Phát hiện polyp đại tràng thời gian thực sử dụng mạng YOLOv7
132 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE7.2023.122-134Từ khóa:
Ung thư đại trực tràng; Học sâu; Phát hiện đối tượng; Phát hiện polyp.Tóm tắt
Trong những năm gần đây, học sâu đã đạt được những thành tựu xuất sắc trong việc phát hiện polyp trực tràng trong video nội soi đại tràng. Tuy nhiên, việc phát hiện polyp trực tràng trong video nội soi đối mặt với nhiều vấn đề do môi trường phức tạp của ruột già và hình dạng đa dạng của các polyp. Do đó, các nhà nghiên cứu cần dành nhiều thời gian tìm kiếm những hệ thống phát hiện thời gian thực với hiệu suất tốt và phù hợp với thiết bị, môi trường làm việc tại các cơ sở y tế. Bài báo này nhằm mục đích nghiên cứu khả năng phát hiện polyp của mô hình học sâu tiên tiến YOLOv7. Chúng tôi đã đề xuất mô hình học sâu phát hiện polyp dựa trên YOLOv7, cài đặt, huấn luyện và kiểm thử mô hình bằng các bộ dữ liệu công khai được sử dụng rộng rãi trong cộng đồng nghiên cứu: Kvasir-Seg, CVC-ClinicDB, CVC_ColonDB và ETIS-LaribPolypDB. Kiểm thử mô hình sử dụng các chỉ số Recall, Precision, F1 Score và Average Precision (AP) cho thấy mô hình đạt được hiệu suất cao nhất trên CVC-ClinicDB với tỷ lệ Recall là 83.3%, Precision là 80.6%, F1 Score là 81.9%, AP@0.5 là 75%, AP là 51.8% và thời gian xử lý trung bình mỗi khung hình là 20ms. Mô hình phát hiện polyp đại tràng đề xuất cho hiệu năng tốt, có độ nhạy cao trong việc phát hiện polyp và thời gian xử lý nhanh chóng. Mô hình này có thể sử dụng để xây dựng các ứng dụng thời gian thực trợ giúp các bác sĩ nội soi nâng cao tỉ lệ phát hiện polyp trong quá trình nội soi đại tràng.
Tài liệu tham khảo
[1]. Baxter, Nancy N., et al. "Association between colonoscopy and colorectal cancer mortality in a US cohort according to site of cancer and colonoscopist specialty." Journal of Clinical Oncology 30.21: 2664, (2012). DOI: https://doi.org/10.1200/JCO.2011.40.4772
[2]. Doubeni, Chyke A., et al. "Screening colonoscopy and risk for incident late-stage colorectal cancer diagnosis in average-risk adults: a nested case–control study." Annals of internal medicine 158.5_Part_1: 312-320, (2013).
[3]. Leufkens, A. M., et al. "Factors influencing the miss rate of polyps in a back-to-back colonoscopy study." Endoscopy 44.05: 470-475, (2012). DOI: https://doi.org/10.1055/s-0031-1291666
[4]. D. Jha, P. H. Smedsrud, M. A. Riegler, P. Halvorsen, T. de Lange, D. Johansen, and H. D. Johansen, "Kvasir-SEG: A segmented polyp dataset,'' in Proc. Int. Conf. Multimedia Modeling. Springer, pp. 451-462, (2020). DOI: https://doi.org/10.1007/978-3-030-37734-2_37
[5]. Misawa, Masashi, et al. "Artificial intelligence-assisted polyp detection for colonoscopy: initial experience." Gastroenterology 154.8: 2027-2029, (2018). DOI: https://doi.org/10.1053/j.gastro.2018.04.003
[6]. Wang, Pu, et al. "Development and validation of a deep-learning algorithm for the detection of polyps during colonoscopy." Nature biomedical engineering 2.10: 741-748, (2018). DOI: https://doi.org/10.1038/s41551-018-0301-3
[7]. Urban, Gregor, et al. "Deep learning localizes and identifies polyps in real time with 96% accuracy in screening colonoscopy." Gastroenterology 155.4: 1069-1078, (2018). DOI: https://doi.org/10.1053/j.gastro.2018.06.037
[8]. Redmon, Joseph, et al. "You only look once: Unified, real-time object detection." Proceedings of the IEEE conference on computer vision and pattern recognition, (2016). DOI: https://doi.org/10.1109/CVPR.2016.91
[9]. Tajbakhsh, Nima, Suryakanth R. Gurudu, and Jianming Liang. "Automated polyp detection in colonoscopy videos using shape and context information." IEEE transactions on medical imaging 35.2: 630-644, (2015). DOI: https://doi.org/10.1109/TMI.2015.2487997
[10]. Tajbakhsh, Nima, Suryakanth R. Gurudu, and Jianming Liang. "A classification-enhanced vote accumulation scheme for detecting colonic polyps." Abdominal Imaging. Computation and Clinical Applications: 5th International Workshop. Proceedings 5. Springer Berlin Heidelberg, (2013). DOI: https://doi.org/10.1007/978-3-642-41083-3_7
