Détection, localisation et segmentation en temps réel des polypes lors de la coloscopie à l'aide de l'apprentissage profond

Les méthodes d'aide à la détection, à la localisation et au segmentage par ordinateur peuvent contribuer à l'amélioration des procédures de coloscopie. Bien que de nombreuses méthodes aient été développées pour aborder la détection et le segmentage automatiques des polypes, l'évaluation comparative des méthodes les plus avancées reste un problème ouvert. Cela est dû à l'augmentation du nombre de méthodes de vision par ordinateur qui peuvent être appliquées aux ensembles de données de polypes. L'évaluation comparative des nouvelles méthodes peut fournir une orientation au développement des tâches de détection et de segmentage automatisés des polypes. De plus, elle garantit que les résultats produits dans la communauté sont reproductibles et offrent une comparaison équitable des méthodes développées. Dans cet article, nous évaluons plusieurs méthodes récentes et de pointe en utilisant Kvasir-SEG, un ensemble de données accessible librement contenant des images de coloscopie pour la détection, la localisation et le segmentage des polypes, en examinant tant la précision que la vitesse des méthodes. Bien que la plupart des méthodes décrites dans la littérature présentent une performance compétitive en termes de précision, nous montrons que le réseau proposé, ColonSegNet, a obtenu un meilleur compromis entre une précision moyenne de 0,8000 et un IoU moyen (Intersection over Union) de 0,8100, ainsi qu'une vitesse maximale de 180 images par seconde pour la tâche de détection et de localisation. De même, le réseau ColonSegNet a atteint un coefficient Dice compétitif de 0,8206 et la meilleure vitesse moyenne de 182,38 images par seconde pour la tâche de segmentage. Notre comparaison exhaustive avec diverses méthodes d'avant-garde met en lumière l'importance d'évaluer les méthodes d'apprentissage profond pour l'identification et le tracé automatisés en temps réel des polypes, ce qui pourrait potentiellement transformer les pratiques cliniques actuelles et minimiser les taux de non-détection.