.png){kind=icon}
返回
An efficient object detection network for early polyp detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.bspc.2025.108860.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
消化道息肉的早期检测对于预防和治疗结直肠癌至关重要。然而，目标检测方法在准确检测小息肉、勾勒病变边界以及从复杂背景中提取判别特征方面仍面临挑战。本文提出了一种基于You Only Look Once（YOLO）模型的改进息肉检测网络模型（Polyp-DeNet），以解决这些局限性。该模型设计了一种新颖的特征金字塔网络（FPN），以实现最优自适应的多尺度特征融合。此外，通过改进骨干层的特征提取模块，增强了模型的多尺度特征提取能力。基准模型增强的检测头结合特定的损失函数，有效提高了模型的定位精度，并在局部遮挡和光照条件变化等挑战性场景中减少了误报。大量实验表明，Polyp-DeNet的性能优于常见的YOLO变体和现有的息肉检测方法，在关键指标上显示出显著提升。此外，Polyp-DeNet在多个公开可用的息肉数据集（包括CVC-ClinicDB、ETIS-Larib和Kvasir-SEG）上表现出卓越的泛化能力，突显了其作为智能胃肠道内镜筛查可靠技术解决方案的潜力，并推动了人工智能在医学图像分析中的应用。
期刊
IF:
4.9
论文数:
1.0W
被引数:
2.4W
机构
引用论文
WM-DOVA maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians在结肠镜检查中准确突出显示息肉的wm-dova地图: 医生的验证与显著性地图
PREAI
分享收藏Diverse Branch Block: Building a Convolution as an Inception-like Unit多样化的分支块: 将卷积构建为类似Inception的单元
OAAI
OAAI分享收藏Colorectal Polyp Detection Model by Using Super-Resolution Reconstruction and YOLO利用超分辨率重建和YOLO的结直肠息肉检测模型.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏分享收藏InternImage: Exploring Large-Scale Vision Foundation Models with Deformable ConvolutionsInternImage: 使用可变形卷积探索大型视觉基础模型OAAI
OAAI分享收藏CRH-YOLO for precise and efficient detection of gastrointestinal polypsCrh-yolo用于精确有效地检测胃肠道息肉SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容