基于CNN的脑MR分割中人口统计学偏差研究
计算机视觉与模式识别
2022-08-16 v1
摘要
卷积神经网络(CNNs)正日益被用于自动化分割磁共振(MR)图像中的脑结构以服务于研究。在其他应用中,已表明当CNN模型在训练集中某些人口统计学群体代表性不足时会表现出针对这些群体的偏差。在本工作中,我们研究用于脑MR分割的CNN模型在采用不平衡训练集训练时是否可能包含性别或种族偏差。我们使用白人受试者中不同性别不平衡程度训练FastSurferCNN模型的多个实例。我们分别对白人男性和白人女性测试集评估这些模型以评估性别偏差,并进一步在黑人男性和黑人女性测试集上评估以评估潜在种族偏差。我们发现分割模型性能存在显著的性别和种族偏差效应。这些偏差具有强烈的空间成分,某些脑区表现出远强于其他的偏差。总体而言,我们的结果表明种族偏差比性别偏差更为显著。我们的研究证明了在构建基于CNN的脑MR分割训练集时考虑种族和性别平衡的重要性,以避免通过有偏差的研究发现维持甚至加剧现有的健康不平等。
引用
@article{arxiv.2208.06613,
title = {A Study of Demographic Bias in CNN-based Brain MR Segmentation},
author = {Stefanos Ioannou and Hana Chockler and Alexander Hammers and Andrew P. King},
journal= {arXiv preprint arXiv:2208.06613},
year = {2022}
}
备注
Accepted for publication at MICCAI MLCN 2022