EndoPolypDetector：基于YOLOv8和Kvasir-SEG数据集的内窥镜息肉检测系统

1. 项目背景与意义

肠道息肉是消化系统常见的良性病变，部分息肉具有癌变潜能，早期准确识别和定位息肉对于预防结直肠癌具有重要意义。传统内窥镜医生依赖视觉经验进行诊断，效率和准确性受限。

深度学习在医学图像分析的快速发展为息肉自动检测提供了新机遇，能辅助医生提升检测准确率、减少漏诊。

本项目基于最新YOLOv8模型，利用公开的Kvasir-SEG内窥镜息肉图像分割数据集，构建端到端息肉检测系统，并实现了便捷的图形界面供临床应用演示。

---

2. 内窥镜息肉检测技术现状

• 早期多采用传统图像处理技术和机器学习方法，效果有限。
• 基于CNN的语义分割方法（如UNet、DeepLab）广泛应用息肉分割任务。
• 目标检测方法（如Faster R-CNN、YOLO系列）更适合实时检测与定位息肉。
• YOLOv8融合了Transformer模块与轻量级骨干网络，实现了精准且高效的息肉检测。

---

3. Kvasir-SEG数据集详解

3.1 数据集简介

• 由挪威科技大学发布
• 包含1000多张内窥镜图像及对应息肉的二值分割掩码
• 图像分辨率多样，主要为高清内窥镜拍摄