論文の概要: EndoSight AI: Deep Learning-Driven Real-Time Gastrointestinal Polyp Detection and Segmentation for Enhanced Endoscopic Diagnostics

• arxiv url: http://arxiv.org/abs/2511.12962v1
• Date: Mon, 17 Nov 2025 04:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.658014
• Title: EndoSight AI: Deep Learning-Driven Real-Time Gastrointestinal Polyp Detection and Segmentation for Enhanced Endoscopic Diagnostics
• Title（参考訳）: EndoSight AI:Deep Learning-Driven Real-Time Gastrointestinal Polyp Detection and Segmentation for Enhanced Endoscopic Diagnostics
• Authors: Daniel Cavadia,
• Abstract要約: この研究は、正確なポリプローカライゼーションを実現するために独立して開発、評価されたディープラーニングアーキテクチャであるEndoSight AIを提示する。 このシステムは、ポリプ検出で88.3%の平均平均精度(mAP)とセグメンテーションで最大69%のDice係数を達成する。 このトレーニングには、臨床的に関係のあるパフォーマンス指標と、モデル堅牢性と効率性を保証するための新しいサーマルアウェア手順が組み込まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise and real-time detection of gastrointestinal polyps during endoscopic procedures is crucial for early diagnosis and prevention of colorectal cancer. This work presents EndoSight AI, a deep learning architecture developed and evaluated independently to enable accurate polyp localization and detailed boundary delineation. Leveraging the publicly available Hyper-Kvasir dataset, the system achieves a mean Average Precision (mAP) of 88.3% for polyp detection and a Dice coefficient of up to 69% for segmentation, alongside real-time inference speeds exceeding 35 frames per second on GPU hardware. The training incorporates clinically relevant performance metrics and a novel thermal-aware procedure to ensure model robustness and efficiency. This integrated AI solution is designed for seamless deployment in endoscopy workflows, promising to advance diagnostic accuracy and clinical decision-making in gastrointestinal healthcare.
• Abstract（参考訳）: 内視鏡下大腸ポリープの迅速かつリアルタイム検出は大腸癌の早期診断と予防に不可欠である。 この研究は、正確なポリプローカライゼーションと詳細な境界記述を可能にするために、独立して開発、評価されたディープラーニングアーキテクチャであるEndoSight AIを提示する。 公開されているHyper-Kvasirデータセットを利用することで、GPUハードウェア上では平均平均平均精度(mAP)が88.3%、Dice係数が69%、リアルタイム推論速度が35フレーム/秒を超える。 このトレーニングには、臨床的に関係のあるパフォーマンス指標と、モデル堅牢性と効率性を保証するための新しいサーマルアウェア手順が組み込まれている。 この統合AIソリューションは、内視鏡ワークフローにシームレスにデプロイするために設計されており、消化管の医療における診断精度と臨床的意思決定を向上することを約束している。

関連論文リスト

• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• AI-Powered Early Detection of Critical Diseases using Image Processing and Audio Analysis [0.4356470230135012]
  本稿では,画像解析,サーマルイメージング,音声信号処理を統合したマルチモーダル人工知能(AI)診断フレームワークを提案する。 微細調整されたMobileNetV2畳み込みニューラルネットワークは、皮膚病変分類のためのISIC 2019データセットでトレーニングされた。 ハンドクラフト機能を備えたサポートベクターマシン(SVM)は、86.4%の精度でサーマルクロート検出に使用された。 このフレームワークは、スケーラブルでリアルタイムで、アクセス可能なAIベースの事前診断型ヘルスケアソリューションへの、有望なステップを提供する。
  論文  参考訳（メタデータ） (2025-10-29T06:09:17Z)
• Examining Deployment and Refinement of the VIOLA-AI Intracranial Hemorrhage Model Using an Interactive NeoMedSys Platform [0.7653237341032667]
  現在の研究では、AIモデルの効率的なデプロイメントと改善を可能にする、NeoMedSysと呼ばれる放射線学ソフトウェアプラットフォームについて説明している。 実地臨床環境でのNeoMedSysの実行可能性と有効性について検討した。
  論文  参考訳（メタデータ） (2025-05-14T13:33:38Z)
• Integrating Deep Feature Extraction and Hybrid ResNet-DenseNet Model for Multi-Class Abnormality Detection in Endoscopic Images [0.9374652839580183]
  本研究の目的は、血管拡張症、出血、潰瘍を含む10種類のGI異常分類の同定を自動化することである。 提案したモデルは、よく構造化されたデータセットで全体の94%の精度を達成する。
  論文  参考訳（メタデータ） (2024-10-24T06:10:31Z)
• InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
  本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。 胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。 IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
  論文  参考訳（メタデータ） (2024-08-12T19:19:23Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)

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。