論文の概要: Polyp detection in colonoscopy images using YOLOv11

• arxiv url: http://arxiv.org/abs/2501.09051v1
• Date: Wed, 15 Jan 2025 12:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:11:32.787790
• Title: Polyp detection in colonoscopy images using YOLOv11
• Title（参考訳）: YOLOv11を用いた大腸内視鏡像におけるポリープ検出
• Authors: Alok Ranjan Sahoo, Satya Sangram Sahoo, Pavan Chakraborty,
• Abstract要約: ディープラーニングモデルは、小さな特徴の一般化と学習の優位性により、ポリープ検出においてより有効であることが示されている。 YOLOはポリプ検出に成功している単一ステージモデルの1つである。 本研究の目的は,最近リリースされたYOLOv11がポリプの検出に有効であることを確かめることである。
• 参考スコア（独自算出の注目度）: 0.9558392439655012
• License:
• Abstract: Colorectal cancer (CRC) is one of the most commonly diagnosed cancers all over the world. It starts as a polyp in the inner lining of the colon. To prevent CRC, early polyp detection is required. Colonosopy is used for the inspection of the colon. Generally, the images taken by the camera placed at the tip of the endoscope are analyzed by the experts manually. Various traditional machine learning models have been used with the rise of machine learning. Recently, deep learning models have shown more effectiveness in polyp detection due to their superiority in generalizing and learning small features. These deep learning models for object detection can be segregated into two different types: single-stage and two-stage. Generally, two stage models have higher accuracy than single stage ones but the single stage models have low inference time. Hence, single stage models are easy to use for quick object detection. YOLO is one of the singlestage models used successfully for polyp detection. It has drawn the attention of researchers because of its lower inference time. The researchers have used Different versions of YOLO so far, and with each newer version, the accuracy of the model is increasing. This paper aims to see the effectiveness of the recently released YOLOv11 to detect polyp. We analyzed the performance for all five models of YOLOv11 (YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x) with Kvasir dataset for the training and testing. Two different versions of the dataset were used. The first consisted of the original dataset, and the other was created using augmentation techniques. The performance of all the models with these two versions of the dataset have been analysed.
• Abstract（参考訳）: 大腸癌 (CRC) は、世界で最も一般的に診断されているがんの1つである。 大腸内腔のポリープとして始まる。 CRCを防ぐには、早期ポリプ検出が必要である。 大腸内視鏡検査に用いられる。 一般に、内視鏡の先端に位置するカメラによって撮影された画像は、専門家によって手動で分析される。 機械学習の台頭とともに、さまざまな伝統的な機械学習モデルが使用されている。 近年のディープラーニングモデルでは,小型特徴の一般化と学習が優れているため,ポリプ検出の有効性が向上している。 これらの物体検出のためのディープラーニングモデルは、単一ステージと2ステージの2つのタイプに分離することができる。 一般に、2つのステージモデルはシングルステージモデルよりも精度が高いが、1つのステージモデルは低い推論時間を持つ。 したがって、単一ステージモデルは高速なオブジェクト検出に容易に利用できる。 YOLOはポリプ検出に成功している単一ステージモデルの1つである。 推論時間が短かったため、研究者の注意を引き付けている。 研究チームはこれまで、YOLOの異なるバージョンを使用してきたが、新しいバージョンではモデルの精度が向上している。 本研究の目的は,最近リリースされたYOLOv11がポリプの検出に有効であることを確かめることである。 我々は, YOLOv11の全5モデル(YOLO11n, YOLO11s, YOLO11m, YOLO11l, YOLO11x)に対して, Kvasirデータセットを用いてトレーニングとテストを行った。 データセットの2つの異なるバージョンが使用された。 1つは元のデータセットで構成され、もう1つは拡張技術を使って作成されました。 これら2つのバージョンのデータセットで、すべてのモデルのパフォーマンスが分析されている。

関連論文リスト

• Self-Prompting Polyp Segmentation in Colonoscopy using Hybrid Yolo-SAM 2 Model [18.61909523131399]
  本稿では,Segment Anything Model(SAM2)とYOLOv8モデルを統合することで,ポリプセグメンテーションの新たなアプローチを提案する。 本手法では,YOLOv8のバウンディングボックス予測を利用してSAM 2の入力プロンプトを自動生成することで,手動アノテーションの必要性を軽減している。 われわれは,5つのベンチマーク大腸内視鏡画像データセットと2つの大腸内視鏡ビデオデータセットの徹底的な試験を行い,この手法が画像分割タスクおよびビデオ分割タスクの最先端モデルを上回ることを示した。
  論文  参考訳（メタデータ） (2024-09-14T17:11:37Z)
• Global Context Modeling in YOLOv8 for Pediatric Wrist Fracture Detection [0.0]
  小児は日常的に手首を負傷することが多いが、骨折を負った放射線科医は手術前にX線画像を分析し解釈する必要がある。 ディープラーニングの開発により、ニューラルネットワークモデルはコンピュータ支援診断(CAD)ツールとして機能するようになった。 本稿では,GCブロックを用いたYOLOv8モデルの改良版であるYOLOv8モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-03T14:36:07Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images [0.0]
  本稿では, YOLOv9アルゴリズムモデルをコンピュータ支援診断(CAD)として骨折検出タスクに適用した最初の例である。 実験の結果、現在の最先端(SOTA)モデルのmAP 50-95と比較して、YOLOv9モデルは42.16%から43.73%に上昇し、3.7%の改善が見られた。
  論文  参考訳（メタデータ） (2024-03-17T15:47:54Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• An Investigation into Glomeruli Detection in Kidney H&E and PAS Images using YOLO [0.4012351415340318]
  本稿では,顕微鏡画像用リアルタイム物体検出器YOLO-v4(You-Only-Look-Once)について検討する。 YOLOは1つのニューラルネットワークを使用して、いくつかのバウンディングボックスと、関心のあるオブジェクトのクラス確率を予測する。 モデルを微調整するために、2つの公開データセットとミシガン大学のプライベートデータセットの異なるトレーニングデータに基づいて、複数の実験が設計され、実施されている。 このモデルはミシガン大学のプライベートデータセットでテストされ、ヘマトキシリンとエオシン(H&E)と周期酸-シフの2つの異なる染色の外部検証に役立った。
  論文  参考訳（メタデータ） (2023-07-25T01:35:37Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Exploration of Various Deep Learning Models for Increased Accuracy in Automatic Polyp Detection [62.997667081978825]
  本稿では,大腸内視鏡画像におけるポリプの検出精度が高いディープラーニングモデルとアルゴリズムについて検討する。 畳み込みニューラルネットワーク(CNN)を用いたディープラーニングの研究
  論文  参考訳（メタデータ） (2022-03-04T04:03:41Z)
• COVID-19 Detection Using CT Image Based On YOLOv5 Network [31.848436570442704]
  Kaggleプラットフォームが提供するデータセットと、モデルとしてYOLOv5を選択します。 本研究は,作業部における客観的検出手法について紹介する。 対物検出は、1段と2段の2つのストリームに分けることができる。
  論文  参考訳（メタデータ） (2022-01-24T21:50:58Z)
• 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)

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。