Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   3 ,  June   2020,  pp. 2 98 6 ~ 2996   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 3 . pp2986 - 29 96          2986       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Decomp osition o f color w avelet  with highe r order  statisti cal   textur e an d convolutional  neural n etwork f eatur es  s et based  classific ation o f c olorectal  polyps f ro m  video end osc opy       A.   S. M.  Shafi , Mohamm ad  Motiur  R ah m an   Depa rtment  o f  C om pute r  Scie n ce a nd  Engi n ee rin g,   Mawla n a  Bh a shani  Sci enc e   an d  Technol og y   U nive rsit y ,   Bang l ade sh       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A pr   21, 201 9   Re vised N ov 25, 2 019   Accepte d Dec  1,   2019     Gastroint esti n al   ca nc er  is  one  of  the   leading  ca us es  of  dea th  a cro s s  the   world.   The   gastro intestina l  po l y ps  are  conside red   as  th e  pre cur sors   of  deve lop ing   thi s  m al igna nt  c anc er .   In  orde r  t o  conde nse  the   proba bil i t y   of  c anc er ,   e ar l y   det e ct ion  and  r e m oval   of   col ore ct a l  pol y ps  ca n  be  cogi t at ed .   Th e  m ost  used   dia gnostic   m odal ity   for  col o r ec t al   pol y ps  is  vide o  endosc op y ,   b ut   the   accurac y   of   dia gnosis  m ost l y   de pends  on  doct ors'   expe ri e nce   that  is   cru cial  to  d et e ct  pol y ps  in  m an y   c ase s.  Com pute r - a ide d  pol y p  det e ct ion  is   prom ising  to  red uce   the   m iss  d et e ct ion  ra te   of  the   pol y p  and  t hus  improve     the   accurac y   of  dia gnosis  result s.  The   proposed  m et hod  first  det ec ts  po l y p   and  non - pol y p  t hen  il lustrates  a n  aut om at ic   pol y p  class ifi c at ion   te chni qu e   from   endosc opic   vide o  th rough   col or  wave let  with  highe r - ord er  stat isti cal  te xtur e  feature   a nd  Convolut ional  Neura l  Ne twork  (CNN ).   Gra y   Le ve l  Run   Le ngth  Ma tri x  ( GLRLM)  is  use d  for  highe r - ord er  statistical  te xt ure   fe at ur e s   of  diffe ren t  dir ec t ions  ( Ɵ = 0 0 ,  45 0 ,   90 0 ,   135 0 ).     The   fea tur es  are   fed     int o  a  l inear  support  vec tor   m ac hine   (SV M)  to  tra in  t he  class ifi er .     The   expe r iment al   result   demo nstrat es  that  t he  proposed  appr oac h  is  auspic ious  and  o per ative  with  res idua l  ne twork  ar chi t ec tur e,   whi c h  tri um phs   the   best  p erf or m anc e  of  a cc ur acy ,   s ensit ivit y ,   and  spec i ficit y  of  98. 83% ,   97. 87%,   and  99 . 13%  respe c ti v ely   fo r  c la ss ifica t i on  of  co lorect a l   pol y ps  on  standa rd  pub li c   endosc opic vi d e o  databa ses.   Ke yw or d s :   Color ect al  ca nc er   Conv olu ti onal   neural  netw ork   Gastr oin te sti na l l esi on s    Run l en gth   m at rix   Suppor t  v ect or m achine   Vide o  e ndos c opy   Wav el et   Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   A.   S.  M.  S haf i,     Dep a rtm ent o f C om pu te r  Scie nce a nd E ng i ne erin g,   Ma wlana B has han i   Scie nce  a nd Tec hnology  Unive rsity ,   Santosh , Ta ngai l - 1902, Ba ngla desh.   Em a il :  sh afi.cs e.m bs tu1 1@g m ai l.co m       1.   INTROD U CTION     Color ect al   ca nc er  or   bowel  i s  the  sec ond  m os t  pr om inent  cause  of  ca nc er  in   w om en  and  the  t hir d  m os t  le ading   c ause  i n  m en  [ 1].  Althou gh  c olorect al   poly ps   a re  foreru nners   to   col or e ct al   cancer ,  f or  thes e   po ly ps  it   ta kes  sever al   ye ars  to  pote ntial ly   t ran s f or m   into  cancer  [2 ] ,  whic h  m a y  dev el op   if  t hese  pol yps  ar e   le ft  un treat e d.   Ma j or  ty pes  of   color ect al   pol yps  are  ade no m as,  hyperplas ti c  and   serated .   If   early   detect ion   a n d  cl assifi cat ion   of  these   po ly ps  is  possible,   the y  can  be  rem ov ed   be f or e   this   transm issi on   arises.  Seve ral   te sts   are  rec omm end ed  i n  al l  colon   ca ncer   sc re enin g  guideli ne s,  pa rtic ularly   vid e o  en dosc op y  a nd   fecal  occu lt   blood  te sti ng.  W it hin  the  U ni te d  Stat es,  vide o  e ndos c opy  is  the  m os t  co m m on ly   util ized   te st  a nd  s houl d  be   perform ed  eve ry  10   ye a rs   in  aver a ge - risk  pe rsons.   D ur i ng  an  en dosco py,   a  long,  fle xib l e  tub e  ( col onosc ope)   is  inserted   into   the  bo dy.  A  ti ny  vi deo   c am e ra  at   the  ti p  of   the  tu be  al lo ws  the   doct or  to  vie w  the  i nsi de  of     the  entire   col on  to   detect   a nd  rem ov e  a  po ly p.   Disti nguis hin g  f ro m   low - ri sk   po ly ps  wit h  high - risk  col orect al  po ly ps  is  a n  i m po rtant  pa rt   of  c olorect al   cance r  sc ree ning  th r ough  the  de te ct ion   and  hist op at holog ic al   char act e rizat ion   of  col or ect al   poly ps .   T he  ge ner at io n  of  s uc h  a   ty pical   en do s co py  vid e o  procee ds  f or  a   lo n g  per i od.  For  ba ck - to - back   e ndos c opy,  it   i s  so   tough   f or  an  en do sc opist   to  exam i ne  it   with  su ff ic ie nt   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Decom po sit io n of c olo r  wavel et  wi th h ig her   or de r statist ic al  text ur e …  ( A.  S.   M.  