Polyp_Segmentation_Final_Presentation

1.

AUTOMATIC POLYP SEGMENTATION
Сегментация полипов
на колоноскопических изображениях
YOLO11-Seg • UNet++ • PraNet | Kvasir-SEG → CVC-ClinicDB
Лучший Dice
Лучший IoU
External test
GPU
0.9295
0.8808
CVC
RTX 3060
YOLO11-Seg, Combined
Финальный проект по Computer Vision
YOLO11-Seg, Combined
cross-dataset validation
локальное обучение

2.

Задача и экспериментальный дизайн
Главный вопрос: насколько хорошо модель переносится на независимый датасет?
Kvasir-SEG
Модели
CVC-ClinicDB
обучение +
validation
YOLO11-Seg
UNet++
PraNet
external test
1,000 изображений
→
единый segmentation pipeline
→
domain shift / generalization

3.

Данные и протокол оценки
Kvasir split
Input size
Основные метрики
Доп. метрики
880 / 120
512×512
Dice + IoU
P / R / MAE
train / validation
UNet++ / PraNet
pixel overlap
Почему external validation
важна
Sα • Eφ • wFβ
Модель может выглядеть сильной на hold-out split того же датасета, но заметно терять качество на
изображениях другой клиники/камеры. Поэтому CVC-ClinicDB не используется для подбора модели
— только для независимой проверки.

4.

YOLO11-Seg — основные результаты
Три режима оценки: Kvasir, CVC и Combined
YOLO11-Seg: Dice / IoU
Combined — Mask mAP50
1
0.9869
0,9
mAP50-95 = 0.8171
0,8
0,7
0,6
Combined — Dice
0,5
0.9295
лучший результат проекта
0,4
0,3
0,2
Combined — IoU
0,1
0
Kvasir
CVC
Dice
Combined
IoU
0.8808
сильный mask overlap

5.

UNet++ и PraNet — Kvasir-SEG validation
In-domain performance
PraNet Dice
1
0,9
0.8301
vs UNet++ 0.7676
0,8
0,7
0,6
PraNet IoU
0,5
0.7476
vs UNet++ 0.6813
0,4
0,3
0,2
Вывод
0,1
PraNet >
UNet++
по Dice и IoU
0
UNet++
Dice
PraNet
IoU
Precision
Recall

6.

Cross-dataset generalization — CVC-ClinicDB
Самая важная проверка проекта
External test: Dice / IoU
YOLO Dice
1
0,9
0.8141
лучший external result
0,8
0,7
0,6
PraNet Dice
0,5
0.7449
−0.0851 vs Kvasir
0,4
0,3
0,2
UNet++ Dice
0,1
0.6684
−0.0992 vs Kvasir
0
UNet++
PraNet
Dice
YOLO11-Seg
IoU

7.

Что меняется при domain shift?
UNet++
PraNet
Dice −0.0992
IoU −0.0980
Precision −0.1097
Recall +0.0158
Dice −0.0851
IoU −0.0903
Precision −0.0981
Recall +0.0144
Интересный эффект: у обеих моделей Recall на CVC немного вырос, хотя Dice/IoU и Precision снизились. Модели
находят больше областей полипа, но границы и ложноположительные области становятся менее точными.

8.

Расширенные метрики сегментации
UNet++ и PraNet: структура, качество карты и абсолютная ошибка
Model / Dataset
wFβ
Sα
Eφ max
MAE
UNet++ / Kvasir
.7339
.8209
.8635
.0687
UNet++ / CVC
.6246
.7939
.8192
.0480
PraNet / Kvasir
.7927
.8624
.8970
.0534
PraNet / CVC
.6941
.8301
.8703
.0402
MAE ниже — лучше; остальные метрики выше — лучше.

9.

Qualitative analysis
Original → Ground Truth → Prediction; best / median / worst cases

10.

Итоговое сравнение моделей
Model
Kvasir Dice
Kvasir IoU
CVC Dice
CVC IoU
YOLO11-Seg
.8707
.8064
.8141
.7447
PraNet
.8301
.7476
.7449
.6572
UNet++
.7676
.6813
.6684
.5834
Лучший overall
Лучший CNN baseline
Главный риск
YOLO11-Seg
PraNet
Domain shift

11.

Выводы
01
YOLO11-Seg показал лучшие Dice/IoU как на Kvasir, так и на внешнем CVC.
02
PraNet оказался сильнее UNet++ среди специализированных segmentation architectures.
03
На CVC качество всех моделей снижается — cross-dataset domain shift является реальной
проблемой.
04
Расширенные метрики и error maps подтверждают: основная сложность — точные границы и
редкие тяжёлые ошибки.
05
Проект демонстрирует полный ML/CV pipeline: данные → обучение → internal validation →
external validation → error analysis.
Спасибо!