يُعدّ التنظير القولوني المعيار الذهبي للكشف عن سرطان القولون والمستعمرات السابقة له. ومع ذلك، فإن الطرق الحالية للفحص تعاني من معدلات إهمال عالية بشكل عام، مما يؤدي إلى بقاء العديد من التغيرات غير المكتشفة. وتُروج أنظمة التشخيص المدعومة بالحوسبة (CAD) التي تعتمد على خوارزميات تعلم آلي متقدمة إلى كونها ثورة حقيقية، حيث يمكنها تحديد مناطق في القولون تُفوّت على الأطباء أثناء الفحوصات المنظارية، وتساعد في الكشف عن الالتهابات وتصنيفها. في أعمال سابقة، قدمنا بنية ResUNet++ وأثبتنا أنها تُنتج نتائج أكثر كفاءة مقارنة ببنية U-Net وResUNet. وفي هذه الورقة، نُظهر أن تحسينات إضافية في الأداء العام للتنبؤ بنية ResUNet++ يمكن تحقيقها باستخدام الحقل العشوائي الشرطي (CRF) وتحسين وقت الاختبار (TTA). وقد أجرينا تقييمات واسعة وتحققنا من هذه التحسينات باستخدام ستة مجموعات بيانات متاحة للجمهور: Kvasir-SEG، وCVC-ClinicDB، وCVC-ColonDB، وETIS-Larib Polyp DB، وASU-Mayo Clinic Colonoscopy Video Database، وCVC-VideoClinicDB. بالإضافة إلى ذلك، قارنا المعمارية المقترحة والنموذج الناتج مع الطرق الأخرى من المستوى الرائد (State-of-the-art). ولدراسة قدرة التعميم لـ ResUNet++ على مجموعات بيانات مختلفة للبوليبيات المتاحة للجمهور، بهدف تمكين استخدامها في البيئات الواقعية، قمنا بإجراء تقييمات عرضية واسعة النطاق عبر المجموعات. تُظهر النتائج التجريبية أن تطبيق CRF وTTA يُحسّن الأداء على مختلف مجموعات بيانات تحليل البوليبيات، سواء عند التقييم داخل نفس المجموعة أو عبر مجموعات مختلفة.