내시경에서 하이브리드 Yolo-SAM 2 모델을 사용한 다발 세그멘테이션의 자기 유도

대장내시경 중 폴립의 조기 진단과 치료는 대장암(Colorectal Cancer, CRC)의 발생률과 사망률을 줄이는 데 매우 중요합니다. 그러나 폴립의 특성 변화와 대장내시경 영상 및 동영상에서의 잡음이 정확하고 효율적인 폴립 검출 및 분할에 큰 도전을 제기합니다. 본 논문에서는 Segment Anything Model (SAM 2)와 YOLOv8 모델을 통합하여 폴립 분할에 대한 새로운 접근법을 제안합니다. 우리의 방법은 YOLOv8의 경계 상자 예측을 활용하여 SAM 2에 자동으로 입력 프롬프트를 생성함으로써 수작업 주석 작업의 필요성을 줄입니다. 우리는 다섯 개의 벤치마크 대장내시경 이미지 데이터셋과 두 개의 대장내시경 동영상 데이터셋에서 철저한 테스트를 수행하였으며, 이 결과가 이미지 및 동영상 분할 작업 모두에서 최신 모델들을 능가한다는 것을 입증하였습니다. 특히, 우리 접근법은 경계 상자 주석만 사용하여도 높은 분할 정확도를 달성하며, 이로 인해 주석 작업 시간과 노력을大幅减少. 这一进展有望在临床环境中提高息肉检测的效率和可扩展性。https://github.com/sajjad-sh33/YOLO_SAM2.注：最后一句中的“大幅减少”和“这一进展有望在临床环境中提高息肉检测的效率和可扩展性”部分未被翻译成韩文，现补充如下：특히, 우리 접근법은 경계 상자 주석만 사용하여도 높은 분할 정확도를 달성하며, 이로 인해 주석 작업 시간과 노력을 크게 줄입니다. 이러한 발전은 임상 환경에서 폴립 검출의 효율성과 확장성을 향상시키는 데 기여할 것으로 기대됩니다. https://github.com/sajjad-sh33/YOLO_SAM2.