使用YOLOv11进行结肠镜图像中的多余物检测
计算机视觉与模式识别
2025-01-17 v1 人工智能
摘要
结直肠癌（CRC）是全球最常诊断的癌症之一。它始于结肠内衬的良性瘤。为防止CRC，早期检测良性瘤至关重要。结肠镜用于检查结肠。一般情况下，由置于内镜头端的摄像机拍摄的图像由专家手动分析。随着机器学习的兴起，已使用各种传统机器学习模型。最近，深度学习模型在多余物检测方面表现更为有效，由于其在泛化和学习小特征方面的优势。这些深度学习模型用于对象检测可分为两类：单阶段和双阶段。通常，双阶段模型的准确率高于单阶段模型，但单阶段模型的推理时间较低。因此，单阶段模型易于用于快速对象检测。YOLO是一种单阶段模型，已成功用于多余物检测。由于其较低的推理时间，YOLO吸引了研究人员的注意。研究人员已使用YOLO的不同版本，而随着每个新版本的推出，模型的准确率不断提高。本文旨在评估最近发布的YOLOv11用于检测多余物的效果。我们分析了YOLOv11的全部五个模型（YOLO11n、YOLO11s、YOLO11m、YOLO11l、YOLO11x）在Kvasir数据集上的训练和测试性能。使用了两个不同版本的数据集：一个是原始数据集，另一个是通过数据增强技术创建的。对这两个数据集版本中所有模型的性能进行了分析。
引用
@article{arxiv.2501.09051,
title = {Polyp detection in colonoscopy images using YOLOv11},
author = {Alok Ranjan Sahoo and Satya Sangram Sahoo and Pavan Chakraborty},
journal= {arXiv preprint arXiv:2501.09051},
year = {2025}
}