LOD-Net:用于息肉分割的可学习的定向导数网络

用于息肉分割的可学习的定向导数网络 抽象的 胃肠息肉是结直肠癌的主要原因。 考虑到息肉在大小，颜色，质地和内窥镜检查带来的不良光学条件方面存在差异，息肉分割仍然是一个具有挑战性的问题。 在本文中，我们提出了一个可学习的定向导数网络（LOD-Net），以提炼息肉的边界预测准确性。 具体而言，它首先计算息肉在每个像素处的八个定向导数。 然后，选择那些具有较大定向导数值的像素来构成息肉的候选边界区域。 最后，它通过融合边界区域特征以及由骨干网络计算出的高级语义特征来完善边界预测。 大量的实验和消融研究表明，与最新技术相比，拟议的LOD-Net在包括CVC-ClinicDB，Kvasir，ETIS和EndoScene在内的公开数据集上具有可观的优势。 数据集 我们遵循的数据设置。 您可以下载数据集并将其处理为COCO格式以进行培训和测试。 结果 CVC诊所数据库 克瓦西尔 ETIS 内幕 模型