Identifying cancer and other diseases that cause lesions (damages or abnormalities to tissue) early is crucial to assure the best treatment. However, lesions are often missed which can cause diseases to progress to an advanced-stage of the diseases which is harder to cure. The application of machine learning in lesion detection can significantly aid medical experts in their diagnostic efforts.The impact of image resolution in training and using machine learning models is significant, as higher resolutions require higher end hardware and result in slower execution times. This study investigates how the image resolution of CT scan affects a machine learning model’s ability to detect lesions. The study used the YOLOv5 object detection model and trained it on a large dataset containing CT scans with identified and annotated lesions. Four models were trained on four different resolutions and the overall accuracy was measured for each model. When increasing the image resolution, lesions were detected with a higher overall accuracy. An optimal resolution was not found as the performance kept improving when a higher resolution was used.

Att identifiera cancer och andra sjukdomar som orsakar lesioner (organ eller vävnadsskador) i ett tidigt stadium är avgörande för att säkerställa bästa möjliga behandling. Tyvärr missas dessa lesioner ofta, vilket kan leda till att sjukdomen förvärras och blir svårare att bota. Maskininlärning kan användas för att lättare upptäcka lesioner vilket kan underlätta läkare i deras diagnostiska arbete. Bildupplösning har en betydande faktor vid träning och användning av maskininlärningsmodeller eftersom högre bildupplösning kräver kraftfullare hårdvara och resulterar i längre exekveringstider. Denna studie undersöker hur bildupplösningen påverkar förmågan hos en maskininlärningsmodell att upptäcka lesioner i datortomografibilder. Studien använder objekt detekterings modellen YOLOv5 och tränar modellen med hjälp av ett stort dataset med datortomografier som har identifierade och annoterade organskador. Fyra modeller tränades på varsin bildupplösning och deras noggrannheter av att hitta organskador mättes. Studien fann att modeller som använde en högre bildupplösning upptäckte lesioner med en högre noggrannhet. Tyvärr kunde studien inte fastställa om det fanns en optimal bildupplösning att använda eftersom modellens noggrannhet fortsatte att öka vid användning av varje högre upplösning.