Effects of Image Size on Deep Learning

要約

この論文では、主な目的は、最適な深層学習の学習成果を達成するために、トレーニングデータセットのための後期ガドリニウム増強（LGE）-磁気共鳴画像（MRI）画像の最適なサイズを決定することである。参照学習データセットからLGE-MRI画像の新しいサイズを決定するために、非エクストラピクセルとエクストラピクセル補間アルゴリズムが使用される。補間されたグランドトゥルース（GT）セグメンテーションマスクにおける余分なクラスラベルを除去するために、閾値、中央値フィルタリング、および減算操作に基づく新しい戦略が導入され、適用される。期待値最大化、重み付き強度、先験的情報（EWA）アルゴリズムを用いて完全自動定量化を実現し、畳み込みニューラルネットワーク（CNN）によるLGE-MRI画像の自動意味的セグメンテーションの結果を示す。実験では、GTセグメンテーションに対して、注目のCNNアーキテクチャ（U-net）によるセマンティックセグメンテーションの品質を評価するために、共通のクラスメトリクスが用いられている。任意の閾値、総和の比較、差の総和は、MI結果の半自動定量化と完全自動定量化の関係を推定するために用いられる基準またはオプションである。LGE-MRI画像のデータセットに基づく最良の定量化結果は、LGE-MRI画像のデータセットに基づく最良の定量化結果は、手動または半自動結果に55.5％近い一方、LGE-MRI画像のデータセットに基づく最良の定量化結果は、手動結果に22.2％近いという、より大きなLGE MRI画像のデータセットを含む場合、MIの半自動または手動と全自動定量化の間の密接な関係は、より小さなLGE MRI画像のデータセットに基づく場合、それらに基づいて確認されました。

要約(オリジナル)

In this paper the main objective is to determine the best size of late gadolinium enhancement (LGE)-magnetic resonance imaging (MRI) images for the training dataset to achieve optimal deep learning training outcomes. To determine the new size of LGE-MRI images from the reference training dataset, non-extra pixel and extra pixel interpolation algorithms are used. A novel strategy based on thresholding, median filtering, and subtraction operations is introduced and applied to remove extra class labels in interpolated ground truth (GT) segmentation masks. Fully automated quantification is achieved using the expectation maximization, weighted intensity, a priori information (EWA) algorithm, and the outcome of automatic semantic segmentation of LGE-MRI images with the convolutional neural network (CNN). In the experiments, common class metrics are used to evaluate the quality of semantic segmentation with a CNN architecture of interest (U-net) against the GT segmentation. Arbitrary threshold, comparison of the sums, and sums of differences are criteria or options used to estimate the relationship between semi-automatic and fully automated quantification of MI results. A close relationship between semi-automatic or manual and fully automated quantification of MI results was more identified in the case involving the dataset of bigger LGE MRI images than in that of the dataset of smaller LGE-MRI images where the best quantification results based on the dataset of bigger LGE MRI images were 55.5% closer the manual or semiautomatic results while the best quantification results based on the dataset of smaller LGE MRI images were 22.2% closer the manual results.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL