医学影像中的特征鲁棒性与性别差异：基于MRI的阿尔茨海默病检测案例研究
图像与视频处理
2022-07-15 v3 计算机视觉与模式识别
机器学习
摘要
卷积神经网络已显著改善基于医学影像的诊断。然而，日益明确的是，这些模型在面对伪相关与数据集偏移时易出现性能退化，例如导致在代表性不足的患者群体上表现欠佳。本文中，我们在ADNI MRI数据集上比较两种分类方案：一种使用人工选定体积特征的简单逻辑回归模型，以及一种在3D MRI数据上训练的卷积神经网络。我们评估了训练好的模型在不同数据集划分、训练集性别构成及疾病阶段下的鲁棒性。与早前其他影像模态的研究相反，我们未观察到训练数据集中多数群体模型性能提升的明确模式。相反，逻辑回归对数据集构成完全鲁棒，而我们发现当训练集中纳入更多女性受试者时，CNN对男女性别的性能均普遍改善。我们推测这或许源于两性病理上的固有差异。此外，在我们的分析中，逻辑回归模型优于3D CNN，凸显了基于先验知识的人工特征指定的效用，以及更鲁棒自动特征选择的需求。
引用
@article{arxiv.2204.01737,
title = {Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection},
author = {Eike Petersen and Aasa Feragen and Maria Luise da Costa Zemsch and Anders Henriksen and Oskar Eiler Wiese Christensen and Melanie Ganz},
journal= {arXiv preprint arXiv:2204.01737},
year = {2022}
}
备注
Accepted for presentation at MICCAI 2022