Shafi )   2987   at te ntiveness  duri ng   s uch   a  long  pe rio d,   as   it   is  an  op era tor - de pende nt  proce dure.  T he   accuracy  of  su c h    a  chall eng in g  diag nosis  dep e nd s  on   a  qual ifie d  ph ysi ci an.  Ther e  is  a  lar ge  de gree  of   var ia bili ty   fo r  ho w     the  physi ci an  char act e rizes  a nd  dia gnos e  t hese  po ly ps,  a s  not  al l  po ly ps   hav e   sam e   m a li gn ant  in f lun ce.     As  an  exam ple,  serr at ed  po ly ps   can  pote ntia ll y  dev el op   m or e  aggressi vely   into  color ect al   cancer   as  com par e d  to  oth e r  colo re ct al   po ly ps ,  be cause  of  the  serr at ed  path wa y  in  tu m or igen esi s  [3 ] .  The re   are  on ly   co nsi ste nt  pr e vaili ng   m et hods   f or   diagnosi ng   se rr at ed  poly ps   is  histo path ologica l  char act eri zat ion   beca use   oth e r   screeni ng   m eth ods  de sig ned  to  det ect   pr em al ign ant  le sion s  (su c h  as  fecal  blood,  f ecal   DN A ,  or  virtu al   colo nosco py)   and  are   not  well   m at ched   f or  dif fer e nt ia ti ng   se rr at ed   poly ps   from   othe r  poly ps  [ 4].     The  chall en ging task  f or  a do ct or  is to d if fere ntiat e b et wee n  a serr at e d  po ly ps  an d hyper plasti c p olyps . Th is i s   because   hype r plasti c  po ly ps  of te n  la ck  t he  dysp la sti c   nu cl ear  c hanges  that  chara ct erize  conve ntion al   adenom as  po ly p,   an d  their   histop at ho l ogic al   diagnosis   of   hy perplas ti c  po ly ps   is  entirel y  based   on   m or phologica l  featur es ,  su c h  as  s err at io n,   dilat at ion ,  an d  br a nch i ng   a nd  oft en  la ck  t he  dys plasti c  nu cl ea r   changes  that  de pict co nventio nal ad e nom as p olyp s [5].   In   t he  fiel d  of   arti fici al   intel lig ence ,  c onvolu ti on al   ne ural   ne twork  m od el s   ha ve  been  pro po s ed  a nd   app li ed   f or  co m pu te r - ai de d  p olyp   detect io n  a nd  cl assifi c at ion   syst em .  Color  wa velet   cov a riance   (C WC)  of  diff e re nt  colo r   bands  base d  on   t he  co va riance  of   sec ond - orde r  te x t ual  m easur es  hav e  bee n  use d  t o   the  detect ion   of   tum or s  in   colo no sc opic   vid e o  with  a  sp eci fici ty   and   se ns it ivit y  of   97%  a nd  90%   resp ect ively   [ 6] .  In te ll igent  proces sin g  te ch niques  of  S V Ms  and   c olor - t extu re  analy sis   m et ho dolo gies  hav e   been  pr opos e d  in  t heir  c ons ecuti ve  w ork  for  a uto m at ic   detect ion  of  ga stroin te sti nal  adenom as  in  vid e o  endosc opy  ha vi ng   the   accu rac y  of  9 4 %   [ 7].  94. 20%  accu rac y  was  obta ine d  with  the  c om bin at ion  o f  c ol or  an d  sh a pe  featu res  to  recog nize  intest inal  po ly p  from   capsu le   endosc opy  as  a  cl assifi er  of   m ulti la ye r  per ce ptr on   (MLP)  [ 8].  A  deep   c onvoluti on al   ne ural   network - base d  cl assifi cat ion   f or   dig es ti ve  orga ns   in  wireless  caps ule  endosc opy  im a ges  was  co ns id ered  in  Y.  Z ou  et   al.   [ 9].  A  tr ai nab le   featu re   extract or  ba se d  on  a  c onvolu ti on al   neural  netw ork   is  util iz ed   f or  le sion  detect ion  f r om   end os cop y   im ages  in  R.   Z hu  et   al.   [ 10] .  In  pa pe r  [ 11]   CNN   feat ur es   hav e   been  pr opose d  f or  the   a uto m at ed  cl assifi cat ion   of  col on ic   m uco sa  f or  col on  poly p  sta ging  in  the  co ntex t  of   colo n  ca ncer   sc reen i ng  with  a  sen sit ivit y  of   95 . 16%  an d  sp e ci fici ty   of   74.19%.     The  CN N - de ri ved   featu res  s how  gr eat e r  inv a riance  t o  viewin g   a ngle s  an d  im age  q ualit y  facto rs   wh e n  com par ed  t o  t he  ei gen im age  m od el   [12].  Color  wa velet   (C W)   featu re s  an d  c onvolu ti on al   neural  ne twork   featur e s  of   vide o  f ram es  are  extracte d  an d  c om bin ed  wh ic h  ar e  use d  to  tr ai n  a  li nea r  s uppo rt  vect or   m achine ,   gaining   accu ra cy   of  98. 65%,   sensiti vity   of  98.79%   an d  s pecifici ty   of  98. 52%  [ 13] .  A uthors  [ 14]   en han ce d  autom at ic   po ly p  de te ct ion   a ccur acy   by  util iz ing   fe at ur e   fu si on  ( wa velet ,  local   bin a ry  patte r n,  an d  Ga bo r   featur e s)  a nd   m ul ti ple  cl assif ie r  te ch niques .  They  ac hi ev ed  80%  tr ue  posit ive  rate  by  inco rpor at in g  local   bin a ry  patte r n  an d  wav el et   featur e s.  A uthors  [ 15 ]   reli es  on  a  faster   r egio n - base d  c onvoluti onal   ne ur al   netw ork  (F ast e r  R - C NN)  m odel   for  poly ps’  detect ion   i n  e ndosc opic   vi deos.  Ta j ba khsh  et .  al.   [ 16 ]   f oc use d  on  a  novel  vote   accum ulati on   schem e  fo r  det ect ing   col on ic   po ly ps   that  e nab le   poly p  de te ct ion   from   par ti al ly  identifie d  bounda ries  of   po l yps.  H ow e ve r,  sever al   novel   te chn ol og ie s  are  em erg ing   within  the  fiel d  of  endolum inal  i m aging   a nd   c onf ocal  la ser  endom ic ro sco py   to  per f or m   t he  i m aging   of  the  color ect al   area,   the  nu m ber   of  com pu te r - ai de d  decisi on  sup port  syst e m   (C ADSS)   relat ed   to  color ect al   po ly ps’  cl assif ic at ion  is  sti l l  lim it ed.   