본 논문은 심층 학습(DL) 기반의 뇌 영상 분석 파이프라인인 FastSurfer의 훈련 과정에서 발생하는 수치적 불안정성을 조사합니다. 부동 소수점 섭동과 난수 시드를 이용한 제어된 섭동을 통해 FastSurfer의 훈련 과정의 변동성을 분석하고, 기존 신경 영상 파이프라인에 비해 DL이 불안정성에 더 취약함을 보여줍니다. 하지만 섭동을 통해 생성된 앙상블은 섭동이 없는 기준 모델과 유사한 성능을 보이며, 이러한 변동성을 활용하여 뇌 연령 회귀 분석과 같은 후속 응용 프로그램에 활용할 수 있음을 증명합니다. 결론적으로, 훈련 시간 변동성은 재현성 문제일 뿐만 아니라 강건성을 향상시키고 새로운 응용 프로그램을 가능하게 하는 자원으로 활용될 수 있음을 시사합니다.
