論文の概要: YOLO-LAN: Precise Polyp Detection via Optimized Loss, Augmentations and Negatives

• arxiv url: http://arxiv.org/abs/2509.19166v1
• Date: Tue, 23 Sep 2025 15:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.933491
• Title: YOLO-LAN: Precise Polyp Detection via Optimized Loss, Augmentations and Negatives
• Title（参考訳）: YOLO-LAN: 最適化ロス、拡張、ネガティクスによる精密ポリプ検出
• Authors: Siddharth Gupta, Jitin Singla,
• Abstract要約: YOLO-LANは、M2IoU損失、汎用データ拡張、負データを使用してトレーニングされたYOLOベースのポリプ検出パイプラインである。 ポリープサイズと正確な位置検出に基づくロバスト性を示し,AIによる大腸癌検診において臨床的に有用である。
• 参考スコア（独自算出の注目度）: 0.639901418243611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Colorectal cancer (CRC), a lethal disease, begins with the growth of abnormal mucosal cell proliferation called polyps in the inner wall of the colon. When left undetected, polyps can become malignant tumors. Colonoscopy is the standard procedure for detecting polyps, as it enables direct visualization and removal of suspicious lesions. Manual detection by colonoscopy can be inconsistent and is subject to oversight. Therefore, object detection based on deep learning offers a better solution for a more accurate and real-time diagnosis during colonoscopy. In this work, we propose YOLO-LAN, a YOLO-based polyp detection pipeline, trained using M2IoU loss, versatile data augmentations and negative data to replicate real clinical situations. Our pipeline outperformed existing methods for the Kvasir-seg and BKAI-IGH NeoPolyp datasets, achieving mAP$_{50}$ of 0.9619, mAP$_{50:95}$ of 0.8599 with YOLOv12 and mAP$_{50}$ of 0.9540, mAP$_{50:95}$ of 0.8487 with YOLOv8 on the Kvasir-seg dataset. The significant increase is achieved in mAP$_{50:95}$ score, showing the precision of polyp detection. We show robustness based on polyp size and precise location detection, making it clinically relevant in AI-assisted colorectal screening.
• Abstract（参考訳）: 致死性疾患である大腸癌(CRC)は、大腸の内壁にあるポリープと呼ばれる異常な粘膜細胞増殖の成長から始まる。 検出されていない場合、ポリープは悪性腫瘍となることがある。 大腸内視鏡は、疑わしい病変の直接の可視化と除去を可能にするため、ポリープを検出するための標準的な手順である。 大腸内視鏡による手動検出は一貫性がなく、監視される。 したがって、深層学習に基づく物体検出は、大腸内視鏡におけるより正確なリアルタイム診断のためのより良い解決策を提供する。 本研究は,M2IoU損失,多目的データ拡張,陰性データを用いて,臨床現場の再現を図ったYOLO-LANを提案する。 我々のパイプラインは、Kvasir-segおよびBKAI-IGH NeoPolypデータセットの既存の手法よりも優れており、MAP$_{50}$ の0.9619、mAP$_{50:95}$ YOLOv12およびmAP$_{50}$ の0.8599、mAP$_{50:95}$ の0.9540、mAP$_{50:95}$ の0.8487、YOLOv8をYOLOv8で達成しています。 この顕著な増加はmAP$_{50:95}$スコアで達成され、ポリープ検出の精度を示している。 ポリープサイズと正確な位置検出に基づくロバスト性を示し,AIによる大腸癌検診において臨床的に有用である。

関連論文リスト

• Colon Polyps Detection from Colonoscopy Images Using Deep Learning [0.0]
  大腸ポリープは大腸癌の前駆体であり、世界中のがん関連死亡の原因となっている。 本研究では,大腸内視鏡画像を用いた早期ポリープ同定へのディープラーニングによる物体検出の適用について検討した。
  論文  参考訳（メタデータ） (2025-08-14T20:16:23Z)
• YOLO-OB: An improved anchor-free real-time multiscale colon polyp detector in colonoscopy [4.703565047693667]
  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。
  論文  参考訳（メタデータ） (2023-12-14T03:17:52Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• Automatic Polyp Segmentation using Fully Convolutional Neural Network [0.0]
  大腸内視鏡検査における大腸ポリープのミスレートは6～27%である。 大腸内視鏡検査における自動的, 高精度, リアルタイムポリプセグメンテーションの使用は, 臨床医が欠如した病変を除去し, 大腸癌のさらなる進展を予防するのに役立つ。 Medico Automatic Polyp segmentation Challenge'は、polyp segmentationを研究し、高速なセグメンテーションモデルを構築する機会を提供する。 実験により、Kvasir-SEGデータセットでトレーニングされ、未知のデータセットでテストされたモデルは、ディス係数0.7801、mIoU0.6847、リコール0.8077、精度0.8に達することが示された。
  論文  参考訳（メタデータ） (2021-01-11T16:20:57Z)
• Colonoscopy Polyp Detection: Domain Adaptation From Medical Report Images to Real-time Videos [76.37907640271806]
  大腸内視鏡画像と実時間映像の領域間ギャップに対処する画像-ビデオ結合型ポリープ検出ネットワーク(Ivy-Net)を提案する。 収集したデータセットの実験は、Ivy-Netが大腸内視鏡ビデオで最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-12-31T10:33:09Z)
• Automatic Polyp Segmentation using U-Net-ResNet50 [1.4174475093445236]
  ポリープは大腸癌の前身であり、世界中のがん関連死亡の原因の1つと考えられている。 大腸内視鏡検査では, 形状, サイズ, 周囲の組織類似性の変動により, 大腸ポリープが欠落することが多い。 大腸内視鏡検査において, 自動的, 正確かつ高速なポリープ分割法を用いることで, 多くの大腸ポリープを容易に検出・除去することができる。
  論文  参考訳（メタデータ） (2020-12-30T17:59:18Z)

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。