Detecção de Pólipos em Imagens de Colonoscopia utilizando Aprendizado Profundo
Resumo
Este artigo propõe realizar um estudo de detecção de pólipos em imagens de colonoscopia utilizando modelos neurais profundos de detecção de objetos. Para isso, uma revisão de trabalhos na literatura é realizada, onde modelos mais recentes de detecção de objetos são utilizados. Resultados em termos de precisão, recall, mean average precision (mAP) e score F1 são apresentados. Os resultados obtidos indicam que os modelos treinados para a detecção de pólipos no dataset Kvasir apresentaram resultados superiores em relação aos obtidos na literatura, mostrando que esses modelos podem ser um poderoso aliado na medicina no auxílio da detecção de pólipos.
Referências
IARC Global Cancer Observatory. (2020). “Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries”, https://www.researchgate.net/publication/349824439, Outubro.
American Cancer Society (ACS). (2020). “Cancer Facts & Figures 2020”, em: Atlanta: American Cancer Society; 2020.
Instituto Nacional de Câncer (INCA). (2022). “Estimativa 2023: incidência de câncer no Brasil”, [link], Outubro.
Fearon, E. R., & Vogelstein, B. (1990). “A genetic model for colorectal tumorigenesis”, [link], Outubro.
Krishnendu, S. et al. (2020). “A Review on Polyp Detection and Segmentation in Colonoscopy Images using Deep Learning”, [link], Outubro.
ELKarazle, K. et al. (2023). “Detection of Colorectal Polyps from Colonoscopy Using Machine Learning: A Survey on Modern Techniques”, [link], Outubro
Obermeyer Z, Emanuel EJ. (2016). “Predicting the Future - Big Data, Machine Learning, and Clinical Medicine”, [link], Outubro.
Levin B. et al. (2008). “Screening and surveillance for the early detection of colorectal cancer and adenomatous polyps, 2008: a joint guideline from the American Cancer Society, the US Multi-Society Task Force on Colorectal Cancer, and the American College of Radiology”, [link], Outubro.
LeCun, Y. et al. (2015). “Deep learning”, https://doi.org/10.1038/nature14539, Outubro.
Joseph Redmon, et al. (2016). “You Only Look Once: Unified, Real-Time Object Detection” arXiv. [link], Outubro.
Wenyu Lv et al. (2023). “DETRs Beat YOLOs on Real-time Object Detection”, arXiv. [link], Outubro.
Alba Nogueira-Rodríguez et al. (2021). “Deep Neural Networks approaches for detecting and classifying colorectal polyps”. Neurocomputing. [link], Outubro.
Debesh Jha et al. (2020). “Kvasir-seg: A segmented polyp dataset”. arXiv. [link], Outubro.
Juan Terven, Diana C. (2023). “A Comprehensive Review Of Yolo: From Yolov1 and Beyond”. arXiv. [link], Outubro.
Joseph Redmon, Ali Farhadi. (2018). “YOLOv3: An Incremental Improvement”. arXiv. [link], Outubro.
Li, C. et al. (2023). “YOLOv6 v3.0: A Full-Scale Reloading”. arXiv. [link], Outubro.
Xiaohan Ding et al. (2021). “RepVGG: Making VGG-style ConvNets Great Again”. IEEE. [link], Outubro.
Wang, C.-Y. et al. (2022). “YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors”. arXiv. [link], Outubro.
Minh Pham et al. (2022). “Revisiting Self-Distillation”. arXiv. [link], Outubro.
Cyganek, B. (2013). “Object Detection and Recognition in Digital Images: Theory and Practice” (1ª ed.). John Wiley & Sons, Ltd, Outubro.
Aston Zhang, Zachary C. Lipton, Mu Li, e Alexander J. Smola. (2023). “Dive into Deep Learning”. [link], Outubro.
Jha, A., Tushar, A., Gou, D., & Chowdhury, S. A. (2021). "Real-Time Polyp Detection, Localisation and Segmentation in Colonoscopy Using Deep "Learning". [link], Outubro.
T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, “Focal loss for dense object detection,” in Proceedings of the IEEE international conference on computer vision, 2017, pp. 2980–2988.
