是一个从结肠镜检查视频中提取的帧数据库。该数据集包含几个息肉帧示例以及它们的相应地面事实。图像由一个掩码组成，该掩码对应于图像中息肉覆盖的区域。 数据库由两种不同类型的图像组成：原始图像：原始/frame_number.tiff；息肉掩模：地面实况/frame_number.tiff。

CVC-T 数据集是一个更广泛的数据集的测试集，称为 Endoscene。CVC-T 由从 36 名患者获得的 44 个视频序列中获得的 60 张图像组成。 一度找不到这个单独的数据集，但其实是包含在一整个医学分割网络的训练策略里的，这个策略是： 训练：其中90%的Kvasir和ClinicDB数据集； 测试：Kvasir和CVC-ClinicDB数据集中的其余图像+CVC-ColonDB+CVC-T+ETIS-Larib的所有图像。 如果有单独的需要可以自取。

Kvasir:该数据集包含1000张息肉图像，其范围在332×487到1920×1072，并且图像中息肉区域的大小和形状也各不相同。 CVC-ColonDB:该数据集是由结肠镜检查的15个不同序列中采样的380图像组成，其图像大小皆为574×500。 CVC-ClinicDB:该数据集是从25个结肠镜检查视频中提取612张图像组成的。其图像大小都是384×288。 CVC-300:60张息肉样本图像，其大小为574×500。 ETIS:该数据集是从34个结肠镜检查视频中提取了196张图像，其图像大小都是1225×966。

息肉检测数据2D转3D格式

息肉检测数据集2D转3D

息肉医学影像数据集 Kvasir-SEG dataset is an open-access dataset of gastrointestinal polyp images and corresponding segmentation masks. Kvasir-SEG是胃肠道息肉医学影像相关的开源数据集。

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

Tensorflow实现“ CT结肠造影中具有有限数据集的息肉候选者检测的3D卷积神经网络框架”，Chen Yizhi，2018年，EMBC。 版权保留。 免费提供各种用于研究目的的复制和修订。 在Tensorflow1.4，Python2.7，Ubuntu16.04下 文件结构 您应该参考Configuration.py以全面了解程序和数据库的文件结构。 数据输入 为了避免训练时加载完整尺寸的CT卷所需的大量时间，我们将首先裁剪该卷，然后将它们组织为单独的POLYP DATASET。 像Configuration.py中一样准备CT结肠造影数据。 在文本文件中列出所有CT卷的目录。 在Configuation.py中修改几个重要的目录变量。 运行dataBase.py以构造信息文件和息肉数据集。 训练 “ cd version2”和“ python train.py --fold

FCN图像分割课程论文，随便写写

基于全卷积深度学习网络结构的胃肠息肉图片分割的论文代码实现