基于 LOF 预处理和 YOLO-v11n 的实时结肠息肉检测的轻量级且鲁棒框架
计算机视觉与模式识别
2025-10-14 v3 人工智能
摘要
目标：及时和准确地检测结肠息肉在诊断和预防全球范围内是何导致死亡的主要原因的结肠癌中发挥着关键作用。这项研究引入了一种新的、轻量级且高效的框架用于息肉检测，该框架将 Local Outlier Factor (LOF) 算法用于过滤噪声数据与 YOLO-v11n 深度学习模型结合。研究设计：基于深度学习和离群点删除技术的实验研究，跨越多个公开数据集。方法：该方法在五个多样化且公开可用的公开数据集上进行测试：CVC-ColonDB、CVC-ClinicDB、Kvasir-SEG、ETIS 和 EndoScene。由于这些数据集最初缺乏边界框注释，我们将其分割掩码转换为适合检测的标签。为了增强模型的鲁棒性和可泛化性，我们应用 5 折交叉验证并使用配置为 30 个邻居和 5% 离群比率的 LOF 方法删除异常样本。清理后的数据被输入 YOLO-v11n，这是一个快速且资源高效的对象检测架构，针对实时应用进行了优化。我们使用组合现代数据增强策略进行模型训练，以提高不同条件下的检测准确性。结果：我们的做法显著改进了息肉局部化性能，实现了精确率为 95.83%、召回率为 91.85%、F1 分数为 93.48%、[email protected] 为 96.48%，[email protected]:0.95 为 77.75%。与以前的基于 YOLO 的方法相比，我们的模型显示出增强的准确性和效率。结论：这些结果表明该方法适合用于临床环境中的实时结肠镜辅助。总体而言，本研究强调了数据预处理和模型效率在设计有效用于医学影像的 AI 系统时的重要性。
引用
@article{arxiv.2507.10864,
title = {A Lightweight and Robust Framework for Real-Time Colorectal Polyp Detection Using LOF-Based Preprocessing and YOLO-v11n},
author = {Saadat Behzadi and Danial Sharifrazi and Bita Mesbahzadeh and Javad Hassannataj Joloudari and Roohallah Alizadehsani},
journal= {arXiv preprint arXiv:2507.10864},
year = {2025}
}