Certificación y validación de modelos de segmentación para la detección de tejidos en imágenes de pólipos intestinales

Abstract

Este proyecto aborda el desarrollo y validación de un sistema basado en visión por computadora para la detección automática de pólipos intestinales en imágenes de endoscopia. La investigación se centra en el uso de dos modelos avanzados de segmentación: YOLOv8 y Detectron2, aplicados a un conjunto de imágenes de pólipos, recolectadas en el país de México y segmentadas por médicos expertos en el campo oncológico. Para ello, se han creado tres versiones del dataset, incluyendo preprocesamiento y técnicas de data augmentation, con el fin de maximizar la precisión de los modelos. El estudio compara el rendimiento de ambas arquitecturas, analizando métricas clave como el Intersection over Union (IoU), el Mean Average Precision (mAP) y el Recall; alcanzando un desempeño superior al 90% en las mejores configuraciones. Además, se evalúan los tiempos de inferencia para determinar la viabilidad de detección en tiempo real. A partir de los resultados obtenidos, se ha realizado una comparativa de ambos modelos, determinando cuál es más adecuado según el tipo de aplicación: detección en tiempo real o segmentación precisa en entornos clínicos. El trabajo también sienta las bases para futuras investigaciones en este campo de investigación, con especial énfasis en la reproducibilidad del flujo de trabajo y la optimización de hiperparámetros para mejorar el rendimiento de los modelos y regularizar los mismos, es decir evitar overfitting.

This project focuses on the development and validation of a computer vision system for the automatic detection of intestinal polyps in endoscopy images. The research explores two advanced segmentation models: YOLOv8 and Detectron2, applied to a set of polyp images, collected in the country of Mexico and segmented by expert doctors in the oncological field. Three versions of the dataset were created, incorporating preprocessing and data augmentation techniques to maximize model accuracy. The study compares the performance of both architectures, analyzing key metrics such as Intersection over Union (IoU), Mean Average Precision (mAP) and Recall; achieving over 90% performance in the best configurations. In addition, inference times were evaluated to determine the feasibility of real-time detection. ased on the results obtained, a comparison of both models was made to determine which is better suited for each type of application: real-time detection or precise segmentation in clinical settings. This work also lays the foundation for future research in this field of reasearch, with a strong emphasis on workflow reproducibility and hyperparameter optimization to further enhance model performance and regularize them, that is, avoid overfitting.