面向神经影像的流水线不变表示学习
机器学习
2023-10-17 v3 图像与视频处理
摘要
深度学习已广泛应用于神经影像领域，包括从磁共振成像（MRI）体数据预测脑-表型关系。MRI 数据在建模前通常需大量预处理，但不同 MRI 预处理流水线引入的变异可能导致不同的科学发现，即使使用相同数据亦然。受以数据为中心视角的启发，我们首先评估预处理流水线选择如何影响监督学习模型的下游性能。接着，我们提出两种流水线不变表示学习方法 MPSL 与 PXL，以提升分类性能的鲁棒性并捕获相似的神经网络表示。利用来自 UK Biobank 数据集的 2000 名人类受试者，我们证明了所提模型具有独特与共享的优势，特别是 MPSL 可用于改善对新流水线的样本外泛化，而 PXL 可用于改善样本内预测性能。MPSL 与 PXL 均能学习到更相似的流水线间表示。这些结果表明，我们的模型可用于缓解流水线相关偏差，并提升脑-表型建模中的预测鲁棒性。
引用
@article{arxiv.2208.12909,
title = {Pipeline-Invariant Representation Learning for Neuroimaging},
author = {Xinhui Li and Alex Fedorov and Mrinal Mathur and Anees Abrol and Gregory Kiar and Sergey Plis and Vince Calhoun},
journal= {arXiv preprint arXiv:2208.12909},
year = {2023}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 17 pages