在 3D 脑解剖 MRI 上基准测试 CNN：架构、数据增强与深度集成学习
计算机视觉与模式识别
2023-04-18 v2 机器学习
图像与视频处理
摘要
深度学习（DL），特别是 CNN 模型，已成为广泛视觉任务的事实标准方法，其表现优于传统机器学习（ML）方法。因此，它们在神经影像领域引起了大量关注，尤其用于表型预测或计算机辅助诊断。然而，当前大多数研究通常处理小型单站点队列，并采用特定的预处理流水线和定制 CNN 架构，这使得它们难以比较。我们提出了对近期最先进（SOTA）3D CNN 的广泛基准测试，同时评估了数据增强和深度集成学习在基于体素的形态学（VBM）预处理与准原始（quasi-raw）图像上的收益。实验在一个包含 N=10k 次扫描的大型多站点 3D 脑解剖 MRI 数据集上进行，涵盖 3 个具有挑战性的任务：年龄预测、性别分类和精神分裂症诊断。我们发现所有模型在 VBM 图像上的预测均显著优于准原始数据。当训练集接近 10k 样本时，准原始数据几乎达到 VBM 的性能，这一发现随之演化。此外，我们表明线性模型在 VBM 数据上与 SOTA CNN 表现相当。我们还证明 DenseNet 以及我们提出的轻量版 tiny-DenseNet 在所有数据规模下提供了良好的性能折衷。因此，我们建议默认采用它们作为架构。关键的是，我们还表明即便使用 N=10k 多站点图像训练，当前 CNN 仍严重偏向采集站点。在此背景下，VBM 预处理提供了一种限制该站点效应的有效方式。令人惊讶的是，我们未发现数据增强技术有任何明显收益。最后，我们证明深度集成学习非常适合在不牺牲性能的情况下重新校准大型 CNN 模型。
引用
@article{arxiv.2106.01132,
title = {Benchmarking CNN on 3D Anatomical Brain MRI: Architectures, Data Augmentation and Deep Ensemble Learning},
author = {Benoit Dufumier and Pietro Gori and Ilaria Battaglia and Julie Victor and Antoine Grigis and Edouard Duchesnay},
journal= {arXiv preprint arXiv:2106.01132},
year = {2023}
}
备注
Technical report