Hen ce ,  the  m ai n  con trib ut ion   of   this  pa per   is  to  effe ct ively   us e  m achine  le arni ng   to   su ccess fu ll y  de te ct   and   cl assify   color ect al   po ly ps   pr ese nted  in  en dos cop y  vi deo.  Howe ver,  the   oth er   intenti ons  of  t hi s p a per  i nclu de  the  fo ll owin gs:     A  novel  intel li gen t  a ppr oac h  util iz ing   hi ghe r - order  sta ti stical   te xtu re   fea ture  on  the  col or   wa velet   an d  conv olu ti onal   neural  netw ork  learne d from  v ideo  e ndosc op y datase t.     The  pro posed   appr oach  is  fa vora ble  an d  e f fecti ve,   w hich   achiev es  the   best  perform a nce  of  accu rac y,  com par e to  only  CNN   featu re - base d  m et ho d.     Dr ast ic al ly   reducin g  the  nece ssary  tim e  fo r  a  qu al ifie d  physi ci an  to  exam i ne  the  entire  e ndos c opy  vid e o,   by in dicat ing c olorect al  poly ps an d/or cla ssif y t hem .   The  rest  of  t he  pap e r  is  orga nized   as  f ollows:   sect io n  2  descr i bes   the  arc hitec ture  a nd  m et ho ds  of     the  propose d  syst e m .  Sect io n  3  d eal s  wit h  the  analy zi ng  of   e xp e rim e ntal  resu lt s.  Finall y,  discuss i on   of    the r es ults as  w el l as the c on cl us io ns   of this  s tud y i s s umm a rized i n  sect io ns 4 a nd  5 res pe ct ively .       2.   SY STE M A R CHI TE CT U R E   The  im ple m entat ion   of  the   pr opos e d  syst em   is  base d  on  MATL AB  20 17b  that  ca n  acce pt  sta nda r d  vid e o  file s  of   diff e re nt  f or m a ts  su ch   as  A V I ,  MP4 ,  an d  W VM  as  in put  and   pro duce  out pu ts  with  a  cl a ssifie d  po ly p  i n  the  vi deo   fram e  sequ ence .  Wh e n  e ndos c opy  vid e o  is   fe d  int o  th e  pro po se d  sys tem ,  it   utilizes  colo r   wav el et   with  higher - or der   s ta ti sti ca l  te xtu re  i m age  featur es  a nd   c onvoluti onal   ne ural   network   fe at ur es.     The  f us io n  of  al l  the  featur e s  is  incorporat ed  into  S VMs   to  achieve  im pro ved   detect ion   a nd   cl assifi cat ion       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020 :   29 8 6   -   299 6   2988   accuracy.   The r e  are  five  sta ge s  of  this  sect io n  nam ely  the  acqu isi ti on  of   vi deo  en dosco py   with  norm al   lesio ns  and  d if fer e nt  ty pes  of  col or ec ta l  po ly ps , p re - processi ng,  fea ture  e xtracti on,   cl assifi cat ion , an d  post - proce ssing  m od ule as s hown in Fi gure   1.           Figure  1 .  A fra m ewo r k of t he pr opos e d  a ppr oach       2.1.    Ac quisi ti on   of v i deo en do sc opy    The  a vaila bili ty   of   en dosc op y  dataset s  is  an  im po rtant  issue  for   this  pur po s e .  H ow e ver,    the  perf or m a nce  of  any  Com pu te r - ai de d  desi gn   (CAD)  syst em   dep e nds  on  the  trai ning  da ta set ,     this  pro pose d  syst e m   util i zes  m or e  tha n  86  sta nda r d  e ndos c opy  vid e os  f ro m   dif fer e nt  s ources .     Sam ple  dataset   of  dif fere nt  poly p  cl as ses  an d  nor m al   le sion   a re  s how n  in   Fig ur e   2.  Most  of     the  en do sc op y  vid eo  em brace   color e ct al   po ly ps   a nd   on ly   sm all  par t  of  the  e ndos c opy  vide o  are    associat ed  with  the  norm al   colo n.   Im po rta nt  sourc es  of  the  data base  i nclu de  Dep a rtm ent  of   Ele ct r on ic s ,   Un i ver sit y  of  Alcal a  ( http:/ / www.de peca. ua h. es/ c olono sc op y _d at aset / )  [17],  E ndos c opic   Visio n  C ha ll eng e  ( https:/ /p olyp. gran d - c halle nge .org / databases/ )  [ 18 ] .  Ta ble   1  sho ws  th e  dataset   col le ct ed  from   vid e o  endosc opy.  F or  our  ex per im e nt,  we   ha ve  e xt racted  4,2 16  f ram es  fr om   end osc opy  vi deo,  w hich  c onsis ts  of    3,162 c olorect al  p olyp s,  a nd  1,054 n or m al  f ram es.               (a)   (b)   (c)   (d)     Figure  2. Sam ple d at aset : (a)  hy perplast ic  poly ps , (b )  a de nom as p olyps ,    (c)   ser rated  poly ps , a nd (d ) norm al  les ion   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Decom po sit io n of c olo r  wavel et  wi th h ig her   or de r statist ic al  text ur e …  ( A.  S.   M.  Shafi )   2989   Table  1.   O ur   da ta set : t he  distr ibu ti on  of col orect al  poly p  ty pes  i n  the  pre - processe d  im a ge fram e    us e d  in  our p r opose d sy ste m   Co lo recta l  p o ly p s’  ty p e   Sh o rt - f o r m   Nu m b e r  o f  end o sco p y  vid eo   Size of  vid eo  end o sco p y  ( MB )   Hy p erplast ic  po ly p s   Hp   21   4 0 .8   Ad en o m as  po ly p s   Ad   40   126   Serr at ed  po ly p s   Sr   15   3 6 .4   No r m al  lesio n   -   10   3 2 .6   Total   -   86   2 3 5 .8   8 0 %  (3,3 7 2   v i d eo   f ra m e)  o f   th is  d ataset  was  u sed   f o r  tr ain in g ,  wh ile  th e   re m ain in g   2 0 %  (8 4 4   v id e o   f ra m es,  2 1 1   f rom   ea ch   class )  was  u sed  f o r  v alid atio n .       2.2.    Pre - proc essing m odul e     En do sc opy  vide o  is  loade d  in   the  com pu te r  to  fin d  possi ble  cat ego ries  of  color ect al   pol yps  that  ca n  pro du ce  t he  r unni ng   seq ue nc e  of   sti ll   i m ag es  cal le d  f ram e  us in g  the   pr opos e d  intel li ge nt  syst em .  