Resumen

La cápsula endoscópica inalámbrica (WCE) es una potente herramienta para el diagnóstico de enfermedades gastrointestinales. El resultado de esta herramienta es un vídeo de unas ocho horas de duración que contiene unos 8.000 fotogramas. Es una tarea difícil para un médico revisar todos los fotogramas de vídeo. En este artículo, se propone un nuevo sistema de detección de anomalías para imágenes WCE. El sistema propuesto consta de cuatro pasos principales (1) preprocesamiento, (2) extracción de la región de interés (ROI), (3) extracción de características y (4) clasificación. En la extracción de la región de interés, primero se resaltan las áreas diferenciadas y se difuminan las áreas no diferenciadas utilizando la distribución normal conjunta; después, las áreas diferenciadas se extraen como un segmento de la región de interés teniendo en cuenta un umbral. La idea principal es extraer áreas anormales en cada fotograma. Por lo tanto, puede utilizarse para extraer diversas lesiones en imágenes WCE. En el paso de extracción de características, se emplean tres tipos diferentes de características (color, textura y forma). Por último, las características se clasifican utilizando la máquina de vectores de soporte. El sistema propuesto se probó con el conjunto de datos Kvasir-Capsule. El sistema propuesto puede detectar múltiples lesiones a partir de fotogramas de WCE con gran precisión.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:sistema, imágenes WCE, áreas diferenciadas, nuevo sistema de detección de anomalías, cápsula endoscópica inalámbrica, paso de extracción de características, distribución normal conjunta, máquina de vectores soporte, características, conjunto de datos de cápsula
• Keywords:system, WCE images, distinct areas, new abnormality detection system, Wireless capsule endoscopy, feature extraction step, joint normal distribution, support vector machine, features, Capsule dataset