LPD-Net: A Lightweight and Efficient Deep Learning Model for Accurate Colorectal Polyp Segmentation
Notice bibliographique
Résumé
Accurate colorectal polyp segmentation is crucial for the early detection and prevention of colorectal cancer, one of the leading causes of cancer-related deaths worldwide. While colonoscopy remains the most reliable screening method, it is time-consuming, resource-intensive, and highly dependent on the operator, which can lead to variability in diagnosis and potential delays. Deep learning models have shown great potential in automating polyp detection, but their large size and high computational demands make them impractical for real-time clinical use. To overcome these challenges, we introduce LPD-Net, a lightweight and efficient alternative to DUCK-Net that reduces computational complexity while maintaining high segmentation accuracy. This is achieved by optimizing the network architecture, reducing the number of residual blocks, and leveraging depthwise and pointwise convolutions. Our model strikes a balance between performance and computational efficiency. With robust preprocessing and test-time augmentation, LPD-Net achieves state-of-the-art segmentation on CVC-ClinicDB and Kvasir-SEG while remaining lightweight.Clinical RelevanceEarly and precise polyp segmentation is essential for effective colorectal cancer screening and treatment. LPD-Net ensures high segmentation accuracy while significantly reducing parameters, enabling real-time analysis of colonoscopy images. Its lightweight design lowers computational costs, making it suitable for resource-limited settings. By enhancing segmentation efficiency and robustness, LPD-Net supports faster and more reliable polyp assessment, aiding timely medical intervention and improved patient outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».