Or iginal  vid e o  f ram e  a s  sh ow n  in  Fi gure  3(a)  with   su pe rf l uous   r egio ns   are  dis card e d  res ulti ng  in  a  pre - pro cessed  fr am e  as  sh own  in  Fig ur e  3( b)  in  order   to  e xc lusio n  of   ir releva nt  te xtua l  inf or m at ion ,  suc h  as  patie nt’s  nam e,   date of  birth a nd ti m e o f  the e xam inati on .           (a)   (b)     Figure  3. Pr e - proces sin g: ( a ) or i gin al   vid e o fr am e and   ( b)   pr e - pr ocesse d  f ram e       2.3.  Fea tu re e xt r act i on   mo d ule    A  sli ding   wind ow   of   us e r - de fined   siz e  a nd  sli din g  ste p  is  sli ded   over  t he  pr e - proce ssed  vi deo   fr am es  to  ge ner at e  s m al l  i m ages  cal le d  window  as  show n  in  F igure  4.   De pe nd i ng   on  the  siz e,  dim ension s,  a nd  sli din g st ep, ea ch win dow p rodu ce s a  num ber   of   featu re  vec tors.           Figure  4. Feat ure e xtracti on te chn i qu e       2.3.1 .   Higher   order  st at is tics o n  the w avel et dom ain  as   gr ay sc ale t e xture fe atures   Mult iresolutio n   analy sis  of   an  i m age  is  achieve d  by  usi ng   a  disc rete  wav el et   trans form   fo r  ou r   pro po se d  f ram ewor k  as  the  s iz e  of   the  poly p  va ries.  T he  m os t  relevan t  t extu re  inf or m at ion   oft en  a ppears  i n  m idd le - f reque ncy  cha nn el s  [ 19 ] .  Te xture  pro vid es  i nfor m at ion   ab out  th e  sp at ia l  arr an gem ent  of   col or s  or   intensit ie s  in  a n  im age  that  he lps  im age  seg m entat ion   a nd  cl assifi cat ion .  Wav el et s  pe rfor m   well   for  t extu re   analy sis.  The  de com po sit ion   of   the  wav el et   trans form   pr ovides  sp at ia l/ fr e qu e ncy  re pr ese ntati on   f ro m   ori gin al   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020 :   29 8 6   -   299 6   2990   i m ag es  w her e   eve ry  sub - im age  preser ve s  both   local   an d  global  inf or m at ion   of   a  s pecific  s cal e  an d  or ie ntati on .  W hen   deco m po si ti on   le vel  decre ases  in  the  spa ti al   do m ai n,   it  increases  in  th e  fr eq ue ncy  dom ai n  pro vid in g  z oo m ing   ca pab il it ie s  an d  l ocal  c har act erizat i on   of  the   im age  [6 ] .  Since  m aj or  te xture  i nfo rm ation   pro du ce d  by  this  tra ns f or m at ion   do es  not  con ta in   in  the   low - f reque ncy  i m age  and  m os t  of  the  sub sta ntial  te xtu re  i nfor m at ion   of te n  lo ok s   as  if  i n  the  m idd le   fr e qu e ncy  c hann el ,  so   our  pro po s ed  a ppr oac h  use s    a d isc rete  wa ve le t t ran sf or m  ( D WT )  f or the   deco m po sit io n of t he fre quenc y do m ai n  of th e i m age.   A  tw o - dim ension al   (2 - D )  di screte  w avelet   trans f or m at ion   is  obta ined   by  ap plyi ng  t he  filt ering   consecuti vely   al ong  with  ver t ic al   and   horiz onta l  directi ons  (sep a ra ble  filt er  ba nk).   T his  fi lt ering   pr ocedu re  is  gr as pe d  by  c onvolvi ng  the   im age  with   a  high  pass   filt er  H  a nd  a  l ow  pa ss  filt er  L  wh ic h  pro du c e s     a  low - res olu ti on  im age  B 0 (k )  at   scal e  k  a nd  detai l  im ag es  D j ( k),  j   =  1,   2,   3,  at   sca le   k  as  descr i bed  by     the foll owin g  r ecur si ve [1 9]:     B 0 (k )  = {  L x   *  [  L y   *  B 0 (k - 1)] ↓ 2, 1 } ↓ 1,2.   D 1 ( k)  =  {  H x   * [ L y   *  B 0 (k - 1) ] ↓ 2, 1 } ↓ 1,2.   D 2 ( k)  =  {  H x   * [ H y   *  B 0 (k - 1)] ↓ 2, 1 } ↓ 1,2.   D 3 ( k)  =  { L x   *  [  H y   *  B 0 (k - 1)] ↓ 2, 1 } ↓ 1,2   (1)     wh e re   ar row  ( ↓)  denotes  the  s ub - sam pling   pr ocedu re,  the  as te risk  ( *)   is  the  convo l ution  operat or   an d  H  and   L  are the  tw o  filt ers fo r  al l k  =  1,   2, 3, .  . . . .  . , n.     In  this  pa per ,   the  gray   le vel  run  le ng t h  m atr ix  has   bee n  c on si der e d  f or  the  desc riptio n  of  hi gher - order   sta ti sti cal   te xtu re  feat ures  i m ple m ente d  withi n  the  de com po sed  s ub - i m ages.  A  r un - le ng th  m at rix  P  (i,  j)   for  a  giv e n  i m age  is  def ine d  by  the  sp eci fyi ng   directi on  of  0 0 ,   45 0 ,  90 0 , 135 0  a nd  the n  co un t  the  occ urre nce  of   a  run  for  eac h  gr ay   le vels  i  a nd  r un - le ngth   j   in  t his  di re ct ion .  We  c onsider  only   fou r  r un - le ngth   m at rix  featur e s  nam ely  Sh ort   Ru n  Lo w  G ray - Le vel  Em ph asi s  (S RLG E) ,  S hort  Run   High  Gr ay - Level  E m ph asi s   (S RH GE ),   Lo ng   Ru n  Lo w   Gr ay - Le vel  Em ph asi s  (LRLGE),  Lo ng  Run   High   Gr ay - Level  E m ph asi s   ( LRH GE )  [ 20] .      SRLGE = 1 n r ∑ ∑ P ( i , j ) i 2 . j 2 N j = 1 M i = 1   (2)     SRHGE =  1 n r ∑ ∑ P ( i , j ) . i 2 j 2 N j = 1 M i = 1 .   (3)     LRLGE =   1 n r ∑ ∑ P ( i , j ) . j 2 i 2 N j = 1 M i = 1 .   (4)     LRHG E =  1 n r ∑ ∑ P ( i , j ) . i 2 . j 2 N j = 1 M i = 1 .   (5)     wh e re  P( i, j )  is  the ru n - le ngt h m at rix  an d n r   i s the t otal n umber  of  runs.     2.3.2 .   Higher   order c olo r   w av el e t  c ovaria nce fe atures   In   our  pr opos e d  ap proac h  col or   te xt ur e  featur es  e xtracte d  by  us in g  D W T   for  the  dec ompo sit io n  of     the  f reque ncy  do m ai n  of  the  colo r  im age  are  est i m at ed  over  the  GLRL M.  