Cet article étudie l'instabilité numérique survenant lors de l'apprentissage de FastSurfer, un pipeline d'analyse d'imagerie cérébrale basé sur l'apprentissage profond (AP). Nous analysons la variabilité du processus d'apprentissage de FastSurfer à l'aide de perturbations contrôlées utilisant des perturbations en virgule flottante et des graines aléatoires, démontrant que l'AP est plus sensible à l'instabilité que les pipelines de neuroimagerie conventionnels. Cependant, l'ensemble généré par les perturbations présente des performances similaires au modèle de base sans perturbations, démontrant que cette variabilité peut être exploitée pour des applications ultérieures telles que l'analyse de régression de l'âge cérébral. Notre conclusion suggère que la variabilité du temps d'apprentissage n'est pas seulement un problème de reproductibilité, mais peut également être exploitée comme une ressource pour améliorer la robustesse et permettre de nouvelles applications.