Krishnendu S , Geetha S , Gopakumar G, 2020, A Review on Polyp Detection and Segmentation in Colonoscopy Images using Deep Learning, International Journal of Engineering Research & Technology (IJERT). 2020. volume 09, edição 10.+
American Cancer Society (ACS). (2020). “Cancer Facts & Figures 2020”, em: Atlanta: American Cancer Society; 2020.
Instituto Nacional de Câncer (INCA). (2022). “Estimativa 2023: incidência de câncer no Brasil”, [link], Outubro.
Fearon, E. R., & Vogelstein, B. (1990). “A genetic model for colorectal tumorigenesis”, [link], Outubro.
Krishnendu, S. et al. (2020). “A Review on Polyp Detection and Segmentation in Colonoscopy Images using Deep Learning”, [link], Outubro.
ELKarazle, K. et al. (2023). “Detection of Colorectal Polyps from Colonoscopy Using Machine Learning: A Survey on Modern Techniques”, [link], Outubro
Obermeyer Z, Emanuel EJ. (2016). “Predicting the Future - Big Data, Machine Learning, and Clinical Medicine”, [link], Outubro.
Levin B. et al. (2008). “Screening and surveillance for the early detection of colorectal cancer and adenomatous polyps, 2008: a joint guideline from the American Cancer Society, the US Multi-Society Task Force on Colorectal Cancer, and the American College of Radiology”, [link], Outubro.
LeCun, Y. et al. (2015). “Deep learning”, https://doi.org/10.1038/nature14539, Outubro.
Joseph Redmon, et al. (2016). “You Only Look Once: Unified, Real-Time Object Detection” arXiv. [link], Outubro.
Wenyu Lv et al. (2023). “DETRs Beat YOLOs on Real-time Object Detection”, arXiv. [link], Outubro.
Alba Nogueira-Rodríguez et al. (2021). “Deep Neural Networks approaches for detecting and classifying colorectal polyps”. Neurocomputing. [link], Outubro.
Debesh Jha et al. (2020). “Kvasir-seg: A segmented polyp dataset”. arXiv. [link], Outubro.
Juan Terven, Diana C. (2023). “A Comprehensive Review Of Yolo: From Yolov1 and Beyond”. arXiv. [link], Outubro.
Joseph Redmon, Ali Farhadi. (2018). “YOLOv3: An Incremental Improvement”. arXiv. [link], Outubro.
Li, C. et al. (2023). “YOLOv6 v3.0: A Full-Scale Reloading”. arXiv. [link], Outubro.
Xiaohan Ding et al. (2021). “RepVGG: Making VGG-style ConvNets Great Again”. IEEE. [link], Outubro.
Wang, C.-Y. et al. (2022). “YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors”. arXiv. [link], Outubro.
Minh Pham et al. (2022). “Revisiting Self-Distillation”. arXiv. [link], Outubro.
Cyganek, B. (2013). “Object Detection and Recognition in Digital Images: Theory and Practice” (1ª ed.). John Wiley & Sons, Ltd, Outubro.
Aston Zhang, Zachary C. Lipton, Mu Li, e Alexander J. Smola. (2023). “Dive into Deep Learning”. [link], Outubro.
Jha, A., Tushar, A., Gou, D., & Chowdhury, S. A. (2021). "Real-Time Polyp Detection, Localisation and Segmentation in Colonoscopy Using Deep "Learning". [link], Outubro.
T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, “Focal loss for dense object detection,” in Proceedings of the IEEE international conference on computer vision, 2017, pp. 2980–2988.
Krishnendu S , Geetha S , Gopakumar G, 2020, A Review on Polyp Detection and Segmentation in Colonoscopy Images using Deep Learning, International Journal of Engineering Research & Technology (IJERT). 2020. volume 09, edição 10.+
Publicado
07/12/2023
Como Citar
XIE, Diene; ROSA, Larissa S. X.; P. FILHO, Vilmar C.; CARDOSO, Alisson A.; FRANCO, Ricardo A. P..
Detecção de Pólipos em Imagens de Colonoscopia utilizando Aprendizado Profundo. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 11. , 2023, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
DOI: https://doi.org/10.5753/erigo.2023.237390.