The  i nput  i m age  is  dec om po sed   into th ree c olor  ch a nn el s :     I C i   , i =  1, 2,  3.   (6)     I n  this  w ork,   t he  fr am es  are  deco m po se d  at   le vel  3  us in g  Daubec hies  2  (db 2)   wa velet   fam i ly .  A  th re e - le vel   two  dim ension al   discrete   wav el et   tra ns f or m at ion   is   c on s eq ue ntly   app li ed   on  ea c h  col or   c hann el   ( I C i ),  pro du ci ng   a  l ow  res olu ti on  i m age  B i ( k ) ,     at   scal e  k  an d  t he  de ta il   i m ages  D i ( k ) ,  wh e re  i  =  1,  2,   3  an d    k  =  1, 2, .  . . . .  . ,9 acc ordin g  t o  the  w a velet   de com po sit ion   of (1 ).   Ther e f or e , we   have :     I C i   = { B i ( k ) , D i ( k ) }, i = 1,  2,   3  a nd k =  1,   2,  3,   . . . . .   . ,9 .   (7)     wh e re  k  is t he decom po sit io n l evel.   As  it   has  al r ea dy  bee n  no te d,  the  m os t  sign ific ant  te xt ua l  inform at ion   is  pr e sente d  in   the  m idd le  wav el et   detai le d  c hannels.   S o,   we  c onside r   only   the  detai l  i m ages  for  k  =  4,  5,  6.   S o,   t he  nin e  dif fer e nt    su b - im ages p r oduce d from  ( 7) for  t he values   k  =  4, 5,  6.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Decom po sit io n of c olo r  wavel et  wi th h ig her   or de r statist ic al  text ur e …  ( A.  S.   M.  Shafi )   2991   D i ( k ) ,    i = 1, 2 , 3 a nd  k  =  4, 5,  6.   (8)     Fo r   extracti ng  the  hi gh e r - order   sta ti sti cal   te xtu al   inf orm at ion ,  we  c onsider  run - le ng t h  m at rices  cal culat ed  ove r  the  ab ov e  nin e  dif fer e nt  sub - im ages.  The se  m at rices  ref le ct   the  sp at ia l   relat ion sh i p  be tween   m or e  than  two  pix el s  in  a  de finite   directi on .  Run - le ngth  m at rices  gen er at e  36   m at rice s  cal culat ed  from   fou r   diff e re nt d ir ect ion s  of inte ns it ie s r el at ion 0 0 ,   45 0 , 90 0 ,  and  135 0 .     R α { D i ( k ) } , i =  1,   2, 3.    k  =  4, 5,  6.  a nd α  = 0 0 , 45 0 ,  90 0 ,   135 0   (9)     Finall y,  the  four   run - le ng t h  m at rix  featur e s  nam ely  Sh or t  Run   L ow   Gray - Level  Em ph asi s,  S hort   Run   Hi gh   Gr a y - Level  Em ph asi s,  Long  Ru n  Lo w  Gr ay - L evel  Em ph asi s,  and   L ong  Run   High  Gr ay - Leve l   Em ph asi s ar e c al culat ed  f or e ach  36 m at rice s r es ulti ng in 1 44 w a velet  f eat ur es .     F m [ R α { D i ( k ) } ] ,   i =  1, 2,  3.    k  = 4 ,  5,  6,    α =  0 0 , 4 5 0 , 90 0 , 135 0  , a nd m  = 1 , 2, 3,  4.    (10)     wh e re m  is the  resp ect ive  ru n - le ng th  m at rix  f eat ur e.     2.3.3 .   C onvo lu tional ne ural  network  f e atu res   Conv olu ti onal   neural  netw ork  f eat ur e s  ar e  extracte d  from   each  wind ow  of  siz e  227  *  227.     A  co nvol utional   neural  net work,  a  hie rarc hical   neural  netw ork  is  th e  br a nc h  of  de ep  le ar ning,  can  be   com po sed  of   c onvoluti on  la ye rs,   poolin g  la ye rs,   recti fied  li near   u nit  (Re LU)   la ye rs ,  f ully   con necte d  la ye rs ,   and   lo ss  la ye rs.   In   a  sim ple  C NN   ar chite ct ur e,  a  Re ct ifie d  Linear  U nit  la ye r  fo ll ows  ea ch  co nvolu ti on  la ye r.   Af te r  eac h  co nvol ution  lay er, t her e is a  m ax - poolin g  la ye r.  Finall y, on e or  m or e fu ll y con nected lay ers,   wh ic h  can  be  at ta ined   after  on e  or  m or e  con volut ion   la ye rs.   A n  i m po rtant  cha r act erist ic   that  disti nguish e s  CNN  to   tradit ion al   m ul ti la ye r  per ceptron  (MLP )  m od el s  is  ta king  into  acco unt  the  structur e  of   the  im ages  wh il e  processi ng  the m .  Du e  to   f ul l  connecti vity   betwe en   the   la ye rs,   ML P   m od el s  suffe r  f r om   the  cu rse  of  dim ension al it y  thu s  do  no t  sc al e  well   to  hi gh - res olu ti on  im ages  an d  le ss   sensiti ve  to   po sit ion al   cha nge s .  [ 21 ]   In s pire   the  str uctu re  of  CNN   us ed  in  t his  pa per   c on ta in s  the  f ollow i ng   r epr ese ntati o n  as  sh ow n  in  Fig ur e  5 .  Table  2  ca n de scribe a bout t he  n e ur al   netw ork  arc hitec ture im ple m entat io n.           Figure  5.  A n  il lustrati on of t he  prop os ed  CN N  f eat ur e  ex t ra ct ion  m od ule       Table  2.  T he  stru ct ur e  of the  neural  netw ork use d  in  this  pa per   Lay e r  Ty p e   Di m en sio n s   Co n v o l u tio n   1 1  x 1 1   -   Pad d in g :  0   –   Stride  -   4   Max - p o o lin g   3  x 3   –   Stride: 2   Co n v o l u tio n   5  x 5   –   Pad d in g : 2  –   Stride: 2   Max - p o o lin g   3  x 3   -   Stride:  2   Co n v o l u tio n   3  x 3   Co n v o l u tio n   3  x 3   Co n v o l u tio n   3  x 3   Max - p o o lin g   3  x 3   -   Stride:  2   Fu lly  Co n n ected   4096   Fu lly  Co n n ected   4096   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020 :   29 8 6   -   299 6   2992   2.4 .     Cl as sific ati on mo dule   This   m od ule  ha nd le s  t he  cl as sific at ion   of   t he   featu re  vecto rs  int o  one  of  four  cl asses:   hy perplast ic ,  adenom as, ser r at ed  an d  norm al . F or  c om pu te r - ai de d hist opat ho lo gical   cl assifi cat ion   syst e m s,  m any classifier s   hav e   bee n  de ve lop e d  s uc h  as   li near   discrim inant  a naly sis  (LDA)  [ 6],  ne ur al   netw orks   [8 ] ,  a da ptive  ne uro - fu zzy   in fer e nc e  s yst e m   [2 2],  bin a ry  cl assifi er  [ 23 ] ,  an d  s upport  vector   m achine  ( SV M)  [ 13 ,  24,  25 ] .   