ترجمه فارسی مقاله تقسیم بندی پولیپ خودبرانگیخته در کولونوسکوپی با استفاده از مدل ترکیبی Yolo-SAM 2

چکیده

Early diagnosis and treatment of polyps during colonoscopy are essential for reducing the incidence and mortality of Colorectal Cancer (CRC). However, the variability in polyp characteristics and the presence of artifacts in colonoscopy images and videos pose significant challenges for accurate and efficient polyp detection and segmentation. This paper presents a novel approach to polyp segmentation by integrating the Segment Anything Model (SAM 2) with the YOLOv8 model. Our method leverages YOLOv8’s bounding box predictions to autonomously generate input prompts for SAM 2, thereby reducing the need for manual annotations. We conducted exhaustive tests on five benchmark colonoscopy image datasets and two colonoscopy video datasets, demonstrating that our method exceeds state-of-the-art models in both image and video segmentation tasks. Notably, our approach achieves high segmentation accuracy using only bounding box annotations, significantly reducing annotation time and effort. This advancement holds promise for enhancing the efficiency and scalability of polyp detection in clinical settings https://github.com/sajjad-sh33/YOLO_SAM2.

چکیده به فارسی (ترجمه ماشینی)

تشخیص زودرس و درمان پولیپ ها در طول کولونوسکوپی برای کاهش بروز و مرگ و میر سرطان روده بزرگ (CRC) ضروری است.با این حال ، تنوع در خصوصیات پولیپ و وجود مصنوعات در تصاویر و فیلم های کولونوسکوپی چالش های مهمی را برای تشخیص دقیق و کارآمد پولیپ و تقسیم بندی ایجاد می کند.در این مقاله با ادغام مدل بخش هر چیزی (SAM 2) با مدل YOLOV8 یک رویکرد جدید به تقسیم بندی پولیپ ارائه شده است.روش ما پیش بینی های جعبه محدودیت YOLOV8 را برای تولید خودمختار برای SAM 2 به طور مستقل از بین می برد و از این طریق نیاز به حاشیه نویسی دستی را کاهش می دهد.ما آزمایشات جامع را در پنج مجموعه داده تصویر کولونوسکوپی معیار و دو مجموعه داده ویدیویی کولونوسکوپی انجام دادیم ، نشان می دهد که روش ما در هر دو کار تقسیم بندی تصویر و تصویری از مدل های پیشرفته فراتر می رود.نکته قابل توجه ، رویکرد ما با استفاده از حاشیه های جعبه محدود ، به دقت تقسیم بندی بالا می رسد و باعث کاهش چشمگیر زمان و تلاش حاشیه نویسی می شود.این پیشرفت نوید برای افزایش کارآیی و مقیاس پذیری تشخیص پولیپ در تنظیمات بالینی https://github.com/sajjad-sh33/yolo_sam2 است.