Contrastive learning for regression in multi-site brain age prediction

要約

脳年齢予測のための正確な深層学習 (DL) モデルの構築は、神経変性疾患の理解を深め、新しいバイオマーカーを見つけるのに役立つ可能性があるため、ニューロ イメージングに非常に関連するトピックです。
正確で一般化可能なモデルを推定するために、大規模なデータセットが収集されました。これは、多くの場合、マルチサイトおよびマルチスキャナーです。
この大きな異質性は、サイト関連のノイズをオーバーフィットする傾向があるため、DL モデルの一般化パフォーマンスに悪影響を及ぼします。
最近、対照学習アプローチは、データまたはラベルのノイズに対してより堅牢であることが示されています。
このため、MRIスキャンを使用したロバストな脳年齢予測のための新しい対照学習回帰損失を提案します。
私たちの方法は、OpenBHB チャレンジで最先端のパフォーマンスを達成し、最高の一般化機能とサイト関連のノイズに対する堅牢性をもたらします。

要約(オリジナル)

Building accurate Deep Learning (DL) models for brain age prediction is a very relevant topic in neuroimaging, as it could help better understand neurodegenerative disorders and find new biomarkers. To estimate accurate and generalizable models, large datasets have been collected, which are often multi-site and multi-scanner. This large heterogeneity negatively affects the generalization performance of DL models since they are prone to overfit site-related noise. Recently, contrastive learning approaches have been shown to be more robust against noise in data or labels. For this reason, we propose a novel contrastive learning regression loss for robust brain age prediction using MRI scans. Our method achieves state-of-the-art performance on the OpenBHB challenge, yielding the best generalization capability and robustness to site-related noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google