Detección de Pólipos Utilizando YOLOv9 en Imágenes de Colonoscopia Reales y Sintéticas.

La detección temprana de pólipos colorrectales es fundamental para reducir el riesgo de mortalidad relacionada con el cáncer.

Sin embargo, los pólipos aún se pierden con frecuencia durante la colonoscopia.

Este estudio tuvo como objetivo desarrollar y evaluar un modelo de detección de pólipos basado en YOLOv9, aumentado con imágenes de pólipos sintéticos generadas mediante un modelo de difusión. El modelo YOLOv9-C, preentrenado en el conjunto de datos MS COCO, se ajustó finamente en el conjunto de datos LDPolypVideo. El modelo entrenado con todas las imágenes sintéticas (precisión 0,895, recall 0,776, f1 0,831 y mAP 50 0,859) tuvo un mejor desempeño que el modelo entrenado sin imágenes sintéticas (precisión 0,812, recall 0,706, f1 0,755 y mAP 50 0,783) en todas las métricas cuando se probó internamente en el conjunto de datos LDPolypVideo. Nuestro modelo de mejor desempeño entrenado en el conjunto de datos LDPolypVideo aumentado con pólipos sintéticos logró una alta precisión de 0,878, recall de 0,861, puntuación f1 de 0,869 y mAP 50 de 0,897 cuando se probó externamente en el conjunto de datos Kvasir-SEG.

Nuestro modelo YOLOv9 pudo generalizarse más allá de sus conjuntos internos de entrenamiento, validación y prueba, logrando un desempeño muy bueno incluso en un conjunto de datos externo sobre el cual no había sido entrenado. La integración de imágenes de pólipos sintéticos mejoró el desempeño del modelo YOLOv9 para la detección de pólipos colorrectales. Este enfoque aborda el desafío de la diversidad limitada de pólipos en los conjuntos de datos de entrenamiento y mejora el potencial para la aplicación en el mundo real en colonoscopia.