Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Este artículo presenta un marco ligero y eficiente para la detección rápida y precisa de pólipos colónicos, que desempeñan un papel importante en el diagnóstico temprano y la prevención del cáncer de colon. Proponemos un método para filtrar datos ruidosos utilizando el algoritmo LOF y detectar pólipos colónicos utilizando el modelo de aprendizaje profundo YOLO-v11n. Realizamos experimentos utilizando cinco conjuntos de datos públicos, incluidos CVC-ColonDB, CVC-ClinicDB, Kvasir-SEG, ETIS y EndoScene, y mejoramos la robustez y el rendimiento de generalización del modelo mediante una validación cruzada de 5 pasos y la eliminación de valores atípicos basada en LOF. Como resultado, logramos una alta precisión (precisión 95.83%, recall 91.85%, puntuación F1 93.48%, mAP@0.5 96.48%, mAP@0.5 :0.95 77.75%), mostrando una precisión y eficiencia mejoradas que el método existente basado en YOLO.
Takeaways, Limitations
•
Takeaways:
◦
Proponemos la posibilidad de construir un marco de detección de pólipos de colon eficiente y preciso combinando el algoritmo LOF y el modelo YOLO-v11n.
◦
Destaca la importancia del preprocesamiento de datos y la eficiencia del modelo en el análisis de imágenes médicas.
◦
Presentando la posibilidad de uso en el desarrollo de un sistema de soporte a la colonoscopia en tiempo real.
•
Limitations:
◦
Posibles limitaciones en el rendimiento de la generalización debido a restricciones en el tipo y alcance del conjunto de datos utilizado.
◦
Falta de validación en entornos clínicos reales.
◦
Se necesita más investigación para optimizar los parámetros (número de vecinos, índice de contaminación) del algoritmo LOF.
