Effects of Image Size on Deep Learning

要約

この作業では、トレーニング データセット内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して、ディープ ラーニング トレーニングの成果を最適化しました。
非余分なピクセルおよび余分なピクセル補間アルゴリズムを使用して、LGE-MRI 画像の新しいサイズを決定しました。
補間マスクを処理し、補間されたグラウンド トゥルース (GT) セグメンテーション マスクで余分なクラス ラベルを削除するための新しい戦略が導入されました。
自動的にセグメント化された LGE-MRI 画像における心筋梗塞 (MI) の定量化には、期待値の最大化、加重強度、アプリオリ情報 (EWA) アルゴリズムが使用されました。
任意のしきい値、合計の比較、および差の合計は、心筋梗塞 (MI) 結果の半自動または手動および完全自動の定量化の間の関係を推定するために使用される方法です。
MI 結果の半自動定量化と完全自動定量化の間の関係は、LGE MRI 画像が小さい場合 (手動結果に 22.2% 近い) よりも、LGE MRI 画像が大きい場合 (手動結果に 55.5% 近い) に近いことがわかりました。
）。

要約(オリジナル)

In this work, the best size for late gadolinium enhancement (LGE) magnetic resonance imaging (MRI) images in the training dataset was determined to optimize deep learning training outcomes. Non-extra pixel and extra pixel interpolation algorithms were used to determine the new size of the LGE-MRI images. A novel strategy was introduced to handle interpolation masks and remove extra class labels in interpolated ground truth (GT) segmentation masks. The expectation maximization, weighted intensity, a priori information (EWA) algorithm was used for quantification of myocardial infarction (MI) in automatically segmented LGE-MRI images. Arbitrary threshold, comparison of the sums, and sums of differences are methods used to estimate the relationship between semi-automatic or manual and fully automated quantification of myocardial infarction (MI) results. The relationship between semi-automatic and fully automated quantification of MI results was found to be closer in the case of bigger LGE MRI images (55.5% closer to manual results) than in the case of smaller LGE MRI images (22.2% closer to manual results).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google