多站点成像数据的机器学习：扫描仪效应的实证研究
图像与视频处理
2019-10-11 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
这是一项实证研究，旨在考察在多站点神经影像数据上使用机器学习时扫描仪效应的影响。我们利用来自两项不同研究 Cam-CAN 与 UK Biobank 的结构性 T1 加权脑 MRI。出于研究目的，我们构建了一个由 592 名年龄与性别匹配个体脑扫描组成的数据集，每项原始研究各 296 名受试者。我们的结果表明，即便使用最先进的神经影像流程进行细致预处理，分类器仍能以极高准确率轻易区分数据来源。我们以性别分类为例应用的分析表明，当前的数据协调方法无法去除站点特异性偏倚，导致过于乐观的性能估计与较差的泛化能力。我们得出结论：多站点数据协调仍是一项开放挑战，在使用此类数据结合先进机器学习方法进行预测建模时需特别谨慎。
引用
@article{arxiv.1910.04597,
title = {Machine Learning with Multi-Site Imaging Data: An Empirical Study on the Impact of Scanner Effects},
author = {Ben Glocker and Robert Robinson and Daniel C. Castro and Qi Dou and Ender Konukoglu},
journal= {arXiv preprint arXiv:1910.04597},
year = {2019}
}
备注
Presented at the Medical Imaging meets NeurIPS Workshop 2019