En este trabajo, se determinó el mejor tamaño para las imágenes de resonancia magnética (RM) con realce tardío de gadolinio (LGE) en el conjunto de datos de entrenamiento para optimizar los resultados del entrenamiento de aprendizaje profundo. Se utilizaron algoritmos de interpolación de píxeles no adicionales y píxeles adicionales para determinar el nuevo tamaño de las imágenes de LGE-RM. Se introdujo una estrategia novedosa para manejar las máscaras de interpolación y eliminar las etiquetas de clase adicionales en las máscaras de segmentación de verdad terreno (GT) interpoladas. Se utilizó el algoritmo de maximización de la expectativa, intensidad ponderada, información a priori (EWA) para la cuantificación del infarto de miocardio (IM) en imágenes de LGE-RM segmentadas automáticamente. El umbral arbitrario, la comparación de las sumas y las sumas de las diferencias son métodos utilizados para estimar la relación entre la cuantificación semiautomática o manual y completamente automatizada de los resultados del infarto de miocardio (IM). Se encontró que la relación entre la cuantificación semiautomática y completamente automatizada de los resultados de IM era más cercana en el caso de imágenes de LGE-RM más grandes (55.5% más cercana a los resultados manuales) que en el caso de imágenes de LGE-RM más pequeñas (22.2% más cercana a los resultados manuales).