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

要約

現在のデータセットマスク処理操作は、バイキュービック（BIC）補間やバイリニア（BIL）補間のような余分なピクセルを生成するアルゴリズムとは対照的に、最近傍（NN）補間のような余分なピクセルを生成しない補間アルゴリズムに依存している。前回の研究では、筆者はNNベースのマスク処理に対する代替アプローチを提案し、ディープラーニングの学習結果に対するその効果を評価した。今回の研究では、筆者はBICベースの画像・マスク処理と、BIC-and-NNベースの画像・マスク処理と、NNベースの画像・マスク処理の両方の効果を比較評価した。評価の結果、BIC-BICモデル/ネットワークは、NN-NNネットワークの8.3127 %（画像サイズ256 x 256）、0.2887 %（画像サイズ384 x 384）の増加であったNN-BICネットワークと比較して、NN-NNネットワークの8.9578 %（画像サイズ256 x 256）、1.0496 %（画像サイズ384 x 384）の増加であった。

要約(オリジナル)

Current dataset mask processing operations relies on interpolation algorithms that do not produce extra pixels, such as nearest neighbor (NN) interpolation, as opposed to algorithms that do produce extra pixels, like bicubic (BIC) or bilinear (BIL) interpolation. In our previous study, the author proposed an alternative approach to NN-based mask processing and evaluated its effects on deep learning training outcomes. In this study, the author evaluated the effects of both BIC-based image and mask processing and BIC-and-NN-based image and mask processing versus NN-based image and mask processing. The evaluation revealed that the BIC-BIC model/network was an 8.9578 % (with image size 256 x 256) and a 1.0496 % (with image size 384 x 384) increase of the NN-NN network compared to the NN-BIC network which was an 8.3127 % (with image size 256 x 256) and a 0.2887 % (with image size 384 x 384) increase of the NN-NN network.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL