Modelos de aprendizado profundo aplicados à detecção de pólipo colorretal

Abstract

The following text presents a synopsis of the abstract. Colorectal cancer, a leading cause of mortality worldwide, is preventable. The primary objective is to facilitate the timely identification of polyps. The present article puts forth a proposal for a study on the detection of polyps in colonoscopy images. The utilization of deep neural network models for the purpose of object detection is a subject of considerable interest. In order to this end, a literature review will identify and select advanced object detection models. The object is to be utilized. Furthermore, public datasets of colonoscopy images will be utilized. The following presentation will outline the utilization of various methodologies in experimental settings aimed at detecting polyps. Analyses employing the histogram equalization preprocessing technique are also presented with the objective of enhancing the quality of the results. The contrast of the images has been demonstrated to enhance the performance of the models. The following section presents the results of the study. Precision, recall, and mean average precision (mAP) are presented and utilized for the purpo-se of a comparison of the implemented models. The findings suggest that the models were successfully trained. The results obtained from the polyp detection process exhibited a higher degree of precision and accuracy when compared with the results reported in the existing literature. It has been demons-trated that these models have the capacity to serve as a valuable instrument in the field of medicine, particularly in the context of polyp detection. The following text will provide a comprehensive overview of colorectal cancer prevention.

El cáncer colorrectal, una de las principales causas de mortalidad en el mundo, se puede prevenir com la detección temprana de pólipos. Este artículo propone realizar un estudio de detección de pólipos em imá-genes de colonoscopia utilizando modelos de redes neuronales profundas para la detección de objetos. Para esto, se realiza una revisión de trabajos en la literatura con el objetivo de seleccionar modelos avan-zados de detección de objetos a utilizar. Además, se presentan conjuntos de datos públicos de imágenes de exámenes de colonoscopia, utilizados en experimentos para detectar pólipos. También se presentan análisis utilizando la técnica de preprocesamiento de ecualización de histogramas, con el fin de mejorar el contraste de las imágenes y, en consecuencia, se espera una mejora en el rendimiento de los modelos. Se presentan los resultados en términos de precisión, recuperación y precisión promedio media (mAP) y se utiliza para fines de comparación entre los modelos implementados. Los resultados obtenidos indican que los modelos entrenados para la detección de pólipos presentaron resultados superiores en relación a los obtenidos en la literatura, demostrando que estos modelos pueden ser un poderoso aliado en medicina para ayudar en la detección de pólipos y en la prevención del cáncer colorrectal.