論文の概要: YOLO-OB: An improved anchor-free real-time multiscale colon polyp detector in colonoscopy

• arxiv url: http://arxiv.org/abs/2312.08628v1
• Date: Thu, 14 Dec 2023 03:17:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-16 00:10:36.005836
• Title: YOLO-OB: An improved anchor-free real-time multiscale colon polyp detector in colonoscopy
• Title（参考訳）: YOLO-OB:大腸内視鏡におけるアンカーフリーリアルタイムマルチスケール大腸ポリープ検出装置の改良
• Authors: Xiao Yang, Enmin Song, Guangzhi Ma, Yunfeng Zhu, Dongming Yu, Bowen Ding, Xianyuan Wang
• Abstract要約: 大腸がんは2023年に米国で2番目に多いがん死の原因になると予想されている。 ディープニューラルネットワークは、ポリプの検出率を高める効果的な手段であることが証明されている。
• 参考スコア（独自算出の注目度）: 4.703565047693667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colon cancer is expected to become the second leading cause of cancer death in the United States in 2023. Although colonoscopy is one of the most effective methods for early prevention of colon cancer, up to 30% of polyps may be missed by endoscopists, thereby increasing patients' risk of developing colon cancer. Though deep neural networks have been proven to be an effective means of enhancing the detection rate of polyps. However, the variation of polyp size brings the following problems: (1) it is difficult to design an efficient and sufficient multi-scale feature fusion structure; (2) matching polyps of different sizes with fixed-size anchor boxes is a hard challenge. These problems reduce the performance of polyp detection and also lower the model's training and detection efficiency. To address these challenges, this paper proposes a new model called YOLO-OB. Specifically, we developed a bidirectional multiscale feature fusion structure, BiSPFPN, which could enhance the feature fusion capability across different depths of a CNN. We employed the ObjectBox detection head, which used a center-based anchor-free box regression strategy that could detect polyps of different sizes on feature maps of any scale. Experiments on the public dataset SUN and the self-collected colon polyp dataset Union demonstrated that the proposed model significantly improved various performance metrics of polyp detection, especially the recall rate. Compared to the state-of-the-art results on the public dataset SUN, the proposed method achieved a 6.73% increase on recall rate from 91.5% to 98.23%. Furthermore, our YOLO-OB was able to achieve real-time polyp detection at a speed of 39 frames per second using a RTX3090 graphics card. The implementation of this paper can be found here: https://github.com/seanyan62/YOLO-OB.
• Abstract（参考訳）: 大腸癌は2023年に米国で2番目に大きながんの死因になると予想されている。 大腸内視鏡は大腸癌の早期予防に最も有効な方法の1つであるが、内科医はポリープの最大30%を欠く可能性があるため、大腸癌の発症リスクが高くなる。 ディープニューラルネットワークはポリプの検出率を高める効果的な手段であることが証明されている。 しかし, ポリプサイズの変化は, 1) 効率的かつ十分なマルチスケールな特徴融合構造を設計することが困難であり, (2) 異なるサイズのポリプを固定サイズのアンカーボックスでマッチングすることは困難である。 これらの問題はポリープ検出の性能を低下させ、モデルのトレーニングと検出効率を低下させる。 これらの課題に対処するために, YOLO-OBと呼ばれる新しいモデルを提案する。 具体的には,CNNの異なる深さにまたがる機能融合能力を向上できる双方向多スケール機能融合構造BiSPFPNを開発した。 objectbox detection headは,様々なサイズのポリプを任意のスケールの機能マップ上で検出可能な,センターベースのアンカーフリーボックス回帰戦略を採用した。 公開データセットsunと自己収集型コロンポリープデータセット連合の実験により,提案モデルがポリープ検出,特にリコール率の様々な性能指標を著しく改善したことが示された。 公開データセットsunの最新の結果と比較すると、提案手法はリコール率を91.5%から98.23%に6.73%向上させた。 さらに,我々のYOLO-OBは,RTX3090グラフィックスカードを用いて,毎秒39フレームのリアルタイムポリープ検出を実現した。 本論文の実装は、https://github.com/seanyan62/yolo-ob。

関連論文リスト

• PolypDB: A Curated Multi-Center Dataset for Development of AI Algorithms in Colonoscopy [31.54817948734052]
  3934の静止ポリプ画像を含む大規模公開データセットであるPolypDBを紹介する。 このデータセットは10人の消化器科医によって開発され、検証されている。 8つの一般的なセグメンテーション法と6つの標準ベンチマークポリープ検出法を用いて、各モダリティのベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-08-19T05:36:01Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• RUPNet: Residual upsampling network for real-time polyp segmentation [2.6179759969345002]
  大腸ポリープ分割のための新しいアーキテクチャであるResidual Upsampling Network (RUPNet)を提案する。 画像サイズは512×512$で、提案手法は毎秒152.60フレームの優れたリアルタイム動作速度を実現する。
  論文  参考訳（メタデータ） (2023-01-06T20:21:37Z)
• BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations [79.17754846553866]
  我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。 実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。 提案手法は従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-12-07T07:45:50Z)
• TransResU-Net: Transformer based ResU-Net for Real-Time Colonoscopy Polyp Segmentation [1.9875031133911856]
  ポリープ,腺腫,進行腺腫の誤診率は高い。 深層学習に基づくコンピュータ支援診断システム(CADx)は、消化器科医が見逃される可能性のあるポリプを見つけるのに役立つかもしれない。 TransResU-Netはリアルタイムポリープ検出システムを構築するための強力なベンチマークになり得る。
  論文  参考訳（メタデータ） (2022-06-17T19:36:37Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
  大腸ポリープの発達は、がんの最も初期の兆候の1つである。 ポリープの早期検出と切除は生存率を90%に大きく向上させる。 大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
  論文  参考訳（メタデータ） (2021-10-17T09:31:20Z)
• Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
  臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。 既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。 大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
  論文  参考訳（メタデータ） (2021-08-11T07:54:07Z)
• AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation [0.0]
  本稿では、ロバストなResNeStバックボーンとアテンションゲートを用いて結合ユニセットを強化するAG-CUResNeStと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 提案手法は既存手法と比較して最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-05-02T06:36:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。