[11]. Wang, Yi, et al. "Part-based multiderivative edge cross-sectional profiles for polyp detection in colonoscopy." IEEE Journal of Biomedical and Health Informatics 18.4: 1379-1389, (2013). DOI: https://doi.org/10.1109/JBHI.2013.2285230
[12]. Park, Sun Young, and Dusty Sargent. "Colonoscopic polyp detection using convolutional neural networks." Medical Imaging: Computer-Aided Diagnosis. Vol. 9785. SPIE, (2016). DOI: https://doi.org/10.1117/12.2217148
[13]. Tajbakhsh, Nima, Suryakanth R. Gurudu, and Jianming Liang. "Automatic polyp detection in colonoscopy videos using an ensemble of convolutional neural networks." IEEE 12th International Symposium on Biomedical Imaging (ISBI). IEEE, (2015). DOI: https://doi.org/10.1109/ISBI.2015.7163821
[14]. R. Zhang,Y. Zheng, C. C.Y. Poon, D. Shen, and J.Y.W. Lau, “Polyp detection during colonoscopy using a regression-based convolutional neural network with a tracker”, Pattern Recognit., vol. 83, pp. 209-219, (2018). DOI: https://doi.org/10.1016/j.patcog.2018.05.026
[15]. Liu, Ming, Jue Jiang, and Zenan Wang. "Colonic polyp detection in endoscopic videos with single shot detection based deep convolutional neural network." IEEE Access 7: 75058-75066, (2019). DOI: https://doi.org/10.1109/ACCESS.2019.2921027
[16]. Wang, Chien-Yao, Alexey Bochkovskiy, and Hong-Yuan Mark Liao. "YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. (2023). DOI: https://doi.org/10.1109/CVPR52729.2023.00721
[17]. Bernal, Jorge, Javier Sánchez, and Fernando Vilarino. "Towards automatic polyp detection with a polyp appearance model." Pattern Recognition 45.9: 3166-3182, (2012). DOI: https://doi.org/10.1016/j.patcog.2012.03.002
[18]. Bernal, Jorge, et al. "WM-DOVA maps for accurate polyp highlighting in colonoscopy: Validation vs. saliency maps from physicians." Computerized medical imaging and graphics 43: 99-111, (2015). DOI: https://doi.org/10.1016/j.compmedimag.2015.02.007
[19]. Silva, Juan, et al. "Toward embedded detection of polyps in wce images for early diagnosis of colorectal cancer." International journal of computer assisted radiology and surgery 9: 283-293, (2014). DOI: https://doi.org/10.1007/s11548-013-0926-3
[20]. Ma, Yiting, et al. "LDPolypVideo benchmark: a large-scale colonoscopy video dataset of diverse polyps." Medical Image Computing and Computer Assisted Intervention–MICCAI 2021: 24th International Conference, Strasbourg, France, Proceedings, Part V 24. Springer International Publishing, (2021). DOI: https://doi.org/10.1007/978-3-030-87240-3_37
[21]. COCO Detection Challenge (Bounding Box). Available online: https://competitions.codalab.org/competitions/20794.
[22]. Brandao, Patrick, et al. "Towards a computed-aided diagnosis system in colonoscopy: automatic polyp segmentation using convolution neural networks." Journal of Medical Robotics Research 3.02: 1840002, (2018). DOI: https://doi.org/10.1142/S2424905X18400020
[23]. Zheng, Yali, et al. "Localisation of colorectal polyps by convolutional neural network features learnt from white light and narrow band endoscopic images of multiple databases." 40th annual international conference of the IEEE engineering in medicine and biology society (EMBC). IEEE, (2018). DOI: https://doi.org/10.1109/EMBC.2018.8513337
[24]. Tian, Yu, et al. "One-stage five-class polyp detection and classification." IEEE 16th international symposium on biomedical imaging (ISBI 2019). IEEE, (2019). DOI: https://doi.org/10.1109/ISBI.2019.8759521
[25]. Jia, Xiao, et al. "Automatic polyp recognition in colonoscopy images using deep learning and two-stage pyramidal feature prediction." IEEE Transactions on Automation Science and Engineering 17.3: 1570-1584, (2020).
[26]. Qadir, Hemin Ali, et al. "Toward real-time polyp detection using fully CNNs for 2D Gaussian shapes prediction." Medical Image Analysis 68:101897, (2021). DOI: https://doi.org/10.1016/j.media.2020.101897
