EVAD-YOLO: Detección de anomalías en videos endoscópicos basada en YOLOV11 mejorado

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Gastroenterología

Sus antecedentes:

• Las enfermedades gastrointestinales van en aumento, lo que requiere una detección temprana.
• El análisis automatizado de videos de endoscopia es crucial para el cribado clínico.
• La identificación precisa de lesiones gastrointestinales complejas sigue siendo un desafío.

Objetivo del estudio:

• Proponer un modelo mejorado basado en YOLOv11 para la detección de lesiones gastrointestinales en videos endoscópicos.
• Mejorar la precisión y robustez de la detección de lesiones, incluidas úlceras gástricas y cáncer.
• Proporcionar una herramienta fiable para el diagnóstico endoscópico asistido por clínica.

Principales métodos:

• Se desarrolló la Detección de Anomalías en Videos Endoscópicos basada en YOLOV11 mejorado (EVAD-YOLO).
• Se introdujo un módulo de Atención de Expansión Global Residual (RGEA) para mejorar la percepción del contexto global.
• Se diseñó un módulo de Fusión Mejorada Multiescala (EMSF) para integrar características entre escalas.
• Se utilizó un conjunto de datos endoscópicos mixtos que incluye pólipos, úlceras gástricas y cánceres gástricos tempranos.

Principales resultados:

• EVAD-YOLO demostró un rendimiento superior en la detección de lesiones gastrointestinales.
• Se logró una precisión del 90,4%, una recuperación del 84,3% y un mAP50 del 90,4%.
• El modelo mostró una gran robustez para lesiones con formas complejas, variaciones de color y tamaños variables.

Conclusiones:

• EVAD-YOLO ofrece una solución robusta y precisa para la detección automatizada de lesiones gastrointestinales.
• Los módulos RGEA y EMSF propuestos mejoran significativamente las capacidades de detección.
• El método muestra un gran potencial para un diagnóstico endoscópico asistido por clínica fiable.