近年、コンピュータ支援による自動ポリープ分類および腫瘍検出は、医用画像解析分野における注目すべきテーマとなっており、大腸内視鏡検査における貴重な支援を提供している。特に、ポリープ検出および分類の精度向上に注力した研究が多数行われている。しかし、専用デバイス上でこれらのタスクを実行する際の遅延（latency）およびスループット（throughput）に関する取り組みはまだ十分に進んでいない。これは実用的応用において極めて重要な要素である。本論文では、高精度を維持しつつ、モデルのコンパクト性と高速性に重点を置いた新たな深層ニューラルネットワークアーキテクチャ「BlazeNeo」を提案する。このモデルは、計算効率に優れたHarDNetをバックボーンとして採用し、軽量な受容野ブロック（Receptive Field Blocks）を組み合わせることで、効率的な処理を実現している。さらに、セグメンテーション品質の向上を図るため、補助学習メカニズムを導入している。厳しいデータセットを用いた実験の結果、BlazeNeoは最先端手法と比較して、遅延とモデルサイズの面で改善を達成しつつ、同等の精度を維持することを確認した。Jetson AGX Xavierエッジデバイス上でINT8精度で実装した場合、BlazeNeoは155 fps以上の処理速度を達成し、比較対象のすべての手法の中で最も高い精度を示した。