探讨脑 MRI 分割中的人口统计偏差：深度学习与非深度学习方法的比较研究
计算机视觉与模式识别
2026-02-23 v2
摘要
深度学习基于分割算法在医学图像分析领域取得了显著进展，尤其是在 MRI 结构描绘方面。然而，数据内在的偏差是需要考虑的重要因素。关于基于敏感属性（如种族和性别）造成的性能差异公平性问题日益紧迫。本文我们评估了三种不同的分割模型（UNesT、nnU-Net 和 CoTr）以及一种传统的基于图谱的方法（ANTs），应用于分割 MRI 图像中左右核内皮层 (NAc)。我们利用包括四个人口统计子群：黑人女性、黑人男性、白人女性和白人男性的数据集。我们采用手动标记的金标准分割结果来训练和测试分割模型。本研究分为两个部分：第一个评估模型的分割性能，而第二个测量它们产生的体积，以评估种族、性别及其相互作用的影响。公平性使用量化分割性能公平性的度量标准进行衡量。此外，线性混合模型分析人口统计变量对分割准确性和派生体积的影响。针对某些模型，在与测试主体相同种族上进行训练可显著提高分割准确性。ANTs 和 UNesT 在种族匹配数据上进行训练和测试时表现出显著的分割准确性改进，而 nnU-Net 则表现出独立于人口统计匹配的稳健性能。最后，我们检查了手动分割和我们偏差模型对 NAc 体积的性别和种族效应。结果表明，手动分割时观察到的性别效应也存在于偏差模型中，而种族效应在除一个模型之外的所有模型中消失。
引用
@article{arxiv.2510.17999,
title = {Investigating Demographic Bias in Brain MRI Segmentation: A Comparative Study of Deep-Learning and Non-Deep-Learning Methods},
author = {Ghazal Danaee and Marc Niethammer and Jarrett Rushmore and Sylvain Bouix},
journal= {arXiv preprint arXiv:2510.17999},
year = {2026}
}
备注
17 pages, 2 figures, Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:035