In   this  pro pose d  syst e m ,  SV M  has  been   use d  for  bette r  pe rfor m ance  in  t he  case  of   a  la r ge  num ber   of   f eat ur es ,   trai ning,  a nd   s par se  data.  Dif fer e nt  ty pes  of   colo rectal   po l yps’  f ram es  are  extracte d  fro m   vid eo  e ndosc opy   that  operates  i n  tw o  m od es:   trai ning  a nd   te sti ng   m od es.   I n  trai ni ng  m od e,  dec om po sit ion  of  c olor  w avelet   with  G LRLM   and   C N N  feat ur es  a re  e xtrac te d  from   a  hyperplast ic ,  ade no m as,  serr at e d  an d  norm al   vid e o  fr am es.  The   in pu t  featu re  ve ct or   c onsist s  of  144  c olor  wa velet   featu res   and  40 96  CN N  featu res,   w hi ch  are   com bin ed  for   SV M  trai ning.   I n  the   te sti ng  m od e  of  ope ra ti on ,  t he  cl assi ficat ion   of  ne w  sam ples  is  e xtracted   from   un know n  vi deo   fr am es  base d  on  th e  util iz at ion   of  knowle dge  ga ine d  f ro m   t he  trai ni ng   sa m ples.   If   t he  unknow n  sam ple  is  cl assifi ed  as  hy perplast ic ,  ad eno m as  or  ser rated  poly ps   i t  go e s  to   the  po st - processi ng   m odule  ot herwise  a  new   s ubse qu e nt  unid entifi ed  vi de o  fr am e  co m e s  under   t he  featu r e   extracti on m odule.     2.5 .     P os t - pr oc essing  m odul e   The  outc om e  of   the  cl assifi cat ion   m od ule  is  us ed  to  a  pro du ce  new   vid e o  fr am e  on   whic h  po s sible   ty pes  of c olore ct al  p olyps  are   appr opriat el y l abeled.  An ill ust rati on   of this  te chn iq ue sh own  in Fi gure  6.       No r mal   Hp   Sr   Ad           (a)   (b)   (c)   (d)     Figure  6. P os t - processi ng m od ule: Sy ste m ’s  outp ut af te r   post - proces sin g: (a)  norm al  lesi o n,     (b) hype rp la sti c poly ps ,  ( c )  se rr at ed  poly ps,  and ( d) ade no m as p olyps       3.   RESU LT S   To  e valuate  t he  perform ance  of  the  pro pose d  m et ho d,  we  e xam ined  th ree  m et ri cs  pe r  cl ass:  sensiti vity   (S en),  sp eci fici ty   (S pe ),   a nd   acc ur acy   ( Acc).  Sens it ivit y  al so   cal le d  the  true  po sit ive  rate  re fer s  t o  the  abili ty   to  m easur e   the  pro portio n  of   act ual   posit ives  that  are  co rr e ct ly   identifie d  as   su c h.   Sp eci fici ty   r efers  to  the   tru e  negat i ve  rate,   m ea su ri ng  the   pro portio n  of  act ua l  ne gatives  t ha t  are  c orrectl y  identifie d  as   su c h.   Accuracy   is  der ive d  from   se ns it ivit y  and   sp eci fici ty   and   is  def ine d  as  the  su m   of   tru e  po sit ives  an d  false   po sit ives  di vide d  by  t he  tota l  nu m ber   of  e valuated   cases   (tru e   posit ive s  (TP),  tr ue  ne gatives  (TN),   false  po sit ives  (F P ),  and   false  ne ga ti ves  (F N ).   T welve  di ff e rent   per f or m ance  m et rics  wer e  use d  f or   cl assifi cat ion   pur po ses  (S e n,  Sp e,  an d  Ac c  for  each  one  of  the  4  cl asses  unde rstudy).  T he  final  co nfus ion   m at rice s  c an  be   seen  i n  Ta ble  3  a nd  the   pe rfor m ance  analy sis  with  res pe ct   to  Se n,  S pe ,  an d  Acc   sco res  ac ro s s  the   f our   diff e re nt  cl asses  is  sh own  in   Table  4.   I n  com par ison,  as  is  m anifested  in  Table  4,   th e  ou tc om es  ind ic at e    that  the  pro posed  m et ho d  ( Color   wa velet   +  CNN  +  G LRLM   +  SVM )  achieves  c om petit ive  per form ance    no t  only   f or  de te ct ing   po ly p  an d  non - poly p  bu t   al so   f or  cl assify ing  c olorect al   poly ps   c om par e  to   C N N   featur e - based  m et ho d.       Table  3.  C onf usi on m at rix  of   our pro po s ed  s yst e m  f or   dif fe ren t  kind  of po ly p  cl assifi cat ion   Actu al Class   Predicted  Class   Ad   Hp   No r m al  L esio n   Sr   Ad   197   6    0   8    Hp   2   209   0   0   No r m al  L esio n   0   0   211   0   Sr   2   0   0   209       Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Decom po sit io n of c olo r  wavel et  wi th h ig her   or de r statist ic al  text ur e …  ( A.  S.   M.  Shafi )   2993   Table  4.   Per for m ance an al ysi s  of  our pro po se d  m et ho d  i n  t he  4 - cl ass  prob l e m   Po ly p  T y p e   Metho d o lo g y   Sen sitiv ity   Sp ecif icity   Accurac y   Ad   CNN   8 9 .57   9 8 .73   9 6 .44   Prop o sed  M eth o d   9 3 .36   9 9 .37   9 7 .87   Hp   CNN   9 8 .10   9 8 .89   9 8 .69   Prop o sed  M eth o d   9 9 .05   9 9 .05   9 9 .05   No r m al  L esio n   CNN   9 9 .53   9 9 .52   9 9 .52   Prop o sed  M eth o d   100   100   100   Sr   CNN   9 7 .63   9 7 .78   9 7 .74   Prop o sed  M eth o d   9 9 .05   9 8 .10   9 8 .41       3.1 .     C ompari so n wi t h e xisti ng  m eth od s   Howe ver,  the  com par ison   with  existi ng   a ppro ac hes  ha s  be en  extrem el y  d ifficult   for  sev eral  reason s .   First,  the  wide ly   acce ptable  r esearch  pa pers   of   relat ed  to pi cs  at tem pt  to  exp la in   dif fer e nt  pro blem s:  po ly p  detect ion   [10,  12,  13]   com m on ly   us ing   c onvoluti on   ne ur al   net w ork  f eat ur es.  