Pit Pattern Classification in Colonoscopy using Wavelets - WaveLab

Contents
1 Introduction 1
1.1 Colonoscopy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Pit patterns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Computer based pit pattern classification . . . . . . . . . . . . . . . . . . . 5
2 Wavelets 7
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Continuous wavelet transform . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Discrete wavelet transform . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Filter based wavelet transform . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Pyramidal wavelet transform . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Wavelet packets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6.1 Basis selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6.1.1 Best-basis algorithm . . . . . . . . . . . . . . . . . . . . 15
2.6.1.2 Tree-structured wavelet transform . . . . . . . . . . . . . 17
2.6.1.3 Local discriminant bases . . . . . . . . . . . . . . . . . 18
3 Texture classification 23
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Feature extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.1 Wavelet based features . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.2 Other possible features for endoscopic classification . . . . . . . . 27
3.3 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1 k-NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.2 ANN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.3 SVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Automated pit pattern classification 35
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Classification based on features . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.1 Feature extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.1.1 Best-basis method (BB) . . . . . . . . . . . . . . . . . . 35
4.2.1.2 Best-basis centroids (BBCB) . . . . . . . . . . . . . . . 42
4.2.1.3 Pyramidal wavelet transform (WT) . . . . . . . . . . . . 42
4.2.1.4 Local discriminant bases (LDB) . . . . . . . . . . . . . . 43
4.3 Structure-based classification . . . . . . . . . . . . . . . . . . . . . . . . . 44
vii