本稿では、深層学習（DL）ベースの脳イメージングパイプラインであるFastSurferのトレーニング中に発生する数値的不安定性を調査します。浮動小数点摂動と乱数シードを用いた制御摂動によってFastSurferの訓練過程の変動性を分析し,既存の神経画像パイプラインと比較してDLが不安定性に対してより脆弱であることを示した。しかし、摂動によって生成されたアンサンブルは、摂動のない基準モデルと同様の性能を示し、これらの変動性を活用して脳年齢回帰分析などの後続のアプリケーションに活用できることを証明します。結論として、トレーニング時間のボラティリティは再現性の問題であるだけでなく、堅牢性を向上させ、新しいアプリケーションを可能にするリソースとしても利用できることを示唆しています。
