当研究团队开发深度学习模型时，他们必须对工作中使用的图像分辨率做出某些决定。例如，他们是否应该始终尽可能使用最大的图像?还是有时较小的图像可以完成工作?

一的作者新的研究在放射学：人工智能研究的长度这个问题上，评估神经网络(细胞神经网络)如何卷积是受“图像分辨率和网络培训战略的宽谱”。大量的CNN在NIH ChestX-ray14数据集上进行了训练，该数据集包含以分辨率为1024 x 1024存储的112,000多个胸部x射线。

使用9种图像分辨率(32 x 32、64 x 64、128 x 128、224 x 224、256 x 256、320 x 320、448 x 448、512 x 512和600 x 600)和8个诊断标签对CNN进行了训练：肺气肿，心脏肥大，疝气，肺不张，水肿，积液，肿块和结节。

“由于对临床实用性和在六个排除的标签上训练的模型的相关性的担忧，我们选择在ChestX-ray14数据集中的14个标签中仅选择八个模型，”医学博士Carl F. Sabottke和Bradley M写道。 LSU健康科学中心医学博士Spieler，新奥尔良。

然后，作者比较了所有这些模型的性能，寻找可能有助于未来研究人员开发最有效的CNN的线索。这些是分析得出的三个关键点：

1.更高的图像分辨率并不总是答案

研究人员可能会认为使用尽可能高的图像分辨率始终是正确的选择，但这远非如此。Sabottke和Spieler的工作表明，在某些情况下，随着他们的CNN用更大的图像训练，ROC曲线(AUC)下的面积实际上会下降。

2.经过训练以检测微妙发现的CNN确实受益于更高的图像分辨率

开发CNN来检测更多细微的发现(例如肺结节)时，较高的图像分辨率会导致较高的AUC。

作者写道：“对于肺结节检测与胸腔肿块检测相比，图像分辨率范围之间的性能差异可能是由于这些发现之间的大小差异所致。”“根据定义，肺结节小于3 cm，而肿块超过该大小。相反，肺气肿通常在X线照片上比结节或肿块散布得多，因此，低分辨率下相对较差的性能可能与图像中信息的更普遍丢失有关。”

3.人工智能技术仍在快速发展

使用较大的图像可能会对CNN的发展产生负面影响，从而导致“内在的取舍”。但是今天无法做的事情明天就可能实现，这意味着在不久的将来，研究人员在AI模型中使用更大的图像分辨率时可能会有更大的灵活性。

作者写道：“随着硬件的改进和算法的不断发展，以更高的图像分辨率开发放射学深度学习应用程序变得越来越可行。”“我们目前工作的一个局限性是，由于图形处理单元内存的限制，我们将所有型号的批次大小都固定为八个，因为我们的硬件无法训练更大批次的高分辨率模型。但是，随着硬件的进步，越来越多的具有大量随机存取存储器的图形处理单元变得可用，就有机会从具有较大批处理量的高图像分辨率模型中获得更好的性能。”