基于掩码处理的额外像素插值用于深度学习医学图像分割的评估
图像与视频处理
2024-07-17 v4 计算机视觉与模式识别
摘要
当前的掩码处理操作依赖于不产生额外像素的插值算法，例如最近邻（NN）插值，而非像双三次（BIC）或双线性（BIL）插值那样会产生额外像素的算法。在我们之前的研究中，作者提出了一种基于 NN 的掩码处理的替代方法，并评估了其对深度学习训练结果的影响。在本研究中，作者评估了基于 BIC 的图像与掩码处理、以及基于 BIC 与 NN 的图像与掩码处理相对于基于 NN 的图像与掩码处理的效果。评估显示，BIC-BIC 模型/网络相比 NN-NN 网络分别提升了 8.9578%（图像尺寸 256 x 256）和 1.0496%（图像尺寸 384 x 384），而 NN-BIC 网络相比 NN-NN 网络分别提升了 8.3127%（图像尺寸 256 x 256）和 0.2887%（图像尺寸 384 x 384）。
引用
@article{arxiv.2302.11522,
title = {Evaluation of Extra Pixel Interpolation with Mask Processing for Medical Image Segmentation with Deep Learning},
author = {Olivier Rukundo},
journal= {arXiv preprint arXiv:2302.11522},
year = {2024}
}
备注
5 pages, 10 figure, 7 tables