Seco nd,  e ven   if  t he   sa m e  pro blem   was  so lve d  by  th ose   m et ho ds ,  t her e  is   an   ent ire  la ck  of  op enly   acce ssibl e  co des.   We  com par e    the  m et ho ds   f ocused  on  the  cl assifi cat ion   of  gastr oin te sti na l  le sion s  in  vid eo  e ndos c opy  as  sh own  Ta bl e  5.    In ad diti on, th e  prop os ed  syst e m  is appraise d  al on gs ide  w it h  sta nd a rd d at a set .       Table  5.  C om par iso n  am on g  diff e re nt m et h od s   Au th o r   Used  M eth o d o lo g y   Used  Dataset   Res u lt   Sen sitiv ity   Sp ecif icity   Accurac y   Mus tain  Billah  et  a l.  [ 1 3 ]   Co lo r  wav elet +  C NN +  SVM   1 0 0  vid eo s    9 8 .65 %   9 8 .79 %   9 8 .52 %   Xi M o  et .  al .  [ 1 5 ]   Faster R  -   CN N   2 9  vid eo s   9 8 .1%       Rib eiro et al. [ 1 1 ]   CNN   1 0 0  i m ag es   9 5 .16 %   7 4 .19 %   9 0 .96 %   Alaa E l  Khatib  et .  al.  [ 1 4 ]   LBP +  W av ele t f eatu res   1 3  vid eo s    80%       Karkan is et al .  [ 6 ]   CWC +  L D A   60  v id eo s   97%   90%     Ni m a  T ajb ak h sh  et.  al.  [ 1 6 ]   Vo te acc u m u latio n  sch e m e   3 0 0  i m ag es   86%       Prop o sed   m e th o d   Co lo r  wav elet +  C NN +  GLR LM   + S VM   8 6  vid eo s    9 7 .87 %   9 9 .13 %   9 8 .83 %       3.2 .     C ompari so n wi t h hum an  e xp er ts   We  ha ve  co ns i der e d  the  diag no sti c  ef ficacy   of   hum an  experts  to  com pare  the  perform a nce  with  our   pro po se d  a ppr oach.  Alth ough  the  ra nge  of  ye ars  of   e xperi ence  pe rfo rm in g  en dosco pies  go e s  from   8  to  40   for   the  hum an  ex per t’ s  cat eg ory ,  seve ral  hu m an  issues  le ad   to   poly p  m isdete ct ion   a nd  m isc la ssifi cat ion .     The  le sio ns   wrongly  classi fied  by all  the  hum ans  are s how n  in Fi gure  7.   The  le sio ns  c orrectl y cl assifi ed  by all   hu m ans  an d  t he   best  m achine  le arn i ng   m od el ,  the  ones  wrongly   cl assifi ed  by  the  be st  m od el   an d  c or rectl y     by  al l  hu m ans,  and   t he  le sio ns  correct ly   cl assifi ed  by  the  best  m od el   an d  w r ongly  cl assifi ed  by  al l  hum ans     are  dis play ed  in  Fig ur es   8,   9  an d  10,  res pecti vely .  Tex t  include d  in  the  fig ur e s  shows  t he  le sio n  nam e    (‘Hp’, ‘ Ad’,   ‘Sr’, ‘ N’ re fer s  to  h yp e r plasti c, a denom as, ser ra te d,  a nd no rm a l l esi on   res pecti vely ).           N - 35   Hp - 2     Hp - 21     Figure  7. Lesi ons  wro ng ly  cla ssifie d by al l h um ans   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020 :   29 8 6   -   299 6   2994         Ad - 9   Hp - 14   Sr - 23         Hp - 25   Hp - 4   N - 19         Ad - 42   Ad - 66   Sr - 70           Sr - 67       Figure  8. Lesi ons  c orrectl y cl assifi ed by t he  prop os ed  m od el  and all  hum ans         Ad - 84     Hp - 21     Figure  9. Lesi ons  wro ng ly  cla ssifie d by    the pr opos e d m od el  b ut c orr ect ly  classi fied  by    al l hu m ans     Figure  10. Le sion s  c orrectl y cl assifi ed by    the pr opos e d m od el  b ut  wro ng ly  classi fie d by    al l hu m ans       4.   DISCU SSI ON   In  this  pap e r,  we  presente d  an d  dev el ope d  a  set   of  al gorithm s  fo r   com pu te r - ai de d  a uto m at i c   colo rectal   poly p  detect ion  an d  cl assifi cat io n  syst e m   from   vid eo  e ndosc op y.  Alth ough  t he   poly p  detect ion  an d  cl assifi cat ion   is  a  disputi ng   t ask  beca us e  of  it s  le gio n  fact or s  s uc h  as  th e  pr ese nce  of  trash  a nd  li qu i ds   an d  bubble s,  vi gnet ti ng   an d  dif fer e nt  ty pes  of   po ly p  s ha pe,   we  at te m pt  to  over whelm   this  pr oblem   by   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Decom po sit io n of c olo r  wavel et  wi th h ig her   or de r statist ic al  text ur e …  ( A.  S.   M.  Shafi )   2995   inco rpor at in g  bo t h  highe r - order   sta ti sti cal   t extu re  an d  co nvol ution al   neural  netw ork  fe at ur es.  We  ha ve   us ed     a  li near   SV M  for  cl assifi cat ion   s olu ti on  f or  it s  sta ble  resu lt s  and   faste r   trai nin g  inste ad  of   a  co nve ntion al  so ftm ax  loss  l ay er.  Her e,   th e  input  to   the   fu ll y  c onnect ed  la ye r  has  be e n  us e d  as  t he   input  to   the   SV M   cl assifi er.  As   there   are   se ver a l  kinds  of  im portant  lo w - le vel  featur e s,  we   co ns ide r  t hat  the   te xtu re   feat ur e   su it s  this  pa pe r  best.  W e   hav e   use d  higher - or der  sta ti sti cal   te xt ur e   desc ript or s   f or   featu re  e xt racti on   i ns te a d  of   s eco nd - or der   s ta ti sti cs   becau s e  hig he r - orde r  sta ti sti cs  determ ine  the  relat i on s hi p  betwee n  three o r  m or e  pix el s   wh e reas  sec ond - orde r  sta ti stics  exam ine  the   relat ion sh i p  be tween  tw o  pi xels.  The refo re ,  we  ha ve  co nsi der e d  D WT  an d  GL RLM   featu res  for  te xt ur e  rec ogniti on.  We  consi der  that  t he  CN N  featu r e  is  an oth e r  s ui ta ble   cho ic e  f or   f eat ur e  ext racti on   as  CNN  is  an  end - to - en d  le ar ning  process .  On   CN N,   we  pro vid e  the  dataset   an d  their  c orres pondin g  la bels,  t he   entire   proce ss  of  feat ur e   en gi neer i ng  is  done .  It  has   bot h  f e at ur e  e xtracti on  a nd  m achine  le ar nin g  i ns ide   it .  