Zmiana rozmiaru obrazu jest często używana jako krok wstępny w wielu zadaniach związanych z wizją komputerową, zwłaszcza w aplikacjach medycznych. Choć dostosowanie metody zmiany rozmiaru jest zazwyczaj pomijane w badaniach, istnieje wiele problemów, w których dokładny wpływ przepróbkowania na tekstury i gradienty obrazów jest istotny. W artykule przedstawiono szczegółową analizę wpływu rekonstrukcji obrazu na dwa kluczowe zadania w analizie obrazów medycznych: segmentację i klasyfikację. Proponowane badanie przeprowadzono na zestawie danych diagnostyki nerek, w którym segmentowane są nerki i klasyfikowane są trzy rodzaje guzów nerek. Wprowadzono nową metodę rekonstrukcji obrazu, nazwaną Algorytmem Próbkowania Kantorowicza (SKA). Jest ona porównywana z sześcioma innymi popularnymi technikami szeroko stosowanymi w przetwarzaniu obrazów. Na podstawie analiz jakościowych i ilościowych udowodniliśmy, że wybór metody rekonstrukcji obrazu wpływa na ogólną wydajność systemu. SKA okazał się najlepszą metodą w klasyfikacji, zwiększając wydajność do 75% ważonego F1-score o około 3 punkty procentowe (pp) w porównaniu z najlepszym rozwiązaniem bazowym. W segmentacji nerek SKA poprawia efektywność o ponad 2 pp w porównaniu z innymi metodami zmiany rozmiaru. Wyniki przedstawione w tym artykule mogą mieć zastosowanie w szerokim zakresie problemów związanych z przetwarzaniem obrazów medycznych.