Evaluation of Extra Pixel Interpolation with Mask Processing for Medical Image Segmentation with Deep Learning

要約

この研究では、著者は、深層学習を使用した医用画像セグメンテーション用のトレーニング データセット画像とマスクを補間する際に、マスク処理を伴う追加ピクセル補間アルゴリズムと非追加ピクセル補間アルゴリズムの使用を評価しました。
著者は、さまざまなアルゴリズムを使用してデータセット画像とマスクを補間するシナリオも調べました。データセット画像を補間するための追加ピクセルと、データセット マスクを補間するための非追加ピクセルです。
評価の結果、エクストラ ピクセル バイキュービック補間 (BIC) を使用して補間された画像とマスクで構成されるデータセットのトレーニングは、非エクストラ ピクセル最近傍補間 (NN) または BIC をデータセット画像に使用する場合と比較して、セグメンテーション精度が向上することが明らかになりました。
データセット マスクの NN。
具体的には、評価により、BIC-BIC ネットワークは、NN-BIC ネットワークと比較して、NN-NN ネットワークが 8.9578 % (画像サイズ 256 x 256 の場合) および 1.0496 % (画像サイズ 384 x 384 の場合) 増加することが明らかになりました。
NN-NN ネットワークの 8.3127 % (画像サイズ 256 x 256) および 0.2887 % (画像サイズ 384 x 384) の増加。

要約(オリジナル)

In this study, the author evaluated the use of an extra pixel interpolation algorithm with mask processing versus non-extra pixel interpolation algorithm when interpolating training dataset images and masks for medical image segmentation with deep learning. The author also examined scenarios of interpolating dataset images and masks using different algorithms: extra pixel for interpolating dataset images and non-extra pixel for interpolating dataset masks. The evaluation outcomes revealed that training on datasets consisting of images and masks both interpolated using the extra pixel bicubic interpolation (BIC) resulted in better segmentation accuracy compared to using either the non-extra pixel nearest neighbor interpolation (NN) or BIC for dataset images and NN for dataset masks. Specifically, the evaluation revealed that the BIC-BIC network was a 8.9578 % (with image size 256 x 256) and a 1.0496 % (with image size 384 x 384) increase of NN-NN network compared to the NN-BIC network which was a 8.3127 % (with image size 256 x 256) and a 0.2887 % (with image size 384 x 384) increase of NN-NN network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google