論文の概要: A Lightweight and Robust Framework for Real-Time Colorectal Polyp Detection Using LOF-Based Preprocessing and YOLO-v11n

• arxiv url: http://arxiv.org/abs/2507.10864v1
• Date: Mon, 14 Jul 2025 23:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.923111
• Title: A Lightweight and Robust Framework for Real-Time Colorectal Polyp Detection Using LOF-Based Preprocessing and YOLO-v11n
• Title（参考訳）: LOF前処理とYOLO-v11nを用いたリアルタイム大腸ポリープ検出のための軽量ロバストフレームワーク
• Authors: Saadat Behzadi, Danial Sharifrazi, Bita Mesbahzadeh, Javad Hassannataj Joloudarid, Roohallah Alizadehsani,
• Abstract要約: 本研究では,ポリプ検出のための新しい,軽量で効率的なフレームワークを提案する。 ノイズの多いデータをフィルタリングするLocal Outlier Factorアルゴリズムと、YOLO-v11nディープラーニングモデルを組み合わせる。 従来のYOLO法と比較して精度と効率が向上した。
• 参考スコア（独自算出の注目度）: 0.3495246564946556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: Timely and accurate detection of colorectal polyps plays a crucial role in diagnosing and preventing colorectal cancer, a major cause of mortality worldwide. This study introduces a new, lightweight, and efficient framework for polyp detection that combines the Local Outlier Factor (LOF) algorithm for filtering noisy data with the YOLO-v11n deep learning model. Study design: An experimental study leveraging deep learning and outlier removal techniques across multiple public datasets. Methods: The proposed approach was tested on five diverse and publicly available datasets: CVC-ColonDB, CVC-ClinicDB, Kvasir-SEG, ETIS, and EndoScene. Since these datasets originally lacked bounding box annotations, we converted their segmentation masks into suitable detection labels. To enhance the robustness and generalizability of our model, we apply 5-fold cross-validation and remove anomalous samples using the LOF method configured with 30 neighbors and a contamination ratio of 5%. Cleaned data are then fed into YOLO-v11n, a fast and resource-efficient object detection architecture optimized for real-time applications. We train the model using a combination of modern augmentation strategies to improve detection accuracy under diverse conditions. Results: Our approach significantly improves polyp localization performance, achieving a precision of 95.83%, recall of 91.85%, F1-score of 93.48%, mAP@0.5 of 96.48%, and mAP@0.5:0.95 of 77.75%. Compared to previous YOLO-based methods, our model demonstrates enhanced accuracy and efficiency. Conclusions: These results suggest that the proposed method is well-suited for real-time colonoscopy support in clinical settings. Overall, the study underscores how crucial data preprocessing and model efficiency are when designing effective AI systems for medical imaging.
• Abstract（参考訳）: 目的: 大腸ポリープのタイムリーかつ正確な検出は, 大腸癌の診断と予防において重要な役割を担っている。 本研究は,ノイズの多いデータとYOLO-v11n深層学習モデルとをフィルタリングするローカル・アウトレイラ係数(LOF)アルゴリズムを組み合わせた,新しい,軽量で効率的なポリープ検出フレームワークを提案する。 研究設計:複数の公開データセットをまたいだディープラーニングとアウトリーチ除去技術を活用した実験研究。 メソッド:提案されたアプローチは、CVC-ColonDB、CVC-ClinicDB、Kvasir-SEG、ETIS、EndoSceneの5つの多種多様な公開データセットでテストされた。 これらのデータセットはもともとバウンディングボックスアノテーションを欠いていたため、セグメンテーションマスクを適切な検出ラベルに変換しました。 モデルの堅牢性と一般化性を高めるため、5倍のクロスバリデーションを適用し,30人の隣人と5%の汚染率を有するLOF法を用いて異常サンプルを除去した。 クリーニングされたデータは、リアルタイムアプリケーションに最適化された高速でリソース効率の高いオブジェクト検出アーキテクチャであるYOLO-v11nに入力される。 多様な条件下で検出精度を向上させるために,近代的な拡張戦略の組み合わせを用いてモデルを訓練する。 結果: 本手法では, 95.83%の精度, 91.85%のリコール, 93.48%のF1スコア, 96.48%のmAP@0.5, 77.75%のmAP@0.5:0.95が得られた。 従来のYOLO法と比較して精度と効率が向上した。 結論:本手法は臨床現場でのリアルタイム大腸内視鏡検査に適していると考えられた。 全体として、この研究は医療画像のための効果的なAIシステムを設計する際に、データ前処理とモデル効率がいかに重要かを強調している。

関連論文リスト

• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• A Comparison of Deep Learning Methods for Cell Detection in Digital Cytology [1.607370483729741]
  Papanicolaou-stained cytological Whole Slide Images (WSIs) における細胞検出のためのDeep Learning (DL) 法の性能評価を行った。 市販のアルゴリズムとカスタム設計の検出器について検討し、2つのデータセットに適用する。 その結果、特に改良された完全畳み込み回帰ネットワーク(IFCRN)法は、検出精度と計算効率の両方の観点からセグメンテーションに基づく手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-09T15:08:12Z)
• Detection of Disease on Nasal Breath Sound by New Lightweight Architecture: Using COVID-19 as An Example [4.618578603062536]
  感染症、特に新型コロナウイルスは、世界的な健康問題であり続けている。 本研究の目的は、スマートフォンで収集した鼻呼吸音声データを用いて、効率的で正確で費用対効果の高い新型コロナウイルス検出のための、新しい、軽量なディープニューラルネットワークを開発することである。
  論文  参考訳（メタデータ） (2025-04-01T12:41:53Z)
• Efficient Brain Tumor Classification with Lightweight CNN Architecture: A Novel Approach [0.0]
  MRI画像を用いた脳腫瘍の分類は、早期かつ正確な検出が患者の予後に大きな影響を及ぼす医療診断において重要である。 近年のディープラーニング(DL)の進歩は将来性を示しているが、多くのモデルは精度と計算効率のバランスに苦慮している。 本稿では,分離可能な畳み込みと圧縮・励振ブロック(SEブロック)を統合した新しいモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-01T21:06:42Z)
• A Review and Implementation of Object Detection Models and Optimizations for Real-time Medical Mask Detection during the COVID-19 Pandemic [0.0]
  この研究は、Common Objects in Context(COCO)データセット上で最も基本的なオブジェクト検出モデルを評価する。 我々は、医療マスクを用いた人間の顔の話題的、未探索のデータセットをトレーニングするために、YOLOv5と呼ばれる非常に効率的なモデルを選択した。 医療用マスクの正確な検出に移動学習を用いたYOLOv5に基づく最適化モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-28T17:27:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。