 최근 발전중인 의료 기술로, 기존의 내시경 장비로 검진할 수 없는 영역까지 검진 가능하다는 장점이 있으나, 8시간동안 녹화된 동영상을 의사가 보고 검사 결과를 내기 위해서는 2시간 이상의 진료 시간을 필요로 한다. 따라서 이 연구는 자동으로 영상을 나누어 의사의 진료 시간을 줄여 주는 것에 그 목적이 있다. 캡슐에 포함된 LED를 조명 장치로, 작은 카메라로 촬영된 이미지는 움직이는 뱃속을 촬영하여 위치에 따라 빛의 양이 달라지기 때문에 사전영상처리단계가 필요하다. 또한 비정상 패턴을 추출하기 위한 단계 그리고 패턴을 정상과 비정상 그룹으로 나누는 총 세가지 단계를 통해 시스템을 구축할 수 있다. 본 연구에 사용된 이미지사전처리 방법으로는 광도보정, 색보정이 사용되었으며, RGB, RGBY 보색 색상 모델과 HSI 색상 모델을 사용하였다. 가공된 데이터는 PCA (Principal Component Analysis), ICA (Independent Component Analysis)와 NMF (Non-negative Factorization) 방법으로 패턴을 축출한 후 SVM (Support Vector Machine)으로 정상군과 비정상군으로 자동 분류된다. 여러가지 다른 패턴 축출기를 통해 얻어진 SVM 결과들은 SLP (Single-layer Perceptron)를 통해 하나의 결과로 종합되어 향상된 성능을 얻을 수 있다.