T he  propose d  sy stem   fo r  c olor ect al   po ly p’s  c la ssific at ion   s howe d  t hat  the  us e  of   colo r  wa velet   with  G LRL M  and   C NN   featur e s  achie ves  al m os t  hig h  sensiti vity   (97.8 7%)   a nd,   equ al ly   i m po rtantl y,  disp la ys  hi gh s pe ci fici ty  ( 99.13 %).       5.   CONCL US I O NS   A ND FUT UR E  WO RKS   In   t his  pap e r,  we  ta c kled  a   com plete   pipe li ne  f or   c ompu te r - ai de d  a ut om a ti c  color e ct al   po ly ps ’   detect ion   a nd   cl assifi cat ion   s yst e m   capab le   of   s upportin g  the  decisi on  of   a  m edical   per s on.  Its  ai m s   to   enh a nce  the  a bi li t y  of   an  e ndos c op ist   to  loc at e  color ect al   po ly ps  m or e  accuratel y  w hich  m ay   go   unde te ct ed   and   e volve  int o  m align ant  tu m or s.  The  syst e m   exp loit s  th e  higher - orde r  sta ti sti cal  te xtu re  featu re  cal culat ed   ov e r  th e  stre ngth  of  wav el et   f ram e  trans for m at ion   of  di ff e ren t  c olor  band s  an d  c onvolut ion al   neural  ne twork .    The  cl assifi cat i on w as  per for m ed  us i ng a lin ear S VM cla ssi fier.    The  re su lt s  of   the  exte ns ive  e xp e rim ental   st ud y  hav e  t o  le ad  us  to  t he  use   of   highe r - ord er  sta ti sti cal  te xtu re   feat ur e s  on  t he  wav el et   do m ai n  res ul ts  in  hi gh e r  cl assifi cat ion   ac cur acy   i n  te rm s  of  s pecifici ty   an d  sensiti vity .  Th e  pro po se d  G LRLM   perfor m s  s ign ific antl y  bette r  than  Gr ay   Le vel  Co - Occ urren ce  Ma trix   (G LCM )  f or   poly p  detect io n  as  the  Gr ay   Le vel  Run   L en gt h  Ma trix  pr ov i des  in form at io n  ab out  the  co nn ect e d  le ng th   of   a  part ic ular  pi xel  in   a  def init e  dire ct ion .   Co nvolut ion al   neural  ne tworks   are   a  s pecial   arc hitec ture   of   arti fici al   neu ra l  networ ks   that   hav e  bee n  wi dely   us e d  in  a uto m at ic   i m age  cl assifi cat ion  syst e m s  by  red u ci ng  le arn in g  c om plexity   with  s ha rin g  the  wei ghts  in  di ff e ren t  la ye rs.   T he  use   of  li near  S V M  kernel  po sit ively  aff ect s t he disc rim inati on   of nor m al  an d  a bn or m al  sa m ples.   Finall y,  we  m ay   con cl ude  t hat  the  ex pe rim ental   resu lt s  sh owe d  the  enh a nce d  pe rfor m ance   of    the  propose d  de te ct or   an d  cl assifi er,  com pared  to  oth e r  sta te - of - t he - a rt  detect or s.  I n  f utur e,  we  woul d  lik e  to   determ ine  a  m or e  robu st  c la ssific at ion   s chem e  based   on  vi deo  en dosc op y  fr am es  an d  wireless   caps ule   endosc opy  ( W CE)  with   a  bor der  ra nge  of  i m ages  con t ai nin g  col or ec ta l  po ly ps   of   dif fer e nt  qua li ti es.     We  w ou l d  li ke  to  add   an ot her   f unct ion al it y  that  facil itate s  the  i m pr ov em ent  (enh ancem ent)  of   vid e o  endosc opy by  app ly in g  th e s uper - res olu ti on t echn i qu e .       ACKN OWLE DGE MENTS     We  w ou l d  li ke  to  ackn owle dge  Prof .  Dr.  Md.  Zul fikar   Ali,  Pr ofess or   a nd  Head ,  De pt.  of  Me dicine ,   Khwa j a  Yun us  Ali  Me dical   C ollege  a nd  Ho s pital ,  Enayet pu r,   Sirajg onj ,   B ang la des h  f or  his  valua ble  s uppo rt,  su ggest io ns, a nd c on t rib ution  to the e val uation o f  t he   re su lt s.       REFERE NCE S     [1]   L. A.  Alex andr e ,   N.  Nobre,   J.  Caste l ei ro ,   “ Pol y p  Det ec t ion  in   Endoscope   Vi deos  Us ing  SVMs , ”   European   Confe renc e  on   P rinci ple s   and  Pr act i ce   o f  Know ledge  Discov ery   in   Databases,   pp .   358 - 36,   2007 .   [2]   W ong  NA ,   Hunt  LP,   Nove ll i   MR,  Shepher ed ,   W a rre n  BF ,   “ Obs er ver   agr ee m ent  in   the  dia gnosis  of   serra t ed  pol y ps   of  the l arg e   bowel , ”   Histopatho l ogy ,  vo l.  55 ,   no.   1,   pp .   63 - 6 ,   200 9.   [3]   Le gge tt   B ,   W hit ehall  V,  “ Rol e   of  the   ser rated   pat hwa y   in  co l ore ctal  ca nc er  p at hogen esis , ”   G astroente rology ,    vol.   138 ,   no .   6 ,   p p.   2088 - 100 ,   20 10.   [4]   Kahi  CJ,  “ How   does  the   serra t e d  pol y p  pa thwa y   a lt er  CRC  scr ee ning  and  surv ei llanc e ? , ”   Dige stive   Diseases  and   Sci en ce s ,  vol.  60 ,   no .   3 ,   pp .   773 - 80,   2015 .   [5]   Korbar  B,   Olofson AM,  Miraf lor  AP ,   Nicka   CM,  Suriawina t a  MA ,   Torr esa n i  L,   “ Dee p  le a rning  fo r  cl assificat ion  o f  col ore ct a l  po l y p s on  whole - slid e im age s , ”  J Pat h ol  Inform ,  vol. 1, no.  30,   pp.   1 - 17 ,   2017 .   [6]   S.  A.  Karka n is,  et   al . ,   “ Com pute r - ai ded   tumor  d et e ct ion   in  endo scopic   vid eo  usi ng  col or  w ave l e t  fe at ure s , ”   I EEE  Tr ansacti ons on I nformation  Tec hnology   in  B iomedi c ine ,   vol .   7 ,   n o.   3 ,   pp .   141 – 15 2,   2003 .   [7]   D.  K.  Iak ovidi s ,   et   al . ,   “ An  int el l ige nt  s y s te m   for  aut om at ic   det e ct ion  of  gas troi nte st ina l  adenom as  in  vide o   endosc op y , ” Co mputers i n  B iol o gy  and  M edicine ,   vol .   36 ,   no .   10 ,   pp.   1084 – 1 103 ,   200 5 .   Evaluation Warning : The document was created with Spire.PDF for Python.